药物发现中的代谢轮廓分析：了解代谢组学研究的影响因素与降低生物化学和化学噪音的策略

　　在制药行业中，代谢组学用于研究潜在候选药物的药理学响应所产生的生化变化，其识别毒性/药效标记物的能力可以显著加速药物研发的进程并帮助制定合适的临床计划。来自于液相色谱-质谱联用技术(LC-MS)的代谢轮廓实验数据，包含大量的化学噪音，常常干扰生物标记物的发现。本文采用全新的质谱技术和数据处理软件来降低动物实验中的化学背景，进而研究药物诱导的变化与动物年龄和营养的关系。

　　常规LC-MS代谢组学研究存在很多冗余的(一种组分有多个离子)和不相关的(化学噪音)数据。同时影响代谢轮廓的外部因素(年龄、营养)增加了生物多变性。由于许多化学物质是未知的，因此，在进行结构鉴定前过滤掉假阳性结果尤为重要。超高分辨率仪器结合超高效液相色谱(UHPLC)的分离可以提供足够的分辨率将代谢物与化学背景区分开，解决了化学噪音和数据冗余的问题。准确质量数能确保识别相关信号所需要的精细数据处理。此技术可大大减少数据量，并改进目标代谢物的定量。生物因素对代谢轮廓有着深远的影响，即使细小的代谢变化也会掩盖药物诱导的代谢效应。了解大鼠的正常代谢变化能使“生物噪音”降到最低，并提供更为可靠的药物相关的代谢变化信息。