[论文解读] Automating LC-MS/MS mass chromatogram quantification. Wavelet transform based peak detection and automated estimation of peak boundaries and signal-to-noise ratio using signal processing methods

Florian Rupprecht, Sören Enge+4 more|arXiv (Cornell University)|Jan 1, 2021

Metabolomics and Mass Spectrometry Studies参考文献 22被引用 13

一句话总结

本文提出了一种基于小波变换的算法，用于液相色谱-串联质谱（LC-MS/MS）色谱图中的自动峰检测、边界估计及信噪比（SNR）计算。通过应用连续小波变换和数字信号处理，该方法与专家人工定量结果具有高度相关性，减少了非检测结果，并实现了对头发样本中六种类固醇激素的可靠、客观且可重复的定量分析。

ABSTRACT

While there are many different methods for peak detection, no automatic methods for marking peak boundaries to calculate area under the curve (AUC) and signal-to-noise ratio (SNR) estimation exist. An algorithm for the automation of liquid chromatography tandem mass spectrometry (LC-MS/MS) mass chromatogram quantification was developed and validated. Continuous wavelet transformation and other digital signal processing methods were used in a multi-step procedure to calculate concentrations of six different analytes. To evaluate the performance of the algorithm, the results of the manual quantification of 446 hair samples with 6 different steroid hormones by two experts were compared to the algorithm results. The proposed approach of automating mass chromatogram quantification is reliable and valid. The algorithm returns less nondetectables than human raters. Based on signal to noise ratio, human non-detectables could be correctly classified with a diagnostic performance of AUC = 0.95. The algorithm presented here allows fast, automated, reliable, and valid computational peak detection and quantification in LC- MS/MS.

研究动机与目标

• 开发一种开源的自动化方法，用于液相色谱-串联质谱（LC-MS/MS）峰定量，以消除人工干预在峰边界标记和信噪比估计中的影响。
• 通过用算法处理替代耗时的人工峰积分，提高液相色谱-串联质谱（LC-MS/MS）数据分析的生产效率和客观性。
• 在真实头发样本分析中，将算法性能与专家人工评分进行验证，针对六种类固醇激素。
• 评估算法在测量分析物浓度方面相对于人工专家定量的可靠性、一致性和有效性。
• 评估信噪比（SNR）和峰下面积（AUC）在分类非检测结果方面的诊断性能。

提出的方法

• 该算法使用连续小波变换（CWT）通过分析时间序列强度数据，在液相色谱-串联质谱（LC-MS/MS）色谱图中检测峰特征。
• 多步骤信号处理流程包括高斯平滑、高通滤波、二阶导数近似以及CWT，将色谱信号分解为背景、峰和噪声成分。
• 通过部分凸包法估计峰边界，该方法模拟专家评分者的行为，提高了峰下面积（AUC）计算的准确性。
• 基于峰高和背景噪声计算信噪比（SNR），实现对低强度或非检测信号的自动检测。
• 通过将背景建模为线性趋势并应用内标标准品校准，该方法可处理保留时间漂移和偏移。
• 使用潜在变量建模（状态-特质理论）将方差分解为可靠性、特异性和一致性分量，用于方法比较。

Figure 1 : Generic model for chromatographic peaks. The actual LC–MS/MS sensor data ( $y(t)$ ) is combined background and drift ( $B(t)$ ), peak distribution ( $P(t)$ ) and noise ( $N(t)$ ). Note that this Figure does not include peak skew or nearby peaks. Peak range is the time interval between the

实验结果

研究问题

• RQ1 该自动化算法生成的分析物浓度是否与专家人工定量结果高度相关？
• RQ2 该算法是否能在保持准确性的前提下，相比人工评分者减少非检测结果的数量？
• RQ3 信噪比（SNR）和峰下面积（AUC）在分类非检测结果方面是否具有高诊断性能？
• RQ4 该算法在多个分析物中的可靠性与一致性与专家人工评分者相比如何？
• RQ5 该算法在多大程度上测量了与人工评分者相同的潜在生物学构念（激素浓度），并通过潜在变量建模得到验证？

主要发现

• 该算法与专家人工定量结果表现出强相关性，各分析物的可靠性值范围为0.776至0.986。
• 该算法产生的非检测结果数量显著少于人工评分者，表明在低丰度信号检测方面灵敏度更高。
• 信噪比（SNR）和峰下面积（AUC）在分类非检测结果方面非常有效，诊断性能的AUC达到0.95。
• 潜在变量建模证实，该算法测量的潜在构念（激素浓度）与人工评分者一致，具有高度一致性和可靠性。
• 模型对皮质醇、皮质酮和DHEA拟合良好（RMSEA ≤ 0.059，SRMR ≤ 0.019），但对睾酮和孕酮拟合较差，原因在于方法特异性和重复测量相关的残差协方差。
• 该算法的一致性（0.801–0.869）和可靠性（0.959–0.986）与专家评分者相当或更优，尤其在皮质醇和DHEA方面表现更佳。

Figure 2 : Chromatogram time series transformations. The LC–MS/MS chromatographic time series $Y(t)$ is smoothed using a gaussian kernel. High-pass filtered data is obtained by differentiating smoothed and original time series. The second derivative of the smoothed data is approximated and the conti