Articolo metodologico

Su larga scala e non mirato Profiling Metabolomica di siero da Ultra Performance Liquid Chromatography-Spettrometria di Massa (UPLC-MS)

12.5K visualizzazioni

⸱

DOI:

10.3791/50242

⸱

14 marzo 2013

 ,  , 
1Proteomics and Metabolomics Facility, Colorado State University

In questo articolo

Sommario

La profilazione dei metaboliti non mirati mediante cromatografia liquida ad alte prestazioni accoppiata con spettrometria di massa (UPLC-MS) è una tecnica potente per studiare il metabolismo. Questo articolo descrive un flusso di lavoro tipico utilizzato per la profilazione dei metaboliti non mirati del siero, tra cui l'organizzazione e la preparazione dei campioni, l'acquisizione dei dati, l'analisi dei dati, il controllo di qualità e l'identificazione dei metaboliti.

Abstract

La profilazione dei metaboliti non mirati mediante cromatografia liquida ad alte prestazioni accoppiata con spettrometria di massa (UPLC-MS) è una tecnica potente per studiare il metabolismo. L'approccio offre un'analisi imparziale e approfondita che può consentire lo sviluppo di test diagnostici, nuove terapie e approfondire la nostra comprensione dei processi patologici. La diversità chimica intrinseca del metaboloma crea sfide analitiche significative e non esiste un unico approccio sperimentale in grado di rilevare tutti i metaboliti. Inoltre, la variazione biologica nel metabolismo individuale e la dipendenza del metabolismo da fattori ambientali richiedono un numero elevato di campioni per raggiungere la potenza statistica appropriata necessaria per un'interpretazione biologica significativa. Per affrontare queste sfide, questo tutorial delinea un flusso di lavoro analitico per la profilazione di metaboliti non mirati su larga scala del siero mediante UPLC-MS. La procedura include linee guida per l'organizzazione e la preparazione dei campioni, l'acquisizione dei dati, il controllo di qualità e l'identificazione dei metaboliti e consentirà un'acquisizione affidabile dei dati per esperimenti di grandi dimensioni e fornirà un punto di partenza per i laboratori che non conoscono la profilazione dei metaboliti non mirati mediante UPLC-MS.

Introduzione

Il termine "metabolomica" può comprendere molte cose. Ad esempio, un esperimento di metabolomica può essere eseguito utilizzando una varietà di piattaforme analitiche come la risonanza magnetica nucleare e la cromatografia gassosa e/o liquida abbinata alla spettrometria di massa. Inoltre, gli esperimenti di metabolomica possono essere eseguiti in modo mirato o non mirato, o in una combinazione di entrambi. Un esperimento di metabolomica mirata comporterà l'analisi diretta di un pannello di molecole importanti per la questione biologica in questione (ad esempio, piccole molecole coinvolte nel ciclo TCA consentiranno una quantificazione accurata di tale via). In questa situazione, l'ipotesi biologica sta dettando la scelta dei metaboliti da mirare nell'analisi e le fasi analitiche sono ottimizzate per la rilevazione di queste molecole. In alternativa, si sta generando un'ipotesi di esperimento di metabolomica non mirata. In questo caso, l'esperimento viene eseguito in modo ampio e imparziale per consentire il rilevamento del maggior numero possibile di metaboliti. I risultati di un esperimento non mirato guideranno la fase successiva della ricerca (che in molti casi può comportare un flusso di lavoro metabolomico mirato). È anche possibile combinare i due approcci, nel qual caso un esperimento viene eseguito in modo non mirato mentre contemporaneamente un pannello di molecole note viene monitorato all'interno dei dati.

Il tutorial presentato qui si concentra specificamente sulla profilazione dei metaboliti non mirati del siero. Come descritto in precedenza, l'approccio non mirato fornisce una visione imparziale dei metaboliti rilevabili, può generare grandi quantità di informazioni e, in ultima analisi, consentire nuove scoperte. L'uso di questo approccio, che impiega specificamente la cromatografia liquida ad alte prestazioni accoppiata alla spettrometria di massa (UPLC-MS), sta diventando sempre più diffuso e prevede le seguenti fasi: (1) disegno sperimentale (2) raccolta del campione (3) preparazione del campione (4) acquisizione dei dati mediante UPLC-MS (5) pre-elaborazione dei dati (rilevamento, integrazione, allineamento e normalizzazione dei picchi) (6) analisi statistica dei dati (sia uni- che multivariata) (7) identificazione dei metaboliti e (8) interpretazione.

Attualmente, non esistono metodi standard stabiliti per la profilazione dei metaboliti non mirati basata su UPLC-MS e le successive fasi di pre-elaborazione dei dati. Questa mancanza di standardizzazione è dovuta in parte a una delle principali sfide analitiche della profilazione dei metaboliti; la diversità chimica del metaboloma. A causa di questa diversità, è impossibile per un singolo metodo di estrazione o di acquisizione con spettrometria di massa fornire una copertura completa di tutti i metaboliti in un'unica analisi. In teoria, la copertura dei metaboliti può essere massimizzata utilizzando estrazioni multiple (ad es. acquosa, metanolo, cloroformio: metanolo, ecc.) abbinate a varie condizioni cromatografiche (ad es. fase inversa, HILIC, ecc.) e varie modalità di ionizzazione (ad es. ione positivo, ione negativo, ionizzazione chimica, ecc.).). Spesso, tuttavia, i ricercatori non hanno una predilezione predeterminata per una specifica classe chimica e quindi la spesa per l'esecuzione di estrazioni multiple e l'acquisizione di strumenti non è giustificata, soprattutto per esperimenti su larga scala. Pertanto, il video tutorial qui presentato è stato progettato per fornire una procedura generale per la profilazione del siero di metaboliti non mirati su larga scala mediante UPLC-MS. Consentirà ai laboratori nuovi e consolidati di eseguire questi tipi di esperimenti e gli elementi costitutivi su cui possono espandere l'approccio per vari tipi di campioni, classi chimiche specifiche o analisi mirate. In particolare, questo protocollo includerà le fasi di: preparazione del campione di siero, organizzazione del campione per studi su larga scala, acquisizione dei dati UPLC-MS, procedure di controllo qualità (QC) e identificazione dei metaboliti. Vengono inoltre presentate strategie per la pre-elaborazione dei dati e l'analisi statistica.

Il protocollo non si concentrerà sulle fasi della progettazione sperimentale, della raccolta dei campioni o dell'interpretazione dei dati biologici poiché esula dall'ambito di questo tutorial. Tuttavia, esistono molte risorse in letteratura per questi argomenti e gli autori incoraggiano i ricercatori nuovi alla metabolomica ad esplorarli a fondo 4, 5, 6, 7, 8, 9. In particolare, la progettazione sperimentale è estremamente importante ed è fondamentale per il successo di un esperimento di metabolomica non mirata. Fattori quali l'appropriata replicazione biologica e la coerenza della procedura di raccolta dei campioni (ad esempio tempo al banco, temperatura di conservazione, tempo di conservazione, congelamento-disgelo, ecc.) devono essere presi in considerazione per garantire uno studio valido e facilitare un'adeguata interpretazione biologica dei dati.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

1. Esempio di organizzazione

  1. Per creare una mappa delle piastre per la preparazione dei campioni su un foglio di calcolo, nella prima colonna inserire un elenco di campioni in ordine di caricamento. In una seconda colonna, inserisci le posizioni delle piastre a 96 pozzetti utilizzando la nomenclatura corretta per il tuo software di autocampionamento.
  2. Conservare un pozzetto in ogni piastra per i campioni QC.
  3. Se l'autocampionatore LC è in grado di gestire due piastre alla volta, separare l'elenco dei campioni in lotti di 190 e salvare queste informazioni in un secondo foglio di lavoro.
  4. All'interno di ciascuno di questi batch, utilizzare la funzione randomize [nota: "=rand()"in Excel] per randomizzare l'ordine di iniezione. Ora copia e incolla il tuo ordine di iniezione nel sistema software della coda di campionamento LC-MS. La randomizzazione dovrebbe avvenire tra i lotti, all'interno dei lotti ed essere univoca tra le repliche di iniezione.

2. Procedure di preparazione del siero e del controllo qualità (QC)

  1. Preparare un campione CQ da 10 ml contenente almeno quattro composti di massa e tempo di ritenzione noti che coprono l'eluizione cromatografica dell'esperimento. (Nota: caffeina, reserpina, sulfadimetossina e terfenadina a una concentrazione di 2 μg/ml ciascuno).
  2. Scongelare i campioni di siero su ghiaccio e agitare delicatamente per ~5 secondi.
  3. Pre-bagnare i puntali di un pipettatore a 12 canali con metanolo per evitare il gocciolamento dei puntali durante la dispensazione del campione. Quindi aggiungere 370 μl di metanolo freddo a ciascun pozzetto di una piastra a 96 pozzetti.
  4. Trasferire 100 μl di ciascun campione nella posizione della piastra corrispondente dalle mappe delle piastre. Coprire le piastre e incubare a -80 °C per 30 minuti per far precipitare le proteine.
  5. Centrifugare le piastre in una centrifuga a 4 °C a 3.200 x g per 30 minuti. Trasferire 250 μl di surnatante in un nuovo pozzetto a 96 pozzetti e ripetere la centrifugazione.
  6. Trasferire ora 60 μl di aliquote del surnatante in tre piastre da 96 pozzetti adatte per l'autocampionatore UPLC o LC.
  7. Aggiungere 100 μl di miscela di campioni QC nella posizione riservata del pozzetto sulla piastra.
  8. Sigillare ogni piastra con pellicola adesiva. Il solvente può evaporare rapidamente dopo che il pozzetto è stato perforato, pertanto le iniezioni devono essere eseguite solo una volta da ciascuna piastra. Le piastre nella coda dei campioni possono essere conservate a breve termine a -20 °C.

3. Acquisizione dati UPLC-MS

  1. Impostare l'autocampionatore a 4 °C e posizionare le prime due piastre nell'autocampionatore.
  2. Impostare il metodo di acquisizione utilizzando uno dei due gradienti di fase inversa alternativi. Il gradiente A è orientato verso le molecole non polari, mentre il gradiente B fornirà una migliore copertura delle molecole moderatamente polari.
    1. Gradiente A:
      Tempo (min) %A %B curva 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
    2. Pendenza B
      Tempo (min) %A %B curva 0,0 100 0   1 100 0 6 13 5 95 6 16 5 95 6 Ore 16.05 100 0 6 20 100 0 6
  3. Impostare lo spettrometro di massa per raccogliere dati in modalità positiva a scansione da 50 a 1.200 m/z. Ulteriori condizioni specifiche dello strumento variano a seconda del sistema utilizzato. Di seguito sono riportate le condizioni d'uso sul nostro spettrometro di massa Waters Xevo G2 Q-TOF: Energia di collisione = 6V; Tempo di scansione = 0,2 secondi per scansione; Tensione capillare =2.200 V; Temperatura della sorgente = 150 °C Temperatura di desolvatazione = 350 °C Flusso di gas di desolvatazione (N2) = 800 L/ora).
  4. Iniettare i campioni QC cinque volte all'inizio di ogni lotto di campioni a 2 piastre. Dopo aver condizionato il sistema UPLC-MS con le prime due iniezioni, monitorare l'area del picco (<25% RSD), il tempo di ritenzione (+/- 0,05 min) e l'accuratezza della massa (+/- 3 ppm) dalla terza alla quinta iniezione. Potrebbe essere necessario regolare questi parametri per adattarli alle specifiche dello strumento utilizzato per l'acquisizione dei dati.
  5. Se i campioni QC vengono superati, acquisire i dati sui campioni di siero per queste due piastre. Se i campioni QC hanno esito negativo, i dati di esempio non vengono raccolti fino a quando il problema non viene risolto e i campioni QC non vengono superati. Nel nostro laboratorio abbiamo riscontrato che questi parametri sono costantemente stabili per tre giorni di iniezioni (cioè l'iniezione di 2 piastre da 96 pozzetti). Se il sistema risulta instabile durante questo periodo di tempo, potrebbero essere appropriate iniezioni di controllo qualità più frequenti. Il campione QC viene utilizzato non per correggere dati di scarsa qualità, ma per evitare che vengano raccolti dati di scarsa qualità.

4. Rilevamento dei picchi, integrazione, allineamento e normalizzazione

Ci sono una varietà di opzioni per eseguire questi passaggi, inclusi freeware e strumenti specifici del fornitore. Questo passaggio è stato saltato nel video tutorial, ma il nostro approccio è descritto di seguito come esempio.

Per ogni campione, i dati analitici generati da questo tipo di esperimento sono un profilo di ioni descritto da un tempo di ritenzione, un valore m/z e un'intensità spettrale. Un esperimento di profilazione dei metaboliti non mirati sarà composto da molti campioni e quindi il rilevamento dei picchi, l'allineamento del tempo di ritenzione e la normalizzazione devono essere eseguiti per consentire la successiva analisi statistica del set di dati.

  1. Esportazione di dati grezzi in formato .cdf utilizzando il software Waters DataBridge. Esegui il rilevamento dei picchi e l'allineamento del tempo di ritenzione utilizzando il pacchetto software XCMS 10 (freeware disponibile all'indirizzo http://metlin.scripps.edu/xcms/) e viene eseguito nell'ambiente statistico R11). Il sito Web contiene la documentazione su come scaricare ed eseguire il software.
  2. Utilizzare il metodo "matchedfilter" all'interno di XCMS con i seguenti parametri: larghezza completa a metà max = 8 sec, rapporto S/N = 3, massimo 100 picchi per ogni cromatogramma ionico estratto. Esegui i passaggi di raggruppamento delle funzioni, correzione del tempo di ritenzione, raggruppamento e riempimentoPicchi. L'output del software XCMS è una matrice di dati con tutte le caratteristiche rilevabili elencate come righe, ogni campione sperimentale come una colonna e le celle sono popolate con l'area di picco di ciascuna caratteristica in ogni campione. La trasposizione di questo set di dati può essere necessaria per l'incorporazione nei flussi di lavoro statistici a valle.
  3. Normalizzare la matrice di dati in R dividendo l'area del picco di ogni caratteristica in un dato campione per la somma dell'area del picco ionico estratto (indicato come corrente ionica totale o TIC per quel campione (moltiplicato per 100.000 per rendere i numeri più suscettibili per l'interpretazione visiva dei dati).
  4. Rimuovi i valori anomali. I valori anomali nei dati possono derivare da una cattiva iniezione di un campione buono o da una buona iniezione di un campione difettoso.
    1. Esegui il rilevamento dei valori anomali in R utilizzando il pacchetto dei valori anomali con i seguenti parametri: (1) valori TIC e (2) punteggi PC con un'affidabilità del 99,9%.
    2. Se sono presenti valori anomali, i file di dati corrispondenti vengono rimossi e vengono eseguite nuovamente le procedure di rilevamento, allineamento e normalizzazione dei picchi.
  5. Calcolare la media delle aree di picco normalizzate in base all'identificatore del campione (per calcolare la media di più iniezioni). Questa operazione deve essere eseguita prima di eseguire l'analisi statistica (si noti che le repliche di iniezione tengono conto della variazione analitica, ma non possono essere utilizzate come repliche biologiche reali).

5. Analisi statistica

Per gli esperimenti di metabolomica, sono necessarie sia tecniche statistiche multivariate che univariate per l'interpretazione dei dati. Due tecniche comunemente utilizzate includono l'analisi delle componenti principali e l'analisi della varianza (ANOVA). Esistono diversi modi per affrontare l'analisi statistica dei dati e sono disponibili sia strumenti software open source che commerciali. Questo passaggio è stato saltato nel video tutorial, ma il nostro approccio è descritto di seguito come esempio.

  1. Eseguire ANOVA applicando una funzione aov al set di dati in R.
  2. Tenere conto dei falsi positivi utilizzando un aggiustamento di Benjamini-Hochberg (funzione p.adjust in R).
  3. Conduci la PCA con il set di dati in scala Pareto (può essere applicata anche la varianza unitaria) e centrato sulla media. Sia i punteggi PC che i carichi vengono calcolati utilizzando il pacchetto pcaMethods in R.
  4. Utilizzare i valori p ANOVA, i punteggi di carico e i parametri di variazione del fold per determinare le caratteristiche molecolari che meglio descrivono la variazione associata al trattamento sperimentale.
  5. Interroga manualmente ogni caratteristica molecolare di interesse per determinare se corrisponde a uno ione molecolare, a un addotto (ad es. sodio, potassio o dimero) o a una perdita neutra.

6. Identificazione dei metaboliti

Il flusso di lavoro presentato qui è molto generale e può essere applicato ai risultati di qualsiasi piattaforma strumentale. Una strategia alternativa è presentata nella sezione Discussione.

  1. Per tutte le caratteristiche statisticamente significative (come determinato dall'analisi nel passaggio 6), esaminare i dati grezzi e confermare che gli ioni genitori, gli addotti di sodio, gli isotopi e i frammenti seguono tendenze simili in tutto il set di dati. Ad esempio, il valore p derivato da ANOVA per uno ione genitore dovrebbe essere simile al suo isotopo. Ciò indica che entrambe le caratteristiche molecolari corrispondono allo stesso metabolita.
  2. Cerca misurazioni accurate della massa e/o perdite neutre di caratteristiche molecolari statisticamente significative (scegli l'isotopo C12 se più isotopi sono significativi) rispetto a database di metaboliti interni (se disponibili) o disponibili al pubblico come:
    1. Database del metaboloma umano (http://www.hmdb.ca/)
    2. Metlin (http://metlin.scripps.edu/metabo_search_alt2.php)
    3. Banca di massa (http://www.massbank.jp/?lang=en)
    4. Mappe lipidiche (http://www.lipidmaps.org/data/standards/index.html)
    5. Istituto Nazionale di Standard e Tecnologia MS Search (http://chemdata.nist.gov/mass-spc/ms-search/)
  3. Utilizza il software per prevedere una formula molecolare dalla massa accurata e dalla distribuzione isotopica delle tue caratteristiche molecolari significative. Nel software Waters, questa operazione viene eseguita utilizzando lo strumento Elemental Comp nel pacchetto MassLynx.
  4. Filtra le identificazioni dei metaboliti candidati in base all'errore di massa (adatto alla tua piattaforma di strumenti), alla formula molecolare prevista, alla rilevanza biologica nelle tendenze osservate rispetto al disegno sperimentale e al tempo di ritenzione (ad esempio, i lipidi e altri composti non polari avranno tempi di ritenzione più lunghi quando si impiega la cromatografia in fase inversa).
  5. Eseguire esperimenti successivi per acquisire la frammentazione MS/MS per caratteristiche molecolari statisticamente significative. Ove possibile, l'identificazione dei metaboliti dovrebbe basarsi sulla corrispondenza dei picchi sperimentali di frammentazione e del tempo di ritenzione con quelli di uno standard autentico acquisito sullo stesso strumento. In alternativa, la frammentazione sperimentale può essere abbinata a un database spettrale.
  6. L'affidabilità dell'identificazione deve essere assegnata a tutte le identificazioni di metaboliti segnalate sulla base delle raccomandazioni dell'iniziativa sugli standard di metabolomica12.
    Livello 1: identificazione molecolare sicura basata su parametri analitici ortogonali (massa accurata, tempo di ritenzione e frammentazione MS/MS) relativa a un composto autentico.
    Il livello 2 si riferisce a una presunta base di identificazione sulle proprietà fisico-chimiche e/o sulla somiglianza spettrale con la letteratura o le librerie spettrali.
    Il livello 3 si riferisce all'identificazione putativa di una classe di composti basata su proprietà fisico-chimiche o somiglianza spettrale.
    Il livello 4 si riferisce a un composto sconosciuto.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

I passaggi analitici di base di un esperimento di profilazione metabolica non mirata mediante UPLC-MS sono illustrati nella Figura 1. I dati grezzi per ogni campione possono essere visualizzati come un cromatogramma del picco di base. La Figura 2 mostra un esempio di cromatogramma del picco di base di un campione di siero analizzato mediante l'opzione di gradiente (a) riportata nel tutorial. Dopo l'analisi statistica descritta in precedenza, si tenta l'identificazione dei metaboliti per ...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Questo tutorial vuole servire come punto di partenza per condurre la profilazione dei metaboliti non bersaglio su larga scala mediante UPLC-MS. Il flusso di lavoro è focalizzato sui metaboliti che possono essere estratti con un solvente acquoso di metanolo, trattenuti su una colonna UPLC C8 o C18 e rilevati come ioni positivi. Nella situazione in cui non esiste un pregiudizio predeterminato verso una specifica classe di metaboliti e si desidera un'ipotesi che generi un profilo globale, questo protocollo è prezioso in qua...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori dichiarano di non avere interessi finanziari concorrenti.

Ringraziamenti

Il tutorial presentato è stato eseguito e sviluppato all'interno della Proteomics and Metabolomics Facility presso la Colorado State University, che è parzialmente finanziata dalla CSU Research Administration Resources for Scholarly Projects.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Piastre a 96 pozzetti - 500 μ pozzettiVWR40002-020Questi sono utilizzati per la preparazione del campione
Tappetini per piastre a 96 pozzettiVWR89026-514Questi sono utilizzati per la preparazione del campione
Piastre a 96 pozzetti - 350 μ l pozziWaters CorporationWAT058943Questi sono utilizzati per l'iniezione di campioni
Tappetini per piastre a 96 pozzettiWaters Corporation186000857Questi sono utilizzati per l'iniezione di campioni
Termosigillature per piastre a 96 pozzettiWaters Corporation186002789Questi possono essere utilizzati per l'iniezione di campioni o per la conservazione a lungo termine
Termosigillatrice per piastre a 96 pozzetti Waters Corporation186002786
Metanolo di grado LC-MSFluka34966
Acetonitrile di grado LC-MSFluka34967
grado LC-MSFluka39253
Acido formico di grado LC-MSFluka56302
Pipettatore elettronico multicanaleVWR89000-674
Puntali PipettEclipse (acquistati tramite Light Labs)B-5061/B-4061
Centrifuga refrigerata - Allegra X-12RBeckman CoulterN/A - contatto Beckman Coulter
Acquity Sistema di cromatografia liquida ad alte prestazioni (UPLC)Waters CorporationN/A - contatto Waters Corporation
Colonna UPLC C8 (opzione gradiente a)Waters Corporation186002876
colonna UplC T3 (opzione gradiente b) Waters Corporation Corporation186003536
Spettrometro di massa Xevo G2 Q-TOFWaters CorporationN/A - contattare Waters Corporation
Acido formico di

Riferimenti

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Xia, J., Wishart, D. S. MetPA: a web-based metabolomics tool for pathway analysis and visualization. Bioinformatics. 26, 2342-2344 (2010).
  6. Johnson, C. H., Gonzalez, F. J. Challenges and opportunities of metabolomics. J. Cell. Physiol. 227, 2975-2981 (2012).
  7. Issaq, H. J., Waybright, T. J., Veenstra, T. D. Cancer biomarker discovery: Opportunities and pitfalls in analytical methods. Electrophoresis. 32, 967-975 (2011).
  8. Zhou, B., Xiao, J. F., Tuli, L., Ressom, H. W. LC-MS-based metabolomics. Mol. Biosyst. 8, 470-481 (2012).
  9. Weckwerth, W., Morgenthal, K. Metabolomics: from pattern recognition to biological interpretation. Drug Discov. Today. 10, 1551-1558 (2005).
  10. Smith, C. A., et al. METLIN - A metabolite mass spectral database. Ther. Drug Monit. 27, 747-751 (2005).
  11. Culpepper, S. A., Aguinis, H. R is for Revolution: A Cutting-Edge, Free, Open Source Statistical Package. Organ Res. Methods. 14, 735-740 (2011).
  12. Sumner, L. W., et al. Proposed minimum reporting standards for chemical analysis. Metabolomics. 3, 211-221 (2007).
  13. Vuckovic, D. Current trends and challenges in sample preparation for global metabolomics using liquid chromatography-mass spectrometry. Anal. Bioanal. Chem. 403, 1523-1548 (2012).
  14. 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).
  15. 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).
  16. Horai, H., et al. MassBank: a public repository for sharing mass spectral data for life sciences. J. Mass Spectrom. 45, 703-714 (2010).
  17. Wishart, D. S. Advances in metabolite identification. Bioanalysis. 3, 1769-1782 (2011).
  18. 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).
  19. 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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Profilazione metabolomica non mirataAnalisi UPLC MSMetabolomica del sieroIdentificazione dei metabolitiAcquisizione dei datiControllo qualitPreparazione dei campioniRilevazione delle featureAnalisi statisticaDatabase di metaboliti

Articoli correlati