Metodología de fusión de datos aplicada en análisis metabolómicos nodirigidos asistidos por quimiometría

MARTINEZ BILESIO, ANDRÉS R.; PUIG CASTELLVI, FRANCESC; TAULER, ROMA; RASIA, RODOLFO M.; BURDISSO, PAULA; GARCÍA REIRIZ, ALEJANDRO G.

Santa Rosa, La Pampa

Congreso; 10 Congreso Argentino de Química Analítica; 2019

Facultad de Ciencias Exactas y Naturales. Universidad Nacional de La Pampa

En este trabajo se presenta una novedosa metodología de análisis metabolómico utilizando datosprovenientes de 150 voluntarios sanos de la región centro de la República Argentina. Se dispuso de la metadata clínica, que incluía parámetros cualitativos y determinaciones bioquímicas cuantitativas, y de los perfiles metabólicos de distintos biofluidos (suero y orina) obtenidos mediante resonancia magnética nuclear (RMN)1. Los datos generados para cada uno de los individuos se fusionaron en una única ?matriz global? a través de herramientas quimiométricas, con el propósito de realizar su análisis conjunto.Para una adecuada fusión de los datos, los espectros adquiridos por RMN sobre las muestras desuero y orina debieron ser pre-procesados siguiendo distintos esquemas según el tipo de biofluido.Los espectros correspondientes a las muestras de suero se alinearon empleando el algoritmo icoshift2, mientras que para alinear los espectros de las muestras de orina se utilizó el algoritmo Speaq3. El empleo de distintos algoritmos según el tipo de biofluido se fundamenta en que la estrategia propuesta para muestras de suero no logra resolver apropiadamente los inconvenientes de alineación observados en los espectros de las muestras de orina, los cuales resultan considerablemente más complejos. A continuación, cada set de espectros fue normalizado por separado empleando Probabilistic Quotient Normalization (PQN)4. Posteriormente, la cuantificación de los metabolitos en las muestras de suero se realizó a través de la deconvolución espectral utilizando el software BATMAN5. Por otro lado, la cuantificación de los metabolitos en las muestras de orina se efectuó por una metodología de Decision Tree Correlation (DTC) seguida de la descomposición bilineal por Multivariate Curve Resolution - Alternating Least Square (MCR-ALS)6.De esta manera, se logró obtener un conjunto de concentraciones relativas para los metabolitosmás representativos en las muestras de suero y orina, que luego se fusionaron con los valoresprovenientes de la metadata, obteniendo de este modo la ?matriz global? de datos antes mencionada.En una última etapa se realizó el análisis de componentes principales (PCA), que permitió detectar aquellos componentes que reúnen las principales contribuciones a la varianza delos datos. Adicionalmente, la ?matriz global? también se analizó por MCR-ALS, evidenciándose la relación de los distintos metabolitos con la metadata y su distribución entre las distintas muestras.1 Beckonert O, Keun HC, Ebbels TMD, Bundy J, Holmes E, Lindon JC, Nicholson JK. Nature Protocols, 2 (2007), 2692-2703.2 Savorani F, Tomasi G, Engelsen SB. Journal of Magnetic Resonance, 202 (2010) 2, 190-202.3 Vu TN, Valkenborg D, Smets K, Verwaest KA, Dommisse R, Lemière F, Verschoren A, Goethals B, Laukens K. BMC Bioinformatics, 12 (2011) 405.4 Dieterle F, Ross A, Schlotterbeck G, Senn H. Analytical Chemistry, 78 (2006) 13, 4281-4290.5 Hao J, Liebeke M, Astle W, De Iorio M, Bundy JG, Ebbels TMD. Nature Protocols, 9 (2014), 1416-1427.6 Puig-Castellví F, Alfonso I, Tauler R. Analytica Chimica Acta, 964 (2017), 55-66.