98%满意度
非靶脂质组
平均25个工作日已预约2133次
产品定义
非靶向脂质组学是一种基于LC-MS/MS开发，针对生物样本中脂质进行超高通量分析的产品。该产品使用针对性的脂质提取方法和脂质亲和的色谱系统，搭配高分辨率质谱，最大程度实现对脂质分子的高通量分析，并可以通过添加脂质亚类内标实现绝对定量。将检测和LipidSerach数据库进行一级、二级信息的匹配，实现脂质分子的定性和定量。该产品能够系统性解析生物体脂质组成和表达变化，可有效帮助研究脂类家族、脂质分子在各种生物过程中的改变与功能。
技术路线
相对定量：
绝对定量：
技术优势
1. 海量数据库：LipidSearch数据库，收录超过8大类、300种亚类、170万种脂质分子的谱图；
2. 高定性能力：项目平均鉴定数量3300+，部分项目鉴定数量可达5000+；
3. 方法优势：QE系列高分辨质谱搭配高效色谱方法，实现高通量检测；
4. 学术认可：已助力近百篇SCI发表，最高IF=46.3；
5. 严格质控：15+内标，多项质控，全程可回溯，提供放心的数据。
应用领域
1. 农口领域：动植物生长发育，植物抗逆研究
2. 医口领域：动植物生理病理，生物标志物的发现
数据分析
分析类型 | 分析内容 | 拟解决问题 |
质控 | TIC、OC等多项 | 获得高质量数据 |
轮廓分析 | Superclass分类 | 获得检测结果的分类信息 |
差异分析 | 单变量统计分析（火山图等） | 反映每个变量的组间差异 |
多维统计分析（PCA、PLSDA、OPLSDA等） | 评估组间差异，找到导致组间区别的影响变量 | |
功能分析 | 层次聚类分析 | 获得代谢物的表达模式信息 |
相关性分析 | 衡量两个变量的相关程度 | |
高级生信分析 | 回归分析 | 建立重要代谢物和其他指标的关联 |
趋势聚类分析 | 探讨代谢物的含量趋势模式 | |
机器学习 | 筛选诊断性能良好的生物标志物 |
部分数据分析结果展示
1、样品准备：
代表性：确保所取的样品能够真实反映整体情况，避免因样品偏差导致的结果失真。
避免污染：在取样、处理和存储过程中，要特别注意避免任何形式的污染，包括外源脂质的引入。
迅速处理：脂质是易降解的，因此在采集后应尽快进行处理，以减少脂质降解和变化。
低温存储：在无法立即处理的情况下，样品应存储在低温条件下，如-80℃或液氮中。
2、仪器分析：
仪器校准：定期进行仪器校准和维护，确保仪器处于最佳状态。
方法优化：根据脂质的特点和实验目标，优化质谱分析条件，以获得最佳的分辨率和灵敏度。
3、数据处理：
数据预处理：包括基线校正、去噪、峰识别、对齐和归一化等步骤，以提高数据质量。
数据库比对：利用公共数据库（如LIPID MAPS）进行脂质鉴定，但需注意数据库的更新和准确性。
质量控制：使用质控样品进行数据分析的质量控制，确保结果的稳定性和可靠性。
4、生物学意义解释：
整合多组学数据：结合基因组学、转录组学等其他组学数据，以更全面地理解脂质代谢的调控机制。
考虑生理和病理背景：在解释脂质代谢变化时，要充分考虑实验对象的生理状态和疾病背景。
5、实验重复与验证：
重复实验：为了确保结果的可靠性，建议进行多次重复实验。
验证实验：对于关键发现，建议进行后续的验证实验，如使用特定方法验证特定脂质的变化。
