2 de septiembre de 2020
Este protocolo presenta un enfoque para la huella digital y explorar los datos multidimensionales recogidos por la cromatografía de gases bidimensional integral acoplada a la espectrometría de masas. Los algoritmos de reconocimiento de patrones dedicados (coincidencia de plantillas) se aplican para explorar la información química cifrada en la fracción volátil del aceite de oliva virgen extra (es decir, volatilome).
La toma cromatográfica de huellas dactilares mediante coincidencia de plantillas es importante porque puede extraer automáticamente información química rica, no dirigida y dirigida por GC multiplicado por cromatogramas GC en múltiples muestras con una alineación cruzada consistente. Las principales ventajas de esta técnica son su cobertura completa de analitos dirigidos y no dirigidos, y su coincidencia consistente de características cromatográficas en múltiples cromatogramas y muestras por alineación cruzada. La técnica tiene amplias aplicaciones.
Aquí lo aplicamos a la foodomics y en concreto a caracterizar la información química cifrada en la fracción volátil de los aceites de oliva virgen extra. La técnica es fundamental para la investigación que utiliza el aprendizaje automático, para descubrir relaciones complejas entre la química de la muestra y los factores externos. Por ejemplo, en la alimentación, utilizando la calidad sensorial y los métodos de producción.
Yo lo llamaría la cromatografía es esencial. Si las separaciones son pobres, la potencia de la técnica es limitada, pero si los cromatogramas son buenos, el método es bastante exitoso GC por GC visualiza las relaciones de retención de la estructura en las imágenes. El ojo humano está bien adaptado para percibir patrones bidimensionales, por lo que ver el método demuestra su poder de una manera muy directa.
Para crear una matriz ráster bidimensional para la visualización y el procesamiento, inicie el software de imagen y seleccione archivo e importación para abrir los archivos de datos sin procesar de interés. En el cuadro de diálogo de importación, establezca el período de modulación en 3,5 segundos, haga clic en Aceptar y seleccione archivo y guardar imagen como. Vaya a la carpeta deseada, introduzca el nombre del archivo y haga clic en guardar.
Para cambiar la fase de modulación, seleccione procesamiento y fase de cambio y establezca la cantidad de cambio en menos 0,8 segundos. Para la corrección de la línea de base, seleccione gráfico y dibujar rectángulo y haga clic y arrastre para dibujar un rectángulo en la imagen en el que no se detecten picos. Seleccione herramientas y visualice los datos y anote la media y la desviación estándar de la señal del detector.
A continuación, cierre la herramienta y seleccione el procesamiento y la línea de base correcta. Para colorear las imágenes cromatográficas utilizando mapas de valores y colores, seleccione ver y colorear. Abra la pestaña de importación y exportación, seleccione el número de mapa de color personalizado AAAA y haga clic en importar.
A continuación, en los controles de asignación de valores, establezca el rango de valores en los valores mínimo y máximo y haga clic en Aceptar. Para la detección de anolitos máximos en 2D, seleccione procesamiento y detección de blobs. Algunos picos se dividirán y se observarán algunas detecciones espurias.
Seleccione configurar, configuración y detección de blobs. Establezca el suavizado en 0,1 para muestras 1D y en dos para modulaciones 2D, y establezca el mínimo en uno por 10 hasta la sexta. A continuación, haga clic en Aceptar, seleccione procesamiento, detecte blobs y observe las mejoras.
Para quitar las detecciones sin sentido, primero seleccione procesamiento y detección interactiva de blobs. Anote la configuración de detección de blobs y haga clic en detectar. En el generador de filtros avanzados, haga clic en agregar.
En la nueva ventana de restricción, seleccione Retención 2 y haga clic en Aceptar. A continuación, en un control deslizante de restricciones, establezca los tiempos de retención 2D mínimos y máximos para que el filtro reduzca el número de picos falsos sin perder los picos verdaderos y haga clic en aplicar y sí. Para buscar los espectros de pico y una biblioteca de MS del NIST de interés, seleccione configurar, configuración y biblioteca de búsqueda y establezca el tipo de espectro en MS máxima, el umbral de intensidad en 100, el tipo de búsqueda del NIST en similitud simple, el tipo de columna de índices de retención del NIST en polar estándar y la tolerancia de los índices de retención del NIST en 10.
A continuación, haga clic en Aceptar y seleccione la biblioteca de procesamiento y búsqueda para todos los blobs. Para crear una plantilla con picos específicos en la vista de imagen, haga clic en el primer pico y haga clic en cualquier pico adicional para seleccionar los picos de interés. Haga clic en agregar a la plantilla y seleccione archivo y guardar plantilla.
A continuación, especifique la carpeta y el nombre del archivo y haga clic en guardar. Para hacer coincidir y aplicar la plantilla, seleccione archivo y abra la imagen y navegue hasta y abra el archivo de cromatograma de interés. Establezca el modo de cursor en plantilla y seleccionar objetos y seleccionar plantilla y cargar plantilla.
En la ventana de carga de plantilla, haga clic en Examinar y abra la plantilla de picos de destino. A continuación, haga clic en cargar y descartar. En la vista de imagen, haga clic con el botón derecho en un pico de plantilla para inspeccionar las propiedades de su objeto, incluida la expresión lógica química del calificador, o qCLIC, y haga referencia a MS. Seleccione la plantilla y la plantilla interactiva de coincidencia y transformación.
En la ventana de la plantilla de coincidencia, haga clic en coincidir con todo y revise los resultados de coincidencia en la tabla y en la imagen. Cada pico de la plantilla se marcará con un círculo sin rellenar. Si se hace una coincidencia, habrá un enlace a un círculo lleno para el pico detectado.
A continuación, edite las coincidencias según corresponda y haga clic en aplicar para transferir los metadatos de la plantilla al cromatograma. Si las condiciones cromatográficas varían sustancialmente, lo que hace que la plantilla se desalinee con un nuevo cromatograma, cargue la plantilla de destino2. BT y seleccione Plantilla y Plantilla de coincidencia interactiva y haga clic en Editar transformación.
En la interfaz de la plantilla transformada, varíe las escalas, traslaciones y distorsiones 1D y 2D para alinear mejor la plantilla con los picos detectados y haga clic en transformar plantilla. Cuando la plantilla se haya transformado, haga clic en editar coincidencia y haga coincidir los picos de la plantilla como se muestra. Para establecer correspondencias entre analitos dirigidos y no dirigidos, seleccione el archivo y abra el análisis y abra el archivo como se indica.
Abra la pestaña de compuestos para revisar los valores métricos y las estadísticas de analitos específicos o analitos no dirigidos con identificadores alineados en todos los cromatogramas. Abra la pestaña de atributos para revisar los valores y las estadísticas de métricas específicas en los cromatogramas, y abra esta pestaña de resumen estadístico para revisar las estadísticas de resumen de los compuestos y las características. Si los cromatogramas son de diferentes clases, la pestaña de resumen enumerará las estadísticas de la relación de Fisher que proporcionan información sobre las características para discriminar entre clases.
En estos gráficos, se muestran los patrones de retención relativos para series y clases homólogas. Con anotaciones para hidrocarburos saturados lineales, hidrocarburos insaturados, aldehídos saturados lineales, aldehídos monoinsaturados, aldehídos poliinsaturados, alcoholes primarios y ácidos grasos de cadena corta. Los picos 2D detectados pueden identificarse comparando el espectro medio de la EM extraído de todo el pico 2D o del espectro más grande.
La colección de picos 2D identificados se puede adoptar para construir una plantilla de picos específicos para establecer correctamente correspondencias confiables entre el mismo compuesto en todos los cromatogramas de muestra. En este análisis, se puede observar una desalineación parcial entre la plantilla objetivo y el cromatograma real. Para desalineaciones mínimas, las transformaciones interactivas de la plantilla pueden reposicionar los picos de la plantilla para un mejor ajuste.
La plantilla de características no dirigidas se compone de picos 2D de analitos detectados en el cromatograma compuesto que coinciden con la plantilla de picos confiable. Los espectros de masas de los picos compuestos, así como sus tiempos de retención, se registran en la plantilla de características. Cuando se aplica el reconocimiento de patrones no supervisado mediante el análisis de componentes principales a la distribución de picos específicos dentro de las 20 muestras analizadas, los aceites siciliano y toscano se agrupan por separado, lo que sugiere que las condiciones edafoclimáticas y el terroir afectan la prevalencia relativa de volátiles.
Al aprender el procedimiento por primera vez, es importante verificar los resultados en cada paso. Si tiene alguna pregunta, la gente de GC Image es muy receptiva y servicial. Actualmente estamos utilizando la técnica para analizar otros productos alimenticios, como por ejemplo, avellanas, cacao y tés, pero también biofluidos, como saliva, orina y heces para aplicaciones metabolómicas de nutrientes.
Este protocolo describe un método para la identificación y análisis de datos multidimensionales procedentes de cromatografía de gases bidimensional integral acoplada a espectrometría de masas. Se centra en la extracción de información química a partir de la fracción volátil del aceite de oliva virgen extra mediante algoritmos especializados de reconocimiento de patrones.
El perfilado cromatográfico mediante coincidencia de plantillas permite la extracción automatizada y consistente de información química dirigida y no dirigida a partir de datos complejos de GCxGC-MS, reduciendo la variabilidad dependiente del analista. Este enfoque facilita el cribado de alto rendimiento y los flujos de trabajo de reconocimiento de patrones en seguridad alimentaria, metabolómica y descubrimiento de biomarcadores, proporcionando alineación reproducible entre muestras. El método mejora la interpretabilidad y escalabilidad de los datos para aplicaciones de descubrimiento temprano que requieren detección confiable de características en grandes conjuntos de muestras.
El método se integra en los flujos de trabajo de descubrimiento al convertir datos brutos de GCxGC-MS en tablas de características alineadas adecuadas para modelado estadístico posterior y aplicaciones de aprendizaje automático.