Molecular networking has become a key method to visualize and annotate the chemical space in non-targeted mass spectrometry data. We present feature-based molecular networking (FBMN) as an analysis method in the Global Natural Products Social Molecular Networking (GNPS) infrastructure that builds on chromatographic feature detection and alignment tools. FBMN enables quantitative analysis and resolution of isomers, including from ion mobility spectrometry. Feature-based molecular networking allows the generation of molecular networks for mass spectrometry data that can recognize isomers, incorporate relative quantification and integrate ion mobility data.

The early prediction of deterioration could have an important role in supporting healthcare professionals, as an estimated 11% of deaths in hospital follow a failure to promptly recognize and treat deteriorating patients1. To achieve this goal requires predictions of patient risk that are continuously updated and accurate, and delivered at an individual level with sufficient context and enough time to act. Here we develop a deep learning approach for the continuous risk prediction of future deterioration in patients, building on recent work that models adverse events from electronic health records2-17 and using acute kidney injury-a common and potentially life-threatening condition18-as an exemplar. Our model was developed on a large, longitudinal dataset of electronic health records that cover diverse clinical environments, comprising 703,782 adult patients across 172 inpatient and 1,062 outpatient sites. Our model predicts 55.8% of all inpatient episodes of acute kidney injury, and 90.2% of all acute kidney injuries that required subsequent administration of dialysis, with a lead time of up to 48 h and a ratio of 2 false alerts for every true alert. In addition to predicting future acute kidney injury, our model provides confidence assessments and a list of the clinical features that are most salient to each prediction, alongside predicted future trajectories for clinically relevant blood tests9. Although the recognition and prompt treatment of acute kidney injury is known to be challenging, our approach may offer opportunities for identifying patients at risk within a time window that enables early treatment.

To visualize the personalized distributions of pathogens, chemical environments including microbial metabolites, pharmaceuticals, and their metabolic products within and between human lungs afflicted with cystic fibrosis, we generated 3D microbiome and metabolome maps of six explanted lungs from three cystic fibrosis patients. These 3D spatial maps revealed that the chemical environments are variable between patients and within the lungs of each patient. Although the patients' microbial ecosystems were defined by the dominant pathogen, their chemical diversity was not. Additionally, the chemical diversity between locales in lungs of the same individual sometimes exceeded inter-individual variation. Thus, the chemistry and microbiome of the explanted lungs appear to be not only personalized but also regiospecific. Previously undescribed analogs of microbial quinolones and antibiotic metabolites were also detected. Furthermore, mapping the chemical and microbial distributions allowed visualization of microbial community interactions, such as increased production of quorum sensing quinolones in locations where Pseudomonas was in contact with Staphylococcus and Granulicatella , consistent with in vitro observations of bacteria isolated from these patients. Visualization of microbe-metabolite associations within a host organ in early-stage CF disease in animal models will help elucidate a complex interplay between the presence of a given microbial structure, antibiotics, metabolism of antibiotics, microbial virulence factors, and host responses.

Molecular networking has become a key method used to visualize and annotate the chemical space in non-targeted mass spectrometry-based experiments. However, distinguishing isomeric compounds and quantitative interpretation are currently limited. Therefore, we created Feature-based Molecular Networking (FBMN) as a new analysis method in the Global Natural Products Social Molecular Networking (GNPS) infrastructure. FBMN leverages feature detection and alignment tools to enhance quantitative analyses and isomer distinction, including from ion-mobility spectrometry experiments, in molecular networks.