Prediction of missing peaks in mass spectra

Bc. Michal Starý

Bachelor's thesis

Abstract:

Identifikace sloučenin je zásadní pro monitorování životního prostředí. Plynová chromatografie s hmotnostní spektrometrií (GC-MS) je široce používanou metodou pro tuto identifikaci. Klíčovým krokem ve zpracování komplexních dat pocházejících z GC-MS přístroje je detekce vrcholů. Chyby algoritmů detekce vrcholů, jako jsou například nezachycené vrcholy, značně omezují schopnost výzkumníků monitorovat toxiny a znečišťující látky s nízkou koncentrací. Navrhli jsme a vyvinuli jsme přístup pro předpověď chybějících vrcholů pomocí metod strojového učení (ML) s využitím spektrálních databází. Experimentovali jsme s několika ML modely založenými na principu kNN a neuronových sítí. Zjistili jsme, že model transformer využívající konceptu pozornosti je nejvhodnější model pro predikci vrcholů vynechaných v důsledku šumu. Dále se ukázalo, že vícevrstvý perceptron je nejlepší v předpovídání vrcholů vynechaných z důvodu nedokonalé chromatografické separace. Bylo ukázáno, že tyto modely kvantitativně i kvalitativně předpovídají vícero správných vrcholů pro známé i neznámé sloučeniny. Navíc jsme určili, které druhy vrcholů je méně nebo více náročné předpovídat. Dosažené výsledky ilustrují využitelnost ML metod natrénovaných na spektrálních databázích pro zlepšení detekce vrcholů a vymezují půdu pro budoucí výzkum.

Abstract:

Compound identification is essential for monitoring the environment. Gas Chromatography-Mass Spectrometry (GC-MS) is a widely used method for such identification. A crucial step in the processing of complex data coming from the physical GC-MS instrument is peak detection. The errors of peak detection algorithms, such as missed peaks, severely limit the researchers' ability to monitor low-concentration toxins and pollutants. We proposed and developed an approach to predict the missing peaks with the Machine Learning (ML) methods leveraging the spectral databases. We experimented with multiple ML models based on kNN and neural networks. We observed that the attention-based transformer model is the most suitable for the prediction of peaks missed due to noise. Furthermore, the multi-layer perceptron turned out to be superior in predicting peaks missed because of imperfect chromatographic separation. These models have been quantitatively and qualitatively shown to predict multiple correct peaks for both known and unknown compounds. Moreover, we identified which kinds of peaks are less and more challenging to predict. The results illustrate the feasibility of ML methods trained on spectral databases to improve peak detection and establish the ground for future research.

Keywords

machine learning, deep learning, neural networks, mass spectrometry, gas chromatography, GC-MS, peak detection, transformers, LSTM

Language used: English

Date on which the thesis was submitted / produced: 16. 12. 2021

Thesis defence

• Date of defence: 10. 2. 2022
• Supervisor: Mgr. Aleš Křenek, Ph.D.
• Reader: Mgr. Bc. Vít Nováček, PhD

Masaryk University

Faculty of Informatics

Bachelor programme / field:
Informatics / Artificial Intelligence and Natural Language Processing