背景簡介
代謝全譜爲非靶向(xiàng)代謝組學(xué)分析，采用色譜-質譜聯用技術采集樣品的代謝譜圖，比較不同組樣品代謝産物的含量，鑒定差異表達的代謝物，并探索差異代謝物之間的代謝通路。代謝組學(xué)分析技術已廣泛應用于疾病診斷、藥物靶點發(fā)現、疾病機理研究、營養食品科學(xué)、毒理學(xué)、植物學(xué)等相關領域，已成(chéng)爲目前研究的新熱點。
技術優勢
高靈敏度：基于先進(jìn)的液相串聯質譜技術，可檢測到pg級化合物。
高覆蓋度：檢測多達上千種(zhǒng)化合物，勝任熱不穩定、不易揮發(fā)、不易衍生化等物質的檢測。
低成(chéng)本：側重于相關特定組分共性研究，篩檢有意義代謝産物，檢測成(chéng)本較低。
跨組學(xué)分析：提供從基因組學(xué)、轉錄組學(xué)、蛋白質組學(xué)、到代謝組學(xué)的全程科技服務，深度剖析生物學(xué)現象。
技術路線
分析内容
樣本類型
細胞，組織，尿液，全血，血清，血漿等
建議起(qǐ)始量（單次）：血漿或血清＞300 μL，尿液> 5 mL，組織＞ 100 mg，細胞＞107個。
Q1: 代謝物鑒定搜索的數據庫有哪些？
A :搜索的數據庫都(dōu)是公共庫，KEGG、METLIN等等，精确度都(dōu)在10ppm以内（一個分子量仍然會(huì)對(duì)應多個代謝物），如果庫裡(lǐ)面(miàn)有相應的二級譜圖，那麼(me)鑒定就(jiù)可以更加的精确，後(hòu)續如果要驗證的話，可購買标準品。
Q2：代謝全譜對(duì)于樣本數量有要求嗎？
A：對(duì)于目标在于尋找差異代謝物的代謝全譜來說(shuō)，臨床樣本數量每組建議不低于30個。模式生物及動植物樣本，建議不少于10個。
Q3：代謝組學(xué)全譜分析和脂質代謝組學(xué)分析有什麼(me)區别？
A：代謝組學(xué)全譜分析是對(duì)生物體内所有代謝物進(jìn)行定量分析，并尋找代謝物與生理病理變化相對(duì)關系的研究方式，其研究對(duì)象是相對(duì)分子質量小于1000Da的小分子物質，如脂類、酮類、有機酸等。衆所周知，基因組學(xué)和蛋白質組學(xué)分别從基因和蛋白質層面(miàn)探尋生命活動，但實際上細胞内許多生命活動是發(fā)生在代謝物層面(miàn)的，如細胞信号釋放、能(néng)量傳遞和細胞間通信等都(dōu)受代謝物調控。代謝組學(xué)全譜分析是通過(guò)單變量及多變量分析發(fā)現差異表達的代謝物信息，從而反映細胞所處的環境以及其與外界影響因素之間的相互作用關系。
脂質組學(xué)（lipidomics）是研究生物體的脂類組成(chéng)，脂類代謝以及脂類相互作用的一門學(xué)科，是代謝組學(xué)最重要的分支。脂質具有多種(zhǒng)重要的生物學(xué)功能(néng)，如物質運輸、能(néng)量代謝、信息傳遞及代謝調控等，脂質代謝異常可引發(fā)諸多人類疾病，包括阿茲海默症、糖尿病、肥胖症、動脈粥樣硬化等。
案例一：高粱家系初生和次生代謝物的非靶向(xiàng)代謝組學(xué)研究
本研究以高粱爲研究對(duì)象，利用非靶向(xiàng)代謝組學(xué)技術分析代謝物與形态生理變化間的關系。選擇11個高粱二倍體家系葉組織進(jìn)行非靶向(xiàng)代謝組學(xué)分析,結果顯示1181種(zhǒng)代謝物中有956個代謝物差異表達(p < 0.05)。單變量和多變量分析顯示，大多數代謝物因高粱家系和品種(zhǒng)的不同而不同。其中有384種(zhǒng)代謝物至少與一個形态生理特性相關，如糖化類黃酮和綠原酸等次生代謝物。代謝組學(xué)分析揭示了兩(liǎng)個或兩(liǎng)個以上的形态生理特性之間的關系，結果表明綠原酸和莽草酸與高粱光合作用、苗期生長(cháng)和最終産量有關。
圖 代謝産物與形态生理特征的關系
案例二：慢性髓細胞白血病患者血漿和白細胞的代謝譜分析
酪氨酸激酶抑制劑(TKIs)的發(fā)現爲慢性髓細胞白血病(CML)患者的治療帶來重大突破。CML的發(fā)病原因與Bcr-Abl蛋白和酪氨酸激酶活性密切相關。TKIs通過(guò)抑制ATP結合，因而避免信号通路惡變。然而，有關TKI治療對(duì)CML患者代謝物的影響尚未知。本研究選定正常人群，新診斷患者，分别使用TKI（伊馬替尼、尼羅替尼、達沙替尼）治療的患者，羟基脲治療的患者，利用代謝組學(xué)技術對(duì)這(zhè)6種(zhǒng)人群的血漿和白細胞樣本進(jìn)行分析。白細胞主成(chéng)分分析結果顯示，新診斷患者/經(jīng)羟基脲治療患者的代謝物，與TKIs治療患者/健康人群的代謝物存在顯著分離，主要表現在糖酵解、三羧酸循環和氨基酸代謝的差異上。代謝組譜分析可以作爲CML患者TKIs治療響應的早期評估工具。
圖 對(duì)照組與新診斷患者的白細胞和血漿S-plots圖
參考文獻
1.Turner M F, Heuberger A L, Kirkwood J S, et al. Non-targeted Metabolomics in Diverse Sorghum Breeding Lines Indicates Primary and Secondary Metabolite Profiles Are Associated with Plant Biomass Accumulation and Photosynthesis[J]. Frontiers in Plant Science, 2016, 7(59).
2.Karlíková R, Široká J, Friedecký D, et al. Metabolite profiling of the plasma and leukocytes of chronic myeloid leukemia patients[J]. Journal of Proteome Research, 2016, 15(9).
多元統計分析（PCA分析）主成(chéng)分分析將(jiāng)代謝物變量按一定的權重通過(guò)線性組合後(hòu)産生新的特征變量，通過(guò)主要新 變量（主成(chéng)分）對(duì)各組數據進(jìn)行歸類，去除重複性差的樣本（離群樣本）和異常樣本 。因無外加人爲因素，得到的 PCA 模型 反映了代謝組數據的原始狀态，有利于掌握此數據的整體情況并對(duì)數據從整體上進(jìn)行把握，尤其是有利于發(fā)現和剔除異常樣品，并提高模型的準确性。通過(guò) PCA分析所得 到的圖譜即稱爲 PCA 得分圖（score scatter plot），每個樣本在圖上的位置由不同變 量的加權得分所決定。由 PCA 得分圖可以觀察樣本的聚集、離散程度：樣本分布點越靠近，說(shuō)明這(zhè)些樣本中所含有的變量/分子的組成(chéng)和濃度越接近；反之，樣本點越遠離， 其差異越大。
多元統計分析（PLSDA分析）與 PCA 隻有一個數據集不同，PLS-DA 在分析時(shí)必須對(duì)樣品進(jìn)行指定并分組， 這(zhè)樣模型會(huì)自動加上另外一個隐含的數據集 Y，該數據集變量數等于組别數。 PLS-DA 是目前代謝組學(xué)數據分析中最常使用的一種(zhǒng)分類方法，它在降維的同 時(shí)結合了回歸模型，并利用一定的判别阈值對(duì)回歸結果進(jìn)行判别分析。
差異代謝物層次聚類分析聚類分析被用于判斷代謝物在不同實驗條件下的代謝模式。代謝模式相似的代謝物具有相似的功能(néng)，或是共同參與同一代謝過(guò)程或者細胞通路。因此通過(guò)將(jiāng)代謝模式相同或者相近的代謝物聚成(chéng)類，可以用來推測未知代謝物或者已知代謝物的功能(néng)。以不 同實驗條件下的代謝物的相對(duì)值爲代謝水平，做層次聚類分析，不同顔色的區域代表不同的聚類分組信息，同組内的代謝表達模式相近，可能(néng)具有相似的功能(néng)或參與相同的生物學(xué)過(guò)程。
代謝物關聯網絡分析代謝物關聯網絡分析是根據代謝物信号值的動态變化，計算代謝物之間的共表達關系，來建立代謝相關調控模型，得到代謝物間調控關系及調控方向(xiàng)，從而尋找一個或多個物種(zhǒng)在不同 發(fā)育階段，或者不同組織在不同條件或處理下的全部代謝物調控網絡模型以及關鍵代謝物，從而系統的研究生物體複雜的生命現象。通常梯度樣本進(jìn)行關聯網絡分析才具有意義，例如時(shí)間序列樣本、不同發(fā)育階段、梯度濃度處理樣本等。
