Разработка методов обработки данных нецелевого метаболомного анализа методом жидкостной хроматомасс-спектрометрии для поиска биомаркеров тема диссертации и автореферата по ВАК РФ 02.00.02, кандидат наук Плющенко Иван Викторович

• Плющенко Иван Викторович
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Плющенко Иван Викторович

Введение

Глава 1. Нецелевой метаболомный анализ (обзор литературы)

1.1. Проведение профилирования

1.1.1. Режимы хроматографического разделения

1.1.2. Режимы масс-спектрометрического детектирования

1.1.3. Проведение пробоотбора и пробоподготовки

1.1.4. Обеспечение качества

1.2. Обработка данных профилирования

1.2.1. Первоначальная обработка

1.2.2. Преобразования сигнала

1.2.3. Аннотирование пиков

1.2.4. Идентификация метаболитов

1.2.5. Статистический анализ

Глава 2. Материалы и методы

2.1. Реактивы и материалы

2.2. Оборудование

2.3. Вычисления и обработка данных

2.4. Техника и условия эксперимента

Глава 3. Разработка способа анализа метаболомных данных

3.1. Оптимизация условий проведения пробоподготовки и хроматомасс-спектрометрического профилирования

3.2. Оптимизация параметров обработки данных

3.3. Проверка на независимых наборах данных

3.4. Учет биологических факторов

Глава 4. Метаболомное профилирование методом жидкостной хроматомасс-спектрометрии низкого разрешения с двумя независимыми наборами данных

4.1. Условия анализа

4.2. Оптимизация параметров обработки данных на обучающем наборе

данных

4.3. Проверка алгоритма на тестовом наборе данных

Глава 5. Универсальное программное обеспечение для анализа и обработки данных нецелевого метаболомного профилирования

5.1. Архитектура и функциональные возможности

5.2. Поиск биомаркеров РМП

5.3. Систематическая оценка эффективности новых методов преобразования сигналов

Заключение

Выводы

Список использованных сокращений

Благодарности

Список литературы

Введение

Метаболомика изучает содержание низкомолекулярных соединений, совокупность которых отражает химические превращения при физиологических процессах организма. Ключевым методом метаболомного анализа является нецелевое, или ненаправленное профилирование, проводимое методом жидкостной хроматомасс-спектрометрии. Ненаправленное профилирование означает проведение анализа без списка целевых соединений. В этом случае регистрируют хроматографический профиль, характеризующийся детектированием максимального числа пиков, чтобы в дальнейшем выявить статистически значимые компоненты. Чаще всего целью нецелевого метаболомного профилирования становится поиск биомаркеров заболеваний.

Введение диссертации (часть автореферата) на тему «Разработка методов обработки данных нецелевого метаболомного анализа методом жидкостной хроматомасс-спектрометрии для поиска биомаркеров»

Актуальность темы

Многопараметрический по своей природе метаболомный анализ генерирует большой массив данных, что подразумевает использование автоматизированного программного обеспечения для обработки и анализа данных и проведения измерений. Несмотря на большее количество существующих вычислительных решений и инструментов, для многих этапов метаболомного эксперимента все еще не проведено комплексного систематического сравнения и оценки возможностей существующих подходов и алгоритмов. Дополнительной проблемой является отсутствие программной реализации в рамках единого вычислительного инструмента. Кроме того, существующие подходы не предлагают единую универсальную схему для обработки данных метаболомного анализа. По этой причине, отбор оптимального набора биомаркеров для диагностических целей остается научной задачей, которую каждый раз приходится решать исследователям.

Применение масс-спектрометрии низкого разрешения для целей ненаправленного метаболомного исследования и поиска биомаркерных сигналов для диагностики ограничено, в основном, целевым анализом. При этом существующие подходы к обработке данных и программные решения разработаны для инструментов высокого разрешения. В то время как использование инструментов низкого разрешения позволило бы увеличить доступность метаболомного анализа.

Одним из ключевых этапов при обработке метаболомных данных является преобразование сигнала детектора. В это понятие входит проведение процедуры коррекции сигнала для удаления дрейфа сигнала масс-спектрометрического детектора и батч-эффекта. Дрейф сигнала связан с искажением отклика детектора при анализе биологических образцов в аналитической последовательности вследствие загрязнений источника ионов и ионной оптики. Батч-эффект проявляется как зависимость получаемых данных от технических факторов (номер аналитической последовательности или порядок вколов в хроматограф), а не биологической информации. Другой разновидностью преобразования сигнала является оценка и учет влияния биологических факторов фенотипической изменчивости перед проведением статистического анализа. Разработка и внедрение в практику эффективных методов коррекции сигнала и учета биологических факторов позволит увеличить достоверность результатов метаболомного анализа. Цель работы

Развитие методологических аспектов метаболомного анализа и разработка методов обработки и анализа метаболомных данных, получаемых при проведении ненаправленного профилирования с использованием жидкостной хроматомасс-спектрометрии низкого и высокого разрешения.

Достижение поставленной цели заключалось в решении следующих задач:

1. Предложить способ анализа метаболомных данных, позволяющий выделять набор биомаркеров и провести его апробацию.

2. Протестировать возможности применения жидкостной хроматомасс спектрометрии низкого разрешения для целей ненаправленного метаболомного профилирования.

3. Разработать методы коррекции сигнала для эффективного устранения дрейфа сигнала и батч-эффекта, а также способы учета факторов фенотипической изменчивости.

4. Разработать многофункциональный программный инструмент для анализа и обработки данных метаболомного профилирования, полученных методом жидкостной хроматомасс-спектрометрии.

5. Провести экспериментальную апробацию разработанных подходов на

наборах образцов мочи с целью выявления потенциальных биомаркеров рака

мочевого пузыря и биомаркерных сигналов колоректального рака.

Научная новизна

Общая научная новизна работы заключается в создании и экспериментальном обосновании новых способов обработки и анализа данных, получаемых при ненаправленном хроматомасс-спектрометрическом метаболомном

профилировании.

Предложен и апробирован на двух независимых наборах данных способ выявления биомаркерных сигналов при ненаправленном метаболомном профилировании методом жидкостной хроматомасс-спектрометрии низкого разрешения.

Разработаны методы коррекции для устранения батч-эффекта и дрейфа сигнала масс-спектрометрического детектора, основанные на алгоритмах машинного обучения, превосходящие описанные ранее методы при многопараметрической оценке.

Предложены нелинейные методы учета факторов фенотипической изменчивости, отличающиеся высокой эффективностью при многоклассовой классификации.

Предложен способ анализа метаболомных данных для автоматического отбора значимых биомаркеров с применением сочетания метода коррекции сигнала и алгоритмов машинного обучения с одномерными статистическими тестами для снижения размерности. Способ апробирован на более чем тридцати наборах данных из открытых источников.

Практическая значимость

Разработан программный инструмент для комплексного анализа и обработки данных метаболомного профилирования методом жидкостной хроматомасс-спектрометрии. Программное обеспечение превосходит описанные ранее инструменты в части проведения коррекции сигнала, учета факторов фенотипической изменчивости и отбора переменных и доступно в сети Интернет 1.

1 ://plyush1993. github.io/OUKS/

Разработаны алгоритмы обработки и анализа метаболомных данных. Программные реализации доступны исследователям для использования при решении задач метаболомного анализа 23.

Предложены наборы потенциальных биомаркеров рака мочевого пузыря с указанием регуляционных путей и потенциальных биомаркерных сигналов для диагностики колоректального рака.

Хранилища метаболомных данных дополнены данными хроматомасс-спектрометрического профилирования образцов мочи при проведении эксперимента по поиску потенциальных биомаркеров рака мочевого пузыря 4 и биомаркерных сигналов для диагностики колоректального рака 5. Предоставленные данные могут быть использованы научным сообществом для дальнейшего развития методологии метаболомного анализа.

Положения, выносимые на защиту

1. Способ обработки и анализа метаболомных данных для выделения набора биомаркеров, основанный на сочетании алгоритма обработки сигнала, статистических тестов и методов машинного обучения, и адаптированный для учета биологических факторов.

2. Способ выявления биомаркерных сигналов при проведении метаболомного исследования методом жидкостного хроматомасс-спектрометрического ненаправленного профилирования низкого разрешения, апробированный на двух выборках образцов для диагностики колоректального рака.

3. Метод коррекции сигнала на основе алгоритма градиентного бустинга, позволяющий устранить дрейф сигнала масс-спектрометрического детектора и батч-эффект в данных метаболомного профилирования, полученных методом жидкостной хроматомасс-спектрометрии.

4. Программное обеспечение для анализа и обработки метаболомных данных, протестированное при проведении ненаправленного метаболомного профилирования для поиска потенциальных биомаркеров рака мочевого пузыря.

2 https://github.com/plvush1993/E5S metabolomics workflow

3 https://github.com/plvush1993/Multistudv-experiments-with-Multiple-batches

4 http://doi.org/10.21228/M8ZT4C

5 http://doi.org/10.21228/M8X110

Степень достоверности

Достоверность полученных результатов обеспечивалась использованием современных методик и средств обработки результатов экспериментов, анализом реальных образцов, а также применением современного хроматографического и масс-спектрометрического оборудования. На момент проведения измерений все используемое оборудование имело актуальное свидетельство о периодической поверке.

Соответствие паспорту научной специальности

Диссертационная работа соответствует паспорту специальности 02.00.02 -Аналитическая химия по областям исследований:

- методы химического анализа (химические, физико-химические, атомная и молекулярная спектроскопия, хроматография, рентгеновская спектроскопия, масс-спектрометрия, ядерно-физические методы и др.);

- математическое обеспечение химического анализа;

- клинический анализ.

Апробация результатов исследования

Основные результаты работы представлены на следующих конференциях:

2021 год: VI Всероссийский Симпозиум «Разделение и концентрирование в Аналитической химии и Радиохимии» с международным участием, Краснодар, Россия, 26 сентября - 2 октября 2021.

2020 год: IV Всероссийская Конференция с международным участием "Аналитическая хроматография и капиллярный электрофорез", Краснодар, Россия, 28 сентября - 2 октября 2020.

2019 год: VIII Всероссийская Конференция с международным участием «Масс-спектрометрия и ее прикладные проблемы», Институт физической химии и электрохимии им. А.Н. Фрумкина РАН, г. Москва, Россия, 14-18 октября 2019; III Всероссийская Конференция по аналитической спектроскопии с международным участием, г. Туапсе, Россия, 29 сентября - 5 октября 2019; Mass Spectrometry & Advances in the Clinical Lab 2019 EU 6th European Congress, Зальцбург, Австрия, 2226 сентября 2019.

2018 год: V Всероссийский Симпозиум «Разделение и концентрирование в Аналитической химии и Радиохимии» с международным участием, Краснодар,

Россия, 7-13 октября 2018; XXII International Mass Spectrometry Conference, Флоренция, Италия, 26-31 августа 2018.

Публикации

По материалам работы опубликовано 10 печатных работ, в том числе 3 статьи в рецензируемых научных изданиях, индексируемых международными базами данных (Web of Science, Scopus, RSCI) и рекомендованных в диссертационном совете МГУ по специальности 02.00.02 - «Аналитическая химия», и 7 тезисов докладов на российских и международных конференциях.

Личный вклад автора

Личный вклад автора заключался в поиске, систематизации и анализе данных литературы по теме работы, планировании, постановке и проведении экспериментов, обработке и интерпретации полученных результатов, а также в подготовке к публикации результатов проведенных исследований. Экспериментальные результаты получены, обработаны и представлены автором лично. Во всех опубликованных работах вклад автора является определяющим.

Структура и объем работы

Полный текст работы состоит из 5 глав и включает 200 страниц, в том числе 36 рисунков и 24 таблицы. Список литературы содержит 503 наименования.

Глава 1. Нецелевой метаболомный анализ (обзор литературы)

Нецелевое профилирование биообразцов методом жидкостной хроматомасс-спектрометрии является ключевым подходом к поиску новых метаболомных биомаркеров онкологических и других заболеваний [1,2]. Это объясняется широким покрытием метаболома при профилировании и универсальностью метода. Несмотря на развитие хроматографических и масс-спектрометрических систем, а также достижения в компьютерной обработке получаемых данных, проведение ненаправленного метаболомного эксперимента остается исследовательской задачей и нерешённой научной проблемой. Ниже будут рассмотрены ключевые этапы и последние достижения нецелевого метаболомного профилирования для поиска новых потенциальных биомаркеров.

1.1. Проведение профилирования

1.1.1. Режимы хроматографического разделения

Метод жидкостной хроматомасс-спектрометрии (ВЭЖХ-МС) стал «золотым» стандартом в метаболомном анализе и является ключевым инструментом для проведения нецелевого профилирования биообразцов. При сравнении с методами газовой хроматографии, высокоэффективная жидкостная хроматография (ВЭЖХ) выгодно отличается отсутствием необходимости проведения предварительной дериватизации, возможностью прямого анализа полярных и высокомолекулярных соединений и, как следствие, наибольшим покрытием метаболома (т.е. наибольшим количеством детектируемых соединений). Почти все достижения ВЭЖХ как в области создания новых неподвижных фаз [3], так и миниатюризации оборудования (капиллярная ВЭЖХ) [4], нано-ВЭЖХ [5] и частиц сорбента (ультра-ВЭЖХ) [6], а также применение нескольких колонок в анализе (мультиколоночные технологии) [7] нашли свое применение в метаболомных исследованиях. Последние достижения обобщены в работе [8].

В настоящее время наибольшее распространение получил метод обращенно-

фазовой (ОФ) ультра-ВЭЖХ. В классической работе профессоров Theodoridis, Gika,

Want, Wilson [9] приведено обоснование применения метода. Описание

современного состояния методов ВЭЖХ и аппаратурного оформления приведено в

10

работе [10]. В качестве неподвижной фазы используют силикагелевые колонки, модифицированные октадецильными группами (С18) с эндкеппингом и/или полярными привитыми группами для улучшения селективности разделения и удерживания полярных соединений, с внутренним диаметром от 2 до 4.6 мм, длиной от 5 до 25 см и диаметром частиц сорбента от 3 до 5 мкм в обычном режиме и менее 2 мкм в режиме ультра-ВЭЖХ. При этом с уменьшением диаметра частиц сорбента увеличивается давление в системе (повышая требования к хроматографическим насосам), но одновременно растет эффективность разделения и пиковая емкость. В качестве подвижной фазы используют смеси воды и полярных органических растворителей (метанол, ацетонитрил) с ионизирующей добавкой (летучие органические кислоты и некоторые соли для работы с масс-спектрометрическим детектором). Время анализа, в зависимости от приложения, занимает от нескольких минут (при быстром скрининге слабополярных соединений) до нескольких часов (в этом случае получают хроматографический профиль с большим числом соединений), однако всегда проводится в режиме градиентного элюирования для одновременного разделения и детектирования как можно большего количества соединений.

В биопробах подавляющее большинство соединений полярной природы (в первую очередь биологически активные компоненты: аминокислоты, углеводы, сахара и пр.), что затрудняет их удерживание в режиме ОФ. Главной альтернативой и ключевым конкурентом ОФ является гидрофильная хроматография (Н1ЫС). Неподвижная фаза в этом режиме состоит из силикагеля с привитыми полярными (циано-, амино- и др.) группами. Также есть гидрофильные колонки для реализации варианта ультра-ВЭЖХ. При этом состав подвижной фазы аналогичен ОФ с обращением элюотропного ряда. Систематический обзор Н1ЫС приложений для метаболомного профилирования приведен в работах [11,12]. Отмечается, что режим Н1ЫС обеспечивает более широкое покрытие метаболома, однако характеризуется меньшей воспроизводимостью по сравнению с ОФ и большим временем уравновешивания хроматографической системы (особенно в условиях градиентного элюирования). Альтернативой гидрофильной хроматографии является водная нормально-фазовая хроматография [3]. В этом режиме используют специальные гидридные колонки на основе силикагеля (если в нормально-фазовой

хроматографии на поверхности силикагеля доминируют силанольные Si-OH группы, то в режиме водной нормально-фазовой хроматографии - Si-H группы) и подвижную фазу с высокой долей органического модификатора и добавкой воды. Отмечается, что этот режим лучше подходит для разделения ряда важных метаболитов (например липидов, аминокислот, нуклеотидов, органических кислот и сахаров).

Для увеличения удерживания и улучшения формы пика полярных соединений в режиме ОФ является использование ионпарных добавок к подвижной фазе [3]. Несмотря на то, что типичные ионпарные добавки не совместимы в ВЭЖХ-МС системами, некоторых из них все же могут быть использованы. Прежде всего это трибутиламин (он особенно полезен в режиме детектирования отрицательных ионов, тогда как в положительном режиме он является причиной слишком высокого фонового сигнала) и перфторированные кислоты (трифторуксусная кислота и пр.). Описано применение диамил-аммония [13]. Недостатком использования ионпарных агентов является невозможность полной очистки аналитической колонки от ионпарных агентов и увеличение времени кондиционирования. Кроме того, добавка ионизируемых компонентов в подвижную фазу может вызвать увеличение фонового сигнала и загрязнение источника ионов при масс-спектрометрическом детектировании. Изменение селективности ОФ также может быть достигнуто при использовании специфических неподвижных фаз (хроматографические колонки «смешанного» типа) [3,8]. Так существуют аналитические колонки со смешанной обращенно-фазовой и катионообменной, анионообменной, ион-эксклюзионной и гидрофильной селективностью, а также с гидрофильной и ион-эксклюзионной селективностями.

Выбор оптимальных условий хроматографического профилирования для обеспечения максимального количества пиков, чувствительности и воспроизводимости сводится к оптимизации: добавок в подвижную фазу, состава подвижной фазы и выбору неподвижной фазы. В работе [14] проводят сравнение и выбор оптимальной неподвижной фазы в режиме гидрофильной хроматографии, в работе [15] - в обращенно-фазовой хроматографии. Совместный выбор между двумя режимами хроматографии (Н1ЫС, ОФ), несколькими аналитическими колонками, а также различными добавками и составом подвижной фазы проведен в

исследованиях [16-19]. Однако оптимизацию хроматографического разделения редко применяют в нецелевом метаболомном профилировании.

Существует ряд других альтернатив классической ВЭЖХ. Энантиоселективное разделение представляет особый интерес в силу того, что многие биологически активные соединения и потенциальные биомаркеры (аминокислоты, амины, оксикислоты, карбоновые кислоты) имеют центры хиральности. В исследованиях [20,21] предложен хиральный реагент для проведения предварительной дериватизации с последующим определением в режиме ОФ. В работе [22] приведен систематический обзор приложений энантиоселективного разделения в метаболомике, в основном, направленных на анализ конкретных классов метаболитов. Перспективным методом уменьшения давления в условиях ультра-ВЭЖХ является использование высокотемпературной ВЭЖХ. Этот подход позволяет либо увеличивать скорость потока, снижая время анализа, либо увеличивать эффективность разделения увеличивая длину колонки. При повышении температуры вязкость элюента снижается, уменьшается давление в системе, кроме того, уменьшается диэлектрическая проницаемость воды и появляется возможность проводить анализ, вообще без использования органических растворителей. В работе [23] авторы сравнили возможности применения ОФ ВЭЖХ и высокотемпературной ВЭЖХ при анализе образцов мочи крыс и отметили высокую информативность профилей (по числу пиков) и рост общей интенсивности в методе высокотемпературной ВЭЖХ. Сверхкритическая флюидная хроматография представляет собой альтернативу классическим методам ВЭЖХ и потенциально обеспечивает меньшую стоимость анализа и снижает общее время анализа [24].

Использование нано-потоков (около 100-1000 нл/мин) и капиллярных аналитических колонок (с внутренним диаметром около 0.01-0.1 мм) позволяет добиться увеличения эффективности хроматографического разделения и одновременно улучшить эффективность ионизации в источнике типа электрораспыление [4,5]. Уменьшение расхода растворителей, благодаря использованию нано-потоков, позволяет снижать стоимость анализа, а также соответствует принципам «зеленой химии». Технология применения нано-потоков и капиллярных колонок требует наличия насосных систем особой конструкции для

обеспечения бесперебойного и высокопрецизионного потока подвижной фазы (хотя общее давление в системе ниже по сравнению с ультра-ВЭЖХ), а также особой конструкции источника ионизации. Для предотвращения перегруза колонки, объем ввода пробы составляет менее 1 мкл. Для точного отбора такого объема часто применяют автосамплеры специальной конструкции. Эффект применения техники миниатюризации ВЭЖХ в омиксных подходах систематически изложен в работе [25].

Мультиколоночные технологии [7] включают в себя: последовательное подключение хроматографических колонок (serially combined), двумерную ВЭЖХ (2Б-ВЭЖХ) и переключение колонок (column switching). Использование нескольких аналитических колонок позволяет применять в одном анализе несколько режимов разделения. Систематический обзор последних достижений этой технологии в приложении к метаболомике и липидомике приведен в работе [26]. Рассмотрим варианты мультиколоночных технологий.

Последовательное подключение - наиболее простой подход для обеспечения ортогональной селективности в одном анализе (например, ОФ и HILIC режимы). Этот метод не требует дополнительных трат на многоходовые краны и насосы, но ограничен списком аналитических колонок, которые можно объединить в единый последовательный анализ с одной подвижной фазой.

Переключение колонок основано на использовании 6- или 10- ходовых кранов с двумя насосными системами и двумя колонками, при этом образец вводится дважды для каждой хроматографической системы отдельно. Метод характеризуется большой гибкостью, так как не имеет ограничения по составу подвижной фазы. Наиболее часто таблицы пиков, полученные после разных режимов хроматографирования объединяют в одну таблицу [27] или проводят статистический анализ отдельно для каждой таблицы пиков [28-30]. Веб-сервисы metaXCMS [31] и специальный модуль в MetaboAnalyst [32] могут быть использованы для анализа мультирежимного хроматографического профилирования. Программы Metabolite-Investigator [33], DIMEDR [34], metabCombiner [35], MetMatch [36], Maltcms [37], mixOmics [38], pipeline_biocrates [39] специально разработаны для проведения обработки нескольких наборов данных

(т.е. для совместного анализа наборов данных, полученных разными режимами хроматографирования и/или объединения независимых исследований).

В двумерной ВЭЖХ - тоже используются многоходовые краны с двумя насосными системами и двумя колонками, однако образец вводится один раз и после элюирования на одной колонке, элюат поступает на вторую колонку (полностью все фракции элюата или только часть из них). Этот метод обеспечивает максимальную пиковую емкость среди всех хроматографических методов, меньшее размывание и независимость от состава подвижной фазы (в сравнении с последовательным подключением). Некоторым недостатком стоит считать меньшую воспроизводимость и увеличенное размывание пиков при сравнении с традиционной одноколоночной ВЭЖХ. Кроме того, получаемые трехмерные хроматограммы для сравнения между собой и составления таблицы пиков требуют специализированного программного обеспечения. Кроме коммерчески доступных программ, поставляемых с оборудованием, существуют независимо разработанные подходы [40,41]. Систематический обзор алгоритмов обработки данных в двумерной хроматографии представлен в работах [42,43]. Сравнение различных неподвижных фаз в двумерной ВЭЖХ в приложении к метаболомному и липидомному анализу приведено в исследовании [44].

Времена удерживания метаболитов могут быть рассчитаны теоретически (на основе физико-химических теорий хроматографического удерживания, например, модели Абрахама) или предсказаны по моделям машинного обучения (МО), обученным на тестовых наборах данных [45-47], такие модели называют QSRR (Quantitative Structure Retention Relationships, модель взаимосвязи «структура-время удерживания»). Предсказания времен удерживания проводятся для ОФ и HILIC режимов и могут быть полезны для разработки программы хроматографического градиентного элюирования или повышения точности идентификации метаболитов. Предсказания времен удерживания, основанные на применении физико-химических теорий, проводятся в исследованиях [48-50]. Среди множества работ, где проводилось построение предсказательных моделей МО для установления взаимосвязи между временами удерживания и характеристиками молекул (дескрипторы, фингерпринты), можно выделить следующие: PredRet [51-53] (кроме предиктивной модели предложен подход для адаптирования предсказаний на другие

хроматографические системы методом обобщенных аддитивных моделей), Retip [54] (протестировано несколько моделей: полносвязные и байесовские нейронные сети, случайный лес и несколько алгоритмов градиентного бустинга). В исследовании [55] была разработана предсказательная модель на основе полносвязных нейронных сетей, а также предоставлена крупнейшая база данных времен удерживания (более 80000 стандартных соединений из библиотеки METLIN, измеренные в одних условиях). В работах [56-58] вместе с предсказанием времен удерживания или порядка элюирования [59] также используют масс-спектрометрические данные (масс-спектры 1-го и/или 2-го поколений) для повышения надежности идентификации.

1.1.2. Режимы масс-спектрометрического детектирования

Масс-спектрометрическое (МС) детектирование самый распространенный вариант сопряжения с жидкостным хроматографом в нецелевом метаболомном профилировании. Этот факт объясняется тем, что МС детектирование обеспечивает максимальное покрытие метаболома (универсальность) при высокой чувствительности в сравнении с другими методами детектирования в ВЭЖХ. Последние достижения МС в приложении к метаболомике систематически изложены в работах [8,60]. Масс-спектрометрия высокого разрешения (МСВР) обеспечивает высокую точность определения массы аддукта в величинах m/z (что упрощает последующую деконволюцию сигнала и составление таблицы пиков с выравниванием) и позволяет проводить предварительную идентификацию и аннотацию сигналов [61]. При этом использование прямой МС, без предварительного разделения, затрудняет интерпретацию результатов.

В качестве интерфейса для сопряжения ВЭЖХ и МС применяют методы мягкой ионизации при атмосферном давлении: ионизация электрораспылением (ИЭР), химическая ионизация при атмосферном давлении (ХИАД), фотоионизация при атмосферном давлении (ФИАД) [8,62-64]. Принято считать, что ИЭР более эффективно ионизирует средне-полярные и полярные аналиты, ХИАД/ФИАД -незаряженных и слабо-полярных аналитов. Однако наиболее популярным и разработанным решением остается использование источника ИЭР. Отмечается, что совместное использование нескольких методов ионизации увеличивает покрытие

Список литературы диссертационного исследования кандидат наук Плющенко Иван Викторович, 2022 год

Список литературы

1. Computational Methods and Data Analysis for Metabolomics // Methods in Molecular Biology / ed. Li S. New York, NY: Springer US, 2020. V. 2104. 490 p.

2. Schmidt D.R., Patel R., Kirsch D.G., Lewis C.A., Vander Heiden M.G., Locasale J.W. Metabolomics in cancer research and emerging applications in clinical oncology // CA. Cancer J. Clin. 2021. V. 71. № 4. P. 333-358.

3. Patti G.J. Separation strategies for untargeted metabolomics // J. Sep. Sci. 2011. V. 34. № 24. P. 3460-3469.

4. Sanders K.L., Edwards J.L. Nano-liquid chromatography-mass spectrometry and recent applications in omics investigations // Anal. Methods. 2020. V. 12. № 36. P. 4404-4417.

5. Chetwynd A.J., David A. A review of nanoscale LC-ESI for metabolomics and its potential to enhance the metabolome coverage // Talanta. 2018. V. 182. № October 2017. P. 380-390.

6. Wang X., Sun H., Zhang A., Wang P., Han Y. Ultra-performance liquid chromatography coupled to mass spectrometry as a sensitive and powerful technology for metabolomic studies // J. Sep. Sci. 2011. V. 34. № 24. P. 3451-3459.

7. Haggarty J., BurgessK.E. Recent advances in liquid and gas chromatography methodology for extending coverage of the metabolome // Curr. Opin. Biotechnol. 2017. V. 43. P. 77-85.

8. Perez de Souza L., Alseekh S., Scossa F., Fernie A.R. Ultra-high-performance liquid chromatography high-resolution mass spectrometry variants for metabolomics research // Nat. Methods. 2021. V. 18. № 7. P. 733-746.

9. Theodoridis G.A., Gika H.G., Want E.J., Wilson I.D. Liquid chromatography-mass spectrometry based global metabolite profiling: A review // Anal. Chim. Acta. 2012. V. 711. P. 716.

10. The HPLC Expert / ed. Kromidas S. Weinheim, Germany: Wiley-VCH Verlag GmbH & Co. KGaA, 2016. 378 p.

11. Cubbon S., Antonio C., Wilson J., Thomas-Oates J. Metabolomic applications of HILIC-LC-MS // Mass Spectrom. Rev. 2010. V. 29. № 5. P. 671-684.

12. Tang D.-Q., Zou L., Yin X.-X., Ong C.N. HILIC-MS for metabolomics: An attractive and complementary approach to RPLC-MS // Mass Spectrom. Rev. 2016. V. 35. № 5. P. 574-600.

13. Knee J.M., Rzezniczak T.Z., Barsch A., Guo K.Z., Merritt T.J.S. A novel ion pairing LC/MS metabolomics protocol for study of a variety of biologically relevant polar metabolites // J. Chromatogr. B. 2013. V. 936. P. 63-73.

14. Ortiz-Villanueva E., Navarro-Reig M., Jaumot J., Tauler R. Chemometric evaluation of hydrophilic interaction liquid chromatography stationary phases: resolving complex mixtures of metabolites // Anal. Methods. 2017. V. 9. № 5. P. 774-785.

15. Si-Hung L., Causon T.J., Hann S. Comparison of fully wettable RPLC stationary phases for LC-MS-based cellular metabolomics // Electrophoresis. 2017. V. 38. № 18. P. 2287-2295.

16. Naser F.J., Mahieu N.G., Wang L., Spalding J.L., Johnson S.L., Patti G.J. Two complementary reversed-phase separations for comprehensive coverage of the semipolar and nonpolar metabolome // Anal. Bioanal. Chem. 2018. V. 410. № 4. P. 1287-1297.

17. Periat A., Guillarme D., Veuthey J.-L., Boccard J., Moco S., Barron D., Grand-Guillaume PerrenoudA. Optimized selection of liquid chromatography conditions for wide range analysis of natural compounds // J. Chromatogr. A. 2017. V. 1504. P. 91-104.

18. Fekete S., Sadat-Noorbakhsh V., Schelling C., Molnár I., Guillarme D., Rudaz S., Veuthey J.-L. Implementation of a generic liquid chromatographic method development workflow: Application to the analysis of phytocannabinoids and Cannabis sativa extracts // J. Pharm. Biomed. Anal. 2018. V. 155. P. 116-124.

19. Kloos D.-P., Lingeman H., Niessen W.M.A., Deelder A.M., Giera M., Mayboroda O.A. Evaluation of different column chemistries for fast urinary metabolic profiling // J. Chromatogr. B. 2013. V. 927. P. 90-96.

20. Takayama T., Mochizuki T., Todoroki K., Min J.Z., Mizuno H., Inoue K., Akatsu H., Noge I., Toyo'oka T. A novel approach for LC-MS/MS-based chiral metabolomics fingerprinting and chiral metabolomics extraction using a pair of enantiomers of chiral derivatization reagents // Anal. Chim. Acta. 2015. V. 898. P. 73-84.

21. Pandey R., Collins M., Lu X., Sweeney S.R., Chiou J., Lodi A., Tiziani S. Novel Strategy for Untargeted Chiral Metabolomics using Liquid Chromatography-High Resolution Tandem Mass Spectrometry // Anal. Chem. 2021. V. 93. № 14. P. 5805-5814.

22. Calderón C., Lammerhofer M. Enantioselective metabolomics by liquid chromatography-mass spectrometry // J. Pharm. Biomed. Anal. 2022. V. 207. P. 114430.

23. Gika H.G., Theodoridis G., Extance J., Edge A.M., Wilson I.D. High temperature-ultra performance liquid chromatography-mass spectrometry for the metabonomic analysis of Zucker rat urine // J. Chromatogr. B. 2008. V. 871. № 2. P. 279-287.

24. Shulaev V., Isaac G. Supercritical fluid chromatography coupled to mass spectrometry - A metabolomics perspective // J. Chromatogr. B. 2018. V. 1092. № June. P. 499-505.

25. Aydogan C., Rigano F., KrcmováL.K., ChungD.S., MackaM., Mondello L. Miniaturized LC in Molecular Omics // Anal. Chem. 2020. V. 92. № 17. P. 11485-11497.

26. Lv W., Shi X., Wang S., Xu G. Multidimensional liquid chromatography-mass spectrometry for metabolomic and lipidomic analyses // TrAC Trends Anal. Chem. 2019. V. 120. P. 115302.

27. Chen Q., Park H.-C., Goligorsky M.S., Chander P., Fischer S.M., Gross S.S. Untargeted Plasma Metabolite Profiling Reveals the Broad Systemic Consequences of Xanthine Oxidoreductase Inactivation in Mice // PLoS One. 2012. V. 7. № 6. P. e37149.

28. Fraser K., Lane G.A., Otter D.E., Harrison S.J., Quek S.Y., Hemar Y., Rasmussen S. Non-targeted analysis by LC-MS of major metabolite changes during the oolong tea manufacturing in New Zealand // Food Chem. 2014. V. 151. P. 394-403.

29. Ramakrishnan P., Nair S., Rangiah K. A method for comparative metabolomics in urine using high resolution mass spectrometry // J. Chromatogr. A. 2016. V. 1443. P. 83-92.

30. Evans C.R., Karnovsky A., Kovach M.A., Standiford T.J., Burant C.F., Stringer K.A. Untargeted LC-MS Metabolomics of Bronchoalveolar Lavage Fluid Differentiates Acute Respiratory Distress Syndrome from Health // J. Proteome Res. 2014. V. 13. № 2. P. 640-649.

31. Huan T., Palermo A., Ivanisevic J., Rinehart D., Edler D., Phommavongsay T., Benton H.P., Guijas C., Domingo-Almenara X., Warth B., Siuzdak G. Autonomous Multimodal Metabolomics Data Integration for Comprehensive Pathway Analysis and Systems Biology: research-article // Anal. Chem. 2018. V. 90. № 14. P. 8396-8403.

32. Pang Z., Zhou G., Chong J., Xia J. Comprehensive Meta-Analysis of COVID-19 Global Metabolomics Datasets // Metabolites. 2021. V. 11. № 1. P. 44.

33. Beuchel C., Kirsten H., Ceglarek U., Scholz M. Metabolite-Investigator: an integrated user-friendly workflow for metabolomics multi-study analysis // Bioinformatics. 2020. № November. P. 1-3.

34. Mak T.D., GoudarziM., Laiakis E.C., Stein S.E. Disparate Metabolomics Data Reassembler: A Novel Algorithm for Agglomerating Incongruent LC-MS Metabolomics Datasets // Anal. Chem. 2020. V. 92. № 7. P. 5231-5239.

35. Habra H., Kachman M., Bullock K., Clish C., Evans C.R, Karnovsky A. metabCombiner: Paired Untargeted LC-HRMS Metabolomics Feature Matching and Concatenation of Disparately Acquired Data Sets // Anal. Chem. 2021. V. 93. № 12. P. 5028-5036.

36. Koch S., Bueschl C., Doppler M., Simader A., Meng-Reiterer J., Lemmens M., Schuhmacher R. MetMatch: A Semi-Automated Software Tool for the Comparison and Alignment of LC-HRMS Data from Different Metabolomics Experiments // Metabolites. 2016. V. 6. № 4. P. 39.

37. Hoffmann N., Keck M., Neuweger H., Wilhelm M., Högy P., Niehaus K., Stoye J. Combining peak- and chromatogram-based retention time alignment algorithms for multiple chromatography-mass spectrometry datasets // BMC Bioinformatics. 2012. V. 13. № 1. P. 214.

38. Rohart F., Gautier B., Singh A., Lê Cao K.-A. mixOmics: An R package for 'omics feature selection and multiple data integration // PLOS Comput. Biol. 2017. V. 13. № 11. P. e1005752.

39. Viallon V., His M., Rinaldi S., Breeur M., Gicquiau A., Hemon B., OvervadK., Tj0nneland A., Rostgaard-Hansen A.L., Rothwell J.A., Lecuyer L., Severi G., Kaaks R., Johnson T., Schulze M.B., Palli D., Agnoli C., Panico S., Tumino R., Ricceri F., Verschuren W. M. M., Engelfriet P., Onland-Moret C., Vermeulen R., N0st T. H., Urbarov I., Zamora-Ros R., Rodriguez-BarrancoM., Amiano P., Huerta J. M., Ardanaz E., Melander O., Ottoson F., Vidman L., RentoftM., Schmidt J. A., Travis R. C., Weiderpass E., Johansson M., Dossus L., Jenab M., Gunter M. J., Lorenzo Bermejo J., Scherer D., Salek R M., Keski-Rahkonen P., Ferrari P. A New Pipeline for the Normalization and Pooling of Metabolomics Data // Metabolites. 2021. V. 11. № 9. P. 631.

40. Cook D.W., Rutan S.C., Stoll D.R, Carr P.W. Two dimensional assisted liquid chromatography - a chemometric approach to improve accuracy and precision of quantitation in liquid chromatography using 2D separation, dual detectors, and multivariate curve resolution // Anal. Chim. Acta. 2015. V. 859. P. 87-95.

41. Xu J., Zheng L., Su G., Sun B., Zhao M. An improved peak clustering algorithm for comprehensive two-dimensional liquid chromatography data analysis // J. Chromatogr. A. 2019. V. 1602. P.273-283.

42. Matos J.T. V., Duarte R.M.B.O., Duarte A.C. Trends in data processing of comprehensive two-dimensional chromatography: State of the art // J. Chromatogr. B. 2012. V. 910. P. 31-45.

43. Navarro-ReigM., Bedia C., Tauler R., Jaumot J. Chemometric Strategies for Peak Detection and Profiling from Multidimensional Chromatography // Proteomics. 2018. V. 18. № 18. P. 1700327.

44. Grübner M., Dunkel A., Steiner F., Hofmann T. Systematic Evaluation of Liquid Chromatography (LC) Column Combinations for Application in Two-Dimensional LC Metabolomic Studies // Anal. Chem. 2021. V. 93. № 37. P. 12565-12573.

45. Haddad P.R., Taraji M., Szücs R. Prediction of Analyte Retention Time in Liquid Chromatography // Anal. Chem. 2021. V. 93. № 1. P. 228-256.

46. WittingM., Böcker S. Current status of retention time prediction in metabolite identification // J. Sep. Sci. 2020. V. 43. № 9-10. P. 1746-1754.

47. Sagandykova G., Buszewski B. Perspectives and recent advances in quantitative structure-retention relationships for high performance liquid chromatography. How far are we? // TrAC Trends Anal. Chem. 2021. V. 141. P. 116294.

48. Gisbert-Alonso A., Navarro-Huerta J.A., Torres-Lapasiô J.R, Garcia-Alvarez-Coque M.C. Global retention models and their application to the prediction of chromatographic fingerprints // J. Chromatogr. A. 2021. V. 1637. P. 461845.

49. StollD.R., Dahlseid T.A., Rutan S.C., Taylor T., Serret J.M. Improvements in the predictive accuracy of the hydrophobic subtraction model of reversed-phase selectivity // J. Chromatogr. A. 2021. V. 1636. P. 461682.

50. Park S.H., De Pra M., HaddadP.R., Grosse S., Pohl C.A., Steiner F. Localised quantitative structure-retention relationship modelling for rapid method development in reversed-phase high performance liquid chromatography // J. Chromatogr. A. 2020. V. 1609. P. 460508.

51. Stanstrup J., Neumann S., Vrhovsek U. PredRet: Prediction of Retention Time by Direct Mapping between Multiple Chromatographic Systems // Anal. Chem. 2015. V. 87. № 18. P. 94219428.

52. Bouwmeester R, Martens L., Degroeve S. Generalized Calibration Across Liquid Chromatography Setups for Generic Prediction of Small-Molecule Retention Times // Anal. Chem. 2020. V. 92. № 9. P. 6571-6578.

53. Low D.Y., Micheau P., Koistinen V.M., Hanhineva K., Abrankó L., Rodriguez-Mateos A., da Silva A.B., van Poucke C., Almeida C., Andres-Lacueva C., Rai D.K., Capanoglu E., Tomás Barberán F.A., Mattivi F., Schmidt G., Gürdeniz G., Valentová K., Bresciani L., Petrásková L., DragstedL. O., Philo M., Ulaszewska M., Mena P., González-Domínguez R., Garcia-Villalba R, Kamiloglu S., de Pascual-Teresa S., Durand S., Wiczkowski W., Bronze M. R, Stanstrup J., Manach C. Data sharing in PredRet for accurate prediction of retention time: Application to plant food bioactive compounds // Food Chem. 2021. V. 357. P. 129757.

54. Bonini P., Kind T., TsugawaH., BarupalD.K., Fiehn O. Retip: Retention Time Prediction for Compound Annotation in Untargeted Metabolomics // Anal. Chem. 2020. V. 92. № 11. P. 75157522.

55. Domingo-Almenara X., Guijas C., Billings E., Montenegro-Burke J.R., Uritboonthai W., Aisporna A.E., Chen E., Benton H.P., Siuzdak G. The METLIN small molecule dataset for machine learning-based retention time prediction // Nat. Commun. 2019. V. 10. № 1. P. 5811.

56. HuM., Müller E., Schymanski E.L., Ruttkies C., Schulze T., Brack W., KraussM. Performance of combined fragmentation and retention prediction for the identification of organic micropollutants by LC-HRMS // Anal. Bioanal. Chem. 2018. V. 410. № 7. P. 1931-1941.

57. Tada I., Tsugawa H., Meister I., Zhang P., Shu R., Katsumi R, Wheelock C.E., Arita M., Chaleckis R. Creating a Reliable Mass Spectral-Retention Time Library for All Ion Fragmentation-Based Metabolomics // Metabolites. 2019. V. 9. № 11. P. 251.

58. Bach E., Rogers S., Williamson J., Rousu J. Probabilistic framework for integration of mass spectrum and retention time information in small molecule identification // Bioinformatics. 2021. V. 37. № 12. P. 1724-1731.

59. Bach E., Szedmak S., Brouard C., Böcker S., Rousu J. Liquid-chromatography retention order prediction for metabolite identification // Bioinformatics. 2018. V. 34. № 17. P. i875-i883.

60. Ren J.-L., Zhang A.-H., Kong L., Wang X.-J. Advances in mass spectrometry-based metabolomics for investigation of metabolites // RSC Adv. 2018. V. 8. № 40. P. 22335-22350.

61. Rochat B. From targeted quantification to untargeted metabolomics: Why LC-high-resolution-MS will become a key instrument in clinical labs // TrAC Trends Anal. Chem. 2016. V. 84. P. 151-164.

62. Habchi B., Alves S., Paris A., Rutledge D.N., Rathahao-Paris E. How to really perform high throughput metabolomic analyses efficiently? // TrAC Trends Anal. Chem. 2016. V. 85. P. 128139.

63. Wang Y., Liu S., Hu Y., Li P., Wan J.-B. Current state of the art of mass spectrometry-based metabolomics studies - a review focusing on wide coverage, high throughput and easy identification // RSC Adv. 2015. V. 5. № 96. P. 78728-78737.

64. Forcisi S., Moritz F., Kanawati B., Tziotis D., Lehmann R., Schmitt-Kopplin P. Liquid chromatography-mass spectrometry in metabolomics research: Mass analyzers in ultra high pressure liquid chromatography coupling // J. Chromatogr. A. 2013. V. 1292. P. 51-65.

65. Calderón-Santiago M., Fernández-Peralbo M.A., Priego-Capote F., Luque de Castro M.D. MSCombine: a tool for merging untargeted metabolomic data from high-resolution mass spectrometry in the positive and negative ionization modes // Metabolomics. 2016. V. 12. № 3. P. 43.

66. Mathé E.A., Patterson A.D., Haznadar M., Manna S.K., Krausz K.W., Bowman E.D., Shields P.G., Idle J.R., Smith P.B., Anami K., Kazandjian D.G., Hatzakis E., Gonzalez F.J., Harris C.C. Noninvasive Urinary Metabolomic Profiling Identifies Diagnostic and Prognostic Markers in Lung Cancer // Cancer Res. 2014. V. 74. № 12. P. 3259-3270.

67. Calderón-Santiago M., Priego-Capote F., Turck N., Robin X., Jurado-Gámez B., Sanchez J.C., Luque de Castro M.D. Human sweat metabolomics for lung cancer screening // Anal. Bioanal. Chem. 2015. V. 407. № 18. P. 5381-5392.

68. Uawisetwathana U., Chevallier O.P., Xu Y., Kamolsukyeunyong W., Nookaew I., Somboon T., Toojinda T., Vanavichit A., Goodacre R., Elliott C.T., Karoonuthaisiri N. Global metabolite profiles of rice brown planthopper-resistant traits reveal potential secondary metabolites for both constitutive and inducible defenses // Metabolomics. 2019. V. 15. № 12. P. 151.

69. Rostandy B., Gao X. Botanical metabolite ions extraction from full electrospray ionization mass spectrometry using high-dimensional penalized regression // Metabolomics. 2019. V. 15. № 10. P. 136.

70. Tugizimana F., Steenkamp P.A., Piater L.A., Dubery I.A. Mass spectrometry in untargeted liquid chromatography/mass spectrometry metabolomics: Electrospray ionisation parameters and global coverage of the metabolome // Rapid Commun. Mass Spectrom. 2018. V. 32. № 2. P. 121132.

71. Ranninger C., SchmidtL.E., RurikM., LimoncielA., Jennings P., Kohlbacher O., Huber C.G. Improving global feature detectabilities through scan range splitting for untargeted metabolomics by high-performance liquid chromatography-Orbitrap mass spectrometry // Anal. Chim. Acta.

2016. V. 930. P. 13-22.

72. FallF., Lenuzza N., Lamy E., Brollo M., Naline E., Devillier P., Thévenot E., Grassin-Delyle S. A split-range acquisition method for the non-targeted metabolomic profiling of human plasma with hydrophilic interaction chromatography - high-resolution mass spectrometry // J. Chromatogr. B. 2019. V. 1128. № August. P. 121780.

73. Kaufmann A., Walker S. Comparison of linear intrascan and interscan dynamic ranges of Orbitrap and ion-mobility time-of-flight mass spectrometers // Rapid Commun. Mass Spectrom.

2017. V. 31. № 22. P. 1915-1926.

74. Mairinger T., Causon T.J., Hann S. The potential of ion mobility-mass spectrometry for non-targeted metabolomics // Curr. Opin. Chem. Biol. 2018. V. 42. P. 9-15.

75. ZhangX., Quinn K., Cruickshank-Quinn C., Reisdorph R., Reisdorph N. The application of ion mobility mass spectrometry to metabolomics // Curr. Opin. Chem. Biol. 2018. V. 42. P. 6066.

76. Paglia G., SmithA.J., Astarita G. Ion mobility mass spectrometry in the omics era: Challenges and opportunities for metabolomics and lipidomics // Mass Spectrom. Rev. 2021. № January. P. mas.21686.

77. Levy A.J., Oranzi N.R., Ahmadireskety A., Kemperman R.H.J., Wei M.S., Yost R.A. Recent progress in metabolomics using ion mobility-mass spectrometry // TrAC Trends Anal. Chem. 2019. V. 116. P. 274-281.

78. Burnum-Johnson K.E., ZhengX., Dodds J.N., Ash J., Fourches D., Nicora C.D., Wendler J.P., Metz T.O., Waters K.M., Jansson J.K., Smith R.D., Baker E.S. Ion mobility spectrometry and the omics: Distinguishing isomers, molecular classes and contaminant ions in complex samples // TrAC Trends Anal. Chem. 2019. V. 116. P. 292-299.

79. Zhou Z., Tu J., Zhu Z.-J. Advancing the large-scale CCS database for metabolomics and lipidomics at the machine-learning era // Curr. Opin. Chem. Biol. 2018. V. 42. P. 34-41.

80. Ieritano C., Crouse J., Campbell J.L., Hopkins W.S. A parallelized molecular collision cross section package with optimized accuracy and efficiency // Analyst. 2019. V. 144. № 5. P. 16601670.

81. Zhou Z., XiongX., Zhu Z.-J. MetCCS predictor: a web server for predicting collision cross-section values of metabolites in ion mobility-mass spectrometry based metabolomics // Bioinformatics. 2017. V. 33. № 14. P. 2235-2237.

82. Zhou Z., Shen X., Tu J., Zhu Z.-J. Large-Scale Prediction of Collision Cross-Section Values for Metabolites in Ion Mobility-Mass Spectrometry // Anal. Chem. 2016. V. 88. № 22. P. 1108411091.

83. Zhou Z., LuoM., Chen X., Yin Y., XiongX., WangR., Zhu Z.-J. Ion mobility collision cross-section atlas for known and unknown metabolite annotation in untargeted metabolomics // Nat. Commun. 2020. V. 11. № 1. P. 4334.

84. Plante P.L., Francovic-Fontaine E., May J.C., McLean J.A., Baker E.S., Laviolette F., Marchand M., Corbeil J. Predicting Ion Mobility Collision Cross-Sections Using a Deep Neural Network: DeepCCS // Anal. Chem. 2019. V. 91. № 8. P. 5191-5199.

85. Zhou Z., Tu J., XiongX., Shen X., Zhu Z.-J. LipidCCS: Prediction of Collision Cross-Section Values for Lipids with High Precision To Support Ion Mobility-Mass Spectrometry-Based Lipidomics // Anal. Chem. 2017. V. 89. № 17. P. 9559-9566.

86. Colby S.M., Nunez J.R., Hodas N.O., Corley C.D., Renslow R.R. Deep Learning to Generate in Silico Chemical Property Libraries and Candidate Molecules for Small Molecule Identification in Complex Samples // Anal. Chem. 2020. V. 92. № 2. P. 1720-1729.

87. Ross D.H., Cho J.H., Zhang R., Hines K.M., Xu L. LiPydomics: A Python Package for Comprehensive Prediction of Lipid Collision Cross Sections and Retention Times and Analysis of Ion Mobility-Mass Spectrometry-Based Lipidomics Data // Anal. Chem. 2020. V. 92. № 22. P. 14967-14975.

88. Mollerup C.B., Mardal M., Dalsgaard P.W., Linnet K., Barron L.P. Prediction of collision cross section and retention time for broad scope screening in gradient reversed-phase liquid chromatography-ion mobility-high resolution accurate mass spectrometry // J. Chromatogr. A. 2018. V. 1542. P. 82-88.

89. Raetz M., Bonner R., Hopfgartner G. SWATH-MS for metabolomics and lipidomics: critical aspects of qualitative and quantitative analysis // Metabolomics. 2020. V. 16. № 6. P. 71.

90. Bonner R., Hopfgartner G. SWATH data independent acquisition mass spectrometry for metabolomics // TrAC Trends Anal. Chem. 2019. V. 120. P. 115278.

91. Defossez E., Bourquin J., Reuss S., Rasmann S., Glauser G. Eight key rules for successful data-dependent acquisition in mass spectrometry-based metabolomics // Mass Spectrom. Rev. 2021. № April. P. mas.21715.

92. Fenaille F., Barbier Saint-Hilaire P., Rousseau K., Junot C. Data acquisition workflows in liquid chromatography coupled to high resolution mass spectrometry-based metabolomics: Where do we stand? // J. Chromatogr. A. 2017. V. 1526. № March. P. 1-12.

93. Heiles S. Advanced tandem mass spectrometry in metabolomics and lipidomics—methods and applications // Anal. Bioanal. Chem. 2021. V. 413. № 24. P. 5927-5948.

94. Lawson T.N., Weber R.J.M., Jones M.R., ChetwyndA.J., Rodrlguez-Blanco G., Di Guida R., Viant M.R, Dunn W.B. msPurity: Automated Evaluation of Precursor Ion Purity for Mass Spectrometry-Based Fragmentation in Metabolomics // Anal. Chem. 2017. V. 89. № 4. P. 24322439.

95. Neumann S., Thum A., Böttcher C. Nearline acquisition and processing of liquid chromatography-tandem mass spectrometry data // Metabolomics. 2013. V. 9. № SUPPL.1. P. 8491.

96. Koelmel J.P., Kroeger N.M., Gill E.L., Ulmer C.Z., Bowden J.A., Patterson R.E., Yost R.A., Garrett T.J. Expanding Lipidome Coverage Using LC-MS/MS Data-Dependent Acquisition with Automated Exclusion List Generation // J. Am. Soc. Mass Spectrom. 2017. V. 28. № 5. P. 908917.

97. Edmands W.M.B., Petrick L., Barupal D.K., Scalbert A., Wilson M.J., Wickliffe J.K., Rappaport S.M. compMS2Miner: An Automatable Metabolite Identification, Visualization, and Data-Sharing R Package for High-Resolution LC-MS Data Sets // Anal. Chem. 2017. V. 89. № 7. P. 3919-3928.

98. Guo J., Shen S., Xing S., Huan T. DaDIA: Hybridizing Data-Dependent and Data-Independent Acquisition Modes for Generating High-Quality Metabolomic Data // Anal. Chem. 2021. V. 93. № 4. P. 2669-2677.

99. Nikolskiy I., Mahieu N.G., Chen Y.J., Tautenhahn R., Patti G.J. An untargeted metabolomic workflow to improve structural characterization of metabolites // Anal. Chem. 2013. V. 85. № 16. P. 7713-7719.

100. Xing S., Yu H., Liu M., Jia Q., Sun Z., FangM., Huan T. Recognizing Contamination Fragment Ions in Liquid Chromatography-Tandem Mass Spectrometry Data // J. Am. Soc. Mass Spectrom. 2021. P. jasms.0c00478.

101.Fraisier-Vannier O., Chervin J., Cabanac G., Puech V., Fournier S., Durand V., Amiel A., André O., Benamar O.A., Dumas B., Tsugawa H., Marti G. MS-CleanR: A Feature-Filtering Workflow for Untargeted LC-MS Based Metabolomics // Anal. Chem. 2020. V. 92. № 14. P. 9971-9981.

102.Huber C., Müller E., Schulze T., Brack W., Krauss M. Improving the Screening Analysis of Pesticide Metabolites in Human Biomonitoring by Combining High-Throughput In Vitro Incubation and Automated LC-HRMS Data Processing // Anal. Chem. 2021. V. 93. № 26. P. 9149-9157.

103. Chen G., Walmsley S., Cheung G.C.M., Chen L., Cheng C.-Y., Beuerman R.W., Wong T.Y., Zhou L., Choi H. Customized Consensus Spectral Library Building for Untargeted Quantitative Metabolomics Analysis with Data Independent Acquisition Mass Spectrometry and MetaboDIA Workflow // Anal. Chem. 2017. V. 89. № 9. P. 4897-4906.

104.Li H., Cai Y., Guo Y., Chen F., Zhu Z.J. MetDIA: Targeted Metabolite Extraction of Multiplexed MS/MS Spectra Generated by Data-Independent Acquisition // Anal. Chem. 2016. V. 88. № 17. P. 8757-8764.

105. Yin Y., Wang R., Cai Y., Wang Z., Zhu Z.J. DecoMetDIA: Deconvolution of Multiplexed MS/MS Spectra for Metabolite Identification in SWATH-MS-Based Untargeted Metabolomics // Anal. Chem. 2019. V. 91. № 18. P. 11897-11904.

106.Shen X., Wang R., Xiong X., Yin Y., Cai Y., Ma Z., Liu N., Zhu Z.-J. Metabolic reaction network-based recursive metabolite annotation for untargeted metabolomics // Nat. Commun. 2019. V. 10. № 1. P. 1516.

107.Edmands W.M.B., Barupal D.K., Scalbert A. MetMSLine: an automated and fully integrated pipeline for rapid processing of high-resolution LC-MS metabolomic datasets // Bioinformatics. 2015. V. 31. № 5. P. 788-790.

108.Bilbao A., Zhang Y., Varesio E., Luban J., Strambio-De-Castillia C., LisacekF., Hopfgartner G. Ranking Fragment Ions Based on Outlier Detection for Improved Label-Free Quantification in Data-Independent Acquisition LC-MS/MS // J. Proteome Res. 2015. V. 14. № 11. P. 4581-4593.

109.Edmands W.M.B., Hayes J., Rappaport S.M. SimExTargId: a comprehensive package for realtime LC-MS data acquisition and analysis // Bioinformatics. 2018. V. 34. № 20. P. 3589-3590.

110.Zha H., Cai Y., Yin Y., Wang Z., Li K., Zhu Z.J. SWATHtoMRM: Development of High-Coverage Targeted Metabolomics Method Using SWATH Technology for Biomarker Discovery // Anal. Chem. 2018. V. 90. № 6. P. 4062-4070.

111.Zhang Y., Bilbao A., Bruderer T., Luban J., Strambio-De-Castillia C., Lisacek F., Hopfgartner G., Varesio E. The Use of Variable Q1 Isolation Windows Improves Selectivity in LC-SWATH-MS Acquisition // J. Proteome Res. 2015. V. 14. № 10. P. 4359-4371.

112. Tsugawa H., Cajka T., Kind T., Ma Y., Higgins B., Ikeda K., Kanazawa M., VanderGheynst J., Fiehn O., Arita M. MS-DIAL: data-independent MS/MS deconvolution for comprehensive metabolome analysis // Nat. Methods. 2015. V. 12. № 6. P. 523-526.

113.Stancliffe E., Schwaiger-Haber M., Sindelar M., Patti G.J. DecoID improves identification rates in metabolomics through database-assisted MS/MS deconvolution // Nat. Methods. 2021. V. 18. № 7. P. 779-787.

114.Zuo Z., Cao L., Nothia L.-F., Mohimani H. MS2Planner: improved fragmentation spectra coverage in untargeted mass spectrometry by iterative optimized data acquisition // Bioinformatics. 2021. V. 37. № Supplement_1. P. i231-i236.

115. Wang R., Ding J., Geng Y., Li Y., Mei Y., Bao K., Yu H., Feng Y. CRB-SWATH: A Method for Enhancing Untargeted Precursor Ion Extraction and Automatically Constructing Their Tandem Mass Spectra from SWATH Datasets by Chromatographic Retention Behaviors // Anal. Chem. 2021. V. 93. № 36. P. 12273-12280.

116. Gine R., Capellades J., Badia J.M., Vughs D., Schwaiger-Haber M., Alexandrov T., Vinaixa M., Brunner A.M., Patti G.J., Yanes O. HERMES: a molecular-formula-oriented method to target the metabolome // Nat. Methods. 2021. V. 18. № 11. P. 1370-1376.

117. Guo J., Huan T. Comparison of Full-Scan, Data-Dependent, and Data-Independent Acquisition Modes in Liquid Chromatography-Mass Spectrometry Based Untargeted Metabolomics // Anal. Chem. 2020. V. 92. № 12. P. 8072-8080.

118. Guo J., Huan T. Evaluation of significant features discovered from different data acquisition modes in mass spectrometry-based untargeted metabolomics // Anal. Chim. Acta. 2020. V. 1137. P. 37-46.

119.Zhu X., Chen Y., Subramanian R Comparison of Information-Dependent Acquisition, SWATH, and MS All Techniques in Metabolite Identification Study Employing UltrahighPerformance Liquid Chromatography-Quadrupole Time-of-Flight Mass Spectrometry // Anal. Chem. 2014. V. 86. № 2. P. 1202-1209.

120.Barbier Saint Hilaire P., Rousseau K., Seyer A., Dechaumet S., Damont A., Junot C., Fenaille F. Comparative Evaluation of Data Dependent and Data Independent Acquisition Workflows Implemented on an Orbitrap Fusion for Untargeted Metabolomics // Metabolites. 2020. V. 10. № 4. P. 158.

121. Ten-Domenech I., Martinez-Sena T., Moreno-TorresM., Sanjuan-Herraez J.D., Castell J. V., Parra-Llorca A., Vento M., Quintas G., Kuligowski J. Comparing Targeted vs. Untargeted MS2

Data-Dependent Acquisition for Peak Annotation in LC-MS Metabolomics // Metabolites. 2020. V. 10. № 4. P. 126.

122.Ribbenstedt A., Ziarrusta H., Benskin J.P. Development, characterization and comparisons of targeted and non-targeted metabolomics methods // PLoS One. 2018. V. 13. № 11. P. e0207082.

123. Chen L., Zhong F., Zhu J. Bridging Targeted and Untargeted Mass Spectrometry-Based Metabolomics via Hybrid Approaches // Metabolites. 2020. V. 10. № 9. P. 348.

124. Greer B., Chevallier O., Quinn B., Botana L.M., Elliott C.T. Redefining dilute and shoot: The evolution of the technique and its application in the analysis of foods and biological matrices by liquid chromatography mass spectrometry // TrAC Trends Anal. Chem. 2021. V. 141. P. 116284.

125. Vuckovic D. Current trends and challenges in sample preparation for global metabolomics using liquid chromatography-mass spectrometry // Anal. Bioanal. Chem. 2012. V. 403. № 6. P. 1523-1548.

126.Bojko B., Reyes-Garcés N., Bessonneau V., Gorynski K., Mousavi F., Souza Silva E.A., Pawliszyn J. Solid-phase microextraction in metabolomics // TrAC Trends Anal. Chem. 2014. V. 61. P. 168-180.

127.Reyes-Garcés N., Gionfriddo E. Recent developments and applications of solid phase microextraction as a sample preparation approach for mass-spectrometry-based metabolomics and lipidomics // TrAC Trends Anal. Chem. 2019. V. 113. P. 172-181.

128.Raterink R.J., Lindenburg P.W., Vreeken R.J., Ramautar R., Hankemeier T. Recent developments in sample-pretreatment techniques for mass spectrometry-based metabolomics // TrAC - Trends Anal. Chem. 2014. V. 61. P. 157-167.

129.Miggiels P., Wouters B., van Westen G.J.P., Dubbelman A.C., Hankemeier T. Novel technologies for metabolomics: More for less // TrAC - Trends Anal. Chem. 2019. V. 120. P. 115323.

130. Causon T.J., Hann S. Review of sample preparation strategies for MS-based metabolomic studies in industrial biotechnology // Anal. Chim. Acta. 2016. V. 938. P. 18-32.

131. GongZ.-G., Hu J., WuX., Xu Y.-J. The Recent Developments in Sample Preparation for Mass Spectrometry-Based Metabolomics // Crit. Rev. Anal. Chem. 2017. V. 47. № 4. P. 325-331.

132.Luque de Castro M.D., Delgado-Povedano M.M. Ultrasound: A subexploited tool for sample preparation in metabolomics // Anal. Chim. Acta. 2014. V. 806. P. 74-84.

133.Zhao S., Li L. Chemical derivatization in LC-MS-based metabolomics study // TrAC Trends Anal. Chem. 2020. V. 131. P. 115988.

134.Lindahl A., Sääf S., Lehtiö J., Nordström A. Tuning Metabolome Coverage in Reversed Phase LC-MS Metabolomics of MeOH Extracted Samples Using the Reconstitution Solvent Composition // Anal. Chem. 2017. V. 89. № 14. P. 7356-7364.

135.SitnikovD.G., Monnin C.S., VuckovicD. Systematic Assessment of Seven Solvent and SolidPhase Extraction Methods for Metabolomics Analysis of Human Plasma by LC-MS // Sci. Rep. 2016. V. 6. № 1. P. 38885.

136.Sostare J., Di Guida R., Kirwan J., ChalalK., Palmer E., Dunn W.B., ViantM.R. Comparison of modified Matyash method to conventional solvent systems for polar metabolite and lipid extractions // Anal. Chim. Acta. 2018. V. 1037. P. 301-315.

137.Southam A.D., Haglington L.D., Najdekr L., Jankevics A., Weber R.J.M., Dunn W.B. Assessment of human plasma and urine sample preparation for reproducible and high-throughput UHPLC-MS clinical metabolic phenotyping // Analyst. 2020. V. 145. № 20. P. 6511-6523.

138. Chan W., Zhao Y., Zhang J. Evaluating the performance of sample preparation methods for ultra-performance liquid chromatography/mass spectrometry based serum metabonomics // Rapid Commun. Mass Spectrom. 2019. V. 33. № 6. P. 561-568.

139. Waybright T.J., Van Q.N., Muschik G.M., Conrads T.P., Veenstra T.D., Issaq H.J. LC-MS in Metabonomics: Optimization of Experimental Conditions for the Analysis of Metabolites in Human Urine // J. Liq. Chromatogr. Relat. Technol. 2006. V. 29. № 17. P. 2475-2497.

140.Jacyna J., Kordalewska M., Markuszewski M.J. Design of Experiments in metabolomics-related studies: An overview // J. Pharm. Biomed. Anal. 2019. V. 164. P. 598-606.

141.Roca M., Alcoriza M.I., Garcia-Cañaveras J.C., Lahoz A. Reviewing the metabolome coverage provided by LC-MS: Focus on sample preparation and chromatography-A tutorial // Anal. Chim. Acta. 2021. V. 1147. P. 38-55.

142. Fernández-Peralbo M.A., Luque de Castro M.D. Preparation of urine samples prior to targeted or untargeted metabolomics mass-spectrometry analysis // TrAC Trends Anal. Chem. 2012. V. 41. P. 75-85.

143. Gika H., Theodoridis G. Sample preparation prior to the LC-MS-based metabolomics/metabonomics of blood-derived samples // Bioanalysis. 2011. V. 3. № 14. P. 16471661.

144. Giske0degard G.F., Andreassen T., Bertilsson H., Tessem M.-B., Bathen T.F. The effect of sampling procedures and day-to-day variations in metabolomics studies of biofluids // Anal. Chim. Acta. 2019. V. 1081. P. 93-102.

145.Bi H., Guo Z., Jia X., Liu H., Ma L., Xue L. The key points in the pre-analytical procedures of blood and urine samples in metabolomics studies // Metabolomics. 2020. V. 16. № 6. P. 68.

146. González-Domínguez R., González-Domínguez A., Sayago A., Fernández-Recamales A. Recommendations and Best Practices for Standardizing the Pre-Analytical Processing of Blood and Urine Samples in Metabolomics // Metabolites. 2020. V. 10. № 6. P. 229.

147. Tolstikov V., Moser A.J., Sarangarajan R., Narain N.R, Kiebish M.A. Current Status of Metabolomic Biomarker Discovery: Impact of Study Design and Demographic Characteristics // Metabolites. 2020. V. 10. № 6. P. 224.

148. Dunn W.B., Wilson I.D., Nicholls A.W., Broadhurst D. The importance of experimental design and QC samples in large-scale and MS-driven untargeted metabolomic studies of humans // Bioanalysis. 2012. V. 4. № 18. P. 2249-2264.

149.Zou W., She J., Tolstikov V. A Comprehensive Workflow of Mass Spectrometry-Based Untargeted Metabolomics in Cancer Metabolic Biomarker Discovery Using Human Plasma and Urine // Metabolites. 2013. V. 3. № 3. P. 787-819.

150.Burgos R.C.R, de Macedo A.N., da Cruz P.L.R, Tedesco-Silva Júnior H., Cardozo K.H.M., Carvalho V.M., Tavares M.F.M. Improving data quality in liquid chromatography-mass spectrometry metabolomics of human urine // J. Chromatogr. A. 2021. V. 1654. P. 462457.

151. Godzien J., Alonso-Herranz V., Barbas C., Armitage E.G. Controlling the quality of metabolomics data: new strategies to get the best out of the QC sample // Metabolomics. 2015. V. 11. № 3. P. 518-528.

152.Dunn W.B., Broadhurst D., Begley P., Zelena E., Francis-McIntyre S., Anderson N., Brown M., Knowles J.D., Halsall A., Haselden J.N., Nicholls A.W., Wilson I.D., Kell D.B., Goodacre R. Procedures for large-scale metabolic profiling of serum and plasma using gas chromatography and liquid chromatography coupled to mass spectrometry // Nat. Protoc. 2011. V. 6. № 7. P. 10601083.

153. Want E.J., Masson P., Michopoulos F., Wilson I.D., Theodoridis G., Plumb R.S., Shockcor J., Loftus N., Holmes E., Nicholson J.K. Global metabolic profiling of animal and human tissues via UPLC-MS // Nat. Protoc. 2013. V. 8. № 1. P. 17-32.

154. Want E.J., Wilson I.D., Gika H., Theodoridis G., Plumb RS., Shockcor J., Holmes E., Nicholson J.K. Global metabolic profiling procedures for urine using UPLC-MS // Nat. Protoc. 2010. V. 5. № 6. P. 1005-1018.

155.Naz S., Vallejo M., Garcia A., Barbas C. Method validation strategies involved in non-targeted metabolomics // J. Chromatogr. A. 2014. V. 1353. P. 99-105.

156. Dudzik D., Barbas-Bernardos C., Garcia A., Barbas C. Quality assurance procedures for mass spectrometry untargeted metabolomics. a review // J. Pharm. Biomed. Anal. 2018. V. 147. P. 149173.

157. Dunn W.B., Broadhurst D.I., Edison A., Guillou C., Viant M.R., Bearden D.W., Beger R.D. Quality assurance and quality control processes: summary of a metabolomics community questionnaire // Metabolomics. 2017. V. 13. № 5. P. 50.

158.Beger R.D., Dunn W.B., Bandukwala A., Bethan B., Broadhurst D., Clish C.B., Dasari S., Derr L., Evans A., Fischer S., Flynn T., Hartung T., Herrington D., Higashi R., Hsu P.-C., Jones C., Kachman M., Karuso H., Kruppa G., Lippa K., Maruvada P., Mosley J., Ntai I., O'Donovan

C., Playdon M., Raftery D., Shaughnessy D., Souza A., Spaeder T., Spalholz B., Tayyari F., Ubhi

B., Verma M., Walk T., Wilson I., Witkin K., Bearden D. W., Zanetti K. A. Towards quality assurance and quality control in untargeted metabolomics studies // Metabolomics. 2019. V. 15. № 1. P. 4.

159. Evans A.M., O'Donovan C., Playdon M., Beecher C., Beger R.D., Bowden J.A., Broadhurst

D., Clish C.B., Dasari S., Dunn W.B., Griffin J.L., Hartung T., Hsu P.-C., Huan T., Jans J., Jones

C.M., Kachman M., Kleensang A., Lewis M.R, Monge M. E., Mosley J. D., Taylor E., Tayyari F., Theodoridis G., Torta F., Ubhi B. K., Vuckovic D. Quality assurance and quality control processes: summary of a metabolomics community questionnaire //Metabolomics. 2020. V. 16. № 10. P. 113.

160. Gika H.G., Zisi C., Theodoridis G., Wilson I.D. Protocol for quality control in metabolic profiling of biological fluids by U(H)PLC-MS // J. Chromatogr. B. 2016. V. 1008. P. 15-25.

161. Wilson I.D., Theodoridis G., Virgiliou C. A perspective on the standards describing mass spectrometry-based metabolic phenotyping (metabolomics/metabonomics) studies in publications // J. Chromatogr. B. 2021. V. 1164. № December 2020. P. 122515.

162.Broadhurst D., Goodacre R., Reinke S.N., Kuligowski J., Wilson I.D., Lewis M.R.., Dunn W.B. Guidelines and considerations for the use of system suitability and quality control samples in mass spectrometry assays applied in untargeted clinical metabolomic studies // Metabolomics. 2018. V. 14. № 6. P. 72.

163. Ivanisevic J., Want E.J. From Samples to Insights into Metabolism: Uncovering Biologically Relevant Information in LC-HRMS Metabolomics Data // Metabolites. 2019. V. 9. № 12. P. 308.

164.Pezzatti J., Boccard J., Codesido S., Gagnebin Y., Joshi A., Picard D., Gonzàlez-Ruiz V., Rudaz S. Implementation of liquid chromatography-high resolution mass spectrometry methods for untargeted metabolomic analyses of biological samples: A tutorial // Anal. Chim. Acta. 2020. V. 1105. P.28-44.

165. Chamberlain C.A., Rubio V.Y., Garrett T.J. Impact of matrix effects and ionization efficiency in non-quantitative untargeted metabolomics // Metabolomics. 2019. V. 15. № 10. P. 135.

166.Burton L., Ivosev G., Tate S., Impey G., Wingate J., Bonner R Instrumental and experimental effects in LC-MS-based metabolomics // J. Chromatogr. B. 2008. V. 871. № 2. P. 227-235.

167. Caesar L.K., Kvalheim O.M., Cech N.B. Hierarchical cluster analysis of technical replicates to identify interferents in untargeted mass spectrometry metabolomics // Anal. Chim. Acta. 2018. V. 1021. P. б9-77.

168. Ghosson H., Guitton Y., Ben Jrad A., Patil C., Raviglione D., Salvia M., Bertrand C. Electrospray ionization and heterogeneous matrix effects in liquid chromatography/mass spectrometry based meta-metabolomics: A biomarker or a suppressed ion? // Rapid Commun. Mass Spectrom. 2021. V. 35. № 2. P. 1-17.

169.Rodríguez-Coira J., Delgado-Dolset M., Obeso D., Dolores-Hernández M., Quintás G., Angulo S., Barber D., Carrillo T., Escribese M., Villaseñor A. Troubleshooting in Large-Scale LC-ToF-MS Metabolomics Analysis: Solving Complex Issues in Big Cohorts // Metabolites. 2019. V. 9. № 11. P. 247.

170.Surowiec I., Johansson E., Torell F., Idborg H., Gunnarsson I., Svenungsson E., Jakobsson P.-J., Trygg J. Multivariate strategy for the sample selection and integration of multi-batch data in metabolomics // Metabolomics. 2017. V. 13. № 10. P. 114.

171.Ressom H.W., Xiao J.F., Tuli L., Varghese R.S., Zhou B., Tsai T.-H., Nezami Ranjbar M.R., Zhao Y., Wang J., Di Poto C., Cheema A.K., Tadesse M.G., Goldman R., Shetty K. Utilization of metabolomics to identify serum biomarkers for hepatocellular carcinoma in patients with liver cirrhosis // Anal. Chim. Acta. 2012. V. 743. P. 90-100.

172.Dunn W.B., Lin W., Broadhurst D., Begley P., Brown M., Zelena E., Vaughan A.A., Halsall A., Harding N., Knowles J.D., Francis-McIntyre S., Tseng A., Ellis D.I., O 'Hagan S., Aarons G., Benjamin B., Chew-Graham S., Moseley C., Potter P., Winder C. L., Potts C., Thornton P., McWhirter C., Zubair M., Pan M., Burns A., Cruickshank J. K., Jayson G. C., Purandare N., Wu F. C. W., Finn J. D., Haselden J. N., Nicholls A. W., Wilson I. D., Goodacre R., Kell D. B. Molecular phenotyping of a UK population: defining the human serum metabolome // Metabolomics. 2015. V. 11. № 1. P. 9-2б.

173. Ganna A., Fall T., Salihovic S., Lee W., Broeckling C.D., Kumar J., Hägg S., Stenemo M., Magnusson P.K.E., Prenni J.E., Lind L., Pawitan Y., Ingelsson E. Large-scale non-targeted metabolomic profiling in three human population-based studies // Metabolomics. 2016. V. 12. № 1. P. 4.

174. Cui X., Yang Q., Li B., Tang J., Zhang X., Li S., Li F., Hu J., Lou Y., Qiu Y., Xue W., Zhu F. Assessing the Effectiveness of Direct Data Merging Strategy in Long-Term and Large-Scale Pharmacometabonomics // Front. Pharmacol. 2019. V. 10. № FEB. P. 1-14.

175.Metabolic Profiling // Methods in Molecular Biology / ed. Theodoridis G.A., Gika H.G., Wilson I.D. New York, NY: Springer New York, 2018. V. 1738. 285 p.

176.Metabolomics: From Fundamentals to Clinical Applications / ed. SussuliniA. Cham: Springer International Publishing, 2017. V. 9б5. 351 p.

177.High-Throughput Metabolomics // Methods in Molecular Biology / ed. D 'Alessandro A. New York, NY: Springer New York, 2019. V. 1978. 430 p.

178.Katajamaa M., Oresic M. Data processing for mass spectrometry-based metabolomics // J. Chromatogr. A. 2007. V. 1158. № 1-2. P. 318-328.

179. Castillo S., Gopalacharyulu P., Yetukuri L., Oresic M. Algorithms and tools for the preprocessing of LC-MS metabolomics data // Chemom. Intell. Lab. Syst. 2011. V. 108. № 1. P. 23-32.

180.Smith C.A., Want E.J., O'Maille G., Abagyan R., Siuzdak G. XCMS: Processing Mass Spectrometry Data for Metabolite Profiling Using Nonlinear Peak Alignment, Matching, and Identification // Anal. Chem. 2006. V. 78. № 3. P. 779-787.

181. Tautenhahn R., Böttcher C., Neumann S. Highly sensitive feature detection for high resolution LC/MS // BMC Bioinformatics. 2008. V. 9. № 1. P. 504.

182.KatajamaaM., Miettinen J., Oresic M. MZmine: toolbox for processing and visualization of mass spectrometry based molecular profile data // Bioinformatics. 2006. V. 22. № 5. P. 634-636.

183.Pluskal T., Castillo S., Villar-Briones A., Oresic M. MZmine 2: Modular framework for processing, visualizing, and analyzing mass spectrometry-based molecular profile data // BMC Bioinformatics. 2010. V. 11. № 1. P. 395.

184. Olivon F., Grelier G., Roussi F., Litaudon M., TouboulD. MZmine 2 Data-Preprocessing To Enhance Molecular Networking Reliability // Anal. Chem. 2017. V. 89. № 15. P. 7836-7840.

185.Myers O.D., Sumner S.J., Li S., Barnes S., Du X. One Step Forward for Reducing False Positive and False Negative Compound Identifications from Mass Spectrometry Metabolomics Data: New Algorithms for Constructing Extracted Ion Chromatograms and Detecting Chromatographic Peaks // Anal. Chem. 2017. V. 89. № 17. P. 8696-8703.

186. Tada I., Chaleckis R., Tsugawa H., Meister I., Zhang P., Lazarinis N., Dahlen B., Wheelock C.E., Arita M. Correlation-Based Deconvolution (CorrDec) To Generate High-Quality MS2 Spectra from Data-Independent Acquisition in Multisample Studies // Anal. Chem. 2020. V. 92. № 16. P. 11310-11317.

187.Kenar E., Franken H., Forcisi S., Wörmann K., Häring H.-U., Lehmann R., Schmitt-Kopplin P., Zell A., Kohlbacher O. Automated Label-free Quantification of Metabolites from Liquid Chromatography-Mass Spectrometry Data // Mol. Cell. Proteomics. 2014. V. 13. № 1. P. 348359.

188.Röst H.L., Sachsenberg T., Aiche S., Bielow C., Weisser H., Aicheler F., Andreotti S., Ehrlich H.-C., Gutenbrunner P., Kenar E., Liang X., Nahnsen S., Nilse L., Pfeuffer J., Rosenberger G., RurikM., Schmitt U., Veit J., Walzer M., Wojnar D., Wolski W. E., Schilling O., Choudhary J. S., Malmström L., AebersoldR., ReinertK., Kohlbacher O. OpenMS: a flexible open-source software platform for mass spectrometry data analysis // Nat. Methods. 2016. V. 13. № 9. P. 741-748.

189.Delabriere A., Warmer P., Brennsteiner V., Zamboni N. SLAW: A Scalable and Self-Optimizing Processing Workflow for Untargeted LC-MS // Anal. Chem. 2021. V. 93. № 45. P. 15024-15032.

190. ChangH.-Y., Chen C.-T., Lih T.M., Lynn K.-S., Juo C.-G., Hsu W.-L., Sung T.-Y. iMet-Q: A User-Friendly Tool for Label-Free Metabolomics Quantitation Using Dynamic Peak-Width Determination // PLoS One. 2016. V. 11. № 1. P. e0146112.

191.Myint L., Kleensang A., Zhao L., Hartung T., Hansen K.D. Joint Bounding of Peaks Across Samples Improves Differential Analysis in Mass Spectrometry-Based Metabolomics // Anal. Chem. 2017. V. 89. № 6. P. 3517-3523.

192. Wang S.-Y., Kuo C.-H., Tseng Y.J. Ion Trace Detection Algorithm to Extract Pure Ion Chromatograms to Improve Untargeted Peak Detection Quality for Liquid Chromatography/Time-of-Flight Mass Spectrometry-Based Metabolomics Data // Anal. Chem. 2015. V. 87. № 5. P. 30483055.

193.Ji H., Lu H., Zhang Z. Pure ion chromatogram extraction via optimal k-means clustering // RSC Adv. 2016. V. 6. № 62. P. 56977-56985.

194.Ji H., Zeng F., Xu Y., Lu H., Zhang Z. KPIC2: An Effective Framework for Mass Spectrometry-Based Metabolomics Using Pure Ion Chromatograms // Anal. Chem. 2017. V. 89. № 14. P.7631-7640.

195. Yu T., Park Y., Johnson J.M., Jones D.P. apLCMS—adaptive processing of high-resolution LC/MS data // Bioinformatics. 2009. V. 25. № 15. P. 1930-1936.

196. Yu T., Peng H. Quantification and deconvolution of asymmetric LC-MS peaks using the bi-Gaussian mixture model and statistical model selection // BMC Bioinformatics. 2010. V. 11. № 1. P. 559.

197. Yu T., Park Y., Li S., Jones D.P. Hybrid Feature Detection and Information Accumulation Using High-Resolution LC-MS Metabolomics Data // J. Proteome Res. 2013. V. 12. №2 3. P. 14191427.

198. Yu T., Jones D.P. Improving peak detection in high-resolution LC/MS metabolomics data using preexisting knowledge and machine learning approach // Bioinformatics. 2014. V. 30. № 20. P. 2941-2948.

199.Liu Q., Walker D., UppalK., Liu Z., Ma C., Tran V., Li S., Jones D.P., Yu T. Addressing the batch effect issue for LC/MS metabolomics data in data preprocessing // Sci. Rep. 2020. V. 10. № 1. P. 13856.

200. Coble J.B., Fraga C.G. Comparative evaluation of preprocessing freeware on chromatography/mass spectrometry data for signature discovery // J. Chromatogr. A. 2014. V. 1358. P. 155-164.

201.HohrenkL.L., ItzelF., BaetzN., Tuerk J., VosoughM., Schmidt T.C. Comparison of Software Tools for Liquid Chromatography-High-Resolution Mass Spectrometry Data Processing in Nontarget Screening of Environmental Samples // Anal. Chem. 2020. V. 92. № 2. P. 1898-1907.

202.Zhang W., ZhaoP.X. Quality evaluation of extracted ion chromatograms and chromatographic peaks in liquid chromatography/mass spectrometry-based metabolomics data // BMC Bioinformatics. 2014. V. 15. № S11. P. S5.

203. Chaker J., Gilles E., Léger T., Jégou B., David A. From Metabolomics to HRMS-Based Exposomics: Adapting Peak Picking and Developing Scoring for MS1 Suspect Screening // Anal. Chem. 2021. V. 93. № 3. P. 1792-1800.

204.Hao L., Wang J., Page D., Asthana S., Zetterberg H., Carlsson C., Okonkwo O.C., Li L. Comparative Evaluation of MS-based Metabolomics Software and Its Application to Preclinical Alzheimer's Disease // Sci. Rep. 2018. V. 8. № 1. P. 9291.

205.Li Z., Lu Y., Guo Y., Cao H., Wang Q., Shui W. Comprehensive evaluation of untargeted metabolomics data processing software in feature detection, quantification and discriminating marker selection // Anal. Chim. Acta. 2018. V. 1029. P. 50-57.

206.Rafiei A., Sleno L. Comparison of peak-picking workflows for untargeted liquid chromatography/high-resolution mass spectrometry metabolomics data analysis // Rapid Commun. Mass Spectrom. 2015. V. 29. № 1. P. 119-127.

207.Hemmer S., Manier S.K., Fischmann S., WestphalF., Wagmann L., Meyer M.R. Comparison of Three Untargeted Data Processing Workflows for Evaluating LC-HRMS Metabolomics Data // Metabolites. 2020. V. 10. № 9. P. 378.

208.Dunn W.B., Broadhurst D., Brown M., Baker P.N., Redman C.W.G., Kenny L.C., Kell D.B. Metabolic profiling of serum using Ultra Performance Liquid Chromatography and the LTQ-Orbitrap mass spectrometry system // J. Chromatogr. B Anal. Technol. Biomed. Life Sci. 2008. V. 871. № 2. P. 288-298.

209. Brodsky L., Moussaieff A., Shahaf N., Aharoni A., Rogachev I. Evaluation of peak picking quality in LC-MS metabolomics data // Anal. Chem. 2010. V. 82. № 22. P. 9177-9187.

210.EliassonM., Rännar S., Madsen R, DontenM.A., Marsden-Edwards E., Moritz T., Shockcor J.P., Johansson E., Trygg J. Strategy for optimizing LC-MS data processing in metabolomics: A design of experiments approach // Anal. Chem. 2012. V. 84. № 15. P. 6869-6876.

211.ZhengH., Clausen M.R., Dalsgaard T.K., Mortensen G., Bertram H.C. Time-saving design of experiment protocol for optimization of LC-MS data processing in metabolomic approaches // Anal. Chem. 2013. V. 85. № 15. P. 7109-7116.

212.Smith R., Tostengard A.R. Quantitative Evaluation of Ion Chromatogram Extraction Algorithms // J. Proteome Res. 2020. V. 19. № 5. P. 1953-1964.

213.Myers O.D., Sumner S.J., Li S., Barnes S., Du X. Detailed Investigation and Comparison of the XCMS and MZmine 2 Chromatogram Construction and Chromatographic Peak Detection Methods for Preprocessing Mass Spectrometry Metabolomics Data // Anal. Chem. 2017. V. 89. № 17. P. 8689-8695.

214.Müller E., Huber C., Beckers L.M., Brack W., Krauss M., Schulze T. A data set of 255,000 randomly selected and manually classified extracted ion chromatograms for evaluation of peak detection methods // Metabolites. 2020. V. 10. № 4. P. 1-12.

215.Albóniga O.E., González O., Alonso R.M., Xu Y., Goodacre R. Optimization of XCMS parameters for LC-MS metabolomics: an assessment of automated versus manual tuning and its effect on the final results // Metabolomics. 2020. V. 16. № 1. P. 1-12.

216.Manier S.K., Keller A., Meyer M.R. Automated optimization of XCMS parameters for improved peak picking of liquid chromatography-mass spectrometry data using the coefficient of variation and parameter sweeping for untargeted metabolomics // Drug Test. Anal. 2019. V. 11. № 6. P. 752-761.

217.Libiseller G., Dvorzak M., Kleb U., Gander E., Eisenberg T., Madeo F., Neumann S., Trausinger G., Sinner F., Pieber T., Magnes C. IPO: a tool for automated optimization of XCMS parameters // BMC Bioinformatics. 2015. V. 16. № 1. P. 118.

218.Fernández-Ochoa A., Quirantes-Piné R, Borrás-Linares I., Cádiz-Gurrea M. de la L., Alarcón Riquelme M.E., Brunius C., Segura-Carretero A. A Case Report of Switching from Specific Vendor-Based to R-Based Pipelines for Untargeted LC-MS Metabolomics // Metabolites. 2020. V. 10. № 1. P. 28.

219.Pang Z., Chong J., Li S., Xia J. MetaboAnalystR 3.0: Toward an Optimized Workflow for Global Metabolomics // Metabolites. 2020. V. 10. № 5. P. 186.

220.McLean C., Kujawinski E.B. AutoTuner: High Fidelity and Robust Parameter Selection for Metabolomics Data Processing // Anal. Chem. 2020. V. 92. № 8. P. 5724-5732.

221.Lassen J., Nielsen K.L., Johannsen M., Villesen P. Assessment of XCMS Optimization Methods with Machine-Learning Performance // Anal. Chem. 2021. V. 93. № 40. P. 13459-13466.

222.Mahieu N.G., Spalding J.L., Patti G.J. Warpgroup: increased precision of metabolomic data processing by consensus integration bound analysis // Bioinformatics. 2015. V. 32. № 2. P. btv564.

223. Wu C.-T., Wang Y., Wang Y., Ebbels T., Karaman I., Graga G., Pinto R., Herrington D.M., Wang Y., Yu G. Targeted realignment of LC-MS profiles by neighbor-wise compound-specific graphical time warping with misalignment detection // Bioinformatics. 2020. V. 36. № 9. P. 28622871.

224.El Abiead Y., Milford M., Salek R.M., Koellensperger G. mzRAPP: a tool for reliability assessment of data pre-processing in non-targeted metabolomics // Bioinformatics. 2021. № April. P. 1-3.

225. Toghi Eshghi S., Auger P., Mathews W.R. Quality assessment and interference detection in targeted mass spectrometry data using machine learning // Clin. Proteomics. 2018. V. 15. № 1. P. 33.

226. ChetnikK., PetrickL., Pandey G. MetaClean: a machine learning-based classifier for reduced false positive peak detection in untargeted LC-MS metabolomics data // Metabolomics. 2020. V. 16. № 11. P. 117.

227. Yu H., Chen Y., Huan T. Computational Variation: An Underinvestigated Quantitative Variability Caused by Automated Data Processing in Untargeted Metabolomics // Anal. Chem. 2021. V. 93. № 25. P. 8719-8728.

228. Yu H., Xing S., Nierves L., Lange P.F., Huan T. Fold-Change Compression: An Unexplored But Correctable Quantitative Bias Caused by Nonlinear Electrospray Ionization Responses in Untargeted Metabolomics // Anal. Chem. 2020. V. 92. № 10. P. 7011-7019.

229. Yu H., Huan T. Patterned Signal Ratio Biases in Mass Spectrometry-Based Quantitative Metabolomics // Anal. Chem. 2021. V. 93. № 4. P. 2254-2262.

230. Ju R., Liu X., Zheng F., Zhao X., Lu X., Zeng Z., Lin X., Xu G. Removal of false positive features to generate authentic peak table for high-resolution mass spectrometry-based metabolomics study // Anal. Chim. Acta. 2019. V. 1067. P. 79-87.

231. Ju R., Liu X., Zheng F., Zhao X., Lu X., Lin X., Zeng Z., Xu G. A graph density-based strategy for features fusion from different peak extract software to achieve more metabolites in metabolic profiling from high-resolution mass spectrometry // Anal. Chim. Acta. 2020. V. 1139. P. 8-14.

232.Kanazawa S., Noda A., Ito A., Hashimoto K., Kunisawa A., Nakanishi T., Kajihara S., Mukai N., Iida J., Fukusaki E., Matsuda F. Fake metabolomics chromatogram generation for facilitating deep learning of peak-picking neural networks // J. Biosci. Bioeng. 2021. V. 131. № 2. P. 207212.

233.Kantz E.D., Tiwari S., Watrous J.D., Cheng S., Jain M. Deep Neural Networks for Classification of LC-MS Spectral Peaks: research-article // Anal. Chem. 2019. V. 91. № 19. P. 12407-12413.

234.Melnikov A.D., Tsentalovich Y.P., Yanshole V. V. Deep Learning for the Precise Peak Detection in High-Resolution LC-MS Data: article-commentary // Anal. Chem. 2020. V. 92. № 1. P. 588-592.

235.Liu Z., Portero E.P., Jian Y., Zhao Y., Onjiko R.M., Zeng C., Nemes P. Trace, Machine Learning of Signal Images for Trace-Sensitive Mass Spectrometry: A Case Study from Single-Cell Metabolomics // Anal. Chem. 2019. V. 91. № 9. P. 5768-5776.

236. Wu Z., Serie D., Xu G., Zou J. PB-Net: Automatic peak integration by sequential deep learning for multiple reaction monitoring // J. Proteomics. 2020. V. 223. № October 2019. P. 103820.

237.Kutuzova S., Colaianni P., Röst H., Sachsenberg T., Alka O., Kohlbacher O., Burla B., Torta F., Schrübbers L., KristensenM., Nielsen L., HerrgardM.J., McCloskeyD. SmartPeak Automates Targeted and Quantitative Metabolomics Data Processing // Anal. Chem. 2020. V. 92. № 24. P. 15968-15974.

238. Guo J., Shen S., Xing S., Chen Y., Chen F., Porter E.M., Yu H., Huan T. EVA: Evaluation of Metabolic Feature Fidelity Using a Deep Learning Model Trained With Over 25000 Extracted Ion Chromatograms // Anal. Chem. 2021. V. 93. № 36. P. 12181-12186.

239.Risum A.B., Bro R. Using deep learning to evaluate peaks in chromatographic data // Talanta. 2019. V. 204. № March. P. 255-260.

240.Escandar G.M., Olivieri A.C. Multi-way chromatographic calibration—A review // J. Chromatogr. A. 2019. V. 1587. P. 2-13.

241.Ducruix C., Vailhen D., Werner E., Fievet J.B., Bourguignon J., Tabet J.-C., Ezan E., Junot C. Metabolomic investigation of the response of the model plant Arabidopsis thaliana to cadmium

exposure: Evaluation of data pretreatment methods for further statistical analyses // Chemom. Intell. Lab. Syst. 2008. V. 91. № 1. P. 67-77.

242. Górska-Horczyczak E., Horczyczak M., Guzek D., Wojtasik-Kalinowska I., Wierzbicka A. Chromatographic fingerprints supported by artificial neural network for differentiation of fresh and frozen pork // Food Control. 2017. V. 73. P. 237-244.

243.Adutwum L.A., Abel R.J., Harynuk J. Total Ion Spectra versus Segmented Total Ion Spectra as Preprocessing Tools for Gas Chromatography - Mass Spectrometry Data // J. Forensic Sci. 2018. V. 63.№ 4. P. 1059-1068.

244.Sirén K., Fischer U., Vestner J. Automated supervised learning pipeline for non-targeted GC-MS data analysis // Anal. Chim. Acta X. 2019. V. 1. P. 100005.

245.Fernández-Albert F., Llorach R., Andres-Lacueva C., Perera-Lluna A. Peak Aggregation as an Innovative Strategy for Improving the Predictive Power of LC-MS Metabolomic Profiles // Anal. Chem. 2014. V. 86. № 5. P. 2320-2325.

246. Nazarenko D.V., Kharyuk P.V., Oseledets I.V., Rodin I.A., Shpigun O.A. Machine learning for LC-MS medicinal plants identification // Chemom. Intell. Lab. Syst. 2016. V. 156. P. 174-180.

247.BairaE., SiapiE., ZoumpoulakisP., Stelios G. D., SkaltsounisA.-L., GikasE. Post-acquisition spectral stitching. An alternative approach for data processing in untargeted metabolomics by UHPLC-ESI(-)-HRMS // J. Chromatogr. B. 2017. V. 1047. P. 106-114.

248.Kharyuk P., Nazarenko D., Oseledets I., Rodin I., Shpigun O., Tsitsilin A., Lavrentyev M. Employing fingerprinting of medicinal plants by means of LC-MS and machine learning for species identification task // Sci. Rep. 2018. V. 8. № 1. P. 17053.

249.Marhuenda-Egea F.C., Gonsálvez-Alvarez RD., Lledó-Bosch B., Ten J., Bernabeu R. New Approach for Chemometric Analysis of Mass Spectrometry Data // Anal. Chem. 2013. V. 85. № 6. P. 3053-3058.

250.Adutwum L.A., Harynuk J.J. Unique Ion Filter: A Data Reduction Tool for GC/MS Data Preprocessing Prior to Chemometric Analysis // Anal. Chem. 2014. V. 86. № 15. P. 7726-7733.

251. Di Guida R., Engel J., Allwood J.W., Weber R.J.M., Jones M.R., Sommer U., Viant M.R., Dunn W.B. Non-targeted UHPLC-MS metabolomic data processing methods: a comparative investigation of normalisation, missing value imputation, transformation and scaling // Metabolomics. 2016. V. 12. № 5. P. 93.

252. Wei R., Wang J., Su M., Jia E., Chen S., Chen T., Ni Y. Missing Value Imputation Approach for Mass Spectrometry-based Metabolomics Data // Sci. Rep. 2018. V. 8. № 1. P. 663.

253. Wang S., Li W., Hu L., Cheng J., Yang H., Liu Y. NAguideR: performing and prioritizing missing value imputations for consistent bottom-up proteomic analyses // Nucleic Acids Res. 2020. V. 48. № 14. P. e83-e83.

254.Kumar N., Hoque M.A., Sugimoto M. Kernel weighted least square approach for imputing missing values of metabolomics data // Sci. Rep. 2021. V. 11. № 1. P. 11108.

255. Chaffin M.D., Cao L., Deik A.A., Clish C.B., Hu F.B., Martínez-González M.A., Razquin C., Bullo M., Corella D., Gómez-Gracia E., FiolM., Estruch R., Lapetra J., Fitó M., Arós F., Serra-Majem L., Ros E., LiangL. MetProc: Separating Measurement Artifacts from True Metabolites in an Untargeted Metabolomics Experiment // J. Proteome Res. 2019. V. 18. № 3. P. 1446-1450.

256.Li B., Tang J., Yang Q., Li S., Cui X., Li Y., Chen Y., Xue W, Li X, Zhu F. NOREVA: normalization and evaluation of MS-based metabolomics data // Nucleic Acids Res. 2017. V. 45. № W1. P. W162-W170.

257. Yang Q, Wang Y., Zhang Y., Li F., Xia W., Zhou Y., Qiu Y., Li H., Zhu F. NOREVA: enhanced normalization and evaluation of time-course and multi-class metabolomic data // Nucleic Acids Res. 2020. V. 48. № W1. P. W436-W448.

258. Yang Q., Hong J., Li Y., Xue W., Li S., Yang H., Zhu F. A novel bioinformatics approach to identify the consistently well-performing normalization strategy for current metabolomic studies // Brief. Bioinform. 2020. V. 21. № 6. P. 2142-2152.

259.Li B., Tang J., Yang Q., Cui X., Li S., Chen S., Cao Q., Xue W., Chen N., Zhu F. Performance Evaluation and Online Realization of Data-driven Normalization Methods Used in LC/MS based Untargeted Metabolomics Analysis // Sci. Rep. 2016. V. 6. № 1. P. 38881.

260.De Livera A.M., Dias D.A., De Souza D., Rupasinghe T., Pyke J., Tull D., Roessner U., McConville M., Speed T.P. Normalizing and integrating metabolomics data // Anal. Chem. 2012. V. 84. № 24. P. 10768-10776.

261. Livera A.M. De, Sysi-Aho M., Jacob L., Gagnon-Bartsch J.A., Castillo S., Simpson J.A., Speed T.P. Statistical Methods for Handling Unwanted Variation in Metabolomics Data // Anal. Chem. 2015. V. 87. № 7. P. 3606-3615.

262. De Livera A.M., Olshansky G., Simpson J.A., Creek D.J. NormalizeMets: assessing, selecting and implementing statistical methods for normalizing metabolomics data // Metabolomics. 2018. V. 14. № 5. P. 54.

263. Willforss J., Chawade A., Levander F. NormalyzerDE: Online Tool for Improved Normalization of Omics Expression Data and High-Sensitivity Differential Expression Analysis // J. Proteome Res. 2019. V. 18. № 2. P. 732-740.

264. Chawade A., Alexandersson E., Levander F. Normalyzer: A Tool for Rapid Evaluation of Normalization Methods for Omics Data Sets // J. Proteome Res. 2014. V. 13. № 6. P. 3114-3120.

265.Nodzenski M., Muehlbauer M.J., Bain J.R., Reisetter A.C., Lowe W.L., Scholtens D.M. Metabomxtr: An R package for mixture-model analysis of non-targeted metabolomics data // Bioinformatics. 2014. V. 30. № 22. P. 3287-3288.

266. Reisetter A.C., Muehlbauer M.J., Bain J.R., Nodzenski M., Stevens R.D., Ilkayeva O., Metzger B.E., Newgard C.B., Lowe W.L., Scholtens D.M. Mixture model normalization for non-targeted gas chromatography/mass spectrometry metabolomics data // BMC Bioinformatics. 2017. V. 18. № 1.P. 84.

267.Bararpour N., Gilardi F., Carmeli C., Sidibe J., Ivanisevic J., Caputo T., Augsburger M., Grabherr S., Desvergne B., Guex N., Bochud M., Thomas A. DBnorm as an R package for the comparison and selection of appropriate statistical methods for batch effect correction in metabolomic studies // Sci. Rep. 2021. V. 11. № 1. P. 5657.

268.Han W., Li L. Evaluating and minimizing batch effects in metabolomics // Mass Spectrom. Rev. 2020. № July. P. mas.21672.

269.Misra B.B. Data normalization strategies in metabolomics: Current challenges, approaches, and tools // Eur. J. Mass Spectrom. 2020. V. 26. № 3. P. 165-174.

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

271.Sanchez-Illana A., Pineiro-Ramos J.D., Sanjuan-Herraez J.D., Vento M., Quintas G., Kuligowski J. Evaluation of batch effect elimination using quality control replicates in LC-MS metabolite profiling // Anal. Chim. Acta. 2018. V. 1019. P. 38-48.

272. Wehrens R., Hageman J.A., van Eeuwijk F., Kooke R., Flood P.J., Wijnker E., Keurentjes J.J.B., Lommen A., van Eekelen H.D.L.M., Hall R.D., Mumm R., de Vos R.C.H. Improved batch correction in untargeted MS-based metabolomics // Metabolomics. 2016. V. 12. № 5. P. 88.

273.Luo P., Yin P., Zhang W., Zhou L., Lu X., Lin X., Xu G. Optimization of large-scale pseudotargeted metabolomics method based on liquid chromatography-mass spectrometry // J. Chromatogr. A. 201б. V. 1437. P. 127-13б.

274. Tokareva A.O., Chagovets V. V., Kononikhin A.S., Starodubtseva N.L., Nikolaev E.N., Frankevich V.E. Normalization methods for reducing interbatch effect without quality control samples in liquid chromatography-mass spectrometry-based studies // Anal. Bioanal. Chem. 2021. V. 413. № 13. P. 3479-348б.

275. Gagnebin Y., Tonoli D., Lescuyer P., Ponte B., de Seigneux S., Martin P.-Y., Schappler J., Boccard J., Rudaz S. Metabolomic analysis of urine samples by UHPLC-QTOF-MS: Impact of normalization strategies // Anal. Chim. Acta. 2017. V. 955. P. 27-35.

276. Kamleh M.A., Ebbels T.M.D., Spagou K., Masson P., Want E.J. Optimizing the Use of Quality Control Samples for Signal Drift Correction in Large-Scale Urine Metabolic Profiling Studies // Anal. Chem. 2012. V. 84. № 6. P. 2670-2б77.

277.Kirwan J.A., Broadhurst D.I., Davidson R.L., Viant M.R. Characterising and correcting batch variation in an automated direct infusion mass spectrometry (DIMS) metabolomics workflow // Anal. Bioanal. Chem. 2013. V. 405. № 15. P. 5147-5157.

278.Klävus A., Kokla M., Noerman S., Koistinen V.M., Tuomainen M., Zarei I., Meuronen T., Häkkinen M.R., Rummukainen S., Farizah Babu A., Sallinen T., Kärkkäinen O., Paananen J., Broadhurst D., Brunius C., Hanhineva K. "Notame": Workflow for Non-Targeted LC-MS Metabolic Profiling // Metabolites. 2020. V. 10. № 4. P. 135.

279.Luan H., Ji F., Chen Y., Cai Z. statTarget: A streamlined tool for signal drift correction and interpretations of quantitative mass spectrometry-based omics data // Anal. Chim. Acta. 2018. V. 103б. P. бб-72.

280.Fan S., Kind T., Cajka T., Hazen S.L., Tang W.H. W., Kaddurah-DaoukR., IrvinM.R., Arnett D.K., Barupal D.K., Fiehn O. Systematic Error Removal Using Random Forest for Normalizing Large-Scale Untargeted Lipidomics Data: research-article // Anal. Chem. 2019. V. 91. № 5. P. 3590-359б.

281.Shen X., Gong X., Cai Y., Guo Y., Tu J., Li H., Zhang T., Wang J., Xue F., Zhu Z.J. Normalization and integration of large-scale metabolomics data using support vector regression // Metabolomics. 2016. V. 12. № 5. P. 1-12.

282.Kuligowski J., Sánchez-Illana А., Sanjuán-Herráez D., Vento M., Quintás G. Intra-batch effect correction in liquid chromatography-mass spectrometry using quality control samples and support vector regression (QC-SVRC) // Analyst. 2015. V. 140. № 22. P. 7810-7817.

283.Sánchez-Illana А., Pérez-Guaita D., Cuesta-García D., Sanjuan-Herráez J.D., Vento M., Ruiz-Cerdá J.L., Quintás G., Kuligowski J. Model selection for within-batch effect correction in UPLC-MS metabolomics using quality control - Support vector regression // Anal. Chim. Acta. 2018. V. 102б. P. б2-б8.

284. Calderón-Santiago M., López-Bascón M.A., Peralbo-Molina А., Priego-Capote F. MetaboQC: A tool for correcting untargeted metabolomics data with mass spectrometry detection using quality controls // Talanta. 2017. V. 174. № May. P. 29-37.

285.Brunius C., ShiL., LandbergR. Large-scale untargeted LC-MS metabolomics data correction using between-batch feature alignment and cluster-based within-batch signal intensity drift correction // Metabolomics. 2016. V. 12. № 11. P. 173.

286. Wang S., Kuo C., 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. V. 85. № 2. P. 1037-1046.

287.Kim T., Tang O., Vernon S.T., Kott K.A., Koay Y.C., Park J., James D.E., Grieve S.M., Speed T.P., Yang P., Figtree G.A., O'Sullivan J.F., Yang J.Y.H. A hierarchical approach to removal of unwanted variation for large-scale metabolomics data // Nat. Commun. 2021. V. 12. № 1. P. 4992.

288.Karpievitch Y. V., Dabney A.R., Smith R.D. Normalization and missing value imputation for label-free LC-MS analysis // BMC Bioinformatics. 2012. V. 13. № S16. P. S5.

289.Karpievitch Y. V., Nikolic S.B., Wilson R., Sharman J.E., Edwards L.M. Metabolomics Data Normalization with EigenMS // PLoS One. 2014. V. 9. № 12. P. e116221.

290.Li Y., Li M., Jia W., Ni Y., Chen T. MCEE: a data preprocessing approach for metabolic confounding effect elimination // Anal. Bioanal. Chem. 2018. V. 410. № 11. P. 2689-2699.

291.Molania R., Gagnon-Bartsch J.A., Dobrovic A., Speed T.P. A new normalization for Nanostring nCounter gene expression data // Nucleic Acids Res. 2019. V. 47. № 12. P. 6073-6083.

292.Poulos R.C., Hains P.G., Shah R., Lucas N., Xavier D., Manda S.S., Anees A., Koh J.M.S., Mahboob S., Wittman M., Williams S.G., Sykes E.K., Hecker M., Dausmann M., Wouters M.A., Ashman K., Yang J., Wild P.J., DeFazio A., Balleine R L., Tully B., Aebersold R., Speed T. P., Liu Y., Reddel R. R, Robinson P. J., Zhong Q. Strategies to enable large-scale proteomics for reproducible research // Nat. Commun. 2020. V. 11. № 1. P. 3793.

293.RissoD., Ngai J., SpeedT.P., DudoitS. Normalization of RNA-seq data using factor analysis of control genes or samples // Nat. Biotechnol. 2014. V. 32. № 9. P. 896-902.

294.Marr S., Hageman J.A., Wehrens R., van Dam N.M., Bruelheide H., Neumann S. LC-MS based plant metabolic profiles of thirteen grassland species grown in diverse neighbourhoods // Sci. Data. 2021. V. 8. № 1. P. 52.

295. Wang W., Cheng K.-K., Deng L., Xu J., Shen G., Griffin J.L., Dong J. A clustering-based preprocessing method for the elimination of unwanted residuals in metabolomic data // Metabolomics. 2017. V. 13. № 1. P. 10.

296. Gradin R., Lindstedt M., Johansson H. Batch adjustment by reference alignment (BARA): Improved prediction performance in biological test sets with batch effects // PLoS One. 2019. V. 14. № 2. P. e0212669.

297.Fernändez-Albert F., Llorach R., Garcia-Aloy M., Ziyatdinov A., Andres-Lacueva C., Perera A. Intensity drift removal in LC/MS metabolomics by common variance compensation // Bioinformatics. 2014. V. 30. № 20. P. 2899-2905.

298. Oytam Y., Sobhanmanesh F., DuesingK., Bowden J.C., Osmond-McLeodM., Ross J. Risk-conscious correction of batch effects: maximising information extraction from high-throughput genomic datasets // BMC Bioinformatics. 2016. V. 17. № 1. P. 332.

299. Nyamundanda G., Poudel P., Patil Y., Sadanandam A. A Novel Statistical Method to Diagnose, Quantify and Correct Batch Effects in Genomic Studies // Sci. Rep. 2017. V. 7. № 1. P. 10849.

300. YiH., Raman A.T., ZhangH., Allen G.I., Liu Z. Detecting hidden batch factors through data-adaptive adjustment for biological effects // Bioinformatics. 2018. V. 34. № 7. P. 1141-1147.

301.Aliverti E., Tilson J.L., Filer D.L., Babcock B., Colaneri A., Ocasio J., Gershon T.R, Wilhelmsen K.C., Dunson D.B. Projected t-SNE for batch correction // Bioinformatics. 2020. V. 36. № 11. P. 3522-3527.

302.Deng K., Zhang F., Tan Q., Huang Y., Song W., Rong Z., Zhu Z.-J., Li K., Li Z. WaveICA: A novel algorithm to remove batch effects for large-scale untargeted metabolomics data based on wavelet analysis // Anal. Chim. Acta. 2019. V. 1061. P. 60-69.

303.DengK., Zhao F., Rong Z., Cao L., ZhangL., Li K., Hou Y., Zhu Z.-J. WaveICA 2.0: a novel batch effect removal method for untargeted metabolomics data without using batch information // Metabolomics. 2021. V. 17. № 10. P. 87.

304.Rong Z., Tan Q., Cao L., ZhangL., DengK., Huang Y., Zhu Z.J., Li Z., Li K. NormAE: Deep Adversarial Learning Model to Remove Batch Effects in Liquid Chromatography Mass Spectrometry-Based Metabolomics Data // Anal. Chem. 2020. V. 92. № 7. P. 5082-5090.

305. Wang T., Johnson T.S., Shao W., Lu Z., Helm B.R., Zhang J., Huang K. BERMUDA: a novel deep transfer learning method for single-cell RNA sequencing batch correction reveals hidden high-resolution cellular subtypes // Genome Biol. 2019. V. 20. № 1. P. 165.

306.Shaham U., Stanton K.P., Zhao J., Li H., Raddassi K., Montgomery R., Kluger Y. Removal of batch effects using distribution-matching residual networks // Bioinformatics. 2017. V. 33. № 16. P. 2539-2546.

307. Salerno S., Mehrmohamadi M., Liberti M. V., Wan M., Wells M.T., Booth J.G., Locasale J.W. RRmix: A method for simultaneous batch effect correction and analysis of metabolomics data in the absence of internal standards // PLoS One. 2017. V. 12. № 6. P. e0179530.

308. Jauhiainen A., Madhu B., Narita M., Narita M., Griffiths J., Tavare S. Normalization of metabolomics data with applications to correlation maps // Bioinformatics. 2014. V. 30. № 15. P. 2155-2161.

309.Zhang Y., Jenkins D.F., Manimaran S., Johnson W.E. Alternative empirical Bayes models for adjusting for batch effects in genomic studies // BMC Bioinformatics. 2018. V. 19. № 1. P. 262.

310. Johnson W.E., Li C., Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods // Biostatistics. 2007. V. 8. № 1. P. 118-127.

311. Giordan M. A Two-Stage Procedure for the Removal of Batch Effects in Microarray Studies // Stat. Biosci. 2014. V. 6. № 1. P. 73-84.

312.LuoX., Wei Y. Batch Effects Correction with Unknown Subtypes // J. Am. Stat. Assoc. 2019. V. 114. № 526. P. 581-594.

313. Lewis M.R., Pearce J.T.M., Spagou K., Green M., Dona A.C., Yuen A.H.Y., David M., Berry D.J., Chappell K., Horneffer-van der Sluis V., Shaw R., Lovestone S., Elliott P., Shockcor J., Lindon J.C., Cloarec O., Takats Z., Holmes E., Nicholson J.K. Development and Application of Ultra-Performance Liquid Chromatography-TOF MS for Precision Large Scale Urinary Metabolic Phenotyping // Anal. Chem. 2016. V. 88. № 18. P. 9004-9013.

314.Sysi-Aho M., KatajamaaM., Yetukuri L., Oresic M. Normalization method for metabolomics data using optimal selection of multiple internal standards // BMC Bioinformatics. 2007. V. 8. № 1.P. 93.

315.Redestig H., Fukushima A., Stenlund H., Moritz T., Arita M., Saito K., Kusano M. Compensation for Systematic Cross-Contribution Improves Normalization of Mass Spectrometry Based Metabolomics Data // Anal. Chem. 2009. V. 81. № 19. P. 7974-7980.

316.Boysen A.K., Heal K.R., Carlson L.T., Ingalls A.E. Best-Matched Internal Standard Normalization in Liquid Chromatography-Mass Spectrometry Metabolomics Applied to Environmental Samples // Anal. Chem. 2018. V. 90. № 2. P. 1363-1369.

317.Liu K.H., Nellis M., Uppal K., Ma C., Tran V., Liang Y., Walker D.I., Jones D.P. Reference Standardization for Quantification and Harmonization of Large-Scale Metabolomics // Anal. Chem. 2020. V. 92. № 13. P. 8836-8844.

318.BongaertsM., Bonte R., Demirdas S., JacobsE., Oussoren E., van der Ploeg A., Wagenmakers M., Hofstra R., Blom H., Reinders M., Ruijter G. Using Out-of-Batch Reference Populations to Improve Untargeted Metabolomics for Screening Inborn Errors of Metabolism // Metabolites. 2020. V. 11. № 1. P. 8.

319.Hu Y.-N., Zhan J.-T., Zhu Q.-F., Hu T., An N., Zhou Z., Liang Y., Wang W., Han Z., Wang J., Xu F.-Q., Feng Y.-Q. A mathematical method for calibrating the signal drift in liquid chromatography - mass spectrometry analysis // Talanta. 2021. V. 233. № March. P. 122511.

320.Drotleff B., Lämmerhofer M. Guidelines for Selection of Internal Standard-Based Normalization Strategies in Untargeted Lipidomic Profiling by LC-HR-MS/MS // Anal. Chem. 2019. V. 91. № 15. P. 9836-9843.

321. Chen G., Cui L., Teo G.S., Ong C.N., Tan C.S., Choi H. MetTailor: dynamic block summary and intensity normalization for robust analysis of mass spectrometry data in metabolomics // Bioinformatics. 2015. V. 31. № 22. P. btv434.

322. Warrack B.M., Hnatyshyn S., Ott K.-H., Reily M.D., Sanders M., Zhang H., Drexler D.M. Normalization strategies for metabonomic analysis of urine samples // J. Chromatogr. B. 2009. V. 877. № 5-6. P. 547-552.

323. Veselkov K.A., Vingara L.K., Masson P., Robinette S.L., Want E., Li J. V, Barton R.H., Boursier-Neyret C., Walther B., Ebbels T.M., Pelczer I., Holmes E., Lindon J.C., Nicholson J.K. Optimized Preprocessing of Ultra-Performance Liquid Chromatography/Mass Spectrometry Urinary Metabolic Profiles for Improved Information Recovery // Anal. Chem. 2011. V. 83. № 15. P. 5864-5872.

324. Wu Y., Li L. Sample normalization methods in quantitative metabolomics // J. Chromatogr. A. 2016. V. 1430. P. 80-95.

325.Filzmoser P., Walczak B. What can go wrong at the data normalization step for identification of biomarkers? // J. Chromatogr. A. 2014. V. 1362. P. 194-205.

326.Rosen Vollmar A.K., Rattray N.J.W., Cai Y., Santos-Neto A.J., Deziel N.C., Jukic A.M.Z., Johnson C.H. Normalizing Untargeted Periconceptional Urinary Metabolomics Data: A Comparison of Approaches // Metabolites. 2019. V. 9. № 10. P. 198.

327. Vogl F.C., Mehrl S., Heizinger L., Schlecht I., Zacharias H.U., Ellmann L., Nürnberger N., Gronwald W., Leitzmann M.F., Rossert J., Eckardt K.-U., Dettmer K., Oefner P.J. Evaluation of dilution and normalization strategies to correct for urinary output in HPLC-HRTOFMS metabolomics // Anal. Bioanal. Chem. 2016. V. 408. № 29. P. 8483-8493.

328.Dieterle F., Ross A., Schlotterbeck G., Senn H. Probabilistic Quotient Normalization as Robust Method to Account for Dilution of Complex Biological Mixtures. Application in 1 H NMR Metabonomics // Anal. Chem. 2006. V. 78. № 13. P. 4281-4290.

329.Lehallier B., Ratel J., Hanafi M., Engel E. Systematic ratio normalization of gas chromatography signals for biological sample discrimination and biomarker discovery // Anal. Chim. Acta. 2012. V. 733. P. 16-22.

330. Chen J., Zhang P., Lv M., Guo H., Huang Y., Zhang Z., Xu F. Influences of Normalization Method on Biomarker Discovery in Gas Chromatography-Mass Spectrometry-Based Untargeted Metabolomics: What Should Be Considered? // Anal. Chem. 2017. V. 89. № 10. P. 5342-5348.

331. Torgrip R.J.O., Äberg K.M., Alm E., Schuppe-Koistinen I., Lindberg J. A note on normalization of biofluid 1D 1H-NMR data // Metabolomics. 2008. V. 4. № 2. P. 114-121.

332. Wu Y., Li L. Determination of Total Concentration of Chemically Labeled Metabolites as a Means of Metabolome Sample Normalization and Sample Loading Optimization in Mass Spectrometry-Based Metabolomics // Anal. Chem. 2012. V. 84. № 24. P. 10723-10731.

333. Chepyala D., Kuo H.-C., Su K.-Y., Liao H.-W., Wang S.-Y., Chepyala S.R., ChangL.-C., Kuo C.-H. Improved Dried Blood Spot-Based Metabolomics Analysis by a Postcolumn Infused-Internal Standard Assisted Liquid Chromatography-Electrospray Ionization Mass Spectrometry Method // Anal. Chem. 2019. V. 91. № 16. P. 10702-10712.

334. Chetwynd A.J., Abdul-Sada A., Holt S.G., Hill E.M. Use of a pre-analysis osmolality normalisation method to correct for variable urine concentrations and for improved metabolomic analyses // J. Chromatogr. A. 2016. V. 1431. P. 103-110.

335. Chen Y., Shen G., Zhang R., He J., Zhang Y., Xu J., Yang W., Chen X., Song Y., Abliz Z. Combination of Injection Volume Calibration by Creatinine and MS Signals' Normalization to Overcome Urine Variability in LC-MS-Based Metabolomics Studies // Anal. Chem. 2013. V. 85. № 16. P.7659-7665.

336. Jaeger C., Lisec J. Statistical and Multivariate Analysis of MS-Based Plant Metabolomics Data // Methods in Molecular Biology / ed. Antonio C. 2018. V. 1778. P. 285-296.

337. Wanichthanarak K., Jeamsripong S., Pornputtapong N., Khoomrung S. Accounting for biological variation with linear mixed-effects modelling improves the quality of clinical metabolomics data // Comput. Struct. Biotechnol. J. 2019. V. 17. P. 611-618.

338. Gesell Salazar M., Neugebauer S., Kacprowski T., Michalik S., Ahnert P., Creutz P., RosolowskiM., LöfflerM., BauerM., SuttorpN., Kiehntopf M., Völker U. Association of proteome and metabolome signatures with severity in patients with community-acquired pneumonia // J. Proteomics. 2020. V. 214. № November 2019. P. 103627.

339. Gardinassi L.G., Cordy R.J., Lacerda M.V.G., Salinas J.L., Monteiro W.M., Melo G.C., Siqueira A.M., Val F.F., Tran V., Jones D.P., Galinski M.R., Li S. Metabolome-wide association study of peripheral parasitemia in Plasmodium vivax malaria // Int. J. Med. Microbiol. 2017. V. 307. № 8. P. 533-541.

340.Freidin M.B., Wells H.R.R., Potter T., Livshits G., Menni C., Williams F.M.K. Metabolomic markers of fatigue: Association between circulating metabolome and fatigue in women with chronic widespread pain // Biochim. Biophys. Acta - Mol. Basis Dis. 2018. V. 1864. № 2. P. 601606.

341.Lau C.-H.E., SiskosA.P., Maitre L., Robinson O., Athersuch T.J., WantE.J., Urquiza J., Casas M., Vafeiadi M., Roumeliotaki T., McEachan R.R.C., Azad R., Haug L.S., Meltzer H.M., Andrusaityte S., Petraviciene I., Grazuleviciene R., Thomsen C., Wright J., Slama R., Chatzi L., VrijheidM., Keun H. C., Coen M. Determinants of the urinary and serum metabolome in children from six European populations // BMC Med. 2018. V. 16. № 1. P. 202.

342.DarstB.F., Lu Q., Johnson S.C., Engelman C.D. Integrated analysis of genomics, longitudinal metabolomics, and Alzheimer's risk factors among 1,111 cohort participants // Genet. Epidemiol. 2019. V. 43. № 6. P. gepi.22211.

343.Rodriguez-Martinez A., Posma J.M., Ayala R., Neves A.L., Anwar M., Petretto E., Emanueli C., Gauguier D., Nicholson J.K., Dumas M.-E. MWASTools: an R/bioconductor package for metabolome-wide association studies // Bioinformatics. 2018. V. 34. № 5. P. 890-892.

344. Wei J., Wang A., Li R., Qu H., Jia Z. Metabolome-wide association studies for agronomic traits of rice // Heredity (Edinb). 2018. V. 120. № 4. P. 342-355.

345.HelmusR., ter Laak T.L., van WezelA.P., de VoogtP., Schymanski E.L. patRoon: open source software platform for environmental mass spectrometry based non-target screening // J. Cheminform. 2021. V. 13. № 1. P. 1.

346. Schiffman C., Petrick L., Perttula K., Yano Y., Carlsson H., Whitehead T., Metayer C., Hayes J., Rappaport S., Dudoit S. Filtering procedures for untargeted LC-MS metabolomics data // BMC Bioinformatics. 2019. V. 20. № 1. P. 334.

347.Sands C.J., Gómez-Romero M., Correia G., Chekmeneva E., Camuzeaux S., Izzi-Engbeaya C., Dhillo W.S., Takats Z., Lewis M.R. Representing the Metabolome with High Fidelity: Range and Response as Quality Control Factors in LC-MS-Based Global Profiling // Anal. Chem. 2021. V. 93.№ 4. P. 1924-1933.

348.Domingo-Almenara X., Montenegro-Burke J.R., Benton H.P., Siuzdak G. Annotation: A Computational Solution for Streamlining Metabolomics Analysis // Anal. Chem. 2018. V. 90. № 1. P. 480-489.

349.Nash W.J., Dunn W.B. From mass to metabolite in human untargeted metabolomics: Recent advances in annotation of metabolites applying liquid chromatography-mass spectrometry data // TrAC Trends Anal. Chem. 2019. V. 120. P. 115324.

350. Chaleckis R., Meister I., Zhang P., Wheelock C.E. Challenges, progress and promises of metabolite annotation for LC-MS-based metabolomics // Curr. Opin. Biotechnol. 2019. V. 55. P. 44-50.

351. Zhang W., Chang J., Lei Z., Huhman D., Sumner L.W., Zhao P.X. MET-COFEA: A Liquid Chromatography/Mass Spectrometry Data Processing Platform for Metabolite Compound Feature Extraction and Annotation // Anal. Chem. 2014. V. 86. № 13. P. 6245-6253.

352.Kuhl C., Tautenhahn R., Böttcher C., Larson T.R, Neumann S. CAMERA: An Integrated Strategy for Compound Spectra Extraction and Annotation of Liquid Chromatography/Mass Spectrometry Data Sets // Anal. Chem. 2012. V. 84. № 1. P. 283-289.

353.Broeckling C.D., Afsar F.A., Neumann S., Ben-Hur A., Prenni J.E. RAMClust: A Novel Feature Clustering Method Enables Spectral-Matching-Based Annotation for Metabolomics Data // Anal. Chem. 2014. V. 86. № 14. P. 6812-6817.

354. Uppal K., Walker D.I., Jones D.P. xMSannotator: An R Package for Network-Based Annotation of High-Resolution Metabolomics Data // Anal. Chem. 2017. V. 89. № 2. P. 10631067.

355. Yu M., Olkowicz M., Pawliszyn J. Structure/reaction directed analysis for LC-MS based untargeted analysis // Anal. Chim. Acta. 2019. V. 1050. P. 16-24.

356. Yu M., Petrick L. Untargeted high-resolution paired mass distance data mining for retrieving general chemical relationships // Commun. Chem. 2020. V. 3. № 1. P. 157.

357.Kouril S., Kouril S., De Sousa J., De Sousa J., Václavík J., Friedecky D., Friedecky D., Adam T., Adam T. CROP: Correlation-based reduction of feature multiplicities in untargeted metabolomic data // Bioinformatics. 2020. V. 36. № 9. P. 2941-2942.

358.Mahieu N.G., Spalding J.L., Gelman S.J., Patti G.J. Defining and Detecting Complex Peak Relationships in Mass Spectral Data: The Mz.unity Algorithm // Anal. Chem. 2016. V. 88. № 18. P. 9037-9046.

359.Fernández-Albert F., Llorach R, Andrés-Lacueva C., Perera A. An R package to analyse LC/MS metabolomic data: MAIT (Metabolite Automatic Identification Toolkit) // Bioinformatics. 2014. V. 30. № 13. P. 1937-1939.

360.BaranR., Northen T.R. Robust Automated Mass Spectra Interpretation and Chemical Formula Calculation Using Mixed Integer Linear Programming // Anal. Chem. 2013. V. 85. № 20. P. 97779784.

361.Daly R., Rogers S., Wandy J., Jankevics A., Burgess K.E.V., Breitling R MetAssign: Probabilistic annotation of metabolites from LC-MS data using a Bayesian clustering approach // Bioinformatics. 2014. V. 30. № 19. P. 2764-2771.

362.Silva R.R., Jourdan F., Salvanha D.M., Letisse F., Jamin E.L., Guidetti-Gonzalez S., Labate C.A., Vêncio R.Z.N. ProbMetab: an R package for Bayesian probabilistic annotation of LC-MS-based metabolomics // Bioinformatics. 2014. V. 30. № 9. P. 1336-1337.

363.Barranco-AltirribaM., Solà-SantosP., Picart-ArmadaS., Kanaan-IzquierdoS., Fonollosa J., Perera-Lluna A. mWISE: An Algorithm for Context-Based Annotation of Liquid Chromatography-Mass Spectrometry Features through Diffusion in Graphs // Anal. Chem. 2021. V. 93. № 31. P. 10772-10778.

364. Uppal K., Soltow Q.A., Promislow D.E.L., Wachtman L.M., Quyyumi A.A., Jones D.P. MetabNet: An R Package for Metabolic Association Analysis of High-Resolution Metabolomics Data // Front. Bioeng. Biotechnol. 2015. V. 3. № JUN. P. 1-6.

365.Naake T., Fernie A.R. MetNet: Metabolite Network Prediction from High-Resolution Mass Spectrometry Data in R Aiding Metabolite Annotation: brief-report // Anal. Chem. 2019. V. 91. № 3. P.1768-1772.

366. Chen L., Lu W., Wang L., Xing X., Chen Z., Teng X., Zeng X., Muscarella A.D., Shen Y., Cowan A., McReynolds M.R., Kennedy B.J., Lato A.M., Campagna S.R., Singh M., Rabinowitz J.D. Metabolite discovery through global annotation of untargeted metabolomics data // Nat. Methods. 2021. V. 18. № 11. P. 1377-1385.

367.Depke T., Franke R., BrönstrupM. CluMSID: an R package for similarity-based clustering of tandem mass spectra to aid feature annotation in metabolomics // Bioinformatics. 2019. V. 35. № 17. P. 3196-3198.

368.Peris-Diaz M.D., Sweeney S.R., Rodak O., Sentandreu E., Tiziani S. R-MetaboList 2: A Flexible Tool for Metabolite Annotation from High-Resolution Data-Independent Acquisition Mass Spectrometry Analysis // Metabolites. 2019. V. 9. № 9. P. 187.

369. Treutler H., Tsugawa H., Porzel A., Gorzolka K., Tissier A., Neumann S., Balcke G.U. Discovering Regulated Metabolite Families in Untargeted Metabolomics Studies // Anal. Chem. 2016. V. 88. № 16. P. 8082-8090.

370.Ma Y., Kind T., Yang D., Leon C., Fiehn O. MS2Analyzer: A Software for Small Molecule Substructure Annotations from Accurate Tandem Mass Spectra // Anal. Chem. 2014. V. 86. № 21. P. 10724-10731.

371.Shen X., Wu S., LiangL., Chen S., Contrepois K., Zhu Z.-J., Snyder M. metID: an R package for automatable compound annotation for LC-MS-based data // Bioinformatics. 2022. V. 38. № 2. P. 568-569.

372.Senan O., Aguilar-Mogas A., Navarro M., Capellades J., Noon L., Burks D., Yanes O., Guimerà R., Sales-Pardo M. CliqueMS: a computational tool for annotating in-source metabolite ions from LC-MS untargeted metabolomics data based on a coelution similarity network // Bioinformatics. 2019. V. 35. № 20. P. 4089-4097.

373.KachmanM., Habra H., Duren W., Wigginton J., Sajjakulnukit P., Michailidis G., Burant C., Karnovsky A. Deep annotation of untargeted LC-MS metabolomics data with Binner // Bioinformatics. 2020. V. 36. № 6. P. 1801-1806.

374.LoosM., Singer H. Nontargeted homologue series extraction from hyphenated high resolution mass spectrometry data // J. Cheminform. 2017. V. 9. № 1. P. 12.

375. Guo J., Shen S., Xing S., Yu H., Huan T. ISFrag: De Novo Recognition of In-Source Fragments for Liquid Chromatography-Mass Spectrometry Data // Anal. Chem. 2021. V. 93. № 29. P. 10243-10250.

376.DeFelice B.C., Mehta S.S., Samra S., Cajka T., WancewiczB., Fahrmann J.F., Fiehn O. Mass Spectral Feature List Optimizer (MS-FLO): A Tool To Minimize False Positive Peak Reports in

Untargeted Liquid Chromatography-Mass Spectroscopy (LC-MS) Data Processing // Anal. Chem.

2017. V. 89. № 6. P. 3250-3255.

377. Gil de la Fuente A., Godzien J., Fernández López M., Rupérez F.J., Barbas C., Otero A. Knowledge-based metabolite annotation tool: CEU Mass Mediator // J. Pharm. Biomed. Anal.

2018. V. 154. P. 138-149.

378. Gil-de-la-Fuente A., Godzien J., Saugar S., Garcia-Carmona R., Badran H., Wishart D.S., Barbas C., Otero A. CEU Mass Mediator 3.0: A Metabolite Annotation Tool // J. Proteome Res.

2019. V. 18. № 2. P. 797-802.

379.SuX., Chiles E., Maimouni S., WondisfordF.E., Zong W.-X., Song C. In-Source CID Ramping and Covariant Ion Analysis of Hydrophilic Interaction Chromatography Metabolomics // Anal. Chem. 2020. V. 92. № 7. P. 4829-4837.

380.Del Carratore F., Schmidt K., Vinaixa M., HollywoodK.A., Greenland-Bews C., Takano E., Rogers S., BreitlingR. Integrated Probabilistic Annotation: A Bayesian-Based Annotation Method for Metabolomic Profiles Integrating Biochemical Connections, Isotope Patterns, and Adduct Relationships: research-article // Anal. Chem. 2019. V. 91. № 20. P. 12799-12807.

381. Gu H., Gowda G.A.N., Neto F.C., Opp M.R., Raftery D. RAMSY: Ratio Analysis of Mass Spectrometry to Improve Compound Identification // Anal. Chem. 2013. V. 85. № 22. P. 1077110779.

382.Broeckling C.D., Ganna A., Layer M., Brown K., Sutton B., Ingelsson E., Peers G., Prenni J.E. Enabling Efficient and Confident Annotation of LC-MS Metabolomics Data through MS1 Spectrum and Time Prediction // Anal. Chem. 2016. V. 88. № 18. P. 9226-9234.

383. Xiao J.F., Zhou B., Ressom H.W. Metabolite identification and quantitation in LC-MS/MS-based metabolomics // TrAC Trends Anal. Chem. 2012. V. 32. P. 1-14.

384.Hufsky F., Scheubert K., Böcker S. Computational mass spectrometry for small-molecule fragmentation // TrAC Trends Anal. Chem. 2014. V. 53. P. 41-48.

385.Schrimpe-Rutledge A.C., Codreanu S.G., Sherrod S.D., McLean J.A. Untargeted Metabolomics Strategies—Challenges and Emerging Directions // J. Am. Soc. Mass Spectrom. 2016. V. 27. № 12. P. 1897-1905.

386.Dunn W.B., Erban A., Weber R.J.M., Creek D.J., Brown M., Breitling R, Hankemeier T., Goodacre R., Neumann S., Kopka J., Viant M.R. Mass appeal: metabolite identification in mass spectrometry-focused untargeted metabolomics // Metabolomics. 2013. V. 9. № S1. P. 44-66.

387.De Vijlder T., ValkenborgD., Lemière F., Romijn E.P., Laukens K., Cuyckens F. A tutorial in small molecule identification via electrospray ionization-mass spectrometry: The practical art of structural elucidation // Mass Spectrom. Rev. 2018. V. 37. № 5. P. 607-629.