综述 | Process Biochem：基于H-NMR的代谢组学在癌症靶向和代谢工程中的应用
编译：小鹿同学，编辑：小白、江舜尧。
原创微文，欢迎转发转载。
核磁共振（NMR）光谱是研究未知代谢物的最佳工具。此外，代谢组学是检查体内和体外代谢情况的系统方法，其可以提供有关癌症代谢变化的数据。代谢组分析可以检测小分子的活性和代谢变化。代谢改变是癌症的一个标志，其与许多恶性肿瘤的发生相关。代谢物的靶向和代谢工程通过增殖和代谢分化来促进癌变。由此产生的代谢变化使用传统的化学计量学方法（如主成分分析（PCA）和偏最小二乘判别分析（PLS-DA））来检查。在这篇综述中，研究者讨论了基于NMR的代谢组学平台，该平台可用于分析癌症中的各种通量学以及多变量的统计分析。本文旨在为读者提供NMR光谱学、癌症代谢组学、靶向分析、化学计量学以及用于代谢组学鉴定的多功能工具的基本知识，重点关注了用于癌症治疗的代谢表型多样性。
论文ID
综述框架
1. 代谢组学用于评估代谢表型和代谢工程；
2. 代谢组学在癌症微环境中发现癌症治疗的不利因素；
3. NMR技术已经用于分析代谢物成像；
4. 模式识别方法可以很好地区分细胞。
内容
1. 前言
一般而言，核磁共振（NMR）的信号是基于一个强且均匀磁场作用中原子的行为而生成的。NMR的光谱强度在分析上具有追踪性，且解析度良好。在小分子中，一维（1D）原子核1H、13C、31P和19F和2D原子核（如1H-1H、1H-13C）可以通过NMR光谱进行表征。NMR作为一种宝贵的工具，可用于定量指纹识别，从而鉴定出组织工程支架内的不同代谢产物。此外，NMR还可以有针对性和无针对性的表征人类代谢表型的多样性。质子（1H）-NMR已用于表征血浆样品中的分子、药物和有毒物质。基于1H-NMR的代谢谱分析在21世纪早期首次成为一种流行技术，因为它可用于鉴定生物体液中的有机化合物。此外，只要实验参数（即溶剂、时间、温度、pH、角度、硬件和软件）保持不变，新捕获的NMR数据就可以与遗留的NMR数据或存档的NMR数据进行比较。这些参数可能会造成振动谱的变化，但这些变化并非在所有峰中都出现。第二个最关键的可选原子核——13C-NMR可用于分析分子的碳骨架。然而，13C-NMR捕获比1H-NMR捕获花费更多的时间。在物理有机化学中，14N-NMR、23Na-NMR和31P-NMR 等原子核还经常被用来检测功能的变化。
常规的1D和2D NMR检查可提供结构验证和构象信息。此外，1D-NMR光谱包含普通的1H、13C、14N、23Na和31P，以及其它可能合适且解耦的原子核光谱。此外，2D-NMR为同核的相关性（即1H-1H的相关光谱（COSY）和1H-1H的总相关光谱（TOCSY））和异核的单量子相干光谱（HSQC;1H-13C）提供了两种不同的指纹识别工具。2D-NMR技术很灵敏，并且可以提供1H的标量耦合（即原子键的连接性）。已有研究发现1H-13C的HSQC可传递信号，并揭示了两个核（1H-13C单键中的化学键）之间的相关性。
随着低频台式仪器的诞生，60 MHz NMR光谱仪也出现了，它方便、易用且所需的空间很小。这些低频仪器可以及时地提供准确的数据。与台式仪器相比，1000 MHz NMR引擎可以提供高达23.5 Tesla的磁力。同时，对于代谢组学分析，较高的输出会增强信号分离和灵敏度。通常来说，5 mm和4 mm的NMR管分别用于液态NMR实验和固态NMR实验。使用此类机器的主要缺点是灵敏度低以及1H信号的重叠。但是，当使用高磁力的NMR系统时，1H信号的重叠就可以被控制了。液氦用于将NMR探针保持在尽可能低的温度，因为这能保证出色的性能和干净的数据。此外，已有研究显示低温冷却的NMR探针可以降低热信噪比（S/N），并提高电磁信号的灵敏度。匀场和锁定可以将磁力的均匀性控制为十亿分之一（ppb）。
“完美回波”的概念包括不同用途的三个NMR脉冲序列：1）用于代谢产物观察的t2-过滤CPMG自旋回波脉冲序列（RD-90˚-[τ-180˚-τ-]n）；2）用于核极化效应谱（NOESY）的脉冲序列，其可以产生代谢物和高分子量分子的信号；3）DIFFUSION-EDITED序列，用于特定观察含有小分子代谢物的溶液中的大分子组分。自由感应衰减（FID）的化学信号具有较低的信噪比，但可以增加重复采集的平均值。t2过滤（诸如自旋-自旋弛豫时间之类）能有效地限制横向磁化强度。在这些过程中，1H的分裂模式（如单峰（s）、二重峰（d）、三重峰（t）、双二重峰（dd）、多峰（m）等）等小分子及大分子是按照帕斯卡三角定律来分裂的。
一般来说，对于出色的1H-NMR数据，需要采集128个重复序列，采集时间为5-10分钟。3-（三甲硅烷基）丙酸-d4钠盐（TSP-d4）含有氘化的亚甲基，这些校准为δ-0.0ppm的亚甲基可作为浓度基准。此外，在表征实验中使用氘代氯仿（CDCl3）、氧化氘/重水（D2O）、二甲基亚砜（DMSO）和2,2-二甲基-2-硅戊烷-5-磺酸钠（DSS）作为参照标准。此外，氘代苯作为碱性溶剂。在化学信号处理过程中，与氢核相比，碳核需要更多的时间来弛豫。因此，重元素的光谱采集更加耗时（即从几分钟到几小时）。利用400 MHz光谱仪通过放射/化学放射疗法（RT/CHRT）获取头颈部鳞状细胞癌（HNSCC）患者的1H-NMR Carr-Purcell-Meiboom-Gill（CPMG）叠加光谱（δ0.5-5.5 ppm）（图1a）。图1b展示了关键代谢物及其一维信号强度。
图1.头颈部鳞状细胞癌（HNSCC）患者接受放射/化学放射疗法（RT/CHRT）后的代表性质子（1H）-NMR光谱
（a）1H-NMR光谱是在HNSCC的400 MHz CPMG叠加光谱下捕获的；（b）检测到的代谢物被标记了
2. 核磁共振的代谢组学分析和多样性
在“组学”时代的过去二十年中，代谢组学（也称为代谢组学和代谢组学分析）已成为一种成熟的技术，可作为系统生物学的一个分支。代谢组学是组学级联中的最后一步，它专注于代谢物的结构及其存在的原子核（图2a）。代谢组学是一种高通量的整体代谢物分析，因为它可用于表征小分子（分子量<1500 Da）的指纹，因此可以说它是一个比基因组学、转录组学和蛋白质组学更重要的一个平台。在癌症治疗中，代谢谱分析比基因组学、转录组学和蛋白质组学更具优势。代谢组是小分子（如葡萄糖、乳酸、丙酮酸、胆固醇、神经递质、脂质信号分子等）的补集。代谢组与基因表达有关，其作为新陈代谢的功能终点，同时也反映遗传因素。
图2.（a）系统生物学的中心法则和组学级联描述了细胞微环境中各种分子的区域。细胞内的通讯流来自基因组学、转录组学、蛋白质组学和代谢组学。组学受表观遗传学、生活方式、健康状况、毒素和其它此类因素的影响；（b）2010 ~2019年之间发表的利用NMR代谢组学的论文数量（2020年2月15日在PubMed上访问），NMR代谢组学的使用正在逐年增长。
代谢物是化学反应的中间产物和最终产物。代谢组学谱分析是一种有前途的工具，可用于在癌症症状发作之前和之后检测代谢异常。在多种不同的生物样品中，可能对数百种代谢物进行代谢靶向和定量。实际上，代谢组学分析已用于检测和表征来自不同样品的碳水化合物/糖、氨基酸、脂肪酸、核酸、维生素和肽。活生物体（如植物或动物）中的总代谢物包含大约2000~20000种元素，使用NMR分析时可以揭示出显著的疾病风险因素。这些数据的分析可以阐明不同的生化作用模式（MoA）。代谢物充当多种酶的底物，这些酶可以通过几种复杂的反应来影响代谢物与代谢物之间的通讯。
自2010年以来，使用NMR代谢组学的出版物数量每年都在稳定增长（图2b）。在活细胞中，定量代谢组学的靶向分析已用于研究动态的多参数代谢变化，这些变化可能与遗传变异和表型的表达相关。这种系统的分析已扩展到由于环境因素、病理学和额外基因组影响而引起的代谢紊乱。为了研究细胞外的代谢物以及胞外代谢组学/代谢图谱，可以将代谢组学的一个子领域用于确定药物的递送和这些药物的MoA。
基于核磁共振的代谢组学图谱，无论是靶向的（定向的）还是非靶向的（非定向的），现已广泛用于包括真菌生物学、生物医学、植物生物学、人体生物学、营养生物学、先天性代谢异常、糖尿病、癌症和神经系统疾病等在内的多个研究领域。基于NMR的代谢组学分析是一种横向工具，需要适当的实验设置、样品制备、数据分析、统计和代谢途径评估。此外，样品的pH值对于良好峰形的产生很重要。因此，严格控制生物样品的pH至关重要。基于核磁共振的代谢组学分析也已用于研究生物样品中的外源性和内源性代谢物。
高通量的分析方法包括NMR、毛细管电泳（CE-MS）、气相色谱（GC）、液相色谱（LC）、傅立叶变换红外光谱（FTIR）与MS（LC/GC-MS）的结合使用进行代谢组学研究，从而用于细胞、组织、植物提取物和细菌样品的大规模数据的结构表征和分析。FTIR分析方法使用红外光扫描生物样品，是一种高分辨率技术。FTIR用于检测疏水膜环境中的蛋白质，其可以直接处理膜蛋白质的极性。LC/GC-MS和NMR的应用经常用来比较，从而研究和量化给定样品的代谢组（表1）。上述两种生物分析技术的机制都是基于质荷比（m/z；LC/GC-MS）和峰形（NMR光谱）的变化。此外，这两种方法都能产生高质量的代谢组学数据。
表1. NMR和MS（与LC和GC的结合）光谱比较及其在代谢组学分析和代谢工程中的应用
缩略语：NMR：核磁共振；MS：质谱。
在基于NMR的代谢组学数据采集中，1H、13C、1H-1H和1H-13C是应用最广泛的原子核。尽管NMR与其它方法相比灵敏度略有下降，但它快速、可重复且无损。代谢组学数据的处理利用了一组NMR资源，用于一维和二维光谱数据处理的资源包括Chenomx NMR Suite、Topspin 、SIMCA-P +（统计方法：单变量和多变量数据质量的处理）、VNMRJ软件和MestReNova软件。
图3显示了基于NMR的代谢组学分析和代谢工程的示意图。自动化的高通量NMR代谢组学平台已用于鉴定有机化合物的摩尔浓度、相关的光谱数据及其代谢变化分析。简而言之，可以使用体内和体外生物流体（即血液、血清、尿液等）和脂肪组织。收集后，所有样品均可保存在-80°C。所有体内样品均与对照和目标样品一起在96孔板中处理。虽然，这对于体外样品的制备可能有所不同。本文中使用Bligh和Dyer方法在双相条件下（即极性和非极性代谢物）制备样品。根据该方法，包含甲醇和水的上层极性馏分包含了亲水性代谢物，可能最适合进行代谢分析。包含氯仿的中间层和底层（非极性馏分）主要包含蛋白质和脂质。自动化的高通量NMR代谢组学平台具有两个不同的NMR孔（即宽孔和窄孔）。
图3.基于NMR的代谢组学工作流程概述
自动化的高通量NMR代谢组学平台可用于阐明有机化合物的摩尔浓度，揭示其光谱数据并进行生成途径的分析
此外，可以根据在20°C~26°C之间进行的液态NMR分析和固态NMR分析来改变NMR探针。然后可以使用很多可用软件（如AZARA 2.7和VNMRJ）来处理NMR光谱数据。接下来，对应于不同代谢物的多个分子进行1H-NMR光谱的去卷积，从而能够进行对照和目标1H-NMR光谱数据的多向比较。此时，将进行自动的数据/光谱处理，其中包括去除溶剂和其它污染物。光谱的预处理发生在步骤8中，包括基线校正、平滑、对齐、ppm校准和文件格式的转换。随后，在代谢物水平上对参数进行质量控制，然后可以绘制对照和目标样品中的不同代谢物。此步骤之后，对代谢物进行统计分析（即t检验和方差分析（ANOVA）。最后，对数据进行通路分析和生物学解释。这些基本的代谢组学数据预处理工作流程（即降噪、峰检测、去卷积、匹配和比对）是大多数已发表的NMR研究的标准。
3. 代谢工程：靶向分析癌症的代谢组学
3.1 拟合光谱特征
在过去，Chenomx NMR Suite一直是代谢组学的重要资源，因为它可用于分析混合的生物样品。此外，此在线软件可用于这些样品中浓度和定量代谢物的检测。这些鉴定过程在生物活性代谢物的靶向分析和去卷积中起重要作用。Chenomx的谱库有助于促进代谢物的比较。基于1H-NMR的代谢组学数据预处理包括准确的峰对齐、峰选择、基线校正、对齐、标准化和代谢物鉴定。基线校正是数据处理的第一步，可以手动或仪器自动执行。通常，1H的化学位移集中在0.0~10.0 ppm之间，其中包括脂肪族区域和芳香族区域。另外，δ 4.48~4.68 ppm之间水的峰形被去除了。尿液样本中尿液的峰也被清除。在过去的几十年中，通过软件改进了代谢物的鉴定，该软件现在提供了更多的应用程序，包括（但不限于）数据的快速筛选、大数据分析和异常途径的鉴定。代谢途径的研究至关重要，因为它有助于研究者了解不同疾病状态下的生物学修饰。在鉴定出与疾病相关的代谢物后，可以借助上述软件工具来确定相关的途径。疾病生物学知识的不断完善将是开发不同疾病新疗法的有力武器。
3.2 光谱数据的标准化
标准化对于校正和评估来自结构化和非结构化数据中各种样本的信号或存储至关重要。光谱总面积的标准化是一个常见、复杂且可靠的标准化方法，其可以提高数据的完整性。数据中的变化通常是由轻微的实验误差和/或技术问题引起的。例如，不同尿液的水合作用状态（即由于进水、食物摄入、体力消耗、汗水等）会导致代谢物的变化以及峰形的变化。
因此，标准化的方法至关重要。对于靶向分析，标准化对于内惨的校正很重要。各种各样的方法已经用来标准化代谢物浓度的大数据。大多数标准化方法基于比例因素，其估算了代谢物分布的50%~75%。对于生物体液和组织样品，概率商的标准化（PQN）、分位数的标准化、立方样条的标准化（CSN）、成对的对数比率（PLR）、代谢物分析器等基本上是总面积标准化的较好选择。
3.3 癌症代谢组学的非靶向和靶向分析
整体的代谢分析（非靶向代谢组学）和靶向分析研究是鉴定未知代谢物的最佳平台，尤其在这些代谢物是特定癌症或疾病的潜在生物标记物时。未知或未分类的鉴定通常被认为是非靶向代谢组学分析的瓶颈。借助代谢组学的数据库，非靶向的代谢组学致力于比较和检测代谢谱之间的差异。近期一些文献详细介绍了许多混合的NMR/MS代谢物鉴定方法。在这些方法中，代谢信号被分拣，然后被分配给生成的代谢物ID。现在，混合的NMR/MS方法可在生物医学的应用中分析大量代谢物（图4）。
图4. 对照和患病受试者基于1H-NMR光谱（δ 0~10 ppm）的代谢组学数据靶向分析和非靶向分析
两种方法都经过多变量的统计数据分析（即PCA、PLS-DA和OPLS-DA绘制）。
靶向分析和绝对定量均具有与非靶向分析不同的关键标准。使用1D-NMR可以广泛地进行靶向分析（即从混合物中获得单一代谢物）。表2列出了生物流体中预定义代谢组（即一堆代谢物）准确检测的靶向和半靶向代谢组学数据的分析和定量。使用帕斯卡三角定律来总结有机化合物的分配和特殊多样性。对于每种代谢物，均标有化学式和分子量。
缩写：单峰（s）；二重峰（d）；三重峰（t）；双二重峰（dd）；四重峰（q）；多峰（m）；数字（无）；生物相关的化学实体（ChEBI）；分子量（MW）;兆比率（ppm）；腺苷二磷酸（ADP）；烟酰胺腺嘌呤二核苷酸（NAD）。
4. 化学计量学的数据分析与代谢工程
为了进行模式识别分析，所有的1H-NMR峰值均以中心平均值进行处理。主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）、正交PLS-DA（OPLS-DA）和载荷图在多元数据的分析（模式识别）中起着重要作用。所有这些分析都可以在SIMCA P+和MetaboAnalyst 4.0中进行。PCA的一种非监督方法被用来控制维数和审查得分，这可能有助于消除数据中的异常值。如图5a和b所示，食管鳞状细胞癌（ESCC）的鉴别、组间和组内的分类以及模式识别的癌症代谢谱均使用高质量的1H-NMR数据集生成。PCA得分图显示基于1H-NMR光谱组的聚类（R2X（PC1+ PC2）= 43.3％）。PCA是最简单的多元数据分析。监督的OPLS-DA得分图提供了膀胱癌细胞与正常受试者之间的最佳差异（图5c和d）。结果显示癌症患者与正常患者可以区分开。与PLS-DA相比，OPLS-DA是第二大监督式的建模方法。
图5. 两种类型的癌症样品（ESCC和膀胱癌）中代谢谱和分类的异质性
（a）ESCC和对照的PCA得分图。（b）ESCC和对照的OPLS- DA得分图；（c，d）健康对照（CTRL；黑色方框）和膀胱癌细胞（红点）内血清样本的OPLS-DA得分图。备注：空心黑框代表患有良性血尿症的对照患者。
潜在变量（LV）和主成分（PC）通过一组样本中各种因素的聚类分析来评估。这些聚类研究通过单独的顺序或层次聚类来解决多变量数据组的可视化。PLS-DA的监督方法已经发展为探索预测变量（如1H-NMR数据的光谱强度）和响应变量（如每种样品的类别）之间的协方差。得分图的拟合优度（R2）和预测优度（Q2）是模型鲁棒性的度量。当R2和Q2之间的差异减小时，得分图变得具有鲁棒性。但是，得分较高的图中R2> 0.8和Q2> 0.4。代谢物的倍数变化及其p值通常通过错误发现率（FDR，即q值）来校正。
一旦光谱数据生成后，就可以将其导入到SIMCA-P+软件中，从而合并结果进行多变量和单变量的统计数据分析。为此，每个光谱均设置了合并范围（δ0.0-10.0 ppm）和合并大小（0.001 ppm）。然后可以仔细检查载荷图，从而鉴别样品之间的差异。最终，基于95％（Hoteling T2）的分布概率水平来计算得分图中的统计差异。
为了控制样本之间的干扰和高标准偏差，通常使用对数转换。Pareto scaling/auto scaling将每个变量除以其标准偏差（SD）的平方根。这基于相关性的值来比较代谢物，并对所有代谢物赋予均等的权重。另外，投影变量的重要性（VIP）被提高从而增强得分图中的重要代谢物，并从总定量和靶向代谢物中进行筛选。得分图进行分类时应该考虑VIP> 1的代谢物。VIP得分>1是根据PLS-DA模型进行估计的。代谢组学的参数使用置换检验、交叉验证（CV）、倍数变化、火山图、相关性分析等进行验证。此外，曲线下面积（AUC）和受试者工作特征（ROC）的研究也能表征模型的性能。
为了进行统计分析，基于事后Fisher LSD的ANOVA分析和t检验分析（p<0.05）来鉴定重要的代谢物。倍数变化（FC）在系统生物学中定义为“比率”，FC> 1表示在不同样品中特定代谢物上调或下调的程度。接着，皮尔逊相关系数（r值）用于表征变量之间的相关性。
5. 代谢工程的计算工具
软件、生物信息学和多功能工具的显著改进及其在生物医学研究中的重要应用已被研究了很久（表3）。这些数据表明，MetaboAnalyst 4.0是一种基于多组学的分析平台，可用于分析代谢物的重要性，识别相关途径并有助于进一步阐明生物学机制。样本的标准化、数据转换和数据换算方法考虑到了各种生物流体之间的通用调整。代谢网络重建通过联系代谢和基因组的数据来描述细胞代谢的特性和功能。
缩写：SIMCA：簇类独立软模式法；HMDB：人类代谢组数据库；KEGG：基因组京都百科全书；Ref：参考文献。
人类代谢组数据库（HMDB）是可免费访问的代谢组数据库，其中包含了大量的人类和动物的代谢组数据。此外，HMDB包含化学数据、临床数据、分子生物学/生物化学数据、生物标志物发现和验证。DrugBank数据库最初于2006年启用，是一个独特的具有很好注释的生物信息学和化学信息学平台，其将广泛的药物数据与完整的药物靶标信息相结合。DrugBank还涵盖了药物作用的途径、药物代谢途径及其化学分类数据。此外，该数据库提供了各种癌症中药物代谢和药物代谢物的最高质量数据。
对于代谢网络重建而言，基因组京都百科全书（KEGG）是另一个强大的数据库，其可在微环境水平上提供高水平的基因以实现代谢功能。KEGG途径的网站是了解代谢途径起源和终点的绝佳资源。基于KEGG的大数据分析已应用于治疗性的癌症靶向和检索网络信息。MetaCyc和HumanCyc也是支持代谢组学研究和代谢工程的重要工具，它们可以阐明多个领域的代谢调控网络。就像KEGG一样，MetaCyc也是一个参考性很好的数据库，只是侧重点不同。
代谢相关的研究人员基本上都会观察代谢网络和反应网络。交互作用分析软件（Cytoscape）是一个自动布局的大型交互网络。Cytoscape能够支持大量的插件，其可专注于与基因、蛋白质和代谢物表达相关的相互作用途径。转录组、基因组和代谢组学数据之间的组学整合可用于具有多个数据集的功能分析。代谢集富集分析（MSEA）和热图（图6）已用于鉴定代谢物以及解释其浓度变化。这通常会产生一个来自特定生物样品的代谢物改变列表，然后可用于推断不同代谢物在生物途径和疾病状态中的功能。已有研究鉴定出多种癌症（如膀胱癌、胃癌、结肠直肠癌、肝癌、肺癌、乳腺癌和前列腺癌）的代谢重整，其包含了50多种代谢物。不同途径（如三羧酸（TCA）循环、糖酵解和氨基酸代谢（例如嘌呤代谢、黄质代谢））的抑制可能会扰乱肿瘤细胞的分化。当然，这也有助于更好地理解癌症生物学，并促进抗增殖癌症疗法的发展。
图6. 已有研究在各种癌症微环境中研究了代谢组的重整效率和异质性
该热图提供了健康细胞和癌细胞中代谢物的改变及其相关途径，图中显示了癌症微环境中显著上调或下调的代谢物（p<0.05）。红色：在癌细胞中的含量高于对照细胞。蓝色：癌细胞中的含量低于对照细胞。图中的颜色表示上调或下调的强度。缩写：磷酸核糖焦磷酸（PRPP）；三羧酸（TCA）。
最后，本文中介绍的原理和代谢应用强调了1H-NMR光谱在活性代谢组筛选、生物标志物发现、毒理学以及癌症治疗中的目标、范围和功能。研究者强调了NMR代谢组学在不同类型癌症的生物标志物和代谢物驱动分析中的应用。
讨论
研究者已经详细说明了基于1H-NMR的重整代谢的用法，同时展示了如何利用这些技术鉴定治疗靶标和疾病生物标志物的具体实例。代谢组学现在已经成为生物医学研究中公认的主流工具。代谢物在癌症微细胞环境的调节中可以充当表型可塑性的控制元件。代谢物是表型状态的生物标志物，目前已受到广泛关注。代谢途径的筛选可以使用代谢组学来实现，但仍需要进行一些优化从而提高鲁棒性。本研究讨论了基于1H-NMR的代谢物活性和/或小分子的完整分析，以及NMR理论和化学计量学的基础知识。核磁共振技术的发展意味着对生物流体中发现的高度复杂分子进行了研究，从而在分子水平上生成结构和功能概况。
代谢工程研究在癌症微环境中以1H-NMR的代谢调控和通量组学为基础，可以揭示复杂的癌症途径和相互作用网络。算法、靶向分析、癌症代谢物的定量与癌症微环境相关。代谢组学已经成为一种有价值的适应性技术，其在不同的癌细胞中做出了突出贡献。这篇综述主要关注了有助于研究人员有效开发抗癌治疗新陈代谢的各种工具。系统生物学中的代谢工程和分子表型可塑性可以调节目标系统的影响。研究者得出的结论是，基于1H-NMR的代谢物成像是一种有前途的工具，其可用于新药研究。最后，研究者期待着用于临床治疗的代谢组学分析不断发展，从而减轻癌症相关研究的负担。
评论
代谢组学作为一门研究某一时刻细胞内所有代谢物的学科，能够很好地反映代谢物所处的细胞微环境、代谢物与细胞营养状态、药物和环境污染之间的作用等等信息，在生物医学等领域应用广泛。在代谢组学的研究中，核磁共振波谱法可以很好地弥补质谱方法中的不足，能够更好地分析代谢产物。
本综述中，作者系统介绍了核磁共振光谱学、癌症代谢组学、化学计量学等方面的基础知识，全面介绍了基于核磁共振光谱学进行代谢组学研究时所能用到的软件及网站等工具，并列举了一些癌症相关研究的实例，有助于科研人员快速了解基于核磁共振的代谢组学在癌症靶向和代谢工程中的研究进展！
如果需要原文pdf，请扫描以下二维码，加助理获取