A metabolomika a metabolitokat (anyagcsere-termékeket) érintő vegyi folyamatok tudományos vizsgálata. Pontosabban a „specifikus, sejtszintű folyamatok által hátrahagyott kémiai ujjlenyomatok szisztematikus vizsgálata”, azok kismolekulájú metabolit-profiljának tanulmányozása.[1] A metabolom egy sejtben, szövetben, szervben vagy élőlényben megtalálható kismolekulás metabolitok (anyagcseretermékek) összessége.[2] Így, ha az mRNS-génkifejeződési adatok és a proteomikai analízis nem nyújtanak teljes képet a sejtben zajló folyamatokról, a metabolikus profilalkotás azonnali képet adhat a sejt fiziológiájáról.

A metabolomika rendszerbiológiai szemléletű kismolekula-mérést jelent, melynek során a vizsgálati anyag egységben kezelhető, nem csak néhány molekula koncentrációjának változásáról lehet beszámolni, hanem akár több ezer, a szervezet folyadéktereiben lévő metabolit sorsa is nyomon követhető, az is megvizsgálható, mi nem változott. A matematikailag nagyon zajos eredményekből speciális szoftverek segítségével végzik az adatbányászatot. A nagy áteresztőképességű módszerekkel megállapítható a vizsgálati folyadékban vagy sejtben lévő metabolitok koncentrációja, és megtalálható, melyik 10–15 konkrét molekula lehet fontos például egy gyógyszertoxicitási kísérlet szempontjából. A metabolitok időbeli fluktuációja is mérhető, megtudható, melyek koncentrációja változott együtt, azaz melyek tartoznak ugyanazon biokémiai vagy patológiai folyamathoz. Gyakori, hogy egy metabolomikai vizsgálat önmagában eredménytelen, de ötletet ad arra, milyen molekulát érdemes vizsgálni, vagy új hipotézist generál.[3]

A rendszerbiológia és a funkcionális genomika egyik fő kihívása, hogy integrálja a proteomikai, transzkriptomikai és metabolomikai információkat, és teljesebb képet legyen képes adni az élőlényekről.

Eredete szerkesztés

Régi időkre nyúlik vissza az elképzelés, hogy a testfolyadékok visszatükrözik az ember egészségi állapotát. Az ókori Kína orvosai hangyák segítségével értékelték ki a páciensek vizeletének glükóztartalmát, és így képesek voltak kimutatni a cukorbetegséget.[4] A középkorban „vizeletdiagramot” használták, hogy a vizelet színét, szagát, ízét különböző, anyagcserével kapcsolatos egészségi állapotokhoz kössék[5]

Azt a gondolatot, hogy minden egyes embernek saját „anyagcsereprofilja” lehet, ami megnyilvánul testfolyadékainak összetételében, Roger Williams vetette fel a késő 1940-es években,[6] aki papírkromatográfiával igyekezett meghatározni különböző betegségek, pl. a skizofrénia esetében a vizeletben és a nyálban fellépő karakterisztikus, metabolikus mintázatokat. Azonban az 1960-as és 1970-es évek technológiai fejlődése tette csak lehetővé, hogy kvantitatíven (és nem csak kvalitatív módon) anyagcsereprofilokat határozzanak meg.[7] Az „anyagcsereprofil” (metabolic profile) kifejezést Horning, et al. használta elsőként 1971-ben, miután sikeresen demonstrálták, hogy a gázkromatográfia-tömegspektrometria (GC-MS) eszközeivel meg lehet mérni az emberi vizeletben és szöveti kivonatokban megtalálható vegyületek mennyiségét.[4][8] Horning csapata Linus Paulinggal és Arthur B. Robinsonnal karöltve vezette a vizeletben jelen lévő metabolitokat monitorozó GC-MS módszerek fejlesztését az 1970-es években.[9]

Ezzel egy időben az 1940-es években felfedezett NMR-spektroszkópia is gyors fejlődésen ment keresztül. 1974-ben Seeley et al. demonstrálta az NMR használhatóságát a metabolitok módosítatlan biológiai mintákból való kimutatásában.[10] Ez az első, izmokkal kapcsolatos vizsgálat aláhúzta az NMR jelentőségét, amennyiben sikeresen meghatározták vele, hogy a sejtes ATP 90%-a magnéziummal alkotott komplexben található meg. Az NMR-spektroszkópia érzékenysége a kezdetek óta sokat fejlődött, elsősorban a magasabb mágneses térerősségek elérésével és a magic angle spinning („mágikus szög” körüli forgatás) módszere által, így továbbra is az egyik vezető analitikai eszköz az anyagcsere vizsgálatában.[4][5] Az NMR metabolomikai felhasználását jelentős részben a Dr. Jeremy Nicholson által vezetett labor (Birkbeck College, University of London, majd Imperial College London) hajtotta előre. 1984-ben Nicholson megmutatta a 1H NMR-spektroszkópia potenciális hasznosságát a diabetes mellitus diagnosztizálásában és kezelésében, később pedig úttörő szerepet játszott az NMR-spektroszkópiás adatok mintafelismerésében.[11][12]

2005-ben a Scripps Research Institute Siuzdak laboratóriumában megalkották az első metabolomikai webes adatbázist, a METLIN-t,[13] amely emberi anyagcseretermékek jellemzésére szolgált, és induláskor több mint 10 000 anyagcsereterméket és tandem tömegspektrometriás adatot tartalmazott. 2013 augusztusára METLIN 80 000-nél több metabolittal a legnagyobb tandem tömegspektrometriás metabolomikai adatbázis.

2007. január 23-án Kanada Alberta Egyetemén dolgozó Dr. David Wishart által vezetett Humán Metabolom Projekt elkészítette az emberi metabolom vázlatos képét. Katalogizáltak és karakterizáltak az emberi szervezetben talált mintegy 2500 anyagcsereterméket, 1200 gyógyszerterméket és 3500 élelmiszer-összetevőt.[14][15] Hasonló projektek már évek óta folytak különböző növényfajok, köztük a Medicago truncatula[16] és az Arabidopsis thaliana[17] anyagcseréjének vizsgálatára.

2010-ben a metabolomika még mindig „feljövőben lévő területnek” számított.[18] A tudományterület további fejlődése nagyrészt azon múlik, hogy sikerül-e a tömegspektrometria eszközeinek fejlesztésével úrrá lenni az egyelőre megoldhatatlannak látszó technikai problémákon.[18]

Metabolom szerkesztés

A metabolom egy biológiai mintában vagy egy élőlényben megtalálható kismolekulás metabolitok (anyagcseretermékek) összessége.[19][20] Ide tartoznak a köztes anyagcseretermékek, hormonok és más jelzőmolekulák, másodlagos anyagcseretermékek, aminosavak, egyszerű cukrok stb. A kifejezést a transzkriptomika/transzkriptom, illetve proteomika/proteom mintájára képezték. A metabolom dinamikus, pillanatról pillanatra változik. Bár a metabolom jól meghatározható, jelenleg nem létezik egyetlen, átfogó analitikai módszer az összes metabolit meghatározására. Az első metabolit-adatbázist (METLIN néven) 2005-ben hozták létre Scripps Research Institute kutatói a tömegspektrográfiás adatok m/z értékei közti keresés céljából.[13] 2007 januárjában az Albertai Egyetem és a Calgary Egyetem kutatói a Humán Metabolom Projekt keretében elkészültek az emberi metabolom vázlatos képével. Katalogizáltak és karakterizáltak az emberi szervezetben talált mintegy 2500 anyagcsereterméket, 1200 gyógyszerterméket és 3500 élelmiszer-összetevőt.[14]

Ezeknek az adatoknak az állandóan frissített és javított változata elérhető a Human Metabolome Database (www.hmdb.ca) címén. A 3.5-ös verziójú adatbázis 41 500 metabolomjával természetesen távol áll attól, hogy teljes körűnek lehessen tekinteni.[21] Többet lehet tudni más szervezetek metabolomjairól, például a növények országából több mint 50 000 metabolitot azonosítottak/jellemeztek, és egyes vizsgált növényekben is ezrekre rúg ez a szám.[22][23]

Minden sejttípus egyedi metabolikus „ujjlenyomattal” bír, ami szerv- vagy szövetspecifikus információkra világíthat rá. A testfolyadékok vizsgálata általánosabb jellegű információt ad. A leggyakrabban használt testfolyadék a vizelet és a vérplazma, melyekhez (viszonylag) nem invazív módon hozzá lehet jutni.[24] A könnyű adatgyűjtés magas időbeli felbontást tesz lehetővé, és lévén, hogy dinamikus egyensúlyban vannak a szervezettel, képesek jellemezni a szervezet egészét.[25]

Metabolitok szerkesztés

A metabolitok az anyagcsere köztes- és végtermékei. A metabolomika kontextusában általában az 1 kDa-nál kisebb molekulákat tekintik metabolitnak.[26] Vannak azonban ez alól kivételek, a mintavételtől és a detekciós módszertől függően. Például a vérplazma NMR-alapú metabolomikai vizsgálatában makromolekulák, például lipoproteinek és albuminok is jól kimutathatók.[27] A növényi metabolomikában megszokott „elsődleges” és „másodlagos” metabolitokat említeni. Az elsődleges metabolitok közvetlenül szerepet kapnak a növény növekedésében, fejlődésében, szaporodásában. A másodlagos anyagcseretermékek nem kapnak közvetlenül szerepet ezekben a folyamatokban, de egyéb fontos ökológiai funkciójuk van. A példák közé tartoznak az antibiotikumok és a pigmentek.[28] Az emberrel foglalkozó metabolomikában alkalmazott leggyakoribb megkülönböztetés az endogén (a gazdaszervezet által termelt) és exogén metabolitok között történik.[29] Az idegen anyagok, pl. gyógyszerek metabolitjait xenometabolitnak nevezik.[30]

A metabolom metabolikus reakciók óriási hálózatát alkotja, ahol egyes enzimatikus kémiai reakciók kimenetei más kémiai reakciók bemenetét képezik. Az ilyen rendszereket a kémia hiperciklus néven írja le.

Metabonomika szerkesztés

A metabonomika „az élő rendszerek patofiziológiás ingerekre vagy genetikai módosításra való dinamikus, sokparaméteres anyagcsereválaszának kvantitatív mérése”. A szó a görög μεταβολή, változás és nomos, szabályrendszer összetétele.[31] A megközelítés úttörője az Imperial College Londonban dolgozó Jeremy Nicholson volt, használták már a toxikológiában, betegségek diagnosztizálásában és sok más területen. Történelmileg a metabonomikai megközelítés volt az egyik első módszer, ami az anyagcsere tanulmányozását a rendszerbiológia hatóterületén belülre vitte.[32][33][34]

A szakértők sem egységesek abban, hogy mi a pontos különbség „metabolomika” és „metabonomika” között. A különbség nem a választott analitikai platformból adódik, bár a metabonomikához inkább az NMR-spektroszkópia-, a metabolomikához pedig inkább a tömegspektrometria-alapú technikák köthetők, de ez csak a különböző kifejezéseket népszerűsítő csoportok közötti használatbeli eltérések miatt van. Bár máig nincs teljes egyetértés, a lassan kialakuló konszenzus szerint a „metabolomika” nagyobb hangsúlyt fektet a sejt- vagy szervszintű anyagcsereprofil kialakítására és elsősorban a normális, endogén metabolizmussal foglalkozik. A „metabonomika” kiterjeszti vizsgálódása körét az anyagcsere környezeti tényezők (ideértve az étrendet és a toxinokat), betegségek és extragenomikus befolyások (pl. bélflóra) által okozott zavaraira is. Ez nem egy triviális különbségtétel; a metabolomikai vizsgálatok definíció szerint ki kellene zárják az extragenomikus forrásokat, lévén azok külsődlegesnek számítanak a vizsgált rendszerhez képest. A gyakorlatban azonban még most is vannak átfedések a két kifejezés használatában, és sokszor szinonimaként kezelik őket.[35]

Analitikai technikák szerkesztés

Elkülönítési módszerek szerkesztés

  • A gázkromatográfia, különösen tömegspektrometriával összekötve (gázkromatográfia-tömegspektrometria, GC-MS), az egyik legelterjedtebb és leghatékonyabb módszer. Magas kromatográfiás felbontást ad, de a biomolekulák jelentős részének kémiai származékképzését (derivatizálását) kívánja meg: csak az illékony kemikáliák analizálhatók közvetlenül. Egyes modern eszközök lehetővé teszik a „2D” kromatográfiát, a fő analitikai oszlop utáni poláris oszlop használatával, ami tovább növeli a felbontást. Léteznek olyan nagyméretű, poláris anyagcseretermékek, melyek esetében nem alkalmazható a gáz–folyadék kromatográfia (GC).[36]
  • Kapilláris elektroforézis (CE). A CE-nek magasabb az elméleti elválasztási hatékonysága, mint a HPLC-nek, ugyanakkor a metabolit-osztályok szélesebb köre vizsgálható vele, mint a GC-vel. Ahogy az az elektroforézises technikákra jellemző, a töltéssel rendelkező analitek vizsgálatára a legalkalmasabb.[38]

Észlelési módszerek szerkesztés

  • Tömegspektrometria (MS) használatos a metabolitok azonosítására és mennyiségük meghatározására azután, hogy elválasztásuk megtörtént GC, HPLC (LC-MS) vagy CE módszerével. A GC-MS a „legtermészetesebb” kombináció a három közül, ezt is fejlesztették ki elsőként. Ráadásul, léteznek, vagy fejleszthetők olyan tömegspektrometriai ujjlenyomat-könyvtárak, amik lehetővé teszik egy metabolit azonosítását annak fragmentálási mintázata alapján. Az MS egyszerre érzékeny (bár, főleg a HPLC-MS-nél a szenzitivitás problémásabb, hiszen függ a metabolit töltésétől, és az ionelnyomás jelensége is megzavarhatja) és nagyon specifikus. Egyes tanulmányokban a tömegspektrometriát önállóan alkalmazták: a mintát közvetlenül a tömegspektrométerbe töltötték előzetes szeparáció nélkül, és az MS-t használták szeparációra és a metabolitok észlelésére is.
  • A felületi tömeganalízis az ezredforduló után új erőre kapott, ahogy az új MS-technológiák a megnövelt érzékenységre, a háttér minimalizálására és a minta előkészítési igényének csökkentésére fókuszáltak. A metabolitok közvetlenül, testfolyadékból vagy szövetből történő analízise továbbra is nagy kihívás a jelenlegi MS technológia számára, főleg az akár több ezer vagy több tízezer metabolitot tartalmazó minták komplexitása által állított korlátok miatt. A korlátot meghaladni célzó technológiák közé tartozik a Nanostructure-Initiator MS (NIMS),[39][40] egy deszorpciós/ionizáló megközelítés, ami nem követeli meg mátrix használatát így alkalmas a kismolekulás azonosításra. Használatos még a MALDI (mátrix által segített lézerdeszorpciós ionizáció), bár a MALDI mátrixa jelentős <1000 Da hátteret ad, ami komplikálja az alacsony tömegű (pl. metabolit-) analízist. Ráadásul, az eredményül kapott mátrixkristályok korlátozzák a szöveti képalkotásban elérhető térbeli felbontást. Ezen korlátozások miatt több más, mátrixmentes deszorpciós ionizációs technikával próbálkoznak a testfolyadékok és szövetek analízise során. A másodlagos ion tömegspektrometria (SIMS) volt az egyik első mátrixmentes deszorpciós ionizációs módszer, ami közvetlenül a biológiai mintákból dolgozott. A SIMS nagy energiájú elsődleges ionsugárral deszorbeál, és másodlagos ionokat szabadít el a felületről. A SIMS fő előnye a nagy térbeli felbontóképesség (akár 50 nm). A testfolyadékok és szövetek analízisében hátránya viszont korlátozott érzékenysége a >500 Da tartományban és a nagy energiájú ionsugár által okozott analit-fragmentáció. A deszorpciós elektrospray ionizáció (DESI) szintén mátrixmentes módszer, ami töltött állapotú oldóspray-jel deszorbeál ionokat egy felületről. A DESI előnye, hogy nincs szükség különleges felületre és az analízis normál nyomáson történik, ami alatt a minta teljes mértékben hozzáférhető. A DESI gyengesége a térbeli felbontóképesség, mivel a spray „fókuszálása” nehézkes. Azonban egy új fejlesztés, a lézerablációs elektrospray ionizáció (LAESI) ígéretesnek látszik ennek a korlátozásnak a feloldásában.
  • Mágneses magrezonancia- (NMR) spektroszkópia. Az NMR az egyetlen észlelési módszer, ami nem igényli az analitek szeparációját, így a minta további vizsgálatokra felhasználható marad. Mindenfajta kismolekulás metabolit szimultán módon vizsgálható – ebben az értelemben az NMR közel áll ahhoz, hogy univerzális detektorként működjön. Az NMR fő előnye a magas analitikai megismételhetőség és a minta előkészítésének egyszerűsége. A gyakorlatban azonban viszonylag érzéketlen a tömegspektrometrián alapuló vizsgálatokhoz képest.[41][42]
  • Bár az NMR és az MS a legelterjedtebb technikák, néhány más módszer is létezik, köztük az ionmobilitás-spektrometria, elektrokémiai észlelés (HPLC-vel összekötve) és radioaktív címkézés (vékonyréteg-kromatográfiával kombinálva).

Statisztikai módszerek szerkesztés

A metabolomikai adatok különböző állapotú alanyokon végzett mérések eredményeiből állnak. Ezek a mérési eredmények állhatnak digitalizált spektrumokból, vagy például metabolitszintek listájából. Legegyszerűbb formájukban egy olyan mátrixot adnak ki, ahol a sorok a mérés alanyai, az oszlopok pedig az egyes metabolitszinteknek felelnek meg.[4] Több statisztikai program használható az NMR és MS mérési adatok analízisére. A tömegspektrometriás adatokhoz létezik szoftver, ami azonosítja az alanyokban található molekulákat tömegük és néha retenciós idejük alapján a kísérlet összeállításától függően. Az első, átfogó szoftvert, ami globális tömegspektrometria-alapú metabolomikai adathalmazok elemzésére képes, 2006-ban fejlesztették ki a Scripps Research Institute Siuzdak laboratóriumában. Az ingyenesen elérhető XCMS nevű alkalmazást több mint 20 000-en töltötték le 2006 óta,[43] és az egyik legtöbbet idézett tömegspektrometriás metabolomikai szoftverek a szakirodalomban. Az XCMS helyett manapság többnyire a felhő alapú utódját, az XCMS Online-t használják.[44][45] Szintén népszerű metabolomikai program az MZmine,[46] a MetAlign[47] és a MathDAMP,[48] ami képes a mintaanalízis során a retenciós idő deviációjának kompenzálására is. Az LCMStats[49] egy R csomag, ami képes LCMS adatok részletes analízisére, és segít a komplikált anyagcsereprofilokban azonosítani az egyszerre eluálódó ionokat, különös tekintettel az izotopológokra. Kombinálja az xcms package funkcióit és számos hasznos statisztikai függvény használható benne, például a holtidő korrekciója vagy hőgrafikonok készítése. A metabolomikai adatok analizálhatók statisztikai projekciós (kemometriai) módszerekkel, mint a főkomponens-analízis vagy a parciális legkisebb négyzetek regresszió (PLS regresszió).[50]

Ha a metabolikus összetétel meghatározása sikeres volt, adatredukciós módszerek használatával lehet világossá tenni a mintázatokat és kapcsolatokat. Számos kutatásban, köztük gyógyszerek toxikusságát vizsgáló kutatásokban és betegségmodellekben nem lehet előre (a priori) tudni, hogy melyek az érdekes anyagcseretermékek. Emiatt népszerűek első körös vizsgálódásra, melyeknél nincs az osztálytagságra vonatkozó előfeltételezés, a felügyelet nélkül végezhető módszerek,. Ezek között a leggyakrabban használt a főkomponens-analízis (PCA), ami hatékonyan lecsökkenti arra a néhány dimenzióra az adathalmaz méreteit, melyek a legnagyobb variációra képesek magyarázatot adni.[25] Alacsony dimenziójú PCA-térben való analíziskor megfigyelhető a hasonló metabolikus ujjlenyomatú minták csoportba rendeződése. Ez a csoportosulás láthatóvá tehet mintázatokat és hozzájárulhat a betegséget jelző biomarkerek – az osztálytagsággal legjobban korreláló metabolitok – meghatározásához.

Fő alkalmazási területei szerkesztés

  • Toxicitás-becslés/toxikológia: az anyagcsereprofil-vizsgálat (különösen vizelet- vagy vérplazmaminták vizsgálata) kimutatja a bejutott vegyület vagy vegyületek által okozott toxikus behatást. Sok esetben a megfigyelt változások specifikus szindrómákhoz, például máj- vagy veselézióhoz köthetők. Ez különösen fontos lehet a gyógyszerészeti cégek számára, akik potenciális gyógyszerek toxikusságát vizsgálják; rengeteg pénzt és időt megtakaríthat számukra, ha egy vegyület toxikussága miatt kizárható még a klinikai vizsgálat stádiuma előtt.[35]
  • Funkcionális genomika: a metabolomika kiváló eszköz lehet arra, hogy megállapítsuk, milyen fenotípust vált ki egy genetikai módosítás, például géndeléció vagy -inszerció. Néha ez önmagában is elégséges cél – például egy emberi vagy állati fogyasztásra szánt haszonnövény génjeinek módosításakor fellépő fenotipikus változás meghatározása. Izgalmasabb cél lehet egy ismeretlen gén funkcionalitásának előre jelzése ugyanezzel a módszerrel. Az ilyen fejlemények legvalószínűbben valamely modellszervezet esetében következnek majd be, amilyen a Saccharomyces cerevisiae vagy az Arabidopsis thaliana. A Cravatt laboratory nemrégiben emlősökön is alkalmazta ezt a technológiát, így azonosítva az N-acil-taurinokat, mint a zsírsavamid-hidroláz (FAAH) enzim korábban nem ismert endogén szubsztrátjait és a monoalkilglicerol-étereket (MAGEs) mint a korábban nem ismert KIAA1363 hidroláz endogén szubsztrátjait.[51][52]
  • Nutrigenomika: általános használatú kifejezés, ami a genomikát, transzkriptomikát, proteomikát és metabolomikát az emberi táplálkozáshoz köti. Egy adott testfolyadék metabolomját a mögöttes betegségek mellett általában befolyásolják olyan endogén tényezők is, mint az életkor, nem, testfelépítés, genetika. A nagyméretű bélflóra szintén igen fontos tényező az anyagcsereprofilokban, tekintsük azt endogén vagy exogén tényezőnek. A fő exogén tényezők az étrend és a gyógyszerek. Az étrend felosztható tápanyagokra és minden másra. A metabolomika egy eszköz arra, hogy meghatározzuk az egyén anyagcsereprofilját, ami kifejezi a táplálkozással kapcsolatos hatóerők egyensúlyiságát az egyén anyagcseréjében.[53]

Környezeti metabolomika szerkesztés

  • A környezeti metabolomika Archiválva 2019. december 15-i dátummal a Wayback Machine-ben a metabolomika alkalmazása az élőlények környezetükkel való interakcióinak jellemzésére. A megközelítésnek számos előnye van az élőlény–környezet interakciók vizsgálatában, valamint a szervezetek funkcióinak és egészségi állapotának molekuláris szintű felmérésében. Ily módon a metabolomika egyre több alkalmazási területre talál a környezettudományokban, a szervezetek abiotikus kényszerekre adott válaszainak megértésétől külső biológiai tényezőkre adott válaszaik elemzéséig. Ezek az interakciók tanulmányozhatók az egyedtől a populációkig terjedő szinteken, ahol már összefüggnek a hagyományos ökofiziológiai és ökológiai szakterületekkel, az azonnali hatásoktól az evolúciós időskálákig, ahol már a genetikai adaptáció is tanulmányozhatóvá válik.[54][55]

Fordítás szerkesztés

  • Ez a szócikk részben vagy egészben a Metabolomics című angol Wikipédia-szócikk ezen változatának fordításán alapul. Az eredeti cikk szerkesztőit annak laptörténete sorolja fel. Ez a jelzés csupán a megfogalmazás eredetét és a szerzői jogokat jelzi, nem szolgál a cikkben szereplő információk forrásmegjelöléseként.

Jegyzetek szerkesztés

  1. Daviss (2005. április 1.). „Growing pains for metabolomics”. The Scientist 19 (8), 25–28. o.  
  2. Jordan KW, Nordenstam J, Lauwers GY, Rothenberger DA, Alavi K, Garwood M, Cheng LL (2009. március 1.). „Metabolomic characterization of human rectal adenocarcinoma with intact tissue magnetic resonance spectroscopy”. Diseases of the Colon & Rectum 52 (3), 520–5. o. DOI:10.1007/DCR.0b013e31819c9a2c. PMID 19333056.  
  3. Medical Online: Farmako-metabolomika
  4. a b c d Van der greef and Smilde, J Chemomet, (2005) 19:376-386
  5. a b Nicholson JK, Lindon JC (2008. október 1.). „Systems biology: Metabonomics”. Nature 455 (7216), 1054–6. o. DOI:10.1038/4551054a. PMID 18948945.  
  6. Gates, Sweeley (1978). „Quantitative metabolic profiling based on gas chromatography”. Clin Chem 24 (10), 1663–73. o. PMID 359193.  
  7. Preti, George. "Metabolomics comes of age?" The Scientist, 19[11]:8, June 6, 2005.
  8. Novotny et al. (2008). „Biochemical individuality reflected in chromatographic, electrophoretic and mass-spectrometric profiles”. J Chromatog B 866, 26–47. o. DOI:10.1016/j.jchromb.2007.10.007.  
  9. Griffiths W.J., Wang Y. (2009). „Mass spectrometry: From proteomics to metabolomics and lipidomics”. Chem Soc Rev 38 (7), 1882–96. o. DOI:10.1039/b618553n. PMID 19551169.  
  10. Hoult DI, Busby SJ, Gadian DG, Radda GK, Richards RE, Seeley PJ (1974. november 1.). „Observation of tissue metabolites using 31P nuclear magnetic resonance”. Nature 252 (5481), 285–7. o. DOI:10.1038/252285a0. PMID 4431445.  
  11. Holmes E and Antti H (2002) Analyst 127:1549-57
  12. Lenz EM, Wilson ID (2007). „Analytical strategies in metabonomics”. J Proteome Res 6 (2), 443–58. o. DOI:10.1021/pr0605217. PMID 17269702.  
  13. a b Smith CA, I'Maille G, Want EJ, Qin C, Trauger SA, Brandon TR, Custodio DE, Abagyan R, Siuzdak G (2005. december 1.). „METLIN: a metabolite mass spectral database”. Ther Drug Monit 27 (6), 747–51. o. [2020. szeptember 28-i dátummal az eredetiből archiválva]. DOI:10.1097/01.ftd.0000179845.53213.39. PMID 16404815. (Hozzáférés: 2014. március 24.)  
  14. a b Wishart DS, Tzur D, Knox C, et al. (2007. január 1.). „HMDB: the Human Metabolome Database”. Nucleic Acids Research 35 (Database issue), D521–6. o. DOI:10.1093/nar/gkl923. PMID 17202168.  
  15. Wishart DS, Knox C, Guo AC, Eisner R, Young N, Gautam B, Hau DD, Psychogios N, Dong E, Bouatra S, Mandal R, Sinelnikov I, Xia J, Jia L, Cruz JA, Lim E, Sobsey CA, Shrivastava S, Huang P, Liu P, Fang L, Peng J, Fradette R, Cheng D, Tzur D, Clements M, Lewis A, De Souza A, Zuniga A, Dawe M, Xiong Y, Clive D, Greiner R, Nazyrova A, Shaykhutdinov R, Li L, Vogel HJ, Forsythe I (2009). „HMDB: a knowledgebase for the human metabolome”. Nucleic Acids Research 37 (Database issue), D603–10. o. DOI:10.1093/nar/gkn810. PMID 18953024.  
  16. (2007) „Metabolomics Reveals Novel Pathways and Differential Mechanistic and Elicitor-Specific Responses in Phenylpropanoid and Isoflavonoid Biosynthesis in Medicago truncatula Cell Cultures”. Plant Physiology 146 (2), 387. o. DOI:10.1104/pp.107.108431.  
  17. Arabidopsis Metabolomics Consortium. [2012. november 7-i dátummal az eredetiből archiválva]. (Hozzáférés: 2014. március 24.)
  18. a b Morrow Jr., Ph.D., K. John. „Mass Spec Central to Metabolomics”, 2010. április 1., 1. oldal. [2010. június 28-i dátummal az eredetiből archiválva] (Hozzáférés ideje: 2010. június 28.) 
  19. Oliver SG, Winson MK, Kell DB, Baganz F (1998. szeptember 1.). „Systematic functional analysis of the yeast genome”. Trends in Biotechnology 16 (9), 373–8. o. DOI:10.1016/S0167-7799(98)01214-1. PMID 9744112.  
  20. Griffin JL, Vidal-Puig A (2008. június 1.). „Current challenges in metabolomics for diabetes research: a vital functional genomic tool or just a ploy for gaining funding?”. Physiol. Genomics 34 (1), 1–5. o. DOI:10.1152/physiolgenomics.00009.2008. PMID 18413782.  
  21. Pearson H (2007. március 1.). „Meet the human metabolome”. Nature 446 (7131), 8. o. DOI:10.1038/446008a. PMID 17330009.  
  22. De Luca V, St Pierre B (2000. április 1.). „The cell and developmental biology of alkaloid biosynthesis”. Trends Plant Sci. 5 (4), 168–73. o. DOI:10.1016/S1360-1385(00)01575-2. PMID 10740298.  
  23. Griffin JL, Shockcor JP (2004. július 1.). „Metabolic profiles of cancer cells”. Nat. Rev. Cancer 4 (7), 551–61. o. DOI:10.1038/nrc1390. PMID 15229480.  
  24. Holmes, E., I.D. Wilson and J.K. Nicholson (2008. 5). „Metabolic phenotyping in health and disease”. Cell 134 (5), 714–717. o. DOI:10.1016/j.cell.2008.08.026. PMID 18775301.  
  25. a b Nicholson, J.K., I.D. Wilson (2003). „Understanding 'global' systems biology: metabonomics and the continuum of metabolism”. Nat Rev Drug Discov 2 (8), 668–676. o. DOI:10.1038/nrd1157.  
  26. Samuelsson LM, Larsson DG (2008. október 1.). „Contributions from metabolomics to fish research”. Mol Biosyst 4 (10), 974–9. o. DOI:10.1039/b804196b. PMID 19082135.  
  27. Nicholson JK, Foxall PJ, Spraul M, Farrant RD, Lindon JC (1995. március 1.). „750 MHz 1H and 1H-13C NMR spectroscopy of human blood plasma”. Anal. Chem. 67 (5), 793–811. o. DOI:10.1021/ac00101a004. PMID 7762816.  
  28. Bentley R (1999). „Secondary metabolite biosynthesis: the first century”. Crit. Rev. Biotechnol. 19 (1), 1–40. o. DOI:10.1080/0738-859991229189. PMID 10230052.  
  29. Nordström A, O'Maille G, Qin C, Siuzdak G (2006. május 1.). „Nonlinear data alignment for UPLC-MS and HPLC-MS based metabolomics: quantitative analysis of endogenous and exogenous metabolites in human serum”. Anal. Chem. 78 (10), 3289–95. o. DOI:10.1021/ac060245f. PMID 16689529.  
  30. Crockford DJ, Maher AD, Ahmadi KR, et al. (2008. szeptember 1.). „1H NMR and UPLC-MS(E) statistical heterospectroscopy: characterization of drug metabolites (xenometabolome) in epidemiological studies”. Anal. Chem. 80 (18), 6835–44. o. DOI:10.1021/ac801075m. PMID 18700783.  
  31. Nicholson JK (2006). „Global systems biology, personalized medicine and molecular epidemiology”. Mol. Syst. Biol. 2 (1), 52. o. DOI:10.1038/msb4100095. PMID 17016518.  
  32. Nicholson JK, Lindon JC, Holmes E (1999. november 1.). „'Metabonomics': understanding the metabolic responses of living systems to pathophysiological stimuli via multivariate statistical analysis of biological NMR spectroscopic data”. Xenobiotica 29 (11), 1181–9. o. DOI:10.1080/004982599238047. PMID 10598751.  
  33. Nicholson JK, Connelly J, Lindon JC, Holmes E (2002. február 1.). „Metabonomics: a platform for studying drug toxicity and gene function”. Nat Rev Drug Discov 1 (2), 153–61. o. DOI:10.1038/nrd728. PMID 12120097.  
  34. Holmes E, Wilson ID, Nicholson JK (2008. szeptember 1.). „Metabolic phenotyping in health and disease”. Cell 134 (5), 714–7. o. DOI:10.1016/j.cell.2008.08.026. PMID 18775301.  
  35. a b Robertson DG (2005. június 1.). „Metabonomics in toxicology: a review”. Toxicol. Sci. 85 (2), 809–22. o. DOI:10.1093/toxsci/kfi102. PMID 15689416.  
  36. Schauer N, Steinhauser D, Strelkov S, et al. (2005. február 1.). „GC-MS libraries for the rapid identification of metabolites in complex biological samples”. FEBS Lett. 579 (6), 1332–7. o. DOI:10.1016/j.febslet.2005.01.029. PMID 15733837.  
  37. Gika HG, Theodoridis GA, Wingate JE, Wilson ID (2007. augusztus 1.). „Within-day reproducibility of an LC-MS-based method for metabonomic analysis: application to human urine”. J. Proteome Res. 6 (8), 3291–303. o. DOI:10.1021/pr070183p. PMID 17625818.  
  38. Soga T, Ohashi Y, Ueno Y (2003. szeptember 1.). „Quantitative metabolome analysis using capillary electrophoresis mass spectrometry”. J. Proteome Res. 2 (5), 488–494. o. DOI:10.1021/pr034020m. PMID 14582645.  
  39. Northen T.R, Yanes O, Northen M, Marrinucci D, Uritboonthai W, Apon J, Golledge S, Nordstrom A, Siuzdak G (2007. október 1.). „Clathrate nanostructures for mass spectrometry”. Nature 449 (7165), 1033–6. o. DOI:10.1038/nature06195. PMID 17960240.  
  40. Woo H, Northern TR, Yanes O, Siuzdak G (2008. július 1.). „Nanostructure-initiator mass spectrometry: a protocol for preparing and applying NIMS surfaces for high-sensitivity mass analysis”. Nature protocols 3 (8), 1341–9. o. DOI:10.1038/nprot.2008,110. PMID 18714302.  
  41. Griffin JL (2003. október 1.). „Metabonomics: NMR spectroscopy and pattern recognition analysis of body fluids and tissues for characterisation of xenobiotic toxicity and disease diagnosis”. Curr Opin Chem Biol 7 (5), 648–54. o. DOI:10.1016/j.cbpa.2003.08.008. PMID 14580571.  
  42. Beckonert O, Keun HC, Ebbels TM, et al. (2007). „Metabolic profiling, metabolomic and metabonomic procedures for NMR spectroscopy of urine, plasma, serum and tissue extracts”. Nat Protoc 2 (11), 2692–703. o. DOI:10.1038/nprot.2007.376. PMID 18007604.  
  43. Smith CA, Want EJ, O'Maille G, Abagyan R, Siuzdak G (2006. február 1.). „XCMS: processing mass spectrometry data for metabolite profiling using nonlinear peak alignment, matching, and identification”. Anal Chem 78 (3), 779–87. o. DOI:10.1021/ac051437y. PMID 16448051.  
  44. Tautenhahn R, Patti GJ, Rinehart D, Siuzdak G (2012. április 1.). „XCMS Online: a web-based platform to process untargeted metabolomic data”. Anal Chem 84 (11), 5035–5039. o. DOI:10.1021/ac300698c. PMID 22533540.  
  45. Patti GJ, Tautenhahn R, Rinehart D, Cho K, Shriver L, Manchester M, Nikolskiy I, Johnson C, Mahieu N, Siuzdak G (2013). „A View from Above: Cloud Plots to Visualize Global Metabolomic Data”. Anal Chem 85 (2), 798–804. o. DOI:10.1021/ac3029745.  
  46. Katajamaa M, Miettinen J, Oresic M (2006. március 1.). „MZmine: toolbox for processing and visualization of mass spectrometry based molecular profile data”. Bioinformatics 22 (5), 634–36. o. DOI:10.1093/bioinformatics/btk039. PMID 16403790.  
  47. Lommen A (2009. április 1.). „MetAlign: interface-driven, versatile metabolomics tool for hyphenated full-scan mass spectrometry data processing”. Anal Chem 81 (8), 3079–86. o. DOI:10.1021/ac900036d. PMID 19301908.  
  48. Baran R, Kochi H, Saito N, Suematsu M, Soga T, Nishioka T, Robert M, Tomita M (2006. december 1.). „MathDAMP: a package for differential analysis of metabolite profiles”. BMC Bioinformatics 7, 530. o. [2013. május 24-i dátummal az eredetiből archiválva]. DOI:10.1186/1471-2105-7-530. PMID 17166258. (Hozzáférés: 2014. március 25.)  
  49. Singh S: LCMStats: an R package for detailed analysis of LCMS data
  50. Trygg J, Holmes E, Lundstedt T (2007. február 1.). „Chemometrics in metabonomics”. J. Proteome Res. 6 (2), 469–79. o. DOI:10.1021/pr060594q. PMID 17269704.  
  51. Saghatelian A, Trauger SA, Want EJ, Hawkins EG, Siuzdak G, Cravatt BF (2004. november 1.). „Assignment of endogenous substrates to enzymes by global metabolite profiling”. Biochemistry 43 (45), 14332–9. o. DOI:10.1021/bi0480335. PMID 15533037.  
  52. Chiang KP, Niessen S, Saghatelian A, Cravatt BF (2006. október 1.). „An enzyme that regulates ether lipid signaling pathways in cancer annotated by multidimensional profiling”. Chem. Biol. 13 (10), 1041–50. o. DOI:10.1016/j.chembiol.2006.08.008. PMID 17052608.  
  53. Gibney MJ, Walsh M, Brennan L, Roche HM, German B, van Ommen B (2005. szeptember 1.). „Metabolomics in human nutrition: opportunities and challenges”. Am. J. Clin. Nutr. 82 (3), 497–503. o. PMID 16155259.  
  54. Bundy JG, Davey MP, Viant MR (2009). „Environmental Metabolomics: A Critical Review and Future Perspectives”. Metabolomics 5, 3–21. o. DOI:10.1007/s11306-008-0152-0.  
  55. Morrison N, Bearden D, Bundy JG, Collette T, Currie F, Davey MP et al. (2007). „Standard Reporting Requirements for Biological Samples in Metabolomics Experiments: Environmental Context”. Metabolomics 3 (3), 203–210. o. DOI:10.1007/s11306-007-0067-1.  

Irodalom szerkesztés

További információk szerkesztés

Nézd meg a metabolomika címszót a Wikiszótárban!