La metabolómica es el estudio científico de los procesos químicos que involucran metabolitos , sustratos de moléculas pequeñas, intermediarios y productos del metabolismo celular. Específicamente, la metabolómica es el "estudio sistemático de las huellas químicas únicas que dejan los procesos celulares específicos", el estudio de sus perfiles de metabolitos de moléculas pequeñas . [1] El metaboloma representa el conjunto completo de metabolitos en una célula, tejido, órgano u organismo biológico, que son los productos finales de los procesos celulares. [2] El ARN mensajero (ARNm), los datos de expresión génica y los análisis proteómicos revelan el conjunto de productos génicos.siendo producidos en la célula, datos que representan un aspecto de la función celular. Por el contrario, el perfil metabólico puede dar una instantánea instantánea de la fisiología de esa célula, [3] y por lo tanto, la metabolómica proporciona una "lectura funcional directa del estado fisiológico" de un organismo. [4] Uno de los desafíos de la biología de sistemas y la genómica funcional es integrar la información genómica , transcriptómica , proteómica y metabolómica para proporcionar una mejor comprensión de la biología celular.
Historia
El concepto de que los individuos pueden tener un "perfil metabólico" que podría reflejarse en la composición de sus fluidos biológicos fue introducido por Roger Williams a fines de la década de 1940, [5] quien utilizó la cromatografía en papel para sugerir que los patrones metabólicos característicos en la orina y la saliva estaban asociados con enfermedades como la esquizofrenia . Sin embargo, fue solo a través de los avances tecnológicos en las décadas de 1960 y 1970 que se volvió factible medir cuantitativamente (en lugar de cualitativamente) los perfiles metabólicos. [6] El término "perfil metabólico" fue introducido por Horning, et al. en 1971 después de que demostraron que la cromatografía de gases-espectrometría de masas (GC-MS) podría usarse para medir compuestos presentes en la orina humana y extractos de tejido. [7] [8] El grupo Horning, junto con el de Linus Pauling y Arthur B. Robinson lideraron el desarrollo de métodos GC-MS para monitorear los metabolitos presentes en la orina durante la década de 1970. [9]
Al mismo tiempo, la espectroscopia de RMN , que se descubrió en la década de 1940, también estaba experimentando rápidos avances. En 1974, Seeley et al. demostraron la utilidad de usar RMN para detectar metabolitos en muestras biológicas no modificadas. [10] Este primer estudio sobre el músculo destacó el valor de la RMN en el sentido de que se determinó que el 90% del ATP celular forma un complejo con magnesio. A medida que la sensibilidad ha mejorado con la evolución de mayores intensidades de campo magnético y giro de ángulo mágico , la RMN sigue siendo una herramienta analítica líder para investigar el metabolismo. [7] [11] Reciente [ ¿cuándo? ] los esfuerzos para utilizar la RMN para la metabolómica han sido impulsados en gran parte por el laboratorio de Jeremy K. Nicholson en Birkbeck College, Universidad de Londres y más tarde en el Imperial College de Londres . En 1984, Nicholson demostró que la espectroscopia de 1 H RMN podría usarse para diagnosticar diabetes mellitus, y más tarde fue pionera en la aplicación de métodos de reconocimiento de patrones a los datos espectroscópicos de RMN. [12] [13]
En 1995, Gary Siuzdak realizó experimentos de cromatografía líquida, espectrometría de masas, metabolómica [14] mientras trabajaba con Richard Lerner (entonces presidente del Instituto de Investigación Scripps) y Benjamin Cravatt, para analizar el líquido cefalorraquídeo de animales privados de sueño. Se observó una molécula de particular interés, la oleamida , y más tarde se demostró que tenía propiedades inductoras del sueño. Este trabajo es uno de los primeros experimentos de este tipo que combinan cromatografía líquida y espectrometría de masas en metabolómica.
En 2005, la primera base de datos de espectrometría de masas en tándem de metabolómica, METLIN , [15] [16] para caracterizar metabolitos humanos se desarrolló en el laboratorio de Siuzdak en el Instituto de Investigación Scripps . METLIN ha crecido desde entonces y, a partir del 1 de julio de 2019, METLIN contiene más de 450,000 metabolitos y otras entidades químicas, cada compuesto tiene datos experimentales de espectrometría de masas en tándem generados a partir de estándares moleculares a múltiples energías de colisión y en modos de ionización positiva y negativa. METLIN es el mayor depósito de datos de espectrometría de masas en tándem de su tipo. 2005 también fue el año en el que apareció por primera vez la revista académica especializada Metabolomics, fundada por su actual editor en jefe, el profesor Roy Goodacre .
En 2005, el laboratorio de Siuzdak se dedicó a identificar metabolitos asociados con la sepsis y en un esfuerzo por abordar el problema de identificar estadísticamente los metabolitos desregulados más relevantes en cientos de conjuntos de datos de LC / MS, se desarrolló el primer algoritmo para permitir la alineación no lineal de datos de metabolómica de espectrometría de masas. Llamado XCMS, [17] donde la "X" constituye cualquier tecnología cromatográfica, se ha desarrollado desde (2012) [18] como una herramienta en línea y en 2019 (con METLIN) tiene más de 30.000 usuarios registrados.
El 23 de enero de 2007, el Proyecto Metaboloma Humano , dirigido por David Wishart de la Universidad de Alberta , Canadá, completó el primer borrador del metaboloma humano, que consta de una base de datos de aproximadamente 2500 metabolitos, 1200 fármacos y 3500 componentes alimentarios. [19] [20] Se han llevado a cabo proyectos similares en varias especies de plantas, sobre todo Medicago truncatula [21] y Arabidopsis thaliana [22] durante varios años.
A mediados de 2010, la metabolómica todavía se consideraba un "campo emergente". [23] Además, se señaló que el progreso ulterior en el campo dependía en gran parte, a través de abordar "desafíos técnicos irresolubles", de la evolución técnica de la instrumentación de espectrometría de masas . [23]
En 2015, se demostró por primera vez el perfil del metaboloma en tiempo real. [24]
Metaboloma
El metaboloma se refiere al conjunto completo de metabolitos de molécula pequeña (<1,5 kDa) [19] (como intermediarios metabólicos, hormonas y otras moléculas de señalización y metabolitos secundarios) que se encuentran dentro de una muestra biológica, como un solo organismo. [25] [26] La palabra se acuñó en analogía con la transcriptómica y la proteómica ; al igual que el transcriptoma y el proteoma, el metaboloma es dinámico y cambia de segundo a segundo. Aunque el metaboloma se puede definir con bastante facilidad, actualmente no es posible analizar toda la gama de metabolitos mediante un único método analítico.
La primera base de datos de metabolitos (llamada METLIN ) para buscar datos de fragmentación de experimentos de espectrometría de masas en tándem fue desarrollada por el laboratorio Siuzdak en el Instituto de Investigación Scripps en 2005. [15] [16] METLIN contiene más de 450,000 metabolitos y otras entidades químicas, cada compuesto tiene datos experimentales de espectrometría de masas en tándem. En 2006, [17] el laboratorio de Siuzdak también desarrolló el primer algoritmo para permitir la alineación no lineal de datos metabolómicos de espectrometría de masas. Llamado XCMS, donde la "X" constituye cualquier tecnología cromatográfica, se ha desarrollado desde (2012) [18] como una herramienta en línea y en 2019 (con METLIN) tiene más de 30.000 usuarios registrados.
En enero de 2007, científicos de la Universidad de Alberta y la Universidad de Calgary completaron el primer borrador del metaboloma humano. La base de datos del metaboloma humano (HMDB) es quizás la base de datos espectral metabolómica pública más extensa hasta la fecha. [27] La HMDB almacena más de 110.000 entradas de metabolitos diferentes. Catalogaron aproximadamente 1200 fármacos y 3500 componentes alimentarios que se pueden encontrar en el cuerpo humano, como se informa en la literatura. [19] Esta información, disponible en la base de datos del metaboloma humano (www.hmdb.ca) y basada en el análisis de la información disponible en la literatura científica actual, está lejos de ser completa. [28] Por el contrario, se sabe mucho más sobre los metabolomas de otros organismos. Por ejemplo, se han caracterizado más de 50.000 metabolitos del reino vegetal y se han identificado y / o caracterizado muchos miles de metabolitos a partir de plantas individuales. [29] [30]
Cada tipo de célula y tejido tiene una 'huella digital' metabólica única que puede dilucidar información específica de órganos o tejidos. Las bio-muestras utilizadas para el análisis metabolómico incluyen, entre otras, plasma, suero, orina, saliva, heces, músculo, sudor, aliento exhalado y líquido gastrointestinal. [31] La facilidad de recolección facilita una alta resolución temporal, y debido a que siempre están en equilibrio dinámico con el cuerpo, pueden describir al huésped como un todo. [32] El genoma puede decir lo que podría suceder, el transcriptoma puede decir lo que parece estar sucediendo, el proteoma puede decir qué hace que suceda y el metaboloma puede decir lo que ha sucedido y lo que está sucediendo. [33]
Metabolitos
Los metabolitos son los sustratos, productos intermedios y productos del metabolismo . En el contexto de la metabolómica, un metabolito se define habitualmente como cualquier molécula de tamaño inferior a 1,5 kDa. [19] Sin embargo, existen excepciones según la muestra y el método de detección. Por ejemplo, las macromoléculas como las lipoproteínas y la albúmina se detectan de forma fiable en estudios de metabolómica del plasma sanguíneo basados en RMN. [34] En la metabolómica basada en plantas, es común referirse a metabolitos "primarios" y "secundarios". [3] Un metabolito primario está directamente involucrado en el crecimiento, desarrollo y reproducción normales. Un metabolito secundario no está directamente involucrado en esos procesos, pero por lo general tiene una función ecológica importante . Los ejemplos incluyen antibióticos y pigmentos . [35] Por el contrario, en la metabolómica basada en humanos, es más común describir los metabolitos como endógenos (producidos por el organismo huésped) o exógenos . [36] [37] Los metabolitos de sustancias extrañas, como los fármacos, se denominan xenometabolitos. [38]
El metaboloma forma una gran red de reacciones metabólicas , donde las salidas de una reacción química enzimática son entradas para otras reacciones químicas. Estos sistemas se han descrito como hiperciclos . [ cita requerida ]
Metabonómica
La metabonómica se define como "la medida cuantitativa de la respuesta metabólica multiparamétrica dinámica de los sistemas vivos a los estímulos fisiopatológicos o la modificación genética". El origen de la palabra proviene del griego μεταβολή, que significa cambio y nomos, que significa un conjunto de reglas o un conjunto de leyes. [39] Este enfoque fue iniciado por Jeremy Nicholson en la Universidad de Murdoch y se ha utilizado en toxicología, diagnóstico de enfermedades y varios otros campos. Históricamente, el enfoque de la metabonómica fue uno de los primeros métodos en aplicar el alcance de la biología de sistemas a los estudios del metabolismo. [40] [41] [42]
Ha habido cierto desacuerdo sobre las diferencias exactas entre 'metabolómica' y 'metabonómica'. La diferencia entre los dos términos no está relacionada con la elección de la plataforma analítica: aunque la metabonómica está más asociada con la espectroscopia de RMN y la metabolómica con técnicas basadas en espectrometría de masas , esto se debe simplemente a los usos entre diferentes grupos que han popularizado los diferentes términos. Si bien todavía no hay un acuerdo absoluto, existe un consenso creciente de que la 'metabolómica' pone un mayor énfasis en el perfil metabólico a nivel celular u orgánico y se ocupa principalmente del metabolismo endógeno normal. La 'metabonómica' amplía el perfil metabólico para incluir información sobre las perturbaciones del metabolismo causadas por factores ambientales (incluida la dieta y las toxinas), los procesos de enfermedades y la participación de influencias extragenómicas, como la microflora intestinal . Ésta no es una diferencia trivial; Los estudios metabolómicos deberían, por definición, excluir las contribuciones metabólicas de fuentes extragenómicas, porque son externas al sistema que se está estudiando. Sin embargo, en la práctica, dentro del campo de la investigación de enfermedades humanas, todavía existe un gran grado de superposición en la forma en que se utilizan ambos términos y, de hecho, a menudo son sinónimos. [43]
Exometabolómica
La exometabolómica, o "huella metabólica", es el estudio de los metabolitos extracelulares. Utiliza muchas técnicas de otros subcampos de la metabolómica y tiene aplicaciones en el desarrollo de biocombustibles , el bioprocesamiento , la determinación del mecanismo de acción de los fármacos y el estudio de las interacciones intercelulares. [44]
Tecnologías analíticas
El flujo de trabajo típico de los estudios de metabolómica se muestra en la figura. Primero, se recolectan muestras de tejido, plasma, orina, saliva, células, etc. Luego, se extraen los metabolitos a menudo con la adición de estándares internos y derivatización. [45] Durante el análisis de la muestra, se cuantifican los metabolitos ( cromatografía líquida o cromatografía de gases junto con espectroscopía MS y / o RMN ). Los datos de salida sin procesar se pueden utilizar para la extracción de características de metabolitos y luego procesarse antes del análisis estadístico (como PCA ). Se encuentran disponibles muchas herramientas y software bioinformáticos para identificar asociaciones con estados de enfermedad y resultados, determinar correlaciones significativas y caracterizar firmas metabólicas con el conocimiento biológico existente. [46]
Métodos de separación
Inicialmente, los analitos en una muestra metabolómica comprenden una mezcla muy compleja. Esta compleja mezcla se puede simplificar antes de la detección separando algunos analitos de otros. La separación logra varios objetivos: los analitos que no pueden ser resueltos por el detector pueden separarse en este paso; en el análisis de EM se reduce la supresión de iones ; el tiempo de retención del analito sirve como información sobre su identidad. Este paso de separación no es obligatorio y a menudo se omite en los enfoques basados en RMN y "escopeta", como la lipidómica de escopeta .
La cromatografía de gases (GC), especialmente cuando se interconecta con la espectrometría de masas ( GC-MS ), es una técnica de separación ampliamente utilizada para el análisis metabolómico. [47] GC ofrece una resolución cromatográfica muy alta y se puede utilizar junto con un detector de ionización de llama (GC / FID) o un espectrómetro de masas (GC-MS). El método es especialmente útil para la identificación y cuantificación de moléculas pequeñas y volátiles. [48] Sin embargo, una limitación práctica de GC es el requisito de derivatización química para muchas biomoléculas, ya que solo las sustancias químicas volátiles pueden analizarse sin derivatización. En los casos en que se requiera un mayor poder de resolución, se puede aplicar la cromatografía bidimensional ( GCxGC ).
La cromatografía líquida de alta resolución (HPLC) se ha convertido en la técnica de separación más común para el análisis metabolómico. Con el advenimiento de la ionización por electropulverización , la HPLC se acopló a la EM. A diferencia de la GC , la HPLC tiene una resolución cromatográfica más baja, pero no requiere derivatización para las moléculas polares y separa las moléculas en la fase líquida. Además, la HPLC tiene la ventaja de que se puede medir una gama mucho más amplia de analitos con una mayor sensibilidad que los métodos de GC. [49]
La electroforesis capilar (CE) tiene una eficacia de separación teórica más alta que la HPLC (aunque requiere mucho más tiempo por separación) y es adecuada para su uso con una gama más amplia de clases de metabolitos que la GC. Como para todas las técnicas electroforéticas, es más apropiada para analitos cargados. [50]
Métodos de detección
La espectrometría de masas (MS) se utiliza para identificar y cuantificar metabolitos después de la separación opcional por GC , HPLC o CE . GC-MS fue la primera técnica con guiones que se desarrolló. La identificación aprovecha los distintos patrones en los que se fragmentan los analitos, lo que puede considerarse como una huella digital espectral de masas; Existen bibliotecas que permiten la identificación de un metabolito de acuerdo con este patrón de fragmentación [se necesita un ejemplo ] . La EM es sensible y puede ser muy específica. También hay una serie de técnicas que utilizan la EM como tecnología independiente: la muestra se infunde directamente en el espectrómetro de masas sin separación previa, y la EM proporciona suficiente selectividad para separar y detectar metabolitos.
Para el análisis por espectrometría de masas, los analitos deben recibir una carga y transferirse a la fase gaseosa. La ionización electrónica (EI) es la técnica de ionización más común que se aplica a las separaciones por GC, ya que es susceptible de presiones bajas. El EI también produce fragmentación del analito, proporcionando información estructural al tiempo que aumenta la complejidad de los datos y posiblemente oscurece el ion molecular. La ionización química a presión atmosférica (APCI) es una técnica de presión atmosférica que se puede aplicar a todas las técnicas de separación anteriores. APCI es un método de ionización en fase gaseosa de ionización ligeramente más agresiva que ESI, que es adecuado para compuestos menos polares. La ionización por electropulverización (ESI) es la técnica de ionización más común aplicada en LC / MS. Esta ionización suave es más exitosa para moléculas polares con grupos funcionales ionizables. Otra técnica de ionización blanda comúnmente utilizada es la ionización por electropulverización secundaria (SESI) .
El análisis de masas basado en superficies ha experimentado un resurgimiento en la última década, con nuevas tecnologías de MS centradas en aumentar la sensibilidad, minimizar el fondo y reducir la preparación de muestras. La capacidad de analizar metabolitos directamente de biofluidos y tejidos continúa desafiando la tecnología actual de la EM, en gran parte debido a los límites impuestos por la complejidad de estas muestras, que contienen de miles a decenas de miles de metabolitos. Entre las tecnologías que se están desarrollando para abordar este desafío se encuentra la nanoestructura iniciadora MS (NIMS), [51] [52] un enfoque de desorción / ionización que no requiere la aplicación de matriz y, por lo tanto, facilita la identificación de moléculas pequeñas (es decir, metabolitos). También se usa MALDI , sin embargo, la aplicación de una matriz MALDI puede agregar un fondo significativo a <1000 Da que complica el análisis del rango de masa baja (es decir, metabolitos). Además, el tamaño de los cristales de matriz resultantes limita la resolución espacial que se puede lograr en la formación de imágenes de tejidos. Debido a estas limitaciones, se han aplicado varios otros enfoques de desorción / ionización sin matriz al análisis de biofluidos y tejidos.
La espectrometría de masas de iones secundarios (SIMS) fue uno de los primeros enfoques de desorción / ionización sin matriz utilizados para analizar metabolitos de muestras biológicas. [ cita requerida ] SIMS utiliza un haz de iones primarios de alta energía para desorber y generar iones secundarios de una superficie. La principal ventaja de SIMS es su alta resolución espacial (tan pequeña como 50 nm), una característica poderosa para la obtención de imágenes de tejidos con EM. Sin embargo, SIMS aún no se ha aplicado fácilmente al análisis de biofluidos y tejidos debido a su sensibilidad limitada a> 500 Da y la fragmentación del analito generada por el haz de iones primarios de alta energía. La ionización por electropulverización por desorción (DESI) es una técnica sin matriz para analizar muestras biológicas que utiliza un pulverizador de disolvente cargado para desorber los iones de una superficie. Las ventajas de DESI son que no se requiere una superficie especial y el análisis se realiza a presión ambiente con acceso completo a la muestra durante la adquisición. Una limitación de DESI es la resolución espacial porque "enfocar" la pulverización de disolvente cargada es difícil. Sin embargo, un desarrollo reciente denominado ESI por ablación con láser (LAESI) es un enfoque prometedor para sortear esta limitación. [ cita requerida ] Más recientemente, las técnicas de trampa de iones como la espectrometría de masas orbitrap también se aplican a la investigación de la metabolómica. [53]
La espectroscopia de resonancia magnética nuclear (RMN) es la única técnica de detección que no se basa en la separación de los analitos, por lo que la muestra puede recuperarse para análisis posteriores. Todos los tipos de metabolitos de moléculas pequeñas se pueden medir simultáneamente; en este sentido, la RMN está cerca de ser un detector universal. Las principales ventajas de la RMN son la alta reproducibilidad analítica y la sencillez de preparación de las muestras. Prácticamente, sin embargo, es relativamente insensible en comparación con las técnicas basadas en espectrometría de masas. [54] [55] En la tabla se muestra una comparación de los métodos metabolómicos más utilizados.
Aunque la RMN y la EM son las más utilizadas, las técnicas modernas son otros métodos de detección que se han utilizado. Estos incluyen resonancia ciclotrón de iones por transformada de Fourier , [56] espectrometría de movilidad iónica , [57] detección electroquímica (acoplada a HPLC), espectroscopia Raman y radiomarcaje (cuando se combinan con cromatografía de capa fina). [ cita requerida ]
métodos de estadística
Los datos generados en metabolómica suelen consistir en mediciones realizadas en sujetos en diversas condiciones. Estas medidas pueden ser espectros digitalizados o una lista de características de metabolitos. En su forma más simple, esto genera una matriz con filas correspondientes a sujetos y columnas correspondientes a características de metabolitos (o viceversa). [7] Actualmente se encuentran disponibles varios programas estadísticos para el análisis de datos tanto de RMN como de espectrometría de masas . Ya hay disponible una gran cantidad de software gratuito para el análisis de los datos metabolómicos que se muestran en la tabla. Algunas herramientas estadísticas enumeradas en la tabla fueron diseñadas para análisis de datos de RMN y también fueron útiles para datos de EM. [58] Para los datos de espectrometría de masas, se dispone de software que identifica moléculas que varían en grupos de sujetos sobre la base del valor de masa sobre carga y, a veces, el tiempo de retención según el diseño experimental. [59]
Una vez que se determina la matriz de datos de metabolitos, se pueden utilizar técnicas de reducción de datos no supervisadas (por ejemplo, PCA) para dilucidar patrones y conexiones. En muchos estudios, incluidos los que evalúan la toxicidad de los fármacos y algunos modelos de enfermedades, los metabolitos de interés no se conocen a priori . Esto hace que los métodos no supervisados, aquellos sin supuestos previos de pertenencia a una clase, sean una primera opción popular. El más común de estos métodos incluye el análisis de componentes principales (PCA), que puede reducir de manera eficiente las dimensiones de un conjunto de datos a unos pocos que explican la mayor variación. [32] Cuando se analiza en el espacio PCA de dimensiones inferiores, se pueden detectar agrupaciones de muestras con huellas dactilares metabólicas similares. Los algoritmos de PCA tienen como objetivo reemplazar todas las variables correlacionadas por un número mucho menor de variables no correlacionadas (denominadas componentes principales (PC)) y conservar la mayor parte de la información en el conjunto de datos original. [60] Este agrupamiento puede dilucidar patrones y ayudar en la determinación de biomarcadores de enfermedades, metabolitos que se correlacionan más con la pertenencia a una clase.
Los modelos lineales se utilizan comúnmente para datos metabolómicos, pero se ven afectados por la multicolinealidad . Por otro lado, las estadísticas multivariadas son métodos prósperos para datos metabolómicos correlacionados de alta dimensión, de los cuales el más popular es la regresión de Proyección a Estructuras Latentes (PLS) y su versión de clasificación PLS-DA. Otros métodos de extracción de datos , como el bosque aleatorio , las máquinas de vectores de soporte , etc., reciben cada vez más atención para el análisis de datos metabolómicos no dirigidos. [61] En el caso de los métodos univariados, las variables se analizan una a una utilizando herramientas estadísticas clásicas (como la prueba t de Student , ANOVA o modelos mixtos) y solo se consideran relevantes aquellas con valores p suficientemente pequeños. [31] Sin embargo, se deben utilizar estrategias de corrección para reducir los falsos descubrimientos cuando se realizan comparaciones múltiples . Para el análisis multivariado , los modelos siempre deben validarse para garantizar que los resultados se puedan generalizar.
El aprendizaje automático también es una herramienta poderosa que se puede utilizar en el análisis metabolómico. Recientemente, los autores de un artículo publicado en Analytical Chemistry , desarrollaron un software de predicción del tiempo de retención llamado Retip . Esta herramienta, desarrollada en colaboración con NGALAB , el West Coast Metabolomics Center y Riken, permite a todos los laboratorios aplicar la inteligencia artificial a la predicción del tiempo de retención de moléculas pequeñas en matrices complejas, como plasma humano, plantas, alimentos o microbios. La predicción del tiempo de retención aumenta la tasa de identificación en cromatografía líquida y posteriormente conduce a una mejor interpretación biológica de los datos metabolómicos. [62]
Aplicaciones clave
La evaluación de la toxicidad / toxicología mediante el perfil metabólico (especialmente de muestras de orina o plasma sanguíneo) detecta los cambios fisiológicos causados por la agresión tóxica de una sustancia química (o mezcla de sustancias químicas). En muchos casos, los cambios observados pueden estar relacionados con síndromes específicos, por ejemplo, una lesión específica en el hígado o el riñón. Esto es de particular relevancia para las compañías farmacéuticas que desean probar la toxicidad de posibles fármacos candidatos: si un compuesto puede eliminarse antes de que llegue a los ensayos clínicos por motivos de toxicidad adversa, se ahorra el enorme gasto de los ensayos. [43]
Para la genómica funcional , la metabolómica puede ser una excelente herramienta para determinar el fenotipo causado por una manipulación genética, como la deleción o inserción de un gen. A veces, esto puede ser un objetivo suficiente en sí mismo, por ejemplo, para detectar cualquier cambio fenotípico en una planta modificada genéticamente destinada al consumo humano o animal. Más interesante es la perspectiva de predecir la función de genes desconocidos en comparación con las perturbaciones metabólicas causadas por la deleción / inserción de genes conocidos. Es muy probable que estos avances provengan de organismos modelo como Saccharomyces cerevisiae y Arabidopsis thaliana . El laboratorio Cravatt en el Scripps Research Institute ha aplicado recientemente esta tecnología para mamíferos sistemas, la identificación de la N -acyltaurines sustratos endógenos como no caracterizados previamente para la enzima ácido graso amida hidrolasa (FAAH) y los éteres monoalkylglycerol (Mages) como sustratos endógenos para la no caracterizado hidrolasa KIAA1363 . [63] [64]
La metabologenómica es un enfoque novedoso para integrar datos de metabolómica y genómica mediante la correlación de metabolitos exportados por microbios con genes biosintéticos predichos. [65] Este método de emparejamiento basado en bioinformática permite el descubrimiento de productos naturales a mayor escala mediante el perfeccionamiento de los análisis metabolómicos no dirigidos para identificar moléculas pequeñas con biosíntesis relacionada y centrarse en aquellas que pueden no tener estructuras previamente conocidas.
La fluxómica es un desarrollo posterior de la metabolómica. La desventaja de la metabolómica es que solo proporciona al usuario información sobre el nivel de estado estable, mientras que la fluxómica determina las velocidades de reacción de las reacciones metabólicas y puede rastrear metabolitos en un sistema biológico a lo largo del tiempo.
La nutrigenómica es un término generalizado que vincula la genómica, la transcriptómica, la proteómica y la metabolómica con la nutrición humana. En general, un metaboloma en un fluido corporal dado está influenciado por factores endógenos como la edad, el sexo, la composición corporal y la genética, así como por las patologías subyacentes. La microflora del intestino grueso también es un factor de confusión potencial muy importante de los perfiles metabólicos y podría clasificarse como un factor endógeno o exógeno. Los principales factores exógenos son la dieta y los medicamentos. Luego, la dieta se puede descomponer en nutrientes y no nutrientes. La metabolómica es un medio para determinar un punto final biológico, o huella metabólica, que refleja el equilibrio de todas estas fuerzas en el metabolismo de un individuo. [66]
Ver también
- Genómica
- Epigenómica
- Transcriptómica
- Proteómica
- Epidemiología molecular
- Medicina molecular
- Patología molecular
- Medicina de precisión
- Fluxómica
- Lipidómica
Referencias
- ^ Daviss B (abril de 2005). "Dolores de crecimiento por metabolómica" . El científico . 19 (8): 25-28.
- ^ Jordan KW, Nordenstam J, Lauwers GY, Rothenberger DA, Alavi K, Garwood M, Cheng LL (marzo de 2009). "Caracterización metabolómica del adenocarcinoma de recto humano con espectroscopia de resonancia magnética de tejido intacto" . Enfermedades del colon y recto . 52 (3): 520–5. doi : 10.1007 / DCR.0b013e31819c9a2c . PMC 2720561 . PMID 19333056 .
- ^ a b Villate, Aitor; Nicolás, Markel San; Gallastegi, Mara; Aulas, Pierre-Antoine; Olivares, Maitane; Usobiaga, Aresatz; Etxebarria, Nestor; Aizpurua-Olaizola, Oier (09/12/2020). "Revisión: La metabolómica como herramienta de predicción del desempeño de las plantas bajo estrés ambiental" . Ciencia de las plantas . 303 : 110789. doi : 10.1016 / j.plantsci.2020.110789 . ISSN 0168-9452 . PMID 33487364 .
- ^ Hollywood K, Brison DR, Goodacre R (septiembre de 2006). "Metabolómica: tecnologías actuales y tendencias de futuro". Proteómica . 6 (17): 4716–23. doi : 10.1002 / pmic.200600106 . PMID 16888765 . S2CID 14631544 .
- ^ Gates SC, Sweeley CC (octubre de 1978). "Perfilado metabólico cuantitativo basado en cromatografía de gases". Química clínica . 24 (10): 1663–73. doi : 10.1093 / clinchem / 24.10.1663 . PMID 359193 .
- ^ Preti, George (6 de junio de 2005). "¿La metabolómica llega a la mayoría de edad?" . El científico . 19 (11): 8.
- ↑ a b c Van der greef y Smilde, J Chemomet, (2005) 19: 376-386
- ^ Shapiro I, Kavkalo DN, Petrova GV, Ganzin AP (2008). "[Angioleiomioma del mesenterio del intestino grueso complicado por peritonitis difusa]" . Sovetskaia Meditsina . 866 (9): 26–47. doi : 10.1016 / j.jchromb.2007.10.007 . PMC 2603028 . PMID 18551752 .
- ^ Griffiths WJ, Wang Y (julio de 2009). "Espectrometría de masas: de la proteómica a la metabolómica y la lipidómica" . Reseñas de la Sociedad Química . 38 (7): 1882–96. doi : 10.1039 / b618553n . PMID 19551169 . S2CID 12237358 .
- ^ Hoult DI, Busby SJ, Gadian DG, Radda GK, Richards RE, Seeley PJ (noviembre de 1974). "Observación de metabolitos tisulares mediante resonancia magnética nuclear 31P". Naturaleza . 252 (5481): 285–7. Código Bibliográfico : 1974Natur.252..285H . doi : 10.1038 / 252285a0 . PMID 4431445 . S2CID 4291661 .
- ^ Nicholson JK, Lindon JC (octubre de 2008). "Biología de sistemas: metabonómica". Naturaleza . 455 (7216): 1054–6. Código Bibliográfico : 2008Natur.455.1054N . doi : 10.1038 / 4551054a . PMID 18948945 . S2CID 4411723 .
- ^ Holmes E, Antti H (diciembre de 2002). "Contribuciones quimiométricas a la evolución de la metabonómica: soluciones matemáticas para caracterizar e interpretar espectros biológicos de RMN complejos". El analista . 127 (12): 1549–57. Código Bibliográfico : 2002Ana ... 127.1549H . doi : 10.1039 / b208254n . PMID 12537357 .
- ^ Lenz EM, Wilson ID (febrero de 2007). "Estrategias analíticas en metabonómica". Revista de investigación del proteoma . 6 (2): 443–58. doi : 10.1021 / pr0605217 . PMID 17269702 .
- ^ Cravatt BF, Prospero-Garcia O, Siuzdak G, Gilula NB, Henriksen SJ, Boger DL, Lerner RA (junio de 1995). "Caracterización química de una familia de lípidos cerebrales que inducen el sueño". Ciencia . 268 (5216): 1506–9. Código Bibliográfico : 1995Sci ... 268.1506C . doi : 10.1126 / science.7770779 . PMID 7770779 .
- ^ a b Smith CA, O'Maille G, Want EJ, Qin C, Trauger SA, Brandon TR, et al. (Diciembre de 2005). "METLIN: una base de datos espectral de masas de metabolitos". Monitoreo de fármacos terapéuticos . 27 (6): 747–51. doi : 10.1097 / 01.ftd.0000179845.53213.39 . PMID 16404815 . S2CID 14774455 .
- ^ a b Guijas C, Montenegro-Burke JR, Domingo-Almenara X, Palermo A, Warth B, Hermann G, et al. (Marzo de 2018). "METLIN: una plataforma tecnológica para identificar lo conocido y lo desconocido" . Química analítica . 90 (5): 3156–3164. doi : 10.1021 / acs.analchem.7b04424 . PMC 5933435 . PMID 29381867 .
- ^ a b Smith CA, Want EJ, O'Maille G, Abagyan R, Siuzdak G (febrero de 2006). "XCMS: procesamiento de datos de espectrometría de masas para el perfil de metabolitos mediante alineación, coincidencia e identificación de picos no lineales". Química analítica . 78 (3): 779–87. doi : 10.1021 / ac051437y . PMID 16448051 .
- ^ a b Tautenhahn R, Patti GJ, Rinehart D, Siuzdak G (junio de 2012). "XCMS Online: una plataforma basada en web para procesar datos metabolómicos no dirigidos" . Química analítica . 84 (11): 5035–9. doi : 10.1021 / ac300698c . PMC 3703953 . PMID 22533540 .
- ^ a b c d Wishart, David S .; Tzur, Dan; Knox, Craig; Eisner, romano; Guo, An Chi; Young, Nelson; Cheng, decano; Jewell, Kevin; Arndt, David; Sawhney, Summit; Fung, Chris; Nikolai, Lisa; Lewis, Mike; Coutouly, Marie-Aude; Forsythe, Ian J .; Tang, Peter; Shrivastava, Savita; Jeroncic, Kevin; Stothard, Paul; Amegbey, Godwin; Block, David; Hau, David D .; Wagner, James; Miniaci, Jessica; Clements, Melisa; Gebremedhin, Mulu; Guo, Natalie; Zhang, Ying; Duggan, Gavin E .; Macinnis, Glen D .; Weljie, Alim M .; Dowlatabadi, Reza; Bamforth, Fiona; Clive, Derrick; Greiner, Russ; Li, Liang; Marrie, Tom; Sykes, Brian D .; Vogel, Hans J .; Querengesser, Lori (1 de enero de 2007). "HMDB: la base de datos de metabolos humanos" (PDF) . Investigación de ácidos nucleicos . 35 (D1): D521 – D526. doi : 10.1093 / nar / gkl923 . PMC 1899095 . PMID 17202168 .
- ^ Wishart, David S .; Knox, Craig; Guo, An Chi; Eisner, romano; Young, Nelson; Gautam, Bijaya; Hau, David D .; Psychogios, Nick; Dong, Edison; Bouatra, Souhaila; Mandal, Rupasri; Sinelnikov, Igor; Xia, Jianguo; Jia, Leslie; Cruz, Joseph A .; Lim, Emilia; Sobsey, Constance A .; Shrivastava, Savita; Huang, Paul; Liu, Philip; Fang, Lydia; Peng, Jun; Fradette, Ryan; Cheng, decano; Tzur, Dan; Clements, Melisa; Lewis, Avalyn; de Souza, Andrea; Zúñiga, Azaret; Dawe, Margot; Xiong, Yeping; Clive, Derrick; Greiner, Russ; Nazyrova, Alsu; Shaykhutdinov, Rustem; Li, Liang; Vogel, Hans J .; Forsythe, Ian J. (1 de enero de 2009). "HMDB: una base de conocimientos para el metaboloma humano" (PDF) . Investigación de ácidos nucleicos . 37 (D1): D603 – D610. doi : 10.1093 / nar / gkn810 . PMC 2686599 . PMID 18953024 .
- ^ Farag MA, Huhman DV, Dixon RA, Sumner LW (febrero de 2008). "La metabolómica revela nuevas vías y respuestas mecánicas diferenciales y específicas de elicitor en la biosíntesis de fenilpropanoides e isoflavonoides en cultivos de células de Medicago truncatula" . Fisiología vegetal . 146 (2): 387–402. doi : 10.1104 / pp.107.108431 . PMC 2245840 . PMID 18055588 .
- ^ "www.Plantmetabolomics.org" . 7 de noviembre de 2012. Archivado desde el original el 7 de noviembre de 2012 . Consultado el 20 de mayo de 2020 .
- ^ a b Morrow Jr KJ (1 de abril de 2010). "Mass Spec fundamental para la metabolómica" . Noticias de Ingeniería Genética y Biotecnología . 30 (7). pag. 1. Archivado desde el original el 28 de junio de 2010 . Consultado el 28 de junio de 2010 .
- ^ "Análisis en tiempo real de productos metabólicos" . phys.org . Consultado el 20 de mayo de 2020 .
- ^ Oliver SG, Winson MK, Kell DB, Baganz F (septiembre de 1998). "Análisis funcional sistemático del genoma de la levadura". Tendencias en biotecnología . 16 (9): 373–8. doi : 10.1016 / S0167-7799 (98) 01214-1 . PMID 9744112 .
- ^ Griffin JL, Vidal-Puig A (junio de 2008). "Desafíos actuales en metabolómica para la investigación de la diabetes: ¿una herramienta genómica funcional vital o simplemente una estratagema para obtener fondos?" . Genómica fisiológica . 34 (1): 1–5. doi : 10.1152 / fisiolgenómica.00009.2008 . PMID 18413782 . S2CID 9416755 .
- ^ HMDB 4.0: la base de datos del metaboloma humano en 2018.
- ^ Pearson H (marzo de 2007). "Conoce el metaboloma humano" . Naturaleza . 446 (7131): 8. Bibcode : 2007Natur.446 .... 8P . doi : 10.1038 / 446008a . PMID 17330009 . S2CID 2235062 .
- ^ De Luca V, St Pierre B (abril de 2000). "La biología celular y del desarrollo de la biosíntesis de alcaloides". Tendencias en ciencia de las plantas . 5 (4): 168–73. doi : 10.1016 / S1360-1385 (00) 01575-2 . PMID 10740298 .
- ^ Griffin JL, Shockcor JP (julio de 2004). "Perfiles metabólicos de las células cancerosas". Reseñas de la naturaleza. Cáncer . 4 (7): 551–61. doi : 10.1038 / nrc1390 . PMID 15229480 . S2CID 527894 .
- ^ a b Ulaszewska, Marynka M .; Weinert, Christoph H .; Trimigno, Alessia; Portmann, Reto; Andrés Lacueva, Cristina; Badertscher, René; Brennan, Lorena; Brunius, Carl; Bub, Achim; Capozzi, Francesco; Cialiè Rosso, Marta; Cordero, Chiara E .; Daniel, Hannelore; Durand, Stéphanie; Egert, Bjoern; Ferrario, Paola G .; Feskens, Edith JM; Franceschi, Pietro; García Aloy, Mar; Giacomoni, Franck; Giesbertz, Pieter; González Domínguez, Raúl; Hanhineva, Kati; Hemeryck, Lieselot Y .; Kopka, Joachim; Kulling, Sabine E .; Llorach, Rafael; Manach, Claudine; Mattivi, Fulvio; et al. (2019). "Nutrimetabolómica: una acción integradora para análisis metabolómicos en estudios nutricionales humanos" . Investigación en Nutrición Molecular e Alimentos . 63 (1): 1800384. doi : 10.1002 / mnfr.201800384 . PMID 30176196 .
- ^ a b Nicholson JK, Wilson ID (agosto de 2003). "Opinión: comprensión de la biología de sistemas 'globales': metabonómica y el continuo del metabolismo". Reseñas de la naturaleza. Descubrimiento de drogas . 2 (8): 668–76. doi : 10.1038 / nrd1157 . PMID 12904817 . S2CID 23743031 .
- ^ Dettmer, Katja; Aronov, Pavel A .; Hamaca, Bruce D. (2007). "Metabolómica basada en espectrometría de masas" . Revisiones de espectrometría de masas . 26 (1): 51–78. Código Bibliográfico : 2007MSRv ... 26 ... 51D . doi : 10.1002 / mas.20108 . ISSN 0277-7037 . PMC 1904337 . PMID 16921475 .
- ^ Nicholson JK, Foxall PJ, Spraul M, Farrant RD, Lindon JC (marzo de 1995). "Espectroscopía de RMN 1H y 1H-13C de 750 MHz de plasma sanguíneo humano". Química analítica . 67 (5): 793–811. doi : 10.1021 / ac00101a004 . PMID 7762816 .
- ^ Bentley R (1999). "Biosíntesis de metabolitos secundarios: el primer siglo". Revisiones críticas en biotecnología . 19 (1): 1–40. doi : 10.1080 / 0738-859991229189 . PMID 10230052 .
- ^ Nordström A, O'Maille G, Qin C, Siuzdak G (mayo de 2006). "Alineación de datos no lineales para metabolómica basada en UPLC-MS y HPLC-MS: análisis cuantitativo de metabolitos endógenos y exógenos en suero humano" . Química analítica . 78 (10): 3289–95. doi : 10.1021 / ac060245f . PMC 3705959 . PMID 16689529 .
- ^ Lin, Weifeng; Conway, Louis P .; Block, Annika; Sommi, Greta; Vujasinovic, Miroslav; Löhr, J.-Matthias; Globisch, Daniel (2 de junio de 2020). "Análisis espectrométrico de masas sensibles de metabolitos de carbonilo en orina humana y muestras fecales mediante modificación quimioselectiva" . Analista . 145 (11): 3822–3831. Código Bib : 2020Ana ... 145.3822L . doi : 10.1039 / D0AN00150C . PMID 32393929 .
- ^ Crockford DJ, Maher AD, Ahmadi KR, Barrett A, Plumb RS, Wilson ID, Nicholson JK (septiembre de 2008). "Heterospectroscopia estadística 1H RMN y UPLC-MS (E): caracterización de metabolitos de fármacos (xenometaboloma) en estudios epidemiológicos". Química analítica . 80 (18): 6835–44. doi : 10.1021 / ac801075m . PMID 18700783 .
- ^ Nicholson JK (2006). "Biología de sistemas globales, medicina personalizada y epidemiología molecular" . Biología de sistemas moleculares . 2 (1): 52. doi : 10.1038 / msb4100095 . PMC 1682018 . PMID 17016518 .
- ^ Nicholson JK, Lindon JC, Holmes E (noviembre de 1999). " ' Metabonomics': comprensión de las respuestas metabólicas de los sistemas vivos a los estímulos fisiopatológicos a través de análisis estadístico multivariante de datos biológicos espectroscópicos de RMN". Xenobiotica; el destino de los compuestos extraños en los sistemas biológicos . 29 (11): 1181–9. doi : 10.1080 / 004982599238047 . PMID 10598751 .
- ^ Nicholson JK, Connelly J, Lindon JC, Holmes E (febrero de 2002). "Metabonomics: una plataforma para estudiar la toxicidad de los fármacos y la función de los genes". Reseñas de la naturaleza. Descubrimiento de drogas . 1 (2): 153–61. doi : 10.1038 / nrd728 . PMID 12120097 . S2CID 17881327 .
- ^ Holmes E, Wilson ID, Nicholson JK (septiembre de 2008). "Fenotipado metabólico en salud y enfermedad". Celular . 134 (5): 714–7. doi : 10.1016 / j.cell.2008.08.026 . PMID 18775301 . S2CID 6677621 .
- ^ a b Robertson DG (junio de 2005). "Metabonomía en toxicología: una revisión" . Ciencias Toxicológicas . 85 (2): 809–22. doi : 10.1093 / toxsci / kfi102 . PMID 15689416 .
- ^ Silva LP, Northen TR (agosto de 2015). "Exometabolómica y MSI: deconstruyendo cómo las células interactúan para transformar su entorno de moléculas pequeñas" . Opinión Actual en Biotecnología . Elsevier BV. 34 : 209–16. doi : 10.1016 / j.copbio.2015.03.015 . PMID 25855407 .
- ^ Dettmer K, Aronov PA, Hammock BD (2007). "Metabolómica basada en espectrometría de masas" . Revisiones de espectrometría de masas . 26 (1): 51–78. Código Bibliográfico : 2007MSRv ... 26 ... 51D . doi : 10.1002 / mas.20108 . PMC 1904337 . PMID 16921475 .
- ^ Rasmiena AA, Ng TW, Meikle PJ (marzo de 2013). "Metabolómica y cardiopatía isquémica". Ciencia Clínica . 124 (5): 289-306. doi : 10.1042 / CS20120268 . PMID 23157406 .
- ^ Ogbaga CC, Stepien P, Dyson BC, Rattray NJ, Ellis DI, Goodacre R, Johnson GN (6 de mayo de 2016). "Los análisis bioquímicos de variedades de sorgo revelan respuestas diferenciales a la sequía" . PLOS ONE . 11 (5): e0154423. Código bibliográfico : 2016PLoSO..1154423O . doi : 10.1371 / journal.pone.0154423 . PMC 4859509 . PMID 27153323 .
- ^ "Información de espectrometría de masas de cromatografía de gases (GC-MS) | Thermo Fisher Scientific - EE . UU . " . www.thermofisher.com . Consultado el 26 de septiembre de 2018 .
- ^ Gika HG, Theodoridis GA, Wingate JE, Wilson ID (agosto de 2007). "Reproducibilidad en el día de un método basado en HPLC-MS para el análisis metabonómico: aplicación a la orina humana". Revista de investigación del proteoma . 6 (8): 3291-303. doi : 10.1021 / pr070183p . PMID 17625818 .
- ^ Soga T, Ohashi Y, Ueno Y, Naraoka H, Tomita M, Nishioka T (septiembre de 2003). "Análisis cuantitativo del metaboloma mediante espectrometría de masas por electroforesis capilar". Revista de investigación del proteoma . 2 (5): 488–94. doi : 10.1021 / pr034020m . PMID 14582645 .
- ^ Northen TR, Yanes O, Northen MT, Marrinucci D, Uritboonthai W, Apon J, et al. (Octubre de 2007). "Nanoestructuras de clatrato para espectrometría de masas". Naturaleza . 449 (7165): 1033–6. Código Bib : 2007Natur.449.1033N . doi : 10.1038 / nature06195 . PMID 17960240 . S2CID 4404703 .
- ^ Woo HK, Northen TR, Yanes O, Siuzdak G (julio de 2008). "Espectrometría de masas iniciador de nanoestructura: un protocolo para la preparación y aplicación de superficies NIMS para análisis de masas de alta sensibilidad" . Protocolos de la naturaleza . 3 (8): 1341–9. doi : 10.1038 / NPROT.2008.110 . PMID 18714302 . S2CID 20620548 .
- ^ Ghaste, Manoj; Mistrik, Robert; Shulaev, Vladimir (junio de 2016). "Aplicaciones de la resonancia ciclotrónica iónica por transformada de Fourier (FT-ICR) y espectrometría de masas de alta resolución basada en Orbitrap en metabolómica y lipidómica" . Revista Internacional de Ciencias Moleculares . 17 (6): 816. doi : 10.3390 / ijms17060816 . PMC 4926350 . PMID 27231903 .
- ^ Griffin JL (octubre de 2003). "Metabonómica: espectroscopia de RMN y análisis de reconocimiento de patrones de fluidos corporales y tejidos para la caracterización de la toxicidad xenobiótica y el diagnóstico de enfermedades". Opinión actual en biología química . 7 (5): 648–54. doi : 10.1016 / j.cbpa.2003.08.008 . PMID 14580571 .
- ^ Beckonert O, Keun HC, Ebbels TM, Bundy J, Holmes E, Lindon JC, Nicholson JK (2007). "Perfiles metabólicos, procedimientos metabolómicos y metabonómicos para espectroscopia de RMN de extractos de orina, plasma, suero y tejido". Protocolos de la naturaleza . 2 (11): 2692–703. doi : 10.1038 / nprot.2007.376 . PMID 18007604 . S2CID 205463871 .
- ^ Habchi, Baninia; Alves, Sandra; Jouan-Rimbaud Bouveresse, Delphine; Appenzeller, Brice; París, Alain; Rutledge, Douglas N .; Rathahao-Paris, Estelle (1 de enero de 2018). "Potencial de la célula de resonancia ciclotrónica de iones de transformada de Fourier armonizada dinámicamente para la toma de huellas dactilares metabolómica de alto rendimiento: control de la calidad de los datos". Química analítica y bioanalítica . 410 (2): 483–490. doi : 10.1007 / s00216-017-0738-3 . ISSN 1618-2650 . PMID 29167936 . S2CID 3769892 .
- ^ King, Adam M .; Mullin, Lauren G .; Wilson, Ian D .; Coen, Muireann; Rainville, Paul D .; Plumb, Robert S .; Gethings, Lee A .; Maker, Garth; Trengove, Robert (22 de enero de 2019). "El desarrollo de un método de perfil rápido para el análisis de analitos polares en orina utilizando HILIC-MS y la movilidad de iones habilitó HILIC-MS" . Metabolómica . 15 (2): 17. doi : 10.1007 / s11306-019-1474-9 . ISSN 1573-3890 . PMC 6342856 . PMID 30830424 .
- ^ Sugimoto M, Kawakami M, Robert M, Soga T, Tomita M (marzo de 2012). "Herramientas de bioinformática para el procesamiento y análisis de datos metabolómicos basados en espectroscopia de masas" . Bioinformática actual . 7 (1): 96–108. doi : 10.2174 / 157489312799304431 . PMC 3299976 . PMID 22438836 .
- ^ Spicer R, Salek RM, Moreno P, Cañueto D, Steinbeck C (2017). "Navegación por herramientas de software de libre acceso para el análisis metabolómico" . Metabolómica . 13 (9): 106. doi : 10.1007 / s11306-017-1242-7 . PMC 5550549 . PMID 28890673 .
- ^ Ren S, Hinzman AA, Kang EL, Szczesniak RD, Lu LJ (diciembre de 2015). "Análisis computacional y estadístico de datos metabolómicos". Metabolómica . 11 (6): 1492–513. doi : 10.1007 / s11306-015-0823-6 . S2CID 15712363 .
- ^ Gromski PS, Muhamadali H, Ellis DI, Xu Y, Correa E, Turner ML, Goodacre R (2015). "Una revisión tutorial: metabolómica y análisis discriminante de mínimos cuadrados parciales - un matrimonio de conveniencia o una boda de escopeta" . Analytica Chimica Acta . 879 : 10-23. doi : 10.1016 / j.aca.2015.02.012 . PMID 26002472 .
- ^ Bonini, Paolo; Amable, Tobías; Tsugawa, Hiroshi; Barupal, Dinesh Kumar; Fiehn, Oliver (10 de mayo de 2020). "Retip: predicción del tiempo de retención para la anotación compuesta en metabolómica no dirigida". Química analítica . 92 (11): 7515–7522. doi : 10.1021 / acs.analchem.9b05765 . ISSN 0003-2700 . PMID 32390414 .
- ^ Saghatelian A, Trauger SA, Want EJ, Hawkins EG, Siuzdak G, Cravatt BF (noviembre de 2004). "Asignación de sustratos endógenos a enzimas por perfil de metabolitos global" (PDF) . Bioquímica . 43 (45): 14332–9. doi : 10.1021 / bi0480335 . PMID 15533037 .
- ^ Chiang KP, Niessen S, Saghatelian A, Cravatt BF (octubre de 2006). "Una enzima que regula las vías de señalización de lípidos de éter en el cáncer anotado por perfiles multidimensionales" . Química y Biología . 13 (10): 1041–50. doi : 10.1016 / j.chembiol.2006.08.008 . PMID 17052608 .
- ^ Goering AW, McClure RA, Doroghazi JR, Albright JC, Haverland NA, Zhang Y, et al. (Febrero de 2016). "Metabologenómica: la correlación de grupos de genes microbianos con metabolitos impulsa el descubrimiento de un péptido no ribosómico con un monómero de aminoácido inusual" . Ciencia Central ACS . 2 (2): 99–108. doi : 10.1021 / acscentsci.5b00331 . PMC 4827660 . PMID 27163034 .
- ^ Gibney MJ, Walsh M, Brennan L, Roche HM, German B, van Ommen B (septiembre de 2005). "Metabolómica en la nutrición humana: oportunidades y desafíos" . La Revista Estadounidense de Nutrición Clínica . 82 (3): 497–503. doi : 10.1093 / ajcn / 82.3.497 . PMID 16155259 .
Otras lecturas
- Tomita M, Nishioka T (2005). Metabolómica: la frontera de la biología de sistemas . Saltador. ISBN 4-431-25121-9.
- Weckwerth W. (2006). Metabolómica: métodos y protocolos (métodos en biología molecular) . Prensa Humana. ISBN 1-588-29561-3. OCLC 493824826 .
- Fan TW, Lorkiewicz PK, Sellers K, Moseley HN, Higashi RM, Lane AN (marzo de 2012). "Metabolómica estable resuelta por isótopos y aplicaciones para el desarrollo de fármacos" . Farmacología y terapéutica . 133 (3): 366–91. doi : 10.1016 / j.pharmthera.2011.12.007 . PMC 3471671 . PMID 22212615 .
- Ellis DI, Goodacre R (agosto de 2006). "Huellas metabólicas en el diagnóstico de enfermedades: aplicaciones biomédicas de la espectroscopia infrarroja y Raman" (PDF) . El analista . 131 (8): 875–85. Código Bibliográfico : 2006Ana ... 131..875E . doi : 10.1039 / b602376m . PMID 17028718 .
- Claudino WM, Quattrone A, Biganzoli L, Pestrin M, Bertini I, Di Leo A (julio de 2007). "Metabolómica: resultados disponibles, proyectos de investigación actuales en cáncer de mama y aplicaciones futuras" . Revista de Oncología Clínica . 25 (19): 2840–6. doi : 10.1200 / JCO.2006.09.7550 . PMID 17502626 . Archivado desde el original el 20 de enero de 2008.
- Ellis DI, Dunn WB, Griffin JL, Allwood JW, Goodacre R (septiembre de 2007). "Huella metabólica como herramienta de diagnóstico" (PDF) . Farmacogenómica . 8 (9): 1243–66. doi : 10.2217 / 14622416.8.9.1243 . PMID 17924839 .
- Bundy, JG; Davey, diputado; Viant, MR (2009). "Metabolómica ambiental: una revisión crítica y perspectivas de futuro". Metabolómica . 5 : 3-21. doi : 10.1007 / s11306-008-0152-0 . S2CID 22179989 .
- Haug K, Salek RM, Conesa P, Hastings J, de Matos P, Rijnbeek M, et al. (Enero 2013). "MetaboLights - un repositorio de uso general de acceso abierto para estudios de metabolómica y metadatos asociados" . Investigación de ácidos nucleicos . 41 (Problema de la base de datos): D781-6. doi : 10.1093 / nar / gks1004 . PMC 3531110 . PMID 23109552 .
enlaces externos
- Metabolismo en Curlie
- Base de datos del metaboloma humano (HMDB)
- METLIN
- XCMS
- LCMStats
- Metabolights
- Consorcio de Metabolómica del Fondo Común de los NIH
- Banco de trabajo de metabolómica
- Base de datos del metaboloma de Golm