Multidisciplinarno istraživanje ruđerovaca objavljeno u časopisu 'Analytica Chimica Acta'
Metoda za slijepo razdvajanje strukturno sličnih komponenata iz jedne nelinearne smjese, te anotaciju razdvojenih komponenata koristeći biblioteku čistih komponenata.
Multidisciplinaran tim fizičara, kemičara i molekularnih medicinara s Instituta Ruđer Bošković (IRB) je u suradnji s kolegama iz Kliničke Bolnice Merkur u Zagrebu razvio metodu za slijepo razdvajanje strukturno sličnih komponenata iz jedne nelinearne smjese, te anotaciju razdvojenih komponenata koristeći biblioteku čistih komponenata.
Rezultati ovog istraživanja objavljeni su u jednom od vodećih časopisa u području analitičke kemije 'Analytica Chimica Acta'. Faktor odjeka ovog časopisa je 5.256, što ga svrstava u vodećih dvanaest posto u području analitičke kemije.
Metoda je demonstrirana na metaboličkom profiliranju 1H NMR spektara uzoraka urina osoba sa dijabetesom tipa 2, te uzoraka kontrolne skupine.
Razvijena metoda je rezultat istraživanja u okviru istraživačkog projekta Hrvatske zaklade za znanost IP-2016-06-5235 voditelja dr. sc. Ivice Koprive iz Zavoda za elektroniku.
Uz dr. Koprivu autori ovog rada su dr. sc. Ivanka Jerić i dr. sc. Lidija Brkljačić iz Zavoda za organsku kemiju i biokemiju IRB-a, dr. sc. Marijana Popović Hadžija i dr. sc. Mirko Hadžija iz Zavod za molekularnu medicinu IRB-a te dr. sc. Marijana Vučić Lovrenčić iz Kliničkog zavoda za medicinsku biokemiju i laboratorijsku medicinu KB Merkur.
Izdvajanje i anotacija metabolita
Spektri metabolita koji se nalaze u smjesi (1H NMR spektar uzorka urina) se izdvajaju razvijenim algoritmom, te identificiraju uz pomoć biblioteke čistih komponenata.
Problem slijepog razdvajanja signala podrazumijeva izdvajanje izvornih signala (komponenata) iz jednog ili više mjerenja koja predstavljaju njihove (ne)linearne smjese. Pri tome algoritmi razdvajanja izvornih signala imaju na raspolaganju samo mjerene signale, pa njihov razvoj spada u područje nenadziranog učenja. Kako se radi o slabo uvjetovanom inverznom problemu, nepoznati izvorni signali po pretpostavci moraju posjedovati neke strukturne osobine koje se onda koriste u razvoju algoritama.
Najpoznatije osobine su ne-Gaussove raspodjele i statistička nezavisnost (analiza nezavisnih komponenata), rijetkost (analiza rijetkih komponenata), te nenegativnost (analiza nenegativnig komponenata) što vodi na faktorizaciju nenegativnih matrica.
Najveći broj algoritama rješava problem linearnog ili nelinearnog slijepog razdvajanja signala iz više smjesa. Problem slijepog razdvajanja većeg broja koreliranih izvornih signala iz jedne nelinearne smjese je izrazito slabo uvjetovan, te je stoga jako zahtjevan.
Istovremeno on je od potencijalnog kliničkog interesa jer različite vrste spektara (spektri mase, NMR spektri, itd.) bioloških uzoraka (krv, mokraća, slina, tkivo, suze, itd.) predstavljaju jednu smjesu.
Ciljana primjena razvijenog algoritma je metaboličko profiliranje 1H NMR uzoraka urina s naglaskom na dijabetes tipa 2. Amplitudni 1H NMR spektri uzorka urina sadrže spektre velikog broja komponenata (male organske molekule) od kojih su neke povezane s metabolizmom osoba s dijabetesom (metaboliti).
Izdvajanje i anotacija tih komponenata provodi se u tri faze: nelinearno preslikavanje amplitudnih 1H NMR spektara u visoko-dimenzionalne višestruke Hilbertove prostore inducirane prikladno odabranim funkcijama; primjena faktorizacije nenegativnih matrica regulariziranih rijetkošću na preslikane amplitudne spektre, a za izdvajanje čistih komponenata; anotacija izdvojenih komponenata usporedbom sa bibliotekom izgrađenom na projektu, a koja sadrži 1H NMR spektre 210 čistih komponenata.
Razvijena metoda je na razini pilot studije primijenjena na metaboličko profiliranje uzoraka urina trideset i tri osobe s dijabetesom tipa 2, te trideset uzoraka urina kontrolne skupine.
Pri tome su se izdvojila tri metabolita (kreatin, glutaminska kiselina i 5-hidroksiindol octena kiselina) koji s različitim stupnjevima statističke značajnosti razlikuju skupinu oboljelih od dijabetesa od kontrolne skupine.