公共代谢组学数据再利用：网络整合 + 统一注释，把散落的研究串成一张图

公共代谢组学数据库正以前所未有的速度膨胀。单是 EMBL-EBI 的 MetaboLights，提交的研究数已超过 15,000，涵盖 7,000+ 物种和样本类型。但数据 deposited 只是第一步，真正的问题在于：

• - 不同研究用了不同的仪器平台、色谱条件、数据格式；
• - 代谢物注释五花八门，有的用 ChEBI，有的用 RefMet，有的甚至没有标准 ID；
• - 提交者往往只上传自己关注的那部分显著代谢物，数据复用门槛很高。

这篇由帝国理工、EMBL-EBI、利物浦大学、UCSD 等团队发表在 Metabolomics 的工作，给出了一条可操作的解决路径。

▲ 图1｜6 个 COVID-19 血浆研究的差异代谢物共现概览（UpSet 图：纵向为各研究差异代谢物数，横向为跨研究共现组合）

1. 核心思路：两种网络，两类问题

作者把公共数据整合拆成两个互补的视角：

• - 代谢物级 meta 网络：针对“同一科学问题”的少量研究，把各研究中差异显著的代谢物作为节点，若两个代谢物在多个研究中同时出现，就建立一条边。目标是找出跨研究的稳健代谢标志物或通路。
• - 研究级全局网络：面向整个数据库的大量研究，以研究为节点，以它们检测到的代谢物重叠为边。目标是快速看清数据库里哪些研究技术路线相近、哪些疾病扎堆、哪些代谢物被测得最频繁。

两种网络都依赖同一个前提：代谢物标识必须统一。作者主要采用 ChEBI（用于 MetaboLights）和 RefMet（用于 Metabolomics Workbench）作为“通用货币”。

2. COVID-19 血浆案例：6 个研究怎么整合

作者挑选了 MetaboLights 上 6 个 COVID-19 血浆代谢组学研究（5 个 LC-MS + 1 个 NMR），覆盖健康/无症状对照到不同严重程度患者。对每个研究做 t 检验（FDR ≤ 0.05），差异代谢物数量从 9 到 759 不等，差异很大。

▲ 图2｜COVID-19 代谢物级共现网络：节点=差异代谢物，边=跨研究共现（仅保留 ≥2 个研究共现的节点）

把它们投影到同一张代谢物级 meta 网络上后，结果变得直观：

• - 网络共 82 个节点、907 条边（仅保留至少在 2 个研究中共同出现的代谢物）。
• - 只有 10 个代谢物 在至少 3 个研究中同时差异显著，没有出现跨 4/5/6 个研究的“万能代谢物”。
• - 几个高置信度节点包括：
• - oleamide（CHEBI:116314）：3/6 研究中差异显著，是一种内源性大麻素样脂质，近期也被报道与 COVID 严重程度相关；
• - 4-hydroxybenzaldehyde：同样在 3/6 研究中出现；
• - 5-oxo-L-proline（焦谷氨酸）：方向一致性高，被认为是 COVID-19 血浆中较稳健的升高标志物。

作者还专门做了通路级 meta 网络：用 ssPA-KPCA 把代谢物丰度映射到 Reactome 通路得分上，再在通路层面做差异检验。这样即使单个代谢物注释存疑，通路层面的生物学信号也更稳定。

▲ 图3｜外部验证：两个独立研究（MTBLS6739、MTBLS3852）中高共现代谢物的 t 统计量方向与幅度

3. 外部验证：新研究能否复现这 10 个代谢物

作者又找了两个未参与建库的独立 COVID-19 研究（MTBLS6739 和 MTBLS3852），专门看之前筛出的 10 个高共现代谢物在新数据里的表现。

箱线图显示，虽然研究规模、效应量、人群差异很大，但变化方向整体一致。其中 5-oxo-L-proline 在原 6 个研究中 3 个显著，再加上 1 个验证研究也显著，成为最被支持的候选标志物。这说明 meta 网络筛出来的节点确实有一定外推性。

4. 跨疾病比较：代谢物指纹能把疾病聚到一起

把视角放大到不同疾病，作者用 Metabolomics Workbench 中的研究构建了代谢物-研究二分网络，疾病包括：

• - COVID-19
• - hepatitis（肝炎）
• - tuberculosis（结核）
• - obesity（肥胖）
• - angina（心绞痛）
• - colorectal cancer（结直肠癌）
• - pre/post exercise（运动前后）

力导向布局下，疾病天然聚成几簇：

• - COVID 研究自己抱团；
• - 肝炎 + 结核 等炎症性疾病靠近；
• - 心绞痛 + 运动前后 等心血管相关研究靠近；
• - 肥胖、结直肠癌 也有各自的聚集区。

这意味着，差异代谢物谱本身就能反映疾病的生物学亲缘关系。

▲ 图4｜代谢物-研究二分网络：不同疾病表型按代谢物谱自动聚类

5. 统一注释的威力：LAMP 让网络节点数从 40 涨到 320

公共数据最大的痛点是注释不一致。作者用 LAMP（Liverpool Annotation of metabolites using Mass spectrometry） 对可提供 mzML 的 LC-MS 研究做了重新注释。

效果立竿见影：

• - MTBLS1866：提交者只给了 211 个 ChEBI，LAMP 后变成 837 个；
• - MTBLS2542：从 296 个变成 1,639 个；
• - MTBLS3852：从 51 个变成 456 个。

在 3 个可运行 LAMP 的研究中，总注释数和差异注释数平均分别提升了约 6 倍和 7 倍。重新构建 meta 网络后，节点数从原来的 40 个暴涨到 320 个，其中 90% 是新节点。L-phenylalanine 的研究证据数从 3 个增加到 4 个，跨研究一致性更强。

不过作者也提醒：LAMP 仅基于 MS1 精确质量（±5 ppm），属于 Level 3 注释，可能引入假阳性；若结合保留时间、MS/MS 可信度会更高。

▲ 图5｜LAMP 重新注释前后对比：meta 网络节点由 40 增至 320（其中 90% 为新节点）

6. 全局研究级网络：1,181 个研究的可视化地图

最后，作者用 Metabolomics Workbench API 抓取了 1,181 个 至少报告 100 个 RefMet 代谢物的研究，构建全局研究级网络。

统计结果：

• - 每个研究的中位 RefMet 注释数为 221；
• - 出现频率最高的前 20 个代谢物基本是氨基酸和有机酸（苯丙氨酸、谷氨酸、色氨酸、谷氨酰胺等），集中在中心碳代谢；
• - 按色谱技术给节点着色后，力导向网络明显按技术聚类：
• - 反相色谱（RP）分成两簇，一簇偏脂质组学，一簇偏水溶性代谢物；
• - 水溶性代谢物又与 HILIC、GC 研究共聚。

这张图告诉我们：技术平台本身在很大程度上决定了你能看到哪些代谢物。做跨研究整合时，如果忽视技术差异，很容易把“方法学批次”误读成“生物学信号”。

▲ 图6｜全局研究级网络：Metabolomics Workbench 1,181 个研究的 RefMet 注释分布与技术聚类

7. 我们能带走什么

• - 数据复用第一步是注释统一：ChEBI、RefMet 这类标准 ID 是跨研究对话的基础；没有统一 ID，再好的算法也连不起来。
• - 网络是直观的整合语言：代谢物共现网络能把“某研究显著”这种孤立信息，变成“多个研究共同支持”的集体证据。
• - 通路层面能缓冲注释噪声：当代谢物注释置信度参差不齐时，通路级 meta 网络可以聚合同一功能模块内的信号，降低假阳性影响。
• - 公共数据有巨大价值，但受限于提交质量：注释少、元数据缺、文件格式不统一仍是主要瓶颈。未来需要自动重注释流程 + 标准提交规范双管齐下。

8. 工具已开源

作者把整个流程打包成了一个 Python Dash web app，并用 Docker 容器化发布，方便跨平台部署。代码和示例数据可在 GitHub 获取：

https://github.com/EloisaRL/Metabolomic-data-analysis-app/tree/main

如果你想尝试把自己的数据与公共研究并联分析，这套框架是个不错的起点。