大连代谢组学的使用与发展 热心肠日

代谢组学的使用与发展

今天是第1293期日报。

代谢组学分析流程的发展近果

Analytical Chemistry[IF:6.35]

① 分析方法极大的影响代谢组学发展，新近发展的分离技术结合质谱法（MS）可帮助更精准的分析；② 血液、尿液、粪样有较统一的取样流程，而组织和细胞没有，提取代谢物时选择对应极性或混合型提取液；③ 气相色谱（GC-MS）、毛细管电泳质谱（CE-MS）和手性分析是多靶向代谢组学的新技术；④ MS产生的大数据需数据预处理并选择和生物学信息相关的变量；⑤ GC-MS代谢物鉴定常用NIST和Fiehn数据库，LC-MS和CE-MS鉴定常用MassTRIX、XCMS和MassBank等。

Recent Developments along the Analytical Process for Metabolomics Workflows
10-18, doi: 10.1021/acs.analchem.9b04553

【主编评语】代谢物自身具有不同的生化性质和浓度范围，因此分析方法对代谢组分析的结果影响巨大。本文主要介绍了代谢组学研究方法（尤其是质谱法）发展的三个方面：1）样品搜集和处理；2）分析工具的发展；3）数据挖掘方法和物质鉴定的未来发展趋势。（@潇洒小姐陈）

mmvec神经元网络算法评估微生物-代谢物的互作

Nature Methods[IF:28.467]

① 神经元网络‘mmvec’（https://github.com/biocore/mmvec）能在已知特定微生物序列量的情况下评估某种代谢物出现的概率，并通过降维界面使将大量多组学数据可读，优于Spearman's等常用方法；② 以肺部囊肿纤维化和炎症性肠病为例的临床数据显示，mmvec对微生物-互作分析的特异性和准确度最佳，且能检测出已知的微生物-代谢物互作；③ mmvec能合理化环境研究中微生物-代谢物互作的异常差异，且能确定小鼠体内特定代谢物的微生物来源，

Learning representations of microbemetabolite interactions
11-04, doi: 10.1038/s41592-019-0616-3

【主编评语】Nature Methods的这篇文章介绍了神经元网络mmvec在多组学研究中的使用。传统的统计学方法过度简化数据，容易造成大量假阳性结果，而微生物组和代谢组数据均为成分性数据，更加剧了分析误差的可能性。作者Rob Knight团队提出的mmvec神经元网络能够通过学习代谢物和微生物同时出现的概率，对代谢物与微生物互作进行评级，并可视化显示分析结果。作者随后对mmvec进行使用验证，证明mmvec在分析效用上显著优于目前常用方法。推荐需要多组学分析研究的读者尝试（https://github.com/biocore/mmvec）（@潇洒小姐陈）

国内团队：代谢组与微生物组互相关性的分析方法-GRaMM

Analytical Chemistry[IF:6.35]

① 文章提出了一种识别代谢组与微生物互相关性的方法，叫做代谢组和微生物组的广义相关分析（GRaMM）；② GRaMM包括4个步骤：代谢物和微生物的数据处理，线性或非线性识别，数据校正和相关计算，p值矫正；③ GRaMM可以通过整合典型线性回归、新兴最大信息系数、代谢混杂效应消除、归一计算、稀疏和集中log-ratio转换，合理处理两类组学数据、干扰因子的影响以及线性/非线性相关；④ 已有相应的Matlab代码和R操作包供使用。

A Strategy for Inter-correlation Identification between Metabolome and Microbiome
10-22, doi: 10.1021/acs.analchem.9b02948

【主编评语】Analytical Chemistry近期发表了上海交大附属第六人民医院陈天璐、贾伟与团队的研究，首次提出了一种识别代谢组与微生物互相关性的方法，称为“代谢组和微生物组的广义相关分析”（GRaMM），主要通过整合现有分析方法，消除混杂，从而能够尽可能精确地捕捉代谢物与微生物的相关关系。文章还将其与斯皮尔曼相关系数、线性回归系数以及新兴最大信息系数三种方法进行了对比，表明了GRaMM的实际可应用性。（@兵兵）

本文地址：http://ltwc.86106666.com/yydt/202004257305.html 转载请注明出处!