国产精品青青青高清在线观看_日本96在线精品视频免费观看_国产乱理伦片在线观看大陆_www在线小视频免费

                      洛宇生物,為人類更健康!
                      咨詢熱線:0871-68396621 hys@labreal.cn

                      測序服務

                      聯系我們contact
                      0871-68396621
                      hys@labreal.cn
                      昆明市盤龍區龍泉路871號茨壩生物創新中心B座2層

                      脂質代謝組分析

                      目    錄
                      • 產品介紹
                      • 常見問題
                      • 經典案例
                      • 結果展示

                      背景簡介
                      脂質是生物體內重要的一大類化合物,可分為8類,即:脂肪酸類(fatty acyls)、甘油脂類(glycerolipds)、甘油磷脂類(glycerophospholipids)、鞘脂類(sphingolipids)、固醇脂類(sterol lipids)、孕烯醇酮脂類(prenolipids)、糖脂類(saccharolipids)、多聚乙烯類(polyketides),雖然它們在結構上有很大的差異,但具有相同的特點,即:不溶于水,但溶于乙醚、氯仿和丙酮等非極性有機溶劑。脂質組學(lipidomics)作為最重要的代謝組學分支,在研究脂質運輸/合成/代謝異常、代謝綜合癥(糖尿病,心血管疾?。?,線粒體膜脂成分變化與功能及發育、衰老等方面具有重要作用。脂質代謝組學可以從系統水平上研究生物體內的脂質,揭示脂質分子及與其他生物分子間的相互作用,并作代謝通路分析,探討其與生理變化的相對關系,分析生物體的內在變化。此項技術廣泛應用于疾病診斷、疾病機理研究、營養食品科學、毒理學、植物學等相關領域。

                      技術優勢

                      高靈敏度:基于先進的LC- MS/MS分析技術,可檢測到pg級化合物。
                      高覆蓋度:檢測成百上千種脂質代謝物,勝任熱不穩定、不易揮發、不易衍生化等物質的檢測。
                      低成本:側重于相關特定組分共性研究,篩檢有意義脂質代謝產物,檢測成本較低。
                      跨組學分析:提供從基因組學、轉錄組學、蛋白質組學、到代謝組學的全程科技服務,深度剖析生物學現象。

                      技術路線


                      樣本類型

                      細胞,組織,尿液,全血,血清,血漿等
                      建議起始量(單次):血漿或血清>300 μL,尿液> 5 mL,組織> 100 mg,細胞>107個。

                       

                      Q1:樣本采集、處理時需要注意哪些事項?
                      A:樣本采集:血漿樣本建議使用EDTA或肝素鈉作為抗凝劑;動物尿液,如24 h大鼠尿液采集時需加入疊氮化鈉;組織樣本建議活體采集,若是動物樣本建議麻醉后采集,麻醉劑建議使用異氟醚;細胞樣本要避免細胞破裂。樣本處理:使用液氮快速冷凍處理樣本;血液樣本采集時一定要避免溶血;避免樣本反復凍融;使用干冰冷藏運輸。

                      Q2: 代謝物鑒定搜索的數據庫有哪些?
                      A :搜索的數據庫都是公共庫,KEGG、METLIN等等,精確度都在10ppm以內(一個分子量仍然會對應多個代謝物),如果庫里面有相應的二級譜圖,那么鑒定就可以更加的精確,后續如果要驗證的話,可購買標準品。

                      Q3:代謝組學全譜分析和脂質代謝組學分析有什么區別?
                      A:代謝組學全譜分析是對生物體內所有代謝物進行定量分析,并尋找代謝物與生理病理變化相對關系的研究方式,其研究對象是相對分子質量小于1000Da的小分子物質,如脂類、酮類、有機酸等。眾所周知,基因組學和蛋白質組學分別從基因和蛋白質層面探尋生命活動,但實際上細胞內許多生命活動是發生在代謝物層面的,如細胞信號釋放、能量傳遞和細胞間通信等都受代謝物調控。代謝組學全譜分析是通過單變量及多變量分析發現差異表達的代謝物信息,從而反映細胞所處的環境以及其與外界影響因素之間的相互作用關系。
                      脂質組學(lipidomics)是研究生物體的脂類組成,脂類代謝以及脂類相互作用的一門學科,是代謝組學最重要的分支。脂質具有多種重要的生物學功能,如物質運輸、能量代謝、信息傳遞及代謝調控等,脂質代謝異??梢l諸多人類疾病,包括阿茲海默癥、糖尿病、肥胖癥、動脈粥樣硬化等。

                       

                      類風濕性關節炎患者尿液中脂質的代謝組學分析

                      氧化脂質是炎癥研究中重要的信號代謝物,同時提供氧化應激讀數,因而成為大量疾病中顯著的生理學特征。尿液代謝物排泄能力的增強,會導致脂質介質親水性的提高。本研究選取正常人體尿液和類風濕性關節炎患者尿液,應用代謝組學技術對尿液中氧化脂質進行分析。分析結果顯示,尿液樣本中共檢測出70種以上的氧化脂質由兩種非酶和三種酶路徑合成。炎性介質和氧化應激標志物在提高疾病活動度評分方面發揮重要作用;抗炎性硝基脂肪酸與基線疾病活動性呈負相關關系。尿液中氧化脂質的代謝組學分析,對健康和患病人群生物活性代謝物作用的挖掘具有重要意義。


                      參考文獻
                      Fu J, Schoeman J C, Harms A C, et al. Metabolomics profiling of the free and total oxidised lipids in urine by LC-MS/MS: application in patients with rheumatoid arthritis[J]. Analytical & Bioanalytical Chemistry, 2016, 408(23):1-13.

                      多元統計分析(PCA分析)主成分分析將代謝物變量按一定的權重通過線性組合后產生新的特征變量,通過主要新 變量(主成分)對各組數據進行歸類,去除重復性差的樣本(離群樣本)和異常樣本 。因無外加人為因素,得到的 PCA 模型 反映了代謝組數據的原始狀態,有利于掌握此數據的整體情況并對數據從整體上進行把握,尤其是有利于發現和剔除異常樣品,并提高模型的準確性。通過 PCA分析所得 到的圖譜即稱為 PCA 得分圖(score scatter plot),每個樣本在圖上的位置由不同變 量的加權得分所決定。由 PCA 得分圖可以觀察樣本的聚集、離散程度:樣本分布點越靠近,說明這些樣本中所含有的變量/分子的組成和濃度越接近;反之,樣本點越遠離, 其差異越大。

                      多元統計分析(PLSDA分析)與 PCA 只有一個數據集不同,PLS-DA 在分析時必須對樣品進行指定并分組, 這樣模型會自動加上另外一個隱含的數據集 Y,該數據集變量數等于組別數。 PLS-DA 是目前代謝組學數據分析中最常使用的一種分類方法,它在降維的同 時結合了回歸模型,并利用一定的判別閾值對回歸結果進行判別分析。

                      差異代謝物層次聚類分析聚類分析被用于判斷代謝物在不同實驗條件下的代謝模式。代謝模式相似的代謝物具有相似的功能,或是共同參與同一代謝過程或者細胞通路。因此通過將代謝模式相同或者相近的代謝物聚成類,可以用來推測未知代謝物或者已知代謝物的功能。以不 同實驗條件下的代謝物的相對值為代謝水平,做層次聚類分析,不同顏色的區域代表不同的聚類分組信息,同組內的代謝表達模式相近,可能具有相似的功能或參與相同的生物學過程。

                      代謝物關聯網絡分析代謝物關聯網絡分析是根據代謝物信號值的動態變化,計算代謝物之間的共表達關系,來建立代謝相關調控模型,得到代謝物間調控關系及調控方向,從而尋找一個或多個物種在不同 發育階段,或者不同組織在不同條件或處理下的全部代謝物調控網絡模型以及關鍵代謝物,從而系統的研究生物體復雜的生命現象。通常梯度樣本進行關聯網絡分析才具有意義,例如時間序列樣本、不同發育階段、梯度濃度處理樣本等。

                      掃碼反饋

                      掃一掃,反饋當前頁面

                      咨詢反饋
                      掃碼關注

                      微信公眾號

                      返回頂部