MetaboPredict

L’approccio metabolomico può essere definito “targeted” o “untargeted”, a seconda che sia o meno guidato da una ipotesi a priori. Il primo, è un approccio altamente specifico che si focalizza sull’analisi qualitativa e quantitativa di un set predeterminato di metaboliti; il secondo, parte dalla valutazione del maggior numero di metaboliti possibile, per la definizione di pattern metabolici associati a una determinata condizione. Pertanto, lo scopo primario non è l’identificazione di singoli (o gruppi di) metaboliti, quanto piuttosto la definizione delle caratteristiche metaboliche che sono in grado di discriminare tra i gruppi in esame. In altri termini, con questo approccio, ci si focalizza sull’analisi delle relazioni che i metaboliti instaurano tra loro.   L’approccio non guidato da ipotesi a priori ha il vantaggio di identificare biomarker inattesi o non-triviali che consentono una migliore comprensione di meccanismi fisiopatologici.
La grande mole di dati che si ottengono dall’analisi del metaboloma ed il conseguente processo di estrazione di informazioni da questi dati, richiede la definizione di pipeline per la gestione dell’approccio untargeted, con lo scopo di fornire uno strumento rapido, semplice e fruibile per lo step di “data analysis”.
MetaboPredict© rappresenta la soluzione a questa necessità. Per mezzo di questo software è infatti possibile effettuare lo studio globale dei metaboliti e di predire la più probabile classe di appartenenza di campioni incogniti. Per mezzo di questa applicazione è possibile sia eseguire gli step di analisi esplorativa, sia strutturare ed addestrare algoritmi di classificazione di tipo supervisionato che possono poi essere utilizzati come classificatori indipendenti oppure uniti in un unico modello “ensemble”

MetaboPredict è stato disegnato per mostrare all'utente un'iterfaccia grafica semplice e pulita. L'analisi dei dati viene guidata per mezzo di una pipeline prestabilita molto intuitiva e completa che consente di eseguire una ampia analisi esplorativa e di addestrare diversi modelli di machine learning, sia supervisionati, sia non supervisionati. I risultati mostrati sia in forma grafica sia in forma tabellare vengono anche salvati come file separati per poter essere utilizzati in altre indagini o per mezzo di altri software di analisi di dati o di grafica. 

MetaboPredict consente anche di racchiudere gli modelli sviluppati in un classificatore di tipo "Ensemble" che può essere utilizzato anche per la predizione di campioni incogniti o per validare i risultati ottenuti per mezzo di dataset indipendenti.

Nonostante MetaboPredict guidi l'utente passo dopo passo per la gestione dei dati derivanti da indagini di metabolomica, tutti i settaggi sono ampiamente personalizzabili e diversi cut-off posso essere impostati per dirigere l'analisi e restringere o allargare i criteri di analisi. Vengono proposte delle impostazioni di default ma queste sono modificabili in maniera molto semplice ed intuitiva.

I risultati sono visualizzabili anche per mezzo di grafici 3D interattivi che vengono salvati come file html. Questi posso quindi essere ruotati agevolmente ed aperti per mezzo di qualunque brawser. Questo tipo di visualizzazione offre la possibilità di esplorare i dati da diverse angolazioni lasciando trasparire in maniera molto semplice la relazione tra gli oggetti.

MetaboPredict è in grado di gestire i task multiclasse. Ciononostante, oltre alla gestione tradizione propone una suddivisione di questi problemi in una serie di task su base dicotomica offrendo una gerarchizzazione personalizzabile in modo da privilegiare alcuni aspetti del fenomeno studiato. 

Questo approccio si è dimostrato particolarmente utile per la gestione di task multiclasse per mezzo di algoritmi di machine learning supervisionati che sono particolarmente efficienti per la gestione di problemi booleani.