1.1 从表型到小分子的科学

1.1 从表型到小分子的科学

代谢组学研究的是生物体内分子量小于约 1500 Da 的小分子代谢物全集——葡萄糖、乳酸、氨基酸、脂质、胆汁酸、激素……它们是酶促反应的终产物，直接反映细胞当前的生理状态。

一个反例开场

两个病人的肿瘤基因组测序结果几乎一样，预后却天差地别。基因层面的解释力在这里断了。但测他们血浆里的乳酸、色氨酸代谢物、磷脂谱，常常能分出两个亚群——因为肿瘤细胞实际"吃"什么、"排"什么，是基因测不出来的。代谢组学就是冲着这个缺口来的。

它 1990 年代末才成形，比基因组学晚了十几年，原因很实际：代谢物太杂。DNA 由四种核苷酸组成、蛋白质由 20 种氨基酸组成，而人体内源代谢物估计有上万种，横跨极性、脂溶性、带电、中性、易挥发、热不稳定各种性质，没有一种仪器能一网打尽。这是代谢组学一切方法学矛盾的根源。

研究对象的三个数量级

从"检测到"到"鉴定"之间隔着一个数量级的鸿沟，这个鸿沟在第 5 章会专门处理。

它在组学家族里的位置

中心法则是一条单行道：DNA → RNA → 蛋白 → 代谢 → 表型。但代谢组还有一个别的组学没有的特点——外源输入多。你昨晚吃的那顿火锅、上周的抗生素、肠道里的菌群，都直接改写代谢物谱。这让代谢组既是"最敏感的表型传感器"，也是"最容易被混杂因素污染的层"。

⚠️ 常见坑：临床代谢组学研究里，最大的混杂往往不是疾病，而是采样时间（晨起与下午的皮质醇差数倍）和近期饮食。设计阶段不控，数据阶段救不回来。

本节要点回顾

• 定义：代谢组学 = 对小分子代谢物（< 1500 Da）的系统级测量与解读
• 历史晚点的原因：代谢物化学多样性远超核酸与蛋白，单一平台测不全
• 层次位置：基因表达链条的最下游，外加环境与菌群的直接输入
• 敏感性是双刃剑：信号丰富，混杂也丰富
• 检测与鉴定差一个数量级：非靶向数据里大部分特征峰是"匿名"的

下一节把这门学科按"做法"拆成四种范式。

从中心法则到代谢终端：为什么要单独测代谢物

基因给出"可能发生什么"的指令清单，转录本反映"正在准备发生什么"，蛋白质执行"正在发生什么"，而代谢物记录"已经发生了什么、结果如何"。代谢组处于信息流的末端，距离表型最近：酶活的微小变化、转运体的开关、能量状态的偏移，最终都会落到代谢物浓度的变化上。这个位置决定了代谢组学的两个基本属性——信号放大（上游基因层面的中等扰动可能被代谢网络放大为浓度的大幅变化）与整合效应（代谢物是基因组、转录组、蛋白质组加上环境与微生物组共同作用的总和读出）。

代价是解释的复杂性：看到一个代谢物升高，无法直接倒推是哪一层出了问题。因此代谢组学的工作流里，"发现信号"只占三分之一，另外三分之二是"排除假信号"（批次效应、不稳定代谢物、污染）与"把信号放回通路语境"（第 5 章的通路分析）。理解这个分工，是避免"测了一堆峰、讲不出故事"的第一步。

规模感：人体代谢组到底有多少成员

HMDB 从 2007 年首版的 2500 条目涨到 5.0 版的 11 万条目，但其中"检测到且浓度可靠定量"的核心代谢物只有数千种——数量级与基因相当。这意味着代谢组学不是"测得越多越好"，而是"注释得越深越好"：能定量的几百种代谢物，往往比半注释的几千个峰更有生物学说服力。

一个最小实例：从浓度表到表型距离

import math
# 两组各 5 个样本、3 个代谢物的浓度矩阵（uM）
control = [[210, 45, 12.5], [225, 43, 11.8], [198, 47, 13.1],
           [205, 44, 12.2], [220, 46, 12.9]]
treated = [[232, 41, 15.2], [245, 39, 16.0], [228, 42, 14.8],
           [240, 40, 15.6], [236, 43, 14.5]]
def stats(rows, i):
    col = [r[i] for r in rows]
    m = sum(col)/len(col)
    v = sum((x-m)**2 for x in col)/(len(col)-1)
    return m, math.sqrt(v)
for i, name in enumerate(["葡萄糖", "乳酸", "琥珀酸"]):
    m1, s1 = stats(control, i); m2, s2 = stats(treated, i)
    # 简易效应量（合并标准差的 Cohen's d）
    sp = math.sqrt((s1**2 + s2**2)/2)
    print(f"{name}: 对照 {m1:.1f}±{s1:.1f} vs 处理 {m2:.1f}±{s2:.1f}, d={abs(m2-m1)/sp:.2f}")
​

三行输出里，琥珀酸的效应量最大（d 约 9）——尽管它绝对浓度最低。这正是代谢组学选指标的常见情形：浓度低不等于信号弱，效应量才是排序依据。此脚本的骨架（分组均值、离散度、效应量）会在第 5 章扩展成完整的差异代谢物筛选流程。

与相邻学科的边界划分

代谢组学（metabolomics）测全部可测代谢物，代谢物组（metabolome）指其集合；脂类组学（lipidomics）只测脂质但深度细分到分子种（sn 位点、双键位置）；代谢通量组学（fluxomics）测的不是浓度而是同位素标记随时间的重新分布；暴露组学（exposome）则把外源化学物（污染物、药物、食品添加剂）纳入同一测量框架。边界重叠处常生混称：一篇"代谢组学"论文若只报了三百种脂质，更准确的定位是脂类组学；反之，把暴露组信号与内源代谢物一起分析，正成为环境健康研究的主流设计。称谓的准确影响审稿人预期—— lipidomics 的读者会追问 sn 位置异构体的分离证据，metabolomics 的读者关心通路的覆盖平衡。

# 用一张检测报告判定研究属于哪个子领域
report = {"脂质种数": 280, "氨基酸/有机酸种数": 35, "是否同位素标记": False,
          "是否含外源物（污染物/药物）": False}
if report["脂质种数"] > 100 and report["氨基酸/有机酸种数"] < 50:
    field = "脂类组学（lipidomics）"
elif report["是否同位素标记"]:
    field = "通量组学（fluxomics）"
elif report["是否含外源物（污染物/药物）"]:
    field = "暴露组学导向"
else:
    field = "一般代谢组学"
print(f"按报告内容判定: {field}")
​