近日，我所生物技术研究部生物分子高分辨分离分析及代谢组学研究组（1808组）刘心昱研究员和许国旺研究员团队，在前期工作基础上，系统总结了质谱代谢组学技术进展及关键挑战，提出了第三代代谢组学技术框架，并展望了“黑灯实验室”和“以代谢组为中心的数字孪生”的发展方向，为代谢组学技术创新及精准医学应用提供了新思路。
基于质谱的代谢组学主要包括非靶向和靶向两种策略。为兼顾两者优势，团队于2012年提出拟靶向代谢组学策略（J. Chromatogr. A，2012），即通过非靶向分析获取代谢物离子对信息，再采用靶向MRM模式进行样品分析，兼顾检测覆盖度与定量稳定性。该策略被代谢组学知名学者Oliver Fiehn教授称为“第二代代谢组学”。团队围绕离子对自动选择、大规模数据校正等方面开展了系列研究，并形成标准化方法范本（Nat. Protoc.，2020）。相关方法已应用于疾病、药物、食品、农业及环境科学等多个领域。
随着代谢组学研究向高通量、大规模和多中心方向发展，分析结果的重复性与可比性、代谢物结构注释及数据挖掘能力等问题日益突出。尽管人工智能已应用于代谢组学多个环节，但仍较为分散，缺乏系统性整合。针对上述问题，研究团队系统总结了人工智能在代谢组学各环节的研究进展，提出了以“规范化、流程化、自动化和智能化”为核心的第三代代谢组学发展框架。其中，规范化贯穿样品采集、分析及数据处理；流程化促进各分析环节有序衔接；自动化减少样品前处理与仪器分析中的人工操作误差和劳动强度；智能化则加强知识挖掘与应用。不同于现有针对单一环节的技术优化，第三代代谢组学强调上述四个方面的有机融合，并引入AI智能体协调实验设计、仪器控制、数据处理及结果解析等环节，实现基于数据反馈的过程优化与智能决策，逐步构建全流程闭环分析体系。
在此基础上，研究团队进一步展望了第三代代谢组学的应用前景。一方面，通过整合自动化样品处理、质谱分析、实时质量控制和智能数据处理，探索构建黑灯实验室，提高分析效率与数据质量。另一方面，以高质量代谢组学数据为基础，结合多组学信息、知识图谱及人工智能模型，探索构建以代谢组为中心的数字孪生系统，模拟不同组织和器官的代谢状态及其动态变化，推动代谢组学从静态表型描述向动态过程模拟与预测发展，有望为精准医学研究提供新手段。
相关工作以“Artificial intelligence-enabled mass spectrometry-based metabolomics: current status and future prospects”为题，发表在《分析化学的跟踪趋势》（TrAC-Trends in Analytical Chemistry）上。该工作的共同第一作者为1808组硕士研究生景枫阳和联合培养博士研究生王明超。该工作得到国家重点研发计划、国家自然科学基金、中国科学院青促会等项目资助。（文/图 景枫阳、王明超）
