2024 / 02

Следующая статья
DOI: 10.24075/vrgmu.2024.013

ОРИГИНАЛЬНОЕ ИССЛЕДОВАНИЕ

Определение оптимальных параметров предварительной обработки данных масс-спектрометрии с прямой ионизацией в нейрохирургии

Д. С. Заворотнюк1, А. А. Сорокин1, Д. С. Бормотов1, В. А. Елиферов1, К. В. Бочаров2, С. И. Пеков1,3,4, И. А. Попов1,4
Информация об авторах

1 Московский физико-технический институт, Москва, Россия

2 Федеральный исследовательский центр химической физики имени Н. Н. Семенова Российской академии наук, Москва, Россия

3 Сколковский институт науки и технологий, Москва, Россия

4 Сибирский государственный медицинский университет, Томск, Россия

Для корреспонденции: Денис Сергеевич Заворотнюк
Институтский переулок, д. 9, 141701, г. Долгопрудный, Московская область; moc.liamg@kuyntorovaz.sined

Информация о статье

Финансирование: работа выполнена в рамках государственного задания Министерства науки и высшего образования (соглашение № 075-03-2022-107, проект № 0714-2020-0006). Исследование выполнено с использованием оборудования ЦКП ФИЦ ХФ им. Н. Н. Семенова РАН.

Вклад авторов: Д. С. Заворотнюк — анализ и интерпретация данных, создание программного обеспечения, написание и редактирование рукописи; А. А. Сорокин — планирование исследования, анализ и интерпретация данных, редактирование рукописи; Д. С. Бормотов — сбор и интерпретация данных, написание рукописи; В. А. Елиферов — финансовое обеспечение эксперимента; К. В. Бочаров — сбор данных; С. И. Пеков — планирование исследования, анализ и интерпретация данных, редактирование рукописи. И. А. Попов — руководство проектом, обеспечение финансирования.

Соблюдение этических стандартов: исследование одобрено этическим комитетом НМИЦН имени Н. Н. Бурденко (протоколы № 40 от 12 апреля 2016 г. и № 131 от 17 июля 2018 г.), проведено в соответствии с принципами Хельсинкской декларации (2000 г.) и ее последующих пересмотров. Все пациенты подписали добровольное информированное согласие на участие в исследовании и использование биоматериалов в исследовательских целях.

Статья получена: 19.12.2024 Статья принята к печати: 03.03.2024 Опубликовано online: 27.04.2024
|
  1. Young RM, Jamshidi A, Davis G, Sherman JH. Current trends in the surgical management and treatment of adult glioblastoma. Ann Transl Med 2015: 1–15. https://doi.org/10.3978/j.issn.2305-5839.2015.05.10.
  2. Chanbour H, Chotai S. Review of intraoperative adjuncts for maximal safe resection of gliomas and its impact on outcomes. Cancers. 2022; 14: 5705. Available from: https://doi.org/10.3390/cancers14225705.
  3. Pekov SI, Bormotov DS, Nikitin PV, Sorokin AA, Shurkhay VA, Eliferov VA, et al. Rapid estimation of tumor cell percentage in brain tissue biopsy samples using inline cartridge extraction mass spectrometry. Anal Bioanal Chem. 2021; 413: 2913–22. Available from: https://doi.org/10.1007/s00216-021-03220-y.
  4. Eberlin LS, Norton I, Orringer D, Dunn IF, Liu X, Ide JL, et al. Ambient mass spectrometry for the intraoperative molecular diagnosis of human brain tumors. Proc Natl Acad Sci. 2013; 110: 1611–6. Available from: https://doi.org/10.1073/pnas.1215687110.
  5. Hänel L, Kwiatkowski M, Heikaus L, Schlüter H. Mass spectrometrybased intraoperative tumor diagnostics. Future Sci OA. 2019; 5: FSO373. Available from: https://doi.org/10.4155/fsoa-2018-0087.
  6. Li L-H, Hsieh H-Y, Hsu C-C. Clinical application of ambient ionization mass spectrometry. Mass Spectrom. 2017; 6: S0060–S0060. Available from: https://doi.org/10.5702/massspectrometry.S0060.
  7. Huang M-Z, Yuan C-H, Cheng S-C, Cho Y-T, Shiea J. Ambient ionization mass spectrometry. Annu Rev Anal Chem. 2010; 3: 43–65. Available from: https://doi.org/10.1146/annurev.anchem.111808.073702.
  8. Shi L, Habib A, Bi L, Hong H, Begum R, Wen L. Ambient Ionization Mass Spectrometry: Application and Prospective. Crit Rev Anal Chem. 2022: 1–50. Available from: https://doi.org/10.1080/10408347.2022.2124840.
  9. Boiko DA, Kozlov KS, Burykina JV, Ilyushenkova VV, Ananikov VP. Fully automated unconstrained analysis of high-pesolution mass spectrometry data with nachine learning. J Am Chem Soc. 2022; 144: 14590–606. Available from: https://doi.org/10.1021/jacs.2c03631.
  10. Liebal UW, Phan ANT, Sudhakar M, Raman K, Blank LM. Machine learning applications for mass spectrometry-based metabolomics. Metabolites. 2020; 10: 1–23. Available from: https://doi.org/10.3390/metabo10060243.
  11. Piras C, Hale OJ, Reynolds CK, Jones AK (Barney), Taylor N, Morris M, et al. LAP-MALDI MS coupled with machine learning: an ambient mass spectrometry approach for high-throughput diagnostics. Chem Sci. 2022; 13: 1746–58. Available from: https://doi.org/10.1039/D1SC05171G.
  12. Seddiki K, Saudemont P, Precioso F, Ogrinc N, Wisztorski M, Salzet M, et al. Cumulative learning enables convolutional neural network representations for small mass spectrometry data classification. Nat Commun. 2020; 11. Available from: https://doi.org/10.1038/s41467-020-19354-z.
  13. Huang YC, Chung HH, Dutkiewicz EP, Chen CL, Hsieh HY, Chen BR, et al. Predicting breast cancer by paper spray ion mobility spectrometry mass spectrometry and machine learning. Anal Chem. 2020; 92: 1653–7. Available from: https://doi.org/10.1021/acs.analchem.9b03966.
  14. Iwano T, Yoshimura K, Inoue S, Odate T, Ogata K, Funatsu S, et al. Breast cancer diagnosis based on lipid profiling by probe electrospray ionization mass spectrometry. Br J Surg. 2020; 107: 632–5. Available from: https://doi.org/10.1002/bjs.11613.
  15. Zhou M, Guan W, Walker LDE, Mezencev R, Benigno BB, Gray A, et al. Rapid mass spectrometric metabolic profiling of blood sera detects ovarian cancer with high accuracy. Cancer Epidemiol Biomarkers Prev. 2010; 19: 2262–71. Available from: https://doi.org/10.1158/1055-9965.EPI-10-0126.
  16. Torp SH, Solheim O, Skjulsvik AJ. The WHO 2021 Classification of central nervous system tumours: a practical update on what neurosurgeons need to know — a minireview. Acta Neurochir (Wien). 2022; 164: 2453–64. Available from: https://doi.org/10.1007/s00701-022-05301-y.
  17. Bormotov DS, Eliferov VA, Peregudova OV, Zavorotnyuk DS, Bocharov KV, Pekov SI, et al. Incorporation of a disposable ESI emitter into inline cartridge extraction mass spectrometry improves throughput and spectra stability. J Am Soc Mass Spectrom. 2023; 34: 119–22. Available from: https://doi.org/10.1021/jasms.2c00207.
  18. Gibb S, Strimmer K. Maldiquant: A versatile R package for the analysis of mass spectrometry data. Bioinformatics. 2012; 28. Available from: https://doi.org/10.1093/bioinformatics/bts447.
  19. Kuhn M. Building predictive models in R using the caret package. J Stat Softw. 2008; 28: 1–26. Available from: https://doi.org/10.18637/jss.v028.i05.
  20. Friedman JH, Hastie T, Tibshirani R. Regularization paths for generalized linear models via coordinate descent. J Stat Softw. 2010; 33: 1–22. Available from: https://doi.org/10.18637/jss.v033.i01.
  21. Wickham H. ggplot2: Elegant graphics for data analysis. SpringerVerlag, New York; 2016.
  22. Rew R, Davis G, Emmerson S, Cormack C, Caron J, Pincus R, et al. Unidata NetCDF 1989. Available from: https://doi.org/10.5065/D6H70CW6.
  23. Zavorotnyuk DS, Pekov SI, Sorokin AA, Bormotov DS, Levin N, Zhvansky E, et al. Lipid profiles of human brain tumors obtained by high-resolution negative mode ambient mass spectrometry. Data. 2021; 6: 1–7. Available from: https://doi.org/10.3390/data6120132.
  24. Eberlin LS, Norton I, Dill AL, Golby AJ, Ligon KL, Santagata S, et al. Classifying human brain tumors by lipid imaging with mass spectrometry. Cancer Research. 2012; 72 (3): 645–54. Available from: https://doi.org/10.1158/0008-5472.can-11-2465.
  25. Friedman JH. Smart user’s guide. Stanford Univ CA, Laboratory for Computational Statistics; 1984.
  26. Morris JS, Coombes KR, Koomen J, Baggerly KA, Kobayashi R. Feature extraction and quantification for mass spectrometry in biomedical applications using the mean spectrum. Bioinformatics. 2005; 21: 1764– 75. Available from: https://doi.org/10.1093/bioinformatics/bti254.
  27. Burnham KP, Anderson DR, editors. Model Selection and Multimodel Inference. New York, NY: Springer New York, 2004. Available from: https://doi.org/10.1007/b97636.
  28. Gustafsson F, Hjalmarsson H. Twenty-one ML estimators for model selection. Automatica. 1995; 31: 1377–92. Available from: https://doi.org/10.1016/0005-1098(95)00058-5.
  29. Шитиков В. К., Мастицкий С. Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. 2017. Доступна по ссылке: https://github.com/ranalytics/data-mining.
  30. Akaike H. A new look at the statistical model identification. IEEE Trans Autom Control. 1974; 19: 716–23. Available from: https://doi.org/10.1109/TAC.1974.1100705.
  31. Zavorotnyuk DS. MS Spectrum observer repository. Available from: https://github.com/zdens/MS-Spectrum-Observer/releases/tag/1.0 (дата обращения: 29 февраля 2024 г.).
  32. Zavorotnyuk DS. MS spectrum observer Demo. Available from: https://zdens.shinyapps.io/ms-spectrum-observer (дата обращения: 29 февраля 2024 г.).