Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Крупномасштабная Нецелевые Metabolomic профилирование сыворотки Ultra Performance жидкостной хроматографии-масс-спектрометрии (UPLC-MS)

12.5K просмотров

⸱

DOI:

10.3791/50242

⸱

14 марта 2013 г.

 ,  , 
1Proteomics and Metabolomics Facility, Colorado State University

В этой статье

Краткое содержание

Нецелевое профилирование метаболитов с помощью ультрапроизводительной жидкостной хроматографии в сочетании с масс-спектрометрией (UPLC-MS) является мощным методом исследования метаболизма. В этой статье описывается типичный рабочий процесс, используемый для нецелевого профилирования метаболитов сыворотки, включая организацию и подготовку образцов, сбор данных, анализ данных, контроль качества и идентификацию метаболитов.

Аннотация

Нецелевое профилирование метаболитов с помощью ультрапроизводительной жидкостной хроматографии в сочетании с масс-спектрометрией (UPLC-MS) является мощным методом исследования метаболизма. Этот подход предлагает непредвзятый и глубокий анализ, который может позволить разработать диагностические тесты, новые методы лечения и углубить наше понимание процессов заболевания. Присущее метаболому химическое разнообразие создает значительные аналитические проблемы, и не существует единого экспериментального подхода, который мог бы обнаружить все метаболиты. Кроме того, биологическая изменчивость индивидуального метаболизма и зависимость метаболизма от факторов окружающей среды обуславливают необходимость большого количества выборок для достижения соответствующей статистической мощности, необходимой для осмысленной биологической интерпретации. Для решения этих проблем в данном учебном пособии описан аналитический рабочий процесс для крупномасштабного нецелевого метаболитного профилирования сыворотки с помощью UPLC-MS. Процедура включает в себя рекомендации по организации и подготовке образцов, сбору данных, контролю качества и идентификации метаболитов и позволит надежно получать данные для крупных экспериментов и послужит отправной точкой для лабораторий, не знакомых с нецелевым профилированием метаболитов с помощью UPLC-MS.

Введение

Термин "метаболомика" может охватывать множество вещей. Например, эксперимент по метаболомике может быть выполнен с использованием различных аналитических платформ, таких как ЯМР и газовая и/или жидкостная хроматография в сочетании с масс-спектрометрией. Кроме того, метаболомные эксперименты могут проводиться целенаправленным или нецелевым образом, или комбинацией того и другого. Целевой метаболомный эксперимент будет включать в себя направленный анализ панели молекул, важных для рассматриваемого биологического вопроса (например, малые молекулы, участвующие в цикле ТСА, позволят точно количественно оценить этот путь). В этой ситуации биологическая гипотеза диктует выбор метаболитов, на которые будет нацелен анализ, и аналитические шаги оптимизируются для обнаружения этих молекул. В качестве альтернативы, нецелевой эксперимент по метаболомике является генерацией гипотезы. В этом случае эксперимент проводится широко и непредвзято, чтобы можно было обнаружить как можно больше метаболитов. Результаты нецелевого эксперимента послужат толчком к следующему этапу исследования (который во многих случаях может включать в себя целевой рабочий процесс метаболомики). Также можно объединить эти два подхода, и в этом случае эксперимент проводится нецеленаправленным образом, в то время как в данных одновременно отслеживается панель известных молекул.

Представленное здесь учебное пособие специально сфокусировано на нецеленаправленном метаболитном профилировании сыворотки. Как описано выше, нецелевой подход обеспечивает непредвзятое представление об обнаруживаемых метаболитах, может генерировать большие объемы информации и, в конечном счете, позволяет делать новые открытия. Использование этого подхода, в частности, ультрапроизводительной жидкостной хроматографии в сочетании с масс-спектрометрией (ПЛХ-МС), становится все более распространенным 1, 2, 3 и включает в себя следующие этапы: (1) экспериментальный дизайн (2) сбор образцов (3) подготовка образцов (4) сбор данных с помощью УПЛХ-МС (5) предварительная обработка данных (обнаружение пиков, интегрирование, выравнивание и нормализация) (6) статистический анализ данных (как одномерный, так и многомерный) (7) идентификация метаболитов и (8) биологическая интерпретация.

В настоящее время не существует установленных стандартных методов для нецелевого профилирования метаболитов на основе UPLC-MS и последующих этапов предварительной обработки данных. Это отсутствие стандартизации отчасти связано с одной из основных аналитических проблем профилирования метаболитов; химическое разнообразие метаболома. Из-за такого разнообразия ни один метод экстракции или метод масс-спектрометрии не может обеспечить полный охват всех метаболитов в одном анализе. В концептуальном плане охват метаболитов может быть максимизирован за счет использования нескольких экстракций (например, водная, метаноловая, хлороформ:метанол и т.д.) в сочетании с различными хроматографическими условиями (например, обратная фаза, HILIC и т.д.) и различными режимами ионизации (например, положительный ион, отрицательный ион, химическая ионизация и т.д.).). Зачастую, однако, исследователи не имеют заранее определенной предвзятости в отношении конкретного химического класса, и, таким образом, затраты на проведение многократных экстракций и приобретение инструментов не оправданы, особенно для крупномасштабных экспериментов. Таким образом, представленный здесь видеоурок был разработан для того, чтобы предоставить общую процедуру крупномасштабного нецелевого метаболитного профилирования сыворотки с помощью UPLC-MS. Это позволит новым и существующим лабораториям проводить такие типы экспериментов и создать строительные блоки, на основе которых они смогут расширить подход к различным типам образцов, конкретным химическим классам или целевому анализу. В частности, этот протокол будет включать в себя следующие этапы: подготовка образцов сыворотки, организация образцов для крупномасштабных исследований, сбор данных UPLC-MS, процедуры контроля качества (QC) и идентификация метаболитов. Также представлены стратегии предварительной обработки данных и статистического анализа.

Протокол не будет фокусироваться на этапах планирования эксперимента, сбора образцов или интерпретации биологических данных, поскольку это выходит за рамки данного руководства. Тем не менее, в литературе существует множество ресурсов по этим темам, и авторы призывают исследователей, новичков в метаболомике, тщательно изучить эти 4, 5, 6, 7, 8, 9. В частности, дизайн эксперимента чрезвычайно важен и имеет решающее значение для успеха эксперимента по нецелевой метаболомике. Такие факторы, как надлежащая биологическая репликация и согласованность процедуры сбора образцов (например, время нахождения на стенде, температура хранения, время хранения, замораживание-оттаивание и т.д.), должны учитываться для обеспечения жизнеспособности исследования и содействия надлежащей биологической интерпретации данных.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

1. Пример организации

  1. Чтобы создать карту пластин для подготовки образцов в электронной таблице, в первом столбце введите список образцов в порядке загрузки. Во втором столбце введите местоположения планшетов с 96 лунками, используя правильную номенклатуру для программного обеспечения автосамплера.
  2. Сохраните по одной лунке в каждой пластине для образцов контроля качества.
  3. Если ваш автосамплер LC может обрабатывать две пластины одновременно, разделите список образцов на партии по 190 штук и сохраните эту информацию на втором листе.
  4. В каждом из этих пакетов используйте функцию рандомизации [примечание: "=rand()"в Excel] для рандомизации порядка внедрения. Теперь скопируйте и вставьте заказ на инъекцию в программную систему очереди образцов LC-MS. Рандомизация должна происходить между партиями, внутри партий и быть уникальной для всех репликаций инъекций.

2. Процедуры подготовки образцов для контроля сыворотки и контроля качества (QC)

  1. Приготовьте 10 мл образца для контроля качества, содержащего не менее четырех соединений с известной массой и временем удержания, которые охватывают хроматографическое элюирование эксперимента. (Примечание: кофеин, резерпин, сульфадиметоксин и терфенадин в концентрации 2 мкг/мл каждый).
  2. Разморозьте образцы сыворотки на льду и аккуратно сделайте вихрь в течение ~5 секунд.
  3. Предварительно смочите наконечники 12-канальной пипетки метанолом, чтобы предотвратить капание наконечника во время дозирования проб. Затем добавьте 370 μл холодного метанола в каждую лунку 96-луночной пластины.
  4. Перенесите 100 мкл каждого образца в соответствующее место планшета из карт планшетов. Накройте планшеты и инкубируйте при -80 °C в течение 30 мин для выпадения белков в осадок.
  5. Вращайте планшеты в центрифуге при температуре 4 °C при температуре 3 200 x g в течение 30 мин. Перелейте 250 мкл надосадочной жидкости в новую 96-лунку и повторите центрифугирование.
  6. Теперь перенесите 60 мкл аликвоты надосадочной жидкости на три 96-луночных планшета, пригодных для автосамплера UPLC или LC.
  7. Добавьте 100 μл смеси образцов QC в зарезервированное положение лунки на планшете.
  8. Заклейте каждую пластину клейкой пленкой. Растворитель может быстро испаряться после пробивания скважины, поэтому закачку следует выполнять только один раз с каждой пластины. Планшеты в очереди образцов могут храниться в течение короткого времени при температуре -20 °C.

3. Сбор данных UPLC-MS

  1. Установите автосамплер на 4 °C и поместите первые две пластины в автосамплер.
  2. Настройте метод сбора данных с использованием одного из двух альтернативных обратных фазовых градиентов. Градиент А смещен в сторону неполярных молекул, в то время как градиент В обеспечит улучшенное покрытие умеренно полярных молекул.
    1. Градиент A:
      мм См. балла
      Время (мин)%А%Бкривая
      0,01000 
      0,110006
      1.060406
      Версия 3.030706
      11.001006
      17,001006
      17,110006
      23,010006
    2. Градиент B
      См.
      Время (мин)%А%Бкривая
      0,01000 
      110006
      135956
      165956
      16.0510006
      2010006
  3. Установите масс-спектрометр для сбора данных в положительном режиме сканирования от 50-1 200 м/з. Дополнительные специфические условия прибора будут варьироваться в зависимости от используемой системы. Ниже приведены условия использования на нашем масс-спектрометре Waters Xevo G2 Q-TOF: Энергия столкновения = 6 В; Время сканирования = 0,2 секунды на сканирование; капиллярное напряжение = 2 200 В; Температура источника = 150 °C, температура десольватации = 350 °C, расход газа при десольватации (N2) = 800 л/ч).
  4. Вводите образцы контроля качества пять раз в начале каждой партии образцов с 2 планшетами. После кондиционирования системы UPLC-MS с первыми двумя инъекциями контролируйте пиковую площадь (<25% RSD), время удержания (+/- 0,05 мин) и точность массы (+/- 3 ppm) с третьей по пятую инъекции. Эти параметры могут нуждаться в корректировке в соответствии со спецификациями прибора, используемого для сбора данных.
  5. Если образцы контроля качества пройдены, соберите данные о образцах сыворотки для этих двух планшетов. Если выборки контроля качества не завершаются сбоем, данные выборки не собираются до тех пор, пока проблема не будет устранена и образцы контроля качества не пройдут успешно. В нашей лаборатории мы обнаружили, что эти параметры стабильны в течение трех дней закачки (т.е. закачки 2 96 пластин лунки). Если в течение этого периода времени ваша система оказалась нестабильной, может быть целесообразно проводить более частые инъекции контроля качества. Выборка контроля качества используется не для исправления данных низкого качества, а для предотвращения сбора данных низкого качества.

4. Обнаружение, интегрирование, выравнивание и нормализация пиков

Существует множество вариантов выполнения этих шагов, включая бесплатные программы и инструменты, специфичные для поставщика. Этот шаг был пропущен в видеоуроке, но наш подход описан ниже в качестве примера.

Для каждого образца аналитические данные, полученные в результате этого типа эксперимента, представляют собой профиль ионов, описываемый временем удержания, значением m/z и спектральной интенсивностью. Эксперимент по нецелевому профилированию метаболитов будет состоять из множества образцов, поэтому необходимо выполнить обнаружение пиков, выравнивание времени удержания и нормализацию для обеспечения последующего статистического анализа набора данных.

  1. Экспортируйте сырые данные в формат .cdf с помощью программного обеспечения Waters DataBridge. Выполнение обнаружения пиковых значений и выравнивание времени удержания с помощью программного пакета XCMS 10 (бесплатное программное обеспечение доступно по адресу http://metlin.scripps.edu/xcms/) и выполняется в статистической среде R11). Веб-сайт содержит документацию о том, как загрузить и запустить программное обеспечение.
  2. Используйте метод "matchedfilter" в XCMS со следующими параметрами: полная ширина при половине max = 8 сек, соотношение S/N = 3, максимум 100 пиков для каждой выделенной ионной хроматограммы. Выполняйте шаги группировки функций, коррекции времени хранения, перегруппировки и fillPeaks. Выходными данными программного обеспечения XCMS является матрица данных, в которой все обнаруживаемые признаки перечислены в виде строк, каждая экспериментальная выборка — в виде столбца, а ячейки заполнены пиковой областью каждого признака в каждой выборке. Транспонирование этого набора данных может потребоваться для включения в последующие статистические рабочие процессы.
  3. Нормализуйте матрицу данных в R, разделив пиковую площадь каждого признака в данной выборке на сумму извлеченной ионной пиковой площади (называемой общим ионным током, или TIC для этой выборки (умноженной на 100 000, чтобы сделать числа более пригодными для визуальной интерпретации данных).
  4. Удалите выбросы. Выбросы в данных могут быть результатом либо плохого внедрения хорошей выборки, либо хорошей инъекции плохой выборки.
    1. Выполните обнаружение выбросов в R с помощью пакета выбросов со следующими параметрами: (1) значения TIC и (2) оценки PC с вероятностью 99,9%.
    2. Если выбросы присутствуют, соответствующие файлы данных удаляются, и снова выполняются процедуры обнаружения, выравнивания и нормализации пиков.
  5. Усреднить нормализованные пиковые площади по идентификатору образца (чтобы усреднить количество повторных инжекций). Это должно быть сделано до проведения статистического анализа (обратите внимание, что инжекционные репликации учитывают аналитическую изменчивость, но не могут использоваться как истинные биологические репликации).

5. Статистический анализ

Для экспериментов по метаболомике необходимы как многомерные, так и одномерные статистические методы для интерпретации данных. Обычно используются два метода: анализ главных компонент и дисперсионный анализ (ANOVA). Существует несколько способов подхода к статистическому анализу данных, и доступны как инструменты с открытым исходным кодом, так и коммерческие программные инструменты. Этот шаг был пропущен в видеоуроке, но наш подход описан ниже в качестве примера.

  1. Выполните ANOVA, применив функцию aov к набору данных в R.
  2. Учет ложных срабатываний с помощью корректировки Беньямини-Хохберга (функция p.adjust в R).
  3. Проведение PCA с масштабированным по Парето (также может быть применена единичная дисперсия) и среднецентрированным набором данных. Как оценки, так и нагрузки на ПК рассчитываются с помощью пакета pcaMethods в R.
  4. Используйте p-значения ANOVA, оценки нагрузки и параметры изменения кратности для определения молекулярных особенностей, которые лучше всего описывают вариации, связанные с экспериментальным лечением.
  5. Вручную исследуйте каждую интересующую молекулярную особенность, чтобы определить, соответствует ли она молекулярному иону, аддукту (например, натрию, калию или димеру) или нейтральной утрате.

6. Идентификация метаболитов

Представленный здесь рабочий процесс очень общий и может быть применен к результатам с любой инструментальной платформы. Альтернативная стратегия представлена в разделе «Обсуждение».

  1. Для всех статистически значимых признаков (определенных в результате анализа на шаге 6) просмотрите исходные данные и подтвердите, что родительские ионы, аддукты натрия, изотопы и фрагменты следуют схожим тенденциям по всему набору данных. Например, полученное из ANOVA p-значение для родительского иона должно быть аналогично его изотопу. Это указывает на то, что обе молекулярные особенности соответствуют одному и тому же метаболиту.
  2. Поиск точных измерений массы и/или нейтральных потерь статистически значимых молекулярных характеристик (выберите изотоп C12, если несколько изотопов являются значимыми) по внутренним (если имеется) или общедоступным базам данных метаболитов, таким как:
    1. База данных метаболомов человека (http://www.hmdb.ca/)
    2. Метлин (http://metlin.scripps.edu/metabo_search_alt2.php)
    3. Массовый банк (http://www.massbank.jp/?lang=en)
    4. Липидные карты (http://www.lipidmaps.org/data/standards/index.html)
    5. Национальный институт стандартов и технологий MS Search (http://chemdata.nist.gov/mass-spc/ms-search/)
  3. Используйте программное обеспечение для прогнозирования молекулярной формулы на основе точного распределения массы и изотопов значимых молекулярных особенностей. В программном обеспечении Waters это выполняется с помощью инструмента Elemental Comp в пакете MassLynx.
  4. Отфильтруйте идентификацию кандидатов на метаболиты по: массовой ошибке (в соответствии с платформой вашего прибора), прогнозируемой молекулярной формуле, биологической значимости в наблюдаемых тенденциях в отношении экспериментального дизайна и времени удержания (например, липиды и другие неполярные соединения будут иметь более длительное время удержания при использовании обратной фазовой хроматографии).
  5. Проведение последующих экспериментов для получения фрагментации МС/МС для статистически значимых молекулярных особенностей. По возможности идентификация метаболитов должна основываться на сопоставлении экспериментальных пиков фрагментации и времени удержания с подлинным стандартом, полученным на том же приборе. В качестве альтернативы экспериментальная фрагментация может быть сопоставлена со спектральной базой данных.
  6. Достоверность идентификации должна быть присвоена всем сообщенным идентификациям метаболитов на основе рекомендаций инициативы по стандартам метаболомики12.
    Уровень 1: уверенная молекулярная идентификация на основе ортогональных аналитических параметров (точная масса, время удержания и фрагментация МС/МС) относительно подлинного соединения><. Уровень 2 относится к предполагаемой идентификационной основе по физико-химическим свойствам и/или спектральному сходству с литературой или спектральными библиотеками.
    Уровень 3 относится к предполагаемой идентификации класса соединений на основе физико-химических свойств или спектрального сходства.
    Уровень 4 относится к неизвестному соединению.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Основные аналитические этапы эксперимента по нецелевому профилированию метаболитов с помощью UPLC-MS представлены на Рисунке 1. Необработанные данные для каждого образца могут быть визуализированы в виде хроматограммы базовых пиков. На Рисунке 2 показан пример хроматограммы базовых пиков образца сыворотки крови, проанализированного с использованием варианта градиента (a), описанного в руководстве. После проведения статистического анализа, изложенного выше, предпринимается попытка идентиф...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Данное учебное пособие призвано послужить отправной точкой для проведения крупномасштабного нецелевого профилирования метаболитов с помощью UPLC-MS. Рабочий процесс сосредоточен на метаболитах, которые могут быть экстрагированы с помощью водного растворителя метанола, удерживаться в колонке C8 или C18 UPLC и обнаруживаться в виде положительных ионов. В ситуации, когда нет заранее определенного смещения в сторону конкретного класса метаболитов и требуется гипотеза, генерирующая глобальный профиль, этот протокол полезен, п...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют, что у них нет конкурирующих финансовых интересов.

Благодарности

Представленный урок был выполнен и разработан в рамках Центра протеомики и метаболомики Университета штата Колорадо, который частично финансируется Ресурсами управления исследованиями CSU для научных проектов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
96 луночных планшетов - 500 мкм; l лункиVWR40002-020Используются для подготовки образцов
96 луночных планшетов коврикиVWR89026-514Используются для подготовки образцов
96 луночных планшетов - 350 μ l скважиныWaters CorporationWAT058943Они используются для закачки проб
96 маты для скважинWatersCorporation 186000857Они используются для закачки проб
96 теплосвариватели для скважинных пластинWaters Corporation186002789Их можно использовать для закачки проб или длительного хранения
96 Термосварочный аппарат для скважинных пластин Waters Corporation186002786
Метанол марки LC-MSFluka34966
Ацетонитрил марки LC-MSFluka34967
Марка LC-MS AaterFluka39253
Муравьиная кислота марки LC-MSFluka56302
Многоканальный электронный дозаторVWR89000-674
Наконечники PipettEclipse (приобретены через Light Labs)B-5061/B-4061
Охлаждаемая центрифуга - Allegra X-12RBeckman CoulterN/A - обратитесь в Beckman Coulter
Acquity Ultra performance Liquid Chromatography (UPLC) SystemWaters CorporationN/A - обратитесь в Waters Corporation
колонка UPLC C8 (градиентный вариант a)Waters Corporation186002876
колонка UplC T3 (градиентный вариант b) Waters Корпорация186003536
Масс-спектрометр Xevo G2 Q-TOFWaters CorporationN/A - связаться с Waters Corporation

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Крупномасштабная Нецелевые Metabolomic профилирование сыворотки Ultra Performance жидкостной хроматографии-масс-спектрометрии (UPLC-MS)
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.