Bij het verwerken van massaspectrometriedata is basislijncorrectie vaak de eerste en meest tijdrovende stap. Toch wordt het belang van deze stap regelmatig onderschat. Een onnauwkeurige basislijncorrectie kan de resultaten van een complete analyse vertekenen, met gevolgen voor piekidentificatie, kwantificering en uiteindelijk de wetenschappelijke conclusies die op basis van de data worden getrokken.
De basislijn in een massaspectrometriechromatogram vertegenwoordigt het achtergrondsignaal dat niet afkomstig is van de te meten analyte. Dit signaal ontstaat door chemische ruis, elektronische interferentie en chromatografische artefacten. Bij LC-MS experimenten kan de basislijn sterk variabel zijn, met geleidelijke verschuivingen (drift) en lokale verhogingen die het gevolg zijn van matrixeffecten of kolombloeding.
Het effect op piekdetectie
Wanneer de basislijn niet correct wordt afgetrokken, worden de intensiteiten van geïdentificeerde pieken onjuist berekend. Kleine pieken die net boven de werkelijke basislijn uitkomen, worden mogelijk niet gedetecteerd als de geschatte basislijn te hoog ligt. Omgekeerd kunnen ruispieken worden geclassificeerd als echte signalen als de basislijn te laag wordt geschat. Bij vergelijkende studies, waarin de piekintensiteiten van tientallen of honderden monsters worden vergeleken, kunnen deze fouten zich opstapelen en leiden tot fout-positieve of fout-negatieve resultaten.
Handmatige versus geautomatiseerde correctie
In de beginjaren van massaspectrometrische analyses werd basislijncorrectie vaak handmatig of semi-handmatig uitgevoerd. Een analist selecteerde referentiepunten in het chromatogram die als basislijn werden beschouwd, waarna een interpolatie werd toegepast. Deze aanpak is bij kleine datasets haalbaar, maar wordt onpraktisch wanneer honderden of duizenden individuele massasporen per meting moeten worden gecorrigeerd.
Geautomatiseerde methoden passen algoritmen toe die de basislijn schatten op basis van statistische eigenschappen van het signaal. De implementatie verschilt per softwarepakket. Sommige tools gebruiken een rollend minimum, andere maken gebruik van penalized least squares of morphologische operatoren. Elk van deze benaderingen heeft sterke en zwakke punten afhankelijk van het type data en de aard van de basislijnvariatie.
Aandachtspunten bij de praktijk
Bij het instellen van parameters voor geautomatiseerde basislijncorrectie is het belangrijk om de tijdschaal van de verwachte basislijnvariatie te kennen. Een te smal venster voor de schatting kan ertoe leiden dat brede pieken gedeeltelijk als basislijn worden geïnterpreteerd en aldus worden afgevlakt. Een te breed venster mist mogelijk lokale basislijnverschuivingen. Het raadplegen van de documentatie van de gebruikte software helpt bij het kiezen van geschikte parameters.
Een veelgebruikte strategie is om de correctie eerst toe te passen op een representatieve subset van de data en de resultaten visueel te inspecteren voordat de volledige dataset wordt verwerkt. De publicatie van Lommen (2009) in Analytical Chemistry beschrijft hoe dit verificatieproces kan worden geïntegreerd in een reproduceerbare verwerkingsworkflow.
Impact op de vervolganalyse
De kwaliteit van de basislijncorrectie heeft directe gevolgen voor alle vervolgstappen. Bij de uitlijning van meerdere datasets worden de gecorrigeerde chromatogrammen met elkaar vergeleken. Als de basislijncorrectie inconsistent is toegepast, zullen dezelfde pieken in verschillende monsters op verschillende intensiteitsniveaus worden weergegeven, wat de statistische analyse vertroebelt.
In de context van ongerichte metabolomics is een betrouwbare basislijncorrectie extra belangrijk, omdat er geen voorkennis is over welke pieken relevant zijn. Elke systematische fout in de voorbewerking kan leiden tot het missen van biologisch relevante signalen of het identificeren van artefacten als potentiële biomarkers. De investering in een goed ingestelde en gevalideerde basislijncorrectie betaalt zich dan ook ruimschoots terug in de betrouwbaarheid van de eindresultaten.