stringtranslate.com

Metabolómica

Principio central de la biología que muestra el flujo de información desde el ADN hasta el fenotipo . Asociada a cada etapa se encuentra la herramienta de biología de sistemas correspondiente, desde la genómica hasta la metabolómica.

La metabolómica es el estudio científico de los procesos químicos que involucran metabolitos , los sustratos de moléculas pequeñas, intermediarios y productos del metabolismo celular . Específicamente, la metabolómica es el "estudio sistemático de las huellas químicas únicas que dejan atrás los procesos celulares específicos", el estudio de sus perfiles de metabolitos de moléculas pequeñas. [1] El metaboloma representa el conjunto completo de metabolitos en una célula, tejido, órgano u organismo biológico, que son los productos finales de los procesos celulares. [2] El ARN mensajero (ARNm), los datos de expresión genética y los análisis proteómicos revelan el conjunto de productos genéticos que se producen en la célula, datos que representan un aspecto de la función celular. Por el contrario, el perfil metabólico puede dar una instantánea de la fisiología de esa célula, [3] y, por lo tanto, la metabolómica proporciona una "lectura funcional directa del estado fisiológico" de un organismo. [4] De hecho, existen correlaciones cuantificables entre el metaboloma y otros conjuntos celulares ( genoma , transcriptoma , proteoma y lipidoma ), que pueden usarse para predecir las abundancias de metabolitos en muestras biológicas a partir de, por ejemplo, las abundancias de ARNm. [5] Uno de los desafíos más importantes de la biología de sistemas es integrar la metabolómica con toda la demás información -ómica para proporcionar una mejor comprensión de la biología celular.

Historia

El concepto de que los individuos podrían tener un "perfil metabólico" que podría reflejarse en la composición de sus fluidos biológicos fue introducido por Roger Williams a fines de la década de 1940, [6] quien utilizó la cromatografía de papel para sugerir que los patrones metabólicos característicos en la orina y la saliva estaban asociados con enfermedades como la esquizofrenia . Sin embargo, fue solo a través de los avances tecnológicos en la década de 1960 y 1970 que se volvió factible medir cuantitativamente (en lugar de cualitativamente) los perfiles metabólicos. [7] El término "perfil metabólico" fue introducido por Horning, et al. en 1971 después de demostrar que la cromatografía de gases-espectrometría de masas (GC-MS) podía usarse para medir compuestos presentes en la orina humana y extractos de tejidos. [8] [9] El grupo de Horning, junto con el de Linus Pauling y Arthur B. Robinson, lideró el desarrollo de métodos GC-MS para monitorear los metabolitos presentes en la orina durante la década de 1970. [10]

Al mismo tiempo, la espectroscopia de RMN , descubierta en la década de 1940, también estaba experimentando rápidos avances. En 1974, Seeley et al. demostraron la utilidad de utilizar RMN para detectar metabolitos en muestras biológicas no modificadas. [11] Este primer estudio sobre el músculo destacó el valor de la RMN, ya que se determinó que el 90% del ATP celular está complejado con magnesio. Como la sensibilidad ha mejorado con la evolución de mayores intensidades de campo magnético y el giro de ángulo mágico , la RMN sigue siendo una herramienta analítica líder para investigar el metabolismo. [8] [12] Los esfuerzos recientes para utilizar la RMN para la metabolómica han sido impulsados ​​​​en gran medida por el laboratorio de Jeremy K. Nicholson en el Birkbeck College, la Universidad de Londres y más tarde en el Imperial College de Londres . En 1984, Nicholson demostró que la espectroscopia de RMN de 1 H podría usarse potencialmente para diagnosticar diabetes mellitus, y más tarde fue pionero en la aplicación de métodos de reconocimiento de patrones a los datos espectroscópicos de RMN. [13] [14]

En 1994 y 1996, Gary Siuzdak realizó experimentos de metabolómica mediante cromatografía líquida y espectrometría de masas [15] [16] mientras trabajaba con Richard Lerner (entonces presidente del Scripps Research Institute ) y Benjamin Cravatt , para analizar el líquido cefalorraquídeo de animales privados de sueño. Se observó una molécula de particular interés, la oleamida , y más tarde se demostró que tenía propiedades inductoras del sueño. Este trabajo es uno de los primeros experimentos de este tipo que combinan la cromatografía líquida y la espectrometría de masas en la metabolómica.

En 2005, se desarrolló la primera base de datos de espectrometría de masas en tándem de metabolómica , METLIN , [17] [18] para caracterizar metabolitos humanos en el laboratorio Siuzdak del Scripps Research Institute . METLIN ha crecido desde entonces y, a diciembre de 2023, METLIN contiene datos experimentales de MS/MS sobre más de 930 000 estándares moleculares y otras entidades químicas, [19] cada compuesto tiene datos experimentales de espectrometría de masas en tándem generados a partir de estándares moleculares a múltiples energías de colisión y en modos de ionización positiva y negativa. METLIN es el mayor repositorio de datos de espectrometría de masas en tándem de su tipo. La revista académica especializada Metabolomics apareció por primera vez en 2005, fundada por su actual editor en jefe Roy Goodacre .

En 2005, el laboratorio de Siuzdak se dedicó a identificar metabolitos asociados con la sepsis y, en un esfuerzo por abordar la cuestión de la identificación estadística de los metabolitos desregulados más relevantes en cientos de conjuntos de datos de LC/MS, se desarrolló el primer algoritmo para permitir la alineación no lineal de los datos metabolómicos de espectrometría de masas. Denominado XCMS [20] , desde entonces (2012) [21] se ha desarrollado como una herramienta en línea y, a partir de 2019 (con METLIN), tiene más de 30 000 usuarios registrados.

El 23 de enero de 2007, el Proyecto del Metaboloma Humano , dirigido por David S. Wishart , completó el primer borrador del metaboloma humano, que consiste en una base de datos de aproximadamente 2.500 metabolitos, 1.200 fármacos y 3.500 componentes alimentarios. [22] [23] Se han llevado a cabo proyectos similares en varias especies de plantas, en particular Medicago truncatula [24] y Arabidopsis thaliana [25] durante varios años.

A mediados de 2010, la metabolómica todavía se consideraba un "campo emergente". [26] Además, se observó que el progreso futuro en el campo dependía en gran medida, mediante la solución de problemas técnicos que de otro modo serían "irresolubles", de la evolución técnica de la instrumentación de espectrometría de masas . [26]

En 2015, se demostró por primera vez la elaboración de perfiles del metaboloma en tiempo real. [27]

Metaboloma

El proyecto del metaboloma humano

El metaboloma se refiere al conjunto completo de metabolitos de moléculas pequeñas (<1,5 kDa) [22] (como intermediarios metabólicos, hormonas y otras moléculas de señalización, y metabolitos secundarios) que se encuentran dentro de una muestra biológica, como un solo organismo. [28] [29] La palabra fue acuñada en analogía con la transcriptómica y la proteómica ; al igual que el transcriptoma y el proteoma, el metaboloma es dinámico y cambia de un segundo a otro. Aunque el metaboloma se puede definir con bastante facilidad, actualmente no es posible analizar toda la gama de metabolitos con un solo método analítico.

En enero de 2007, científicos de la Universidad de Alberta y de la Universidad de Calgary completaron el primer borrador del metaboloma humano. La Base de Datos del Metaboloma Humano (HMDB, por sus siglas en inglés) es quizás la base de datos espectral metabolómica pública más extensa hasta la fecha [30] y es una base de datos electrónica de libre acceso (www.hmdb.ca) que contiene información detallada sobre los metabolitos de moléculas pequeñas que se encuentran en el cuerpo humano. Está destinada a ser utilizada en aplicaciones de metabolómica, química clínica, descubrimiento de biomarcadores y educación general. La base de datos está diseñada para contener o vincular tres tipos de datos:

  1. Datos químicos,
  2. Datos clínicos y
  3. Datos de biología molecular/bioquímica.

La base de datos contiene 220.945 entradas de metabolitos, incluidos metabolitos solubles en agua y solubles en lípidos. Además, 8.610 secuencias de proteínas (enzimas y transportadores) están vinculadas a estas entradas de metabolitos. Cada entrada de MetaboCard contiene 130 campos de datos, de los cuales 2/3 están dedicados a datos químicos/clínicos y el otro 1/3 a datos enzimáticos o bioquímicos. [31] La versión 3.5 de la HMDB contiene >16.000 metabolitos endógenos, >1.500 fármacos y >22.000 constituyentes de alimentos o metabolitos de alimentos. [32] Esta información, disponible en la Base de Datos del Metaboloma Humano y basada en el análisis de la información disponible en la literatura científica actual, está lejos de ser completa. [33] En cambio, se sabe mucho más sobre los metabolomas de otros organismos. Por ejemplo, se han caracterizado más de 50.000 metabolitos del reino vegetal y se han identificado y/o caracterizado muchos miles de metabolitos de plantas individuales. [34] [35]

Cada tipo de célula y tejido tiene una "huella" metabólica única que puede dilucidar información específica de un órgano o tejido. Las muestras biológicas utilizadas para el análisis metabolómico incluyen, entre otras, plasma, suero, orina, saliva, heces, músculo, sudor, aliento exhalado y líquido gastrointestinal. [36] La facilidad de recolección facilita una alta resolución temporal y, debido a que siempre están en equilibrio dinámico con el cuerpo, pueden describir al huésped como un todo. [37] El genoma puede decir lo que podría suceder, el transcriptoma puede decir lo que parece estar sucediendo, el proteoma puede decir lo que lo hace suceder y el metaboloma puede decir lo que ha sucedido y lo que está sucediendo. [38]

Metabolitos

Los metabolitos son los sustratos, intermediarios y productos del metabolismo . En el contexto de la metabolómica, un metabolito se define generalmente como cualquier molécula de menos de 1,5 kDa de tamaño. [22] Sin embargo, existen excepciones a esto dependiendo de la muestra y el método de detección. Por ejemplo, las macromoléculas como las lipoproteínas y la albúmina se detectan de manera confiable en estudios metabolómicos basados ​​en RMN del plasma sanguíneo. [39] En la metabolómica basada en plantas, es común referirse a metabolitos "primarios" y "secundarios". [3] Un metabolito primario está directamente involucrado en el crecimiento, desarrollo y reproducción normales. Un metabolito secundario no está directamente involucrado en esos procesos, pero generalmente tiene una función ecológica importante . Los ejemplos incluyen antibióticos y pigmentos . [40] Por el contrario, en la metabolómica basada en humanos, es más común describir los metabolitos como endógenos (producidos por el organismo huésped) o exógenos . [41] [42] Los metabolitos de sustancias extrañas, como los fármacos, se denominan xenometabolitos. [43]

El metaboloma forma una gran red de reacciones metabólicas , en la que los resultados de una reacción química enzimática son los insumos de otras reacciones químicas. Estos sistemas se han descrito como hiperciclos . [ cita requerida ]

Metabonómica

La metabonómica se define como "la medición cuantitativa de la respuesta metabólica multiparamétrica dinámica de los sistemas vivos a estímulos fisiopatológicos o modificaciones genéticas". El origen de la palabra proviene del griego μεταβολή, que significa cambio, y nomos, que significa un conjunto de reglas o leyes. [44] Este enfoque fue desarrollado por Jeremy Nicholson en la Universidad Murdoch y se ha utilizado en toxicología, diagnóstico de enfermedades y en varios otros campos. Históricamente, el enfoque metabonómico fue uno de los primeros métodos en aplicar el alcance de la biología de sistemas a los estudios del metabolismo. [45] [46] [47]

Ha habido cierto desacuerdo sobre las diferencias exactas entre "metabolómica" y "metabonómica". La diferencia entre los dos términos no está relacionada con la elección de la plataforma analítica: aunque la metabonómica está más asociada con la espectroscopia de RMN y la metabolómica con técnicas basadas en la espectrometría de masas , esto se debe simplemente a los usos entre diferentes grupos que han popularizado los diferentes términos. Si bien todavía no hay un acuerdo absoluto, hay un consenso creciente de que la "metabolómica" pone un mayor énfasis en el perfil metabólico a nivel celular u orgánico y se ocupa principalmente del metabolismo endógeno normal. La "metabonómica" extiende el perfil metabólico para incluir información sobre perturbaciones del metabolismo causadas por factores ambientales (incluida la dieta y las toxinas), procesos patológicos y la participación de influencias extragenómicas, como la microflora intestinal . Esta no es una diferencia trivial; los estudios metabolómicos deberían, por definición, excluir las contribuciones metabólicas de fuentes extragenómicas, porque estas son externas al sistema que se está estudiando. Sin embargo, en la práctica, dentro del campo de la investigación de enfermedades humanas todavía hay un gran grado de superposición en la forma en que se utilizan ambos términos, y a menudo son, en efecto, sinónimos. [48]

Exometabolómica

La exometabolómica, o "huella metabólica", es el estudio de los metabolitos extracelulares. Utiliza muchas técnicas de otros subcampos de la metabolómica y tiene aplicaciones en el desarrollo de biocombustibles , el bioprocesamiento , la determinación del mecanismo de acción de los fármacos y el estudio de las interacciones intercelulares. [49]

Tecnologías analíticas

Etapas clave de un estudio de metabolómica

El flujo de trabajo típico de los estudios de metabolómica se muestra en la figura. Primero, se recogen muestras de tejido, plasma, orina, saliva, células, etc. A continuación, se extraen los metabolitos, a menudo con la adición de estándares internos y derivatización. [38] Durante el análisis de la muestra, se cuantifican los metabolitos ( cromatografía líquida o cromatografía de gases acoplada a espectroscopia de EM y/o RMN ). [50] Los datos de salida sin procesar se pueden utilizar para la extracción de características de los metabolitos y procesarse aún más antes del análisis estadístico (como el análisis de componentes principales , PCA). Hay muchas herramientas y software bioinformáticos disponibles para identificar asociaciones con estados y resultados de enfermedades, determinar correlaciones significativas y caracterizar firmas metabólicas con el conocimiento biológico existente. [51]

Métodos de separación

Inicialmente, los analitos en una muestra metabolómica comprenden una mezcla altamente compleja. Esta mezcla compleja se puede simplificar antes de la detección separando algunos analitos de otros. La separación logra varios objetivos: los analitos que no se pueden resolver mediante el detector se pueden separar en este paso; en el análisis de MS, se reduce la supresión de iones ; el tiempo de retención del analito sirve como información sobre su identidad. Este paso de separación no es obligatorio y a menudo se omite en RMN y enfoques basados ​​en "shotgun", como la lipidómica shotgun .

La cromatografía de gases (GC), especialmente cuando se combina con la espectrometría de masas ( GC-MS ), es una técnica de separación ampliamente utilizada para el análisis metabolómico. La GC ofrece una resolución cromatográfica muy alta y se puede utilizar junto con un detector de ionización de llama (GC/FID) o un espectrómetro de masas (GC-MS). El método es especialmente útil para la identificación y cuantificación de moléculas pequeñas y volátiles. [52] Sin embargo, una limitación práctica de la GC es el requisito de derivatización química para muchas biomoléculas, ya que solo se pueden analizar productos químicos volátiles sin derivatización. En los casos en los que se requiere un mayor poder de resolución, se puede aplicar la cromatografía bidimensional ( GCxGC ).

La cromatografía líquida de alto rendimiento (HPLC) ha surgido como la técnica de separación más común para el análisis metabolómico. Con la llegada de la ionización por electrospray , la HPLC se acopló a la MS. A diferencia de la GC , la HPLC tiene una resolución cromatográfica más baja, pero no requiere derivatización para moléculas polares y separa moléculas en la fase líquida. Además, la HPLC tiene la ventaja de que se puede medir una gama mucho más amplia de analitos con una mayor sensibilidad que los métodos de GC. [53]

La electroforesis capilar (EC) tiene una mayor eficiencia de separación teórica que la HPLC (aunque requiere mucho más tiempo por separación) y es adecuada para su uso con una gama más amplia de clases de metabolitos que la GC. Como ocurre con todas las técnicas electroforéticas, es la más adecuada para analitos cargados. [54]

Métodos de detección

La espectrometría de masas (MS) se utiliza para identificar y cuantificar metabolitos después de la separación opcional por GC , HPLC o CE . GC-MS fue la primera técnica combinada que se desarrolló. La identificación aprovecha los patrones distintivos en los que se fragmentan los analitos. Estos patrones pueden considerarse como una huella digital espectral de masas. Existen bibliotecas que permiten la identificación de un metabolito de acuerdo con este patrón de fragmentación [ ejemplo necesario ] . La MS es sensible y puede ser muy específica. También hay una serie de técnicas que utilizan MS como una tecnología independiente: la muestra se infunde directamente en el espectrómetro de masas sin separación previa, y la MS proporciona suficiente selectividad tanto para separar como para detectar metabolitos.

Para el análisis por espectrometría de masas, los analitos deben recibir una carga y transferirse a la fase gaseosa. La ionización electrónica (EI) es la técnica de ionización más común aplicada a las separaciones por cromatografía de gases, ya que es adecuada para presiones bajas. La EI también produce fragmentación del analito, lo que proporciona información estructural al mismo tiempo que aumenta la complejidad de los datos y posiblemente oculta el ion molecular. La ionización química a presión atmosférica (APCI) es una técnica de presión atmosférica que se puede aplicar a todas las técnicas de separación anteriores. La APCI es un método de ionización en fase gaseosa, que proporciona una ionización ligeramente más agresiva que la ESI, que es adecuada para compuestos menos polares. La ionización por electrospray (ESI) es la técnica de ionización más común aplicada en LC/MS. Esta ionización suave es más exitosa para moléculas polares con grupos funcionales ionizables. Otra técnica de ionización suave comúnmente utilizada es la ionización por electrospray secundaria (SESI) .

En la década de 2000, el análisis de masas basado en superficies ha experimentado un resurgimiento, con nuevas tecnologías de MS centradas en aumentar la sensibilidad, minimizar el fondo y reducir la preparación de la muestra. La capacidad de analizar metabolitos directamente de biofluidos y tejidos sigue siendo un desafío para la tecnología de MS actual, en gran medida debido a los límites impuestos por la complejidad de estas muestras, que contienen miles a decenas de miles de metabolitos. Entre las tecnologías que se están desarrollando para abordar este desafío se encuentra la nanoestructura-iniciadora MS (NIMS), [55] [56] un enfoque de desorción/ionización que no requiere la aplicación de matriz y, por lo tanto, facilita la identificación de moléculas pequeñas (es decir, metabolitos). También se utiliza MALDI ; sin embargo, la aplicación de una matriz MALDI puede agregar un fondo significativo a < 1000 Da que complica el análisis del rango de masa baja (es decir, metabolitos). Además, el tamaño de los cristales de matriz resultantes limita la resolución espacial que se puede lograr en la obtención de imágenes de tejidos. Debido a estas limitaciones, se han aplicado otros enfoques de desorción/ionización sin matriz al análisis de biofluidos y tejidos.

La espectrometría de masas de iones secundarios (SIMS) fue uno de los primeros métodos de ionización/desorción sin matriz utilizados para analizar metabolitos de muestras biológicas. [ cita requerida ] La SIMS utiliza un haz de iones primarios de alta energía para desorber y generar iones secundarios a partir de una superficie. La principal ventaja de la SIMS es su alta resolución espacial (tan pequeña como 50 nm), una característica poderosa para la obtención de imágenes de tejidos con MS. Sin embargo, la SIMS aún no se ha aplicado fácilmente al análisis de biofluidos y tejidos debido a su sensibilidad limitada a >500 Da y la fragmentación de analitos generada por el haz de iones primarios de alta energía. La ionización por electrospray de desorción (DESI) es una técnica sin matriz para analizar muestras biológicas que utiliza un aerosol de disolvente cargado para desorber iones de una superficie. Las ventajas de la DESI son que no se requiere una superficie especial y el análisis se realiza a presión ambiente con acceso completo a la muestra durante la adquisición. Una limitación de la DESI es la resolución espacial porque "enfocar" el aerosol de disolvente cargado es difícil. Sin embargo, un desarrollo reciente denominado ablación láser ESI (LAESI) es un enfoque prometedor para sortear esta limitación. [ cita requerida ] Más recientemente, las técnicas de trampa de iones como la espectrometría de masas orbitrap también se aplican a la investigación metabolómica. [ 57 ]

La espectroscopia de resonancia magnética nuclear (RMN) es la única técnica de detección que no depende de la separación de los analitos, por lo que la muestra se puede recuperar para análisis posteriores. Se pueden medir simultáneamente todo tipo de metabolitos de moléculas pequeñas; en este sentido, la RMN está cerca de ser un detector universal. Las principales ventajas de la RMN son la alta reproducibilidad analítica y la simplicidad de la preparación de la muestra. Sin embargo, en la práctica es relativamente insensible en comparación con las técnicas basadas en espectrometría de masas. [58] [59]

Aunque la RMN y la EM son las técnicas de detección más utilizadas en la actualidad, existen otros métodos en uso, entre ellos la resonancia ciclotrónica iónica por transformada de Fourier , [60] la espectrometría de movilidad iónica , [61] la detección electroquímica (acoplada a la HPLC), la espectroscopia Raman y la radiomarcación (cuando se combina con la cromatografía de capa fina). [ cita requerida ]

Métodos estadísticos

Los datos generados en metabolómica suelen consistir en mediciones realizadas en sujetos en diversas condiciones. Estas mediciones pueden ser espectros digitalizados o una lista de características de los metabolitos. En su forma más simple, esto genera una matriz con filas correspondientes a los sujetos y columnas correspondientes a las características de los metabolitos (o viceversa). [8] Actualmente, hay varios programas estadísticos disponibles para el análisis de datos de RMN y espectrometría de masas . Ya hay disponible una gran cantidad de software gratuito para el análisis de datos de metabolómica que se muestran en la tabla. Algunas herramientas estadísticas enumeradas en la tabla fueron diseñadas para análisis de datos de RMN y también fueron útiles para datos de MS. [62] Para los datos de espectrometría de masas, hay software disponible que identifica moléculas que varían en grupos de sujetos sobre la base del valor de sobrecarga de masa y, a veces, el tiempo de retención según el diseño experimental. [63]

Una vez que se determina la matriz de datos de metabolitos, se pueden utilizar técnicas de reducción de datos no supervisadas (por ejemplo, PCA) para dilucidar patrones y conexiones. En muchos estudios, incluidos los que evalúan la toxicidad de los fármacos y algunos modelos de enfermedades, los metabolitos de interés no se conocen a priori . Esto hace que los métodos no supervisados, aquellos sin suposiciones previas de pertenencia a la clase, sean una primera opción popular. El más común de estos métodos incluye el análisis de componentes principales (PCA), que puede reducir de manera eficiente las dimensiones de un conjunto de datos a unas pocas que expliquen la mayor variación. [37] Cuando se analiza en el espacio PCA de menor dimensión, se puede detectar la agrupación de muestras con huellas metabólicas similares. Los algoritmos PCA tienen como objetivo reemplazar todas las variables correlacionadas con un número mucho menor de variables no correlacionadas (denominadas componentes principales (PC)) y retener la mayor parte de la información en el conjunto de datos original. [64] Esta agrupación puede dilucidar patrones y ayudar en la determinación de biomarcadores de enfermedades: metabolitos que se correlacionan más con la pertenencia a la clase.

Los modelos lineales se utilizan comúnmente para datos de metabolómica, pero se ven afectados por la multicolinealidad . Por otro lado, las estadísticas multivariadas son métodos prósperos para datos de metabolómica correlacionados de alta dimensión, de los cuales el más popular es la regresión de Proyección a Estructuras Latentes (PLS) y su versión de clasificación PLS-DA. Otros métodos de minería de datos , como el bosque aleatorio , las máquinas de vectores de soporte , etc., reciben cada vez más atención para el análisis de datos de metabolómica no dirigida. [65] En el caso de los métodos univariados, las variables se analizan una por una utilizando herramientas estadísticas clásicas (como la prueba t de Student , ANOVA o modelos mixtos) y solo aquellas con valores p suficientemente pequeños se consideran relevantes. [36] Sin embargo, se deben utilizar estrategias de corrección para reducir los descubrimientos falsos cuando se realizan comparaciones múltiples , ya que no existe un método estándar para medir la cantidad total de metabolitos directamente en la metabolómica no dirigida. [66] Para el análisis multivariado , los modelos siempre deben validarse para garantizar que los resultados puedan generalizarse.

Aprendizaje automático y minería de datos

El aprendizaje automático es una herramienta poderosa que se puede utilizar en el análisis metabolómico. Recientemente, los científicos han desarrollado software de predicción del tiempo de retención. Estas herramientas permiten a los investigadores aplicar inteligencia artificial a la predicción del tiempo de retención de pequeñas moléculas en mezclas complejas, como plasma humano, extractos de plantas, alimentos o cultivos microbianos. La predicción del tiempo de retención aumenta la tasa de identificación en la cromatografía líquida y puede conducir a una mejor interpretación biológica de los datos metabolómicos. [67]

Aplicaciones clave

La evaluación de la toxicidad / toxicología mediante el análisis de perfiles metabólicos (especialmente de muestras de orina o plasma sanguíneo) detecta los cambios fisiológicos causados ​​por la toxicidad de una sustancia química (o mezcla de sustancias químicas). En muchos casos, los cambios observados pueden estar relacionados con síndromes específicos, por ejemplo, una lesión específica en el hígado o el riñón. Esto es de particular importancia para las compañías farmacéuticas que desean probar la toxicidad de posibles candidatos a fármacos : si un compuesto puede eliminarse antes de que llegue a los ensayos clínicos por su toxicidad adversa, se ahorra el enorme gasto de los ensayos. [48]

Para la genómica funcional , la metabolómica puede ser una excelente herramienta para determinar el fenotipo causado por una manipulación genética, como la deleción o inserción de genes. A veces, esto puede ser un objetivo suficiente en sí mismo, por ejemplo, detectar cualquier cambio fenotípico en una planta modificada genéticamente destinada al consumo humano o animal. Más emocionante es la perspectiva de predecir la función de genes desconocidos en comparación con las perturbaciones metabólicas causadas por la deleción/inserción de genes conocidos. Es muy probable que estos avances provengan de organismos modelo como Saccharomyces cerevisiae y Arabidopsis thaliana . El laboratorio Cravatt en el Scripps Research Institute ha aplicado recientemente esta tecnología a sistemas mamíferos , identificando las N -aciltaurinas como sustratos endógenos no caracterizados previamente para la enzima amida hidrolasa de ácidos grasos (FAAH) y los éteres de monoalquilglicerol (MAGE) como sustratos endógenos para la hidrolasa no caracterizada KIAA1363 . [68] [69]

La metabologenómica es un enfoque novedoso para integrar datos metabolómicos y genómicos al correlacionar metabolitos exportados por microbios con genes biosintéticos previstos. [70] Este método de emparejamiento basado en la bioinformática permite el descubrimiento de productos naturales a mayor escala al refinar los análisis metabolómicos no específicos para identificar moléculas pequeñas con biosíntesis relacionada y centrarse en aquellas que pueden no tener estructuras previamente conocidas.

La fluxómica es un desarrollo posterior de la metabolómica. La desventaja de la metabolómica es que solo proporciona al usuario cantidades o concentraciones de metabolitos, mientras que la fluxómica determina las velocidades de reacción de las reacciones metabólicas y puede rastrear metabolitos en un sistema biológico a lo largo del tiempo.

La nutrigenómica es un término general que vincula la genómica, la transcriptómica, la proteómica y la metabolómica con la nutrición humana. En general, en un fluido corporal determinado, el metaboloma está influenciado por factores endógenos como la edad, el sexo, la composición corporal y la genética, así como por patologías subyacentes. La microflora del intestino grueso también es un factor de confusión potencial muy importante de los perfiles metabólicos y podría clasificarse como un factor endógeno o exógeno. Los principales factores exógenos son la dieta y los medicamentos. La dieta puede desglosarse en nutrientes y no nutrientes. La metabolómica es un medio para determinar un punto final biológico, o huella metabólica, que refleja el equilibrio de todas estas fuerzas en el metabolismo de un individuo. [71] [72] Gracias a las recientes reducciones de costos, la metabolómica ahora se ha vuelto accesible para los animales de compañía, como las perras preñadas. [73] [74]

La metabolómica de plantas está diseñada para estudiar los cambios generales en los metabolitos de las muestras de plantas y luego realizar una extracción profunda de datos y un análisis quimiométrico. Los metabolitos especializados se consideran componentes de los sistemas de defensa de las plantas biosintetizados en respuesta a estreses bióticos y abióticos. [75] Recientemente se han utilizado enfoques metabolómicos para evaluar la variación natural en el contenido de metabolitos entre plantas individuales, un enfoque con gran potencial para la mejora de la calidad compositiva de los cultivos. [76]

Véase también

Referencias

  1. ^ Daviss B (abril de 2005). «Los dolores de crecimiento de la metabolómica». The Scientist . 19 (8): 25–28. Archivado desde el original el 13 de octubre de 2008.
  2. ^ Jordan KW, Nordenstam J, Lauwers GY, Rothenberger DA, Alavi K, Garwood M, et al. (marzo de 2009). "Caracterización metabolómica del adenocarcinoma rectal humano con espectroscopia de resonancia magnética de tejido intacto". Enfermedades del colon y el recto . 52 (3): 520–525. doi :10.1007/DCR.0b013e31819c9a2c. PMC 2720561. PMID  19333056 . 
  3. ^ ab Villate A, San Nicolas M, Gallastegi M, Aulas PA, Olivares M, Usobiaga A, et al. (febrero de 2021). "Revisión: Metabolómica como herramienta de predicción del rendimiento de las plantas bajo estrés ambiental". Plant Science . 303 : 110789. doi :10.1016/j.plantsci.2020.110789. PMID  33487364. S2CID  230533604.
  4. ^ Hollywood K, Brison DR, Goodacre R (septiembre de 2006). "Metabolómica: tecnologías actuales y tendencias futuras". Proteómica . 6 (17): 4716–4723. doi :10.1002/pmic.200600106. PMID  16888765. S2CID  14631544.
  5. ^ Cavicchioli MV, Santorsola M, Balboni N, Mercatelli D, Giorgi FM (marzo de 2022). "Predicción de perfiles metabólicos a partir de datos transcriptómicos en líneas celulares de cáncer humano". Revista internacional de ciencias moleculares . 23 (7): 3867. doi : 10.3390/ijms23073867 . PMC 8998886 . PMID  35409231. 
  6. ^ Gates SC, Sweeley CC (octubre de 1978). "Perfiles metabólicos cuantitativos basados ​​en cromatografía de gases". Química clínica . 24 (10): 1663–1673. doi :10.1093/clinchem/24.10.1663. PMID  359193.
  7. ^ Preti, George (6 de junio de 2005). "¿La metabolómica alcanza la madurez?". The Scientist . 19 (11): 8.
  8. ^ abc van der Greef J, Smilde AK (mayo de 2005). "Simbiosis de quimiometría y metabolómica: pasado, presente y futuro". Journal of Chemometrics . 19 (5–7): 376–386. doi : 10.1002/cem.941 . S2CID  122419960.
  9. ^ Shapiro I, Kavkalo DN, Petrova GV, Ganzin AP (1989). "[Angioleiomioma del mesenterio del intestino grueso complicado por peritonitis difusa]". Sovetskaia Meditsina (en ruso) (9): 116. PMID  2603028.
  10. ^ Griffiths WJ, Wang Y (julio de 2009). "Espectrometría de masas: de la proteómica a la metabolómica y la lipidómica". Chemical Society Reviews . 38 (7): 1882–1896. doi :10.1039/b618553n. PMID  19551169. S2CID  12237358.
  11. ^ Hoult DI, Busby SJ, Gadian DG, Radda GK, Richards RE, Seeley PJ (noviembre de 1974). "Observación de metabolitos tisulares mediante resonancia magnética nuclear de 31P". Nature . 252 (5481): 285–287. Bibcode :1974Natur.252..285H. doi :10.1038/252285a0. PMID  4431445. S2CID  4291661.
  12. ^ Nicholson JK, Lindon JC (octubre de 2008). "Biología de sistemas: metabonómica". Nature . 455 (7216): 1054–1056. Bibcode :2008Natur.455.1054N. doi :10.1038/4551054a. PMID  18948945. S2CID  4411723.
  13. ^ Holmes E, Antti H (diciembre de 2002). "Contribuciones quimiométricas a la evolución de la metabonómica: soluciones matemáticas para caracterizar e interpretar espectros de RMN biológicos complejos". The Analyst . 127 (12): 1549–1557. Bibcode :2002Ana...127.1549H. doi :10.1039/b208254n. PMID  12537357.
  14. ^ Lenz EM, Wilson ID (febrero de 2007). "Estrategias analíticas en metabonómica". Journal of Proteome Research . 6 (2): 443–458. doi :10.1021/pr0605217. PMID  17269702.
  15. ^ Lerner RA, Siuzdak G, Prospero-Garcia O, Henriksen SJ, Boger DL, Cravatt BF (septiembre de 1994). "Cerebrodieno: un lípido cerebral aislado de gatos privados de sueño". Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 91 (20): 9505–9508. Bibcode :1994PNAS...91.9505L. doi : 10.1073/pnas.91.20.9505 . PMC 44841 . PMID  7937797. 
  16. ^ Cravatt BF, Prospero-Garcia O, Siuzdak G, Gilula NB, Henriksen SJ, Boger DL, et al. (junio de 1995). "Caracterización química de una familia de lípidos cerebrales que inducen el sueño". Science . 268 (5216): 1506–1509. Bibcode :1995Sci...268.1506C. doi :10.1126/science.7770779. PMID  7770779.
  17. ^ Smith CA, O'Maille G, Want EJ, Qin C, Trauger SA, Brandon TR, et al. (diciembre de 2005). "METLIN: una base de datos de espectros de masas de metabolitos". Monitoreo terapéutico de fármacos . 27 (6): 747–751. doi :10.1097/01.ftd.0000179845.53213.39. PMID  16404815. S2CID  14774455.
  18. ^ Guijas C, Montenegro-Burke JR, Domingo-Almenara X, Palermo A, Warth B, Hermann G, et al. (marzo de 2018). "METLIN: una plataforma tecnológica para identificar lo conocido y lo desconocido". Química analítica . 90 (5): 3156–3164. doi :10.1021/acs.analchem.7b04424. PMC 5933435 . PMID  29381867. 
  19. ^ "Premios a la innovación de The Analytical Scientist 2023". The Analytical Scientist . 2023-12-12 . Consultado el 2023-12-14 .
  20. ^ Smith CA, Want EJ, O'Maille G, Abagyan R, Siuzdak G (febrero de 2006). "XCMS: procesamiento de datos de espectrometría de masas para la elaboración de perfiles de metabolitos mediante alineación, coincidencia e identificación de picos no lineales". Química analítica . 78 (3): 779–787. doi :10.1021/ac051437y. PMID  16448051.
  21. ^ Tautenhahn R, Patti GJ, Rinehart D, Siuzdak G (junio de 2012). "XCMS Online: una plataforma basada en la web para procesar datos metabolómicos no específicos". Química analítica . 84 (11): 5035–5039. doi :10.1021/ac300698c. PMC 3703953 . PMID  22533540. 
  22. ^ abc Wishart DS, Tzur D, Knox C, Eisner R, Guo AC, Young N, et al. (1 de enero de 2007). "HMDB: la base de datos del metabolobolo humano". Nucleic Acids Research . 35 (D1): D521–D526. doi :10.1093/nar/gkl923. PMC 1899095 . PMID  17202168. 
  23. ^ Wishart DS, Knox C, Guo AC, Eisner R, Young N, Gautam B, et al. (1 de enero de 2009). "HMDB: una base de conocimiento para el metaboloma humano". Investigación de ácidos nucleicos . 37 (D1): D603–D610. doi :10.1093/nar/gkn810. PMC 2686599 . PMID  18953024. 
  24. ^ Farag MA, Huhman DV, Dixon RA, Sumner LW (febrero de 2008). "La metabolómica revela nuevas vías y respuestas diferenciales mecanísticas y específicas de los elicitores en la biosíntesis de fenilpropanoides e isoflavonoides en cultivos celulares de Medicago truncatula". Fisiología vegetal . 146 (2): 387–402. doi :10.1104/pp.107.108431. PMC 2245840 . PMID  18055588. 
  25. ^ "www.Plantmetabolomics.org". 7 de noviembre de 2012. Archivado desde el original el 7 de noviembre de 2012. Consultado el 20 de mayo de 2020 .
  26. ^ ab Morrow Jr KJ (1 de abril de 2010). "Mass Spec Central to Metabolomics". Noticias sobre ingeniería genética y biotecnología . Vol. 30, núm. 7. pág. 1. Archivado desde el original el 12 de agosto de 2011. Consultado el 28 de junio de 2010 .
  27. ^ "Análisis en tiempo real de productos metabólicos". phys.org . Consultado el 20 de mayo de 2020 .
  28. ^ Oliver SG, Winson MK, Kell DB, Baganz F (septiembre de 1998). "Análisis funcional sistemático del genoma de la levadura". Tendencias en biotecnología . 16 (9): 373–378. doi :10.1016/S0167-7799(98)01214-1. PMID  9744112.
  29. ^ Griffin JL, Vidal-Puig A (junio de 2008). "Desafíos actuales en metabolómica para la investigación de la diabetes: ¿una herramienta genómica funcional vital o simplemente una estrategia para obtener financiación?". Physiological Genomics . 34 (1): 1–5. doi :10.1152/physiolgenomics.00009.2008. PMID  18413782. S2CID  9416755.
  30. ^ HMDB 4.0 – la base de datos del metaboloma humano en 2018.
  31. ^ Wishart DS, Guo A, Oler E, Wang F, Anjum A, Peters H, et al. (enero de 2022). "HMDB 5.0: la base de datos del metaboloma humano para 2022". Nucleic Acids Research . 50 (D1): D622–D631. doi :10.1093/nar/gkab1062. PMC 8728138 . PMID  34986597. 
  32. ^ Wishart DS, Jewison T, Guo AC, Wilson M, Knox C, Liu Y, et al. (enero de 2013). "HMDB 3.0: la base de datos del metaboloma humano en 2013". Nucleic Acids Research . 41 (número de la base de datos): D801–D807. doi :10.1093/nar/gks1065. PMC 3531200 . PMID  23161693. 
  33. ^ Pearson H (marzo de 2007). "Conoce el metaboloma humano". Nature . 446 (7131): 8. Bibcode :2007Natur.446....8P. doi : 10.1038/446008a . PMID  17330009. S2CID  2235062.
  34. ^ De Luca V, St Pierre B (abril de 2000). "La biología celular y del desarrollo de la biosíntesis de alcaloides". Tendencias en la ciencia vegetal . 5 (4): 168–173. doi :10.1016/S1360-1385(00)01575-2. PMID  10740298.
  35. ^ Griffin JL, Shockcor JP (julio de 2004). "Perfiles metabólicos de células cancerosas". Nature Reviews. Cancer . 4 (7): 551–561. doi :10.1038/nrc1390. PMID  15229480. S2CID  527894.
  36. ^ ab Ulaszewska MM, Weinert CH, Trimigno A, Portmann R, Andrés Lacueva C, Badertscher R, et al. (Enero de 2019). "Nutrimetabólica: una acción integradora para análisis metabolómicos en estudios de nutrición humana". Nutrición molecular e investigación de alimentos . 63 (1): e1800384. doi : 10.1002/mnfr.201800384 . hdl : 11572/214273 . PMID  30176196.
  37. ^ ab Nicholson JK, Wilson ID (agosto de 2003). "Opinión: comprensión de la biología de sistemas 'globales': metabonómica y el continuo del metabolismo". Nature Reviews. Drug Discovery . 2 (8): 668–676. doi :10.1038/nrd1157. PMID  12904817. S2CID  23743031.
  38. ^ ab Dettmer K, Aronov PA, Hammock BD (2007). "Metabolómica basada en espectrometría de masas". Mass Spectrometry Reviews . 26 (1): 51–78. Bibcode :2007MSRv...26...51D. doi :10.1002/mas.20108. PMC 1904337 . PMID  16921475. 
  39. ^ Nicholson JK, Foxall PJ, Spraul M, Farrant RD, Lindon JC (marzo de 1995). "Espectroscopia de RMN de 1H y 1H-13C a 750 MHz del plasma sanguíneo humano". Química analítica . 67 (5): 793–811. doi :10.1021/ac00101a004. PMID  7762816.
  40. ^ Bentley R (1999). "Biosíntesis de metabolitos secundarios: el primer siglo". Critical Reviews in Biotechnology . 19 (1): 1–40. doi :10.1080/0738-859991229189. PMID  10230052.
  41. ^ Nordström A, O'Maille G, Qin C, Siuzdak G (mayo de 2006). "Alineación de datos no lineal para metabolómica basada en UPLC-MS y HPLC-MS: análisis cuantitativo de metabolitos endógenos y exógenos en suero humano". Química analítica . 78 (10): 3289–3295. doi :10.1021/ac060245f. PMC 3705959 . PMID  16689529. 
  42. ^ Lin W, Conway LP, Block A, Sommi G, Vujasinovic M, Löhr JM, et al. (junio de 2020). "Análisis espectrométrico de masas sensible de metabolitos de carbonilo en muestras fecales y de orina humana mediante modificación quimioselectiva". The Analyst . 145 (11): 3822–3831. Bibcode :2020Ana...145.3822L. doi : 10.1039/D0AN00150C . PMID  32393929.
  43. ^ Crockford DJ, Maher AD, Ahmadi KR, Barrett A, Plumb RS, Wilson ID, et al. (septiembre de 2008). "Heteroespectroscopia estadística de RMN 1H y UPLC-MS(E): caracterización de metabolitos de fármacos (xenometaboloma) en estudios epidemiológicos". Química analítica . 80 (18): 6835–6844. doi :10.1021/ac801075m. PMID  18700783.
  44. ^ Nicholson JK (2006). "Biología de sistemas globales, medicina personalizada y epidemiología molecular". Biología de sistemas moleculares . 2 (1): 52. doi :10.1038/msb4100095. PMC 1682018 . PMID  17016518. 
  45. ^ Nicholson JK, Lindon JC, Holmes E (noviembre de 1999). "'Metabonomics': comprensión de las respuestas metabólicas de los sistemas vivos a los estímulos fisiopatológicos a través del análisis estadístico multivariado de datos espectroscópicos de RMN biológicos". Xenobiotica; el destino de los compuestos extraños en los sistemas biológicos . 29 (11): 1181–1189. doi :10.1080/004982599238047. PMID  10598751.
  46. ^ Nicholson JK, Connelly J, Lindon JC, Holmes E (febrero de 2002). "Metabonomics: una plataforma para estudiar la toxicidad de los fármacos y la función genética". Nature Reviews. Drug Discovery . 1 (2): 153–161. doi :10.1038/nrd728. PMID  12120097. S2CID  17881327.
  47. ^ Holmes E, Wilson ID, Nicholson JK (septiembre de 2008). "Fenotipado metabólico en la salud y la enfermedad". Cell . 134 (5): 714–717. doi : 10.1016/j.cell.2008.08.026 . PMID  18775301. S2CID  6677621.
  48. ^ ab Robertson DG (junio de 2005). "Metabonómica en toxicología: una revisión". Ciencias toxicológicas . 85 (2): 809–822. doi : 10.1093/toxsci/kfi102 . PMID  15689416.
  49. ^ Silva LP, Northen TR (agosto de 2015). "Exometabolómica y MSI: deconstrucción de cómo interactúan las células para transformar su entorno de moléculas pequeñas". Current Opinion in Biotechnology . 34 . Elsevier BV: 209–216. doi : 10.1016/j.copbio.2015.03.015 . PMID  25855407.
  50. ^ Lu W, Su X, Klein MS, Lewis IA, Fiehn O, Rabinowitz JD (junio de 2017). "Medición de metabolitos: errores que se deben evitar y prácticas que se deben seguir". Revisión anual de bioquímica . 86 (1): 277–304. doi :10.1146/annurev-biochem-061516-044952. PMC 5734093 . PMID  28654323. 
  51. ^ Rasmiena AA, Ng TW, Meikle PJ (marzo de 2013). "Metabolómica y cardiopatía isquémica". Clinical Science . 124 (5): 289–306. doi :10.1042/CS20120268. PMID  23157406.
  52. ^ "Información sobre cromatografía de gases y espectrometría de masas (GC-MS)". Thermo Fisher Scientific - US . Consultado el 26 de septiembre de 2018 .
  53. ^ Gika HG, Theodoridis GA, Wingate JE, Wilson ID (agosto de 2007). "Reproducibilidad intradía de un método basado en HPLC-MS para el análisis metabonómico: aplicación a la orina humana". Journal of Proteome Research . 6 (8): 3291–3303. doi :10.1021/pr070183p. PMID  17625818.
  54. ^ Soga T, Ohashi Y, Ueno Y, Naraoka H, ​​Tomita M, Nishioka T (septiembre de 2003). "Análisis cuantitativo del metaboloma mediante espectrometría de masas por electroforesis capilar". Journal of Proteome Research . 2 (5): 488–494. doi :10.1021/pr034020m. PMID  14582645.
  55. ^ Northen TR, Yanes O, Northen MT, Marrinucci D, Uritboonthai W, Apon J, et al. (octubre de 2007). "Nanoestructuras de clatrato para espectrometría de masas". Naturaleza . 449 (7165): 1033–1036. Código Bib : 2007Natur.449.1033N. doi : 10.1038/naturaleza06195. PMID  17960240. S2CID  4404703.
  56. ^ Woo HK, Northen TR, Yanes O, Siuzdak G (julio de 2008). "Espectrometría de masas con iniciador de nanoestructura: un protocolo para preparar y aplicar superficies NIMS para análisis de masas de alta sensibilidad". Nature Protocols . 3 (8): 1341–1349. doi :10.1038/NPROT.2008.110. PMID  18714302. S2CID  20620548.
  57. ^ Ghaste M, Mistrik R, Shulaev V (mayo de 2016). "Aplicaciones de la resonancia iónica ciclotrónica por transformada de Fourier (FT-ICR) y la espectrometría de masas de alta resolución basada en orbitrap en metabolómica y lipidómica". Revista internacional de ciencias moleculares . 17 (6): 816. doi : 10.3390/ijms17060816 . PMC 4926350 . PMID  27231903. 
  58. ^ Griffin JL (octubre de 2003). "Metabonómica: espectroscopia de RMN y análisis de reconocimiento de patrones de fluidos y tejidos corporales para la caracterización de la toxicidad de xenobióticos y el diagnóstico de enfermedades". Current Opinion in Chemical Biology . 7 (5): 648–654. doi :10.1016/j.cbpa.2003.08.008. PMID  14580571.
  59. ^ Beckonert O, Keun HC, Ebbels TM, Bundy J, Holmes E, Lindon JC, et al. (2007). "Perfiles metabólicos, procedimientos metabolómicos y metabonómicos para espectroscopia de RMN de orina, plasma, suero y extractos de tejidos". Nature Protocols . 2 (11): 2692–2703. doi :10.1038/nprot.2007.376. PMID  18007604. S2CID  205463871.
  60. ^ Habchi B, Alves S, Jouan-Rimbaud Bouveresse D, Appenzeller B, Paris A, Rutledge DN, et al. (enero de 2018). "Potencial de la celda de resonancia iónica de transformada de Fourier armonizada dinámicamente para la identificación metabolómica de alto rendimiento: control de la calidad de los datos". Química analítica y bioanalítica . 410 (2): 483–490. doi :10.1007/s00216-017-0738-3. PMID  29167936. S2CID  3769892.
  61. ^ King AM, Mullin LG, Wilson ID, Coen M, Rainville PD, Plumb RS, et al. (enero de 2019). "Desarrollo de un método de perfilación rápida para el análisis de analitos polares en orina utilizando HILIC-MS y HILIC-MS con movilidad iónica habilitada". Metabolómica . 15 (2): 17. doi :10.1007/s11306-019-1474-9. PMC 6342856 . PMID  30830424. 
  62. ^ Sugimoto M, Kawakami M, Robert M, Soga T, Tomita M (marzo de 2012). "Herramientas bioinformáticas para el procesamiento y análisis de datos metabolómicos basados ​​en espectroscopia de masas". Bioinformática actual . 7 (1): 96–108. doi :10.2174/157489312799304431. PMC 3299976 . PMID  22438836. 
  63. ^ Spicer R, Salek RM, Moreno P, Cañueto D, Steinbeck C (2017). "Navegación por herramientas de software de libre acceso para el análisis metabolómico". Metabolómica . 13 (9): 106. doi :10.1007/s11306-017-1242-7. PMC 5550549 . PMID  28890673. 
  64. ^ Ren S, Hinzman AA, Kang EL, Szczesniak RD, Lu LJ (diciembre de 2015). "Análisis computacional y estadístico de datos metabolómicos". Metabolómica . 11 (6): 1492–513. doi :10.1007/s11306-015-0823-6. S2CID  15712363.
  65. ^ Gromski PS, Muhamadali H, Ellis DI, Xu Y, Correa E, Turner ML, et al. (junio de 2015). "Una revisión tutorial: metabolómica y análisis discriminante de mínimos cuadrados parciales: un matrimonio de conveniencia o una boda forzada". Analytica Chimica Acta . 879 : 10–23. doi :10.1016/j.aca.2015.02.012. PMID  26002472.
  66. ^ "Metabolómica en la clínica: una revisión de las características compartidas y únicas de la metabolómica no dirigida para la investigación clínica y las pruebas clínicas". Metabolon . Consultado el 8 de noviembre de 2022 .
  67. ^ Bonini P, Kind T, Tsugawa H, Barupal DK, Fiehn O (junio de 2020). "Retip: predicción del tiempo de retención para la anotación de compuestos en metabolómica no dirigida". Química analítica . 92 (11): 7515–7522. doi :10.1021/acs.analchem.9b05765. PMC 8715951 . PMID  32390414. 
  68. ^ Saghatelian A, Trauger SA, Want EJ, Hawkins EG, Siuzdak G, Cravatt BF (noviembre de 2004). "Asignación de sustratos endógenos a enzimas mediante el perfil global de metabolitos". Bioquímica . 43 (45): 14332–14339. doi :10.1021/bi0480335. PMID  15533037.
  69. ^ Chiang KP, Niessen S, Saghatelian A, Cravatt BF (octubre de 2006). "Una enzima que regula las vías de señalización de lípidos de éter en el cáncer, anotada mediante perfil multidimensional". Química y biología . 13 (10): 1041–1050. doi : 10.1016/j.chembiol.2006.08.008 . PMID  17052608.
  70. ^ Goering AW, McClure RA, Doroghazi JR, Albright JC, Haverland NA, Zhang Y, et al. (febrero de 2016). "Metabologenómica: la correlación de los grupos de genes microbianos con los metabolitos impulsa el descubrimiento de un péptido no ribosómico con un monómero de aminoácido inusual". ACS Central Science . 2 (2): 99–108. doi :10.1021/acscentsci.5b00331. PMC 4827660 . PMID  27163034. 
  71. ^ Gibney MJ, Walsh M, Brennan L, Roche HM, German B, van Ommen B (septiembre de 2005). "Metabolómica en nutrición humana: oportunidades y desafíos". The American Journal of Clinical Nutrition . 82 (3): 497–503. doi : 10.1093/ajcn/82.3.497 . PMID  16155259.
  72. ^ Christopher KB (marzo de 2018). "Metabolómica nutricional en enfermedades críticas". Current Opinion in Clinical Nutrition and Metabolic Care . 21 (2): 121–125. doi :10.1097/MCO.0000000000000451. PMC 5826639 . PMID  29251691. 
  73. ^ Arlt SP, Ottka C, Lohi H, Hinderer J, Lüdeke J, Müller E, et al. (10 de mayo de 2023). Mükremin Ö (ed.). "Metabolómica durante la gestación y la lactancia caninas". PLOS ONE . ​​18 (5): e0284570. doi : 10.1371/journal.pone.0284570 . PMC 10171673 . PMID  37163464. 
  74. ^ Ottka C, Vapalahti K, Arlt SP, Bartel A, Lohi H (2 de febrero de 2023). "Las diferencias metabólicas del anestro, el celo, la gestación, la pseudogestación y la lactancia en 800 perras". Frontiers in Veterinary Science . 10 : 1105113. doi : 10.3389/fvets.2023.1105113 . PMC 9932911 . PMID  36816179. 
  75. ^ Cotrim GD, Silva DM, Graça JP, Oliveira Junior A, Castro C, Zocolo GJ, et al. (enero de 2023). "Respuestas del metaboloma de Glycine max (L.) Merr. (soja) a la disponibilidad de potasio". Fitoquímica . 205 : 113472. Código Bibliográfico :2023PChem.205k3472C. doi :10.1016/j.phytochem.2022.113472. PMID  36270412.
  76. ^ Schauer N, Fernie AR (octubre de 2006). "Metabolómica de las plantas: hacia la función y el mecanismo biológicos". Tendencias en la ciencia vegetal . 11 (10): 508–516. doi :10.1016/j.tplants.2006.08.007. PMID  16949327.

Lectura adicional

Enlaces externos