Pourquoi Metabolon?

Quantification

La spectrométrie de masse est une technologie intrinsèquement semi-quantitative et très sensible qui mesure les différences de quantité relative d'un métabolite individuel, exprimées par les variations d'intensité du pic du métabolite dans des échantillons comparatifs. La quantification peut être relative (analysée par rapport à un échantillon de référence) ou absolue (analysée à l'aide d'une méthode de courbe standard).

Approches métabolomiques de la normalisation

La normalisation des échantillons en métabolomique est essentielle pour obtenir des informations biologiques précises, mais il faut être prudent en raison de la diversité des structures et des comportements des métabolites. Il existe différentes approches de normalisation, y compris des méthodes qui ajustent :

  1. Sur la base de l'intensité du signal de l'échantillon, par exemple en divisant la valeur d'intensité de chaque caractéristique ou pic détecté dans l'échantillon par l'intensité totale de l'échantillon entier (normalisation du nombre total d'ions (TIC)) ;
  2. Sur la base de l'intensité du signal individuel de chaque métabolite. Les exemples incluent 1) la division de la valeur d'intensité de chaque métabolite par son intensité médiane dans les échantillons expérimentaux ou 2) la division de la valeur d'intensité de chaque métabolite par son intensité médiane dans les échantillons de contrôle. Les échantillons de contrôle représentent une matrice QC qui, idéalement, est regroupée à partir d'échantillons représentatifs de la population étudiée (si cette option n'est pas disponible en raison des limitations des échantillons ou de la faisabilité, Metabolon maintient des matrices QC regroupées pour plusieurs types d'échantillons différents).
Approches métabolomiques de la normalisation
Métabolomique globale non ciblée - Quantification relative

Métabolomique globale non ciblée - Quantification relative

En métabolomique non ciblée, il n'existe pas de méthode standard pour mesurer directement la quantité totale de métabolites. Cependant, Metabolon a réalisé des analyses approfondies étayées par des publications et a constaté que la deuxième approche susmentionnée était nettement plus performante que les autres méthodes.1

"Lors de la normalisation des données métabolomiques, il est important que la méthode corrige de manière appropriée la variation systématique tout en préservant la variation biologique", déclare Greg Michelotti, directeur principal de la stratégie scientifique et translationnelle chez Metabolon.

Dans une étude réalisée en 2018, nous avons déterminé la meilleure façon de normaliser les données métabolomiques à partir de l'analyse d'échantillons de plasma obtenus auprès de participants à l'Insulin Resistance Atherosclerosis Study (IRAS).1 Dans cette cohorte, 1 716 échantillons ont été analysés à l'aide du Metabolon Global Discovery Panel. L'analyse d'un tel nombre d'échantillons a nécessité entre 13 et 15 passages d'instruments par bras de la plateforme. L'analyse résultante a mesuré 1 274 métabolites. Le profilage métabolomique non ciblé a été comparé à un panel ciblé distinct pour un sous-ensemble de métabolites représentatifs de plusieurs classes biochimiques. Dans cette étude, nous avons montré que les méthodes de normalisation qui reposent sur des ajustements spécifiques aux métabolites sont nettement plus performantes que les méthodes qui procèdent à des ajustements pour chaque échantillon, telles que la normalisation du nombre total d'ions (TIC).

Normalisation métabolomique pour la quantification relative

Dans de nombreux cas, les normalisations basées sur les échantillons ont donné de moins bons résultats que l'absence de normalisation. La correction par la valeur médiane du lot des échantillons expérimentaux (MED) peut donner de bons résultats dans diverses applications : pour chaque métabolite, diviser les surfaces de pic brutes d'un échantillon par la médiane des surfaces de pic brutes de tous les échantillons du même lot d'instruments.

Cependant, supposons que l'on veuille exploiter un très petit ensemble et le fusionner avec des ensembles de données antérieurs ou comparer les valeurs de deux ensembles de données différents. Dans ce cas, il est généralement préférable de normaliser à l'aide d'échantillons de contrôle intermédiaires (BRDG) : pour chaque métabolite, diviser les surfaces brutes des pics pour un échantillon donné par la médiane des surfaces brutes des pics des échantillons de contrôle intermédiaires. Le principal inconvénient du BRDG est que les métabolites qui ne sont pas présents dans les échantillons de contrôle ne peuvent pas être normalisés.1

Normalisation métabolomique pour la quantification relative
Métabolomique ciblée - Quantification absolue

Métabolomique ciblée - Quantification absolue

La métabolomique ciblée peut tirer parti de la quantification absolue puisque le panel ou l'essai peut être optimisé pour des composés spécifiques. L'optimisation améliore la sensibilité et la spécificité, mais sacrifie une large couverture des analytes. La quantification absolue signifie que les métabolites peuvent être quantifiés sur la base d'une quantité connue à l'aide de la méthode de la courbe standard. Une courbe standard ou une courbe d'étalonnage est une méthode générale permettant de déterminer la concentration d'une substance dans un échantillon inconnu en comparant l'échantillon inconnu à un ensemble d'échantillons standard de concentration connue. La quantité de métabolites dans un échantillon est indiquée sous forme de concentration (par exemple, 21,5 ng/mL). Vous pouvez utiliser la quantification absolue lorsque vous souhaitez comparer des données dans le temps. Ce type de quantification est utile lorsque vos données sur les biomarqueurs s'étendent sur plusieurs études et lots ou comprennent des données de tests diagnostiques.

Références

1. Wulff, Jacob E., et Matthew W. Mitchell. "Une comparaison de diverses méthodes de normalisation pour les données métabolomiques LC/MS". Advances in Bioscience and Biotechnology 9.08 (2018) : 339.

Découvrez comment Metabolon peut vous aider à obtenir des informations précliniques et cliniques.

Pourquoi Metabolon?

Une fois que l'on a compris toute la valeur de la métabolomique, il ne reste plus qu'à savoir qui la pratique le mieux. Si de nombreux laboratoires disposent de capacités de profilage des métabolites ou de chimie analytique, les technologies métabolomiques complètes sont extrêmement rares. L'identification précise et non biaisée des métabolites dans l'ensemble du métabolome pose des problèmes de rapport signal/bruit que très peu de laboratoires sont en mesure de résoudre. En outre, la traduction de quantités massives de données en informations exploitables est lente, voire impossible, pour la plupart des laboratoires, car une interprétation correcte nécessite deux choses qui sont rares : l'expérience et une base de données complète.

Seul Metabolon possède les quatre capacités métabolomiques de base.

R

Couverture

Capacité d'interroger des milliers de métabolites dans divers espaces biochimiques, révélant de nouvelles perspectives et opportunités.

R

Comparabilité

Capacité à intégrer les données de différentes études dans le même ensemble de données, dans différentes zones géographiques et chez différents patients au fil du temps.

R

Compétence

Capacité à informer sur la conception d'une étude appropriée, à générer des données de haute qualité, à obtenir des informations biologiques et à formuler des recommandations exploitables.

R

Capacité

Capacité à traiter des centaines de milliers d'échantillons rapidement et à moindre coût pour répondre à une demande en forte croissance

Partenaire de Metabolon pour l'accès :

R

Une bibliothèque de plus de 5 400 métabolites connus, dont 2 000 dans le plasma humain, tous référencés dans le contexte des voies biochimiques.

  • C'est 5 fois plus que les métabolites du concurrent le plus proche.
R

Une expérience inégalée en matière d'analyse et d'interprétation des données métabolomiques afin d'obtenir des résultats significatifs.

  • Plus de 10 000 projets avec des centaines de clients
  • Plus de 3 500 publications couvrant 500 maladies, dont de nombreuses revues à comité de lecture telles que Cell, Nature et Science.
  • Près de 40 docteurs en science des données, en biologie moléculaire et en biochimie

Grâce à notre plateforme robuste et à nos outils de visualisation, nos experts sont en mesure de vous en dire plus sur votre molécule et de développer des panels d'essais pour vous aider à obtenir les résultats dont vous avez besoin.

Nous contacter

Parler avec un expert

Demandez un devis pour nos services, obtenez plus d'informations sur les types d'échantillons et les procédures de manipulation, demandez une lettre de soutien ou posez une question sur la façon dont la métabolomique peut faire avancer votre recherche.

Siège social

617 Davis Drive, Suite 100
Morrisville, NC 27560

Adresse postale :
P.O. Box 110407
Research Triangle Park, NC 27709

+1 (919) 572-1711

+1 (919) 572-1721

Siège international

Metabolon GmbH

Zeppelinstraße 3
85399 Hallbergmoos
Allemagne

+49 89 99017752

Références

1. Zgoda-Pols, J.R., et al., Une analyse métabolomique révèle une élévation du sulfate de 3-indoxyle dans le plasma et le cerveau lors d'une lésion rénale aiguë d'origine chimique chez la souris : étude des agonistes des récepteurs de l'acide nicotinique. Toxicol Appl Pharmacol, 2011. 255(1) : p. 48-56.

2. Bryant, J.A., et al., L'impact d'un traitement oral à base de microbiome purifié sur le microbiome gastro-intestinal. Nat Med, 2026. 32(1) : p. 186-196

3. McGovern, B. H., et al., « SER-109, un médicament expérimental ciblant le microbiome visant à réduire les récidives après une infection à Clostridioides difficile : enseignements tirés d'un essai de phase II ». Clin Infect Dis, 2021, 72(12), p. 2132-2140.

4. Feuerstadt, P., et al., SER-109, un traitement oral à base de microbiome contre les infections récurrentes à Clostridioides difficile. N Engl J Med, 2022. 386(3) : p. 220-229.

5. Hu, Z., et al., La métabolomique ciblée met en évidence de nouveaux biomarqueurs diagnostiques du cancer colorectal. Mol Oncol, 2025. 19(6) : p. 1737-1750.

6. Butler, F.M., et al., Les habitudes alimentaires végétariennes et les métabolites liés à l'alimentation sont associés à la fonction rénale dans la cohorte de l'étude Adventist Health Study-2. J Ren Nutr, 2025.

7. Stanford, J., et al., « Profilage métabolomique et évaluation de la qualité de l'alimentation dans le cadre d'un essai croisé randomisé portant sur des régimes alimentaires sains et courants ». Mol Nutr Food Res, 2025. 69(23) : p. e70271.

8. O’Connor, L.E., et al., Profilage métabolomique d’un régime alimentaire ultra-transformé dans le cadre d’un essai alimentaire croisé randomisé et contrôlé mené à domicile. J Nutr, 2023. 153(8) : p. 2181-2192.

9. Fritsch, D.A., et al., La fonction du microbiome est à la base de l'efficacité d'une intervention alimentaire enrichie en fibres chez les chiens souffrant de diarrhée chronique du gros intestin. BMC Vet Res, 2022. 18(1) : p. 245.

10. Leal, L.N., et al., « Un apport nutritionnel adéquat avant le sevrage améliore la productivité laitière et réduit le risque d'abattage chez les vaches Holstein ». J Dairy Sci, 2025. 108(6) : p. 5875-5888.

11. Ahsin, M., et al., La santé des sols et des pâturages est à l'origine de l'amélioration de la densité nutritionnelle de la viande bovine, telle que déterminée par la métabolomique non ciblée dans les systèmes d'élevage bovin nourri à l'herbe du sud des États-Unis. NPJ Sci Food, 2025. 9(1) : p. 151.

12. Yin, W., et al., Profil lipidique plasmatique chez différentes espèces pour l'identification de modèles animaux optimaux de la dyslipidémie humaine. J Lipid Res, 2012. 53(1) : p. 51-65.

13. Porter, F. D., et al., Les produits d'oxydation du cholestérol constituent des biomarqueurs sanguins sensibles et spécifiques de la maladie de Niemann-Pick de type C1. Sci Transl Med, 2010. 2(56) : p. 56ra81.

14. Needham, B. D., et al., Profils des métabolites plasmatiques et fécaux dans les troubles du spectre autistique. Biol Psychiatry, 2021. 89(5) : p. 451-462

15. Li, C., et al., L'estradiol et mTORC2 agissent en synergie pour favoriser la biosynthèse des prostaglandines et la tumorigenèse dans les cellules LAM déficientes en TSC2. J Exp Med, 2014. 211(1) : p. 15-28.

16. Green, P.G., et al., Flexibilité métabolique et remodelage inverse du cœur défaillant chez l'homme. Eur Heart J, 2025. 46(25) : p. 2422-2433.

17. Maekawa, H., et al., L'inhibition du SGLT2 protège la fonction rénale grâce à une répression épigénétique, dépendante de la SAM, des gènes inflammatoires en cas de stress métabolique. J Clin Invest, 2025. 135(19).

18. Wu, D., et al., Des criblages intégrés révèlent que la déplétion en nucléotides guaniniques, rendue irréversible par le ciblage de l'IMPDH2, inhibe le cancer du pancréas et potentialise l'inhibition de KRAS. Gut, 2026.

19. Schwerdtfeger, L.A., et al., Le microbiote intestinal et ses métabolites sont associés à la progression de la sclérose en plaques. Cell Rep Med, 2025. 6(4) : p. 102055.

20. Wu, H., et al., Dynamique du microbiome et du métabolome associée à un mauvais contrôle glycémique et aux réactions aux changements de mode de vie. Nat Med, 2025. 31(7) : p. 2222-2231.

21. Jacobs, J.P., et al., La thérapie cognitivo-comportementale pour le syndrome du côlon irritable entraîne des modifications bidirectionnelles de l'axe cerveau-intestin-microbiome associées à une amélioration des symptômes gastro-intestinaux. Microbiome, 2021. 9(1) : p. 236.

22. Pietzner, M., et al., « Les métabolites plasmatiques pour cartographier les voies métaboliques dans la multimorbidité liée aux maladies non transmissibles ». Nat Med, 2021. 27(3) : p. 471-479.

23. Faquih, T.O., et al., « Prédiction métabolomique robuste de l'âge à partir d'un large éventail de métabolites ». J Gerontol A Biol Sci Med Sci, 2025, vol. 80, n° 3.

24. Scherer, N., et al., « L'association de la métabolomique et du séquençage de l'exome met en évidence des effets graduels de variants hétérozygotes rares et délétères sur la fonction des gènes et les traits humains ». Nat Genet, 2025. 57(1) : p. 193-205.

25. Holmes, Z.C., et al., Une analyse métabolomique non ciblée du lait maternel provenant de mères en bonne santé met en évidence les facteurs à l'origine de la variabilité des métabolites. Sci Rep, 2024. 14(1) : p. 20827.

26. Titz, B., et al., Implications des facteurs de confusion oculaires pour les analyses protéomiques et métabolomiques de l'humeur aqueuse dans les maladies rétiniennes. Transl Vis Sci Technol, 2024. 13(6) : p. 17.

27. Bloom, S.M., et al., La dépendance en cystéine de Lactobacillus iners constitue une cible thérapeutique potentielle pour la modulation du microbiote vaginal. Nat Microbiol, 2022. 7(3) : p. 434-450.

28. Leimer, E.M., et al., Profil lipidique du liquide synovial humain à la suite d'une fracture intra-articulaire de la cheville. J Orthop Res, 2017. 35(3) : p. 657-666.