Optimierung des MetFrag-Programms durch statistisches Lernen von Fragment-Annotationen.
Die Identifizierung von Molekülen ist ein entscheidender Schritt in der Metabolomik. Neben der In-silico-Fragmentierung, z.B. durch MetFrag, entstanden auch maschinelle Lern- und Statistikmethoden, die eine Verbesserung der Molekülannotation auf Basis von MS/MS-Daten zeigten. In dieser Arbeit stellen die Bioinformatiker des IPB und der Martin-Luther-Universität Halle-Wittenberg eine neue statistische Bewertungsmethode vor, mit der die Verknüpfung von m/z-Fragmentpeaks zu ganzen Fragmentstrukturen von MetFrag gelernt werden. Basierend auf einem Bayes'schen Modell wurden zwei zusätzliche Bewertungskriterien in das neue MetFrag2.4.5 integriert und ausgewertet. Die Ergebnisse der 87 derart ausgewerteten MS/MS-Spektren zeigen eine deutliche Verbesserung der Trefferquote im Vergleich zu jener des vorherigen MetFrag-Ansatzes.
Originalpublikation:
Christoph Ruttkies, Steffen Neumann & Stefan Posch. Improving MetFrag with statistical learning of fragment annotations. BMC Bioinformatics 20, Article 376 (2019)
