ML and AI-unterstütze Ansätze für Metabolomics and Foodomics

Die LC-MS/MS-Datenverarbeitung erfolgt derzeit auf Basis der vom Hersteller des Instruments bereitgestellten Softwarepakete (in unserem Labor werden die Rohdateien in Sciex OS mit dem MQ4-Integrationsalgorithmus verarbeitet) in einem halbautomatisierten, aber arbeitsintensiven Workflow. Während die Softwarepakete einen Ausgangspunkt bieten, bleiben manuelle Überprüfung und Re-integration durch den Anwender unerlässlich, um Peak Tailing, Hintergrundrauschen, Matrixstörungen und Verschiebungen der Retentionszeit zu korrigieren. Obwohl dieses manuelle Data Curing die Qualität sicherstellt, begrenzt er den Durchsatz erheblich. In einem vollständigen Batch von 100 Proben kann die Datenverarbeitung allein bis zu drei Arbeitstage dauern. Dieses Projekt zielt darauf ab, die arbeitsintensive LC–MS/MS-Datenverarbeitung durch einen robusten, KI-unterstützten Workflow zu ersetzen, der den Durchsatz beschleunigt und gleichzeitig die Anforderungen in akkreditierten Umgebungen beibehält. Die Hauptziele sind: (1) die Automatisierung der Peakerkennung und Integration der scheduled MRM-Daten, um die Verarbeitungszeit von mehreren Tagen pro Batch auf Stunden zu reduzieren; (2) menschliche Fehlinterpretation zu minimieren, indem Entscheidungen über große Datensätze standardisiert werden; und (3) die vollständige Analystenaufsicht durch eine intuitive, reaktionsschnelle Benutzeroberfläche aufrechtzuerhalten, die eine schnelle Batch-Prüfung, transparente Anpassungen und effiziente Data Curing ermöglicht. Der Erfolg wird an der Minimierung der Verarbeitungszeit und Reintegrationsraten, Reproduzierbarkeitszuwächsen über Chargen und Matrizen hinweg sowie durch die Aufrechterhaltung der Genauigkeit im Vergleich zu semi-manueller Auswertung gemessen – und liefert eine vertrauenswürdige, durchsatzintensive Lösung, die den wachsenden analytischen Anforderungen entspricht.