Tato přednáška seznámí studenty se základy zpracování metabolomických dat. Metabolomika studuje metabolity, což jsou meziprodukty nebo konečné produkty buněčného metabolismu (aminokyseliny, sacharidy, nukleotidy, lipidy atd.). Lipidomika je podmnožinou metabolomiky, která se specificky zaměřuje na komplexní analýzu lipidů. Studenti získají ucelený přehled o této oblasti, od získávání a zpracování dat až po komplexní analýzy, jako je analýza metabolických drah, mapování identifikátorů v databázích, analýza metabolických toků a integrace s dalšími omickými daty.

This lecture will introduce students to the basics of metabolomics data processing. Metabolomics studies metabolites, which are the intermediates or end products of cellular metabolism (amino acids, carbohydrates, nucleotides, lipids, etc.). Lipidomics is a subset of metabolomics that specifically focuses on the complex analysis of lipids. Students will gain a comprehensive overview of the field, from data acquisition and processing to complex analyses such as metabolic pathway analysis, identifier mapping, metabolic flux analysis, and integration with other omics data.

Uvádí se konkrétní podoba ověřování výsledků učení uvedeného v předchozím bodě (např. ústní zkouška, písemný test a jeho typ, hodnocení portfolií, prezentací, závěrečných projektů, esejí, hodnocení praktických dovedností

Uvádí se konkrétní podoba ověřování výsledků učení uvedeného v předchozím bodě (např. ústní zkouška, písemný test a jeho typ, hodnocení portfolií, prezentací, závěrečných projektů, esejí, hodnocení praktických dovedností

Povinná:

• Brereton, Richard G. . Data Analysis and Chemometrics for Metabolomics. : © 2024 John Wiley & Sons, Ltd, 2024, https://doi.org/10.1002/9781119639398 s. ISBN Online ISBN:97811196.

Doporučená:

• Wehrens, Ron; Salek, Reza. Metabolomics, Practical Guide to Design and Analysis. New York: CRC Press, 2019, https://doi.org/10.1201/9781315370583 s. ISBN eBook ISBN9781315370.
• Winkler, Robert. Processing Metabolomics and Proteomics Data with Open Software: A Practical Guide. : Royal Society of Chemistry , 2020, https://doi.org/10.1039/9781788019880 s. ISBN 978-1-78801-990-3.
• Giera, Martin; Sánchez-López, Elena. Clinical Metabolomics, Method and Protocols. : Springer Protocols , 2024, https://doi.org/10.1007/978-1-0716-4116-3 s. ISBN -.

Obligatory:

• Brereton, Richard G. . Data Analysis and Chemometrics for Metabolomics. : © 2024 John Wiley & Sons, Ltd, 2024, https://doi.org/10.1002/9781119639398 s. ISBN Online ISBN:97811196.

Recommended:

• Wehrens, Ron; Salek, Reza. Metabolomics, Practical Guide to Design and Analysis. New York: CRC Press, 2019, https://doi.org/10.1201/9781315370583 s. ISBN eBook ISBN9781315370.
• Winkler, Robert. Processing Metabolomics and Proteomics Data with Open Software: A Practical Guide. : Royal Society of Chemistry , 2020, https://doi.org/10.1039/9781788019880 s. ISBN 978-1-78801-990-3.
• Giera, Martin; Sánchez-López, Elena. Clinical Metabolomics, Method and Protocols. : Springer Protocols , 2024, https://doi.org/10.1007/978-1-0716-4116-3 s. ISBN -.

Tady bude text podle vzoru, který dodá učitelství.

Uvedou se hlavní metody a přístupy používané ve výuce a pro podporu učení studentů (např. metody vedoucí k aktivizaci studentů v průběhu vzdělávání, k zajištění kooperativního učení a zpětné vazby, k zajištění formativní výuky či formativního hodnocení studentů atd.). Uvedou se používané didaktické prostředky (učební pomůcky, technika, prostory a zařízení), včetně nástrojů distančního vzdělávání. Jsou-li v rámci výuky v prezenční formě studia využívány prvky distančního vzdělávání, uvede se způsob využití těchto prvků a zdůvodnění jejich zařazení do výuky, zvláště pokud jde o jejich přínos pro studenty z hlediska cíle vzdělávání a očekávaných výsledků učení.

Vzor textů pro toto okénko dodá učitelství.

Zkouška: písemný test, následná ústní zkouška 50/50

1 Úvod do metabolomiky a lipidomiky

• Základy metabolomiky a lipidomiky, definice

• Přehled přístupů založených na hmotnostní spektrometrii (typ dat)

• Přehled přístupů založených na NMR a dalších přístupů (typ dat)

• Techniky extrakce metabolitů (chemické vlastnosti, logP, stabilita, artefakty, kontaminanty)

2 Techniky hmotnostní spektrometrie v metabolomice

• Principy hmotnostní spektrometrie

• LC-MS, GC-MS a metody přímé infuze MS, ionizační techniky (ESI, APCI, EI atd.)

• Hmotnostní spektrometrie s vysokým a nízkým rozlišením (MS/MS, MS3 spektra pro identifikaci metabolitů, fragmenty)

• Kontrola kvality a standardizace v metabolomických experimentech (sekvence vzorků, NIST, interní standardy, referenční materiál)

3 Zpracování dat a detekce peaků

• Návrh experimentu a strategie získávání dat (DDA, IDA, SWATH atd.)

• Formáty strojových dat (mzML, mzXML, formáty specifické pro výrobce a konverze).

• Zpracování strojových dat (přehled softwarových nástrojů, komerční reporty)

4 Anotace a identifikace metabolitů

• Vyhledávání v databázích a spektrální porovnávání (přehled softwaru, příklady, knihovny MS)

• Cílená vs. necílená analýza (seznamy RT m/z, profilování, shotgun přístup)

• In-silico fragmentace pro objasnění struktury (MS/MS spektra)

• Úrovně spolehlivosti při identifikaci metabolitů, klasifikační systémy (SMILES, InChI, Goslin)

5 Mapování identifikátorů a integrace dat

• Systémy identifikátorů metabolitů a konverze (HMDB, KEGG, ChemSpider, LipidMAPS, SwissLipids atd.)

• Integrace metabolomických dat s dalšími omickými daty (nejednoznačnost, křížové propojení, BRIDGE DB).

• Databáze a nástroje pro mapování identifikátorů (KEGG, SMPDB, Goslin, LipidLynX, WikiPathways)

6 Statistická analýza v metabolomice

• Jednorozměrné a vícerozměrné statistické metody (přehled, balíčky R a Python, MetaboAnalyst)

• Přístupy strojového učení v metabolomice (struktury a metabolický osud)

• Vizualizační techniky pro vysokorozměrná data (od heatmap po chordové grafy, balíčky R a Python).

• Reporty pro uživatele (očekávání vs. realita)

7 Analýza metabolických drah a biologická interpretace

• Databáze a nástroje metabolických drah (SMPDB, RHEA, REACTOME, vlastní dráhy)

• Analýza obohacení drah (přehled softwaru, příklady)

• Network přístupy k analýze drah (MetCyc, přehled softwaru, příklady)

• Interpretace metabolipidomu pro konkrétní projekt

8 Analýza nadměrného zastoupení

• Principy nadreprezentace a analýzy drah (KEGG, WikiPathway, SMPDB, LORA, LipidMiniOn, LION)

• Analýza obohacení genových souborů (GSEA) v metabolomice, propojení identifikátorů

• Interpretace a vizualizace výsledků obohacování (statistika, balíčky Python)

9 Analýza metabolických toků

• Principy analýzy metabolických toků (tracery, mapování atomů)

• Techniky analýzy metabolických toků s 13C, analýza metabolických toků s 2H, jiné stopovací látky

• Získávání fluxomických dat, mass distribution vectors (MDV)

• Deizotopování, izotopology, izotopomery, kumulomery, elementární jednotky metabolitu (EMU)

10 Modelování metabolických toků

• Metabolické inženýrství, metabolické dráhy, kinetika enzymů, regulace

• Výpočetní modelování v systémové biologii (modelová síť, metabolická síť celého organismu)

• Optimalizace metabolických sítí (INCA, MetFlux, tracerová metabolomika)

11 Vizualizace metabolických toků in vivo

• Vícerozměrná vizualizace dat v sítích (balíčky Python a R)

• Analýza meziorgánového metabolismu pomocí tracerů (případové studie)

• Prostorové a časové rozlišení v metabolomice a fluxomice (subcelulární organely, mikrobiom)

12 Lipidomika: Specializované techniky a analýzy

• Metody extrakce a separace lipidů, specifika lipidomiky

• Strukturní charakterizace komplexních lipidů (fragmentační techniky MS, strukturní hierarchie, LipidMAPS)

• Výpočetní přístup, virtuální lipidomy, rozmanitost epilipidomů

• Kvantitativní lipidomika a analýza dat (směsi SPLASH, referenční materiál)

13 Integrace multiomiky v metabolomice

• Strategie pro integraci metabolomiky s genomikou, transkriptomikou a proteomikou (Multi-Omics Factor Analysis)

• Síťové přístupy pro integraci multi-omických dat (RHEA, Reactome, BRIDGE DB, KEGG, mapy specifické pro daný organismus).

• Případové studie z oblasti systémové biologie a precizní medicíny (rakovina, srdeční selhání)

14 Praktické zpracování metabolomických dat

• Zpracování dat LC-MS, anotace píků, metabolomika a lipidomika

• Mapování ID, konverze

• Statistika a vizualizace dat

• Reporty

1 Introduction to Metabolomics and Lipidomics

• Fundamentals of metabolomics and lipidomics, definitions

• Overview of mass spectrometry-based approaches (data type)

• Overview of NMR-based and other approaches (data type)

• Metabolite extraction techniques (chemical discrimination, logP, stability, artifacts, contaminants)

2 Mass Spectrometry Techniques in Metabolomics

• Principles of mass spectrometry, briefly

• LC-MS, GC-MS, and direct infusion MS methods, ionization techniques (ESI, APCI, EI, etc.)

• High-resolution vs low-resolution mass spectrometry (MS/MS, MS3 spectra for metabolite identification, signature fragments)

• Quality control and standardization in metabolomics experiments (sequences, NIST, internal standards, reference material)

3 Data Processing and Peak Detection

• Experimental design and data acquisition strategies (DDA, IDA, SWATH, etc.)

• Raw data formats (mzML, mzXML, vendor-specific formats, and conversions)

• Raw data processing and feature detection (software tools overview, commercial reports)

4 Metabolite Annotation and Identification

• Database searching and spectral matching (software overview, examples, MS libraries)

• Targeted vs untargeted analysis (RT mz lists, profiling, shotgun approach)

• In-silico fragmentation for structural elucidation (MS/MS spectra)

• Confidence levels in metabolite identification, classification systems (SMILES, InChI, Goslin)

5 Identifier Mapping and Data Integration

• Metabolite identifier systems and conversions (HMDB, KEGG, ChemSpider, LipidMAPS, SwissLipids, etc.)

• Integration of metabolomics data with other omics data (ambiguity, cross-linking, BRIDGE DB)

• Databases and tools for identifier mapping (KEGG, SMPDB, Goslin, LipidLynX, WikiPathways)

6 Statistical Analysis in Metabolomics

• Univariate and multivariate statistical methods (overview, R & Python packages, MetaboAnalyst)

• Machine learning approaches in metabolomics (structures and metabolic fate)

• Visualization techniques for high-dimensional data (from heatmaps to chord plots, R & Python packages)

• User reports (expectations vs reality)

7 Pathway Analysis and Biological Interpretation

• Metabolic pathway databases and tools (SMPDB, RHEA, REACTOME, custom-made pathways)

• Pathway enrichment analysis (software overview, examples)

• Network-based approaches for pathway analysis (MetCyc, software overview, examples)

• Project-specific interpretation of metabolipidome

8 Over-Representation Analysis

• Principles of over-representation & pathway analysis (KEGG, WikiPathway, SMPDB, LORA, LipidMiniOn, LION)

• Gene set enrichment analysis (GSEA) in metabolomics, linking identifiers

• Interpretation and visualization of enrichment results (statistics, Python packages)

9 Metabolic Flux Analysis

• Principles of metabolic flux analysis (tracers, atom mapping)

• 13C metabolic flux analysis techniques, 2H metabolic flux analysis, other tracers

• Acquisition of metabolomics data in flux analysis, mass distribution vectors (MDV)

• Deisotoping, isotopologues, isotopomers, cumomers, elementary metabolite units (EMU)

10 Modelling of Metabolic Fluxes

• Metabolic engineering, metabolic pathways, enzyme kinetics, regulations

• Computational Modeling in Systems Biology (toy network, organism-wide network)

• Optimizations of metabolic networks (INCA, MetFlux, tracer metabolomics)

11 Visualization of Metabolic Fluxes in vivo

• Multi-dimensional visualization of data over networks (Python and R packages)

• Analysis of inter-organ metabolism using tracers (case studies)

• Spatial and temporal resolution in metabolomics and fluxomics (subcellular organelles, microbiome)

12 Lipidomics: Specialized Techniques and Analysis

• Lipid extraction and separation methods, specifics

• Structural characterization of complex lipids (MS fragmentation techniques, structural hierarchy, LipidMAPs)

• Computational approach, virtual lipidomes, epilipidome diversity

• Quantitative lipidomics and data analysis (SPLASH mixes, reference material)

13 Multi-omics Integration in Metabolomics

• Strategies for integrating metabolomics with genomics, transcriptomics, and proteomics (Multi‐Omics Factor Analysis)

• Network-based approaches for multi-omics data integration (RHEA, Reactome, BRIDGE DB, KEGG, organism-specific maps)

• Case studies in systems biology and precision medicine (cancer, heart failure)

14 Practical metabolomics data processing

• LC-MS data processing, peak annotation, metabolomics & lipidomics

• ID mapping, conversions

• Statistics and data visualization

• Reporting

1. Publikace: Guiding the choice of informatics software and tools for lipidomics research applications, Ni et al. 2023, DOI: https://doi.org/10.1038/s41592-022-01710-0

2. Publikace: Toward Merging Untargeted and Targeted Methods in Mass Spectrometry-Based Metabolomics and Lipidomics, Cajka & Fiehn, 2015, DOI: https://doi.org/10.1021/acs.analchem.5b04491

3. Publikace: Tracing metabolic flux through time and space with isotope labeling experiments, Allen & Young, 2020, DOI: https://doi.org/10.1016/j.copbio.2019.11.003

4. Gitbook: https://laboratory-of-lipid-metabolism-a.gitbook.io/omics-data-visualization-in-r-and-python

1. Publication: Guiding the choice of informatics software and tools for lipidomics research applications, Ni et al. 2023, DOI: https://doi.org/10.1038/s41592-022-01710-0

2. Publication: Toward Merging Untargeted and Targeted Methods in Mass Spectrometry-Based Metabolomics and Lipidomics, Cajka & Fiehn, 2015, DOI: https://doi.org/10.1021/acs.analchem.5b04491

3. Publication: Tracing metabolic flux through time and space with isotope labeling experiments, Allen & Young, 2020, DOI: https://doi.org/10.1016/j.copbio.2019.11.003

4. Gitbook: https://laboratory-of-lipid-metabolism-a.gitbook.io/omics-data-visualization-in-r-and-python

Studenti budou schopni:

1. Identifikovat a rozlišovat původ metabolomických dat včetně kritického hodnocení informační hodnoty.

2. Zpracování základních metabolomických dat včetně anotace, identifikace a reportů.

3. Provést převod na identifikátory v databázích s vazbou na analýzu metabolických drah a statistické zpracování.

4. Porozumět principům a postupům analýzy metabolických toků pomocí stabilních izotopů.

5. Porozumět principům propojení metabolomických dat s dalšími omickými daty.

Students will be able to:

1. Identify and distinguish the origin of metabolomic data including critical evaluation of the information value.

2. Handle basic metabolomics data processing including annotation, identification and reporting.

3. Perform conversion to identifiers in databases with links to pathway analysis and statistical processing.

4. Understand the principles and procedures of metabolic flux analysis using stable isotopes.

5. Understand the principles of linking metabolomics data to other omics.