研究人員逐漸懂得，如果你真的想要了解細胞行為，你需要研究代謝物。基因編碼蛋白質，而蛋白質作用于小分子。這些分子的存在和豐度，被統稱為代謝組（metabolome），反映和影響了健康、營養、免疫系統等。

與其他的組學學科相似，代謝組學的數據收集是個問題，但肯定不是研究人員面對的最大問題。大多數人都同意，更大的問題是弄清楚代謝組學數據集到底意味著什么。“數據分析仍是個巨大的瓶頸，”賽默飛世爾代謝組學的市場部經理Yingying Huang說。

幸運的是，不斷出現的分析工具正在幫助打破這個瓶頸。

光譜圖庫

代謝組學的數據分析主要分為兩個部分：峰值檢出（peak picking）和峰值鑒定（peak identification）。峰值檢出是利用代表不同條件（如健康和患病）的多個數據庫進行篩選的過程，并鑒定出它們之間不同的光譜特征。在這些峰被發現之后，它們所代表的化合物必須被鑒定。

多個軟件包可處理第一個問題，包括商業化工具（如安捷倫的MassHunter Profinder，布魯克的ProfileAnalysis，賽默飛世爾的SIEVE™和Waters的Progenesis QI）以及免費工具（MZmine和XCMS Online）。而一些圖庫正在開發或已被開發出，以解決第二個問題。

斯克里普斯研究所（Scripps Research Institute）代謝組學和質譜中心的主任Gary Siuzdak談到，他的METLIN數據庫目前列出了240,000種化合物，其中11,600種有MS/MS光譜數據。而人類代謝組數據庫（HMDB）有近42,000種化合物，其中1,164種有MS和MS/MS數據。此外還有其他選擇，包括ChemSpider和MassBank。

當然，我們不可能收集每個代謝產物的實驗數據，加州大學戴維斯分校的Oliver Fiehn認為。目前有太多的代謝產物，而并非全部都有純化形式作為標準品。“在某些時候，你必須預測MS/MS圖譜會怎么樣，”他說。

Fiehn解決這個問題的工具是LipidBlast，它包含200,000個預測的脂類光譜。“這很難[做到]，”Fiehn承認，因為與肽段不同，代謝物有各種形狀、形式和大小。有了LipidBlast，用戶能夠將它們未知的圖譜與圖庫進行比較，看看是否有hit，就像DNA研究人員利用BLAST將基因序列與GenBank比較。賽默飛世爾也有個類似的工具，叫LipidSearch™。

阿爾伯塔大學（University of Alberta）的化學教授Liang Li最近推出了一個類似的項目，MyCompoundID.org，以擴展HMDB的用途。MyCompoundID的建立是從HMDB中抽取8,000種代謝物，并計算它們的質量以及經歷76種可能的生物轉化（如磷酸化、甲基化或D-核糖基化）后的預測光譜特征。這些結果將幫助研究人員縮小未知光譜特征的可能身份。

了解賽默飛世爾的代謝組學研究工具

SWATH采集

代謝組學研究可能是靶向，也可能是非靶向的。對于前者，研究人員設定他們的儀器（通常是三重四級桿質譜儀）來掃描特定的代謝物。而對于后者，儀器掃描特定質量范圍內的一切，但只收集高豐度離子的MS/MS碎片數據。

這種所謂的數據依賴的流程是為方便起見而設計的。不過Fiehn認為，它不盡如人意，有時研究人員發現樣品之間的特定離子變化明顯，但沒有被碎裂，因為它是低豐度的。

最近，蘇黎世聯邦理工學院的Ruedi Aebersold介紹了這個問題的解決方案1，它已被AB SCIEX商業化。這種被稱為SWATH™ MS的策略避開了數據依賴處理，而支持數據非依賴的處理，即所有進入質譜儀的離子都被碎裂和分析。它逐步分析用戶定義的分離窗口，重復，并通過計算整理出產生的碎片，從而覆蓋很寬的質量范圍。

2013年，華盛頓大學的化學家Gary Patti利用安捷倫的6520 Q-TOF質譜儀和定制的R package，在代謝物上應用了一種類似的方法2。據AB SCIEX的高級營銷經理Fadi Abdi介紹，AB SCIEX如今正將SWATH技術應用在蛋白質組學上。

用戶在TripleTOF®質譜儀上收集高速的光譜數據，并利用MS/MS光譜圖庫來解釋它，這與蛋白質組學的方法相似。“在數據依賴的分析中，如果您沒有觸發您的分子，則無法識別它，”Abdi談道。“SWATH允許您收集樣品中所有可檢測種類的數據，帶來更為全面的定量覆蓋。”

通路分析

在研究人員鑒定出有趣的代謝物后，他們需要找出它們在生物系統中的作用。這時就需要通路分析的工具。通路分析讓研究人員能夠將代謝物定位到已知的生化通路上，為可能的遺傳角色及其他代謝物提供線索。

Fiehn的實驗室寫了一個通路分析的工具，名為MetaMapp，而大部分商業化的代謝組學數據分析包也包含通路分析。賽默飛世爾的SIEVE數據分析包中就有這樣的模塊，它關聯到KEGG通路數據庫，而Bruker Daltonics也即將推出它的Compass PathwayScreener工具。

不過，Metabolon（北卡羅來納州的一家代謝組學服務供應商）的首席科學家Mike Milburn認為，僅僅將代謝物定位到已知的通路商，還不足以看清整幅圖像。Metabolon已經完成了約3000項代謝組學研究，每年開展600-700項，半數是科研客戶。這些經驗使得他們能夠看到其他研究人員難以獲得的代謝鳥瞰圖。

對許多研究人員而言，開始代謝組學流程所需的技能、專長和費用使得外包給Metabolon這樣的公司更為常見。但是那些愿意自己承擔重任的研究人員也會發現，他們并不缺少計算上的工具。

無論采用哪種方式，Bruker Daltonics代謝組學的市場部經理Aiko Barsch說，“我會鼓勵新客戶進入代謝組學，因為那兒包含了那么多的信息。有那么多新東西有待發現。”

（作者：Jeffrey M. Perkel/生物通編譯）

參考文獻

[1] Gillet, LC, et al., “Targeted data extraction of the MS/MS spectra generated by data independent acquisition: A new concept for consistent and accurate proteome analysis,” Mol Cell Proteomics, 11:O111.016717, 2012. [PubMed ID: 22261725]

[2] Nikolskiy, I, et al., “An untargeted metabolomics workflow to improve structural characterization of metabolites,” Anal Chem, 85:7713-9, 2013. [PubMed ID: 23829391]