LC-MS非靶向代谢组学报告分析全新升级更新 |

发布于 2021年12月16日

代谢组学是继基因组学和蛋白组学之后发展起来的一门组学学科，非靶向代谢组学是无偏向性对所有小分子代谢物（相对质量小于1500）同时进行检测分析的代谢组学。
LC-MS是指液相色谱-质谱联用技术，该技术对待测组分的挥发性和热稳定性没有要求，不需要繁琐的衍生化步骤，样品前处理简单，检测温度低，分离物质快速、高效，是目前代谢组学研究中常用的分析技术。

此次LC-MS非靶向代谢组学产品升级，有大版本改变的同时也具有一些细节上的优化。针对流程逻辑，语言描述，图片数量和质量，英文内容，表格展示，图表注释和参考文献等方面进行了全面升级优化。让客户拿到易看易读易懂的报告，得到更满意的结果。

新版具备4个新增优化，5个亮点，不断升级给客户提供高质量的分析报告。

新增优化

1. PCA图分析

PCA图现在用形状和颜色区分更多的组，一眼就可看到组内和组间的代谢模式差别和聚类结果。同时显示QC样本，通过QC更能直观的仪器的稳定性。

图1 所有样本PCA分析

2. 样本相关性分析

样本相关性更改配色，并将组间隔开，更加直观看出组内重复性。

通过样品之间的相关性分析可以评估组内样品之间的生物学重复。同时组内样品相对组间样品的相关系数越高，获得的差异代谢物越可靠。

图2 样品QC相关性图

此外，新增QC样本间的相关性, 通过计算QC样品之间的相关性分析可以评估下机数据整体质量，一般认为QC样本间相关性>0.75时，数据质量较为可靠。

图3 样品QC相关性图

3.差异代谢物并集分析

聚类分析（Cluster Analysis）是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集（Subset），这样让在同一个子集中的成员对象都有相似的一些属性，是一种常见的多元统计分析方法，通常能简单、直观的观察数据的总体特征。

对筛选的差异代谢物绘制层次聚类热图，首先将所有比较组合鉴定出的差异代谢物取并集（Union），绘制此集合在所有样本的聚类热图

图4 差异代谢并集聚类热图

4. 差异代谢物ROC分析

ROC曲线 (receiver operating characteristic curve) 是一种常用来筛选评估生物标记物的分析方法[9]。AUC (Area under the curve) 是衡量ROC曲线非常有用的度量。AUC始终在0.5（两个类在统计上相同）和1.0（有一个阈值可以实现类之间的完美分离）之间，越接近1，物质的在对照组和实验组的分离就越明显（即为潜在的生物标记物）。一般来说，组内生物学重复>15时，ROC曲线才有足够的点绘制折线，才会体现出较大意义。对筛选出的各组差异代谢物单独进行ROC分析。