代谢组是基因组、转录组和蛋白组的“终端”，是生命体特征的直接体现。代谢组学已经成为新的临床化学(new clinical chemistry)。sensichip公司在代谢组学领域的业务包括以下方面：
1 疾病的识别(Disease identification)
2 疾病的诊断和预测(Disease prognosis & prediction)
3 疾病的监测(Disease monitoring)
4 药物代谢和毒性分析(Drug metabolism and toxicology)
5 代谢组与基因组的关系(Linkage between metabolome & genome)
6 代谢组分析软件开发(Development of software for metabolomics)

实验设计方案-

典型的代谢组分析流程见下图，针对客户的不同要求，具体的分析方案将有所不同：


实验操作方案-

(1)确定研究目标：研究何种疾病的代谢组?
(2)选定样本来源(人)，尤其注意正常样本的代表性和普遍性。
(3)对样本来源进行分组，并记录性别、年龄、病情、治疗等信息。
(4)对个样本采集血浆后于-20℃ 冰箱中保存。如果利用核磁共振谱获得数据，见(a)； 如果用色质联用，见(b)。
(a) 解冻, 离心, 取上清, 添加0.1的2,2,3,3-三甲基甲硅烷基丙酸 (TSP)重水溶液，于４ ℃存，做H NMR，积分，记录并保存数据。
(b) 参照相关文献和已有知识，初步确定重点要分析的代谢物的成分和性质，并选择适当的LC-MS实验条件，记录并保存数据。

 

数据分析方案-

目的：

找到正常与对照样本在代谢组水平上的差异，以期作为临床诊断的标准。

分析步骤：

一、数据校正

以内标做参照。通过相关算法的运行，得出的数据作为校正后的数据。

二、统计学分析

用T-test或F-test等方法，计算每种化合物在不同样品组中差异的显著性，设置P阈值，判断p值小于阈值的化合物为检测含量有显著性差异的化合物。

三、聚类分析

用聚类方法对差异结果进行同源聚类，通过聚类图展示各样品之间的关系

四、PCA分析（principal component analysis）

通过对有显著性差异的化合物数据做PCA分析，将样品的特征量压缩，在低维度空间反映样品之间的关系。用score plot展示PCA分析结果，如下三维图形所示：、

五、ROC（Receiver/Relative Operating Characteristic）诊断分析

该方法广泛用于医学诊断性能的评价,将灵敏度设为纵轴，特异性设在横轴，该曲线下的积分面积大小与诊断试验的优劣密切相关：

六、预测模型构建

利用R中的PAMR软件包，采用Nearest Shrunken Centroids s(NSC)方法（Tibshirani R et al, PNAS. 2002,）构建了预测癌症预后的预测模型。