Metabolomika - Metabolomics

Ústřední dogma biologie ukazující tok informací z DNA do fenotypu. S každou fází je spojen odpovídající systémový biologický nástroj, od genomiky po metabolomiku.

Metabolomika je vědecké studium chemických procesů zahrnujících metabolity, malé molekuly substráty, meziprodukty a produkty metabolismu. Konkrétně metabolomika je „systematické studium jedinečných chemických otisků prstů, které zanechávají specifické buněčné procesy“, studium jejich malých molekul metabolit profily.[1] The metabolome představuje úplnou sadu metabolitů v biologické buňce, tkáni, orgánu nebo organismu, které jsou konečnými produkty buněčných procesů.[2] mRNA genová exprese údaje a proteomický analýzy odhalují soubor genových produktů produkovaných v buňce, data, která představují jeden aspekt buněčné funkce. Naopak, metabolické profilování může poskytnout okamžitý snímek fyziologie této buňky, a metabolomika tak poskytuje přímé „funkční odečítání fyziologického stavu“ organismu.[3] Jednou z výzev společnosti biologie systémů a funkční genomika je integrovat se genomika, transkriptomický, proteomický a metabolomické informace k lepšímu porozumění buněčné biologii.

Dějiny

Koncept, že jednotlivci mohou mít „metabolický profil“, který by se mohl promítnout do složení jejich biologických tekutin, představil Roger Williams koncem čtyřicátých let,[4] kdo použil papírová chromatografie navrhnout charakteristické metabolické vzorce v moči a slinách byly spojeny s chorobami, jako je schizofrenie. Avšak až díky technologickému pokroku v 60. a 70. letech bylo možné kvantitativně (na rozdíl od kvalitativně) měřit metabolické profily.[5] Termín „metabolický profil“ zavedl Horning, et al. v roce 1971 poté, co to prokázali plynová chromatografie - hmotnostní spektrometrie (GC-MS) lze použít k měření sloučenin přítomných v extraktech lidské moči a tkání.[6][7] Skupina Horning, spolu se skupinou Linus Pauling a Arthur B. Robinson vedl vývoj metod GC-MS k monitorování metabolitů přítomných v moči v 70. letech.[8]

Současně, NMR spektroskopie, který byl objeven ve 40. letech 20. století, rovněž prošel rychlým pokrokem. V roce 1974 Seeley a kol. prokázali užitečnost použití NMR k detekci metabolitů v nemodifikovaných biologických vzorcích.[9] Tato první studie na svalech zdůraznila hodnotu NMR tím, že bylo stanoveno, že 90% buněčných ATP je v komplexu s hořčíkem. Jak se citlivost zlepšila s vývojem vyšších sil magnetického pole a magický úhel otáčení „NMR je i nadále předním analytickým nástrojem pro vyšetřování metabolismu.[6][10] Nedávno[když? ] snahy o využití NMR pro metabolomiku byly z velké části řízeny laboratoří Jeremy K. Nicholson na Birkbeck College, University of London a později v Imperial College London. V roce 1984 se Nicholson ukázal 1H NMR spektroskopie by mohla být potenciálně použita k diagnostice diabetes mellitus a později byla průkopníkem v aplikaci metod rozpoznávání vzorů na NMR spektroskopická data.[11][12]

V roce 1995 hmotnostní spektrometrie s kapalinovou chromatografií metabolomické experimenty[13] byly provedeny Gary Siuzdak při práci s Richard Lerner (tehdejší prezident Výzkumného ústavu Scripps) a Benjamin Cravatt k analýze mozkové míchy ze zvířat trpících nedostatkem spánku. Jedna molekula zvláštního zájmu, oleamid bylo pozorováno a později prokázáno, že má vlastnosti vyvolávající spánek. Tato práce je jedním z prvních experimentů kombinujících kapalinovou chromatografii a hmotnostní spektrometrii v metabolomice.

V roce 2005 byla vytvořena první databáze tandemové hmotnostní spektrometrie s metabolomikou, METLIN,[14][15] pro charakterizaci lidských metabolitů byl vyvinut v Siuzdak laboratoř v Výzkumný ústav Scripps. METLIN od té doby vzrostl a od 1. července 2019 obsahuje METLIN více než 450 000 metabolitů a dalších chemických entit, přičemž každá sloučenina má experimentální data tandemové hmotnostní spektrometrie generovaná z molekulárních standardů při různých energiích kolize a v pozitivních a negativních ionizačních režimech. METLIN je největší úložiště dat tandemové hmotnostní spektrometrie svého druhu. Rok 2005 byl také rokem, kdy se poprvé objevil specializovaný akademický časopis Metabolomics, založený jeho současným šéfredaktorem Roy Goodacre.


V roce 2005 se laboratoř Siuzdak zabývala identifikací metabolitů spojených se sepsí a ve snaze řešit problém statistického určování nejdůležitějších dysregulovaných metabolitů napříč stovkami datových souborů LC / MS byl vyvinut první algoritmus umožňující nelineární sladění hmotnostní spektrometrie metabolomická data. Volal XCMS,[16] kde „X“ představuje jakoukoli chromatografickou technologii, má od roku (2012)[17] byl vyvinut jako online nástroj a od roku 2019 (s METLIN) má více než 30 000 registrovaných uživatelů.


Dne 23. Ledna 2007 Projekt lidského metabolomu pod vedením Davida Wisharta z University of Alberta Kanada dokončila první koncept lidského metabolomu, který sestával z databáze přibližně 2 500 metabolitů, 1 200 léků a 3 500 složek potravy.[18][19] Podobné projekty již probíhají u několika druhů rostlin, zejména Medicago truncatula[20] a Arabidopsis thaliana[21] již několik let.

Ještě v polovině roku 2010 byla metabolomika stále považována za „rozvíjející se obor“.[22] Dále bylo poznamenáno, že další pokrok v této oblasti do značné míry závisel na řešení jinak „neřešitelných technických výzev“ technickým vývojem hmotnostní spektrometrie instrumentace.[22]

V roce 2015 bylo poprvé předvedeno profilování metabolomu v reálném čase.[23]

Metabolome

Projekt lidského metabolomu
Viz také: Metabolome a Lidská databáze metabolomu

Metabolome označuje úplnou sadu malých molekul (<1,5 kDa)[24] metabolity (jako jsou metabolické meziprodukty, hormony a další signální molekuly a sekundární metabolity), které se nacházejí v biologickém vzorku, jako je jediný organismus.[25][26] Slovo bylo vytvořeno analogicky s transkriptomika a proteomika; stejně jako transkriptom a proteom je metabolom dynamický a mění se ze sekundy na sekundu. Ačkoli lze metabolome definovat dostatečně snadno, není v současné době možné analyzovat celou škálu metabolitů jedinou analytickou metodou.

První databáze metabolitů (tzv METLIN ) pro vyhledávání fragmentačních dat z experimentů s tandemovou hmotnostní spektrometrií byla vyvinuta laboratoří Siuzdak v Výzkumný ústav Scripps v roce 2005.[14][15] METLIN obsahuje více než 450 000 metabolitů a dalších chemických entit, přičemž každá sloučenina má experimentální údaje tandemové hmotnostní spektrometrie. V roce 2006[16] laboratoř Siuzdak také vyvinula první algoritmus umožňující nelineární zarovnání metabolomických údajů hmotnostní spektrometrie. S názvem XCMS, kde „X“ představuje jakoukoli chromatografickou technologii, má od roku (2012)[17] byl vyvinut jako online nástroj a od roku 2019 (s METLIN) má více než 30 000 registrovaných uživatelů.

V lednu 2007 vědci z University of Alberta a University of Calgary dokončil první koncept lidského metabolomu. Databáze lidských metabolomů (HMDB) je možná nejrozsáhlejší veřejná metabolomická spektrální databáze k dnešnímu dni.[27] HMDB ukládá více než 40 000 různých položek metabolitů. Katalogizovali přibližně 2 500 metabolity, 1200 léky a 3 500 složek potravy, které lze nalézt v lidském těle, jak je uvedeno v literatuře.[18] Tyto informace jsou k dispozici na internetu Lidská databáze metabolomu (www.hmdb.ca) a na základě analýzy informací dostupných v současné vědecké literatuře zdaleka není kompletní.[28] Naproti tomu je mnohem více známo o metabolomech jiných organismů. Například z rostlinné rasy bylo charakterizováno více než 50 000 metabolitů a z jednotlivých rostlin bylo identifikováno a / nebo charakterizováno mnoho tisíc metabolitů.[29][30]

Každý typ buňky a tkáně má jedinečný metabolický „otisk prstu“, který může objasnit informace specifické pro orgán nebo tkáň. Biologické vzorky používané pro metabolomickou analýzu zahrnují mimo jiné plazmu, sérum, moč, sliny, výkaly, svaly, pot, vydechovaný dech a gastrointestinální tekutinu.[31] Snadnost sběru usnadňuje vysoké časové rozlišení, a protože jsou vždy v dynamické rovnováze s tělem, mohou popsat hostitele jako celek.[32] Genom dokáže říct, co se může stát přepis může říct, co se zdá, že se děje, proteom může říci, co to dělá, a metabolome může říci, co se stalo a co se děje.[33]

Metabolity

Metabolity jsou substráty, meziprodukty a produkty z metabolismus. V kontextu metabolomiky je metabolit obvykle definován jako jakákoli molekula o velikosti menší než 1,5 kDa.[24] Existují však výjimky v závislosti na vzorku a metodě detekce. Například makromolekuly jako lipoproteiny a albumin jsou spolehlivě detekovány v metabolomických studiích krevní plazmy založených na NMR.[34] V rostlinné metabolomice je běžné označovat „primární“ a „sekundární“ metabolity. Primární metabolit se přímo podílí na normálním růstu, vývoji a reprodukci. A sekundární metabolit není přímo zapojen do těchto procesů, ale obvykle má důležité ekologický funkce. Mezi příklady patří antibiotika a pigmenty.[35] Naproti tomu v lidské metabolomice je běžnější popisovat metabolity jako buď endogenní (produkovaný hostitelským organismem) nebo exogenní.[36] [37]Metabolity cizích látek, jako jsou léky, se nazývají xenometabolity.[38]

The metabolome tvoří velkou síť metabolické reakce, kde výstupy z jednoho enzymatický chemická reakce jsou vstupy do dalších chemických reakcí. Takové systémy byly popsány jako hypercykly.[Citace je zapotřebí ]

Metabonomika

Metabonomika je definována jako „kvantitativní měření dynamické multiparametrické metabolické odpovědi živých systémů na patofyziologické podněty nebo genetické modifikace“. Slovo původ je z řečtiny μεταβολή význam změny a nomos což znamená soubor pravidel nebo soubor zákonů.[39] Tento přístup propagoval Jeremy Nicholson v Murdoch University a byl použit v toxikologii, diagnostice nemocí a řadě dalších oborů. Historicky byl metabonomický přístup jednou z prvních metod k uplatnění rozsahu biologie systémů na studium metabolismu.[40][41][42]

Došlo k určité neshodě ohledně přesných rozdílů mezi „metabolomikou“ a „metabonomikou“. Rozdíl mezi těmito dvěma pojmy nesouvisí s výběrem analytické platformy: ačkoli metabonomika je více spojena s NMR spektroskopie a metabolomika s hmotnostní spektrometrie - na základě technik, je to jednoduše kvůli zvyklostem mezi různými skupinami, které popularizovaly různé pojmy. I když stále neexistuje absolutní shoda, roste shoda v tom, že „metabolomika“ klade větší důraz na metabolické profilování na buněčné nebo orgánové úrovni a týká se především normálního endogenního metabolismu. „Metabonomika“ rozšiřuje metabolické profilování tak, aby zahrnovalo informace o poruchách metabolismu způsobených faktory prostředí (včetně stravy a toxinů), chorobných procesech a účasti extragenomických vlivů, jako jsou střevní mikroflóra. To není triviální rozdíl; metabolomické studie by měly ze své podstaty vylučovat metabolické příspěvky z extragenomických zdrojů, protože jsou mimo studovaný systém. V praxi však v oblasti výzkumu lidských nemocí stále existuje velká míra překrývání způsobu, jakým jsou oba termíny používány, a často jsou ve skutečnosti synonyma.[43]

Exometabolomika

Hlavní článek: Exometabolomika

Exometabolomika neboli „metabolická stopa“ je studium extracelulárních metabolitů. Využívá mnoho technik z jiných podpolí metabolomiky a má aplikace v biopalivo rozvoj, biologické zpracování, určování drog ' mechanismus účinku a studium mezibuněčných interakcí.[44]

Analytické technologie

Klíčové fáze studie metabolomiky

Typický pracovní postup studií metabolomiky je uveden na obrázku. Nejprve jsou odebrány vzorky z tkáně, plazmy, moči, slin, buněk atd. Dále jsou metabolity extrahovány často s přidáním vnitřních standardů a derivatizace.[45] Během analýzy vzorku jsou metabolity kvantifikovány (kapalinová chromatografie nebo plynová chromatografie spolu s SLEČNA a / nebo NMR spektroskopie). Nezpracovaná výstupní data mohou být použita pro extrakci funkcí metabolitů a dále zpracována před statistickou analýzou (např PCA ). K dispozici je mnoho bioinformatických nástrojů a softwaru k identifikaci asociací s chorobnými stavy a výsledky, stanovení významných korelací a charakterizaci metabolických podpisů se stávajícími biologickými znalostmi.[46]

Separační metody

Zpočátku analyt v metabolomickém vzorku obsahuje vysoce komplexní směs. Tuto složitou směs lze před detekcí zjednodušit oddělením některých analytů od ostatních. Separací lze dosáhnout různých cílů: v tomto kroku lze oddělit analyt, který detektor nedokáže rozlišit; v analýze MS potlačení iontů je snížena; retenční čas analytu slouží jako informace týkající se jeho identity. Tento separační krok není povinný a je často vynechán v NMR a „brokovnicových“ přístupech, jako je brokovnicová lipidomika.

Plynová chromatografie (GC), zejména při propojení s hmotnostní spektrometrií (GC-MS ), je široce používanou separační technikou pro metabolomickou analýzu.[47] GC nabízí velmi vysoké chromatografické rozlišení a lze jej použít ve spojení s a plamenový ionizační detektor (GC / FID) nebo hmotnostní spektrometr (GC-MS). Tato metoda je zvláště užitečná pro identifikaci a kvantifikaci malých a těkavých molekul.[48] Praktickým omezením GC je však požadavek chemické derivatizace pro mnoho biomolekul, protože bez derivatizace lze analyzovat pouze těkavé chemikálie. V případech, kdy je vyžadována větší rozlišovací schopnost, je třeba provést dvourozměrnou chromatografii (GCxGC ) lze použít.

Vysoce účinná kapalinová chromatografie (HPLC) se ukázala jako nejběžnější separační technika pro metabolomickou analýzu. S příchodem ionizace elektrosprejem, HPLC byla spojena s MS. V kontrastu s GC „HPLC má nižší chromatografické rozlišení, ale nevyžaduje žádnou derivatizaci pro polární molekuly a odděluje molekuly v kapalné fázi. Navíc má HPLC tu výhodu, že lze měřit mnohem širší rozsah analytů s vyšší citlivostí než metody GC.[49]

Kapilární elektroforéza (CE) má vyšší teoretickou účinnost separace než HPLC (i když vyžaduje mnohem více času na separaci) a je vhodný pro použití s ​​širším rozsahem tříd metabolitů než GC. Stejně jako u všech elektroforetických technik je nejvhodnější pro nabité analyty.[50]

Detekční metody

Porovnání nejběžnějších metod metabolomiky

Hmotnostní spektrometrie (MS) se používá k identifikaci a kvantifikaci metabolitů po případném oddělení pomocí GC, HPLC nebo CE. GC-MS byla první vyvinutou technikou dělení slov. Identifikace využívá odlišné vzory, ve kterých analyzuje fragment, který lze považovat za otisk hmotnostního spektra; existují knihovny, které podle toho umožňují identifikaci metabolitu fragmentační vzor[potřebný příklad ]. MS je citlivá a může být velmi specifická. Existuje také řada technik, které používají MS jako samostatnou technologii: vzorek je infundován přímo do hmotnostního spektrometru bez předchozí separace a MS poskytuje dostatečnou selektivitu jak pro separaci, tak pro detekci metabolitů.

Pro analýzu hmotnostní spektrometrií musí být analyty předány náboji a přeneseny do plynné fáze. Elektronová ionizace (EI) je nejběžnější ionizační technika, která se aplikuje na GC separace, protože je přístupná nízkým tlakům. EI také produkuje fragmentaci analytu, jak poskytuje strukturální informace, zatímco zvyšuje složitost dat a případně zakrývá molekulární iont. Chemická ionizace za atmosférického tlaku (APCI) je technika atmosférického tlaku, kterou lze použít na všechny výše uvedené separační techniky. APCI je metoda ionizace v plynné fázi o něco agresivnější ionizace než ESI, která je vhodná pro méně polární sloučeniny. Elektrosprejová ionizace (ESI) je nejběžnější ionizační technika používaná v LC / MS. Tato měkká ionizace je nejúspěšnější pro polární molekuly s ionizovatelnými funkčními skupinami. Další běžně používanou technikou měkké ionizace je sekundární elektrosprejová ionizace (SESI).

Hmotnostní analýza založená na povrchu zaznamenala v posledním desetiletí opětovné oživení, přičemž nové technologie MS se zaměřily na zvýšení citlivosti, minimalizaci pozadí a snížení přípravy vzorků. Schopnost analyzovat metabolity přímo z biofluidů a tkání nadále ohrožuje současnou technologii MS, a to především kvůli limitům stanoveným složitostí těchto vzorků, které obsahují tisíce až desítky tisíc metabolitů. Mezi technologie vyvíjené k řešení této výzvy patří Nanostructure-Initiator MS (NIMS),[51][52] desorpční / ionizační přístup, který nevyžaduje aplikaci matrice a tím usnadňuje identifikaci malých molekul (tj. metabolitů). MALDI Používá se také aplikace MALDI matice, která však může přidat významné pozadí při <1000 Da, což komplikuje analýzu rozsahu nízké hmotnosti (tj. metabolitů). Velikost výsledných krystalů matice navíc omezuje prostorové rozlišení, kterého lze dosáhnout při zobrazování tkáně. Z důvodu těchto omezení bylo při analýze biofluidů a tkání použito několik dalších přístupů bez desorpce / ionizace bez matrice.

Hmotnostní spektrometrie sekundárních iontů (SIMS) byl jedním z prvních přístupů desorpce / ionizace bez matrice používaných k analýze metabolitů z biologických vzorků.[Citace je zapotřebí ] SIMS používá vysokoenergetický paprsek primárních iontů k desorpci a generování sekundárních iontů z povrchu. Primární výhodou SIMS je jeho vysoké prostorové rozlišení (tak malé jako 50 nm), což je silná charakteristika pro zobrazování tkáně s MS. SIMS však musí být snadno použitelný pro analýzu biofluidů a tkání kvůli své omezené citlivosti při> 500 Da a fragmentaci analytu generované vysokoenergetickým primárním iontovým paprskem. Desorpční ionizace elektrosprejem (DESI) je metoda bez matrice pro analýzu biologických vzorků, která využívá nabitý sprej ve spreji k desorpci iontů z povrchu. Výhodou DESI je, že není vyžadován žádný speciální povrch a analýza se provádí při okolním tlaku s plným přístupem ke vzorku během sběru. Omezením DESI je prostorové rozlišení, protože „zaostření“ nabitého spreje s rozpouštědlem je obtížné. Nicméně, nedávný vývoj nazval laserová ablace ESI (LAESI) je slibný přístup k obcházení tohoto omezení.[Citace je zapotřebí ] V poslední době se používají techniky iontové pasti jako orbitrap hmotnostní spektrometrie se také aplikuje na metabolomický výzkum.[53]

Jaderná magnetická rezonance (NMR) spektroskopie je jedinou detekční technikou, která se nespoléhá na separaci analytů, a vzorek lze tedy získat pro další analýzy. Všechny druhy metabolitů s malými molekulami lze měřit současně - v tomto smyslu je NMR téměř univerzálním detektorem. Hlavními výhodami NMR jsou vysoká analytická reprodukovatelnost a jednoduchost přípravy vzorku. Prakticky je to však relativně necitlivé ve srovnání s technikami založenými na hmotnostní spektrometrii.[54][55] Srovnání nejběžnějších metod metabolomiky je uvedeno v tabulce.

Ačkoli jsou nejpoužívanější NMR a MS, používají se moderní metody detekce i jiné metody. Tyto zahrnují Rezonance iontového cyklotronu s Fourierovou transformací,[56] iontově pohyblivá spektrometrie,[57] elektrochemická detekce (spojená s HPLC), Ramanova spektroskopie a radioaktivní značka (v kombinaci s tenkovrstvou chromatografií).[Citace je zapotřebí ]

statistické metody

Seznam softwaru pro metabolomickou analýzu

Data generovaná v metabolomice obvykle sestávají z měření prováděných na subjektech za různých podmínek. Tato měření mohou být digitalizovaná spektra nebo seznam funkcí metabolitů. Ve své nejjednodušší formě to generuje matici s řádky odpovídajícími subjektům a sloupci odpovídajícími vlastnostem metabolitů (nebo naopak).[6] V současné době je k dispozici několik statistických programů pro analýzu jak NMR, tak NMR hmotnostní spektrometrie data. Pro analýzu metabolomických dat uvedených v tabulce je již k dispozici velké množství bezplatného softwaru. Některé statistické nástroje uvedené v tabulce byly navrženy pro analýzu dat NMR a byly také užitečné pro data MS.[58] Pro data hmotnostní spektrometrie je k dispozici software, který identifikuje molekuly, které se liší v skupinách subjektů na základě hodnoty hromadného přebití a někdy retenčního času v závislosti na experimentálním designu.[59]

Jakmile je stanovena datová matice metabolitů, lze k objasnění vzorů a spojení použít techniky bez redukce dat bez dohledu (např. PCA). V mnoha studiích, včetně studií hodnotících toxicitu léků a některých modelů onemocnění, nejsou sledované metabolity známy a priori. Díky tomu jsou metody bez dozoru, ty bez předchozích předpokladů členství ve třídě, populární první volbou. Mezi nejběžnější z těchto metod patří analýza hlavních komponent (PCA), které mohou účinně zmenšit rozměry datové sady na několik, které vysvětlují největší rozdíly.[32] Při analýze v prostoru nižší dimenze PCA lze detekovat shlukování vzorků s podobnými metabolickými otisky prstů. Algoritmy PCA mají za cíl nahradit všechny korelované proměnné mnohem menším počtem nekorelovaných proměnných (označovaných jako hlavní komponenty (PC)) a uchovat většinu informací v původním datovém souboru.[60] Toto seskupení může objasnit vzorce a pomoci při určování biomarkerů onemocnění - metabolitů, které nejvíce korelují s členstvím ve třídě.

Lineární modely se běžně používají pro metabolomická data, ale jsou ovlivněny multicollinearity. Na druhou stranu, statistika s více proměnnými jsou prosperující metody pro vysoce dimenzionální korelovaná metabolomická data, z nichž nejoblíbenější jsou Relace projekce na latentní struktury (PLS) a jeho klasifikační verze PLS-DA. jiný dolování dat metody, jako je náhodný les, podpůrné vektorové stroje, atd. je věnována zvýšená pozornost necílené metabolomické analýze dat.[61] V případě jednorozměrných metod se proměnné analyzují jedna po druhé pomocí klasických statistických nástrojů (např Studentův t-test, ANOVA nebo smíšené modely) a pouze tyto s dostatečně malými hodnotami p jsou považovány za relevantní.[31] Ke snížení počtu falešných objevů by však měly být použity strategie korekce více srovnání jsou prováděny. Pro vícerozměrná analýza, modely by měly být vždy validovány, aby bylo zajištěno zobecnění výsledků.

Strojové učení je také mocný nástroj, který lze použít v metabolomatické analýze. V poslední době autoři článku publikovaného v Analytická chemie, vyvinul software pro predikci retenční doby s názvem Retip. Tento nástroj vyvinutý ve spolupráci s NGALAB, Centrum metabolomiky na západním pobřeží a Riken zmocněte všechny laboratoře k použití umělé inteligence k predikci retenčního času malých molekul ve složité matrici, jako je lidská plazma, rostliny, potraviny nebo mikroby. Predikce retenčního času zvyšuje rychlost identifikace v kapalinové chromatografii a následně vede ke zlepšené biologické interpretaci metabolomických dat[62].

Klíčové aplikace

Toxicita Posouzení/toxikologie metabolickým profilem (zejména vzorků moči nebo krevní plazmy) detekuje fyziologické změny způsobené toxickým poškozením chemické látky (nebo směsi chemických látek). V mnoha případech mohou pozorované změny souviset se specifickými syndromy, např. specifická léze v játrech nebo ledvinách. To má zvláštní význam pro farmaceutické společnosti, které chtějí otestovat toxicitu potenciálu lék kandidáti: pokud lze sloučeninu vyloučit dříve, než dosáhne klinické testy z důvodu nepříznivé toxicity šetří enormní výdaje za pokusy.[43]

Pro funkční genomika, metabolomika může být vynikajícím nástrojem pro stanovení fenotyp způsobené genetickou manipulací, jako je delece nebo inzerce genu. Někdy to může být dostatečný cíl sám o sobě - ​​například detekovat jakékoli fenotypové změny v geneticky modifikované rostlině určené k lidské nebo zvířecí spotřebě. Vzrušující je vyhlídka na předpovídání funkce neznáma geny srovnáním s metabolickými poruchami způsobenými delecí / inzercí známých genů. Takový pokrok pravděpodobně přijde modelové organismy jako Saccharomyces cerevisiae a Arabidopsis thaliana. The Laboratoř Cravatt na Výzkumný ústav Scripps nedávno použil tuto technologii na savčí systémy, identifikace N-acyltauriny jako dříve necharakterizované endogenní substráty pro enzym amid mastné kyseliny hydroláza (FAAH) a monoalkylglycerolethery (MAGE) jako endogenní substráty pro necharakterizované hydroláza KIAA1363.[63][64]

Metabologenomika je nový přístup k integraci metabolomiky a genomických dat korelací mikrobiálně exportovaných metabolitů s předpokládanými biosyntetickými geny.[65] Tato metoda párování založená na bioinformatice umožňuje objevování přírodních produktů ve větším měřítku zdokonalením necílených metabolomických analýz k identifikaci malých molekul se související biosyntézou a zaměření na ty, které nemusí mít dříve dobře známé struktury.

Fluxomika je další rozvoj metabolomiky. Nevýhodou metabolomiky je, že poskytuje uživateli pouze informace na úrovni ustáleného stavu, zatímco fluxomika určuje rychlost reakce metabolických reakcí a může v průběhu času sledovat metabolity v biologickém systému.

Nutrigenomika je zobecněný pojem, který spojuje genomiku, transkriptomiku, proteomiku a metabolomiku s výživou člověka. Obecně je metabolom v dané tělesné tekutině ovlivňován endogenními faktory, jako je věk, pohlaví, složení těla a genetika, jakož i základními patologiemi. Mikroflóra tlustého střeva je také velmi významným potenciálním zdrojem zmatku metabolických profilů a lze ji klasifikovat jako endogenní nebo exogenní faktor. Hlavními exogenními faktory jsou strava a léky. Dieta může být rozdělena na živiny a jiné než živiny. Metabolomika je jedním z prostředků k určení biologického koncového bodu nebo metabolického otisku prstu, který odráží rovnováhu všech těchto sil na metabolismus jedince.[66]

Viz také

Reference

  1. ^ Daviss B (duben 2005). „Rostoucí bolesti pro metabolomiku“. Vědec. 19 (8): 25–28.
  2. ^ Jordan KW, Nordenstam J, Lauwers GY, Rothenberger DA, Alavi K, Garwood M, Cheng LL (březen 2009). "Metabolomická charakterizace lidského rektálního adenokarcinomu s neporušenou tkáňovou magnetickou rezonanční spektroskopií". Nemoci tlustého střeva a konečníku. 52 (3): 520–5. doi:10.1007 / DCR.0b013e31819c9a2c. PMC  2720561. PMID  19333056.
  3. ^ Hollywood K, Brison DR, Goodacre R (září 2006). „Metabolomika: současné technologie a budoucí trendy“. Proteomika. 6 (17): 4716–23. doi:10.1002 / pmic.200600106. PMID  16888765. S2CID  14631544.
  4. ^ Gates SC, Sweeley CC (říjen 1978). "Kvantitativní metabolické profilování založené na plynové chromatografii". Klinická chemie. 24 (10): 1663–73. doi:10.1093 / clinchem / 24.10.1663. PMID  359193.
  5. ^ Preti, George (6. června 2005). „Metabolomika dospívá?“. Vědec. 19 (11): 8.
  6. ^ A b C Van der greef a Smilde, J Chemomet, (2005) 19: 376-386
  7. ^ Shapiro I, Kavkalo DN, Petrova GV, Ganzin AP (2008). „[Angioleiomyom mezenterií tlustého střeva komplikovaný difuzní peritonitidou]“. Sovetskaia Meditsina. 866 (9): 26–47. doi:10.1016 / j.jchromb.2007.10.007. PMC  2603028. PMID  18551752.
  8. ^ Griffiths WJ, Wang Y (červenec 2009). „Hmotnostní spektrometrie: od proteomiky k metabolomice a lipidomice“. Recenze chemické společnosti. 38 (7): 1882–96. doi:10.1039 / b618553n. PMID  19551169. S2CID  12237358.
  9. ^ Hoult DI, Busby SJ, Gadian DG, Radda GK, Richards RE, Seeley PJ (listopad 1974). "Pozorování tkáňových metabolitů pomocí 31P nukleární magnetické rezonance". Příroda. 252 (5481): 285–7. Bibcode:1974Natur.252..285H. doi:10.1038 / 252285a0. PMID  4431445. S2CID  4291661.
  10. ^ Nicholson JK, Lindon JC (říjen 2008). "Systémová biologie: metabonomika". Příroda. 455 (7216): 1054–6. Bibcode:2008Natur.455.1054N. doi:10.1038 / 4551054a. PMID  18948945. S2CID  4411723.
  11. ^ Holmes E, Antti H (prosinec 2002). „Chemometrické příspěvky k vývoji metabonomiky: matematická řešení pro charakterizaci a interpretaci komplexních biologických NMR spekter“. Analytik. 127 (12): 1549–57. Bibcode:2002Ana ... 127.1549H. doi:10.1039 / b208254n. PMID  12537357.
  12. ^ Lenz EM, Wilson ID (únor 2007). "Analytické strategie v metabonomice". Journal of Proteome Research. 6 (2): 443–58. doi:10.1021 / pr0605217. PMID  17269702.
  13. ^ Cravatt BF, Prospero-Garcia O, Siuzdak G, Gilula NB, Henriksen SJ, Boger DL, Lerner RA (červen 1995). "Chemická charakterizace rodiny mozkových lipidů, které indukují spánek". Věda. 268 (5216): 1506–9. Bibcode:1995Sci ... 268.1506C. doi:10.1126 / science.7770779. PMID  7770779.
  14. ^ A b Smith CA, O'Maille G, Want EJ, Qin C, Trauger SA, Brandon TR a kol. (Prosinec 2005). Msgstr "METLIN: hmotnostní spektrální databáze metabolitů". Terapeutické monitorování léčiv. 27 (6): 747–51. doi:10.1097 / 01.ftd.0000179845.53213.39. PMID  16404815. S2CID  14774455.
  15. ^ A b Guijas C, Montenegro-Burke JR, Domingo-Almenara X, Palermo A, Warth B, Hermann G a kol. (Březen 2018). „METLIN: Technologická platforma pro identifikaci známých a neznámých“. Analytická chemie. 90 (5): 3156–3164. doi:10.1021 / acs.analchem.7b04424. PMC  5933435. PMID  29381867.
  16. ^ A b Smith CA, Want EJ, O'Maille G, Abagyan R, Siuzdak G (únor 2006). "XCMS: zpracování dat hmotnostní spektrometrie pro profilování metabolitů pomocí nelineárního vyrovnání píku, shody a identifikace". Analytická chemie. 78 (3): 779–87. doi:10.1021 / ac051437y. PMID  16448051.
  17. ^ A b Tautenhahn R, Patti GJ, Rinehart D, Siuzdak G (červen 2012). „XCMS Online: webová platforma pro zpracování necílených metabolomických dat“. Analytická chemie. 84 (11): 5035–9. doi:10.1021 / ac300698c. PMC  3703953. PMID  22533540.
  18. ^ A b Wishart DS, Tzur D, Knox C, Eisner R, Guo AC, Young N a kol. (Leden 2007). „HMDB: databáze lidských metabolomů“. Výzkum nukleových kyselin. 35 (Problém s databází): D521-6. doi:10.1093 / nar / gkl923. PMC  1899095. PMID  17202168.
  19. ^ Wishart DS, Knox C, Guo AC, Eisner R, Young N, Gautam B a kol. (Leden 2009). „HMDB: znalostní databáze lidského metabolomu“. Výzkum nukleových kyselin. 37 (Problém s databází): D603-10. doi:10.1093 / nar / gkn810. PMC  2686599. PMID  18953024.
  20. ^ Farag MA, Huhman DV, Dixon RA, Sumner LW (únor 2008). „Metabolomika odhaluje nové cesty a diferenciální mechanické a elicitorově specifické reakce v biosyntéze fenylpropanoidů a isoflavonoidů v buněčných kulturách Medicago truncatula“. Fyziologie rostlin. 146 (2): 387–402. doi:10.1104 / pp.107.108431. PMC  2245840. PMID  18055588.
  21. ^ „www.Plantmetabolomics.org“. 7. listopadu 2012. Archivovány od originál dne 7. 11. 2012. Citováno 20. května 2020.
  22. ^ A b Morrow Jr KJ (1. dubna 2010). „Mass Spec Central to Metabolomics“. Novinky z genetického inženýrství a biotechnologie. 30 (7). p. 1. Archivováno z původního dne 28. června 2010. Citováno 28. června 2010.
  23. ^ „Analýza metabolických produktů v reálném čase“. phys.org. Citováno 20. května 2020.
  24. ^ A b Querengesser, Lori; Vogel, Hans J .; Sykes, Brian D .; Marrie, Tom; Li, Liang; Greiner, Russ; Clive, Derrick; Bamforth, Fiona; Dowlatabadi, Reza (01.01.2007). "HMDB: databáze lidských metabolomů". Výzkum nukleových kyselin. 35 (doplněk_1): D521 – D526. doi:10.1093 / nar / gkl923. ISSN  0305-1048. PMC  1899095. PMID  17202168.
  25. ^ Oliver SG, Winson MK, Kell DB, Baganz F (září 1998). "Systematická funkční analýza genomu kvasinek". Trendy v biotechnologii. 16 (9): 373–8. doi:10.1016 / S0167-7799 (98) 01214-1. PMID  9744112.
  26. ^ Griffin JL, Vidal-Puig A (červen 2008). „Současné výzvy v metabolomice pro výzkum diabetu: životně důležitý funkční genomický nástroj nebo jen trik pro získání financování?“. Fyziologická genomika. 34 (1): 1–5. doi:10.1152 / physiolgenomics.00009.2008. PMID  18413782. S2CID  9416755.
  27. ^ HMDB 3.0 - databáze lidského metabolomu v roce 2013.
  28. ^ Pearson H (březen 2007). "Seznamte se s lidským metabolomem". Příroda. 446 (7131): 8. Bibcode:2007Natur.446 .... 8P. doi:10.1038 / 446008a. PMID  17330009. S2CID  2235062.
  29. ^ De Luca V, St Pierre B (duben 2000). "Buněčná a vývojová biologie biosyntézy alkaloidů". Trendy ve vědě o rostlinách. 5 (4): 168–73. doi:10.1016 / S1360-1385 (00) 01575-2. PMID  10740298.
  30. ^ Griffin JL, Shockcor JP (červenec 2004). "Metabolické profily rakovinných buněk". Recenze přírody. Rakovina. 4 (7): 551–61. doi:10.1038 / nrc1390. PMID  15229480. S2CID  527894.
  31. ^ A b Ulaszewska, Marynka M .; Weinert, Christoph H .; Trimigno, Alessia; Portmann, Reto; Andres Lacueva, Cristina; Badertscher, René; Brennan, Lorraine; Brunius, Carl; Bub, Achim; Capozzi, Francesco; Cialiè Rosso, Marta; Cordero, Chiara E .; Daniel, Hannelore; Durand, Stéphanie; Egert, Bjoern; Ferrario, Paola G .; Feskens, Edith J.M .; Franceschi, Pietro; Garcia-Aloy, Mar; Giacomoni, Franck; Giesbertz, Pieter; González-Domínguez, Raúl; Hanhineva, Kati; Hemeryck, Lieselot Y .; Kopka, Joachim; Kulling, Sabine E .; Llorach, Rafael; Manach, Claudine; Mattivi, Fulvio; et al. (2019). „Nutrimetabolomics: Integrative Action for Metabolomic Analyses in Human Nutrition Studies“. Molekulární výživa a výzkum potravin. 63 (1): 1800384. doi:10.1002 / mnfr.201800384. PMID  30176196.
  32. ^ A b Nicholson JK, Wilson ID (srpen 2003). „Názor: porozumění„ globální “biologii systémů: metabonomika a kontinuum metabolismu“. Recenze přírody. Objev drog. 2 (8): 668–76. doi:10.1038 / nrd1157. PMID  12904817. S2CID  23743031.
  33. ^ Dettmer, Katja; Aronov, Pavel A .; Houpací síť, Bruce D. (2007). „Metabolomika založená na hmotnostní spektrometrii“. Recenze hmotnostní spektrometrie. 26 (1): 51–78. Bibcode:2007MSRv ... 26 ... 51D. doi:10.1002 / mas.20108. ISSN  0277-7037. PMC  1904337. PMID  16921475.
  34. ^ Nicholson JK, Foxall PJ, Spraul M, Farrant RD, Lindon JC (březen 1995). „750 MHz 1H a 1H-13C NMR spektroskopie lidské krevní plazmy“. Analytická chemie. 67 (5): 793–811. doi:10.1021 / ac00101a004. PMID  7762816.
  35. ^ Bentley R (1999). "Sekundární metabolit biosyntéza: první století". Kritické recenze v biotechnologii. 19 (1): 1–40. doi:10.1080/0738-859991229189. PMID  10230052.
  36. ^ Nordström A, O'Maille G, Qin C, Siuzdak G (květen 2006). „Nelineární sladění dat pro metabolomiku založenou na UPLC-MS a HPLC-MS: kvantitativní analýza endogenních a exogenních metabolitů v lidském séru“. Analytická chemie. 78 (10): 3289–95. doi:10.1021 / ac060245f. PMC  3705959. PMID  16689529.
  37. ^ Lin, Weifeng; Conway, Louis P .; Block, Annika; Sommi, Greta; Vujasinovic, Miroslav; Löhr, J.-Matthias; Globisch, Daniel (2. června 2020). „Citlivá hmotnostní spektrometrická analýza karbonylových metabolitů ve vzorcích lidské moči a stolice pomocí chemoselektivní modifikace“. Analytik. 145 (11): 3822–3831. Bibcode:2020Ana ... 145.3822L. doi:10.1039 / D0AN00150C. PMID  32393929.
  38. ^ Crockford DJ, Maher AD, Ahmadi KR, Barrett A, Plumb RS, Wilson ID, Nicholson JK (září 2008). „1H NMR a UPLC-MS (E) statistická heterospektroskopie: charakterizace metabolitů léčiv (xenometabolome) v epidemiologických studiích“. Analytická chemie. 80 (18): 6835–44. doi:10,1021 / ac801075m. PMID  18700783.
  39. ^ Nicholson JK (2006). „Globální biologie systémů, personalizovaná medicína a molekulární epidemiologie“. Molekulární biologie systémů. 2 (1): 52. doi:10.1038 / msb4100095. PMC  1682018. PMID  17016518.
  40. ^ Nicholson JK, Lindon JC, Holmes E (listopad 1999). "'Metabonomics ': pochopení metabolických reakcí živých systémů na patofyziologické podněty prostřednictvím vícerozměrné statistické analýzy biologických NMR spektroskopických údajů “. Xenobiotica; Osud cizích sloučenin v biologických systémech. 29 (11): 1181–9. doi:10.1080/004982599238047. PMID  10598751.
  41. ^ Nicholson JK, Connelly J, Lindon JC, Holmes E (únor 2002). „Metabonomika: platforma pro studium toxicity léků a genové funkce“. Recenze přírody. Objev drog. 1 (2): 153–61. doi:10.1038 / nrd728. PMID  12120097. S2CID  17881327.
  42. ^ Holmes E, Wilson ID, Nicholson JK (září 2008). "Metabolické fenotypování ve zdraví a nemoci". Buňka. 134 (5): 714–7. doi:10.1016 / j.cell.2008.08.026. PMID  18775301. S2CID  6677621.
  43. ^ A b Robertson DG (červen 2005). „Metabonomics in toxicology: a review“. Toxikologické vědy. 85 (2): 809–22. doi:10.1093 / toxsci / kfi102. PMID  15689416.
  44. ^ Silva LP, Northen TR (srpen 2015). „Exometabolomics and MSI: deconstructing how cells interact to transform their small molecule environment“. Aktuální názor na biotechnologie. Elsevier BV. 34: 209–16. doi:10.1016 / j.copbio.2015.03.015. PMID  25855407.
  45. ^ Dettmer K, Aronov PA, Hammock BD (2007). „Metabolomika založená na hmotnostní spektrometrii“. Recenze hmotnostní spektrometrie. 26 (1): 51–78. Bibcode:2007MSRv ... 26 ... 51D. doi:10.1002 / mas.20108. PMC  1904337. PMID  16921475.
  46. ^ Rasmiena AA, Ng TW, Meikle PJ (březen 2013). "Metabolomika a ischemická choroba srdeční". Klinická věda. 124 (5): 289–306. doi:10.1042 / CS20120268. PMID  23157406.
  47. ^ Ogbaga CC, Stepien P, Dyson BC, Rattray NJ, Ellis DI, Goodacre R, Johnson GN (6. května 2016). „Biochemické analýzy odrůd čiroku odhalují rozdílné reakce na sucho“. PLOS ONE. 11 (5): e0154423. Bibcode:2016PLoSO..1154423O. doi:10.1371 / journal.pone.0154423. PMC  4859509. PMID  27153323.
  48. ^ "Informace o plynové chromatografii a hmotnostní spektrometrii (GC-MS) | Thermo Fisher Scientific - USA". www.thermofisher.com. Citováno 2018-09-26.
  49. ^ Gika HG, Theodoridis GA, Wingate JE, Wilson ID (srpen 2007). "Reprodukovatelnost metody metabonomické analýzy založená na HPLC-MS za den: aplikace na lidskou moč". Journal of Proteome Research. 6 (8): 3291–303. doi:10.1021 / pr070183p. PMID  17625818.
  50. ^ Soga T, Ohashi Y, Ueno Y, Naraoka H, Tomita M, Nishioka T (September 2003). "Quantitative metabolome analysis using capillary electrophoresis mass spectrometry". Journal of Proteome Research. 2 (5): 488–94. doi:10.1021/pr034020m. PMID  14582645.
  51. ^ Northen TR, Yanes O, Northen MT, Marrinucci D, Uritboonthai W, Apon J, et al. (Říjen 2007). "Clathrate nanostruktury pro hmotnostní spektrometrii". Příroda. 449 (7165): 1033–6. Bibcode:2007Natur.449.1033N. doi:10.1038 / nature06195. PMID  17960240. S2CID  4404703.
  52. ^ Woo HK, Northen TR, Yanes O, Siuzdak G (July 2008). "Nanostructure-initiator mass spectrometry: a protocol for preparing and applying NIMS surfaces for high-sensitivity mass analysis". Přírodní protokoly. 3 (8): 1341–9. doi:10.1038/NPROT.2008.110. PMID  18714302. S2CID  20620548.
  53. ^ Ghaste, Manoj; Mistrik, Robert; Shulaev, Vladimir (June 2016). "Applications of Fourier Transform Ion Cyclotron Resonance (FT-ICR) and Orbitrap Based High Resolution Mass Spectrometry in Metabolomics and Lipidomics". International Journal of Molecular Sciences. 17 (6): 816. doi:10.3390/ijms17060816. PMC  4926350. PMID  27231903.
  54. ^ Griffin JL (October 2003). "Metabonomics: NMR spectroscopy and pattern recognition analysis of body fluids and tissues for characterisation of xenobiotic toxicity and disease diagnosis". Aktuální názor na chemickou biologii. 7 (5): 648–54. doi:10.1016/j.cbpa.2003.08.008. PMID  14580571.
  55. ^ Beckonert O, Keun HC, Ebbels TM, Bundy J, Holmes E, Lindon JC, Nicholson JK (2007). "Metabolic profiling, metabolomic and metabonomic procedures for NMR spectroscopy of urine, plasma, serum and tissue extracts". Přírodní protokoly. 2 (11): 2692–703. doi:10.1038/nprot.2007.376. PMID  18007604. S2CID  205463871.
  56. ^ Habchi, Baninia; Alves, Sandra; Jouan-Rimbaud Bouveresse, Delphine; Appenzeller, Brice; Paris, Alain; Rutledge, Douglas N.; Rathahao-Paris, Estelle (2018-01-01). "Potential of dynamically harmonized Fourier transform ion cyclotron resonance cell for high-throughput metabolomics fingerprinting: control of data quality". Analytická a bioanalytická chemie. 410 (2): 483–490. doi:10.1007/s00216-017-0738-3. ISSN  1618-2650. PMID  29167936. S2CID  3769892.
  57. ^ King, Adam M.; Mullin, Lauren G.; Wilson, Ian D .; Coen, Muireann; Rainville, Paul D.; Plumb, Robert S .; Gethings, Lee A.; Maker, Garth; Trengove, Robert (2019-01-22). "Development of a rapid profiling method for the analysis of polar analytes in urine using HILIC–MS and ion mobility enabled HILIC–MS". Metabolomika. 15 (2): 17. doi:10.1007/s11306-019-1474-9. ISSN  1573-3890. PMC  6342856. PMID  30830424.
  58. ^ Sugimoto M, Kawakami M, Robert M, Soga T, Tomita M (March 2012). "Bioinformatics Tools for Mass Spectroscopy-Based Metabolomic Data Processing and Analysis". Současná bioinformatika. 7 (1): 96–108. doi:10.2174/157489312799304431. PMC  3299976. PMID  22438836.
  59. ^ Spicer R, Salek RM, Moreno P, Cañueto D, Steinbeck C (2017). "Navigating freely-available software tools for metabolomics analysis". Metabolomika. 13 (9): 106. doi:10.1007/s11306-017-1242-7. PMC  5550549. PMID  28890673.
  60. ^ Ren S, Hinzman AA, Kang EL, Szczesniak RD, Lu LJ (December 2015). "Computational and statistical analysis of metabolomics data". Metabolomika. 11 (6): 1492–513. doi:10.1007/s11306-015-0823-6. S2CID  15712363.
  61. ^ Gromski PS, Muhamadali H, Ellis DI, Xu Y, Correa E, Turner ML, Goodacre R (2015). "A tutorial review: Metabolomics and partial least squares-discriminant analysis – a marriage of convenience or a shotgun wedding". Analytica Chimica Acta. 879: 10–23. doi:10.1016/j.aca.2015.02.012. PMID  26002472.
  62. ^ Bonini, Paolo; Kind, Tobias; Tsugawa, Hiroshi; Barupal, Dinesh Kumar; Fiehn, Oliver (2020-05-10). "Retip: retention time prediction for compound annotation in untargeted metabolomics". Analytická chemie. 92 (11): 7515–7522. doi:10.1021/acs.analchem.9b05765. ISSN  0003-2700. PMID  32390414.
  63. ^ Saghatelian A, Trauger SA, Want EJ, Hawkins EG, Siuzdak G, Cravatt BF (November 2004). "Assignment of endogenous substrates to enzymes by global metabolite profiling" (PDF). Biochemie. 43 (45): 14332–9. doi:10.1021/bi0480335. PMID  15533037.
  64. ^ Chiang KP, Niessen S, Saghatelian A, Cravatt BF (October 2006). "An enzyme that regulates ether lipid signaling pathways in cancer annotated by multidimensional profiling". Chemie a biologie. 13 (10): 1041–50. doi:10.1016/j.chembiol.2006.08.008. PMID  17052608.
  65. ^ Goering AW, McClure RA, Doroghazi JR, Albright JC, Haverland NA, Zhang Y, et al. (Únor 2016). "Metabologenomics: Correlation of Microbial Gene Clusters with Metabolites Drives Discovery of a Nonribosomal Peptide with an Unusual Amino Acid Monomer". ACS Central Science. 2 (2): 99–108. doi:10.1021/acscentsci.5b00331. PMC  4827660. PMID  27163034.
  66. ^ Gibney MJ, Walsh M, Brennan L, Roche HM, German B, van Ommen B (September 2005). "Metabolomics in human nutrition: opportunities and challenges". American Journal of Clinical Nutrition. 82 (3): 497–503. doi:10.1093/ajcn/82.3.497. PMID  16155259.

Další čtení

externí odkazy