- 首頁 ＞ HML1600代謝組
HML1600代謝組
產品介紹
HML1600代謝組通過液相色譜串聯質譜（LC-MS/MS）技術對12種脂質亞類中1,600多種脂質代謝物進行高通量的靶向代謝組學檢測分析，使用標準曲線結合內標進行絕對定量，覆蓋各類具有重要生物學功能的脂質。HML1,600代謝組同時解決了脂質代謝組學驗證難和傳統靶向脂質代謝組學檢測代謝物少的問題，具有良好的應用價值。
表1 HML1600覆蓋的脂質代謝物種類
|
類別 |
大類 |
亞類（Sub Class） |
數量 |
代表性物質 |
|
甘油磷脂類Glycerophospholipids (GP) |
磷脂酰膽堿 P-Choline |
磷脂酰膽堿 Phosphatidylcholine (PC) |
~211 |
PC 16:0-16:0、PC 16:0-16:1、PC 16:0-18:0 |
|
溶血磷脂酰膽堿 Lysophosphatidylcholine (LPC) |
~24 |
LPC 14:0、LPC 15:0、LPC 16:0、LPC 16:1、LPC 17:0 |
||
|
磷脂酰甘油 P-Glycerol |
磷脂酰甘油 Phosphatidylglycerol (PG) |
~211 |
PG 16:0-16:0、PG 16:0-16:1、PG 16:0-18:0 |
|
|
磷脂酰肌醇 P-Inositol |
磷脂酰肌醇 Phosphatidylinositol (PI) |
~210 |
PI 16:0-16:0、PI 16:0-16:1、PI 16:0-18:0、PI 16:0-18:1 |
|
|
磷脂酰絲氨酸 P-Serine |
磷脂酰絲氨酸 Phosphatidylserine (PS) |
~204 |
PS 16:0-16:0、PS 16:0-16:1、PS 16:0-18:3、PS 16:0-18:4 |
|
|
磷脂酰乙醇胺 P-Ethanol Amine |
磷脂酰乙醇胺 Phosphatidylethanolamine (PE) |
~207 |
PE 16:0-16:0、PE 16:0-16:1、PE 16:0-18:0、PE 16:0-18:1 |
|
|
溶血磷脂酰乙醇胺 Lysophosphatidylethanolamine (LPE) |
~24 |
LPE 14:0、LPE 15:0、LPE 16:0、LPE 16:1、LPE 17:0 |
||
|
甘油酯類 Glycerolipids (GL) |
二酰甘油 Diradylglycerols |
二酰甘油 Diacylglycerol (DAG) |
~49 |
DAG 16:0-16:0、DAG 16:0-16:1、DAG 16:0-18:0 |
|
三酰甘油 Triacylglycerols |
三酰甘油 Triacylglycerol (TAG) |
~464 |
TAG 42:0-FA12:0、TAG 42:0-FA14:0、TAG 42:0-FA16:0 |
|
|
固醇脂類 Sterol Lipids (ST) |
固醇類 Sterols |
膽固醇酯 Cholesterol Ester (CE) |
~26 |
CE 12:0、CE 14:0、CE 14:1、CE 15:0、CE 16:0 |
|
鞘脂類 Sphingolipids (SP) |
神經酰胺 Ceramides |
神經酰胺 Ceramides (CER) |
~13 |
Cer d18:1/14:0、Cer d18:1/16:0、Cer d18:1/16:1 |
|
鞘脂 Sphingolipids |
鞘磷脂 Sphingomyelin (SM) |
~57 |
SM 34:0、SM 35:0 |
|
|
|
|
總計 |
1,600+ |
|
技術優勢
1. 超高通量：一次性靶向檢測1,600多種脂質化合物，覆蓋12種脂質亞類。
2. 高靈敏度：有效區分脂質同分異構，準確鑒定不同脂肪酸鏈種類。
3. 準確定量：使用標準曲線與內標法進行代謝組學定量，具有卓越的準確性和精密度。
4. 分析創新：創新性引入相關性差異分析，通過多維信息整合，穩健算法直擊核心功能，精準鎖定關鍵機制。
5. 高重現性：標準化工作流程結合內標與校準品，滿足大樣本檢測對重現性的高度要求。
6. Dr. Tom交付：可通過Dr. Tom云平臺交付項目數據，支持項目重分析、自定義繪圖，還有多個分析小工具助力數據挖掘。
7. 多組學聯合：提供相關多組學關聯分析服務（代謝組+宏基因組/16S/轉錄組/蛋白質組、mGWAS）。
產品應用
神經系統疾病研究、心腦血管疾病研究、營養代謝研究、脂質代謝研究
技術路線
技術參數
1. 儀器平臺
LC-MS/MS：Waters ACQUITY UPLC，SCIEX QTRAP 5500
2. 分析軟件
自主研發的代謝組學軟件包metaX[1]
項目執行周期
30-60個自然日
參考文獻
[1] Wen, Bo, et al. "metaX: a flexible and comprehensive software for processing metabolomics data." BMC bioinformatics 18.1 (2017): 183.
案例一：整合代謝組和細胞因子分析揭示持久性有機污染物與子宮內膜異位癥之間的關聯[1]
研究背景：
人類每天通過環境和飲食暴露于復雜的化學污染物混合物中，其中一些有可能破壞身體的內分泌功能并導致子宮內膜異位癥等生殖疾病。越來越多的流行病學和實驗證據支持子宮內膜異位癥與某些持久性有機污染物（POPs）之間有聯系，然而，人們對潛在的機制知之甚少。
研究設計：
該研究招募了49名子宮內膜異位癥（OMA）、26名無子宮內膜異位癥的深部子宮內膜異位癥（noOMA）病例、12名子宮內膜異位癥無關的其他良性生殖問題病例作為對照組。用高分辨率質譜儀分析血清樣品中約30種多氯聯苯（PCBs）、有機氯農藥（OCPs）和全氟烷基物質（PFAS）。通過靶向代謝組學鑒定了約600種血清代謝物和脂質。使用基于ELISA的4-PLEX分析儀分析了4種促炎細胞因子。
研究結果：
某些POPs（如農藥反式-九氯和PCB114）與OMA風險之間存在正相關。患有OMA的女性脂肪酶活性增加，鞘磷脂（SMs）和磷脂酰膽堿（PCs）的比例更大，一些PC的水平與OMA風險相關。據推測，SM和PC水平升高可能有助于抑制細胞凋亡并改變脂質相關的信號通路。反過來，SMs與PC的比率是神經酰胺合成SM的指標，在此被發現是OMA的潛在預測指標。綜合分析闡明了在患有嚴重OMA的病例中POPs（如農藥反式-九氯和PCB114）、脂解活性和炎癥的內源性標志物上調。
圖1 用于鑒定與OMA相關的潛在變量簇的POP暴露和血清中脂質代謝物和細胞因子的二級結構綜合分析的桑基圖
案例二：多囊卵巢綜合征妊娠的代謝組學分析可識別低出生體重的獨特代謝特征和潛在的預測生物標志物[2]
研究背景：
多囊卵巢綜合征（PCOS）是一種具有內分泌/代謝紊亂臨床特征的復雜綜合征。各種代謝物與PCOS有顯著關聯；然而，缺乏比較患有和沒有PCOS的孕婦的代謝特征的研究。在這項研究中，對PCOS婦女和年齡的血液樣本和BMI匹配對照組進行了代謝組學分析，以確定兩組之間的代謝差異并確定其與妊娠結局的關聯。
研究設計：
利用高通量靶向代謝組學對16名PCOS和52名處于妊娠中期的健康女性的血漿樣品中的脂質代謝物進行了檢測。
研究結果：
與健康對照組相比，PCOS婦女的出生嬰兒體重較低。作為一個群體，妊娠中期和分娩時的收縮壓（SBP）與出生體重呈負相關。回歸模型顯示PCOS組中甘油三酯C20：4_C34:3和C18:2_C38:6顯著增加。富集分析顯示PCOS組中花生四烯酸，亞油酸和棕櫚酸的甘油三酯顯著升高。代謝組結果顯示，分娩時SBP、己糖神經酰胺（d18:2/24:0）、神經酰胺（d18.0/24.1）、絲氨酸以及低出生體重（≤2500克）所有預測因子等指標與嬰兒出生體重相關。PCOS懷孕導致嬰兒出生體重較低，可能與其富含特定的甘油三酯和不飽和脂肪酸有關。
圖2 低出生體重（≤2,500克）的ROC曲線
參考文獻
[1] Matta K, et al. Associations between persistent organic pollutants and endometriosis: A multiblock approach integrating metabolic and cytokine profiling. Environment international. 2021, 158:106926.
[2] Atkin SL, et al. Metabolomic profiling of pregnancies with polycystic ovary syndrome Identifies a unique metabolic signature and potential predictive Biomarkers of low birth weight. Frontiers in endocrinology. 2021, 12: 638727.
典型結果展示
1. 重復數要求
|
樣本類型 |
重復次數要求 |
|
植物、微生物、細胞樣本 |
≥ 6個 |
|
動物樣本 |
≥ 10個 |
|
臨床樣本 |
≥ 30個 |
每組樣本的生物學重復次數要求如下，重復次數越多越好。
2. 送樣量要求
樣品類型 | 建議送樣量（每例） |
血清、血漿 | ≥ 100 μL |
動物或臨床組織、糞便、腸道內容物、微生物菌體 | ≥ 50 mg |
細胞（需每份樣本細胞數目保持一樣） | ≥ 107 個 |
培養液、發酵液 | ≥ 500 μL |
尿液（尿液中檢出指標很少） | ≥1 mL |
母乳、牛奶 | ≥100 μL |
Q1：不同批次實驗檢測的HML1600代謝組數據可以一起分析嗎？
A1：需要一起進行比較分析的樣本，需要同時執行，一起進行樣本制備，一起上機檢測。分批次實驗檢測的話，需要對不同批次上機的樣本進行整體質量控制，需要進行多批次數據的校正，說明各批次之間的數據具有可比性。華大暫不提供多批次實驗檢測數據的質控和校正服務。
Q2：脂質組學檢測不到的代謝物，HML1600代謝組可以檢測到嗎？
A2：非靶向脂質組學檢測不到的代謝物，HML1600代謝組是可能能檢測到的。HML1600代謝組是靶向代謝組學技術，檢測更有針對性，準確度、靈敏度更高，對于目標代謝物、低含量代謝物的檢出能力更強。
