代谢组学研究的新方法可能会改变游戏规则

深度学习和量子化学程序基于多种化学性质，彻底改变了复杂样品中小分子的鉴定方法。使用传统方法时，生物学和环境样品中代谢物和其他小化学物质的准确鉴定在历史上一直不足。常规策略依靠纯标准化合物(称为标准品)来识别复杂样品中的相同分子。这些方法受到用作标准品的纯化学品的可用性的限制。

太平洋西北国家实验室(PNNL)的生物医学科学家，太平洋西北先进化合物鉴定中心主任Tom Metz说：“我们真的想绕过当前如何进行代谢组学实验以及如何可靠地鉴定分子的范例 。”

当前方法的一个问题是，研究人员只能从供应商那里方便地购买这么多纯净的化合物。大多数研究人员可以使用约3,000-4,000种化合物。

“如果考虑到自然界中预计会发生的事情，那么您正在寻找的 化合物可能超过10种30种或更多，” Metz说。“因此，当您将可以使用的数千种标准化学品与大量潜在化合物进行比较时，您甚至还差得远。”

无标准识别方法

为了解决这个问题，Metz和他在PNNL的团队 构思了一种方法-无标准的代谢组学，通过这种方法，他们可以计算或预测有关目标分子的多种特性的信息，以便生成全面的参考库，然后将包含相同特性的实验数据与这些库，可进行化合物鉴定。

使用这种新方法，研究人员通过机器学习 或量子化学程序发送化学结构， 以准确预测代谢物的实验性质。

梅斯说：“如果我们对这些预测足够准确，那么从理论上讲，我们将不再需要分析纯化合物。” “这一系列工具将改变当前的代谢组学范式，并且在不久的将来，将会有一些非常好的应用向研究界展示这种新方法的益处。”

由于无需依靠纯标准品分析数据来识别小分子，无标准方法可鉴定出样品中更多的化学物质，并使这些计算工具在包括新药发现，化学药品在内的多个应用领域中非常有用。法医，环境和生物医学研究。

“例如，在新药设计中，使用者可以说：'这些特定的药物具有某些特性，但它们恰好具有毒性。我们可以预测一种具有相似性质但可能没有毒性的化合物吗?” “如果可以将正确的训练数据提供给DarkChem程序，则DarkChem可以执行该预测。”

可定制的程序套件

无标准代谢组学鉴定的新方法使用四个关键工具来生成综合的，计算机模拟的代谢产物参考库，并提取和匹配实验数据以进行化合物鉴定：

多属性匹配引擎(MAME)，可根据各种化学属性将实验数据与参考库进行匹配。

这些工具设计为可以协同工作，但也可以单独使用。研究人员可以根据客户的需求或研究领域定制不同的应用程序，从而创建完全模块化的方法。

推进研究领域

现在，在代谢组学界，所有研究人员都在每个样品中鉴定出同一组分子。这样做的原因是，它们都具有与购买它们来构建参考库相同的纯化合物。

“我们的愿景是，通过使用无标准方法，您将永远不会受到样品中可识别的小分子分子的限制，” Metz说。“这确实是代谢组学的颠覆者。很高兴看到明年大约有什么准备。”