Single sample pathway analysis in metabolomics: performance evaluation and application.
Single sample pathway analysis in metabolomics: performance evaluation and application.
复制标题
DOI：
10.1186/s12859-022-05005-1
复制
发表时间：
2022-11-14
影响因子：
3
通讯作者：
Ebbels, Timothy M. D.
中科院分区：
文献类型：
--
作者：
Wieder, Cecilia;Lai, Rachel P. J.;Ebbels, Timothy M. D.
关键词：
单样本通路分析（ssPA）将分子水平的组学数据转换为通路水平，从而能够发现患者特异性通路特征。与传统的途径分析相比，ssPA通过实现多组比较克服了这些限制，同时促进了许多下游分析，如基于途径的机器学习。虽然在转录组学中ssPA是一种广泛使用的技术，但很少有文献评估其对代谢组学的适用性。在这里，我们提供了一个基准的建立ssPA方法（ssGSEA，GSVA，SVD（PLAGE），和Z-评分）旁边的两个新的方法，我们提出的评估：ssClustPA和kPCA，使用半合成代谢组学数据。然后，我们展示了ssPA如何通过对炎症性肠病质谱数据进行案例研究，使用聚类来确定亚型特异性途径签名，从而促进基于途径的代谢组学数据解释。虽然基于GSEA和z分数的方法在召回方面优于其他方法，但基于聚类/降维的方法在中高效应量下提供了更高的精度。将ssPA应用于炎症性肠病数据的案例研究表明，这些方法如何产生比传统方法更丰富的解释深度，例如通过聚类途径评分来可视化基于途径的患者亚型特异性相关网络。我们还开发了sspa python包（可在https：//pypi.org/project/sspa/免费获得），提供了本研究中基准测试的所有方法的实现。这项工作强调了ssPA方法可以添加到代谢组学研究的价值，并为那些希望将ssPA方法应用于代谢组学数据的人提供了有用的参考。在线版本包含补充材料，可通过10.1186/s12859-022-05005-1获得。
Single sample pathway analysis (ssPA) transforms molecular level omics data to the pathway level, enabling the discovery of patient-specific pathway signatures. Compared to conventional pathway analysis, ssPA overcomes the limitations by enabling multi-group comparisons, alongside facilitating numerous downstream analyses such as pathway-based machine learning. While in transcriptomics ssPA is a widely used technique, there is little literature evaluating its suitability for metabolomics. Here we provide a benchmark of established ssPA methods (ssGSEA, GSVA, SVD (PLAGE), and z-score) alongside the evaluation of two novel methods we propose: ssClustPA and kPCA, using semi-synthetic metabolomics data. We then demonstrate how ssPA can facilitate pathway-based interpretation of metabolomics data by performing a case-study on inflammatory bowel disease mass spectrometry data, using clustering to determine subtype-specific pathway signatures. While GSEA-based and z-score methods outperformed the others in terms of recall, clustering/dimensionality reduction-based methods provided higher precision at moderate-to-high effect sizes. A case study applying ssPA to inflammatory bowel disease data demonstrates how these methods yield a much richer depth of interpretation than conventional approaches, for example by clustering pathway scores to visualise a pathway-based patient subtype-specific correlation network. We also developed the sspa python package (freely available at https://pypi.org/project/sspa/), providing implementations of all the methods benchmarked in this study. This work underscores the value ssPA methods can add to metabolomic studies and provides a useful reference for those wishing to apply ssPA methods to metabolomics data. The online version contains supplementary material available at 10.1186/s12859-022-05005-1.
登录
查看更多内容
影响因子：
14.9
作者：
Gillespie M;Jassal B;Stephan R;Milacic M;Rothfels K;Senff-Ribeiro A;Griss J;Sevilla C;Matthews L;Gong C;Deng C;Varusai T;Ragueneau E;Haider Y;May B;Shamovsky V;Weiser J;Brunson T;Sanati N;Beckman L;Shao X;Fabregat A;Sidiropoulos K;Murillo J;Viteri G;Cook J;Shorser S;Bader G;Demir E;Sander C;Haw R;Wu G;Stein L;Hermjakob H;D'Eustachio P
通讯作者：
D'Eustachio P
影响因子：
12.3
作者：
Gundem G;Lopez-Bigas N
通讯作者：
Lopez-Bigas N
影响因子：
3.7
作者：
Evangelou M;Rendon A;Ouwehand WH;Wernisch L;Dudbridge F
通讯作者：
Dudbridge F
影响因子：
4.6
作者：
Abdel Hadi L;Di Vito C;Riboni L
通讯作者：
Riboni L
影响因子：
14.9
作者：
Jewison T;Su Y;Disfany FM;Liang Y;Knox C;Maciejewski A;Poelzer J;Huynh J;Zhou Y;Arndt D;Djoumbou Y;Liu Y;Deng L;Guo AC;Han B;Pon A;Wilson M;Rafatnia S;Liu P;Wishart DS
通讯作者：
Wishart DS