代谢专题｜代谢组数据质量好不好，样本阶段或已注定！一文吃透血液代谢组检测实操要点

APTBIO

代谢科普

代谢组学数据好不好，多半在样本检测之前就定了。采血管拿错、离心拖晚、冻融多一遍，这些过程都没法回头；等数据出了偏差，再强的算法也补不回来。所以这篇指南不铺原理，只给能直接写进 SOP 的硬指标。

为什么这些细节值得抠？代谢组学被称为“最接近表型的组学”：一管血就能读出成百上千种小分子代谢物，疾病的迹象、用药的反应、饮食的差别，常常就落在这上面。在所有样本里，血液（尤其是血清和血浆）较易获取、信息也最密，大型队列里它占绝大多数，也最容易和临床指标、随访数据对上。但代谢物很“娇气”，温度、时间、抗凝剂，甚至离体后那点微环境变化，都能让它悄悄变样；一次不规范的操作，数据里就埋进一道洗不掉的系统性误差。后面两节，一节划出样本质量的“五条红线”，哪些错一步都不能犯；一节讲清楚样本到底该怎么选，同样预算，选对了信息量能差出一个台阶。把这两节吃透，比事后做任何算法校正都管用。

一、样本质量的五条红线

1. 抗凝剂：优先肝素钠

如果决定使用血浆，下一步就得面对抗凝剂的选择：不同抗凝剂会直接改变代谢谱的构成。

肝素钠是代谢组学抗凝的优先选择；EDTA 次之，能用，但它会轻微引起离子抑制或增强效应，干扰极性代谢物的检测，所以一个项目内必须统一抗凝管类型、不能混用；柠檬酸钠最不推荐：它本身是 TCA 循环相关物质，会引入外源代谢污染，直接把代谢谱带偏[1]。

图1 不同抗凝剂（肝素钠、EDTA、柠檬酸钠）对血浆代谢组检测的影响对比[1]

2. 离心时机：30–60min内必须处理

推荐操作：采血后 30–60 分钟内离心，分离出的血清/血浆立即置 −80 °C 保存[2]。现场条件做不到？把全血置于冰上或 4 °C，尽量在 2 小时内处理完[3]。为什么卡这么死：全血中大量代谢活跃的血细胞离体后仍会持续改写代谢组特征[4]，延迟离心会让乳酸、葡萄糖等糖酵解核心代谢物发生系统性漂移，且血浆总体上比血清更耐延迟[3]。真拖过了 2 小时，两个补救动作不能省：这批样本要做批次稳定性验证；数据分析时把延迟时间作为协变量校正[3]。

图2 延迟1 h即可显著改变代谢谱并且血浆总体上比血清更耐延迟[3]

3. 储存温度与运输：−80 °C 是底线

人血浆在 −80 °C 下可稳定保存长达 7 年；超过 7 年，复杂脂类、脂肪酸、能量代谢分子和氨基酸等会逐步发生变化[5]。两个例外要记牢：多不饱和脂肪酸（PUFA）在 −80 °C 下 1 年内稳定、在 −20 °C 只有半年[6]；−20 °C 本身只适合约 7 天以内的短期周转，存放 1 个月后，葡萄糖、脯氨酸等代谢物即出现显著变化[7]。反过来，只要冻存和前处理规范，长期冻存样本照样能用：UKB（27 万人群、随访 15 年）、WHI、EPIC、ATBC、NHS 等大规模队列已经验证，即使冻存 8–30 年，样本仍能稳定预测疾病[8]。

图3 储存时间对样本质量的影响趋势[5]

运输环节同样关键：中短途优先干冰；条件受限时，−20 °C 短期过渡优于室温，但仍应尽可能缩短在该温度下的停留时间[2]。

4. 反复冻融：每一次都是“新样本”

每一次冻融都会导致代谢物水平发生变化，而且不同冻融次数产生的差异代谢物之间几乎没有交集：影响模式复杂，且不可预测[9]。文献建议冻融循环次数不要超过 3 次[10]。最省心的做法只有一个：首次分装就按一次用量拆分，做到“用一管、解冻一管，未用管子不解冻”。

图4 不同冻融循环次数和QC样本PCA评分图[9]

5. 溶血：游离血红蛋白≤300 mg/L

溶血、脂血、黄疸是临床常见的三大样本问题，其中对代谢组和脂质组负面影响最显著的，是溶血[2]。轻微溶血肉眼根本不可见，却能改变高达 20% 的代谢特征峰：LysoPC C16:0/C18:0、次黄嘌呤、S1P、游离血红蛋白、AST、多种氨基酸和肉碱等升高，而 PC、SP 等部分脂质下降，所以溶血不能靠“看着没事”，必须定量：靠双波长比色法测游离血红蛋白，客观识别、客观处理[11]。

图5 不同溶血程度样本中代谢物峰面积相对于无溶血样本的倍数变化[11]

表1 溶血样本“剔除 / 保留 / 校正”判定清单[11]

二、样本选择策略

前面讲的都是防守。真正拉开项目差距的，是样本怎么选：同样预算，选对了，信息量上一个台阶。

1. 血清 vs 血浆：怎么选？

两者代谢物类别相似，同一管全血同时分离出的血清与血浆差异很小：一项覆盖 142 种代谢物的比较研究中，仅丙酮酸（血浆中更高）和肌氨酸（EDTA 血浆中更高）存在显著差异；血清中部分代谢物浓度更高（体积置换效应），血浆总体蛋白含量较低、对小分子分析有利[12]。从产率看，1 mL 全血通常可获得约 0.3–0.5 mL 血清、约 0.5 mL 血浆。真正的红线只有一条：同一项目自始至终使用同一种基质[13]。

图6 生物样本类型是影响代谢组检测的主要因素且采血方式与部位影响不显著[12]

全血不建议：血细胞数量个体差异大，影响体外代谢速率，难以在群体研究中统计校正；全血检测需裂解红细胞，会释放胞内高浓度代谢物（如酰基肉碱、肌酸等），白细胞在处理过程中仍可能持续代谢色氨酸，进一步干扰代谢物比例[12，14]。

2. (动脉血 vs 静脉血)&(局部血 vs 循环血)：怎么选？

动脉血与静脉血的氧合状态、代谢活性不同，直接牵动乳酸、葡萄糖及气体相关代谢物；局部血与循环血反映的尺度也不一样：循环血代表全身平均状态，局部血则带着病灶微环境的额外信息[12，14]。所以采血方式和部位同样要全项目统一；只要生物样本类型一致，部位带来的差异远小于“前后不统一”造成的批次效应[12]。

3. 不同研究方向: 怎么选？

表2 不同研究方向的样本选择决策表

三、总结

以血液样本为例，把控好“采集到实验室”这一段前处理关卡，比后期做算法校正都更省力、也更可靠；其他样本类型也能照“及时处理、低温保存、避免反复冻融”这几条来。这份收样指南就当项目启动前的避坑清单，让代谢组学真正测得准、说得清、用得上。

附表 全流程速查表

参考文献

[1] Barri, T., & Dragsted, L. O. UPLC-ESI-QTOF/MS and multivariate data analysis for blood plasma and serum metabolomics: effect of experimental artefacts and anticoagulant. Analytica Chimica Acta. 2013;768, 118-128.

[2] Lehmann R. From bedside to bench—practical considerations to avoid pre-analytical pitfalls and assess sample quality for high-resolution metabolomics and lipidomics analyses of body fluids. Anal Bioanal Chem. 2021;413(22):5567-85.

[3] Debik J, Isaksen SH, Strømmen M, Spraul M, Schäfer H, Bathen TF, et al. Effect of Delayed Centrifugation on the Levels of NMR-Measured Lipoproteins and Metabolites in Plasma and Serum Samples. Anal Chem. 2022;94(50):17003-10.

[4] Zubkowski A, López-Hernández Y, Yahya Rayat D, Zheng J, Hiebert-Giesbrecht MR, Johnson M, et al. Quantitative comparison of whole blood, plasma and serum metabolomes across different blood collection methods. Metabolomics. 2025;21(6):146.

[5] Wagner-Golbs A, Neuber S, Kamlage B, Christiansen N, Bethan B, Rennefahrt U, Schatz P, Lind L. Effects of Long-Term Storage at -80 °C on the Human Plasma Metabolome. Metabolites. 2019;9(5):99. doi:10.3390/metabo9050099.

[6] Jonasdottir HS, Brouwers H, Toes REM, Ioan-Facsinay A, Giera M. Effects of anticoagulants and storage conditions on clinical oxylipid levels in human plasma. Biochim Biophys Acta Mol Cell Biol Lipids. 2018;1863(12):1511-1522. doi:10.1016/j.bbalip.2018.10.003.2021

[7] Pinto J, Domingues MRM, Galhano E, Pita C, Almeida MdC, Carreira IM, et al. Human plasma stability during handling and storage: impact on NMR metabolomics. Analyst. 2014;139(5):1168-77.

[8] You J, Cui XH, Chen YL, et al. Mapping the plasma metabolome to human health and disease in 274,241 adults. Nature Metabolism, 2025, 7(11): 2366–2384. DOI: 10.1038/s42255-025-01371-1.

[9] Chen D, Han W, Huan T, Li L, Li L. Effects of Freeze-Thaw Cycles of Blood Samples on High-Coverage Quantitative Metabolomics. Anal Chem. 2020 Jul 7;92(13):9265-72.

[10] Ladha Y, Sanaka S, Burke A, Goodacre R, Wright KT, Perry J, et al. Bridging the Gap: A Scoping Review of Pre-Analytical Variability in Biofluid Metabolomics. Appl Biosci. 2026;5(1):10.

[11] Yin P, Peter A, Franken H, Zhao X, Neukamm SS, Rosenbaum L, et al. Preanalytical aspects and sample quality assessment in metabolomics studies of human blood. Clin Chem. 2013;59(5):833-45.

[12] Zubkowski A, López-Hernández Y, Yahya Rayat D, Zheng J, Hiebert-Giesbrecht MR, Johnson M, et al. Quantitative comparison of whole blood, plasma and serum metabolomes across different blood collection methods. Metabolomics. 2025;14:46.

[13] Dunn WB, Broadhurst D, Begley P, Zelena E, Francis-McIntyre S, Anderson N, et al. Procedures for large-scale metabolic profiling of serum and plasma using gas chromatography and liquid chromatography coupled to mass spectrometry. Nat Protoc. 2011;6(7):1060-83.

[14] Dudzik D, Barbas-Bernardos C, García A, Barbas C. A review of blood sample handling and pre-processing for metabolomics studies. Electrophoresis, 2017, 38(18): 2232–2241. doi: 10.1002/elps.201700086.

[15] Spooner N, Lad R, Barfield M. Dried blood spots as a sample collection technique for the determination of pharmacokinetics in clinical studies. Anal Chem. 2009;81(4):1557-63.

[16] Hensley CT, Faubert B, Yuan Q, et al. Metabolic heterogeneity in human lung tumors. Cell. 2016;164(4):681-94. doi:10.1016/j.cell.2015.12.034.

[17] Sullivan MR, Danai LV, Lewis CA, et al. Quantification of microenvironmental metabolites in murine cancers reveals determinants of tumor nutrient availability. eLife. 2019;8:e44235. doi:10.7554/eLife.44235.

关于中科新生命

上海中科新生命生物科技有限公司（APTBIO）创立于 2004 年，由原中国科学院上海生命科学研究院蛋白质组研究中心孵化而来，是国内质谱多组学应用领域的开拓者。公司以 “AI + 质谱多组学” 双核驱动创新，构建智能化组学生态。拥有自主知识产权的质谱检测平台与 AI 大数据分析系统，聚焦科技服务、生物医药及大健康消费三大领域，为全球科研机构、医院、药企提供从基础研究到临床转化的一站式解决方案。融合多组学技术与人工智能，围绕生物标志物发掘、药物靶点筛选及个性化诊疗等方向，构建具有国际竞争力的组学数据库与算法模型，推动转化医学进程，加速创新药物研发，成为推动生命科学数字化升级的核心引领者。