Metabolómica

La metabolómica es el estudio científico de los procesos químicos que involucran metabolitos. Específicamente, la metabolómica es el "estudio sistemático de las huellas únicas que dejan los procesos celulares específicos en su paso", es decir, el estudio del perfil de los metabolitos (moléculas pequeñas) de una muestra biológica.[1] El metaboloma representa la colección de todos los metabolitos en una célula, tejido, órgano u organismo que son producto de los procesos celulares.[2] El análisis de los datos de la expresión génica de ARN mensajero y de proteómica revela el conjunto de productos génicos que se están produciendo en la célula y son datos que representan una sola faceta de la función celular. Por el contrario, el perfilado metabólico ayuda a obtener una captura instantánea de la fisiología de la célula. Uno de los retos de la biología de sistemas y la genómica funcional es integrar la información de la proteómica, transcriptómica y metabolómica para proveer un mejor entendimiento de la biología celular.

Orígenes

La idea de que los fluidos biológicos reflejan la salud de los individuos ha existido durante un largo tiempo. Los antiguos médicos en China usaban hormigas para la evaluación de la orina de pacientes con el fin de monitorizar altos niveles de glucosa y así detectar diabetes.[3] En la edad media, se usaban "tablas de orina" para asociar los colores, sabores y olores de la orina a diferentes condiciones médicas, que son de origen metabólico.[4]

El concepto de que los individuos podrían tener un "perfil metabólico" que podría estar reflejado en la constitución de sus fluidos biológicos fue introducido por Roger Williams a finales de la década de los 40,[5] quien usó la cromatografía en papel para sugerir que había patrones metabólicos característicos en la orina y saliva que estaban asociados con enfermedades como la esquizofrenia. Sin embargo sólo a través de avances tecnológicos en los años 60 y 70 fue que se volvió plausible medir los perfiles metabólicos de manera cuantitativa (y no cualitativa).[6] El término "perfil metabólico" fue introducido por Horning y sus colaboradores en 1971 después de que demostraran que la cromatografía de gases-espectrometría de masas (método CG-EM) podía ser usada para medir compuestos presentes en orina y tejidos humanos.[3][7] A lo largo de los 70, el grupo de Horning, junto con los de Linus Pauling y Arthur B. Robinson se encargaron del desarrollo del método CG-EM para monitorear los metabolitos presentes en la orina.[8]

En esa misma época, la espectroscopía RMN, descubierta en los años 40, estaba avanzando rápidamente. En 1974, Seeley et al. demostraron la utilidad de usar la espectroscopía RMN para detectar metabolitos en muestras biológicas inalteradas.[9] Este primer estudio en músculo remarcó el valor de la espectroscopía RMN en el descubrimiento de que el 90% del ATP celular está acomplejado con magnesio. Conforme ha aumentado la sensibilidad con la evolución de fuerzas de campos magnéticos superiores y giró de ángulo mágico, la RMN continúa siendo una herramienta analítica prominente para investigar el metabolismo.[3][4] Esfuerzos recientes para utilizar la espectroscopía RMN para la metabolómica han sido conducidos por Jeremy K. Nicholson en el Birkbeck College y en el Imperial College London. En 1984, Nicholson mostró que la espectroscopía RMN tiene el potencial para su uso en el diagnóstico de la diabetes mellitus, y luego empezó la aplicación de métodos de reconocimiento de patrones para datos de espectroscopía RMN.[10][11]

En el 2005, la primera base de datos de metabolómica para la caracterización de metabolitos humanos, METLIN,[12] fue desarrollada en el laboratorio Siuzdak en el Scripps Research Institute, conteniendo más de 10,000 metabolitos y datos de espectros de masa. Para septiembre de 2012, METLIN contiene más de 60,000 metabolitos y es el repositorio más grande de datos de espectros de masa en el campo de la metabolómica.

El 23 de enero de 2007, el proyecto del metaboloma humano, liderado por el Dr. David Wishart de la Universidad de Alberta, Canadá, completó el primer borrador del metaboloma humano, consistiendo de una base de datos de aproximadamente 2500 metabolitos, 1200 drogas y 3500 compuestos alimenticios.[13][14] Proyectos similares se han llevado a cabo en varias especies de plantas, particularmente Medicago truncatula[15] y Arabidopsis thaliana.[16]

Para mediados de la década de 2010, la metabolómica todavía se considera como un "campo emergente".[17] Además, se ha declarado que el futuro progreso en este campo depende en gran parte, en trabajar los llamados "retos técnicos irresolubles" a través de la evolución técnica de la instrumentación de la espectrometría de masas.[17]

Metaboloma

El metaboloma se refiere al conjunto completo de los metabolitos de una molécula pequeña (como pueden ser intermediarios metabólicos, metabolitos secundarios, hormonas y otras moléculas de señalización) que se pueden encontrar dentro de una muestra biológica, como un organismo.[18][19] La palabra se acuñó en forma de analogía con la transcriptómica y la proteómica; así como el transcriptoma y el proteoma, el metaboloma es dinámico, cambiando a cada segundo. Aunque el metaboloma puede ser definido, actualmente no es posible analizar todo el rango de metabolitos a través de un solo método analítico. La primera base de datos llamada METLIN para la búsqueda de valores m/z de la espectrometría de masas fue desarrollada en el 2005 por científicos en el Scripps Research Institute.[12] En enero de 2007, investigadores de la Universidad de Alberta y la Universidad de Calgary completaron el primer borrador del metaboloma humano. Catalogaron aproximadamente 2500 metabolitos, 1200 drogas y 3500 componentes alimenticios que pueden ser encontrados en el cuerpo humano, como lo reporta la literatura.[13] Esta información, está disponible en la Base de Datos del Metaboloma Humano, (www.hmdb.ca) y basada en el análisis de información disponible en la literatura científica actual, está lejos de estar completa.[20] En contraste, se sabe mucho más de los metabolomas de otros organismos. Por ejemplo, más de 50,000 metabolitos del reino vegetal han sido caracterizados, y se han caracterizado varios miles de metabolitos de plantas únicas.[21][22]

Cada tipo celular y de tejido tiene una "huella" metabólica única que puede dilucidar información específica de órganos y tejidos, mientras que el estudio de los fluidos biológicos puede dar información más generalizada pero menos especializada. Los fluidos biológicos usados más comúnmente son la orina y el plasma, ya que se pueden obtener de manera no invasiva o poco invasiva, respectivamente.[23] La facilidad de recolección de estos fluidos facilita una alta resolución temporal, y como siempre están en un equilibrio dinámico con el cuerpo, pueden ayudar a describir al organismo como un todo.[24]

Metabolitos

Los metabolitos son los intermediarios y los productos del metabolismo. Dentro del contexto de la metabolómica, un metabolito usualmente es definido como cualquier molécula de menos de 1 kDa de tamaño.[25] Sin embargo, hay excepciones dependiendo en la muestra y el método de detección. Por ejemplo, macromoléculas como las lipoproteínas y la albúmina pueden detectarse con confianza en estudios metabolómicos de plasma a través de la espectroscopía RMN.[26] En la metabolómica de plantas, es común referirse a los metabolitos como metabolitos "primarios" y "secundarios". Un metabolito primario está involucrado directamente en el crecimiento normal, el desarrollo y la reproducción. Un metabolito secundario no está involucrado directamente en ninguno de esos procesos, pero normalmente tiene una función ecológica importante. Algunos ejemplos incluyen los antibióticos y pigmentos.[27] En contraste, en la metabolómica humana, es más común describir a los metabolitos ya sea como endógenos (producidos por el organismo) o exógenos.[28] A los metabolitos provenientes de sustancias externas como las drogas se les llama xenometabolitos.[29]

El metaboloma forma una gran red de reacciones metabólicas donde las salidas de una reacción química enzimática son entradas para otras reacciones del mismo tipo.

Metabonómica

La metabonómica ha sido definida como "la medición cuantitativa de la respuesta metabólica de naturaleza dinámica y multiparamétrica de los sistemas vivos ante estímulos fisiopatológicos o bien, ante la modificación genética". El origen de la palabra es del griego μεταβολή que significa cambio y nomos que significa conjunto de reglas o leyes.[30] Este acercamiento fue iniciado por Jeremy Nicholson en el Imperial College London y ha sido usado en toxicología, diagnóstico de enfermedades y demás campos. Históricamente, el método de la metabonómica fue uno de los primeros en aplicar la visión de la biología de sistemas para los estudios del metabolismo.[31][32][33]

Ha existido un desacuerdo sobre las diferencias exactas entre la metabolómica y la metabonómica. La diferencia entre ellas no está relacionada con la elección de plataforma analítica: aunque a la metabonómica se le asocie más con la espectroscopia RMN y a la metabolómica con técnicas basadas en la espectrometría de masas, esto se debe simplemente a su uso entre diferentes grupos que han popularizado los diferentes términos. Mientras que no hay acuerdo absoluto, existe un consenso creciente que la 'metabolómica' tiene un mayor énfasis en el perfilado metabólico en nivel celular o de órganos y su campo de trabajo primario es el metabolismo endógeno normal. La 'metabonómica' extiende el perfilado metabólico para incluir información acerca de las perturbaciones en el metabolismo causadas por factos ambientales (incluyendo dietas y toxinas), procesos de enfermedad y contribuciones por influencias de tipo extragenómico, como los componentes de la flora intestinal. Esto no es una diferencia trivial; los estudios metabolómicos deberían, por definición, excluir las contribuciones de fuentes extragenómicas, ya que esas son externas en relación con el sistema estudiado. Sin embargo, en la práctica, particularmente en el campo de investigación de enfermedades humanas, sigue habiendo un empalme en la forma en que ambos términos son utilizados, siendo en ocasiones sinónimos.[34]

Tecnologías analíticas

Métodos de separación
  • La cromatografía de gases (CG), especialmente acoplada a la espectrometría de masas (método CG-EM) es uno de los métodos más poderosos y utilizados. Ofrece una resolución cromatográfica muy alta, pero requiere derivatización química para muchas biomoléculas: sólo se pueden analizar químicos volátiles sin necesidad de derivatización. Algunos instrumentos modernos permiten la cromatografía '2D', usando una columna polar corta después de la columna analítica principal, lo que incrementa aún más la resolución. También se utiliza la cromatografía comprensiva en la metabolómica. Algunos metabolitos grandes y polares no se pueden analizar por medio de cromatografía de gases.[35]
  • Cromatografía líquida de alta eficacia (conocida normalmente como HPLC por sus iniciales en inglés). Comparada a la cromatografía de gases, la HPLC tiene menor resolución cromatográfica, pero tiene la importante ventaja de que tiene el potencial para medir un rango de analitos mucho mayor.[36]
  • Electroforesis capilar (EC). La EC tiene una eficiencia de separación teoréticamente mayor a la de la HPLC, y es factible su uso para un rango de clases de metabolitos superior que el de la CG. Como todas las técnicas electroforéticas, es más apropiada para analitos con carga.[37]

Métodos de detección
  • La espectrometría de masas (EM) es utilizada para identificar y cuantificar metabolitos después de su separación por cromatografía de gases, HPLC, cromatografía líquida-espectrometría de masas (CL-EM), o EC. El método CG-EM es la combinación más 'natural' de ellos, y fue la primera técnica en ser desarrollada. Además, se han creado bases de datos de huellas de espectros de masa que permiten identificar un metabolito de acuerdo a su patrón de fragmentación. La EM es tanto sensible (aunque particularmente en la HPLC-EM, la sensibilidad puede ser un problema ya que es afectada por la carga en el metabolito y puede estar sujeta a efectos de supresión de iones) y puede ser muy específica. Hay un gran número de estudios que usan la tecnología EM por sí misma: la muestra es puesta directamente en el espectrómetro de masa sin separación previa, y la EM sirve tanto para separa como para detectar los metabolitos.
  • El análisis de masa basado en superficie ha visto un resurgimiento en la última década, con el hecho de que las nuevas tecnologías de EM han incrementado la sensibilidad, minimizado efectos de la matriz y reduciendo la preparación de la muestra. La habilidad para analizar metabolitos directamente desde los fluidos biológicos y tejidos sigue siendo un reto con la tecnología en la actualidad, mayoritariamente por los grandes límites impuestos por la complejidad de las muestras, que contienen de miles a decenas de miles de metabolitos. Entre las tecnologías que se están desarrollando para responder a este reto está la espectrometría de masas con iniciador de nanoestructura (NIMS en inglés),[38][39] que es un enfoque basado en una desorción/ionización que no requiere la aplicación de la matriz y por ello facilita la identificación de moléculas pequeñas (metabolitos). La tecnología MALDI también es utilizada, sin embargo la aplicación de una matriz MALDI puede agregar ruido de fondo significativo en tamaños menores a 1000 Da lo cual complica el análisis en el rango de masa pequeña (metabolitos). Además, el tamaño de los cristales de matriz resultantes limita la resolución espacial que puede ser alcanzada en el análisis de tejidos. La espectrometría de masa de ion secundario (SIMS en inglés) fue una de las primeras técnicas libres de desorción/ionización de matriz utilizada para analizar metabolitos de muestras biológicas. La SIMS usa un rayo de ion primario de alta energía para desorber y generar iones secundarios de una superficie. La mayor ventaja de la SIMS es su alta resolución espacial (tan pequeña como 50 nm), una característica poderosa para la visión de tejidos. Sin embargo, la SIMS todavía no ha sido aplicada al análisis de fluidos biológicos y de tejidos por su limitada sensibilidad a tamaños mayores de 500 Da y por la fragmentación del analito generada por el rayo de ion primario de alta energía. La ionización por electrospray de desorción (DESI) es una técnica libre de matriz para analizar muestras biológicas que usa un spray de un solvente cargado para desorber los iones de una superficie. Sus ventajas son que no requiere una superficie particular y que el análisis se realiza a presión atmosférica teniendo completo acceso a la muestra mientras se realiza el análisis. Una limitación de la DESI es su resolución espacial porque "enfocar" el spray del sorvente cargado es una tarea complicada. Sin embargo, un reciente avance llamado ESI por ablación de láser (LAESI) es prometedor para solucionar esta limitación.
  • La espectroscopía de resonancia magnética nuclear es la única técnica de detección que no se basa en la separación de analitos, por lo que la muestra puede ser recuperada para análisis posteriores. Todos los tipos de metabolitos pueden ser medidos simultáneamente, es decir, la RMN está cercana a ser una técnica de detección universal. Las ventajas principales de la RMN son su alta reproducibilidad analítica y la simplicidad de la preparación de la muestra. Sin embargo, es relativamente insensible a comparación de las técnicas basadas en espectrometría de masas.[40][41]

Métodos estadísticos

Los datos generados en la metabolómica normalmente consisten en mediciones realizadas en muestras o sujetos bajo diversas condiciones. Estas mediciones pueden ser espectros digitalizados, o una lista de niveles de metabolito. En su forma más simple, esto genera una matriz con las columnas correspondiendo a las muestras y las columnas correspondiendo a los niveles de metabolito.[3] Varios programas estadísticos están disponibles en la actualidad para el análisis de datos tanto de la RMN y la espectrometría de masas. Para los datos de la espectrometría de masas, existe software que identifica moléculas que varían en grupos de muestras sobre la base de masa y a veces tiempo de retención, dependiendo del diseño experimental. El primer software comprensivo para analizar la conjuntos datos de metabolómica de manera global fue desarrollado en el Siuzdak laboratory en el Scripps Research Institute en el año 2006. Este software, llamado XCMS, está disponible de manera gratuita y tiene más de 20,000 descargas desde su lanzamiento en 2006,[42] y es uno de los programas más ampliamente citados en la literatura de la metabolómica basada en espectros de masa. XCMS ha sido sobrepasado en uso por una versión en nube llamada XCMS Online.[43][44] Otros programas populares para el análisis de espectros de masa en metabolómica son MZmine,[45] MetAlign,[46] MathDAMP,[47] que también compensa la desviación del tiempo de retención durante el análisis. LCMStats[48] es un paquete para R utilizado para el análisis detallado de datos de espectrometría de masas-cromatografía líquida (LCMS en inglés) y es útil en la identificación de iones co-eluyentes, especialmente isotopologos, de una muestra metabólica compleja. Combina funciones del paquete XCMS y puede ser usado para aplicar muchas herramientas estadísticas para corregir el tiempo muerto en la detección y para la generación de mapas de calor. Los datos de la metabolómica pueden ser analizados también por métodos de proyección estadística (quimiometría) como el análisis de componentes principales y la regresión de mínimos cuadrados parciales.[49]

Una vez que la composición metabólica es determinada, técnicas de reducción de datos pueden ser usadas para dilucidar patrones y conexiones. En muchos estudios, incluyendo aquellos que evalúan la toxicidad de medicamentos y modelos de enfermedad, los metabolitos de interés no se conocen a priori. Esto convierte en una popular primera elección a los métodos que pertenecen al tipo que no asumen nada de manera previa. Los métodos más comunes de etste tipo incluyen el análisis de componentes principales el cual puede reducir eficientemente las dimensiones de un conjunto de datos a unas pocas que expliquen las más grandes variaciones.[24] Cuando se analiza en el espacio de menor dimensiones en este tipo de análisis, se puede detectar el aglomeramiento de muestras con huellas metabólicas similares. Este aglomeramiento puede dilucidar patrones y ayudar en la detección de biomarcadores de enfermedades - metabolitos tienen la mayor correlación con una clase.

Aplicación de inteligencia artificial en metabolómica

Cada vez más la inteligencia artificial se está aplicando a todos los sectores de las ciencias. En mayo de 2020 se ha publicado en Analytical Chemistry, la revista de mayor impacto en química analítica, un artículo científico[50] sobre la predicción del tiempo de retención cromatográfico en metabolomica. Este estudio, fruto de la colaboración de un laboratorio español NGAlab, el West Coast Metabolomics center en la universidad de California UC DAVIS y el centro de investigación Riken en Japón, utiliza las últimas técnicas de Machine learning como Keras y XGBoost en combinación con el software CDK [51] para el cálculo avanzado de descriptores químicos. El software Retip es gratuitamente disponible en la página web de los desarrolladores.

La predicción del tiempo de retención aumenta la tasa de identificación en cromatografía líquida y, posteriormente, conduce a una mejor interpretación biológica de los datos de metabolómica[50]


Aplicaciones clave
  • Evaluación de toxicidad/toxicología. El perfilado metabólico (particularmente de orina o muestras de plasma sanguíneo) detecta los cambios fisiológicos ocasionados por el insulto tóxico de un químico o mezcla de químicos. En muchos casos, los cambios observados pueden estar relacionados con síndromes particulares, por ejemplo una lesión específica en hígado o riñón. Esto es de particular relevancia para las compañías farmacéuticas que quieren probar la toxicidad de un medicamento candidato: si un compuesto puede ser eliminado antes de que alcance la etapa de ensayo clínico con la justificación de toxicidad adversa, se ahorra un enorme gasto en los ensayos.[34]
  • Genómica funcional. La metabolómica puede ser una excelente herramienta para la determinación del fenotipo generado por una manipulación genética, como la inserción o deleción de un gen. A veces esto puede ser una gran meta en sí, por ejemplo, detectar cualquier cambio fenotípico en una planta genéticamente modificada creada para el consumo humano o animal. Más interesante es el prospecto de poder predecir la función de genes desconocidos a través de comparación con las perturbaciones metabólicas ocasionadas por la inserción o deleción de genes conocidos. Este tipo de avances probablemente provendrán de organismos modelo como Saccharomyces cerevisiae y Arabidopsis thaliana. El laboratorio Benjamin Cravatt III en el Scripps Research Institute ha aplicado recientemente esta tecnología a sistemas mamíferos identificando los N-aciltaurinos como sustratos endógenos previamente no caracterizados para la enzima hidrolasa de amidas de ácidos grasos (FAAH en inglés) y a los éteres de monoalquilglicerol (MAGEs en inglés) como sustratos endógenos para la hidrolasa no caracterizada KIAA1363.[52][53]
  • La nutrigenómica es un término generalizado que liga a la genómica, transcriptómica, proteómica y metabolómica con la nutrición humana. En general un metaboloma en un cuerpo dado es influido por factores endógenos como la edad, sexo, complexión y genéticas así como patologías subyacentes. La flora intestinal del intestino grueso es también una potencial fuente de confusión muy significante en los perfiles metabólicos y pudiera ser clasificada ya sea como un factor endógeno o exógeno. Los factores exógenos principales son la dieta y las drogas. La dieta puede separarse en nutrientes y no-nutrientes. La metabolómica es un modo para determinar un punto biológico o huella metabólica que refleje el equilibrio de todos esos factores en el metabolismo de un individuo.[54]

Metabolómica ambiental
  • La metabolómica ambiental (enlace roto disponible en Internet Archive; véase el historial, la primera versión y la última). es la aplicación de la metabolómica para caracterizar las interacciones de los organismos con su ambiente. Este acercamiento tiene muchas ventajas para estudiar las interacciones organismo-medio y para evaluar salud y función del organismo a nivel molecular. Así, el número de aplicaciones que la metabolómica está encontrando para las ciencias del medio ambiente va en aumento, desde entender las respuestas de los organismos a presiones abióticas hasta sus respuestas hacia otros sistemas vivos. Esas interacciones pueden ser estudiadas desde individuos hasta poblaciones, que pueden ser relacionadas con los campos tradicionales de la ecofisiología y la ecología, y pueden abarcar desde efectos instantáneos hasta aquellos en escalas de tiempo evolutivas, permitiendo así estudios de adaptación genética.[55][56]

Véase también

Referencias
  1. Daviss, Bennett (Abril del 2005). «Growing pains for metabolomics». The Scientist 19 (8): 25-28. Archivado desde el original el 18 de junio de 2009. Consultado el 13 de febrero de 2015.
  2. Kate, Jordan (2009). «Metabolomic Characterization of Human Rectal Adenocarcinoma with Intact Tissue Magnetic Resonance Spectroscopy». Diseases of the Colon and Rectum 52 (3): 520-525.
  3. Van der greef and Smilde, J Chemomet, (2005) 19:376-386
  4. Nicholson JK, Lindon JC (Octubre del 2008). «Systems biology: Metabonomics». Nature 455 (7216): 1054-6. Bibcode:2008Natur.455.1054N. PMID 18948945. doi:10.1038/4551054a.
  5. Gates, Sweeley; Sweeley, CC (1978). «Quantitative metabolic profiling based on gas chromatography». Clin Chem 24 (10): 1663-73. PMID 359193.
  6. Preti, George. "Metabolomics comes of age?" The Scientist, 19[11]:8, 6 de junio de 2005.
  7. Novotny et al.; Soini, Helena A.; Mechref, Yehia (2008). «Biochemical individuality reflected in chromatographic, electrophoretic and mass-spectrometric profiles». J Chromatog B 866: 26-47. doi:10.1016/j.jchromb.2007.10.007.
  8. Griffiths W.J., Wang Y. (2009). «Mass spectrometry: From proteomics to metabolomics and lipidomics». Chem Soc Rev 38 (7): 1882-96. PMID 19551169. doi:10.1039/b618553n.
  9. Hoult DI, Busby SJ, Gadian DG, Radda GK, Richards RE, Seeley PJ (Noviembre del 1974). «Observation of tissue metabolites using 31P nuclear magnetic resonance». Nature 252 (5481): 285-7. Bibcode:1974Natur.252..285H. PMID 4431445. doi:10.1038/252285a0.
  10. Holmes E and Antti H (2002) Analyst 127:1549-57
  11. Lenz EM, Wilson ID (2007). «Analytical strategies in metabonomics». J Proteome Res 6 (2): 443-58. PMID 17269702. doi:10.1021/pr0605217.
  12. Smith CA, I'Maille G, Want EJ, Qin C, Trauger SA, Brandon TR, Custodio DE, Abagyan R, Siuzdak G (Diciembre del 2005). «METLIN: a metabolite mass spectral database». Ther Drug Monit 27 (6): 747-51. PMID 16404815. doi:10.1097/01.ftd.0000179845.53213.39. Archivado desde el original el 28 de septiembre de 2020. Consultado el 13 de febrero de 2015.
  13. Wishart DS, Tzur D, Knox C, et al. (Enero del 2007). «HMDB: the Human Metabolome Database». Nucleic Acids Research 35 (Database issue): D521-6. PMC 1899095. PMID 17202168. doi:10.1093/nar/gkl923.
  14. Wishart DS, Knox C, Guo AC, Eisner R, Young N, Gautam B, Hau DD, Psychogios N, Dong E, Bouatra S, Mandal R, Sinelnikov I, Xia J, Jia L, Cruz JA, Lim E, Sobsey CA, Shrivastava S, Huang P, Liu P, Fang L, Peng J, Fradette R, Cheng D, Tzur D, Clements M, Lewis A, De Souza A, Zuniga A, Dawe M, Xiong Y, Clive D, Greiner R, Nazyrova A, Shaykhutdinov R, Li L, Vogel HJ, Forsythe I (2009). «HMDB: a knowledgebase for the human metabolome». Nucleic Acids Research 37 (Database issue): D603-10. PMC 2686599. PMID 18953024. doi:10.1093/nar/gkn810.
  15. Farag, M. A.; Huhman, D. V.; Dixon, R. A.; Sumner, L. W. (2007). «Metabolomics Reveals Novel Pathways and Differential Mechanistic and Elicitor-Specific Responses in Phenylpropanoid and Isoflavonoid Biosynthesis in Medicago truncatula Cell Cultures». Plant Physiology 146 (2): 387-402. PMC 2245840. PMID 18055588. doi:10.1104/pp.107.108431.
  16. «Arabidopsis Metabolomics Consortium». Archivado desde el original el 7 de noviembre de 2012. Consultado el 13 de febrero de 2015.
  17. Morrow Jr., Ph.D., K. John (1 de abril de 2010). «Mass Spec Central to Metabolomics». Genetic Engineering & Biotechnology News 30 (7). p. 1. Archivado desde el original el 28 de junio de 2010. Consultado el 28 de junio de 2010.
  18. Oliver SG, Winson MK, Kell DB, Baganz F (Septiembre de 1998). «Systematic functional analysis of the yeast genome». Trends in Biotechnology 16 (9): 373-8. PMID 9744112. doi:10.1016/S0167-7799(98)01214-1.
  19. Griffin JL, Vidal-Puig A (Junio del 2008). «Current challenges in metabolomics for diabetes research: a vital functional genomic tool or just a ploy for gaining funding?». Physiol. Genomics 34 (1): 1-5. PMID 18413782. doi:10.1152/physiolgenomics.00009.2008.
  20. Pearson H (Marzo del 2007). «Meet the human metabolome». Nature 446 (7131): 8. Bibcode:2007Natur.446....8P. PMID 17330009. doi:10.1038/446008a.
  21. De Luca V, St Pierre B (Abril del 2000). «The cell and developmental biology of alkaloid biosynthesis». Trends Plant Sci. 5 (4): 168-73. PMID 10740298. doi:10.1016/S1360-1385(00)01575-2.
  22. Griffin JL, Shockcor JP (Julio del 2004). «Metabolic profiles of cancer cells». Nat. Rev. Cancer 4 (7): 551-61. PMID 15229480. doi:10.1038/nrc1390.
  23. Holmes, E.; I.D. Wilson and J.K. Nicholson (5). «Metabolic phenotyping in health and disease». Cell 134 (5): 714-717. PMID 18775301. doi:10.1016/j.cell.2008.08.026.
  24. Nicholson, J.K.; I.D. Wilson (2003). «Understanding 'global' systems biology: metabonomics and the continuum of metabolism». Nat Rev Drug Discov 2 (8): 668-676. doi:10.1038/nrd1157.
  25. Samuelsson LM, Larsson DG (Octubre del 2008). «Contributions from metabolomics to fish research». Mol Biosyst 4 (10): 974-9. PMID 19082135. doi:10.1039/b804196b.
  26. Nicholson JK, Foxall PJ, Spraul M, Farrant RD, Lindon JC (Marzo del 1995). «750 MHz 1H and 1H-13C NMR spectroscopy of human blood plasma». Anal. Chem. 67 (5): 793-811. PMID 7762816. doi:10.1021/ac00101a004.
  27. Bentley R (1999). «Secondary metabolite biosynthesis: the first century». Crit. Rev. Biotechnol. 19 (1): 1-40. PMID 10230052. doi:10.1080/0738-859991229189.
  28. Nordström A, O'Maille G, Qin C, Siuzdak G (Mayo del 2006). «Nonlinear data alignment for UPLC-MS and HPLC-MS based metabolomics: quantitative analysis of endogenous and exogenous metabolites in human serum». Anal. Chem. 78 (10): 3289-95. PMID 16689529. doi:10.1021/ac060245f.
  29. Crockford DJ, Maher AD, Ahmadi KR, et al. (Septiembre del 2008). «1H NMR and UPLC-MS(E) statistical heterospectroscopy: characterization of drug metabolites (xenometabolome) in epidemiological studies». Anal. Chem. 80 (18): 6835-44. PMID 18700783. doi:10.1021/ac801075m.
  30. Nicholson JK (2006). «Global systems biology, personalized medicine and molecular epidemiology». Mol. Syst. Biol. 2 (1): 52. PMC 1682018. PMID 17016518. doi:10.1038/msb4100095.
  31. Nicholson JK, Lindon JC, Holmes E (Noviembre de 1999). «'Metabonomics': understanding the metabolic responses of living systems to pathophysiological stimuli via multivariate statistical analysis of biological NMR spectroscopic data». Xenobiotica 29 (11): 1181-9. PMID 10598751. doi:10.1080/004982599238047.
  32. Nicholson JK, Connelly J, Lindon JC, Holmes E (Febrero del 2002). «Metabonomics: a platform for studying drug toxicity and gene function». Nat Rev Drug Discov 1 (2): 153-61. PMID 12120097. doi:10.1038/nrd728.
  33. Holmes E, Wilson ID, Nicholson JK (Septiembre del 2008). «Metabolic phenotyping in health and disease». Cell 134 (5): 714-7. PMID 18775301. doi:10.1016/j.cell.2008.08.026.
  34. Robertson DG (Junio del 2005). «Metabonomics in toxicology: a review». Toxicol. Sci. 85 (2): 809-22. PMID 15689416. doi:10.1093/toxsci/kfi102.
  35. Schauer N, Steinhauser D, Strelkov S, et al. (Febrero del 2005). «GC-MS libraries for the rapid identification of metabolites in complex biological samples». FEBS Lett. 579 (6): 1332-7. PMID 15733837. doi:10.1016/j.febslet.2005.01.029.
  36. Gika HG, Theodoridis GA, Wingate JE, Wilson ID (Agosto del 2007). «Within-day reproducibility of an LC-MS-based method for metabonomic analysis: application to human urine». J. Proteome Res. 6 (8): 3291-303. PMID 17625818. doi:10.1021/pr070183p.
  37. Soga T, Ohashi Y, Ueno Y (Septiembre del 2003). «Quantitative metabolome analysis using capillary electrophoresis mass spectrometry». J. Proteome Res. 2 (5): 488-494. PMID 14582645. doi:10.1021/pr034020m.
  38. Northen T.R, Yanes O, Northen M, Marrinucci D, Uritboonthai W, Apon J, Golledge S, Nordstrom A, Siuzdak G (Octubre del 2007). «Clathrate nanostructures for mass spectrometry». Nature 449 (7165): 1033-6. Bibcode:2007Natur.449.1033N. PMID 17960240. doi:10.1038/nature06195.
  39. Woo H, Northern TR, Yanes O, Siuzdak G (Julio del 2008). «Nanostructure-initiator mass spectrometry: a protocol for preparing and applying NIMS surfaces for high-sensitivity mass analysis». Nature protocols 3 (8): 1341-9. PMID 18714302. doi:10.1038/nprot.2008,110.
  40. Griffin JL (Octubre del 2003). «Metabonomics: NMR spectroscopy and pattern recognition analysis of body fluids and tissues for characterisation of xenobiotic toxicity and disease diagnosis». Curr Opin Chem Biol 7 (5): 648-54. PMID 14580571. doi:10.1016/j.cbpa.2003.08.008.
  41. Beckonert O, Keun HC, Ebbels TM, et al. (2007). «Metabolic profiling, metabolomic and metabonomic procedures for NMR spectroscopy of urine, plasma, serum and tissue extracts». Nat Protoc 2 (11): 2692-703. PMID 18007604. doi:10.1038/nprot.2007.376.
  42. Smith CA, Want EJ, O'Maille G, Abagyan R, Siuzdak G (Febrero del 2006). «XCMS: processing mass spectrometry data for metabolite profiling using nonlinear peak alignment, matching, and identification». Anal Chem 78 (3): 779-87. PMID 16448051. doi:10.1021/ac051437y.
  43. Tautenhahn R, Patti GJ, Rinehart D, Siuzdak G (Abril del 2012). «XCMS Online: a web-based platform to process untargeted metabolomic data». Anal Chem 84 (11): 5035-5039. PMID 22533540. doi:10.1021/ac300698c.
  44. Patti GJ, Tautenhahn R, Rinehart D, Cho K, Shriver L, Manchester M, Nikolskiy I, Johnson C, Mahieu N, Siuzdak G (2013). «A View from Above: Cloud Plots to Visualize Global Metabolomic Data». Anal Chem 85 (2): 798-804. doi:10.1021/ac3029745.
  45. Katajamaa M, Miettinen J, Oresic M (Marzo del 2006). «MZmine: toolbox for processing and visualization of mass spectrometry based molecular profile data». Bioinformatics 22 (5): 634-36. PMID 16403790. doi:10.1093/bioinformatics/btk039.
  46. Lommen A (Abril del 2009). «MetAlign: interface-driven, versatile metabolomics tool for hyphenated full-scan mass spectrometry data processing». Anal Chem 81 (8): 3079-86. PMID 19301908. doi:10.1021/ac900036d.
  47. Baran R, Kochi H, Saito N, Suematsu M, Soga T, Nishioka T, Robert M, Tomita M (Diciembre del 2006). «MathDAMP: a package for differential analysis of metabolite profiles». BMC Bioinformatics 7: 530. PMC 1764210. PMID 17166258. doi:10.1186/1471-2105-7-530. Archivado desde el original el 24 de mayo de 2013. Consultado el 13 de febrero de 2015.
  48. Singh S. «LCMStats: an R package for detailed analysis of LCMS data».
  49. Trygg J, Holmes E, Lundstedt T (Febrero del 2007). «Chemometrics in metabonomics». J. Proteome Res. 6 (2): 469-79. PMID 17269704. doi:10.1021/pr060594q.
  50. Bonini, Paolo; Kind, Tobias; Tsugawa, Hiroshi; Barupal, Dinesh Kumar; Fiehn, Oliver (10 de mayo de 2020). «Retip: retention time prediction for compound annotation in untargeted metabolomics». Analytical Chemistry. ISSN 0003-2700. doi:10.1021/acs.analchem.9b05765. Consultado el 14 de mayo de 2020.
  51. Steinbeck, Christoph; Han, Yongquan; Kuhn, Stefan; Horlacher, Oliver; Luttmann, Edgar; Willighagen, Egon (2003-03). «The Chemistry Development Kit (CDK): An Open-Source Java Library for Chemo- and Bioinformatics». Journal of Chemical Information and Computer Sciences (en inglés) 43 (2): 493-500. ISSN 0095-2338. PMC 4901983. PMID 12653513. doi:10.1021/ci025584y. Consultado el 14 de mayo de 2020.
  52. Saghatelian A, Trauger SA, Want EJ, Hawkins EG, Siuzdak G, Cravatt BF (Noviembre del 2004). «Assignment of endogenous substrates to enzymes by global metabolite profiling». Biochemistry 43 (45): 14332-9. PMID 15533037. doi:10.1021/bi0480335.
  53. Chiang KP, Niessen S, Saghatelian A, Cravatt BF (Octubre del 2006). «An enzyme that regulates ether lipid signaling pathways in cancer annotated by multidimensional profiling». Chem. Biol. 13 (10): 1041-50. PMID 17052608. doi:10.1016/j.chembiol.2006.08.008.
  54. Gibney MJ, Walsh M, Brennan L, Roche HM, German B, van Ommen B (Septiembre del 2005). «Metabolomics in human nutrition: opportunities and challenges». Am. J. Clin. Nutr. 82 (3): 497-503. PMID 16155259.
  55. Bundy JG, Davey MP, Viant MR (2009). «Environmental Metabolomics: A Critical Review and Future Perspectives». Metabolomics 5: 3-21. doi:10.1007/s11306-008-0152-0.
  56. Morrison N, Bearden D, Bundy JG, Collette T, Currie F, Davey MP et al. (2007). «Standard Reporting Requirements for Biological Samples in Metabolomics Experiments: Environmental Context». Metabolomics 3 (3): 203-210. doi:10.1007/s11306-007-0067-1.

Mayor información

Véase también

Enlaces externos

Referencias
    Este artículo ha sido escrito por Wikipedia. El texto está disponible bajo la licencia Creative Commons - Atribución - CompartirIgual. Pueden aplicarse cláusulas adicionales a los archivos multimedia.