摘要

代谢组学是个新兴领域，系统性地定量众多代谢物。关键目的是识别与每种生物表型相对应的代谢物，并进一步分析其中涉及的机制。尽管代谢组学对于理解相关的生物学现象至关重要，但在全面描述过程的能力上存在局限性。推荐采用综合分析策略，即将代谢、转录、蛋白质以及其他组学方法相结合。不同组学数据的整合需要专门的统计学和生物信息学软件。本综述着重于代谢组学研究中涉及的步骤，并总结了几种主要的代谢组学分析工具。还概述了多种癌症和疾病中最为异常的代谢通路，并讨论了多组学整合算法的重要性。总的来说，目标是概括当前的代谢组学分析工作流程及其主要分析软件，为建立优选的代谢或多组学分析流程提供有益的见解。

代谢组学分析工作流程

图1 代谢组学分析的典型工作流程

① 利用特定的检测技术（化合物检测）来识别代谢物。

② 原始信号预处理，以生成适合后续统计分析的数据格式（数据预处理）。

③ 数据标准化来减少系统和技术偏差。在非靶向研究中，代谢物依据某些给定数据库中的光谱信息被鉴定出来（数据处理）。

④ 采用单和多变量统计分析来识别显著表达的代谢物（统计分析）。

⑤ 将显著表达的代谢物通过富集和通路分析与生物学背景相联系（功能分析）。

⑥ 代谢可与其他组学数据（如转录、蛋白质或微生物）整合，以全面理解病理生理过程的分子机制（组学数据整合）。

代谢组学数据分析与整合软件工具

图2 MetFlow和MetaboAnalyst 5.0中的一些图形可视化特性
MetFlow

(a) 数据处理功能下RSD（相对标准偏差）图。高百分比RSD的特征应从后续分析中移除（建议阈值为LC-MS的20%和GC-MS的30%）。
(b) 统计分析功能中火山图，

(c)差异代谢物热图，可自主设定阈值。
(d) PCA分析，

(e) PLS分析。
(f) 通路富集概览，每个圆圈代表不同的通路，圆圈大小和颜色基于通路大小和p值。

MetaboAnalyst 5.0

(g) 差异分析火山图。
(h) PCA分析图。
(i) 统计分析功能中差异代谢物热图。
(j) 通路富集概览，颜色深浅基于p值。
(k) 富集的代谢通路示例。浅蓝表示非上传的代谢物，而是用于富集分析的背景；红表示存在于上传数据中的代谢物，代表不同水平。
(l) 联合通路分析的例子。上传候选基因和代谢物，生成相应的通路视图。方块代表基因，圆圈代表代谢物，红和绿表示不同的水平变化。所有图像均使用软件提供的示例数据生成。