基于深度学习的气相色谱-质谱数据峰对齐
机器学习
2019-08-21 v3 计算机视觉与模式识别
机器学习
摘要
我们提出ChromAlignNet，一种用于气相色谱-质谱（GC-MS）数据中峰对齐的深度学习模型。在GC-MS数据中，化合物的保留时间（RT）在多个色谱图中可能不固定。要将GC-MS数据用于生物标志物发现，需要对不同样本中相同分析物的RT进行对齐。当前的对齐方法均基于一组形式化的数学规则。我们提出一种使用深度神经网络解决GC-MS对齐的方案，后者更擅长处理复杂、模糊的数据集。我们在多个不同复杂度的GC-MS数据集上测试了我们的模型，并定量分析了对齐结果。我们表明该模型具有非常好的性能（简单数据集AUC ，非常复杂数据集AUC ）。此外，在复杂数据集上我们的模型轻松优于现有算法。与现有方法相比，ChromAlignNet非常易用，因为它不需要用户输入参考色谱图和参数。该方法可轻松适用于其他类似数据，如来自液相色谱的数据。源代码用Python编写并可在线获取。
引用
@article{arxiv.1904.01205,
title = {Peak Alignment of Gas Chromatography-Mass Spectrometry Data with Deep Learning},
author = {Mike Li and X. Rosalind Wang},
journal= {arXiv preprint arXiv:1904.01205},
year = {2019}
}