结合核磁共振技术与液质联用技术的代谢组学数据采集、处理和分析

代谢组学是近年来新兴起来的一门"组学"学科,主要研究不同状态下,如正常与应激、健康与疾病、野生型与基因突变型,生物系统内所有小分子代谢物(M.W.1500 Da)的变化,对其进行定性鉴定和定量分析,目的是发现和鉴别差异代谢物,揭示差异代谢物在不同状态下生物系统中的产生途径及其作用。代谢组学研究通常包括样品制备、数据采集、数据(预)处理和多变量分析等步骤,正确的数据采集、处理和分析是获得具有统计意义结果的前提。核磁共振技术(nuclear magnetic resonance,NMR)和液质联用技术(liquid chromatography-mass spectroscopy,LC-MS)是代谢组学研究的两种最主要分析手段。本文将主要针对结合NMR和LC-MS两种技术进行代谢组学研究的数据采集、处理、分析进行综述,并展望NMR和LC-MS两种技术在代谢组学领域的发展前景。     

基于NMR的代谢组学研究中样品的预处理方法

在代谢组学研究中,核肱共振作为分析平台之一,其样品预处理方法简单,且可处理多种样品,如动物和人的各种组织体液等。样品收集和预处理是整个代谢组学研究的基础阶段,本文就核磁共振样品预处理做一小结以供参考。     

NMR代谢组学技术在环境污染评价中的应用

随着环境污染日益严重,对环境污染评价的研究亦愈发深入。基于核磁共振(Nuclear Magnetic Resonance,NMR)代谢组学是近年发展起来的一种新型环境污染评价方法,它是以核磁共振为技术手段,从生物角度研究生物体暴露在环境污染物下,生物体内源性代谢产物谱的变化,以期预警环境污染的程度。本文将综述基于核磁共振的代谢组学在环境污染评价上的原理、研究思路、以及国内外研究新进展。     

基于GC-MS的黄曲霉毒素致犬肝损伤的代谢组学研究

运用代谢组学方法研究了黄曲霉毒素(AF)对犬肝脏的损伤作用。通过气相色谱-质谱技术分析AF中毒犬血浆中的代谢物谱,使用主成分分析法研究犬AF中毒后血浆内源性代谢物谱的变化情况。结果表明,犬AF中毒后,血浆内源性代谢物谱随中毒时间的推移发生了相应的变化。血浆中的部分氨基酸(如L-异亮氨酸、甘氨酸、L-苏氨酸等)含量升高,葡萄糖、胆固醇以及部分游离脂肪酸(如软脂酸、硬脂酸等)含量下降。这些代谢物的变化与肝脏的损伤程度存在着一定的关系,而且其变化趋势与血液生化指标检测结果一致。由此可见,基于GC-MS的代谢组学技术能较全面地反应生物体的代谢状态,再结合主成分分析法对血浆代谢物的变化进行模式识别,有助于AF中毒的早期诊断。     

核磁共振联用技术在代谢物结构研究中的应用

核磁共振联用技术是体内药物代谢产物结构鉴定的强大工具。本文综述固相萃取-核磁共振、液相色谱-核磁共振、液相色谱-核磁共振-质谱等联用技术在研究生物样品中代谢物结构的应用。     

基于高分辨质谱的代谢组学分析技术研究进展

代谢组学研究的目标是对生物体系中所有内源小分子代谢物进行全面的定性和定量表征。由于代谢物组成复杂、种类繁多、理化性质各异、且浓度差异大,给分析工作带来了极大的挑战。高分辨质谱因具有高灵敏度、高质量分辨率和质量精度、宽动态范围等优势,已成为代谢组学研究的主流分析工具。本文综述了近5年来基于高分辨质谱的代谢组学分析技术和方法的最新进展,包括微纳液相色谱、多维色谱与高分辨质谱联用、直接进样高分辨质谱、高分辨质谱成像技术及代谢物定性策略等,并对其发展前景进行展望。     

基于质谱技术的代谢组学在体外药物肝毒性评价中的研究进展

药物肝毒性是药物安全性评价的重要内容之一，研发早期对药物及其代谢产物潜在的肝毒性进行准确预测和评价，可以提高药物研发的成功率。将代谢组学技术与体外细胞模型相结合，以细胞代谢表型的变化为指标直接反映药物的毒性效应及毒性机制，能够改善临床前药物肝毒性的预测准确性，在药物肝毒性筛选研究中极具应用价值和发展潜力。本文综述了目前肝毒性研究中的细胞模型与培养方法，介绍了三维细胞培养模型在体外研究中的优势，并总结了基于质谱技术的代谢组学研究在体外细胞模型中的分析策略及其在药物肝毒性评价中的应用，其中基于质谱成像技术的空间分辨代谢组学方法在体外细胞模型研究中具有独特优势，有望发展成为体外肝毒性研究的有力工具。     

基于色谱质谱联用技术的定量代谢组学研究

代谢组学是研究生物体系受到内在和外在因素刺激产生的内源性代谢变化的一门学科,可以对那些能描述代谢循环情况的关键化合物进行定性和定量分析[1],已经成为生命科学领域一个对复杂系统进行研究的重要的、有价值的工具。 近几年来, 代谢组学正朝着整合一体化、定量化和标准化的方向发展[2]。但其发展也存在着一些问题,代谢组学的最高目标是要实现所有代谢物的定性定量,为复杂系统的研究提供一种“全景模式（panorama）”,但是由于现阶段分析技术的局限性,当前代谢组学的“全景模式”仍然停留在代谢指纹谱研究阶段,还是一种比较模糊的”全景模式”,难以完全胜任复杂系统的深入研究需要,需要与“特写模式（close-up）”互为补充。 因此,我们建立了一套包含了全景与特写两个模式的定量代谢组学平台技术,一方面,我们进行多个代谢循环的精确定量,这可以对优先关注的代谢循环进行聚焦,对关键生物标志物进行确证并可以详细研究和精确刻画其时空变化规律。另一方面,我们利用代谢指纹图谱进行整体分析,这可以从总体上把握整体轮廓及其代谢演化轨迹,寻找未知生物标志物。将这两者结合,可以达到一个互补的作用,定量代谢组学技术平台对复杂系统的研究和刻画将更全面、更准确。 本文将具体介绍定量代谢组学技术平台应用于糖尿病肾病的研究。根据先验知识,采用多种色谱-质谱联用技术,建立了针对特定代谢循环（包括脂肪酸[3]、磷脂[4]、氨基酸[5]、嘌呤和核苷[6-7]）潜在生物标志物精确定量分析的方法。另外,还利用UPLC-QTOF得到了代谢指纹谱,反映代谢物的整体信息。研究表明,单纯使用任何一个模式或任何一个循环都只能得到一部分的标志物,会造成遗漏。而使用定量代谢组学平台技术,我们可以得到范围更全面的标志物,互相之间也可以做到补充和完善。利用这些标志物,可以对疾病的发生和发展进行预测和判断,还可以通过寻找不同类的生物标志物在生物学上的意义和联系,探索发病的机理,指导临床治疗。     

液相色谱-质谱用于代谢标志物的发现和鉴定

代谢组学是测量相对分子质量1 000以下的内源性代谢物的科学,目前已在疾病研究、药物研发及植物和微生物等领域均得到重视,是研究小分子的一个十分有用的工具。它以组织、体液或细胞为研究对象,最常用的技术是质谱和NMR。一般来说,代谢组学的研究包括样品采集、预处理、代谢组数据采集、多变量数据分析、标志物发现和识别及最终的生物解释。由于缺乏数据库及标样,代谢标志物的识别是研究的一个瓶颈。 在这里,我们将报告一个基于色谱-质谱联用技术的集成识别策略,包括多变量数据分析、精确分子量测定、质谱碎片裂解规律、色谱保留规律、馏分微制备、亲和色谱、酶解等。 药物作用机理和疾病标志物的代谢组学研究将作为例子阐明我们的策略。     

基于离子淌度质谱的代谢物碰撞截面积测量方法和数据库研究进展

代谢组学旨在全面系统地分析复杂生物样本中的代谢物。近年来,离子淌度质谱（IM-MS）技术快速发展,为代谢组学分析提供了强大的技术支撑。离子淌度质谱根据代谢物的化学结构进行气相分离,其衍生的碰撞截面积（CCS）可作为一种新的物理化学性质,辅助用于鉴定已知和未知代谢物的化学结构。碰撞截面积在代谢组学中的应用需要确保对其准确测量,同时需要构建高覆盖、高准确的碰撞截面积数据库。本文旨在介绍常见的不同类型商业化离子淌度质谱及其对小分子代谢物碰撞截面积测量和校正的原理,归纳目前可用于代谢组学应用的碰撞截面积数据库,并展望碰撞截面积在代谢组学中的应用。     

模糊神经网络法及其在缺陷模式识别中的应用

针对冷轧带钢表面缺陷图像模式识别中出现的问题,引入模糊模式识别和反向传播神经网络识别方法.在研究比较两种识别方法的基础上,利用模糊模式识别在剔除噪音数据和反向传播神经网络在模型拟合和非线性识别上的优势,提出一种新的模糊神经网络方法,并详细讨论了算法的结构特点及其实现方法.对五种出现频率较高的典型缺陷图像进行计算机实验研究,结果表明,该方法能对缺陷图像进行有效的识别,具有良好的性能.     

Eight key rules for successful data-dependent acquisition in mass spectrometry-based metabolomics

In recent years, metabolomics has emerged as a pivotal approach for the holistic analysis of metabolites in biological systems. The rapid progress in analytical equipment, coupled to the rise of powerful data processing tools, now provides unprecedented opportunities to deepen our understanding of the relationships between biochemical processes and physiological or phenotypic conditions in living organisms. However, to obtain unbiased data coverage of hundreds or thousands of metabolites remains a challenging task. Among the panel of available analytical methods, targeted and untargeted mass spectrometry approaches are among the most commonly used. While targeted metabolomics usually relies on multiple-reaction monitoring acquisition, untargeted metabolomics use either data-independent acquisition (DIA) or data-dependent acquisition (DDA) methods. Unlike DIA, DDA offers the possibility to get real, selective MS/MS spectra and thus to improve metabolite assignment when performing untargeted metabolomics. Yet, DDA settings are more complex to establish than DIA settings, and as a result, DDA is more prone to errors in method development and application. Here, we present a tutorial which provides guidelines on how to optimize the technical parameters essential for proper DDA experiments in metabolomics applications. This tutorial is organized as a series of rules describing the impact of the different parameters on data acquisition and data quality. It is primarily intended to metabolomics users and mass spectrometrists that wish to acquire both theoretical background and practical tips for developing effective DDA methods.     

Control chart pattern recognition using feature-based learning vector quantization

The reported learning vector quantization (LVQ) network-based control chart pattern (CCP) recognizers in literature use raw process data as the input vector and can recognize six basic CCPs only. In this paper, an LVQ network-based CCP recognizer is presented that can recognize eight basic CCPs, using seven extracted shape features from the pattern data as the input vector. The recognition performance of this recognizer is compared with the LVQ network-based recognizer that uses raw process data as the input vector. The results show that the feature-based recognizer results in substantially better recognition performance than the raw data-based recognizer. The confusion matrix reveals that the recognition performance of the feature-based recognizer can be improved further if any feature that is more powerful in discriminating shift and trend pattern can be identified. Comparison of performances of LVQ network-based and multilayer perceptrons (MLP) network-based recognizers (both using extracted features as input vector) reveals that the LVQ network-based recognizer requires much lesser learning time than the MLP network-based recognizer, but results in little inferior recognition performance.     

基于Kriging函数的KVPMCD在滚动轴承故障诊断中的应用

滚动轴承的故障诊断本质上是模式识别的问题,多变量预测模型(VPMCD)是一种新的模式识别方法,其实质就是通过特征值之间的相互内在关系建立数学模型,并根据数学模型对被诊断轴承的特征值进行预测从而达到模式识别的目的。但是VPMCD分类方法中单纯采用回归模型进行预测,因此当故障特征值之间关系较为复杂时将导致预测精度降低。针对这一缺陷,提出了基于Kriging函数的多变量预测模型(KVPMCD)模式识别方法。Kriging模型由回归模型和相关模型组合而成,其中,相关模型是在全局模型的基础上创建的局部偏差,它恰恰可以揭示特征值之间的空间相关性,从而弥补原VPMCD中单纯采用回归模型的缺点。对UCI标准数据以及滚动轴承实测数据的分析结果表明,KVPMCD模式识别方法比原VPMCD方法可以更加有效地识别滚动轴承的工作状态和故障类型。     

Fuzzy pattern recognition of tungsten inert gas weld quality

In this paper, a fuzzy pattern recognition technique is applied to classifying aluminium weld quality in tungsten inert gas (TIG) welding. The pattern vector includes three components, that is, the front height, the back height, and the front width of weld. Based on the values of the pattern vector, good, fair, and poor weld qualities can be automatically classified by using the fuzzy pattern recognition technique. Experimental results under different welding parameters are presented to illustrate the proposed method.     

基于粒子群理论的板形模糊模式识别方法

带钢板形的模式识别是板形闭环控制的关键环节,板形模式的识别结果直接影响着板形控制精度.随着板形控制手段的不断更新,对板形模式识别方法提出更高的要求.为克服传统板形模式识别方法抗干扰能力差、逼近阶难以确定的缺点,依据模糊分类原理,运用欧式距离的择近原则对板形模式进行分类,完成板形信号的模式识别.在此基础上,为进一步提高识别精度,将20世纪90年代发展起来的具有全局优化能力的粒子群理论应用于板形模式识别,对模式识别的结果进行优化,并将其与单纯形法优化结果进行对比.试验结果证明了粒子群优化算法的有效性,该算法能够提高识别精度,使优化后的结果能更精确地控制板形调控机构,以适应高精度板形控制要求.     

机电设备故障诊断中的模式识别技术

模式识别技术广泛地应用于复杂系统的故障诊断中.简述了复杂机电设备故障诊断中的模式识别技术,建立了一个模式识别故障诊断通用平台.最后以H-L32型卧式数控车床转子为对象,对其各种故障应用模式识别技术进行了诊断,并取得了较好的效果,从而充分证明了模式识别技术在故障诊断中的应用价值.