田菁，王宇哲,3，閆世雄，孫帥，賈俊靜，胡曉湘

綜 述

代謝組學技術發(fā)展及其在農業(yè)動植物研究中的應用

田菁1,2，王宇哲1,2,3，閆世雄4，孫帥4，賈俊靜4，胡曉湘1,2

1. 中國農業(yè)大學農業(yè)生物技術國家重點實驗室，北京 100193 2. 中國農業(yè)大學生物學院，北京 100193 3. 中國農業(yè)大學動物科學技術學院，北京 100193 4. 云南農業(yè)大學動物科學技術學院，昆明 650201

代謝組學是依賴靈敏、穩(wěn)定的分析流程和數(shù)據(jù)庫，利用色譜–質譜聯(lián)用、核磁共振技術對生物體內以及生物樣品所有的小分子代謝物進行鑒定和定量分析的學科，在醫(yī)學、食品科學、畜牧學、植物學等領域得到廣泛應用。代謝組學方法可將代謝物種類和含量的變化與生物表型變化建立更直接的聯(lián)系，因此代謝組學逐漸成為繼基因組學、轉錄組學、蛋白組學后對復雜性狀系統(tǒng)解析的新的研究手段。本文介紹了代謝組學常用分析策略、檢測平臺和常用數(shù)據(jù)庫。在此基礎上，綜述了代謝組學在農業(yè)動物重要經(jīng)濟性狀代謝分子鑒定、疾病診斷、肉品質及動物制品安全檢測等領域取得的進展，并總結了利用代謝組學、轉錄組學和基因組學等多組學研究在動植物重要性狀的發(fā)育、形成和解析等領域取得的最新成果。代謝組學與其他多組學方法整合分析，可以更全面地闡述各類復雜性狀的遺傳機制，有助于完善“突變–基因–表達–代謝–表型”的完整生物學過程，為復雜性狀的機理解析提供新方法，為新型農業(yè)育種提供新思路。

代謝組學; 廣泛靶向代謝組學；代謝組檢測平臺；農業(yè)動物；多組學聯(lián)合分析

代謝組是指生物體或細胞內所有小分子代謝物的集合，其分子量通常小于1000 Da，參與生物體的新陳代謝，維持生物體正常生長發(fā)育[1]。代謝組學來源于“代謝組”一詞，1997年Oliver等[2]正式提出了代謝組學(metabolomics)概念，主要是研究細胞、生物流體、組織或生物體中發(fā)生的代謝過程，是一個靜態(tài)的概念，對限定條件下的特定生物樣品中所有代謝物定性、定量分析，又稱為代謝物組學；隨后Nicholson等[3]在1999年從另一角度定義代謝組學(metabonomics)，即生物體對病理生理應激或遺傳修飾引起的代謝反應的定量測定，是生物系統(tǒng)進行整體及其動態(tài)變化規(guī)律的研究，通常應用于人類營養(yǎng)和對藥物或疾病的反應研究中，他們應用代謝組學在疾病診斷和藥物篩選等研究[4,5]中取得進展。代謝組學是研究細胞、組織和器官中所有小分子代謝物集合的一門學科，通過對小分子物質進行定性定量分析指示生物體的生化狀態(tài)，同時也可以尋找代謝物與機體生理病理、遺傳環(huán)境的變化等之間的相互關聯(lián)[6]。

隨著組學時代的到來，代謝組學已經(jīng)成為除基因組學、轉錄組學、蛋白質組學外的重要組學分支，共同組成系統(tǒng)生物學[7]。與其他組學相比，代謝組學具有以下特點：(1)小分子代謝物是基因組下游產物[8]，可以直接、準確地反映生物體的生理病理狀態(tài)；(2)代謝組是與表型組最接近的組學，可以利用代謝物的變化表征生物體不同的表型特征，得到更精確的表型數(shù)據(jù)；(3)代謝物在各個生物體中是類似的，所以代謝組學研究中采用的技術更容易在各個領域中通用。本文將從代謝組學的常用分析策略、檢測平臺的發(fā)展、代謝組學在農業(yè)動物不同研究領域中的應用及代謝組與其他多組學聯(lián)合應用等4個方面進行綜述，以期更好地理解代謝組學的發(fā)展現(xiàn)狀和應用前景。

1 代謝組學常用分析策略

對代謝物進行檢測的目的不同，選擇的策略也存在較大差異，目前常用的代謝組學研究策略包括非靶向代謝組學(non-targeted metabolomics)、靶向代謝組學(targeted metabolomics)和擬靶向/廣泛靶向代謝組學(pseudotargeted/widely targeted metabolomics)等。

1.1 非靶向代謝組學

非靶向代謝組學又被稱為發(fā)現(xiàn)代謝組學，對生物樣本的內源性物質進行全面系統(tǒng)的測定分析。主要特點為對樣本中代謝物分析的無偏向性，可以對樣本小分子物質整體輪廓進行表征和篩選，通過生物信息方法進行差異分析或通路分析。目前非靶向代謝組學被廣泛應用于生物標志物發(fā)現(xiàn)[9]、疾病診斷[10]、食品風味和安全[11,12]等多個領域。

常見的代謝組學分析樣本包括血漿、血清、尿液、組織和細胞等[7]，往往需要使用多個生物學重復來減小樣本個體差異帶來的誤差。樣品前處理即代謝物的提取對代謝物的檢測分析尤為重要，其中對小分子代謝物的累計富集和去除干擾測定的雜質物質是關鍵步驟[13]。目前主要的樣本前處理方法包括液-液萃取(liquid-liquid extraction, LLE)、固相萃取(solid-phase extraction, SPE)、超臨界流體萃取(super-critical-fluid extraction, SFE)、加速溶劑萃取(pres-surized-liquid extraction, PLE)、微波輔助萃取(micro-wave-assisted extraction, MAE)和蛋白質沉淀等[14]。

代謝組數(shù)據(jù)一般采用多元數(shù)據(jù)分析策略，通常包括主成分分析(principal-component analysis, PCA)、偏最小二乘判別分析(partial least squares discrimina-tion, PLS-DA)和正交偏最小二乘判別分析(ortho-gonal partial least squares discrimination, OPLS-DA)等[15]，結合檢驗和變量權重重要性排序(variable importance projection, VIP)值篩選差異代謝物或潛在生物標志物[16]，同時利用篩選得到的代謝物可以進行代謝通路富集、聚類等分析開展后續(xù)研究。其主要分析流程如圖1所示。

由于復雜樣本中代謝物質種類多、每種代謝物含量差異大且性質復雜，很難有一種提取方法可以將其中所有的代謝物提取出來[17]，同時非靶向代謝組學通常使用低分辨檢測平臺進行檢測。因此，受到以上條件的限制，某些代謝物信息容易丟失(尤其低豐度代謝物)，代謝物的鑒定和定量的準確性有待驗證，需要開發(fā)適用性更強的流程來滿足目前對于代謝組學研究中的要求。

1.2 靶向代謝組學

靶向代謝組學分析是對關注的幾個、幾十個或者幾類已知的目標化合物進行測定的技術。通常是利用非靶向代謝組學發(fā)現(xiàn)差異代謝物，再使用靶向代謝組學進一步系統(tǒng)驗證[18]。其主要特點是對關注代謝物進行準確鑒定和絕對定量，在分析上更具有針對性，與非靶向代謝組學優(yōu)勢互補，被主要應用于藥物開發(fā)[7]、代謝疾病診斷及機制研究[19,20]等多個研究領域。

圖1 非靶向代謝組學主要分析流程

靶向代謝組學分析樣本與非靶向代謝組學類似，但在前處理時可以根據(jù)要檢測代謝物的特性選擇合適的代謝物提取方法，使得檢測更具可靠性和準確性。由于靶向代謝組學中只對關注的已知代謝物進行分析及生物學功能闡述，因此數(shù)據(jù)處理流程相對于非靶向代謝組學來說更加簡單方便。在檢測到關注的代謝物后，進行通路富集及該代謝物在生物體中合成機制等研究。

1.3 擬靶向/廣泛靶向代謝組學

擬靶向/廣泛靶向代謝組學[21]分析是一種結合非靶向代謝組學和靶向代謝組學優(yōu)點的新方法，可以同時定性和精確定量數(shù)百種已知代謝物并對數(shù)千種已知及未知代謝物進行定量。通常使用超高相液相質譜–高分辨質譜聯(lián)(ultra performance liquid chro-matography high resolution mass spectrometer, UPLC- HRMS)和超相液相質譜–三重四級桿質譜聯(lián)用(UPLC-MS/MS)平臺實現(xiàn)代謝物信息采集。其主要由兩部分搭建而成：第一部分是通過傳統(tǒng)質譜或高分辨質譜進行代謝物采集并建立二級譜圖(MS/MS)數(shù)據(jù)庫，目前主要包括全掃描和ddMS2模式結合方法[22]、SWATH-MS方法[23]和基于多離子監(jiān)控模式–增強碎片離子(multiple ion monitoring enhanced product ions, MIM-EPI)方法[24,25]等；第二部分是將待測樣本進行多反應監(jiān)測(multiple reaction monitoring, MRM)模式[26]掃描后與第一部分中建立的數(shù)據(jù)庫進行比對，對待測樣本中代謝物進行定性及準確定量，實現(xiàn)擬靶向/廣泛靶向代謝組的目的。該方法兼具了非靶向代謝組學和靶向代謝組學各自的優(yōu)點，已經(jīng)被廣泛用于代謝組學研究中。其主要分析流程如圖2所示。

2 代謝組學檢測平臺發(fā)展及常用數(shù)據(jù)庫

由于代謝物具有種類繁多、性質差異大、濃度范圍分布廣等特點，代謝組學發(fā)展出不同的檢測平臺[27]，例如核磁共振(nuclear magnetic resonance, NMR)平臺、液相色譜–質譜聯(lián)用(liquid chromato-graphy-mass spectrometry, LC-MS)平臺、氣相色譜–質譜聯(lián)用(gas chromatography-mass spetrometry, GC- MS)平臺、毛細管電泳–質譜聯(lián)用(capillary electro-phoresis-mass spectrometry, CE-MS)平臺等。NMR是最早應用于代謝組學研究的平臺，主要應用于代謝物結構的解析，但其檢測靈敏度低，目前已經(jīng)不能滿足現(xiàn)在代謝組學研究。質譜具有高靈敏性的特點，已經(jīng)成為代謝組學研究的主要分析技術，LC-MS[28]、GC-MS[29]及CE-MS[30]已經(jīng)普遍應用于代謝組學研究。近年來隨著高分辨質譜儀的推出及應用，對代謝物檢測荷質比(m/z)可以精確到小數(shù)點后第4位，同時進行二級譜MS/MS信息的采集，利用同位素峰比例信息，進一步提升了代謝物定性的準確性，為代謝組學發(fā)展提供更好的技術平臺。目前市場上主流的高分辨質譜儀主要分為四級桿飛行時間質譜(time of flight mass spectrometer, QTOF-MS)和靜電場軌道阱質譜(electrostatic obitrap mass spectrometer, Obitrap-MS)，其性能特點見表1。

圖2 廣泛靶向代謝組一般分析流程

代謝物定性的準確性不僅取決于質譜儀的檢測分辨能力，對應的代謝物數(shù)據(jù)庫也至關重要。隨著代謝組學研究的發(fā)展，代謝物數(shù)據(jù)庫的構建逐漸完善。GC-MS檢測到的代謝物通常參考NIST和FiehnLib數(shù)據(jù)庫進行代謝物定性；LC-MS通常使用METLIN、HMBD數(shù)據(jù)庫及部分自建庫；脂質物質的種類繁多、結構特殊，通常使用脂質組專用的數(shù)據(jù)庫LipidSearch、LMSD等進行比對確認。通過多元統(tǒng)計分析得到關注的代謝物或差異代謝物后往往還需要進行通路富集分析，揭示影響復雜生物過程的多種因素，通常使用KEGG和Reactome等數(shù)據(jù)庫進行分析。隨著代謝組學逐步發(fā)展，將多種數(shù)據(jù)庫資源整合已經(jīng)成為趨勢，進一步提高數(shù)據(jù)資源利用率，其中跨庫原始數(shù)據(jù)檢索平臺-Metabolome-Xchange (http://www.metabolomexchange.org/site)于2015年由多家機構共同建立，為數(shù)據(jù)庫資源的整合和擴展提供快捷途徑。代謝組學中常用數(shù)據(jù)庫見表2。

3 代謝組學在農業(yè)動物研究領域中的應用

農業(yè)動物具有重要的經(jīng)濟價值，為人類提供肉、蛋、奶等農副產品，是人類日常營養(yǎng)物質獲取的重要來源。隨著代謝組學技術的發(fā)展與應用，目前已經(jīng)在農業(yè)動物差異性狀表征與重要經(jīng)濟性狀代謝分子鑒定、農業(yè)動物疾病診斷、畜禽肉質風味及動物制品安全檢測等多個領域中得到廣泛應用。

3.1 代謝組在農業(yè)動物差異性狀表征、重要經(jīng)濟性狀代謝分子鑒定中的應用

通過對不同品種(系)、性別畜禽的血清、尿液和組織等生物樣本進行代謝物檢測，可以篩選出一些小分子作為區(qū)分該品種(系)、性別的生物標志物，為不同品種(系)、性別畜禽差異性狀表征提供理論依據(jù)。Bovo等[41]利用靶向代謝組學方法檢測來自意大利的兩個商品豬品種—大白豬(Large White)和杜洛克豬(Duroc)血漿和血清中180種代謝物，其中鞘磷脂、生物胺(犬尿氨酸和乙酰鳥氨酸)等代謝物在兩個豬種中有很大差異，可以作為區(qū)別兩品種豬的生物標記物；He等[42]檢測了肥胖型豬—寧鄉(xiāng)豬(Ningxiang strain)和瘦肉型雜交豬(Duroc×Landrace×Large York-shire strain)的血清代謝物，在肥胖型豬中胰島素、胰高血糖素、脂質、肌醇和丙氨酸等代謝物含量均高于瘦肉型豬，但其血清中尿素和葡糖糖的含量較低；Ji等[43]利用LC-MS檢測了來航雞(Leghorn)、Fayoumi瘦肉型雞和商業(yè)肉雞的脂肪組織中92種代謝物，與商業(yè)肉雞相比，其他兩個品種雞脂肪組織中有47種代謝物發(fā)生變化，其中肉堿、乙酰肉堿、鳥苷、胞嘧啶、腺苷、磷酸戊糖等多種代謝物含量有2倍以上的改變；Beauclercq等[44]對肌糖原含量不同(pHu–和pHu+)的兩個品系雞的血清和肌肉進行代謝物檢測，在pHu–中鑒定到碳水化合物豐度高，pHu+的代謝物與肌糖原分解和氧化應激相關，最終鑒定到15個代謝標志物用于雞肉質鑒定；Bovo等[45]對閹割公豬和母豬的血漿進行靶向代謝組學檢測，共檢測到132個代謝物，其中85種代謝物可以體現(xiàn)出兩組豬之間的差異，在閹割公豬中酰基肉堿、生物胺、氨基酸分解等與脂質沉積相關的代謝物豐度高。

表1 不同高分辨質譜儀性能特點

表2 代謝組學中常見數(shù)據(jù)庫特點

代謝小分子物質可以反映生物體的生理狀態(tài)和表型，利用代謝物表型可以更加準確地表征復雜表型。Rohart等[46]利用NMR對大白豬、長白豬(Landrace)和皮特蘭豬(Pietrain)的血漿進行代謝物檢測，結果顯示肌酸酐、纈氨酸、檸檬酸、β-丙氨酸、乳酸、丙氨酸和異亮氨酸等代謝物與豬的瘦肉率性狀相關，可以用于豬瘦肉率預測；Picone等[47]對大白豬、長白豬、杜洛克母豬的初乳代謝物進行檢測，乳糖可以區(qū)分3種母豬品種，醋酸鹽、?；撬?、二甲胺和順式-酸酯與仔豬體重增加和存活率有關；Karisa等[48]利用NMR測定了16頭純種安格斯牛(Angus)和10頭雜交肉牛血漿代謝組，共檢測到45種代謝物，其中肌酸、肉毒堿和馬尿酸與肉牛剩余采食量(residual feed intake, FRI)性狀相關，解釋了32%的FRI表型變異，可以作為肉牛選育的分子標志物；Sun等[49]對飼喂苜蓿和玉米秸稈的泌乳牛的瘤胃液、牛奶、血清和尿液進行代謝物檢測，在每種生物流體中分別發(fā)現(xiàn)55、8、28和31種差異代謝物，其差異代謝物主要參與甘氨酸、絲氨酸、蘇氨酸、酪氨酸等氨基酸代謝通路，可以作為提高奶牛產奶量和乳蛋白質質量的生物標記物；Beauclercq等[50]使用NMR檢測雞血清、回腸和盲腸代謝物，利用氮校正表觀代謝能(apparent metabolisable energy co-rrected to zero nitrogen retention, AMEn)來評估雞對飼料的消化效率(digestible energy, DE)，發(fā)現(xiàn)與AMEn關聯(lián)最強的代謝物在血清中是脯氨酸，回腸中是富馬酸鹽，盲腸中是葡糖糖，為雞DE的預測提供新的見解。對農業(yè)動物重經(jīng)濟性狀進行標志代謝物篩選，將標志代謝物應用于標記輔助選擇可提高選擇準確性。

3.2 代謝組在農業(yè)動物疾病診斷中的應用

在畜禽養(yǎng)殖業(yè)發(fā)展過程中，疾病的發(fā)生往往對畜禽生長、經(jīng)濟效益產生很大的影響，但是很多疾病的防治及治療難度很大，而機體在發(fā)生疾病前后往往會引起體內代謝物水平的改變，應用代謝組學可以進行早期診斷的特點，通過檢測血液、尿液等生物樣本鑒定與疾病相關的生物標志物。Gong等[51]對感染豬瘟后3天和7天齡的斷奶仔豬血清進行代謝物檢測，代謝物主要富集在色氨酸分解代謝、苯丙氨酸代謝、脂肪代謝、核苷酸代謝等關鍵代謝通路上，同時觀察到與腸道微生物相關的代謝物，對仔豬豬瘟疾病認識提供新的見解；Welle等[52]將豬結腸與豬流行性乙型痢疾桿菌共培養(yǎng)以模擬豬感染痢疾桿菌的腸道環(huán)境，并對暴露8 h的結腸外植體進行代謝物檢測，結果顯示感染流行性乙型痢疾的外植體上皮細胞明顯壞死，l-瓜氨酸和IL-1α水平升高，為豬痢疾病理生理機制解析提供科學參考；Hailemariam等[53]對12頭奶牛過渡期的4個時間點的120種血漿代謝物進行測定，肉毒堿、丙酰肉堿、溶血磷脂酰膽堿?；?C14: 0)3種代謝物發(fā)生顯著改變，利用這3種血漿代謝物就可以對在圍產期可能患病的奶牛進行預測；Zhang等[54]對生產前8周和4周奶牛、產后患有酮癥的奶牛以及生產后4周和8周的奶牛靶向檢測檢測128種血清代謝物，在整個檢測周期中氨基酸、甘油磷脂、鞘脂、?；鈮A和生物胺等代謝物水平發(fā)生顯著變化，鑒定到可能作為酮癥風險預測性生物標志物，為奶牛酮癥預測提供科學依據(jù)；Shen等[55]利用LC-MS對患有腹水綜合征的雞和健康雞的肝臟代謝物進行檢測，結合血液生化和病理學結果表明，?；撬崦撗跄懰?、膽酸葡萄糖醛酸、甘膽酸、LysoPC(15: 0)和牛磺膽酸被鑒定為腹水綜合征的潛在生物標志物，且代謝物與脂質代謝紊亂有關，有助于了解雞腹水綜合征疾病的機制；Lu等[56]對處于熱應激狀態(tài)的雞和健康雞的257種血清代謝物進行了檢測，其中78種代謝物存在顯著差異且熱應激肉雞處于負能量平衡狀態(tài)，不能有效的調動脂肪，影響肉雞生長。以上研究證明代謝組可以對農業(yè)動物生產疾病引起的機體代謝物變化進行綜合分析，篩選到的標志代謝物可用于疾病診斷和預測等。

3.3 代謝組在畜禽肉質風味及動物制品安全檢測中的應用

通過動物育種后產生的優(yōu)良品種主要為人類提供豐富的食物，而影響食物風味的揮發(fā)性物質主要是分子量小于1000 Da的小分子物質。以往宏觀的表型測定方法無法表征這類特殊表型，隨著代謝組檢測平臺以及代謝物數(shù)據(jù)庫的日益完善，可以對該類物質進行準確測定并深入研究，為動物產品風味改良提供代謝物表型。Romarathnam等[12]研究表明醛類(烯醛、二烯醛)是雞脂肪受熱時的特征香味物；Wasseriwan等[57]研究認為雜環(huán)化合物風味閾值低，是烤肉中最重要的風味呈味物，主要包括呋喃、噻吩、噻唑、吡啶、吡咯和吡嗪類化合物；Liu等[58]利用GC-O-MS對4種北京烤鴨的鴨皮和鴨胸肉檢測到42種揮發(fā)性香味物質，主要分為醛、酮、醇、酸、酚、含硫化合物和含氮化合物7類，通過香氣重組和遺漏實驗及感官評價最終確定了9種對烤鴨風味有顯著貢獻的香味化合物：2-糠基硫醇、二甲基三硫醚、己醛、庚醛、辛醛、壬醛、甲硫氨酸、1-辛烯-3-醇和(E, E)-2,4-癸二烯醛。

食品品質與人類健康密切相關，食品安全越來越受到人們關注，代謝組便可以對食品中含量甚微或難分離的化學污染物以及肉品摻假進行快速、準確的檢測。Liu等[59]利用HPLC-MS/MS建立了快速檢測豬肉、雞蛋、牛奶等多種農產品中丙硫菌唑–硫脲的方法；Yin等[60]利用HPLC-MS/MS開發(fā)建立了快速簡便檢測豬肉中210種藥物的殘留方法，對食品安全檢測和獸藥使用具有重要意義；Trivedi等[61]對市場購買的豬肉碎、牛肉碎餡進行不同百分比混合樣制備并進行代謝組測定，鑒定到15種差異代謝物用于鑒定區(qū)分豬肉和牛肉不同摻假比例的混合樣品。

4 代謝組與其他組學聯(lián)合分析研究應用

代謝物是一切生命活動的物質基礎，代謝組被認為是與表型組最為接近的組學，可以利用代謝物的變化對復雜的性狀進行量化表征，形成代謝物分子表型。目前主要的農業(yè)經(jīng)濟性狀大多為復雜的數(shù)量性狀，而傳統(tǒng)的全基因組關聯(lián)分析(genome wide association study, GWAS)對這類主效基因的鑒定往往停留在QTL的水平，其中一個關鍵因素就是生長表型為典型復合性狀，其基礎調控途徑和代謝通路相對應的一級表型在幾年前難以評估和測定，導致基因型–表型無法直接對應。使用代謝物含量作為分子表型與基因組進行關聯(lián)分析可以提高檢測效力和檢測精度，有望對影響復雜性狀主效基因的致因突變的發(fā)掘提供新的解決手段。此外，利用轉錄組技術對不同時空狀態(tài)下的基因表達進行檢測，可以得到大量差異基因和眾多調控網(wǎng)絡，同時差異積累代謝物信息可以輔助時序表達的基因進行共表達分析，對基因功能解析、代謝通路和分子生化機制的完善提供研究基礎。截至目前，利用代謝組作為基因組、轉錄組等其他組學與表型之間的橋梁，形成“突變–基因–調控–表達–代謝–表型”的關系網(wǎng)絡，已經(jīng)在番茄()[62]、黃瓜(L.)[63]、水稻(L.)[64]等農藝植物性狀研究中被廣泛應用。

在農藝作物番茄中，Tieman等[62]利用GC-MS對398份番茄檢測影響其風味的代謝物35個并與全基因組200多萬個SNP進行mGWAS分析，找到影響番茄果糖、葡萄糖、類胡蘿卜衍生揮發(fā)物的多個位點，同時提出利用具有甜味感知的揮發(fā)性物質進行番茄風味改良的建議；Zhu等[65]利用番茄的代謝組(442份材料、980種代謝物)、基因組(610份材料，2000多萬SNP)、轉錄組(399份材料)數(shù)據(jù)進行多組學聯(lián)合分析，利用鑒定到的3526個mGWAS信號和9萬多個eQTL位點構建“代謝物-SNP-基因”網(wǎng)絡，對番茄果實重量、甾體糖生物堿生物合成馴化、番茄顏色差異等進行綜合解析，揭示了番茄以外觀/味覺為導向的育種對番茄代謝組成的影響?？偠灾芯空哒业搅丝梢员碚鞣扬L味的代謝物，同時也鑒定了影響上述代謝物的SNP位點，為番茄風味丟失歷史以及風味改良提供了科學依據(jù)，而番茄風味的多組學分析也為農業(yè)動物的遺傳育種提供了很好的借鑒。

在農業(yè)動物上利用代謝組學方法進行復雜性狀遺傳機制的研究正在興起，目前主要集中在豬、牛等大型家養(yǎng)動物重要經(jīng)濟性狀研究中[66,67]，通過使用代謝物小分子作為表型后與基因組、轉錄組等多組學進行關聯(lián)分析，可以更加精確地鑒定影響肉質、乳質或生長性能相關的遺傳標記或者遺傳規(guī)律，為農業(yè)動物分子育種提供理論支持。Son等[68]利用靶向方法測定了480只商業(yè)杜洛克豬的皮下脂肪中不同長鏈脂肪酸，與全基因組3.9萬個SNP進行關聯(lián)分析后，在14號染色體117.6~124.6 Mb檢測到一個顯著關聯(lián)區(qū)間，其中與不同脂肪酸關聯(lián)SNP位于、和等多個基因上，可用于脂肪酸去飽和水平的遺傳選擇；Welzenbach等[69]對97頭杜洛克和皮特蘭雜交豬背最長肌的126個代謝物和35種蛋白質進行檢測同時利用60 K Illumina芯片進行基因分型，富集分析發(fā)現(xiàn)共有10條通路，其中鞘脂代謝和糖酵解/糖異生通路對肉滴水損失有影響，GWAS分析發(fā)現(xiàn)在18號染色體中與滴水損失、蛋白質“磷酸甘油酸突變酶2”和代謝產物甘氨酸相關的SNP，同時鑒定到與滴水損失相關的候選基因區(qū)間；Melzer等[70]利用GC-MS對1305頭荷斯坦奶牛(Holstein)泌乳開始21天和120天的乳汁進行代謝組測定，共檢測到187種已知代謝物和3種未知代謝物，然后利用全基因組4萬多個SNP進行關聯(lián)分析，分別鑒定到與牛奶脂肪含量、pH值和蛋白質分別相關的11種、10種和16種代謝物，同時找到與上述性狀相關的具有遺傳效應的SNP位點，為牛奶品質改良提供理論基礎；Widmann等[71]對237頭F2代牛的血漿進行221種代謝物的靶向檢測，同時測定了牛出生后6~9月的剩余采食量(RFI)、飼料轉化率(feed conversion ratio, FCR)、日常能量攝入(daily energy intake, dEI)等評估飼料效率的指標，與全基因組4萬多個SNP進行GWAS分析，發(fā)現(xiàn)位點是影響RFI最顯著的位點且與精氨酸含量顯著相關，通過構建“表型–代謝型–基因型”網(wǎng)絡尋找到對RFI有顯著調控作用的候選基因(和)，為農業(yè)動物飼料效率研究提供新的研究思路；Shi等[72]為研究影響雞腹水綜合征(broiler ascites syndrome, AS)的代謝標志物和差異表達基因，選擇抗AS雞和AS雞利用LC-MS測定其血清代謝組及肝臟轉錄組，在實驗組和對照組中鑒定到15個生物標志物，結合轉錄組數(shù)據(jù)表明甘油磷脂的代謝在抗AS肉雞發(fā)育中起重要作用。更多相關研究見表3。

表3 代謝組與多組學聯(lián)合分析在農業(yè)動物研究結果匯總

總之，通過使用代謝物小分子作為表型與基因組、轉錄組等多組學進行聯(lián)合關聯(lián)分析，可以更加精確地鑒定影響畜禽重要經(jīng)濟性狀，例如肉質、乳質或生長性能相關的功能基因或遺傳標記，進一步闡明復雜數(shù)量性狀的遺傳機制，為新型農業(yè)動物分子育種提供全面的理論支持。

5 結語與展望

在代謝組學近20年的發(fā)展過程中，已經(jīng)被廣泛應用于環(huán)境污染物識別、疾病診斷、醫(yī)藥研制開發(fā)、食品營養(yǎng)科學等領域[85]。代謝組在動植物育種研究中也發(fā)揮了巨大功效，隨著近年來代謝物檢測儀器的發(fā)展、代謝物數(shù)據(jù)庫的完善以及不同代謝組分析策略的開發(fā)應用，代謝組學必將會在農業(yè)動植物重要復雜經(jīng)濟性狀解析中占有不可或缺的地位。

目前，代謝組研究仍有許多問題亟待解決。就研究對象而言，人們已經(jīng)將目光從較為簡單地研究個體轉向大樣本復雜性狀研究，由于代謝組會受到遺傳、不同生理狀態(tài)、環(huán)境刺激的影響，選擇能準確表征當下狀態(tài)的樣本進行研究尤為重要；就代謝物檢測而言，雖然近年來代謝組學技術平臺得到長足進步，但是其在代謝物檢測靈敏度及覆蓋度上仍存在局限性，因此需要發(fā)展多平臺聯(lián)合檢測技術實現(xiàn)全代謝譜的獲??；就數(shù)據(jù)處理而言，不同于其他組學，代謝組數(shù)據(jù)為高維數(shù)據(jù)，需要使用多元統(tǒng)計分析進行信息挖掘，但是其數(shù)據(jù)處理能力還是有限，隨著人工智能的興起，有助于降低整體數(shù)據(jù)的維度從而對代謝組數(shù)據(jù)信息深入解讀提供新思路。

組學時代的到來，代謝組學已經(jīng)發(fā)展成了除基因組、轉錄組和蛋白組以外不可或缺的部分，多組學整合分析逐漸成為研究熱點，有助于建立的“突變–基因–表達–代謝–表型”完整生物學網(wǎng)絡，成為人類復雜疾病解析、動植物重要經(jīng)濟性狀研究以及生命活動過程中復雜調控網(wǎng)絡研究等多領域研究中新的工具和方法。

[1] Qiu DY, Huang LQ. Metabolomics--an important part of functional genomics., 2004, 2(2): 165–177.邱德有, 黃璐琦. 代謝組學研究–功能基因組學研究的重要組成部分. 分子植物育種, 2004, 2(2): 165–177.

[2] Oliver SG. Yeast as a navigational aid in genome analysis. 1996 Kathleen Barton-Wright Memorial Lecture., 1997, 143(5): 1483–1487.

[3] Nicholson JK, Lindon JC, Holmes E. 'Metabonomics': understanding the metabolic responses of living systems to pathophysiological stimulimultivariate statistical analysis of biological NMR spectroscopic data., 1999, 29(11): 1181–1189.

[4] Nicholson JK, Connelly J, Lindon JC, Holmes E. Metabonomics: a platform for studying drug toxicity and gene function., 2002, 1(2): 153–161.

[5] Lindon JC, Holmes E, Bollard ME, Stanley EG, Nicholson JK. Metabonomics technologies and their applications in physiological monitoring, drug safety assessment and disease diagnosis., 2004, 9(1): 1–31.

[6] Nicholson JK, Wilson ID. Opinion: understanding 'global' systems biology: metabonomics and the continuum of metabolism., 2003, 2(8): 668–676.

[7] Fan SC, Gao Y, Zhang HZ, Huang M, Bi HC. Untargeted and targeted metabolomics and their applications in discovering drug targets., 2017, 41(4): 263–269.范仕成, 高悅, 張慧貞, 黃民, 畢惠嫦. 非靶向和靶向代謝組學在藥物靶點發(fā)現(xiàn)中的應用. 藥學進展, 2017, 41(4): 263–269.

[8] Harrigan GG, Goodacre R. Metabolic Profiling: Its Role in Biomarker Discovery and Gene Function Analysis,2003.

[9] Bhute VJ, Bao X, Dunn KK, Knutson KR, McCurry EC, Jin G, Lee WH, Lewis S, Ikeda A, Palecek SP. Metabolomics identifies metabolic markers of maturation in human pluripotent stem cell-derived cardiomyocytes., 2017, 7(7): 2078–2091.

[10] Naviaux RK, Naviaux JC, Li K, Bright AT, Alaynick WA, Wang L, Baxter A, Nathan N, Anderson W, Gordon E. Metabolic features of chronic fatigue syndrome., 2016, 113(37): E5472–E5480.

[11] Lai BW, Liu B, Liang YK. Research progress on food fraud using non-targeted metabolomics based on high-resolution mass spectrometry., 2019, 35(2): 192–197.賴博文, 劉玢, 梁永康. 基于高分辨質譜的非靶向代謝組學在食品造假鑒定中的研究進展. 生物技術通報, 2019, 35(2): 192–197.

[12] Ramarathnam N, Rubin LJ, Diosady LL. Studies on meat flavor. 4. Fractionation, characterization, and quantitation of volatiles from uncured and cured beef and chicken., 1993, 41(6): 939–945.

[13] Zhang TL, Zhang AH, Qiu S, Yang SQ, Wang XJ, Current trends and innovations in bioanalytical techniques of metabolomics., 2016, 46(4): 342–351.

[14] Dettmer K, Aronov PA, Hammock BD. Mass spectrometry-based metabolomics., 2007, 26(1): 51–78.

[15] Li H, Jiang Y, He FC. Recent development of metabonomics and its applications in clinical research., 2008, 30(4): 389–399.李灝, 姜穎, 賀福初. 代謝組學技術及其在臨床研究中的應用.遺傳, 2008, 30(4): 389–399.

[16] Ke CF, Zhang T, Wu XY, Li K. A statistical method for metabolomics data analysis.,2014, 31(2): 357–359.柯朝甫, 張濤, 武曉巖, 李康. 代謝組學數(shù)據(jù)分析的統(tǒng)計學方法.中國衛(wèi)生統(tǒng)計, 2014, 31(2): 357–359.

[17] Feng L, Cao FR, Liu XM, Pan RL, Liao YH, Chang Q. Sample collection and preparation of untargeted metabo-lomics., 2014, 12(12): 1217–1221.馮利, 曹芳瑞, 劉新民, 潘瑞樂, 廖永紅, 常琪. 非靶向代謝組學生物樣品采集和制備方法探討. 中南藥學, 2014, 12(12): 1217–1221.

[18] Mathé EA, Patterson AD, Haznadar M, Manna SK, Krausz KW, Bowman ED, Shields PG, Idle JR, Smith PB, Anami K, Kazandjian DG, Hatzakis E, Gonzalez FJ, Harris CC. Noninvasive urinary metabolomic profiling identifies diagnostic and prognostic markers in lung cancer., 2014, 74(12): 3259–3270.

[19] Gong LX, Chi HL, Wang J, Zhang HJ, Liu YL. Application of targeted metabolomics technology in nutritional diseases., 2017, 38(18): 323–327.龔凌霄, 遲海林, 王靜, 張慧娟, 劉英麗. 靶向代謝組學技術在營養(yǎng)性疾病研究中的應用. 食品工業(yè)科技, 2017, 38(18): 323–327.

[20] Liu WL, Wang CJ, Yao L, Ai D, Zhu Y. Effects of n-3 PUFA on early nonalcoholic fatty liver disease: a mechanism study based on targeted metabolomics., 2015, (10): 1877–1877.劉雯麗, 王春炅, 姚柳, 艾玎, 朱毅. n-3 PUFA對早期非酒精性脂肪性肝病的作用—基于靶向代謝組學的機制研究. 中國病理生理雜志, 2015, (10): 1877–1877.

[21] Sawada Y, Akiyama K, Sakata A, Kuwahara A, Otsuki H, Sakurai T, Saito K, Hirai MY. Widely targeted metabolomics based on large-scale MS/MS data for elucidating metabolite accumulation patterns in plants., 2009, 50(1): 37–47.

[22] Xuan Q, Hu C, Yu D, Wang L, Zhou Y, Zhao X, Li Q, Hou X, Xu G. Development of a high coverage pseudotargeted lipidomics method based on ultra-high performance liquid chromatography-mass spectrometry., 2018, 90(12): 7608–7616.

[23] Zha H, Cai Y, Yin Y, Wang Z, Li K, Zhu ZJ. SWATHtoMRM: Development of high-coverage targeted metabolomics method using SWATH technology for biomarker discovery., 2018, 90(6): 4062–4070.

[24] Yao M, Ma L, Humphreys WG, Zhu MS. Rapid screening and characterization of drug metabolites using amultiple ion monitoring-dependent MS/MS acquisition method on a hybrid triple quadrupole-linear ion trap mass spectrometer., 2008, 43(10): 1364–1375.

[25] Chen W, Gong L, Guo ZL, Wang WS, Zhang HG, Liu XQ, Yu SB, Xiong LZ, Luo J. A novel integrated method for large-scale detection, identification, and quantification of widely targeted metabolites: application in the study of rice metabolomics., 2013, 6(6): 1769–1780.

[26] Matsuda F, Okazaki Y, Oikawa A, Kusano M, Nakabayashi R, Kikuchi J, Yonemaru J, Ebana K, Yano M, Saito K. Dissection of genotype-phenotype associations in rice grains using metabolome quantitative trait loci analysis., 2012, 70(4): 624–636.

[27] Zhang FX, Wang GD. Current metabolomics platforms: technical composition and applications., 2019, 41(9): 883–892.張鳳霞, 王國棟. 現(xiàn)代代謝組學平臺建設及相關技術應用.遺傳, 2019, 41(9): 883–892.

[28] Evans CR, Karnovsky A, Kovach MA, Standiford TJ, Burant CF, Stringer KA. Untargeted LC-MS metabolomics of bronchoalveolar lavage fluid differentiates acute respiratory distress syndrome from health., 2014, 13(2): 640–649.

[29] Ciborowski M, Lipska A, Godzien J, Ferrarini A, Korsak J, Radziwon P, Tomasiak M, Barbas C. Combination of LC-MS- and GC-MS-based metabolomics to study the effect of ozonated autohemotherapy on human blood., 2012, 11(12): 6231–6241.

[30] Ramautar R, Somsen GW, De Jong GJ. CE-MS in metabolomics., 2009, 30(1): 276–291.

[31] Wishart DS, Feunang YD, Marcu A, Guo AC, Liang K, Vázquez-Fresno R, Sajed T, Johnson D, Li C, Karu N, Sayeeda Z, Lo E, Assempour N, Berjanskii M, Singhal S, Arndt D, Liang Y, Badran H, Grant J, Serra-Cayuela A, Liu Y, Mandal R, Neveu V, Pon A, Knox C, Wilson M, Manach C, Scalbert A. HMDB 4.0: the human metabolome database for 2018., 2018, 46(D1): D608–D617.

[32] Vinaixa M, Schymanski EL, Neumann S, Navarro M, Salekf RM, Yanes O. Mass spectral databases for LC/MS- and GC/MS-based metabolomics: State of the field and future prospects., 2015, 78: 23–35.

[33] Smith CA, O'Maille G, Want EJ, Qin C, Trauger SA, Brandon TR, Custodio DE, Abagyan R, Siuzdak G. METLIN: a metabolite mass spectral database., 2005, 27(6): 747–751.

[34] NIoSa T. NIST/EPA/NIH Mass Spectral Library with Search Program v17. 2017.

[35] Kind T, Wohlgemuth G, Lee DY, Lu Y, Palazoglu M, Shahbaz S, Fiehn O. FiehnLib: mass spectral and retention index libraries for metabolomics based on quadrupole and time-of-flight gas chromatography/mass spectrometry., 2009, 81(24): 10038–10048.

[36] Sud M, Fahy E, Cotter D, Brown A, Dennis EA, Glass CK, Merrill AHJ, Murphy RC, Raetz CR, Russell DW, Subramaniam S. LMSD: LIPID MAPS structure database., 2007, 35: D527–D532.

[37] Horai H, Arita M, Kanaya S, Nihei Y, Ikeda T, Suwa K, Ojima Y, Tanaka K, Tanaka S, Aoshima K, Oda Y, Kakazu Y, Kusano M, Tohge T, Matsuda F, Sawada Y, Hirai MY, Nakanishi H, Ikeda K, Akimoto N, Maoka T, Takahashi H, Ara T, Sakurai N, Suzuki H, Shibata D, Neumann S, Iida T, Tanaka K, Funatsu K, Matsuura F, Soga T, Taguchi R, Saito K, Nishioka T. MassBank: a public repository for sharing mass spectral data for life sciences., 2010, 45(7): 703–714.

[38] Song J, Wu YB, Zhou YH, Liu BJ, Wang N, Hao ZF, Wu YQ. Comparation and utilization of crop-omics databases., 2018, 40(7): 534–545.宋潔, 吳永波, 周躍恒, 柳波娟, 王楠, 郝轉芳, 吳元奇. 作物組學數(shù)據(jù)庫的比較和應用. 遺傳, 2018, 40(7): 534–545.

[39] Laboratories K. KEGG: Kyoto Encyclopedia of Genes and Genomes, 2019.

[40] Jassal B, Matthews L, Viteri G, Gong C, Lorente P, Fabregat A, Sidiropoulos K, Cook J, Gillespie M, Haw R, Loney F, May B, Milacic M, Rothfels K, Sevilla C, Shamovsky V, Shorser S, Varusai T, Weiser J, Wu G, Stein L, Hermjakob H, D'Eustachio P. The reactome pathway knowledgebase., 2020, 48(D1): D498– D503.

[41] Bovo S, Mazzoni G, Galimberti G, Calo DG, Fanelli F, Mezzullo M, Schiavo G, Manisi A, Trevisi P, Bosi P, Dall'Olio S, Pagotto U, Fontanesi L. Metabolomics evidences plasma and serum biomarkers differentiating two heavy pig breeds., 2016, 10(10): 1741–1748.

[42] He QH, Ren PP, Kong XF, Wu YN, Wu GY, Li P, Hao FH, Tang HR, Blachier F, Yin YL. Comparison of serum metabolite compositions between obese and lean growing pigs using an NMR-based metabonomic approach., 2012, 23(2): 133–139.

[43] Ji B, Middleton JL, Ernest B, Saxton AM, Lamont SJ, Campagna SR, Voy BH. Molecular and metabolic profiles suggest that increased lipid catabolism in adipose tissue contributes to leanness in domestic chickens., 2014, 46(9): 315–327.

[44] Beauclercq S, Nadal-Desbarats L, Hennequet-Antier C, Collin A, Tesseraud S, Bourin M, Le Bihan-Duval E, Berri C. Serum and muscle metabolomics for the prediction of ultimate pH, a key factor for chicken-meat quality., 2016, 15(4): 1168–1178.

[45] Bovo S, Mazzoni G, Calò DG, Galimberti G, Fanelli F, Mezzullo M, Schiavo G, Scotti E, Manisi A, Samoré AB, Bertolini F, Trevisi P, Bosi P, Dall'Olio S, Pagotto U, Fontanesi L. Deconstructing the pig sex metabolome: Targeted metabolomics in heavy pigs revealed sexual dimorphisms in plasma biomarkers and metabolic pathways., 2015, 93(12): 5681–5693.

[46] Rohart F, Paris A, Laurent B, Canlet C, Molina J, Mercat MJ, Tribout T, Muller N, Iannuccelli N, Villa-Vialaneix N, Liaubet L, Milan D, San Cristobal M. Phenotypic prediction based on metabolomic data for growing pigs from three main European breeds., 2012, 90(13): 4729–4740.

[47] Picone G, Zappaterra M, Luise D, Trimigno A, Capozzi F, Motta V, Davoli R, Nanni Costa L, Bosi P, Trevisi P. Metabolomics characterization of colostrum in three sow breeds and its influences on piglets' survival and litter growth rates., 2018, 9(1): 23.

[48] Karisa BK, Thomson J, Wang Z, Li C, Montanholi YR, Miller SP, Moore SS, Plastow GS. Plasma metabolites associated with residual feed intake and other productivity performance traits in beef cattle., 2014, 165(1): 200–211.

[49] Sun HZ, Wang DM, Wang B, Wang JK, Liu HY, Guan LL, Liu JX. Metabolomics of four biofluids from dairy cows: potential biomarkers for milk production and quality., 2015, 14(2): 1287–1298.

[50] Beauclercq S, Nadal-Desbarats L, Hennequet-Antier C, Gabriel I, Tesseraud S, Calenge F, Le Bihan-Duval E, Mignon-Grasteau S. Relationships between digestive efficiency and metabolomic profiles of serum and intestinal contents in chickens., 2018, 8(1): 6678.

[51] Gong WJ, Jia JJ, Zhang BK, Mi SJ, Zhang L, Xie XM, Guo HC, Shi JS, Tu CC. Serum metabolomic profiling of piglets infected with virulent classical swine fever virus., 2017, 8: 731.

[52] Welle T, Hoekstra AT, Daemen IAJJM, Berkers CR, Costa MO. Metabolic response of porcine colon explants to in vitro infection by Brachyspira hyodysenteriae: a leap into disease pathophysiology., 2017, 13(7): 83.

[53] Hailemariam D, Mandal R, Saleem F, Dunn SM, Wishart DS, Ametaj BN. Identification of predictive biomarkers of disease state in transition dairy cows., 2014, 97(5): 2680–2693.

[54] Zhang GS, Dervishi E, Dunn SM, Mandal R, Liu P, Han B, Wishart DS, Ametaj BN. Metabotyping reveals distinct metabolic alterations in ketotic cows and identifies early predictive serum biomarkers for the risk of disease., 2017, 13(4): 43.

[55] Shen Y, Shi S, Tong H, Guo Y, Zou J. Metabolomics analysis reveals that bile acids and phospholipids contribute to variable responses to low-temperature- induced ascites syndrome., 2014, 10(6): 1557–1567.

[56] Lu Z, He X, Ma B, Zhang L, Li J, Jiang Y, Zhou G, Gao F. Serum metabolomics study of nutrient metabolic variations in chronic heat-stressed broilers., 2018, 119(7): 771–781.

[57] Wasseriwan AE. Symposium on meat flavor. Chemical basis for meat flavor: A review., 2010, 44(1): 6–11.

[58] Liu H, Wang Z, Zhang D, Shen Q, Pan T, Hui T, Ma J. Characterization of key aroma compounds in beijing roasted duck by gas chromatography-olfactometry-mass spectrometry, odor-activity values, and aroma-recombina-tion experiments., 2019, 67(20): 5847–5856.

[59] Liu H, Yao G, Liu X, Liu C, Zhan J, Liu D, Wang P, Zhou Z. Approach for pesticide residue analysis for metabolite prothioconazole-desthio in animal origin food., 2017, 65(11): 2481–2487.

[60] Yin Z, Chai T, Mu P, Xu N, Song Y, Wang X, Jia Q, Qiu J. Multi-residue determination of 210 drugs in pork by ultra-high-performance liquid chromatography-tandem mass spectrometry., 2016, 1463: 49–59.

[61] Trivedi DK, Hollywood KA, Rattray NJ, Ward H, Trivedi DK, Greenwood J, Ellis DI, Goodacre R. Meat, the metabolites: an integrated metabolite profiling and lipidomics approach for the detection of the adulteration of beef with pork., 2016, 141(7): 2155–2164.

[62] Tieman D, Zhu G, Resende MF, Jr., Lin T, Nguyen C, Bies D, Rambla JL, Beltran KS, Taylor M, Zhang B, Ikeda H, Liu Z, Fisher J, Zemach I, Monforte A, Zamir D, Granell A, Kirst M, Huang S, Klee H. A chemical genetic roadmap to improved tomato flavor., 2017, 355(6323): 391–394.

[63] Shang Y, Ma Y, Zhou Y, Zhang H, Duan L, Chen H, Zeng J, Zhou Q, Wang S, Gu W, Liu M, Ren J, Gu X, Zhang S, Wang Y, Yasukawa K, Bouwmeester HJ, Qi X, Zhang Z, Lucas WJ, Huang S. Plant science. Biosynthesis, regulation, and domestication of bitterness in cucumber., 2014, 346(6213): 1084–1088.

[64] Chen W, Gao Y, Xie W, Gong L, Lu K, Wang W, Li Y, Liu X, Zhang H, Dong H, Zhang W, Zhang L, Yu S, Wang G, Lian X, Luo J. Genome-wide association analyses provide genetic and biochemical insights into natural variation in rice metabolism., 2014, 46(7): 714–721.

[65] Zhu G, Wang S, Huang Z, Zhang S, Liao Q, Zhang C, Lin T, Qin M, Peng M, Yang C, Cao X, Han X, Wang X, van der Knaap E, Zhang Z, Cui X, Klee H, Fernie AR, Luo J, Huang S. Rewiring of the fruit metabolome in tomato breeding., 2018, 172(1–2): 249–261.

[66] Zhou M, Jing JH, Mao RH, Guo J, Wang ZP. Applications of metabonomics in animal genetics and breeding.2019, 41(2): 111–124.周萌, 景軍紅, 毛瑞涵, 郭靜, 王志鵬. 代謝組學在家養(yǎng)動物遺傳育種中的應用. 遺傳, 2019, 41(2): 111–124.

[67] Liu Y, Jin L, Li MZ. Research and application of metabolomics in agricultural animals., 2018, 54(6): 1–5.劉瑞, 金龍, 李明洲. 代謝組學在農業(yè)動物中的研究與應用. 中國畜牧雜志, 2018, 54(6): 1–5.

[68] Son VM, Enger EG, Grove H, Ros-Freixedes R, Kent MP, Lien S, Grindflek E. Genome-wide association study confirm major QTL for backfat fatty acid composition on SSC14 in Duroc pigs., 2017, 18(1): 369.

[69] Welzenbach J, Neuhoff C, Heidt H, Cinar MU, Looft C, Schellander K, Tholen E, Gro?e-Brinkhaus C. Integrative analysis of metabolomic, proteomic and genomic data to reveal functional pathways and candidate genes for drip loss in pigs., 2016, 17(9): 1426.

[70] Melzer N, Wittenburg D, Repsilber D. Integrating milk metabolite profile information for the prediction of traditional milk traits based on SNP information for Holstein cows., 2013, 8(8): e70256.

[71] Widmann P, Reverter A, Weikard R, Suhre K, Hammon HM, Albrecht E, Kuehn C. Systems biology analysis merging phenotype, metabolomic and genomic data identifies Non-SMC Condensin I Complex, Subunit G (NCAPG) and cellular maintenance processes as major contributors to genetic variability in bovine feed efficiency., 2015, 10(4): e0124574.

[72] Shi SR, Shen YR, Zhang S, Zhao ZH, Hou ZC, Zhou HJ, Zou JM, Guo YM. Combinatory evaluation of transcriptome and metabolome profiles of low temperature-induced resistant ascites syndrome in broiler chickens., 2017, 7(1): 2389.

[73] Yang B, Zhang WC, Zhang ZY, Fan Y, Xie XH, Ai HS, Ma JM, Xiao SJ, Huang LS, Ren J. Genome-wide association analyses for fatty acid composition in porcine muscle and abdominal fat tissues., 2013, 8(6): e65554.

[74] Liu XX, Zhou LS, Xie XH, Wu ZZ, Xiong XW, Zhang ZY, Yang J, Xiao SJ, Zhou MQ, Ma JW, Huang LS. Muscle glycogen level and occurrence of acid meat in commercial hybrid pigs are regulated by two low-frequency causal variants with large effects and multiple common variants with small effects., 2019, 51(1): 46.

[75] Duijvesteijn N, Knol EF, Bijma P. Boar taint in entire male pigs: a genomewide association study for direct and indirect genetic effects on androstenone., 2014, 92(10): 4319–4328.

[76] Olsen HG, Knutsen TM, Kohler A, Svendsen M, Gidskehaug L, Grove H, Nome T, Sodeland M, Sundsaasen KK, Kent MP, Martens H, Lien S. Genome-wide association mapping for milk fat composition and fine mapping of a QTL for de novo synthesis of milk fatty acids on bovine chromosome 13., 2017, 49(1): 20.

[77] Palombo V, Milanesi M, Sgorlon S, Capomaccio S, Mele M, Nicolazzi E, Ajmone-Marsan P, Pilla F, Stefanon B, D'Andrea M. Genome-wide association study of milk fatty acid composition in Italian Simmental and Italian Holstein cows using single nucleotide polymorphism arrays., 2018, 101(12): 11004–11019.

[78] Tetens J, Heuer C, Heyer I, Klein MS, Gronwald W, Junge W, Oefner PJ, Thaller G, Krattenmacher N. Polymorphisms within the APOBR gene are highly associated with milk levels of prognostic ketosis biomarkers in dairy cows., 2015, 47(4): 129–137.

[79] Gan QF, Li YR, Lund M, Su GS, Liang XW. Genome-wide association study identifies loci linked to serum electrolyte traits in Chinese Holstein cattle., 2019, 50(6): 744–748.

[80] Zhu B, Niu H, Zhang WQ, Wang ZZ, Liang YH, Guan L, Guo P, Chen Y, Zhang LP, Guo Y, Ni HM, Gao X, Gao HJ, Xu LY, Li JY. Genome wide association study and genomic prediction for fatty acid composition in Chinese Simmental beef cattle using high density SNP array., 2017, 18(1): 464.

[81] Lemos MVA, Chiaia HLJ, Berton MP, Feitosa FLB, Aboujaoud C, Camargo GMF, Pereira ASC, Albuquerque LG, Ferrinho AM, Mueller LF, Mazalli MR, Furlan JJM, Carvalheiro R, Gordo DM, Tonussi R, Espigolan R, de Oliveira Silva RM, de Oliveira HN, Duckett S, Aguilar I, Baldi F. Genome-wide association between single nucleotide polymorphisms with beef fatty acid profile in Nellore cattle using the single step procedure., 2016, 17: 213.

[82] Uemoto Y, Ohtake T, Sasago N, Takeda M, Abe T, Sakuma H, Kojima T, Sasaki S. Effect of two non-synonymous ecto-5'-nucleotidase variants on the genetic architecture of inosine 5'-monophosphate (IMP) and its degradation products in Japanese Black beef., 2017, 18(1): 874.

[83] Sasago N, Takeda M, Ohtake T, Abe T, Sakuma H, Kojima T, Sasaki S, Uemoto Y. Genome-wide association studies identified variants for taurine concentration in Japanese Black beef., 2018, 89(8): 1051–1059.

[84] Javanrouh-Aliabad A, Vaez Torshizi R, Masoudi AA, Ehsani A. Identification of candidate genes for blood metabolites in Iranian chickens using a genome-wide association study., 2018, 59(4): 381–388.

[85] Goldansaz SA, Guo AC, Sajed T, Steele MA, Plastow GS, Wishart DS. Livestock metabolomics and the livestock metabolome: A systematic review., 2017, 12(5): e0177675.

Metabolomics technology and its applications in agricultural animal and plant research

Jing Tian1,2, Yuzhe Wang1,2,3, Shixiong Yan4, Shuai Sun4, Junjing Jia4, Xiaoxiang Hu1,2

Metabolomics is a discipline that uses Chromatography-Mass Spectrometry and Nuclear Magnetic Resonance techniques to identify and quantify all small molecule metabolites in living organisms and biological samples, which relies on sensitive, stable analytical procedures and improving databases. Metabolomics has been widely used in medicine, food science, crop and farm animal research, and other fields. Metabolomics can establish a more direct relationship between changes in the type and content of metabolites and phenotypes. Metabolomics has gradually become a new research method for the analysis of genetic mechanisms of complex traits following genomics, transcriptomics, and proteomics with the advances in omics technology. In this review, we firstly introduce common analytical strategies, metabolomics platforms, and metabolomics databases. Then, we review the application of metabolomics in metabolic molecular identification of important economic traits in agricultural animals, disease diagnosis, meat quality and safety detection of animal products. We also introduce the latest achievements in the development, formation and analysis of important traits of animals and plants by using metabolomics, transcriptome, and genomics. Overall, the integrated analysis of metabolomics and other omics can comprehensively explain the genetic mechanism of all kinds of complex traits and help to improve the complete biological process of “mutation-gene-expression-metabolism-phenotype”. Metabolomics provides a new method for the mechanism analysis of complex characters and a novel idea for new agricultural breeding.

metabolomics; widely targeted metabolomics; metabolome detection platform; agricultural animal; multi-omics association analysis

2019-11-04;

2020-03-13

國家自然科學基金項目(編號：31902143, 31961133003, U1702232)資助[Supported by the National Natural Science Foundation of China (Nos. 31902143, 31961133003, U1702232)]

田菁，在讀博士研究生，專業(yè)方向：動物遺傳育種。E-mail: 18604841591@163.com

王宇哲，博士，博士后，研究方向：動物數(shù)量遺傳與功能基因組。E-mail: yuzhe891@163.com胡曉湘，博士，教授，研究方向：動物遺傳育種。E-mail: huxx@cau.edu.cn

10.16288/j.yczz.19-287

2020/4/2 13:34:28

URI: http://kns.cnki.net/kcms/detail/11.1913.R.20200402.1033.002.html

(責任編委: 李明洲)