KÜTLE SPEKTROMETRİSİ TEMELLİ GLİKOMİK VE MAKİNE ÖĞRENİMİ İLE BAL TİPLERİNİN SINIFLANDIRMASI

Abstract

ÖZET

Bal, şekerler, amino asitler, vitaminler, proteinler ve minerallerin karmaşık bir karışımıdır ve bileşimi çiçek kaynağına göre değişebilir. Literatürde bal sınıflandırmasına yönelik çabalar bulunmakla beraber bal sınıflandırmasına yönelik glikomik profillerinin kullanıldığı bir çalışma bulunmamaktadır. Bu çalışmada, kütle spektrometresi tabanlı glikomik ve makine öğrenimi kullanarak bal tipi sınıflandırması (çiçek-çam) için bir yöntem geliştirilmesi amaçlanmıştır. İlk olarak, Türkiye’nin farklı bölgelerinden 6 adet çam ve 8 adet çiçek balı üreticilerden temin edildi. Bal örneklerine ait proteinler ekstrakte edildi ve glikanları enzimatik olarak salındı. Sonrasında glikanlar 2-AA etiketi ile etiketlendikten sonra MALDI-MS ile analiz edildi. Analizler sonucunda çam ve çiçek balına ait glikan profilleri belirlendi. Tolam 76 adet farklı N-glikan yapısı belirlendi. Yüksek oranda deneysel tekrarlar arasında varlığı belirlenen 13 adet N-glikan profili, analizlerde kullanılmıştır. Her bir glikanın göreceli bolluğu belirlendikten sonra istatiksel olarak anlamlı değişen glikan profilleri belirlendi. İstatiksel sonuçlara göre anlamlı değişiklik gösteren N-glikanlar Hex5HexNAc2, Hex4HexNAc3 ve Hex5HexNAc3 olarak bulunmuştur. 13 adet N-glikan ve istatiksel olarak anlamlı değişen glikan profillerine bağlı olarak (3 adet) makine öğrenmesi algoritmaları ile çiçek-çam balı sınıflandırılması gerçekleştirildi. Makine öğrenmesi modellerinin performansı, doğruluk, kesinlik, MCC ve F1 puanı gibi metrikler kullanılarak değerlendirildi. 13 adet N-glikan profilli kullanıldığında doğruluk oranı %93.5 olarak bulunurken, bu oran istatiksel olarak anlamlı değiştiği belirlenen glikanlar kullanıldığında %100 olarak belirlenmiştir. En başarılı model “subspace ve weighted KNN” olarak belirlendi. Sonuçlarımız, kütle spektrometresi tabanlı glikomiklerin makine öğrenimiyle birleştiğinde bal türlerini doğru bir şekilde sınıflandırabildiğini ve potansiyel olarak bal ürünlerinin kalite kontrolü ve kimlik doğrulaması için bir araç olarak kullanılabileceğini göstermiştir.

ABSTRACT

Honey is a complex mixture of sugars, amino acids, vitamins, proteins, and minerals, and its composition can vary depending on the source of the flowers. Although there have been efforts in the literature to classify honey, there is currently no study using glycomic profiles for honey classification. This study aims to develop a method for classifying honey types (flower-pine) using mass spectrometry-based glycomic analysis and machine learning. Initially, 7 samples of pine honey and 8 samples of flower honey were obtained from producers in different regions of Turkey. Proteins from the honey samples were extracted, and glycans were enzymatically released. Subsequently, the glycans were labeled with 2-AA and analyzed using MALDI-MS. The glycan profiles of pine and flower honey were determined through these analyses, and a total of 76 different N-glycan structures were identified. Among these, 13 N-glycan profiles were found to be consistently present in high levels of experimental replicates and were used in the analyses. After determining the relative abundance of each glycan, statistically significant changes in glycan profiles were identified. According to the statistical results, the N-glycans Hex5HexNAc2, Hex4HexNAc3, and Hex5HexNAc3 showed significant differences. Based on the 13 N-glycan profiles and the statistically significant glycan profiles (3 in total), honey classification between flower and pine honey was performed using machine learning algorithms. The performance of the machine learning models was evaluated using metrics such as accuracy, precision, MCC, and F1 score. When using the 13 N-glycan profiles, the accuracy rate was found to be 93.5%, and this rate was determined as 100% when the identified significant glycans were used. The most successful model was determined to be "subspace and weighted KNN." Our results demonstrate that when mass spectrometry-based glycomics is combined with machine learning, it can accurately classify honey types and potentially be used as a tool for quality control and authentication of honey products.