골름 대사 데이터베이스

Golm Metabolome Database
GMD 기준 질량 스펙트럼
서로 다른 실험의 반복실험에 대한 단일 대사물의 프로파일
단일 실험에서 모든 대사물의 프로필
단일 실험의 복제본 그룹에서 상대 대사물 농도

그 Golm 대 사체 데이터베이스(일반 자료 유형)[1][2][3][4]은 가스 크로마토 그래피(GC)– 질량 분석기(MS)참조 도서관 metabolite도 프로파일링 실험에 헌신하고non-annotated 질량 분광 태그(체류 기간 첨부된 지수와 MSTs, 질량 스펙트럼 정보)함께 wi 대한 주파수 및 유지 지수(R1)정보로 구성되어 있다.의 th데이터이미 식별된 다수의 대사물 및 기준 물질.GMD는 독일 포츠담 골름 지구의 막스 플랑크 분자식물 생리학 연구소에서 주최한다.

배경

질량분석(MS)과 결합한 가스 크로마토그래피(GC)는 대사물학에서 새로운 바이오마커의 대규모 선별과 발견에 적용되는 가장 광범위한 일상 기술 중 하나이다.그러나, 현재 발전소 대사물 프로파일링 실험에서 측정된 대부분의 MST는 인증된 순수 기준 물질의 부족과 GC-MS의 복합 식별에 필요한 질량 스펙트럼 RI 라이브러리를 유지하기 위한 값비싸고 시간이 많이 소요되기 때문에 확인되지 않은 상태로 남아 있다. 분석 결과의 전달으로서,질량 스펙트럼 및 과학계 내의 RI 참조 정보와 같은 기타 접근 관련 세부사항은 점점 더 대중화되고 있으며, GMD와 같은 정보 교환을 위한 개방형 접속 플랫폼은 필수적이다.의무적인 표준이 없기 때문에 개별 질량 스펙트럼을 비교하는 것은 여전히 어렵다.쿼드폴, 이온트랩 및 비행시간과 같은 서로 다른 질량 검출기 기술은 무관하다고 간주할 수 있지만 온도 프로그래밍, 모세관 기둥 유형 및 칼럼 제조자의 선택과 같은 크로마토그래피 설정은 경험적으로 결정된 RI 특성에 큰 영향을 미친다.따라서 크로마토그래피 변종 간 RI 속성 전송 절차는 공유 라이브러리 사용과 매우 관련이 있다.GMD는 크로마토그래피 변종 간 RI 전달의 정확성을 평가하고 경험적으로 결정된 RI 특성을 전송하기 위한 수단을 구현한다.[5]식별되지 않은 MST의 분류와 식별을 목표로, GMD는 이용 가능한 기준 화합물에 관한 정보에 접근한다.이러한 화합물은 감독되는 기계 학습 접근방식으로 의사결정 나무(DT)를 적용하는 훈련 데이터 집합의 역할을 한다.구조 특성 추출은 DT 훈련 전에 GMD의 대사물 공간을 분류하기 위해 적용되었다.가장 빈번한 하부구조의 DT 기반 예측은 화학적 모이에 대한 유무와 관련하여 연결된 (잠재적으로 알려지지 않은) 대사물의 낮은 분해능 GC-MS 질량 스펙트럼을 분류한다.[6]웹 기반 프런트엔드는 기존의 질량 스펙트럼과 순위 리스트별 RI 비교는 물론 고급 DT 지원 하부구조 예측을 지원한다.배치 처리는 SOAP(Simple Object Access Protocol) 기반 웹 서비스를 통해 가능한 반면, 웹 기반 데이터 액세스 서비스는 NIST-MSP 및 JCAMP-DX와 같은 질량 스펙트럼 표준과 ReST(Restational State Transfer) 원칙을 채택한 특정 데이터 베이스 실체를 노출한다.GMD는 양적 대사물 풀 크기의 변화 데이터를 시각화한다.

참고 항목

참조

  1. ^ Hummel, J.; Strehmel, N.; Bölling, C.; Schmidt, S.; Walther, D.; Kopka, J. (2013). "Mass Spectral Search and Analysis Using the Golm Metabolome Database". The Handbook of Plant Metabolomics. p. 321. doi:10.1002/9783527669882.ch18. ISBN 9783527669882.
  2. ^ Hummel, Jan; Selbig, Joachim; Walther, Dirk; Kopka, Joachim (2007). "The Golm Metabolome Database: a database for GC-MS based metabolite profiling". In Nielsen, John; Jewett (eds.). Metabolomics. Springer Berlin Heidelberg. pp. 75–96. doi:10.1007/4735_2007_0229. ISBN 978-3-540-74719-2.
  3. ^ Schauer N, Steinhauser D, Strelkov S, Schomburg D, Allison G, Moritz T, Lundgren K, Roessner-Tunali U, Forbes MG, Willmitzer L, Fernie AR, Kopka J (2005). "GC-MS libraries for the rapid identification of metabolites in complex biological samples". FEBS Letters. 579 (6): 1332–1337. doi:10.1016/j.febslet.2005.01.029. PMID 15733837.
  4. ^ Kopka J, Schauer N, Krueger S, Birkemeyer C, Usadel B, Bergmuller E, Dormann P, Weckwerth W, Gibon Y, Stitt M, Willmitzer L, Fernie AR, Steinhauser D (2005). "GMD@CSB.DB: the Golm Metabolome Database". Bioinformatics. 21 (8): 1635–1638. doi:10.1093/bioinformatics/bti236. PMID 15613389.
  5. ^ Strehmel N, Hummel J, Erban A, Strassburg K, Kopka J (2008). "Retention index thresholds for compound matching in GC-MS metabolite profiling". Journal of Chromatography B. 871 (2): 182–190. doi:10.1016/j.jchromb.2008.04.042. PMID 18501684.
  6. ^ Hummel J, Strehmel N, Selbig J, Walther D, Kopka J (2010). "Decision tree supported substructure prediction of metabolites from GC-MS profiles". Metabolomics. 6 (2): 322–333. doi:10.1007/s11306-010-0198-7. PMC 2874469. PMID 20526350.

외부 링크