代谢组学是系统生物学的重要组成部分，在解析基因功能、发现代谢标识物等方面有着广阔的应用。随着高灵敏度、高分辨率色谱质谱分析仪器的迅速发展，代谢组学分析可轻松地检测数千种小分子代谢物。然而，分析检测中会不可避免地产生大量假阳性信号，而且生物来源质谱信号的峰面积与代谢物浓度之间是否存在较好的定量关系也不清楚。因此，在缺少有效的数据评价方法下，往往不容易筛选出真实生物标识物，而是筛选到假阳性代谢标识物。

    中国科学院植物研究所漆小泉研究组混合所有生物样本的质控样本（QC）作为代谢物混合池（pool），对QC进行逐级稀释，结合溶剂空白，提出了五步峰过滤规则，来区分假阳性质谱信号、评价每一个质谱峰的定量能力（quantitative performance）。科研人员同时引入相对浓度指数（relative concentration index, RCI），结合QC梯度稀释曲线，建立了所有质谱峰的定量校正模型。该模型不仅可以用于定量校正，而且可以将质谱峰面积归一化到RCI。

    该方法可以消除标准品组成的人工样本中92.4%的假阳性，可以消除水稻籽粒提取样本中71.4%的假阳性质谱峰信号。

    该研究成果于2016年5月26日在线发表在Molecular Plant期刊上（doi:10.1016/j.molp.2016.05.009）。漆小泉组助理研究员段礼新为论文的第一作者。研究得到了国家科技部“863”、“973”和国家自然基金项目的资助。
 

代谢组学新方法及效果评价

（A）方法流程图；（B）利用QC稀释和溶剂空白来区分假阳性质谱信号；（C）五步峰过滤规则消除人工样本假阳性峰的效力；（D）传统方法（左）与新方法（右）在PCA模型建立中的差别，白色直方图为主成分模型的解释百分比，黑色直方图为主成分模型的预测能力；（E）传统方法（左）与新方法（右）在寻找差异代谢物上的差别，中间部分为两种方法共同找出的差异代谢物；（F）和（G）分别为传统方法（F）与新方法（G）在主成分分析中代谢物的loading图 

文章来源：中国科学院植物研究所