4月3號，朱正江老師在《nature communications》雜志上發表了基于代謝反應網絡（MRN）的遞歸算法（MetDNA）。這種算法適用于任何LC-MS平臺，任何數據采集模式，在一次實驗中能夠成功注釋超過2000種代謝物（此處應該有掌聲?。?。
Metabolic reaction network-based recursive metabolite annotation for untargeted metabolomics
原文鏈接：
https://www.nature.com/articles/s41467-019-09550-x
代謝物的注釋是代謝組學實驗的一大難點，依賴于標準品二級譜圖數據庫， HMDB、Metlin數據庫中90%的已知代謝物都沒有標準的二級譜圖，并且許多胞內代謝物缺乏標準品，也阻礙了現有數據庫的擴大。代謝物的二級譜圖與LC-MS儀器、實驗室條件有關，也導致目前還沒有一個標準的數據庫構建協議。
基于代謝反應網絡的遞歸算法，朱正江老師開發了MetDNA軟件，顯著增加了代謝物的注釋數量。其基本原理是：在細胞環境中，一種代謝物可以被催化成另一種代謝物產物。因此將底物代謝物與其相似化學結構的產物代謝物定義為一對反應對（RP）。特別是在串聯MS中，代謝物的碎裂模式由其化學結構決定。由于它們的結構相似性，反應配對的兩種代謝物傾向于具有相似的MS2譜。因此，原則上MetDNA可以使用反應對中的一個代謝物來注釋另一個未知代謝物，而不一定通過標準品譜圖數據庫中現有的MS2來注釋。
更重要的是，通過遞歸算法重復應用該策略可逐步擴展注釋代謝物。數據顯示，在一個實驗中，MetDNA顯著增加了代謝物的注釋數量，從傳統分析的不到100種代謝物增加到超過2000種代謝物。 MetDNA還包括一個自我檢查的打分系統，可以減少冗余和不確定性。
總而言之，即使標準品數據庫不全，MetDNA也可以對非靶向代謝組學數據進行大規模的代謝物注釋。毫無疑問，朱老師的這篇文章給從事代謝組學研究的廣大同行打了一劑強心針，讓我們看到了解決代謝組學定性難題的希望和出路所在。