代谢组学研究受到许多外部因素导致的批次效应的挑战。深度学习技术可以从一个已知的批次训练一个诊断网络，然后将其推广到一个新的批次。然而，由于两个批次可能高度不匹配，批次效应不可避免地阻碍了这种努力。2022年7月10日，上海交通大学和上海科技大学的研究人员提出了一个基于MALDI MS的代谢组学批量效应去除与分类的联合深度学习，相关研究成果发表在《BMC Bioinformatics》。

新提出的端到端的深度学习框架，用于去除联合批量效应，然后根据代谢组学数据进行分类。该框架由三个相互密切联系的主要网络组成：（1）给定单个输入批次的代谢组学数据，通过校准器使它们在潜在特征空间中对齐；（2）一个后续的判别器从潜在空间中推导出来，在训练中受某个批次的已知标签监督，完成对另一个测试批次的分类；随后来自潜在空间的判别器在某批已知标签的监督下训练，完成对另一测试批次的分类。（3）同样源自潜在特征空间的重构器提取并恢复所有输入批次，确保所有输入批次在整个网络中都得到很好的学习。

研究人员首先在公共CyTOF数据集上进行模拟实验验证所提出的深度学习框架，同时直观地比较了t-SNE分布，结果证明该方法有效地消除潜在空间中的批次效应。然后，在私有MALDI MS数据集上，该方法取得了最高的诊断准确性，比当前最先进的方法平均提高了5.1~7.9%。两个实验均得出结论，该方法在分类方面的表现明显优于传统方法，这得益于有效去除批次效应。

信息来源：

https://mp.weixin.qq.com/s/Pnf-b1hcSVFzR3sGHqdqyQ