小柯机器人

德国耶拿弗里德里希-席勒大学Sebastian Bcker研究团队的一项最新研究，提出利用高分辨率碎片质谱对未知代谢物进行系统分类。该项研究成果发表在2020年11月23日出版的《自然-生物技术》上。

在本研究中，研究人员研发了CANOPUS（使用质谱的类分配和本体预测），这是一种用于系统复合物注释的计算工具。CANOPUS利用深层神经网络从碎片谱中预测了2497种化合物类别，包括所有与生物学相关类别。CANOPUS可特异性识别无法获得光谱或结构参考数据的化合物，并预测缺乏串联质谱数据的类别。在使用参考数据进行评估的过程中，CANOPUS实现了高效的预测性能（交叉验证的平均准确度为99.7％），并且优于四种基线方法。

研究人员通过研究小鼠消化系统中微生物定植的作用、分析不同大戟属植物的化学多样性、海洋天然产物的发掘和揭示对化合物类别的生物学见解，证明了CANOPUS的广泛用途。

据悉，使用非靶向串联质谱代谢组学可检测生物样品中数千个分子。但是，结构分子注释局限于样品库或数据库中存在的结构，这限制了对实验数据的分析和解释。

附：英文原文

Title: Systematic classification of unknown metabolites using high-resolution fragmentation mass spectra

Author: Kai Dhrkop, Louis-Flix Nothias, Markus Fleischauer, Raphael Reher, Marcus Ludwig, Martin A. Hoffmann, Daniel Petras, William H. Gerwick, Juho Rousu, Pieter C. Dorrestein, Sebastian Bcker

Issue&Volume: 2020-11-23

Abstract: Metabolomics using nontargeted tandem mass spectrometry can detect thousands of molecules in a biological sample. However, structural molecule annotation is limited to structures present in libraries or databases, restricting analysis and interpretation of experimental data. Here we describe CANOPUS (class assignment and ontology prediction using mass spectrometry), a computational tool for systematic compound class annotation. CANOPUS uses a deep neural network to predict 2,497compound classes from fragmentation spectra, including all biologically relevant classes. CANOPUS explicitly targets compounds for which neither spectral nor structural reference data are available and predicts classes lacking tandem mass spectrometry training data. In evaluation using reference data, CANOPUS reached very high prediction performance (average accuracy of 99.7% in cross-validation) and outperformed four baseline methods. We demonstrate the broad utility of CANOPUS by investigating the effect of microbial colonization in the mouse digestive system, through analysis of the chemodiversity of different Euphorbia plants and regarding the discovery of a marine natural product, revealing biological insights at the compound class level.

DOI: 10.1038/s41587-020-0740-8

Source: https://www.nature.com/articles/s41587-020-0740-8

Nature Biotechnology：《自然—生物技术》，创刊于1996年。隶属于施普林格·自然出版集团，最新IF：68.164
官方网址：https://www.nature.com/nbt/
投稿链接：https://mts-nbt.nature.com/cgi-bin/main.plex