在生命科學研究中，最重要的部分之一是探索特定飲食模式對健康的影響。然而，傳統測量飲食的方法（如食物日記或食物頻率調查問卷）不僅需要讓研究參與者費時費力地填寫，更重要的是，數據的準確性難以保障，并可能直接影響了研究結論的可復制性。
為此，許多科學家轉向了代謝組學。代謝組學是在后基因組學時代興起的一門跨領域學科，涉及對生物樣本中所有代謝物的全面測量。代謝物是生物體分解食物、藥物、化學物質或其自身組織產生的物質，通常都是小分子。
目前，人類非靶向代謝組學研究僅識別了約10%的分子特征，也就是說，還有90%的分子特征是未知的。
2022年7月7日，發表在《Nature Biotechnology》上的一項新研究中，來自加州大學圣地亞哥分校領導的大型國際研究團隊描述了一種非靶向代謝組學的新方法，將樣本中的所有代謝物與涉及化學物質清單的大型樣本數據庫相匹配，為食物或在腸道中加工食物而產生的分子特征提供了一個前所未有的目錄。
非靶向質譜法是一種非常靈敏的技術，可以檢測復雜生物樣本中成百上千個分子。在這項新研究中，它還可以用來創建個人飲食特征。深入了解我們攝入的食物如何轉化為代謝產物和副產物將對人類健康產生直接影響。
研究通訊作者、加州大學圣地亞哥分校協作質譜法創新中心主任Pieter Dorrestein博士說：“我們現在可以將飲食中的分子與臨床健康結果聯系起來，不是一次一個，而是一次全部聯系起來，這在以前是不可能的。”
該研究還使用了宏基因組學來測量生物樣本中的遺傳物質并表征存在的微生物。新方法使用參考數據驅動（RDD）分析，將來自串聯質譜法（MS/MS）分析的代謝組學數據與元數據注釋的數據相匹配。
基本上，每個分子都被剝奪了電子以使其帶電。然后用一個非常靈敏的秤來為帶電離子稱量，然后將它們粉碎成碎片后再稱重，從而為每個分子創建一個獨特的指紋。這些“碎片譜”的集合可以在被分析的樣本和參考數據庫之間進行匹配。
為了舉例說明RDD代謝組學，并且由于飲食對健康至關重要，該團隊創建了一個食物代謝組學參考數據集。然后，利用一項睡眠與晝夜節律研究中受控參與者的飲食信息評估了RDD代謝組學是否能準確回顧已知攝入的食物。
在該研究中，參與者在4天內2次接受控制飲食。因此研究人員可以知道分析結果的準確性。結果顯示，在15種食物中，有11種與提供給參與者的食物直接匹配。在這11種食物中，有3種與食用的非發酵食物的發酵版本相匹配，例如：發酵葡萄（非葡萄）、蘋果酒（非蘋果）、酸奶（非牛奶）。還有4種類別的食物在研究期間沒有記錄。這表明，RDD可以成功地從非靶向代謝組學數據中獲得正確的歷史飲食信息。
為了評估RDD能否揭示飲食偏好，該團隊還分析了一個雜食者和素食者的數據集。主成分分析與參考食物的相對比例揭示了飲食偏好之間的不同模式：雜食者對乳制品、肉類和海鮮的匹配度較高；而素食者對豆類、水果和蔬菜的匹配度較高。對老年人群的RDD分析發現，飲食多樣性較低的個體與乳制品、蘇打水和咖啡匹配度更高，而且這種飲食類型在阿爾茨海默癥組中更為普遍。這表明，RDD分析可以用于根據每個樣本的飲食組成的經驗數據對臨床研究進行回顧性分層。
該研究共同通訊作者、加州大學圣地亞哥分校的微生物組創新中心主任Rob Knight博士說：“新方法對阿爾茨海默癥的研究將有著巨大影響，因為患者可能無法記住或解釋他們吃了什么東西。此外，這個新方法還能在野生動物保護方面帶來新的進展。畢竟，大猩猩和獵豹是不可能填寫食物調查問卷的。”
該團隊表示，特別令人感興趣的是，當食物與人群相匹配時，血液或糞便中的分子量有了很大改善，例如，可以分析出來自意大利的飲食與加州大學圣地亞哥分校團隊正在研究的意大利奇倫托百歲老人相匹配。
Knight說：“這確實表明從世界各地獲取的食物樣本和臨床樣本是多么的重要，以讓我們了解分子和微生物如何相互作用，并根據特定飲食改善或降低我們的健康結果。”
總之，這個新方法可以讓我們更全面地了解人類、動物和環境樣本中的多種化學物質的來源。RDD代謝組學的潛在應用包括了解飲食和營養攝入、接觸風險、藥物使用、環境過敏原、污染研究、微生物組調查，和個人護理產品追蹤等，以告知潛在的接觸和健康影響。
論文鏈接：
https://www.nature.com/articles/s41587-022-01368-1
日期：2022-07-14
為此，許多科學家轉向了代謝組學。代謝組學是在后基因組學時代興起的一門跨領域學科，涉及對生物樣本中所有代謝物的全面測量。代謝物是生物體分解食物、藥物、化學物質或其自身組織產生的物質，通常都是小分子。
目前，人類非靶向代謝組學研究僅識別了約10%的分子特征，也就是說，還有90%的分子特征是未知的。
2022年7月7日，發表在《Nature Biotechnology》上的一項新研究中，來自加州大學圣地亞哥分校領導的大型國際研究團隊描述了一種非靶向代謝組學的新方法，將樣本中的所有代謝物與涉及化學物質清單的大型樣本數據庫相匹配，為食物或在腸道中加工食物而產生的分子特征提供了一個前所未有的目錄。
非靶向質譜法是一種非常靈敏的技術，可以檢測復雜生物樣本中成百上千個分子。在這項新研究中，它還可以用來創建個人飲食特征。深入了解我們攝入的食物如何轉化為代謝產物和副產物將對人類健康產生直接影響。
研究通訊作者、加州大學圣地亞哥分校協作質譜法創新中心主任Pieter Dorrestein博士說：“我們現在可以將飲食中的分子與臨床健康結果聯系起來，不是一次一個，而是一次全部聯系起來，這在以前是不可能的。”
該研究還使用了宏基因組學來測量生物樣本中的遺傳物質并表征存在的微生物。新方法使用參考數據驅動（RDD）分析，將來自串聯質譜法（MS/MS）分析的代謝組學數據與元數據注釋的數據相匹配。
基本上，每個分子都被剝奪了電子以使其帶電。然后用一個非常靈敏的秤來為帶電離子稱量，然后將它們粉碎成碎片后再稱重，從而為每個分子創建一個獨特的指紋。這些“碎片譜”的集合可以在被分析的樣本和參考數據庫之間進行匹配。
為了舉例說明RDD代謝組學，并且由于飲食對健康至關重要，該團隊創建了一個食物代謝組學參考數據集。然后，利用一項睡眠與晝夜節律研究中受控參與者的飲食信息評估了RDD代謝組學是否能準確回顧已知攝入的食物。
在該研究中，參與者在4天內2次接受控制飲食。因此研究人員可以知道分析結果的準確性。結果顯示，在15種食物中，有11種與提供給參與者的食物直接匹配。在這11種食物中，有3種與食用的非發酵食物的發酵版本相匹配，例如：發酵葡萄（非葡萄）、蘋果酒（非蘋果）、酸奶（非牛奶）。還有4種類別的食物在研究期間沒有記錄。這表明，RDD可以成功地從非靶向代謝組學數據中獲得正確的歷史飲食信息。
為了評估RDD能否揭示飲食偏好，該團隊還分析了一個雜食者和素食者的數據集。主成分分析與參考食物的相對比例揭示了飲食偏好之間的不同模式：雜食者對乳制品、肉類和海鮮的匹配度較高；而素食者對豆類、水果和蔬菜的匹配度較高。對老年人群的RDD分析發現，飲食多樣性較低的個體與乳制品、蘇打水和咖啡匹配度更高，而且這種飲食類型在阿爾茨海默癥組中更為普遍。這表明，RDD分析可以用于根據每個樣本的飲食組成的經驗數據對臨床研究進行回顧性分層。
該研究共同通訊作者、加州大學圣地亞哥分校的微生物組創新中心主任Rob Knight博士說：“新方法對阿爾茨海默癥的研究將有著巨大影響，因為患者可能無法記住或解釋他們吃了什么東西。此外，這個新方法還能在野生動物保護方面帶來新的進展。畢竟，大猩猩和獵豹是不可能填寫食物調查問卷的。”
該團隊表示，特別令人感興趣的是，當食物與人群相匹配時，血液或糞便中的分子量有了很大改善，例如，可以分析出來自意大利的飲食與加州大學圣地亞哥分校團隊正在研究的意大利奇倫托百歲老人相匹配。
Knight說：“這確實表明從世界各地獲取的食物樣本和臨床樣本是多么的重要，以讓我們了解分子和微生物如何相互作用，并根據特定飲食改善或降低我們的健康結果。”
總之，這個新方法可以讓我們更全面地了解人類、動物和環境樣本中的多種化學物質的來源。RDD代謝組學的潛在應用包括了解飲食和營養攝入、接觸風險、藥物使用、環境過敏原、污染研究、微生物組調查，和個人護理產品追蹤等，以告知潛在的接觸和健康影響。
論文鏈接：
https://www.nature.com/articles/s41587-022-01368-1
日期：2022-07-14
