1.2 四种代谢组学范式

1.2 四种代谢组学范式

非靶向、靶向、通量组、脂组学是代谢组学的四种主要做法。它们的差别不在于仪器，而在于你要回答的问题：是"有什么不一样"（发现），还是"差多少"（定量验证），还是"流量走哪条路"（动态追踪）。

选范式就是选问题

很多新手纠结"该买哪个平台"，其实第一问应该是"我要回答什么问题"。四种范式对应四类问题，代价结构完全不同：

四范式对比矩阵

各自的典型剧本

非靶向：你不知道该测什么。血浆全扫一遍，捞出一批差异特征，回去鉴定——发现期工具，广但糙。

靶向：你已知要测 40 种氨基酸或 200 种脂质。三重四极杆逐个母离子→子离子对定量，配标准曲线，报告浓度单位是 μmol/L 而不是"峰面积"。临床检验的氨基酸筛查就是这一类。

通量组（fluxomics）：给细胞喂碳-13 标记的葡萄糖，在不同时间点追踪同位素在代谢网络里的去向，反推通路流量。样本少、时间点多，数学模型重。

脂组学：脂质结构有"头基 + 碳链 + 双键"三维命名空间，种类爆炸（数万级），演化出专门的提取流程（MTBE 法）与命名规则，实际上已自成一家。

💡 关键直觉：范式之间是接力关系不是竞争关系。一篇高质量研究往往是"非靶向发现 → 靶向在独立队列验证"两段式，直接拿非靶向数据做临床结论是审稿人最爱打的靶子。

本节要点回顾

• 范式选择由问题决定：发现选非靶向，定量选靶向，动态选通量组，脂质深挖选脂组学
• 非靶向广而糙：相对定量、鉴定多为暂定注释
• 靶向窄而准：绝对定量、低检出限，但只能测名单上的
• 两段式设计（发现+验证）是应用研究的标准姿势
• 脂组学因命名空间爆炸独立成军

下一节解释这套工具为什么值得用——代谢物离表型到底有多近。

四种范式的决策树与成本账

非靶向（untargeted）、靶向（targeted）、通量组学（fluxomics）、空间代谢组学（MALDI/DESI 成像）四条路线不是学术分类，而是项目启动时的预算决策。用一张成本-信息量表来定夺：

决策的经验法则：若研究问题是"有没有差异、差异在哪"，先跑小规模非靶向（每组 8–10 个生物学重复足够看到大效应）；若问题是"某通路是否上调、上调多少"，直接上靶向。最贵的错误是非靶向结束后再回头做绝对定量——两套仪器方法、两轮样本，成本翻倍。越来越多的实验室采用"warm-up 非靶向 + 靶向收尾"的两段式设计，第 3 章的统计功效节会给出样本量公式。

用小矩阵演示四种范式问出的问题

# 同一份数据，四种范式各自提取不同信息
# 行：样本；列：柠檬酸、α-酮戊二酸、谷氨酸（uM，模拟）
data = [[182, 35, 610], [175, 33, 595], [190, 38, 640],   # 对照
        [210, 52, 700], [225, 55, 715], [205, 49, 690]]   # 敲除
ctrl, ko = data[:3], data[3:]
for j, name in enumerate(["柠檬酸", "aKG", "谷氨酸"]):
    mc = sum(r[j] for r in ctrl)/3
    mk = sum(r[j] for r in ko)/3
    print(f"[非靶向视角] {name}: 变化 {(mk/mc-1)*100:+.0f}%")
ratio = lambda a, b: sum(r[a] for r in ko)/sum(r[a] for r in ctrl) /                      (sum(r[b] for r in ko)/sum(r[b] for r in ctrl))
print(f"[通量视角] 柠檬酸/aKG 比值变化 {ratio(0,1)-1:+.0f}% → TCA 中段阻滞线索")
print(f"[靶向视角] 谷氨酸绝对浓度 {sum(r[2] for r in ko)/3:.0f} uM，"
      f"是否超过文献参考区间需查 HMDB")
​

同一份数据，非靶向看到"三个都升了"，通量视角看到"比值失衡"，靶向视角回答"绝对浓度是否病理区间"。四种范式不是技术 rival，而是同一数据立方体的不同切面——成熟的代谢组学论文往往组合两个切面，一个负责发现、一个负责定量确认。

边界情况：范式之间的灰色地带

半靶向（widely targeted）方法近年兴起：用约 500–2000 个 MRM 离子对的大面板同时兼顾覆盖面与定量精度，介于两栏之间。选择它的场景是"样本珍贵且不允许重测"的临床队列。此外拟靶向（pseudo-targeted）先用非靶向建库再转 MRM，兼顾发现与验证，是国内多个团队推广的路线。范式选择没有唯一正解，只有与科学问题、样本量、预算的匹配度。

范式选择的反例集

清单之外，四种"失败选择"同样有教学价值。反例一：临床试验终点用非靶向收尾——非靶向的相对丰度无法满足药监部门对绝对定量的要求，方案会在注册阶段被退回。反例二：微生物短时程扰动研究用靶向面板——菌群-宿主互作的代谢物空间未知，两百个预定离子对大概率错过新信号，发现型问题配发现型工具。反例三：组织切片的空间异质问题用匀浆测——匀浆把空间信息平均掉，答非所问。反例四：预算只够单平台却追求"全谱"结论——覆盖残缺的全谱比聚焦的半谱更误导。每个反例的共同病灶是"工具先行于问题"，范式表的正确用法是先写清科学问题与决策需求，再倒查表格。

# 用规则脚本练习范式判断（可换成自己的项目描述）
def choose(novel_signal, absolute_quant, spatial, flux):
    if flux: return "通量组学（13C 标记 + 时间序列）"
    if spatial: return "空间代谢组学（MALDI/DESI 成像）"
    if not novel_signal and absolute_quant and n_targets := 40:
        return "靶向 MRM 面板"
    return "非靶向发现 + 靶向验证两段式"
print(choose(novel_signal=True,  absolute_quant=False, spatial=False, flux=False))
print(choose(novel_signal=False, absolute_quant=True,  spatial=False, flux=False))
print(choose(novel_signal=False, absolute_quant=False, spatial=True,  flux=False))
​