代謝組鑒定質控標準正式建立

　　 蛋白質組和代謝組技術都基于質譜，但相比于蓬勃發展的蛋白質組學技術，代謝組雖然技術流程更簡單，但其應用卻一直十分緩慢。究其原因，是因為蛋白質組學卻很早就基于Target-Decoy策略建立了FDR（假發現率）質控策略，可以保證鑒定結果的可靠性；而代謝組全譜鑒定一直缺乏有效的質控手段對鑒定結果進行質控，導致鑒定結果十分不可靠。

　　不同的平臺、流程和分析軟件對于代謝組鑒定結果的質量評估方法參差不齊，甚至沒有任何質量控制可言，假陽性鑒定比例相當高。有人曾借鑒蛋白質組學質控的Target-Decoy策略，對代謝組鑒定結果進行質控，但由于難以獲得可靠的代謝物的誘餌庫，該策略長期以來不被認可。

　　2020年3月26日，暨南大學生命科學技術學院張弓教授團隊和深圳市數字生命研究院人工智能實驗室在Analytical Chemistry（化學一區）上發表論文，對全譜（即非靶向）代謝組鑒定建立了一個可靠的FDR質控方案。該方案最主要的貢獻是建立了一種新的代謝物的誘餌庫生成方法，基于參考庫的隨機信號生成法的基礎上，在誘餌譜圖中添加適當比例的原始譜圖信號，其生成的誘餌庫不僅與目標庫具有相似的特性，同時能夠提高鑒定結果FDR評估的準確性。

　　實測表明，該方法可以將FDR控制到0.01的水平，與當前蛋白質組學界的嚴格標準相當；FDR的估計值與真實值幾乎一致；鑒定結果中的假陽性比例很低，并且譜圖歸并到代謝物的有效利用率提高。而傳統的方案仍然存在著大量的假陽性。

　　這一質控方案的成功，標志著代謝組全譜鑒定首次有了一個可靠的質控標準，這無疑將為代謝組的廣泛應用鋪平道路。

　　為了便于其他學者的應用和研究，該文章第一作者李德華自主設計和實現新方法的誘餌庫生成和譜圖匹配算法，并將整個代謝組鑒定過程封裝成軟件,命名為XY-Meta，提供免費下載 (https://github.com/DLI-ShenZhen/XY-Meta)。XY-Meta不僅具有高效的計算性能，還能夠實現代謝組迭代搜索和開放式搜索，能夠為不同的研究問題提供靈活的搜索方案。