Оптимизация обработки масс-спектрометрических данных для выявления особенностей липидома клинических образцов тема диссертации и автореферата по ВАК РФ 02.00.02, кандидат наук Токарева Алиса Олеговна

• Токарева Алиса Олеговна
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Токарева Алиса Олеговна

ВВЕДЕНИЕ

ГЛАВА 1. МАСС-СПЕКТРОМЕТРИЯ ЛИПИДОВ В КЛИНИЧЕСКИХ ИССЛЕДОВАНИЯХ

1. 1 Липиды, их классы и роль в метаболизме человека

1.2 Методы масс-спектрометрии липидов

1.2.1 Методы прямого анализа биологической ткани

1.2.2 Анализ липидного экстракта с использованием прямого ввода

1.2.3 Анализ липидного экстракта с использованием жидкостной хромато-масс спектрометрии

1.3 Анализ масс-спектрометрических данных в клинических исследованиях

1.3.1 Предобработка данных

1.3.2 Нормализация данных

1.3.3 Идентификация липидов

1.3.4 Выбор биомаркеров, построение диагностической модели

ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ

2.1 Материалы

2.1.1. Биологические образцы

2.2.2 Химические препараты

2.2 Подготовка образцов

2.2.1 Синтез фосфотидилхолинов

2.2.2 Экстракция липидов

2.2.3 Состав партий

2.3 Масс-спектрометрический анализ

2.3.1 Масс-спектрометрия с прямой ионизацией

2.3.2 Масс-спектрометрия прямого ввода

2.3.3 Масс-спектрометрия с предварительным хроматографическим разделением

2.4 Обработка масс-спектрометрических данных

2.4.1 Предобработка масс-спектрометрических данных

2.4.2 Редуцирование межпартийных изменений

2.4.3 Идентификация липидов

2

2.4.4 Выбор маркеров

2.4.5. Построение классификационных моделей, диагностических моделей и

их валидация

2.4.6 Статистический анализ

ГЛАВА 3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

3.1 Деконволюция спектров

3.2 Нормализация данных

3.3. Выбор переменных

3.3.1 Построение дискриминантных моделей

3.3.2 Поиск биомаркеров. Диагностические модели

ГЛАВА 4. ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ

ЗАКЛЮЧЕНИЕ

ВЫВОДЫ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Оптимизация обработки масс-спектрометрических данных для выявления особенностей липидома клинических образцов»

Актуальность темы исследования

Липидомика, как область знаний о липидах, привлекает всё больше внимания вследствие накопления информации о нарушениях метаболизма липидов при различных заболеваниях. Так, на данный момент уже установлены связь между синтезом эйкозаноидов и воспалительными процессами и инфекционными заболеваниями [1], ингибирование синтеза липопротеинов при диабете [2], связь между нарушениями в синтезе холестерина и болезнями мозга (болезни Аддингтона, синдрома Альцгеймера, синдрома Паркинсона) [3], связь метаболизма гликосфинголипидов и аутоиммунных заболеваний [4], а также метаболизма жирных кислот и степени агрессивности рака [5]. Липидомика на сегодняшний день широко задействована в медицине для получении молекулярных профилей тканей, поиске биомаркеров и анализе метаболических путей при различных заболеваниях. Развитие мягких методов ионизации биомакромолекул, таких как электрораспыление (ЭРИ) и матрично-лазерная десорбция с ионизацией (МАЛДИ) привело к тому, что масс-спектрометрия стала широко применяться в липидомных исследованиях [6-13].

Ввиду разнородности исследуемых образцов биологических тканей, а также широкого профиля заболеваний, потенциально связанных с метаболизмом липидов, разработка оптимальных методов анализа данных о липидном профиле, полученном с использованием масс-спектрометрии, для клинических целей является актуальной исследовательской задачей.

Степень разработанности темы исследования

На сегодняшний день уделяется мало внимания решению проблем

деконволюции спектров, получаемых с использованием масс-спектрометрии с

прямой ионизацией. При сравнительном исследовании методов нормализации

наибольшее внимание уделяется методам с использованием внутреннего

4

стандарта или контроля качества, которые удорожают или удлиняют исследования, игнорируя оценку эффективности методов на основе исследуемых данных. Также при сравнительном анализе методов селекции переменных при анализе масс-спектрометрических данных игнорируется адекватность применимости выбора переменных для логистической регрессии, которая является основным инструментом в построении диагностических моделей.

Цель исследования

Разработка методик, применимых при анализе данных о липидном профиле биоматериалов различного происхождения, полученных с использованием масс-спектрометрии высокого разрешения для клинических исследований и поиска биомаркеров заболеваний различного генезиса.

Задачи исследования

1. Повышение эффективности анализа данных, полученных масс-спектрометрическим анализом липидного профиля тканей с использованием прямой ионизации.

2. Сравнительное исследование методов нормализации данных на основе исследуемых образцов, полученных с использованием высокоэффективной жидкостной хромато-масс-спектрометрии.

3. Оптимизация методов поиска биомаркеров в масс-спектрометрических данных, полученных масс-спектрометрическим анализом липидного профиля тканей для дискриминационных и диагностических моделей.

Научная новизна

Разработан метод деконволюции пиков от липидов с одинаковой изобарической массой на основе спектров фрагментации без добавления внутренних стандартов. Автомасштабирование определено как метод, эффективно

убирающий межпартийные различия в масс-хроматограммах при сохранении различий в профилях, относящихся к разным клиническим группам. Показана эффективность моноклассовых моделей для построения дискриминационных моделей. Разработан двухстадийный метод поиска переменных для построения диагностических моделей на основе логистической регрессии. Показана более высокая устойчивость селекции переменных по информационному критерию Акаике, чем с использованием ЛАССО, для построения логистических регрессий.

Практическая значимость

Разработан подход к деконволюции спектра, получаемого с использованием прямой масс-спектрометрии без дополнительной обработки образца. Показана эффективность методов нормализации данных для удаления межпартийных изменений на основе исследуемых данных, что позволяет уменьшить материальные и временные затраты на исследования. Дискриминационные модели на основе выбранного класса липидов упрощают потенциальный целевой анализ и могут быть использованы для дальнейшего исследования патогенеза заболевания. Двухстадийный метод выбора переменных для логистической регрессии может быть использован для широкого круга омиксовых исследований.

Методология и методы исследования

Образцы биоматериала, использованные в работе, были получены от

пациенток ФГБУ «НМИЦ АГП им. Кулакова» в ходе клинических исследований,

связанных с быстрой и малоинвазивной диагностикой границ опухоли молочной

железы, поиском маркеров метастазирования в регионарные узлы при раке

молочной железы, сравнительном исследовании изменении метаболизма в

эндометриоидных тканях при эндометриозе и миометрии в секреторную и

пролиферативную фазу, диагностике рака шейки матки по молекулярному

профилю биопсийного материала, диагностике миомы по плазме крови,

диагностике эндометриоза по плазме крови, диагностике преэклампсии и

задержки внутриутробного развития по плазме крови. Исследования одобрены экспертной комиссией ФГБУ «НМИЦ АГП им. В.И. Кулакова» Минздрава России по вопросам медицинской этики. Все пациентки подписали добровольное информированное согласие на участие в клинических исследованиях.

Положения, выносимые на защиту

1. Алгоритм, позволяющий проводить деконволюции сигнала от изобарических ионов.

2. Метод нормализации на основе автомасштабирования для редуцирования отклонений между разными партиями в ходе крупномасштабного хромато-масс-спектрометрического анализа клинических образцов 1*зЬ =

3. Дискриминационная модель на основе отдельных классов липидов пригодных для классификации образцов и для оценки вклада липидов в развитие заболевания.

4. Двухстадийный метод выбора переменных с использованием значений проекций переменной и информационного критерия Акаике при поиске молекулярных маркеров для построения диагностической модели на основе логистической регрессии.

Степень достоверности

Достоверность полученных результатов обеспечена использованием в исследовании образцов наборов данных для нескольких различных реальных клинических исследований и корректностью применения апробированного в научной практике исследовательского и аналитического аппарата.

Апробация диссертации

Основные результаты работы были представлены на международных и российских конференциях: The 5th Annual European Congress of The Association for Mass Spectrometry: Applications to the Clinical Lab (MSACL 2018 EU 5rd Annual Congress), Salzburg, Austria September 11-13, 2018; 4-й междисциплинарный научный форум с «Новые материалы и перспективные технологии», Москва, Россия, 27-30 ноября 2018 года; 9-й съезд ВМСО VIII Всероссийской конференции с международным участием «Масс-спектрометрия и ее прикладные проблемы», Россия, Москва, 14-18 октября 2019 года.

По теме диссертации была подана заявка на патент изобретения и опубликовано 6 научных работ, 5 из них - в журналах, индексируемых системой Scopus.

Структура и объём диссертации

Диссертация состоит из введения, 4 глав, заключения, выводов, списка литературы. Работа изложена на 118 страницах машинописного текста, содержит 17 таблиц, 15 рисунков. Библиографический указатель содержит 171 источник, все относятся к зарубежным.

ГЛАВА 1. МАСС-СПЕКТРОМЕТРИЯ ЛИПИДОВ В КЛИНИЧЕСКИХ ИССЛЕДОВАНИЯХ (лит. обзор)

1.1 Липиды, их классы и роль в метаболизме человека

Липиды - группа амфифильных соединений, характеризующаяся в строении наличием полярной «головы» и неполярных «хвостов» - остатков жирных кислот, соединённых сложной эфирной связью. Данное строение позволяет образовывать бислои в полярной среде (воде) и везикулы на границе полярных и неполярных сред, что сделало их важным компонентом клеток. Класс, к которому относятся липиды, их свойства и биологическая роль зависят от того, какие соединения входят в состав «головы». (Таблица 1, Таблица 2, Рисунок 1)

Также на основе информации о структуре липида строится номенклатура записи названий соединений липидов вида X L:N для случая, когда известна суммарная длина жирнокислотных остатков в атомах углерода, вида X 11:п1_12:п2 для случая, когда известна длина каждого жирнокислотного остатка, но не известна пространственная структура липида и X 11:п1/12:п2, когда известна пространственная структура липида. В данной записи X - обозначение класса липида, L, 11, 12 - длина жирнокислотных остатков, N п1, п2 - количество двойных связей в жирнокислотных остатках.

Таблица 1. Строение основных классов липидов

Название класса Номенклатурное обозначение

Моно- глицериды MG

Ди- DG

Три- TG

Фосфатидил- -холины РС

-этаноламины РЕ

-серины PS

Название класса Номенклатурное обозначение

-глицеролы PG

-инозитолы Р1

-иовая кислота РА

Церамиды Сег

Галактозил- GalCer

Глюкозил- GlcCeг

Сфингомиелины SM

Холестериновые эфиры СЕ

Ацилкофермент А Асу1-СоА

Ацилкарнитины CAR

Жирные кислоты FA

Таблица 2. Биологическая роль основных классов липидов

Класс Функция

Моноглицериды Накопление энергии, прекурсор диглицеридов и триглицеридов [14,15]

Диглицериды Накопление энергии, прекурсор триглицеридов [14,15] и фосфолипидов [16], участник внутриклеточных процессов (один из участников активации и переноса протеинкиназы С) [17,18]

Триглицериды Накопление и перенос энергии [19]

Фосфатидилхолины Один из основных компонентов клеточных мембран [19], прекурсор сфингомиелинов и фосфатидилсеринов [16]

Фосфатидилэтаноламины Один из основных компонентов клеточных

Класс Функция

мембран [19], прекурсор фосфатидилхолинов и фосфатидилсеринов [16], участник трансмембранного транспорта протеинов [20]

Фосфатидилсерины Компонент клеточных мембран [16], участник внутриклеточных процессов, является частью сигнальной системы для взаимодействия с макрофагом [18,21]

Фосфатидилглицеролы Прекурсор кардиолипина [20]

Фосфатидилинозитолы Компонент клеточных мембран, прекурсор семейства сигнальных молекул [22]

Фосфатидилиновая кислота Компонент клеточных мембран, участник внутриклеточных сигнальных процессов [18]

Церамиды Участие в процессах апоптоза [23], прекурсор сфингомиелинов, галактозилцерамидов и гликозилцерамидов [24]

Галактозилцерамиды Один из основных компонентов миелиновых оболочек [25], участник межклеточных взаимодействий и компонент систем межклеточной передачи сигналов [24]

Глюкозилцерамиды Один из основных компонентов миелиновых оболочек [25], участник межклеточных взаимодействий и компонент систем межклеточной передачи сигналов [24]

Сфингомиелины Основной компонент миелиновых оболочек нервных клеток, один из основных компонентов внешнего слоя клеточной мембраны клеток [19] и хроматина [26]

Класс Функция

Холестериновые эфиры Транспорт холестерина [27]

Жирные кислоты Запасание и перенос энергии, участник синтеза сложных липидов.

Рисунок 1. Общая структура липидов: а) глицеролипиды, б) сфинголипиды, в) эфиры жирных кислот. R1, R2, R - углеводородные цепи - хвосты жирных кислот, X - полярные "головы".

Кроме того, следует выделить кардиолипины (Рисунок 2), липиды с простой эфирной связью (рисунок 3), лизолипиды и окисленные липиды (рисунок 4).

Кардиолипин (дифосфатидилглицерол) - липид с димерной структурой, важный компонент внутренней мембраны митохондрий, является компонентом дыхательной цепи и одним из участников инициации апоптоза [28].

К липидам с простой эфирной связью относятся моноацилглицеролы, диацилглицеролы, триацилглицеролы, фосфатидилхолины,

фосфатидилэтаноламины, фосфатидилсерины и фосфатидиловые кислоты, у которых один из жирнокислотных остатков в которых соединён с «головой» через простую, а не сложную эфирную связь, которая может являться алкильной или

алкенильной (плазмалогены) [19,29]. Липиды с эфирной связью образуют более сильную связь с соседними липидами в липидных рафтах, чем липиды, у которых обе связи сложноэфирные, и изменяют свойства клеточной мембраны. Кроме того, алкильные липиды участвуют в активации Т-клеток, а плазмалогены являются клеточными антиоксидантами [30].

Лизолипиды - фосфолипиды, у которых один из жирнокислотных остатков замещён атомом водорода. Как правило, они играют структурную роль, влияя на форму мембраны (лизофосфотидилхолины) и принимают участие в передаче внутри- и межклеточных сигналов (остальные классы лизофосфолипидов) [31,32].

Окисленные липиды - липиды с полиненасыщенным жирнокислотным остатком, который подвергся окислению с последующей модификацией (рисунок 3). Как правило, данные липиды играют роль антиоксидантов, обладают антиэндотоксиновой активностью, участвуют в управлении воспалительными процессами и процессами апоптоза [33,34].

о

Рисунок 2. Структура кардиолипина. R1, R2, R3, ^ - углеводородные цепи -хвосты жирных кислот

г»

о

Рисунок 3. Структура фосфолипида с а) алкильной связью б) алкенильной связью. R1, R2- углеводородные цепи - хвосты жирных кислот, X - полярная «голова».

ноо

но

лГ R

но

лГ л

лГ R

Рисунок 4. Типы окисленных липидов. Л, Л1, Л2 - углеводородные цепи, X-спиртовой скелет, полярная голова и второй жирнокислотный остаток.

Длина жирнокислотных остатков, входящих в состав липидов, лежит в диапазоне 12-26 атомов углерода, с наиболее часто встречающейся длиной в 16-18 атомов углерода. Число двойных связей, содержащихся в жирнокислотном остатке, лежит в диапазоне 0-6 связей, наиболее распространённым является

о

о

X

X

о

о

X

X

о

о

X

X

л

2

число связей от 0 до 2 [35]. От количества двойных связей в жирнокислотных остатках зависят плотность упаковки липидов в липидных рафтах в клеточных мембранах, и, следовательно, свойства мембран в этой области [32].

Кроме того, следует отметить установленную связь изменения уровней липидов некоторых классов при различных заболеваниях из-за изменения уровня метаболитов и белков, задействованных и в патогенезе заболевания, и в метаболизме липидов. Так, повышение количества фосфатидилхолинов в образцах раковых тканей по сравнению с нормальными тканями связано с возросшим количеством ОДоК белка, задействованного в фосфорилировании холинов в раковой ткани [36]. В тканях мозга, подвергшихся болезни Альцгеймера, наблюдается больший уровень, по сравнению с нормой, кислотной сфингомиелазы, гидролизирующей сфингомиелины, что приводит к уменьшению их количества [37].

1.2 Методы масс-спектрометрии липидов

Методы масс-спектрометрического анализа липидов можно условно разбить на 3 группы:

1. Методы прямого анализа биологической ткани;

2. Прямой ввод липидного экстракта ткани в масс-спектрометр;

3. Масс-спектрометрический анализ липидного экстракта с предварительным разделением с использованием хроматографии.

1.2.1 Методы прямого анализа биологической ткани

Методы прямого анализа ткани объединяет отсутствие необходимости в предварительной экстракции липидов из тканей. Наиболее широко для прямого анализа тканей используют метод десорбции с электрораспылительной ионизацией (ДЭРИ) [38], и метод прямой ионизации [39].

При ДЭРИ образец закрепляется на подложке, которая бомбардируется электрораспылёнными заряженными каплями растворителя (как правило, водно-метанольной смеси), которые экстрагируют и ионизируют молекулы образца, а также осуществляют их доставку внутри вторичных микрокапель, образующихся при разбрызгивании от удара об поверхность образца первичных заряженных микрокапель(рисунок 5)

Рисунок 5. Схематическое изображение метода ДЭРИ

Прямая масс-спектрометрия, спрей с ткани [40], тканевый спрей [41], спрей отпечатка [42], электрораспылительная ионизация с использованием твёрдой пробы [43] - методы, в основе которых лежит помещение образца ткани на находящийся под напряжением фиксатор, с одномоментной или непрерывной подаче растворителя, экстрагирующего молекулы из образца (рисунок 6).

V

V

Ввод масс-спектрометра

Рисунок 6. Схематичное изображение метода прямой ионизации

Общими для обоих методов является малое время анализа ткани и отсутствие предварительной экстракции из образца ткани, что ускоряет получение результата, при этом метод прямого анализа характеризуется более простой геометрией анализа.

Оба метода являются эффективными методами анализа липидного профиля, что подтверждается возможностью проводить дифференциацию раковой и нормальной тканей по масс-спектру липидного профиля [44]. Так же показана эффективность применения метода прямой ионизации и для других задач нецелевого анализа, как то: поиск различий в липидном профиле эутопического и эктопического эндометрия [45], обнаружение некротических изменений в опухолях головного мозга [46], сравнительный анализ липидного профиля бластоцитов in vivo и in vitro, а также незрелых и зрелых ооцитов [47].

К недостаткам обоих методов можно отнести то, что из-за отсутствия пробоподготовки при разрушении мембран клеток происходит взаимодействие липидов с ионами Na+ и K+, как для метода ДЭРИ [48], так и для метода прямой ионизации [49], что приводит к усложнению спектра в режиме положительных ионов, ставит его в зависимость от относительного содержания ионов Na+ и K+, а так же, из-за существования ионов H+ в ионизированных микрокаплях, приводит к затруднениям в идентификации ионов, катионизированных

H+

и Na+, и чьи

молекулярные массы различаются на 22 Да: так, для одних из самых распространённых липидов , m/z [PC 34:0 + Na]+ = 784,5827, m/z[PC 36:3 + H]+ = 784,5851, и соответствующая разрешающая способность прибора должна быть 784,5827 / (784,5851 - 784,5827) = 3,27*105, для которых нужен масс-анализатор сверхвысокого разрешения, использующий циклотронный резонанс или орбитальные ловушки. Для рутинных исследований в лабораториях, как правило, используются приборы с времяпролётными масс-анализаторами высокого разрешения, которые не справляются с задачей различения вышеприведённых ионов.

1.2.2 Анализ липидного экстракта с использованием прямого ввода.

При анализе липидного экстракта возникает необходимость в предварительной экстракции липидов из ткани, которая повышает количество детектируемых липидов при последующем масс-спектрометрическом анализе. Как правило, экстракция осуществляется методами, разработанными на основе методов Фолча [50] или Блайя и Дайера [51], в основе у которых лежит гомогенизация твёрдой ткани с хлороформ-метанольным раствором или добавление к анализируемой плазме хлороформ-метанольного раствора с осаждением белковой фракции соляным водным раствором. Данные методы позволяют с высокой эффективностью экстрагировать основные липиды, содержащиеся в анализируемом биоматериале: фосфатидилхолины, фосфатидилэтаноламины, диглицериды и триглицериды.

Масс-спектрометрический анализ с использованием прямого ввода, как правило, осуществляется с использованием ионизации электрораспылением (ЭРИ): растворитель, содержащий молекулы аналита, подаётся на находящуюся под напряжением иглу. Из иглы выходит аэрозоль из заряженных капель с высоким поверхностным зарядом, которые движутся ко входу в масс-спектрометр с нулевым потенциалом. По мере движения капли уменьшаются из-за испарения и разрываются на более мелкие капли под действием сил кулоновского отталкивания. В итоге образуются микрокапли, содержащие одну заряженную частицу, которую дополнительно десольватируют нагревом. В итоге в масс-спектрометр поступают протонированные ионы липидов, депротонированные, или образовавшие ионный комплекс с ионами, входящие в состав растворителя. Так, в зависимости от содержания ионов в растворителе, фосфатидитилхолины и фосфатидилэтаноламины в режиме положительных ионов образуют комплексы с ионами натрия, а в режиме отрицательных ионов, фосфатидилхолины и сфингомиелины образуют отрицательно заряженные комплексы с ацетатом и формикатом, кроме того, неполярные липиды склонны к образованию комплексов

с ионами аммиака, при их наличии, помимо ионов натрия [52]. Добавление солей в растворитель помогает упростить масс-спектр, сделав один из ионных комплексов преобладающим в масс-спектре.

Масс-спектрометрия прямого ввода позволяет анализировать как сложные смеси липидов, так и отдельных классов, в сочетании с количественным анализом [53-55]. Масс-спектрометрия прямого ввода позволила выделить потенциальные диагностические липидные маркеры из крови для болезни Альцгеймера [56,57], преэклампсии [58], коронарной болезни сердца [59], анатальной депрессии [60], изменяющиеся при волчанке [61], предсказывающие липидные маркеры кардиоваскулярной болезни сердца из плазмы крови [62], липиды, изменяющиеся при неопластическом поражении в клетках молочной железы [63], яичниках [64] и лёгких [65], выявить изменение относительного содержания классов липидов при мутации клеток [66], а также определить потенциальные липидные маркеры рака лёгких [67] и рака простаты [68] в плазме крови. Идентификация липидов проводилась либо только для липидов-маркеров по спектру фрагментации родительского иона [56-58,68] или всех липидов, содержащихся в экстракте, с использованием многомерной масс-спектрометрии [61,62], зависимого сканирования [60,63,67] или по точной массе родительского иона при фильтре по иону-продукту или нейтральной частице [59,65,66]. В ходе анализа с использованием многомерной масс-спектрометрии получают набор спектров с заданными условиями фрагментации, где условием выступает наличие характеризующих ионов-продуктов или нейтральных потерь в спектре фрагментации, где в их качестве задаются характеризующие класс липидов фрагменты (например, для фосфотидитилхолинов и сфингомиелинов характеризующим ионом в режиме положительных ионов является холин m/z 184,1 для родительского иона [M+H]+, для фосфотидилэтаноламинов в режиме отрицательных ионов - фосфоэтаноламина глицерол m/z 196.0 для родительского иона [M-H]-) и ионы, содержащие ацильную цепь. Применение специальных

программных пакетов позволяет в автоматическом режиме по полученным спектрам определить классовую принадлежность и жирнокислотный состав липидов [69,70]. Это позволяет получать информацию о жирнокислотном составе липида и тому, к какому классу он принадлежит. Данный метод позволяет использовать для анализа масс-анализаторы тройного квадруполя, не обладающие высоким разрешением, но получение большого количества значительно увеличивает время анализа, по сравнению с масс-спектрометрией без фрагментации.

Метод зависимого сканирования основан на комбинации регистрации обычного масс-спектра и спектра фрагментации выбранного иона. Выбор ионов для фрагментации происходит по убыванию их интенсивности в масс-спектре, с исключением ионов, масс-спектр которых уже был получен. Полученные спектры фрагментации используются для идентификации липидов при помощи пакетов программ [71].

Масс-спектрометрия прямого ввода позволяет проводить относительно быстрый анализ образца (несколько минут), но не различает изобарные ионы, что затрудняет идентификацию липидов и определение соотношения липидов в анализируемом образце, а также требует дополнительной обработки масс-

13

спектров, связанной с коррекцией вклада ионов, содержащих углерод С . Так,

+ 13

т^[РС 36:3 + Н]+ = 784,5851, а содержащего два атома изотопа С т/г[РС 36:4 + Н]+ = 784,5758.

1.2.3 Анализ липидного экстракта с использованием жидкостной хромато-масс спектрометрии.

Часть вышеперечисленных проблем решается предварительным разделением липидного экстракта на хроматографической колонке, с использованием нормально-фазовой, гидрофильной или обратно-фазовой хроматографии. Нормально-фазовая хроматография использует в липидомике в

качестве неподвижной фазы, как правило, силикагель, а в качестве подвижной -комбинацию полярного и неполярного органического растворителя: как правило, гексан или МТВЕ/изопропанол [72]. Нормально-фазовая хроматография успешно разделяет липиды по классам в порядке возрастания полярности класса: СЕ< FA < TG < < DG < MG < PG < РЕ < Р1 < PS < РА < РС < SM < LPC [72-74]. Нормально-фазовая хроматография не осуществляет разделение липидов, принадлежащих к одному классу, что затрудняет регистрацию всех липидов из-за матричного эффекта [75]. Кроме того, отсутствие водной фазы затрудняет ионизацию липидов при использовании электрораспыления - одного из самых распространённых методов ионизации в липидомной масс-спектрометрии. Использование гидрофильной хроматографии, с силикагелевой или диоловой неподвижной фазой и подвижной фазой, могущей содержать до 40% воды, улучшает ионизацию липидов в источнике ионизации электрораспылением и обладает лучшей воспроизводимостью результатов по сравнению с нормально-фазовой хроматографией [76]. Использование гидрофильной хроматографии не решает проблемы матричного эффекта, кроме того, гидрофильная хроматография не осуществляет разделение неполярных липидов (моно-, ди- и триацил-глицеролов, жирных кислот и холестериновых эфиров) между собой.

В обратно-фазовой хроматографии при исследовании липидов, как правило, используется силикагель с привитыми алькильными цепями длиной в 8 или 18 атомов углерода (С8 или С18) в качестве неподвижной фазы и комбинации воды, метанола и ацетонитрила [72]. В обратно-фазовой хроматографии на время удерживания липида большую роль оказывает суммарная длина жирнокислотных остатков, обуславливающая разделение в порядке LPC, LPE, FA - РС, РЕ, PG, Р1, SM, DG, Сег, PS - TG от более раннего времени выхода к более позднему. Кроме того, на время выхода оказывает влияние количество двойных связей в жирнокислотных остатках и полярность класса [72,77], что позволяет осуществить эффективное разделение отдельных соединений, что расширяет

Список литературы диссертационного исследования кандидат наук Токарева Алиса Олеговна, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Dennis E.A., Norris P.C. Eicosanoid storm in infection and inflammation // Nat. Rev. Immunol. Nature Publishing Group, 2015. Vol. 15, № 8. P. 511-523.

2. Verges B. Pathophysiology of diabetic dyslipidaemia: where are we? // Diabetologia. 2015. Vol. 58, № 5. P. 886-899.

3. Martin M.G., Pfrieger F., Dotti C.G. Cholesterol in brain disease: sometimes determinant and frequently implicated // EMBO Rep. 2014. Vol. 15, № 10. P. 1036-1052.

4. Morel L. Immunometabolism in systemic lupus erythematosus // Nat. Rev. Rheumatol. Nature Publishing Group, 2017. Vol. 13, № 5. P. 280-290.

5. Luo X. et al. Emerging roles of lipid metabolism in cancer metastasis // Mol. Cancer. Molecular Cancer, 2017. Vol. 16, № 1. P. 1-10.

6. Merrill A.H. et al. Sphingolipidomics: A valuable tool for understanding the roles of sphingolipids in biology and disease // J. Lipid Res. 2009. Vol. 50, № SUPPL. P. 97-102.

7. Perrotti F. et al. Advances in lipidomics for cancer biomarkers discovery // Int. J. Mol. Sci. 2016. Vol. 17, № 12.

8. Meikle P.J. et al. Lipidomics: Potential role in risk prediction and therapeutic monitoring for diabetes and cardiovascular disease // Pharmacol. Ther. Elsevier Inc., 2014. Vol. 143, № 1. P. 12-23.

9. Checa A., Bedia C., Jaumot J. Lipidomic data analysis: Tutorial, practical guidelines and applications // Anal. Chim. Acta. Elsevier B.V., 2015. Vol. 885. P. 1-16.

10. Kenwood B.M., Merrill A.H. Lipidomics // Encyclopedia of Cell Biology. Elsevier Ltd., 2016. Vol. 1. 147-159 p.

11. Au A. Metabolomics and Lipidomics of Ischemic Stroke // Advances in Clinical Chemistry. 1st ed. Elsevier Inc., 2018. Vol. 85. 31-69 p.

12. Gooley J.J., Chua E.C.P. Diurnal regulation of lipid metabolism and applications of circadian lipidomics // J. Genet. Genomics. Elsevier Ltd, 2014. Vol. 41, № 5. P. 231-250.

13. Zhao Y.Y. et al. Lipidomics: Novel insight into the biochemical mechanism of lipid metabolism and dysregulation-associated disease // Chem. Biol. Interact. Elsevier Ltd, 2015. Vol. 240. P. 220-238.

14. Murphy D.J. The biogenesis and functions of lipid bodies in animals, plants and microorganisms // Prog. Lipid Res. 2001. Vol. 40, № 5. P. 325-438.

15. Han X. Lipidomics for studying metabolism // Nat. Rev. Endocrinol. Nature Publishing Group, 2016. Vol. 12, № 11. P. 668-679.

16. Vance J.E. Phospholipid Synthesis and Transport in Mammalian Cells // Traffic. 2015. Vol. 16, № 1. P. 1-18.

17. Thompson G.A. Special roles of inositol lipids in cell signaling and metabolic regulation // Prog. Lipid Res. 1994. Vol. 33, № 1-2. P. 129-135.

18. Stace C.L., Ktistakis N.T. Phosphatidic acid- and phosphatidylserine-binding proteins // Biochim. Biophys. Acta - Mol. Cell Biol. Lipids. 2006. Vol. 1761, № 8. P. 913-926.

19. Garrett R.H., Grisham C.. Biochemistry // Biochemistry 6th edition. 6th ed. CENGAGE Learning, 2016. 1330 p.

20. Mejia E.M., Hatch G.M. Mitochondrial phospholipids: role in mitochondrial function // J. Bioenerg. Biomembr. 2016. Vol. 48, № 2. P. 99-112.

21. Birge R.B. et al. Phosphatidylserine is a global immunosuppressive signal in efferocytosis, infectious disease, and cancer // Cell Death Differ. Nature

Publishing Group, 2016. Vol. 23, № 6. P. 962-978.

22. Paolo G. Di, Camilli P. De. Phosphoinositides in cell regulation and membrane dynamics // Nature. 2006. Vol. 443, № October. P. 651-657.

23. Hannun Y.A., Obeid L.M. Principles of bioactive lipid signalling: Lessons from sphingolipids // Nature Reviews Molecular Cell Biology. 2008. Vol. 9, № 2. P. 139-150.

24. Wennekes T. et al. Glycosphingolipids — Nature , Function , and Pharmacological Modulation Angewandte // Angew. Chemie - Int. Ed. 2009. Vol. 48. P. 8848-8869.

25. Sabourdy F. et al. Functions of sphingolipid metabolism in mammals - Lessons from genetic defects // Biochim. Biophys. Acta - Mol. Cell Biol. Lipids. 2008. Vol. 1781, № 4. P. 145-183.

26. Lucki N.C., Sewer M.B. Nuclear Sphingolipid Metabolism // Annu. Rev. Physiol. 2012. Vol. 74, № 1. P. 131-151.

27. Kraemer F.B. et al. Cholesterol ester droplets and steroidogenesis // Mol. Cell. Endocrinol. Elsevier Ireland Ltd, 2013. Vol. 371, № 1-2. P. 15-19.

28. Ott M., Zhivotovsky B., Orrenius S. Role of cardiolipin in cytochrome c release from mitochondria // Cell Death Differ. 2007. Vol. 14, № 7. P. 1243-1247.

29. McIntyre T.M., Snyder F., Marathe G.K. Ether-linked lipids and their bioactive species // Biochemistry of Lipids, Lipoproteins and Membranes. 2008. P. 245276.

30. Dean J.M., Lodhi I.J. Structural and functional roles of ether lipids // Protein Cell. Higher Education Press, 2018. Vol. 9, № 2. P. 196-206.

31. Makide K. et al. Novel lysophosphoplipid receptors : their structure and function // J. Lipid Res. 2014. Vol. 55, № 6. P. 1986-1995.

32. Harayama T., Riezman H. Understanding the diversity of membrane lipid composition // Nature Reviews Molecular Cell Biology. Nature Publishing Group, 2018. Vol. 19, № 5. P. 281-296.

33. Ni Z. et al. Computational solutions in redox lipidomics - Current strategies and future perspectives // Free Radic. Biol. Med. Elsevier B.V., 2019. Vol. 144, № February. P. 110-123.

34. Miller Y.I., Shyy J.Y.J. Context-Dependent Role of Oxidized Lipids and Lipoproteins in Inflammation // Trends Endocrinol. Metab. Elsevier Ltd, 2017. Vol. 28, № 2. P. 143-152.

35. Leninger A. Principles of Biochemistry. 5th ed. New York: W.H. Freemanand Company, 2008. 1294 p.

36. Podo F. et al. Tumour Phospholipid Metabolism // Exp. Oncol. 2011. Vol. 19. P. 1-10.

37. Wong M.W. et al. Dysregulation of lipids in Alzheimer's disease and their role as potential biomarkers // Alzheimer's Dement. Elsevier Inc., 2017. Vol. 13, № 7. P. 810-827.

38. Takats Z., Wiseman J.M., Cooks R.G. Ambient mass spectrometry using desorption electrospray ionization (DESI): Instrumentation, mechanisms and applications in forensics, chemistry, and biology // J. Mass Spectrom. 2005. Vol. 40, № 10. P. 1261-1275.

39. Hu B. et al. Direct ionization of biological tissue for mass spectrometric analysis // Analyst. 2012. Vol. 137, № 16. P. 3613.

40. Kononikhin A. et al. A novel direct spray-from-tissue ionization method for mass spectrometric analysis of human brain tumors // Anal Bioanal Chem. 2015. Vol. 407, № 25. P. 7797-7805.

41. Wei Y. et al. Tissue spray ionization mass spectrometry for rapid recognition of

103

human lung squamous cell carcinoma // Sci. Rep. Nature Publishing Group, 2015. Vol. 5, № 1. P. 1-7.

42. Kerian K.S., Jarmusch A.K., Cooks R.G. Touch spray mass spectrometry for in situ analysis of complex samples // Analyst. 2014. Vol. 139, № 11. P. 2714-2720.

43. Hiraoka K. et al. Development of probe electrospray using a solid needle // Rapid Commun. Mass Spectrom. 2007. Vol. 21, № 21. P. 3139-3144.

44. Kerian K.S. et al. Differentiation of prostate cancer from normal tissue in radical prostatectomy specimens by desorption electrospray ionization and touch spray ionization mass spectrometry // Analyst. Royal Society of Chemistry, 2015. Vol. 140, № 4. P. 1090-1098.

45. Adamyan L. V. et al. Direct Mass Spectrometry Differentiation of Ectopic and Eutopic Endometrium in Patients with Endometriosis // J. Minim. Invasive Gynecol. Elsevier Inc., 2018. Vol. 25, № 3. P. 426-433.

46. Tata A. et al. Rapid detection of necrosis in breast cancer with desorption electrospray ionization mass spectrometry // Sci. Rep. Nature Publishing Group, 2016. Vol. 6, № October. P. 1-10.

47. González-Serrano A.F. et al. Desorption Electrospray Ionization Mass Spectrometry Reveals Lipid Metabolism of Individual Oocytes and Embryos // PLoS One. 2013. Vol. 8, № 9. P. 1-11.

48. Abbassi-Ghadi N. et al. A Comparison of DESI-MS and LC-MS for the Lipidomic Profiling of Human Cancer Tissue // J. Am. Soc. Mass Spectrom. 2016. Vol. 27, № 2. P. 255-264.

49. Chagovets V. et al. A Comparison of Tissue Spray and Lipid Extract Direct Injection Electrospray Ionization Mass Spectrometry for the Differentiation of Eutopic and Ectopic Endometrial Tissues // J. Am. Soc. Mass Spectrom. Journal of The American Society for Mass Spectrometry, 2018. Vol. 29, № 2. P. 323-330.

50. Folch J., Lees M., Sloane Stanley G.H. A simple method for the isolation and purification of total lipides from animal tissues // J. Biol. Chem. 1957. Vol. 226, № 1. P. 497-509.

51. Bligh E.., Dyer W.. A rapid method of total lipid extraction and purification // Can. J. Biochem. Physiol. 1959. Vol. 37, № 8. P. 911-917.

52. Sethi S. et al. Metabolomics: From Fundamentals to Clinical Applications. 2017. Vol. 965.

53. Schwudke D. et al. Top-down lipidomic screens by multivariate analysis of highresolution survey mass spectra // Anal. Chem. 2007. Vol. 79, № 11. P. 4083-4093.

54. Nealon J.R. et al. Phospholipid composition of the rat lens is independent of diet // Exp. Eye Res. Elsevier Ltd, 2008. Vol. 87, № 6. P. 502-514.

55. Han X. et al. Alterations in myocardial cardiolipin content and composition occur at the very earliest stages of diabetes: A shotgun lipidomics study // Biochemistry. 2007. Vol. 46, № 21. P. 6417-6428.

56. Anand S. et al. Discovery and Confirmation of Diagnostic Serum Lipid Biomarkers for Alzheimer's Disease Using Direct Infusion Mass Spectrometry // J. Alzheimer's Dis. 2017. Vol. 59, № 1. P. 277-290.

57. González-Domínguez R., García-Barrera T., Gómez-Ariza J.L. Metabolomic study of lipids in serum for biomarker discovery in Alzheimer's disease using direct infusion mass spectrometry // J. Pharm. Biomed. Anal. Elsevier B.V., 2014. Vol. 98. P. 321-326.

58. Anand S. et al. Detection and confirmation of serum lipid biomarkers for preeclampsia using direct infusion mass spectrometry // J. Lipid Res. 2016. Vol. 57, № 4. P. 687-696.

59. Meikle P.J. et al. Plasma lipidomic analysis of stable and unstable coronary artery disease // Arterioscler. Thromb. Vasc. Biol. 2011. Vol. 31, № 11. P. 2723-2732.

105

60. Wu Z. et al. Biomarker screening for antenatal depression in women who underwent caesarean section: A matched observational study with plasma Lipidomics // BMC Psychiatry. BMC Psychiatry, 2019. Vol. 19, № 1. P. 1-12.

61. Lu L. et al. Shotgun lipidomics revealed altered profiles of serum lipids in systemic lupus erythematosus closely associated with disease activity // Biomolecules. 2018. Vol. 8, № 4.

62. Stegemann C. et al. Lipidomics profiling and risk of cardiovascular disease in the prospective population-based bruneck study // Circulation. 2014. Vol. 129, № 18. P. 1821-1831.

63. Kim H.-Y. et al. Comparative metabolic and lipidomic profiling of human breast cancer cells with different metastatic potentials // Oncotarget. 2016. Vol. 7, № 41.

64. Hu Q. et al. Lipid profile of platelets and platelet-derived microparticles in ovarian cancer // BBA Clin. The Authors, 2016. Vol. 6. P. 76-81.

65. Marien E. et al. Non-small cell lung cancer is characterized by dramatic changes in phospholipid profiles // Int. J. Cancer. 2015. Vol. 137, № 7. P. 1539-1548.

66. Sampaio J.L. et al. Membrane lipidome of an epithelial cell line // Proc. Natl. Acad. Sci. 2011. Vol. 108, № 5. P. 1903-1907.

67. Fan T.W.M. et al. Exosomal lipids for classifying early and late stage non-small cell lung cancer // Anal. Chim. Acta. Elsevier Ltd, 2018. Vol. 1037. P. 256-264.

68. Duscharla D. et al. Prostate cancer associated lipid signatures in serum studied by ESI-tandem mass spectrometryas potential new biomarkers // PLoS One. 2016. Vol. 11, № 3. P. 1-21.

69. Han X., Gross R.W. Shotgun lipidomics: multidimensional MS analysis of cellular lipidomes // Expert Rev. Proteomics. 2005. Vol. 2, № 2. P. 253-264.

70. Yang K. et al. Automated lipid identification and quantification by

multidimensional mass spectrometry-based shotgun lipidomics // Anal. Chem. 2009. Vol. 81, № 11. P. 4356-4368.

71. Schwudke D. et al. Shotgun Lipidomics by Tandem Mass Spectrometry under Data-Dependent Acquisition Control // Methods in Enzymology. 2007. Vol. 433, № 07. P. 175-191.

72. Lange M. et al. Liquid Chromatography Techniques in Lipidomics Research // Chromatographia. Springer Berlin Heidelberg, 2019. Vol. 82, № 1. P. 77-100.

73. Kotapati H.K., Bates P.D. Normal phase HPLC method for combined separation of both polar and neutral lipid classes with application to lipid metabolic flux // J. Chromatogr. B Anal. Technol. Biomed. Life Sci. Elsevier, 2020. Vol. 1145, № March. P. 122099.

74. Abreu S., Solgadi A., Chaminade P. Optimization of normal phase chromatographic conditions for lipid analysis and comparison of associated detection techniques // J. Chromatogr. A. Elsevier B.V., 2017. Vol. 1514. P. 5471.

75. Khoury S. et al. A study of inter-species ion suppression in electrospray ionization-mass spectrometry of some phospholipid classes // Anal. Bioanal. Chem. 2016. Vol. 408, № 5. P. 1-13.

76. Cajka T., Fiehn O. Comprehensive analysis of lipids in biological systems by liquid chromatography-mass spectrometry // TrAC - Trends Anal. Chem. Elsevier B.V., 2014. Vol. 61. P. 192-206.

77. Ovcacikova M. et al. Retention behavior of lipids in reversed-phase ultrahighperformance liquid chromatography-electrospray ionization mass spectrometry // J. Chromatogr. A. 2016. Vol. 1450. P. 76-85.

78. Holcapek M. et al. Continuous comprehensive two-dimensional liquid chromatography-electrospray ionization mass spectrometry of complex lipidomic

samples // Anal. Bioanal. Chem. 2015. Vol. 407, № 17.

79. Wang S. et al. A novel stop-flow two-dimensional liquid chromatography-mass spectrometry method for lipid analysis // J. Chromatogr. A. Elsevier B.V., 2013. Vol. 1321. P. 65-72.

80. Cifkova E. et al. Determination of lipidomic differences between human breast cancer and surrounding normal tissues using HILIC-HPLC/ESI-MS and multivariate data analysis // Anal. Bioanal. Chem. 2015. Vol. 407, № 3. P. 9911002.

81. Cifkova E. et al. Lipidomic differentiation between human kidney tumors and surrounding normal tissues using HILIC-HPLC/ESI-MS and multivariate data analysis // J. Chromatogr. B Anal. Technol. Biomed. Life Sci. 2015. Vol. 1000. P. 14-21.

82. Peng W. et al. LC-MS/MS metabolome analysis detects the changes in the lipid metabolic profiles of dMMR and pMMR cells // Oncol. Rep. 2018. Vol. 40, № 2. P. 1026-1034.

83. Lian J.S. et al. A serum metabolomic analysis for diagnosis and biomarker discovery of primary biliary cirrhosis and autoimmune hepatitis // Hepatobiliary Pancreat. Dis. Int. The Editorial Board of Hepatobiliary & Pancreatic Diseases International, 2015. Vol. 14, № 4. P. 413-421.

84. Zhou Y. et al. Noninvasive Detection of Nonalcoholic Steatohepatitis Using Clinical Markers and Circulating Levels of Lipids and Metabolites // Clin. Gastroenterol. Hepatol. 2016. Vol. 14, № 10. P. 1463-1472.e6.

85. Liu X. et al. Plasma lipidomics reveals potential lipid markers of major depressive disorder // Anal. Bioanal. Chem. Analytical and Bioanalytical Chemistry, 2016. Vol. 408, № 23. P. 6497-6507.

86. Xie H. et al. Metabolic profiling and novel plasma biomarkers for predicting

survival in epithelial ovarian cancer // Oncotarget. 2017. Vol. 8, № 19. P. 3213432146.

87. Li J. et al. Discovery of phosphatidic acid, phosphatidylcholine, and phosphatidylserine as biomarkers for early diagnosis of endometriosis // Front. Physiol. 2018. Vol. 9. P. 1-7.

88. Lu Y. et al. Comparison of hepatic and serum lipid signatures in hepatocellular carcinoma patients leads to the discovery of diagnostic and prognostic biomarkers // Oncotarget. 2018. Vol. 9, № 4. P. 5032-5043.

89. Meesters R.J.W. et al. Multiplatform plasma metabolic and lipid fingerprinting of breast cancer: A pilot control-case study in Colombian Hispanic women // PLoS One. 2018. Vol. 13, № 2. P. e0190958.

90. Zhang Y. et al. High resolution mass spectrometry coupled with multivariate data analysis revealing plasma lipidomic alteration in ovarian cancer in Asian women // Talanta. Elsevier, 2016. Vol. 150. P. 88-96.

91. Li J. et al. Distinct plasma lipids profiles of recurrent ovarian cancer by liquid chromatography-mass spectrometry // Oncotarget. 2017. Vol. 8, № 29. P. 4683446845.

92. Wang X.F. et al. Plasma lipidomics identifies novel biomarkers in patients with hepatitis B virus-related acute-on-chronic liver failure // Metabolomics. Springer US, 2017. Vol. 13, № 6. P. 0.

93. Khedr A. et al. Phospholipidomic identification of potential serum biomarkers in dengue fever, hepatitis B and hepatitis C using liquid chromatography-electrospray ionization-tandem mass spectrometry // J. Chromatogr. B Anal. Technol. Biomed. Life Sci. Elsevier B.V., 2016. Vol. 1009-1010. P. 44-54.

94. Hogan S.R. et al. Discovery of Lipidome Alterations Following Traumatic Brain Injury via High-Resolution Metabolomics // J. Proteome Res. 2018. Vol. 17, № 6.

P. 2131-2143.

95. Zhou J. et al. Plasma metabolomics and lipidomics reveal perturbed metabolites in different disease stages of chronic obstructive pulmonary disease // Int. J. COPD. 2020. Vol. 15. P. 553-565.

96. Ravipati S. et al. Plasma lipid biomarker signatures in squamous carcinoma and adenocarcinoma lung cancer patients // Metabolomics. Springer US, 2015. Vol. 11, № 6. P. 1600-1611.

97. García-Fontana B. et al. Metabolomic profile related to cardiovascular disease in patients with type 2 diabetes mellitus: A pilot study // Talanta. Elsevier, 2016. Vol. 148. P. 135-143.

98. Shen S. et al. A plasma lipidomics strategy reveals perturbed lipid metabolic pathways and potential lipid biomarkers of human colorectal cancer // J. Chromatogr. B Anal. Technol. Biomed. Life Sci. Elsevier, 2017. Vol. 1068-1069, № September. P. 41-48.

99. Yang L. et al. Comprehensive lipid profiling of plasma in patients with benign breast tumor and breast cancer reveals novel biomarkers // Anal. Bioanal. Chem. 2015. Vol. 407, № 17. P. 5065-5077.

100. Yang L. et al. Lipidomic analysis of plasma in patients with lacunar infarction using normal-phase/reversed-phase two-dimensional liquid chromatography-quadrupole time-of-flight mass spectrometry // Anal. Bioanal. Chem. 2017. Vol. 409, № 12. P. 3211-3222.

101. Lin L. et al. LC-MS based serum metabonomic analysis for renal cell carcinoma diagnosis, staging, and biomarker discovery // J. Proteome Res. 2011. Vol. 10, № 3. P. 1396-1405.

102. Mass Spectrometry Data Analysis in Proteomics // Mass Spectrometry Data Analysis in Proteomics. 2nd ed. / ed. Rune M. Springer Science+Business Media,

2013.

103. Wehofsky M., Hoffmann R. Automated deconvolution and deisotoping of electrospray mass spectra // J. Mass Spectrom. 2002. Vol. 37, № 2. P. 223-229.

104. Bijlsma S. et al. Large-scale human metabolomics studies: A strategy for data (pre-) processing and validation // Anal. Chem. 2006. Vol. 78, № 2. P. 567-574.

105. Koelmel J.P. et al. Software tool for internal standard based normalization of lipids, and effect of data-processing strategies on resulting values // BMC Bioinformatics. BMC Bioinformatics, 2019. Vol. 20, № 1. P. 1-13.

106. Sysi-Aho M. et al. Normalization method for metabolomics data using optimal selection of multiple internal standards // BMC Bioinformatics. 2007. Vol. 8. P. 117.

107. De Livera A.M. et al. Statistical Methods for Handling Unwanted Variation in Metabolomics Data // Anal. Chem. 2015. Vol. 87, № 7. P. 3606-3615.

108. Wang S.Y., Kuo C.H., Tseng Y.J. Batch normalizer: A fast total abundance regression calibration method to simultaneously adjust batch and injection order effects in liquid chromatography/time-of-flight mass spectrometry-based metabolomics data and comparison with current calibration met // Anal. Chem. 2013. Vol. 85, № 2. P. 1037-1046.

109. Shen X. et al. Normalization and integration of large-scale metabolomics data using support vector regression // Metabolomics. Springer US, 2016. Vol. 12, № 5. P. 1-12.

110. Dieterle F. et al. Probabilistic quotient normalization as robust method to account for dilution of complex biological mixtures. Application in1H NMR metabonomics // Anal. Chem. 2006. Vol. 78, № 13. P. 4281-4290.

111. Han R.H. et al. Simulation of triacylglycerol ion profiles: bioinformatics for interpretation of triacylglycerol biosynthesis. // J. Lipid Res. 2013. Vol. 54, № 4.

ill

P. 1023-1032.

112. van den Berg R.A. et al. Centering, scaling, and transformations: Improving the biological information content of metabolomics data // BMC Genomics. 2006. Vol. 7. P. 1-15.

113. Karaman I. Preprocessing and Pretreatment of Metabolomics Data for Statistical Analysis. 2017. Vol. 965. P. 145-161.

114. Du Y.M. et al. Power Normalization for Mass Spectrometry Data Analysis and Analytical Method Assessment // Anal. Chem. 2016. Vol. 88, № 6. P. 3156-3163.

115. Huber W. et al. Variance stabilization applied to microarray data calibration and to the quantification of differential expression // Bioinformatics. 2002. Vol. 18, № SUPPL. 1.

116. Lin S.M. et al. Model-based variance-stabilizing transformation for Illumina microarray data // Nucleic Acids Res. 2008. Vol. 36, № 2. P. 1-9.

117. Chawade A., Alexandersson E., Levander F. Normalyzer: A tool for rapid evaluation of normalization methods for omics data sets // J. Proteome Res. 2014. Vol. 13, № 6. P. 3114-3120.

118. Li B. et al. Performance evaluation and online realization of data-driven normalization methods used in LC/MS based untargeted metabolomics analysis // Sci. Rep. 2016. Vol. 6, № December. P. 1-13.

119. Lee J. et al. Quantile normalization approach for liquid chromatography- mass spectrometry-based metabolomic data from healthy human volunteers // Anal. Sci. 2012. Vol. 28, № 8. P. 801-805.

120. Chen J. et al. Influences of Normalization Method on Biomarker Discovery in Gas Chromatography-Mass Spectrometry-Based Untargeted Metabolomics: What Should Be Considered? // Anal. Chem. 2017. Vol. 89, № 10. P. 5342-5348.

121. Ejigu B.A. et al. Evaluation of normalization methods to pave the way towards large-scale LC-MS-based metabolomics profiling experiments // Omi. A J. Integr. Biol. 2013. Vol. 17, № 9. P. 473-485.

122. Ly-Verdü S. et al. Combining metabolomic non-targeted GC*GC-ToF-MS analysis and chemometric ASCA-based study of variances to assess dietary influence on type 2 diabetes development in a mouse model // Anal. Bioanal. Chem. 2015. Vol. 407, № 1. P. 343-354.

123. Li B. et al. NOREVA: Normalization and evaluation of MS-based metabolomics data // Nucleic Acids Res. 2017. Vol. 45, № W1. P. W162-W170.

124. Fahy E. et al. LIPID MAPS online tools for lipid research // Nucleic Acids Res. 2007. Vol. 35, № SUPPL.2. P. 606-612.

125. Smith C.A. et al. METLIN A Metabolite Mass Spectral Database // Ther. Drug Monit. 2005. Vol. 27, № 6. P. 747-751.

126. Xue J. et al. METLIN MS2 molecular standards database: a broad chemical and biological resource // Nat. Methods. Springer US, 2020. Vol. 17, № 10. P. 953954.

127. Wishart D.S. et al. HMDB 4.0: The human metabolome database for 2018 // Nucleic Acids Res. 2018. Vol. 46, № D1. P. D608-D617.

128. Wishart D.S. et al. HMDB: The human metabolome database // Nucleic Acids Res. 2007. Vol. 35, № SUPPL. 1. P. 521-526.

129. Wold S., Sjöström M., Eriksson L. PLS-regression: a basic tool of chemometrics // Chemom. Intell. Lab. Syst. 2001. Vol. 58, № 2. P. 109-130.

130. Trygg J., Wold S. Orthogonal projections to latent structures (O-PLS) // J. Chemom. 2002. Vol. 16, № 3. P. 119-128.

131. Galindo-Prieto B., Eriksson L., Trygg J. Variable influence on projection (VIP)

for OPLS models and its applicability in multivariate time series analysis // Chemom. Intell. Lab. Syst. Elsevier B.V., 2015. Vol. 146. P. 297-304.

132. Douglas F., Pat L., Fisher R. Methods of Conceptual Clustering and their Relation to Numerical Taxonomy // Ann. Eugen. 1985. Vol. 7, № 2. P. 179-188.

133. Pearson K. LIII. On lines and planes of closest fit to systems of points in space // London, Edinburgh, Dublin Philos. Mag. J. Sci. 1901. Vol. 2, № 11. P. 559-572.

134. Kalogiouri N.P. et al. Application of High Resolution Mass Spectrometric methods coupled with chemometric techniques in olive oil authenticity studies - A review // Anal. Chim. Acta. Elsevier Ltd, 2020. Vol. 1134. P. 150-173.

135. Cohen J.F. et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: Explanation and elaboration // BMJ Open. 2016. Vol. 6, № 11. P. 1-17.

136. Tibshirani R. Regression Shrinkage and Selection Via the Lasso // J. R. Stat. Soc. Ser. B. 1996. Vol. 58, № 1. P. 267-288.

137. Friedman J., Hastie T., Tibshirani R. Regularization paths for generalized linear models via coordinate descent // J. Stat. Softw. 2010. Vol. 33, № 1. P. 1-22.

138. Park T., Casella G. The Bayesian Lasso // J. Am. Stat. Assoc. 2008. Vol. 103, № 482. P. 681-686.

139. Rajaratnam B. et al. Lasso regression: estimation and shrinkage via the limit of Gibbs sampling // J. R. Stat. Soc. Ser. B Stat. Methodol. 2016. Vol. 78, № 1. P. 153-174.

140. Breiman L. Random forests // Mach. Learn. 2001. Vol. 45. P. 5-32.

141. Menze B.H. et al. A comparison of random forest and its Gini importance with standard chemometric methods for the feature selection and classification of spectral data // BMC Bioinformatics. 2009. Vol. 10. P. 1-16.

142. Bishop C.M. Pattern recognition and machine learning. Springer, 2006. Vol. 27,

№ 1. 758 p.

143. Burges C.J.C. A Tutorial on Support Vector Machines for Pattern Recognition // Data Min. Knowl. Discov. 1998. Vol. 2. P. 121-167.

144. Oh J.H. et al. Proteomic biomarker identification for diagnosis of early relapse in ovarian cancer // J. Bioinform. Comput. Biol. 2006. Vol. 4, № 6. P. 1159-1179.

145. Fisher R.A. XV.—The Correlation between Relatives on the Supposition of Mendelian Inheritance // Earth Environ. Sci. Trans. R. Soc. Edinburgh. 1918. Vol. 52, № 2. P. 399-433.

146. Student. The Correction to be made to the Correlation Ratio for Grouping // Biometrika. 1913. Vol. 9, № 1-2. P. 316-320.

147. Mann H.B., Whitney D.R. On a test of whether one of two random variables is stochastically larger than the other // Ann. Math. Stat. 1947. Vol. 18, № 1. P. 5060.

148. Mirzaei H., Carrasco M. Modern Proteomics - Sample Preparation, Analysis and Practical Applications // Mod. Proteomics - Sample Prep. Anal. Pract. Appl. 2016. Vol. 919. P. 345-382.

149. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing:, 2018.

150. Pluskal T. et al. MZmine 2: Modular framework for processing, visualizing, and analyzing mass spectrometry-based molecular profile data // BMC Bioinformatics. 2010. Vol. 11.

151. Koelmel J.P. et al. LipidMatch: An automated workflow for rule-based lipid identification using untargeted high-resolution tandem mass spectrometry data // BMC Bioinformatics. BMC Bioinformatics, 2017. Vol. 18, № 1. P. 1-11.

152. Sud M. et al. LMSD: LIPID MAPS structure database // Nucleic Acids Res. 2007.

Vol. 35, № SUPPL. 1. P. 527-532.

153. Akaike H. Information Theory and an Extension of the Maximum Likelihood Principle // Sel. Pap. Hirotugu Akaike. 1998. P. 199-213.

154. Wang M., Huang Y., Han X. Accurate mass searching of individual lipid species candidates from high-resolution mass spectra for shotgun lipidomics // Rapid Commun. Mass Spectrom. 2014. Vol. 28, № 20. P. 2201-2210.

155. Ryan E., Reid G.E. Chemical Derivatization and Ultrahigh Resolution and Accurate Mass Spectrometry Strategies for "shotgun" Lipidome Analysis // Acc. Chem. Res. 2016. Vol. 49, № 9. P. 1596-1604.

156. Höring M. et al. Correction of Isobaric Overlap Resulting from Sodiated Ions in Lipidomics // Anal. Chem. 2020. Vol. 92, № 16. P. 10966-10970.

157. Yang Q. et al. NOREVA: enhanced normalization and evaluation of time-course and multi-class metabolomic data // Nucleic Acids Res. Oxford University Press, 2020. Vol. 48, № W1. P. W436-W448.

158. Cook T., Ma Y., Gamagedara S. Evaluation of statistical techniques to normalize mass spectrometry-based urinary metabolomics data // J. Pharm. Biomed. Anal. Elsevier B.V., 2020. Vol. 177. P. 112854.

159. Dill A.L. et al. Multivariate statistical differentiation of renal cell carcinomas based on lipidomic analysis by ambient ionization imaging mass spectrometry // Anal. Bioanal. Chem. 2010. Vol. 398, № 7-8. P. 2969-2978.

160. Banerjee S. et al. Diagnosis of prostate cancer by desorption electrospray ionization mass spectrometric imaging of small metabolites and lipids // Proc. Natl. Acad. Sci. 2017. Vol. 114, № 13. P. 3334-3339.

161. Podo F. Tumour phospholipid metabolism // NMR Biomed. 1999. Vol. 12, № 7. P. 413-439.

162. Kano-Sueoka T., Errick J.E. Effects of phosphoethanolamine and ethanolamine on growth of mammary carcinoma cells in culture // Exp. Cell Res. 1981. Vol. 136, № 1. P. 137-145.

163. Segawa K., Nagata S. An Apoptotic "Eat Me" Signal: Phosphatidylserine Exposure // Trends Cell Biol. Elsevier Ltd, 2015. Vol. 25, № 11. P. 639-650.

164. Arshad H. et al. Decreased plasma phospholipid concentrations and increased acid sphingomyelinase activity are accurate biomarkers for community-acquired pneumonia // J. Transl. Med. BioMed Central, 2019. Vol. 17, № 1. P. 1-18.

165. Ghidoni R., Caretti A., Signorelli P. Role of sphingolipids in the pathobiology of lung inflammation // Mediators Inflamm. Hindawi Publishing Corporation, 2015. Vol. 2015.

166. Zalloua P. et al. Untargeted Mass Spectrometry Lipidomics identifies correlation between serum sphingomyelins and plasma cholesterol // Lipids Health Dis. Lipids in Health and Disease, 2019. Vol. 18, № 1. P. 1-10.

167. Kopprasch S. et al. Detection of independent associations of plasma lipidomic parameters with insulin sensitivity indices using data mining methodology // PLoS One. 2016. Vol. 11, № 10. P. 1-16.

168. Wong G. et al. Plasma lipidomic profiling of treated HIV-positive individuals and the implications for cardiovascular risk prediction // PLoS One. 2014. Vol. 9, № 4. P. 1-7.

169. Lee H.W. et al. Robustness of chemometrics-based feature selection methods in early cancer detection and biomarker discovery // Stat. Appl. Genet. Mol. Biol. 2013. Vol. 12, № 2. P. 207-223.

170. Li W., Nyholt D.R. Marker Selection by Akaike Information Criterion and Bayesian Information Criterion // Genet. Epidemiol. 2001. Vol. 21, № S1. P. S272-S277.

171. Ranasinghe L. et al. Relationship between serum markers and volume of liver metastases in castration-resistant prostate cancer // Cancer Treat. Res. Commun. Elsevier, 2019. Vol. 20. P. 100151.