代謝組學技術新突破：高分辨分離分析提升疾病診療潛力

近期，我所生物技術研究部高分辨分離分析和代謝組學研究組（1808組）劉心昱研究員和許國旺研究員團隊在代謝組學關鍵技術、方法研究中取得系列進展，提升了代謝組學分析的信息覆蓋度、通量，以及數據挖掘與解析深度，為復雜生物體系小分子的精準表征及其在生物醫學的應用提供了高效、可靠的技術手段。

人類健康受遺傳、環境、菌群等多種因素及其相互作用的影響。以生物體內小分子化合物為研究對象的代謝組學技術在重大疾病的預防、診斷和治療中正在發揮重要作用。然而，面對種類繁多、結構復雜、濃度跨度大的內源性代謝物及環境暴露物，當前代謝組學技術在全景式檢測、數據處理及信息挖掘等方面面臨諸多挑戰。

針對高覆蓋分析需求，團隊開發了基于一維色譜-單質譜雙模式創新方法，實現了內源性代謝物與外源性暴露物的一體化同時分析，單次進樣實現血中1,190個代謝物的半定量和210個暴露物的精準定量分析，提高了分析效率（Anal. Chem.，2025）；發展了五氟苯基柱高覆蓋檢測結合數據庫知識導向規模化注釋的菌群相關代謝物系統性分析策略，拓寬了檢測范圍，單次進樣可分析菌群相關的1,250種代謝物，為深入研究腸道微生物與宿主相互作用提供了有力支撐（Anal. Chem.，2024）；開發了基于花狀異質結納米新材料的激光解吸電離質譜法（Anal. Chem.，2025），以及基于慣性微流控芯片的單細胞質譜法（Anal. Chem.，2024），有望在肺癌標志物發現及巨噬細胞極化的研究中發揮積極作用。

在代謝組學大數據處理方面，團隊提出了適用于大規模樣本非靶向質譜分析特征檢測和匹配的MetCohort新方法，降低了檢測的假陽性和假陰性，提升了大規模樣本數據匹配的準確性，為后續的化合物鑒定和統計分析提供了保障（Anal. Chem.，2025）；開發了基于化學分類驅動的網絡分析揭示關鍵代謝途徑的新方法，有效挖掘非靶向代謝組學中隱藏的代謝物結構信息，大大提高了組學數據利用率，為關鍵途徑的限定提供了新方法（Anal. Chem.，2024）。

非靶向代謝組數據的注釋一直是代謝組學發展的一個瓶頸。團隊研發了系列基于結構大數據的分子網絡注釋新技術：將基于分子結構的分子網絡方法（Anal. Chem.，2023）與新型有機物離子電子碰撞激發（EIEIO）技術（Anal. Chem.，2024）、新型質譜采集技術Orbitrap Astral（Anal. Chem.，2025）結合，進一步提升了注釋的覆蓋度與解析深度；研發的基于EIEIO的脂質sn-和C=C位置的精細結構注釋方法，突破脂質精細結構解析的技術瓶頸，提升了復雜生物樣本中脂質異構體的注釋能力（Anal. Chem.，2025）；提出了一種新型質譜碎片預測方法，最大程度保留化學結構信息，實現了小分子高分辨二級質譜的高精度預測（Anal. Chem.，2024）。

該團隊在上述《分析化學》（Analytical Chemistry）上發表的關于代謝組學分析新技術的系列研究進展，提升了對代謝組的分析覆蓋度、數據挖掘能力和規模化注釋能力，突破了現有方法對質譜庫的依賴。隨著這些新技術、新方法的不斷推廣應用，有望在重大疾病的診療、藥物研發、公共健康監測等諸多領域發揮積極作用。（文/圖 路鑫、石先哲）