不均一な生物学的サンプルからの標的メタボロミクスデータの大規模な分析は、代謝物のダイナミクスに関する洞察を提供します

はじめに：私たちは以前、2つの異なるクロマトグラフィー法、逆位相液体クロマトグラフィー（RPLC）と親水相互作用液体クロマトグラフィ（HILIC）に結合したタンデム質量分析ベースのラベルを含まない標的メタボロミクス分析フレームワークを開発しました。 目的：LC-MS/MSプラットフォームから生成されたRPLCおよびHILICメソッドの両方で生成された大規模な不均一なデータ大概要を分析して、生物学的複製グループの測定品質を体系的に評価し、代謝産物の豊富な変化と異なる生物学的条件にわたるパターンを調査することを目指しています。 方法：当社のメタボロミクスフレームワークは、がん細胞株、腫瘍、細胞外培地、原発性細胞、免疫細胞、オルガノイド、臓器（膵臓など）、組織、および血清を含む幅広い実験システムに適用されました。また、階層的クラスタリング、複製グループCV分析、相関分析、症例対照ペアの分析を含む計算および統計分析パイプラインも開発しました。 結果：RPLCメソッドとHILICメソッドの両方を使用して、635のサンプルを備えた42の不均一なdeidentifiedデータセットの大要を生成しました。いくつかの代謝経路に関与する不均一なデータセットのさまざまな表現型に対応する代謝産物の署名が存在します。RPLC法は、極アミノ酸を含むほとんどの代謝物のhilic法よりも全体的に優れた再現性を示しています。相関分析により、メチオニン、フェニルアラニン、タウリンなどの実験システムに関係なく、高い信頼性代謝産物が明らかになりました。また、ホモシスチン、還元グルタチオン、およびホスホエノールピルビン酸を、すべての症例対照ペアのサンプルで非常に動的な代謝物として特定します。 結論：我々の研究は、DMRMを使用したRPLCメソッドとHILICメソッドの両方で、ラベルフリーのLC-MS/MSターゲットメタボロミクスデータの体系的な分析のリソースおよび基準点として機能することが期待されています。

INTRODUCTION: We previously developed a tandem mass spectrometry-based label-free targeted metabolomics analysis framework coupled to two distinct chromatographic methods, reversed-phase liquid chromatography (RPLC) and hydrophilic interaction liquid chromatography (HILIC), with dynamic multiple reaction monitoring (dMRM) for simultaneous detection of over 200 metabolites to study core metabolic pathways. OBJECTIVES: We aim to analyze a large-scale heterogeneous data compendium generated from our LC-MS/MS platform with both RPLC and HILIC methods to systematically assess measurement quality in biological replicate groups and to investigate metabolite abundance changes and patterns across different biological conditions. METHODS: Our metabolomics framework was applied in a wide range of experimental systems including cancer cell lines, tumors, extracellular media, primary cells, immune cells, organoids, organs (e.g. pancreata), tissues, and sera from human and mice. We also developed computational and statistical analysis pipelines, which include hierarchical clustering, replicate-group CV analysis, correlation analysis, and case-control paired analysis. RESULTS: We generated a compendium of 42 heterogeneous deidentified datasets with 635 samples using both RPLC and HILIC methods. There exist metabolite signatures that correspond to various phenotypes of the heterogeneous datasets, involved in several metabolic pathways. The RPLC method shows overall better reproducibility than the HILIC method for most metabolites including polar amino acids. Correlation analysis reveals high confidence metabolites irrespective of experimental systems such as methionine, phenylalanine, and taurine. We also identify homocystine, reduced glutathione, and phosphoenolpyruvic acid as highly dynamic metabolites across all case-control paired samples. CONCLUSIONS: Our study is expected to serve as a resource and a reference point for a systematic analysis of label-free LC-MS/MS targeted metabolomics data in both RPLC and HILIC methods with dMRM.