代謝組學是繼基因組學和蛋白組學之后發(fā)展起來的一門組學學科，非靶向代謝組學是無偏向性對所有小分子代謝物（相對質(zhì)量小于1500）同時進行檢測分析的代謝組學。
LC-MS是指液相色譜-質(zhì)譜聯(lián)用技術(shù)，該技術(shù)對待測組分的揮發(fā)性和熱穩(wěn)定性沒有要求，不需要繁瑣的衍生化步驟，樣品前處理簡單，檢測溫度低，分離物質(zhì)快速、高效，是目前代謝組學研究中常用的分析技術(shù)。
此次LC-MS非靶向代謝組學產(chǎn)品升級，有大版本改變的同時也具有一些細節(jié)上的優(yōu)化。 針對流程邏輯，語言描述，圖片數(shù)量和質(zhì)量，英文內(nèi)容，表格展示，圖表注釋和參考文獻等方面進行了全面升級優(yōu)化。讓客戶拿到易看易讀易懂的報告，得到更滿意的結(jié)果。
新版具備4個新增優(yōu)化，5個亮點，不斷升級給客戶提供高質(zhì)量的分析報告。
新增優(yōu)化
1. PCA圖分析
PCA圖現(xiàn)在用形狀和顏色區(qū)分更多的組，一眼就可看到組內(nèi)和組間的代謝模式差別和聚類結(jié)果。同時顯示QC樣本，通過QC更能直觀的儀器的穩(wěn)定性。
圖1 所有樣本PCA分析
2. 樣本相關(guān)性分析
樣本相關(guān)性更改配色，并將組間隔開，更加直觀看出組內(nèi)重復性。
通過樣品之間的相關(guān)性分析可以評估組內(nèi)樣品之間的生物學重復。同時組內(nèi)樣品相對組間樣品的相關(guān)系數(shù)越高，獲得的差異代謝物越可靠。
圖2 樣品QC相關(guān)性圖
此外，新增QC樣本間的相關(guān)性, 通過計算QC樣品之間的相關(guān)性分析可以評估下機數(shù)據(jù)整體質(zhì)量，一般認為QC樣本間相關(guān)性>0.75時，數(shù)據(jù)質(zhì)量較為可靠。
圖3 樣品QC相關(guān)性圖
3.差異代謝物并集分析
聚類分析（Cluster Analysis）是把相似的對象通過靜態(tài)分類的方法分成不同的組別或者更多的子集（Subset），這樣讓在同一個子集中的成員對象都有相似的一些屬性，是一種常見的多元統(tǒng)計分析方法，通常能簡單、直觀的觀察數(shù)據(jù)的總體特征。
對篩選的差異代謝物繪制層次聚類熱圖，首先將所有比較組合鑒定出的差異代謝物取并集（Union），繪制此集合在所有樣本的聚類熱圖
圖4 差異代謝并集聚類熱圖
4. 差異代謝物ROC分析
ROC曲線 (receiver operating characteristic curve) 是一種常用來篩選評估生物標記物的分析方法[9]。AUC (Area under the curve) 是衡量ROC曲線非常有用的度量。AUC始終在0.5（兩個類在統(tǒng)計上相同）和1.0（有一個閾值可以實現(xiàn)類之間的完美分離）之間，越接近1，物質(zhì)的在對照組和實驗組的分離就越明顯（即為潛在的生物標記物）。一般來說，組內(nèi)生物學重復>15時，ROC曲線才有足夠的點繪制折線，才會體現(xiàn)出較大意義。對篩選出的各組差異代謝物單獨進行ROC分析。
圖5 差異代謝物ROC圖及箱線圖
亮點
1. 結(jié)構(gòu)調(diào)整
報告章節(jié)由原先的兩個部分改為五個部分，每個部分的分析結(jié)果都分為概述、數(shù)據(jù)來源、工具軟件、分析參數(shù)幾個部分。結(jié)果文件目錄結(jié)構(gòu)進行調(diào)整，給目錄添加編號。邏輯更清晰，更易理解整體思路。
2. 英文版本全面更新
報告添加了英文版實驗方法和分析方法，解決英文部分不全面的煩惱。為老師后續(xù)英文投稿寫作提供參考。
3.圖表注釋優(yōu)化
圖表注釋全面更新，讓每一個客戶通過注釋后都能看懂圖，讀懂表。
4. 語言表述優(yōu)化
新版報告的語言整體優(yōu)化，增加詳細過程，以通俗的內(nèi)容讓客戶易懂，更清楚具體內(nèi)容。
5. 文獻擴充
文獻補充，精心挑選有參考價值的文獻，讓整篇報告有據(jù)可依，為老師后續(xù)發(fā)文章提供參考依據(jù)。
以上就是百邁客代謝LC-MS非靶向代謝組學升級優(yōu)化的重要內(nèi)容，百邁客也將不斷持續(xù)更新分析流程，滿足您多樣化的分析需求。
此外質(zhì)譜產(chǎn)品年底活動優(yōu)惠活動正在進行！
京公網(wǎng)安備 11011302003368號