التنميط غير المستهدف عن طريق الكروماتوغرافيا السائلة فائقة الأداء إلى جانب قياس الطيف الكتلي (UPLC-MS) هي تقنية قوية للتحقيق في عملية التمثيل الغذائي. توضح هذه المقالة سير العمل النموذجي المستخدم في تحديد ملامح الأيض غير المستهدف للمصل بما في ذلك تنظيم العينة وإعدادها ، والحصول على البيانات ، وتحليل البيانات ، ومراقبة الجودة ، وتحديد المستقلب.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة منهجية
نطاق واسع غير المستهدفة التنميط Metabolomic من المصل بواسطة الترا الطيف الأداء اللوني الكتلة السائل (UPLC-MS)
في هذه المقالة
ملخص
الملخص
التنميط غير المستهدف عن طريق الكروماتوغرافيا السائلة فائقة الأداء إلى جانب قياس الطيف الكتلي (UPLC-MS) هي تقنية قوية للتحقيق في عملية التمثيل الغذائي. يقدم هذا النهج تحليلا غير متحيز ومتعمقا يمكن أن يتيح تطوير الاختبارات التشخيصية والعلاجات الجديدة وزيادة فهمنا لعمليات المرض. يخلق التنوع الكيميائي المتأصل في الأيض تحديات تحليلية كبيرة ولا يوجد نهج تجريبي واحد يمكنه اكتشاف جميع المستقلبات. بالإضافة إلى ذلك ، فإن التباين البيولوجي في التمثيل الغذائي الفردي واعتماد التمثيل الغذائي على العوامل البيئية يتطلب أعدادا كبيرة من العينات لتحقيق القوة الإحصائية المناسبة المطلوبة للتفسير البيولوجي الهادف. لمواجهة هذه التحديات ، يحدد هذا البرنامج التعليمي سير عمل تحليلي لتنميط المستقلب غير المستهدف على نطاق واسع للمصل بواسطة UPLC-MS. يتضمن الإجراء مبادئ توجيهية لتنظيم العينات وإعدادها ، والحصول على البيانات ، ومراقبة الجودة ، وتحديد الأيض وسيمكن من الحصول على البيانات بشكل موثوق للتجارب الكبيرة ويوفر نقطة انطلاق للمختبرات الجديدة في توصيف المستقلب غير المستهدف بواسطة UPLC-MS.
المقدمة
يمكن أن يشمل مصطلح "التمثيل الغذائي" أشياء كثيرة. على سبيل المثال ، يمكن إجراء تجربة التمثيل الغذائي باستخدام مجموعة متنوعة من المنصات التحليلية مثل الرنين المغناطيسي النووي وكل من كروماتوغرافيا الغاز و / أو السائل إلى جانب قياس الطيف الكتلي. علاوة على ذلك ، يمكن إجراء تجارب التمثيل الغذائي بطريقة مستهدفة أو غير مستهدفة ، أو مزيج من الاثنين معا. ستتضمن تجربة الأيض المستهدفة تحليلا موجها لمجموعة من الجزيئات المهمة للمسألة البيولوجية المطروحة (على سبيل المثال ، ستسمح الجزيئات الصغيرة المشاركة في دورة TCA بتحديد دقيق لهذا المسار). في هذه الحالة ، تملي الفرضية البيولوجية اختيار المستقلبات التي سيتم استهدافها في التحليل ويتم تحسين الخطوات التحليلية للكشف عن هذه الجزيئات. بدلا من ذلك ، فإن تجربة التمثيل الغذائي غير المستهدفة هي توليد فرضية. في هذه الحالة ، يتم إجراء التجربة بطريقة واسعة وغير متحيزة لتمكين اكتشاف أكبر عدد ممكن من المستقلبات. ستؤدي نتائج تجربة غير مستهدفة إلى الخطوة التالية من البحث (والتي قد تنطوي في كثير من الحالات على سير عمل استقلابات مستهدفة). من الممكن أيضا الجمع بين النهجين ، وفي هذه الحالة يتم إجراء التجربة بطريقة غير مستهدفة بينما يتم في نفس الوقت مراقبة لوحة من الجزيئات المعروفة داخل البيانات.
يركز البرنامج التعليمي المقدم هنا بشكل خاص على توصيف مستقلب المصل غير المستهدف. كما هو موضح أعلاه ، يوفر النهج غير المستهدف رؤية غير متحيزة للمستقلبات القابلة للاكتشاف ، ويمكن أن يولد كميات كبيرة من المعلومات ، ويسمح في النهاية باكتشافات جديدة. أصبح استخدام هذا النهج ، على وجه التحديد باستخدام الكروماتوغرافيا السائلة فائقة الأداء إلى جانب قياس الطيف الكتلي (UPLC-MS) ، منتشرا على نطاق واسع 1 ، 2 ، 3 ويتضمن الخطوات التالية: (1) التصميم التجريبي (2) جمع العينات (3) إعداد العينات (4) الحصول على البيانات بواسطة UPLC-MS (5) المعالجة المسبقة للبيانات (ذروة الكشف والتكامل والمحاذاة والتطبيع) (6) تحليل البيانات الإحصائية (أحادي ومتعدد المتغيرات) (7) تحديد المستقلب و (8) البيولوجي تفسير.
حاليا ، لا توجد طرق قياسية ثابتة لتنميط المستقلب غير المستهدف المستند إلى UPLC-MS وخطوات المعالجة المسبقة للبيانات اللاحقة. يرجع هذا النقص في التوحيد القياسي جزئيا إلى أحد التحديات التحليلية الأساسية لتنميط المستقلب. التنوع الكيميائي للتمثيل الغذائي. بسبب هذا التنوع ، من المستحيل لطريقة استخراج واحدة أو طريقة اكتساب قياس الطيف الكتلي توفير تغطية شاملة لجميع المستقلبات في تحليل واحد. من حيث المفهوم ، يمكن تعظيم تغطية المستقلب باستخدام عمليات استخراج متعددة (مثل المائي ، والميثانول ، والكلوروفورم: الميثانول ، وما إلى ذلك) إلى جانب الظروف الكروماتوغرافية المختلفة (مثل الطور العكسي ، HILIC ، وما إلى ذلك) وأنماط التأين المختلفة (مثل الأيون الموجب ، والأيونات السالبة ، والتأين الكيميائي ، إلخ.). ومع ذلك ، في كثير من الأحيان ، لا يكون لدى الباحثين تحيز محدد مسبقا لفئة كيميائية معينة ، وبالتالي فإن تكلفة إجراء عمليات استخراج متعددة والحصول على الأدوات غير مبررة ، خاصة بالنسبة للتجارب واسعة النطاق. وبالتالي ، تم تصميم الفيديو التعليمي المقدم هنا لتوفير إجراء عام لتنميط المستقلب غير المستهدف على نطاق واسع للمصل بواسطة UPLC-MS. سيمكن المختبرات الجديدة والراسخة من إجراء هذه الأنواع من التجارب واللبنات الأساسية التي يمكنها من خلالها توسيع النهج لأنواع العينات المختلفة أو الفئات الكيميائية المحددة أو التحليل المستهدف. على وجه التحديد ، سيتضمن هذا البروتوكول خطوات: تحضير عينة المصل ، وتنظيم العينات للدراسات واسعة النطاق ، والحصول على بيانات UPLC-MS ، وإجراءات مراقبة الجودة (QC) ، وتحديد مستقلب. كما يتم تقديم استراتيجيات المعالجة المسبقة للبيانات والتحليل الإحصائي.
لن يركز البروتوكول على خطوات التصميم التجريبي أو جمع العينات أو تفسير البيانات البيولوجية لأنه خارج نطاق هذا البرنامج التعليمي. ومع ذلك ، توجد العديد من الموارد في الأدبيات الخاصة بهذه الموضوعات ويشجع المؤلفون الباحثين الجدد في علم التمثيل الغذائي على استكشاف هذه الموضوعات بدقة 4 ، 5 ، 6 ، 7 ، 8 ، 9. على وجه الخصوص ، يعد التصميم التجريبي مهما للغاية وهو أمر بالغ الأهمية لنجاح تجربة الأيض غير المستهدفة. يجب مراعاة عوامل مثل التكرار البيولوجي المناسب والاتساق في إجراءات جمع العينات (مثل الوقت على مقاعد البدلاء ، ودرجة حرارة التخزين ، ووقت التخزين ، والتجميد والذوبان ، وما إلى ذلك) لضمان دراسة قابلة للتطبيق وتسهيل التفسير البيولوجي المناسب للبيانات.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
< p class = "jove_title" >1. نموذج التنظيم
- لإنشاء خريطة لوحة لإعداد العينة في جدول بيانات، أدخل في العمود الأول قائمة نموذجية بترتيب التحميل. في العمود الثاني ، أدخل 96 موقعا للوحة البئر باستخدام التسمية الصحيحة لبرنامج أخذ العينات الآلي الخاص بك.
- حفظ بئر واحد في كل لوحة لعينات مراقبة الجودة.
- إذا كان بإمكان جهاز أخذ العينات التلقائي LC التعامل مع لوحين في وقت واحد ، فقم بفصل قائمة العينات إلى دفعات من 190 واحفظ هذه المعلومات في ورقة عمل ثانية.
- ضمن كل دفعة من هذه الدفعات ، استخدم وظيفة العشوائية [ملاحظة: "= rand ()" في Excel] لترتيب الحقن بشكل عشوائي. الآن انسخ والصق أمر الحقن الخاص بك في نظام برنامج قائمة انتظار عينة LC-MS. يجب أن يحدث التوزيع العشوائي بين الدفعات ، على دفعات ، وأن يكون فريدا عبر تكرارات الحقن.
- قم بإعداد مخزون 10 مل من عينة مراقبة الجودة التي تحتوي على ما لا يقل عن أربعة مركبات من الكتلة المعروفة ووقت الاحتفاظ التي تمتد على الشطف الكروماتوجرافي للتجربة. (ملاحظة: الكافيين ، الريزيربين ، السلفاديميثوكسين ، والتيرفينادين بتركيز 2 ميكروغرام / مل لكل منهما).
- قم بإذابة عينات المصل على الثلج ودوامة برفق لمدة ~ 5 ثوان.
- قم ببللة أطراف الماصة ذات 12 قناة مسبقا بالميثانول للمساعدة في منع تساقط الأطراف أثناء توزيع العينة. ثم أضف 370 ميكرولتر من الميثانول البارد إلى كل بئر من لوح 96 بئر.
- انقل 100 ميكرولتر من كل عينة إلى موقع اللوحة المقابل من خرائط اللوحة. قم بتغطية الأطباق واحتضانها عند -80 درجة مئوية لمدة 30 دقيقة لترسيب البروتينات.
- قم بتدوير الألواح في جهاز طرد مركزي 4 درجات مئوية عند 3,200 × جم لمدة 30 دقيقة. انقل 250 ميكرولتر من المادة الطافية إلى بئر 96 جديدا وكرر الطرد المركزي.
- الآن انقل 60 ميكرولتر من المادة الطافية إلى ثلاث ألواح ذات 96 بئرا مناسبة لجهاز أخذ العينات الآلي UPLC أو LC.
- أضف 100 ميكرولتر من مزيج عينة مراقبة الجودة إلى موضع البئر المحجوز على اللوحة.
- ختم كل لوحة بغشاء لاصق. قد يتبخر المذيب بسرعة بعد ثقب البئر ، وبالتالي يجب إجراء الحقن مرة واحدة فقط من كل لوحة. يمكن تخزين اللوحات الموجودة في قائمة انتظار العينة على المدى القصير عند -20 درجة مئوية.
3. الحصول على بيانات UPLC-MS
- اضبط جهاز أخذ العينات التلقائي على 4 درجات مئوية وضع أول لوحين في جهاز أخذ العينات التلقائي.
- قم بإعداد أسلوب الاستحواذ باستخدام أحد تدرجات الطور العكسي البديلة. التدرج أ متحيز نحو الجزيئات غير القطبية بينما يوفر التدرج B تغطية محسنة للجزيئات القطبية المعتدلة.
- التدرج أ: < / > الوقت (دقيقة) ٪أ ٪B حجن 0.0 100 0 0.1 100 0 6 1.0 60 40 6 3.0 30 70 6 11.0 0 100 6 17.0 0 100 6 17.1 100 0 6 23.0 100 0 6
- التدرج B
الوقت (دقيقة) ٪أ ٪B حجن 0.0 100 0 1 100 0 6 13 5 95 6 16 5 95 6 16.05 دولار 100 0 6 20 100 0 6
- اضبط مطياف الكتلة لجمع البيانات في المسح الضوئي في الوضع الموجب من 50-1,200 م / ز. ستختلف ظروف الأداة المحددة الإضافية وفقا للنظام المستخدم. يمثل ما يلي الظروف المستخدمة في مطياف الكتلة Waters Xevo G2 Q-TOF: طاقة الاصطدام = 6 فولت ؛ وقت المسح = 0.2 ثانية لكل مسح ضوئي ؛ الجهد الشعري = 2,200 فولت ؛ درجة حرارة المصدر = 150 درجة مئوية درجة حرارة التلف = 350 درجة مئوية تدفق غاز التلف (N2) = 800 لتر / ساعة).
- حقن عينات مراقبة الجودة خمس مرات في بداية كل دفعة من 2 لوحة من العينات. بعد تكييف نظام UPLC-MS مع أول حقنتين ، راقب منطقة الذروة (<25٪ RSD) ، ووقت الاحتفاظ (+/- 0.05 دقيقة) ، ودقة الكتلة (+/- 3 جزء في المليون) من الحقن الثالث إلى الخامس. وقد يلزم تعديل هذه المعلمات لتلائم مواصفات الأداة المستخدمة في الحصول على البيانات.
- إذا مرت عينات مراقبة الجودة ، احصل على بيانات عن عينات المصل لهاتين الصفيحتين. في حالة فشل نماذج مراقبة الجودة، لا يتم جمع بيانات العينة حتى يتم حل المشكلة وتمرير عينات مراقبة الجودة. وجدنا في مختبرنا أن هذه المعلمات مستقرة باستمرار على مدى ثلاثة أيام من الحقن (أي حقن 2 96 لوحة بئر). إذا تبين أن نظامك غير مستقر خلال هذه الفترة الزمنية ، فقد يكون من المناسب حقن مراقبة الجودة المتكررة. لا تستخدم عينة مراقبة الجودة لتصحيح البيانات ذات الجودة الرديئة ، ولكن لمنع جمع البيانات ذات الجودة الرديئة.
4. ذروة الكشف والتكامل والمحاذاة والتطبيع
هناك مجموعة متنوعة من الخيارات لتنفيذ هذه الخطوات بما في ذلك البرامج المجانية والأدوات الخاصة بالبائع. تم تخطي هذه الخطوة في الفيديو التعليمي ولكن نهجنا موصوف أدناه كمثال.
لكل عينة ، فإن البيانات التحليلية التي تم إنشاؤها من هذا النوع من التجارب هي ملف تعريف للأيونات كما هو موضح من خلال وقت الاستبقاء وقيمة m / z والكثافة الطيفية. ستتألف تجربة توصيف المستقلب غير المستهدفة من العديد من العينات ، وبالتالي يجب إجراء اكتشاف الذروة ومحاذاة وقت الاستبقاء والتطبيع لتمكين التحليل الإحصائي اللاحق لمجموعة البيانات.
- تصدير البيانات الأولية إلى تنسيق .cdf باستخدام برنامج Waters DataBridge. قم بإجراء محاذاة وقت الذروة للكشف والاحتفاظ باستخدام حزمة برامج XCMS 10 (يتوفر برنامج مجاني في http://metlin.scripps.edu/xcms/) ويتم تنفيذه في بيئة R الإحصائية11). يحتوي موقع الويب على وثائق حول كيفية تنزيل البرنامج وتشغيله.
- استخدم طريقة "matchedfilter" داخل XCMS مع المعلمات التالية: العرض الكامل عند النصف كحد أقصى = 8 ثوان ، حصة S / N = 3 ، بحد أقصى 100 قمة لكل كروماتوجرام أيوني مستخرج. قم بتنفيذ تجميع الميزات وتصحيح وقت الاستبقاء وإعادة التجميع وخطوات fillPeaks. ناتج برنامج XCMS عبارة عن مصفوفة بيانات مع جميع الميزات القابلة للاكتشاف المدرجة كصفوف ، وكل عينة تجريبية كعمود ، ويتم ملء الخلايا بمنطقة الذروة لكل ميزة في كل عينة. قد يكون تبديل مجموعة البيانات هذه ضروريا لإدراجها في تدفقات العمل الإحصائية النهائية.
- تطبيع مصفوفة البيانات في R بقسمة مساحة الذروة لكل ميزة في عينة معينة على مجموع مساحة ذروة الأيونات المستخرجة (يشار إليها باسم إجمالي تيار الأيونات ، أو TIC لتلك العينة (مضروبة في 100,000 لجعل الأرقام أكثر قابلية لتفسير البيانات المرئية).
- إزالة القيم المتطرفة. يمكن أن تنتج القيم المتطرفة في البيانات إما عن حقن سيئ لعينة جيدة أو حقن جيد لعينة سيئة.
- قم بإجراء الكشف عن القيم المتطرفة في R باستخدام حزمة القيم المتطرفة مع المعلمات التالية: (1) قيم TIC و (2) درجات الكمبيوتر الشخصي بثقة 99.9٪.
- في حالة وجود القيم المتطرفة ، تتم إزالة ملفات البيانات المقابلة وتنفيذ إجراءات الكشف عن الذروة والمحاذاة والتسوية مرة أخرى.
- متوسط مناطق الذروة الطبيعية حسب معرف العينة (لمتوسط الحقن المتعددة). يجب أن يتم ذلك قبل إجراء التحليل الإحصائي (لاحظ أن النسخ المتماثلة للحقن تمثل التباين التحليلي ، ولكن لا يمكن استخدامها كتكرارات بيولوجية حقيقية).
5. التحليل الإحصائي
بالنسبة لتجارب التمثيل الغذائي ، تعد كل من التقنيات الإحصائية متعددة المتغيرات وأحادية المتغير ضرورية لتفسير البيانات. هناك طريقتان شائعتان تستخدمان تحليل المكون الرئيسي وتحليل التباين (ANOVA). هناك طرق متعددة للتعامل مع التحليل الإحصائي للبيانات وتتوفر أدوات برمجية مفتوحة المصدر والتجارية. تم تخطي هذه الخطوة في الفيديو التعليمي ولكن نهجنا موصوف أدناه كمثال.
- قم بإجراء ANOVA عن طريق تطبيق وظيفة aov على مجموعة البيانات في R.
- ضع في اعتبارك الإيجابيات الخاطئة باستخدام تعديل Benjamini-Hochberg (وظيفة p.adjust في R).
- قم بإجراء PCA باستخدام مجموعة البيانات المتمركزة في Pareto (يمكن أيضا تطبيق تباين الوحدة) ومجموعة البيانات المتمركزة حول المتوسط. يتم حساب كل من درجات الكمبيوتر الشخصي والتحميل باستخدام حزمة pcaMethods في R.
- استخدم قيم ANOVA p ودرجات التحميل ومعلمات تغيير الطية لتحديد السمات الجزيئية التي تصف التباين المرتبط بالعلاج التجريبي بشكل أفضل.
- استجوب يدويا كل ميزة جزيئية ذات أهمية لتحديد ما إذا كانت تتوافق مع أيون جزيئي أو مقرب (مثل الصوديوم أو البوتاسيوم أو الثنائي) أو الفقدان المحايد.
سير العمل المقدم هنا عام جدا ويمكن تطبيقه على النتائج من أي منصة للأدوات. يتم تقديم استراتيجية بديلة في قسم المناقشة.
- لجميع الميزات ذات الدلالة الإحصائية (كما هو محدد من التحليل في الخطوة 6) ، راجع البيانات الأولية وتأكد من أن الأيونات الأم ، ومقاربات الصوديوم ، والنظائر ، والشظايا تتبع اتجاهات مماثلة عبر مجموعة البيانات. على سبيل المثال ، يجب أن تكون القيمة p المشتقة من ANOVA للأيون الأصلي مشابهة لنظيره. يشير هذا إلى أن كلتا السمتين الجزيئيتين تتوافق مع نفس المستقلب.
- ابحث عن قياسات الكتلة الدقيقة و / أو الخسائر المحايدة للسمات الجزيئية ذات الدلالة الإحصائية (اختر نظير C12 إذا كانت النظائر المتعددة مهمة) مقابل قواعد بيانات مستقلبات داخلية (إن وجدت) أو متاحة للجمهور مثل:
- قاعدة بيانات الأيض البشري (http://www.hmdb.ca/)
- ميتلين (http://metlin.scripps.edu/metabo_search_alt2.php)
- Mass Bank (http://www.massbank.jp/?lang=en)
- خرائط الدهون (http://www.lipidmaps.org/data/standards/index.html)
- المعهد الوطني للمعايير والتكنولوجيا MS Search (http://chemdata.nist.gov/mass-spc/ms-search/)
- استخدم برنامجا للتنبؤ بالصيغة الجزيئية من الكتلة الدقيقة والتوزيع النظيري لخصائصك الجزيئية المهمة. في برنامج Waters ، يتم تنفيذ ذلك باستخدام أداة Elemental Comp في حزمة MassLynx.
- قم بتصفية تعريفات مستقلبات المستقلبات المرشحة من خلال: خطأ الكتلة (كما هو مناسب لمنصة أجهزتك) ، والصيغة الجزيئية المتوقعة ، والأهمية البيولوجية في الاتجاهات التي لوحظت فيما يتعلق بالتصميم التجريبي ، ووقت الاحتفاظ (على سبيل المثال ، سيكون للدهون والمركبات غير القطبية الأخرى أوقات احتفاظ أطول عند استخدام كروماتوغرافيا الطور العكسي).
- قم بإجراء تجارب لاحقة للحصول على تجزئة MS / MS للميزات الجزيئية ذات الدلالة الإحصائية. كلما كان ذلك ممكنا ، يجب أن يعتمد تحديد المستقلب على مطابقة قمم التجزئة التجريبية ووقت الاحتفاظ بمعيار أصيل تم الحصول عليه على نفس الأداة. بدلا من ذلك ، يمكن مطابقة التجزئة التجريبية مع قاعدة بيانات الطيفية.
- وينبغي تحديد الثقة في تحديد الهوية لجميع تحديدات مستقلبات التمثيل الغذائي المبلغ عنها استنادا إلى توصيات مبادرة معايير الأيض12.
المستوى 1: تحديد جزيئي واثق بناء على المعلمات التحليلية المتعامدة (الكتلة الدقيقة ، ووقت الاحتفاظ ، وتجزئة MS / MS) بالنسبة لمركب أصيل.
يشير المستوى 2 إلى قاعدة تعريف مفترضة على الخصائص الفيزيائية والكيميائية و / أو التشابه الطيفي مع الأدبيات أو المكتبات الطيفية.
يشير المستوى 3 إلى التحديد المفترض لفئة مركبة بناء على الخصائص الفيزيائية والكيميائية أو التشابه الطيفي.
يشير المستوى 4 إلى مركب غير معروف.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
توضح Figure 1 الخطوات التحليلية الأساسية لتجربة توصيف المستقلبات غير المستهدفة باستخدام UPLC-MS. يمكن تصور البيانات الخام لكل عينة على شكل كروماتوغرام ذروة الأساس. يظهر Figure 2 مثالاً لكروماتوغرام ذروة الأساس لعينة مصل تم تحليلها باستخدام خيار التدرج (a) الوارد في البرنامج التعليمي. وبناءً على التحليل الإحصائي الموصوف أعلاه، يتم محاولة تحديد هوية المستقلبات لجميع السمات الجزيئية ذات الدلالة الإحصائية. يتطلب التحديد الواثق (المستوى 1) مطابقة زمن الاحتجاز الكروماتوغرافي، والكتلة الدقيقة، ...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
يهدف هذا البرنامج التعليمي إلى أن يكون بمثابة نقطة انطلاق لإجراء تنميط مستقلب غير مستهدف على نطاق واسع بواسطة UPLC-MS. يركز سير العمل على المستقلبات التي يمكن استخراجها باستخدام مذيب ميثانول مائي ، والاحتفاظ بها على عمود C8 أو C18 UPLC ، واكتشافها كأيونات موجبة. في الحالة التي لا يوجد فيها تحيز محدد مسبقا تجاه فئة مستقلب معينة ويكون الفضل في وجود فرضية تولد ملف تعريف عالمي ، فإن هذا البروتوكول ذو قيمة لأنه سيؤدي إلى اكتشاف نسبة كبيرة من مستقلبات المصل من مجموعة متنوعة من الفئات الكيميائية (أي المركبات القطبية ال...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
يعلن المؤلفون أنه ليس لديهم مصالح مالية متنافسة.
شكر وتقدير
تم تنفيذ البرنامج التعليمي المقدم وتطويره داخل مرفق البروتينات والتمثيل الغذائي في جامعة ولاية كولورادو والذي يتم تمويله جزئيا من قبل موارد إدارة أبحاث CSU للمشاريع العلمية.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| 96 لوحة بئر - 500 مو ؛ ل آبار | VWR | 40002-020 | تستخدم هذه لإعداد العينة |
| 96 حصائر لوحة بئر | VWR | 89026-514 | تستخدم هذه لإعداد العينة |
| 96 لوحة بئر - 350 مو ؛ ل آبار | ووترز | كوربوريشن WAT058943 | تستخدم هذه لحقن العينات |
| 96 حصائر لوحة بئر شركة | ووترز كوربوريشن | 186000857 | تستخدم هذه لحقن العينة |
| 96 أختام حرارية للوحة البئر | ووترز كوربوريشن | 186002789 | يمكن استخدامها لحقن العينة أو التخزين طويل الأجل |
| 96 لوح جيد السدادة | لشركة ووترز كوربوريشن | 186002786 | |
| LC-MS الصف الميثانول | Fluka | 34966 | |
| LC-MS الصف أسيتونيتريل | Fluka | 34967 | |
| LC-MS الصف aater | Fluka | 39253 | |
| LC-MS الصف حمض الفورميك | Fluka | 56302 | |
| الماصة الإلكترونية متعددة القنوات | VWR | 89000-674 | |
| نصائح Pipett | Eclipse (تم شراؤها من خلال Light Labs) | B-5061 / B-4061 | |
| جهاز طرد مركزي مبرد - Allegra X-12R | Beckman Coulter | N / A - اتصل بنظام Beckman Coulter | |
| Acquity Ultra performance Liquid Chromatography (UPLC) | Waters Corporation | N / A - الاتصال ب Waters Corporation | |
| عمود UPLC C8 (خيار التدرج أ) | Waters Corporation | 186002876 | |
| عمود UplC T3 (خيار التدرج ب) | المياه شركة | 186003536 | |
| Xevo G2 Q-TOF مطياف الكتلة | شركة Waters | Corporation N / A - اتصل بشركة |
المراجع
- Theodoridis, G., Gika, H. G., Wilson, I. D. Mass Spectrometry-Based Holistic Analytical Approaches for Metabolite Profiling in Systems Biology Studies. Mass Spectrom. Rev. 30, 884-906 (2011).
- Zelena, E., et al. Development of a robust and repeatable UPLC-MS method for the long-term metabolomic study of human serum. Analytical Chemistry. 81, 1357-1364 (2009).
- Michopoulos, F., Lai, L., Gika, H., Theodoridis, G., Wilson, I. UPLC-MS-based analysis of human plasma for metabonomics using solvent precipitation or solid phase extraction. Journal of Proteome Research. 8, 2114-2121 (2009).
- Kamburov, A., Cavill, R., Ebbels, T. M., Herwig, R., Keun, H. C. Integrated pathway-level analysis of transcriptomics and metabolomics data with IMPaLA. Bioinformatics. 27, 2917-2918 (2011).
- Xia, J., Wishart, D. S. MetPA: a web-based metabolomics tool for pathway analysis and visualization. Bioinformatics. 26, 2342-2344 (2010).
- Johnson, C. H., Gonzalez, F. J. Challenges and opportunities of metabolomics. J. Cell. Physiol. 227, 2975-2981 (2012).
- Issaq, H. J., Waybright, T. J., Veenstra, T. D. Cancer biomarker discovery: Opportunities and pitfalls in analytical methods. Electrophoresis. 32, 967-975 (2011).
- Zhou, B., Xiao, J. F., Tuli, L., Ressom, H. W. LC-MS-based metabolomics. Mol. Biosyst. 8, 470-481 (2012).
- Weckwerth, W., Morgenthal, K. Metabolomics: from pattern recognition to biological interpretation. Drug Discov. Today. 10, 1551-1558 (2005).
- Smith, C. A., et al. METLIN - A metabolite mass spectral database. Ther. Drug Monit. 27, 747-751 (2005).
- Culpepper, S. A., Aguinis, H. R is for Revolution: A Cutting-Edge, Free, Open Source Statistical Package. Organ Res. Methods. 14, 735-740 (2011).
- Sumner, L. W., et al. Proposed minimum reporting standards for chemical analysis. Metabolomics. 3, 211-221 (2007).
- Vuckovic, D. Current trends and challenges in sample preparation for global metabolomics using liquid chromatography-mass spectrometry. Anal. Bioanal. Chem. 403, 1523-1548 (2012).
- Garcia-Canaveras, J. C., Donato, M. T., Castell, J. V., Lahoz, A. A comprehensive untargeted metabonomic analysis of human steatotic liver tissue by RP and HILIC chromatography coupled to mass spectrometry reveals important metabolic alterations. Journal of Proteome Research. 10, 4825-4834 (2011).
- Nordstrom, A., Want, E., Northen, T., Lehtio, J., Siuzdak, G. Multiple ionization mass spectrometry strategy used to reveal the complexity of metabolomics. Analytical Chemistry. 80, 421-429 (2008).
- Horai, H., et al. MassBank: a public repository for sharing mass spectral data for life sciences. J. Mass Spectrom. 45, 703-714 (2010).
- Wishart, D. S. Advances in metabolite identification. Bioanalysis. 3, 1769-1782 (2011).
- Broeckling, C., Heuberger, A., Prince, J., Ingelsson, E., Prenni, J. Assigning precursor-product ion relationships in indiscriminant MS/MS data from non-targeted metabolite profiling studies. Metabolomics. , 1-11 (2012).
- Kangas, L. J., et al. In silico identification software (ISIS): a machine learning approach to tandem mass spectral identification of lipids. Bioinformatics. 28, 1705-1713 (2012).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
إعادة الطباعة والأذونات
الوسوم
