食品科学里的代谢组学分析综述_精品文档Word文档下载推荐.docx

食品科学里的代谢组学分析综述_精品文档Word文档下载推荐.docx

《食品科学里的代谢组学分析综述_精品文档Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《食品科学里的代谢组学分析综述_精品文档Word文档下载推荐.docx（18页珍藏版）》请在冰豆网上搜索。

靶标分析在未确定条件下对于混合代谢组中反应评估很重要。

靶标代谢组学分析特殊要求样品高纯度和单一选择性提取。

相反，非靶标代谢组学分析主要探测代谢分子群组，尽可能获取代谢模式及代谢物指纹，对特殊代谢物无识别和定量分析要求。

非靶标分析已被用于生物学的可识别指纹分析，如植物病。

基于特殊目标物的分析和数据处理，多数代谢物组学研究也被分为代谢物识别、信息获取、可预测性研究（见图.1）。

图1:

代谢组学一般分类

代谢组学

萃取

------------------------------------------------------------------------------------------------

靶标分析

非靶标分析

样品准备

数据处理

-----------------------------------------------------------------------------------------------

信息获取

预测结果

物质识别

标记物识别分析主要在于发现样品数量的不同，没有必要创建统计模型或评估可能的路径来说明这些差异。

葡萄酒的分类常通过葡萄品种和生产区及发酵代谢技术来区分。

通常用多元数据分析技术获得代谢物的识别与最大化的分类，此方法在主成分分析中成为应用最多。

主成分分析与其他多元数据分析在其他领域也广泛谈到。

相反，信息代谢组学分析主要对目标物的定性、定量分析，或对非靶标代谢物分子获取内在信息。

代谢物数据库应用不断发展和更新，如人类代谢物数据库。

通过信息代谢组学可以进行对可能的代谢路径分析、新生物活性物的发现、生物标记物的发现、特殊代谢数据库的创建、代谢物的功能研究。

一些代谢组学报告提出，基于代谢物轮廓的统计模型大量被创建，它可用于其它方法很难定量的可预测变量。

如对绿茶感官质量的预测代谢数据模型已被开发。

这些模式产生通常通过偏最小二乘法实现，本文在数据处理部分将会讨论。

在食品科学中代谢组学被用于食品研究、解决主要问题方面应用很广泛，很具有潜力。

如植物健康、甚至物种起源，而且代谢组学被认为是未来一项解决农业和人类营养最有用的工具。

代谢物识别、信息获取、可预测代谢组学近期已被联合应用于食品质量、营养分析、组分分析，并在其他领域应用不断普及。

本文从代谢物提取、分离、检测、数据处理及在食品质量、安全性、规范性、微生物、加工处理方面深入讨论代谢组学在食品中的应用前景。

代谢组学分析过程

代谢组学分析过程包括依次为样品准备、代谢物提取、衍生化处理、代谢物分离、检测、数据处理（图.2）。

但每步并不是总要做，仅检测和数据处理在所有代谢组学研究报告中是必不可少的。

这些步骤的选择取决于研究对象特殊性（非靶标\靶标分析）、样品类型（固体\液体）、所用分离设备（GC\LC）、检测方法（MS\NMR）。

表1总结了近期代谢组学研究在食品分析中的应用。

图.2:

代谢组学分析示意图

样品准备

如固体样品苹果皮和土豆样品制备是典型的一组需在液氮冷冻或冷冻干燥后保存。

在提取时适当的研磨样品。

可提高代谢组分的释放。

由于样品水分含量不同，冷冻干燥法作为一种浓缩步骤，需尽可能最大限度减少代谢物差异。

类似蜂蜜这类浓缩液样品在处理初始阶段需先进行稀释，而大量信息最大化的收集，在浓缩阶段比较合适。

对于酒中代谢物和橄榄油中挥发性成分的浓缩分别用冻干法、固相微萃取。

提取

最初提取目的是数量上最大化和目标化合物浓缩。

由于这个原因，提取是在代谢组学分析中最关键的一步。

非靶标代谢组学分析中所涉及的自然化合物大多是未知的。

因此，许多提取溶剂和提取方法应该测试、对比。

许多报告在非靶标样品分析中并未提及最初的萃取溶剂比较。

然而，萃取方法在食品分析中的应用大都类似，并经对比分析研究选出最佳方法。

如非食品植物代谢组学，例如：

甲醇—水—三氯甲烷不同比例溶剂显示要更利于其它溶剂对植物非靶标物的研究。

此法在拟南芥亲水性和疏水性化合物的提取中得以应用。

因此，甲醇—水—三氯甲烷用于绿茶、土豆及其它食品的可预测研究中。

对于非靶标分析中连续提取溶剂的选择可根据所要提取代谢物分析结果来预测。

最初在实验中对疏水物提取（典型的有甲醇—水）是通过离心和疏水性提取颗粒（典型的有三氯甲烷）来完成。

Capanoglu,Beekwilder,Boyacioglu等人从番茄酱亲水部和疏水部中连续提取出大量的不同化合物。

相反，在其他食品分析如土豆、蘑菇中类似情况很少或疏水部无样品识别，并且在其他领域也有类似现象。

如植物叶片分析中提出代谢组学识别多为亲水性提取物。

疏水提取主要用于非靶标食品分析中，如苹果和西兰花分析中常用甲醇或甲醇/水进行分析，有些代谢物萃取利用重水通过NMR分析也比较常见。

Chen,Wortman等人提出对冷冻肉代谢物的提取有更新颖的方法，主要在肉表面解析气体目标物后进一步提取代谢物进行电离和检测。

McDougall,Martinussen等人提出对于靶标分析物的提取最先可依据常识或经验。

他们使用水和醋酸混合从果酱中提取多酚物，并用热水对西兰花和芥菜籽中的目标物芥子油甙进行了分析。

超声处理通常可同时进行对非靶标物和靶标物的部分提取。

此方法提取效果可被最大化、大量代谢物被获得，减少了提取时间及干扰因素。

衍生化处理

在食品代谢组学中，衍生化普遍被用于GC分析前，主要为了增加分析结果的波动性。

Gullberg等人对样品肟的衍生化处理，、分为两个过程：

醛基转化和酮类转化为肟类化合物，主要是为了减少互变异构化（特别是单糖），其后通过甲硅烷基化以减少挥发性、并减少OH、SH、NH功能团的亲水性。

目前几种肟化和甲硅烷基化试剂已曾被测试，根据对衍生化反应间的对比研究发现，有报告提到在对肟化反应和甲基烷基化中吡啶环酸苷和N-甲基-N-三甲基甲醇甲硅基三氟乙酰胺分别是最适合的试剂。

在食品分析中，Beckmann,Enot,Overy等人通过实验已证明这些试剂可提高从土豆及其他产品中代谢物的GC分离。

Ma,Wang等人研究发现反应开始后各个代谢物随衍生化次数和温度影响而改变。

因此，为获得被测物可靠数据，在实验开始时应先确定最佳的衍生次数和温度。

Beckmann等人在食品代谢组学分析中，进行多次甲硅烷基化反应发现在37℃进行90分钟其结果较好。

分析与检测

在代谢组学轮廓（谱）分析中代谢物的分离与检测认为最关键的步骤，特别注意已有的分离技术。

如LC中的HPLC的高性能和UPLC的超高性能模式、气相色谱（GC）、毛细管电泳（CE），也有这些设备联用的检测技术，如Bedair、Sumner、Rochfort、Wishart等人已对MS、NMR、NIR这些仪器的工作原理和联合应用技术在代谢组学中的适用性做过广泛讨论。

在食品代谢组学分析中，许多分离分析通过GC、CE、LC已实现（见表1）。

其它文章中也讨论过食品分析中这些技术的优缺点及适用性。

一些非常规技术，如离子迁移率光谱测定也用于食品代谢物分析，其原理是在惰性气体离子存在下被分离物通过反向流动气体而被分析。

Vaut等人报告谈到此方法已用于奶酪、啤酒、食品包装材料等相关物质的分析。

检测方法大多为UV、NIR、MS、NMR技术，在食品代谢物分析中MS和NMR使用最多（见表1）。

大量数据的获得通常使用MS和高通量分离技术联用。

例如：

HPLC或UPLC的联用（见图2）。

Tarachiwin,Ute,Kobayashi,Fukusakii、Pongsuwan等人通过NMR、UPLC-MS对绿茶质量进行了分析，通过建立相关数据模型发现UPLC-MS分析比NMR获得更高的预测值，其原因可能是UPLC-MS检测到的大量峰所致。

然而，其它因素如样品的变异性也该考虑到，即使是其它检测技术不敏感的因素。

在代谢组学分析中NIR是一种可快速获取无损指纹的技术，如Cozzolino,Flood,Bellon,Gishen等人用此方法做了酒酵母菌种变异的研究。

另一种方法是直接进入质谱分析法，无需预先的分离步骤即可快速完成分析。

Luthria等人用此方法进行了西兰花的研究。

数据处理

代谢组学数据通常包括化合物鉴定和多变量分析。

化合物的鉴定是在同条件下通过所测数据库与标准数据的匹配和对比而得到。

在食品代谢组学大量的数据是通过化学计量工具处理。

特殊之处在于代谢组学数据处理常在调整设备偏差值之前需进行对比校正。

Son等人实验发现校正可以大幅度提高MVDA技术的性能。

如标准软件Metalign（一种峰对其软件）对LC-MS和GC—MS及CE数据的处理，也有相关报道指出可将校正程序写入MATLAB应用软件中进行处理。

代谢组学鉴定数据处理常用多变量方法。

如对样本组分的主成分分析（PCA）。

PCA通过创建新变量（重要组分）与代谢组学所测值线性组合，使样本变量最大化。

Luthria等人用此方法通过两个值对比分析及样品较重要组分分析进行了对西兰花代谢物种类鉴定及分组研究。

相反，偏最小二乘回归法（PLS）作为一种多元统计数据分析（MVDA）方法，通过对数据的降维处理并最大化与变量之间的相关性，即可进行样品区分。

PLS作为一项重要技术被用于预测代谢组学的研究，如Tarachiwin,Masako等人用此方法创建了西瓜感官评价的基础代谢物数据模型。

类似的，Cavaliere等人通过一种预先假设分类线性鉴别分析法（LDA）对橄榄油原产地进行分类鉴定。

在一些综述文献中PCA、PLS、LD分析工具广泛被讨论，并且相关技术在许多代谢组学信息研究中成功应用。

如相关关联性分析已成功应用于代谢物的分析和反应模型的创建。

如Ursem,Tikunov,Bovy等人用相关方法对番茄不同基因型的研究。

遗传程序设计（GP）作为另一种鉴定工具常被用于优化PLS模型的灵敏性和选择性，Donarski等人用此方法进行了蜂蜜产地的测定研究。

许多MVDA工具如PCA和PLS通过原始变量的线性组合减小数据的维数，可降低数据处理的复杂性。

相反，随机变量（RF）分析无需降低维数即可进行多元数据分析。

有人通过对土豆品种分类数据两两对比的随机变量分析发现，此方法精确度高达92%以上。

Beckmann等人用随机变量创建一个Mastermix土豆模型而得到大量土豆品种的区分。

表1展示了在食品中许多MVDA依靠PCA、PLS及其它线性分析方法。

很多人认为非线性结构相关数据不重要，然而在一些领域研究已证明非线性方法对数据维度的降低比线性工具好，如Lee,Rodriguez等人对基因和蛋白质表达研究。

在食品领域非线性方法应用于代谢组学数据分析没有报道。

而非线性PCA、自组织映射（SOM）、多维排列及其它非线性工具在食品中的应用潜能评估已有报道。

表1：

在食品分析中最常见的代谢组学过程

样品：

分析目标