Systematischer Stoffkatalog

Stoff · ThemaMetabolomik in klinischen Studien

Erschienen04/2026

Metabolomik in klinischen Studien: Was man beim Studiendesign beachten muss

Metabolomik klinische Studien: Praeanalytik, Stichprobengroesse, Kovariaten und Replikation. Was biochemische Forschung beim Studiendesign beachten muss.

Von Emma Voss ·

Reihen beschlagener Kryo-Röhrchen in einem Acrylgestell neben einer Metallpinzette.
Sorgfältige Probenvorbereitung bestimmt die Zuverlässigkeit klinischer Studien. Illustration: KI-generiert

Die Metabolomik hat sich in den letzten zwei Dekaden zu einem unverzichtbaren Werkzeug in der klinischen Forschung entwickelt. Wer heute eine Metabolomik-Studie konzipiert, steht jedoch vor zahlreichen analytischen und organisatorischen Herausforderungen, die über klassische epidemiologische Parameter hinausgehen. Dieser Beitrag richtet sich an Biochemiker und Studierende, die zum ersten Mal eine solche Studie planen, und behandelt die kritischen Aspekte zwischen Hypothesenentwicklung und Dateninterpretation.

Präanalytische Variabilität als unterschätzte Fehlerquelle

Die Qualität metabolomischer Daten hängt entscheidend von den Bedingungen ab, unter denen man biologische Proben gewinnt, verarbeitet und lagert. Man bezeichnet dies als präanalytische Phase, die oft als marginales logistisches Problem wahrgenommen wird. Tatsächlich aber kann sie die Ergebnisinterpretation fundamental beeinflussen.

Bei der Probennahme sollte man zunächst festlegen, welche Biomatrices zur Anwendung kommen: Serum, Plasma (mit welchem Antikoagulans?), Liquor oder Urin? Für Plasma empfiehlt man EDTA-Röhrchen, da diese Metallionen chelieren und so enzymatische Umsetzungen minimieren. Die Zeitspanne zwischen Blutentnahme und Zentrifugation sollte standardisiert werden. Bereits nach 30 Minuten können Aminosäurenkonzentrationen durch zelluläre Prozesse verändert sein. Man dokumentiert diese Zeit und nimmt sie später als Kovariate in die statistische Analyse auf.

Lagerungsbedingungen sind kritisch: Man lagert die meisten Proben bei minus 80 Grad Celsius, nicht bei minus 20 Grad, da Wiederaufwärm-Zyklen zu Metabolitenabbau führen. Der Transport zum analytischen Zentrum verdient besondere Aufmerksamkeit. Sollten Proben auf Trockeneis versandt werden? Wie lange darf die Transportzeit maximal betragen? Man validiert diese Protokolle vor Studienbeginn mit dem analytischen Labor und hält sich dann konsequent daran.

Targetierte versus untargeted Metabolomik: Konsequenzen für das Studiendesign

Die Wahl zwischen targetiertem und untargetiertem Ansatz beeinflusst das gesamte Studiendesign erheblich. Man versteht unter targetierter Metabolomik die Quantifizierung einer definierten Substanzklasse, etwa Gallensäuren, kurzkettige Fettsäuren oder Aminosäuren, mittels Referenzstandards und etablierter Kalibrationskurven. Untargeted Metabolomik hingegen erfasst ohne Vorauswahl alle detektierbaren Metaboliten und generiert damit einen Discovery-Ansatz mit hohem Potential für neue Biomarker.

Für targetierte Studien kann man mit kleineren Stichprobengrößen arbeiten, da die analytische Variabilität bekannt und gering ist. Hier sollte man mit etwa 40 bis 60 Teilnehmern pro Gruppe rechnen, vorausgesetzt die Effektgröße liegt im mittleren Bereich: Cohen’s d zwischen 0,6 und 0,8. Man hat klare Hypothesen und kann a priori Konfidenzintervalle berechnen.

Bei untargeted Ansätzen ist die Situation komplizierter. Man generiert tausende Features, von denen viele Rauschen darstellen. Die Multiple-Testing-Correction wie das Benjamini-Hochberg-Verfahren erfordert robustere statistische Power. Für untargeted Discovery-Studien sollte man mit mindestens 100 bis 150 Teilnehmern pro Gruppe kalkulieren. Zusätzlich ist man ethisch verpflichtet, einen unabhängigen Validierungsdatensatz vorzusehen, da die Replikabilität von untargeted Befunden notorisch gering ist.

Kovariat-Kontrolle: Ernährung, Medikation und biologische Confunder

Die Metabolomik spiegelt den Phänotyp eines Individuums zu einem gegebenen Zeitpunkt wider. Man muss verstehen, dass dieser Metabolomik-Phänotyp nicht nur durch die Erkrankung oder Exposition beeinflusst wird. Lebensstilfaktoren modulieren ihn massiv.

Die Ernährung ist der dominanteste Konfounder. Man sollte standardisiert erfassen, ob Teilnehmer nüchtern zur Probennahme erscheinen, mindestens 8 bis 12 Stunden, und ob Alkoholkonsum oder hohe Kaffeemengen in den 24 Stunden zuvor stattgefunden haben. Idealerweise dokumentiert man ein 3-Tage-Ernährungstagebuch oder nutzt Food-Frequency-Questionnaires. Sekundärmetabolite aus pflanzlichen Lebensmitteln wie Polyphenole und Flavonoide sind in der Metabolomik leicht zu detektieren und können die biologischen Signale überlagern.

Medikationen sind ebenfalls zentral. Man erfasst alle eingenommenen Substanzen: nicht nur verschreibungspflichtige Medikamente, sondern auch Over-the-Counter-Präparate, Nahrungsergänzungsmittel und pflanzliche Extrakte. Verschiedene Statine beeinflussen Lipidmetaboliten unterschiedlich. Protonenpumpenhemmer verändern die Mikrobiota-Zusammensetzung und damit assoziierte mikrobielle Metaboliten wie kurzkettige Fettsäuren.

Weitere Kovariaten, die man erfassen sollte: Alter, Geschlecht, BMI, körperliche Aktivität (IPAQ-Fragebogen), Schlafqualität (Pittsburgh Sleep Quality Index), Raucher-Status und aktuelle Infektionen. Bei Studien mit Darmmetaboliten dokumentiert man auch die letzte Antibiotikaeinnahme. Diese beeinflusst die Mikrobiota für Monate.

Stichprobengröße und statistische Power in metabolomischen Studien

Man unterschätzt die erforderliche Stichprobengröße bei Metabolomik-Studien systematisch. Die a priori Power-Kalkulation muss metabolomik-spezifische Parameter berücksichtigen.

Bei targetierten Ansätzen mit bekanntem analytischen Variationskoeffizient (CV, idealerweise unter 15 Prozent) kann man konventionelle Power-Kalkulationen durchführen. Mit g*power oder ähnlichen Tools berechnet man die notwendige Gruppengröße bei gegebener Effektgröße, Signifikanzniveau (alpha = 0,05) und gewünschter Power (mindestens 0,80).

Bei untargeted Metabolomik ist die Situation kritischer: Man testet hunderte bis tausende Hypothesen simultan. Die False-Discovery-Rate-Korrektur ist hier Standard. Man sollte konservativ vorgehen und mit einer angestrebten FDR von 5 Prozent kalkulieren. Das bedeutet: Bei 1000 getesteten Metaboliten werden etwa 50 als signifikant ausgewiesen, obgleich sie Falsch-Positive sind. Die erforderliche Stichprobengröße erhöht sich deutlich, um mit dieser Korrektur dennoch echte Signale zu detektieren. Man sollte hier mit mindestens 150 bis 200 Teilnehmern rechnen und eine separate Validierungskohorte einplanen.

Replikationsvalidierung als nicht-optionaler Standard

Eine einzelne Metabolomik-Studie ist wissenschaftlich unvollständig ohne Replikationsvalidierung. Man hat in der Literatur dokumentiert, dass viele metabolomische Biomarker-Befunde nicht reproduzierbar sind, wenn man sie nicht in unabhängigen Kohorten überprüft.

Idealerweise gestaltet man sein Studiendesign mit Discovery- und Validierungsphase. In der Discovery-Phase untersucht man die erste Kohorte mit untargeted Metabolomik, identifiziert kandidatische Metaboliten und trifft Hypothesen. In der Validierungsphase nutzt man eine zweite, unabhängige Kohorte und misst diese Kandidaten in einem zielgerichteten, hochauflösenden Verfahren mit externem Standard. Die Validierungskohorte sollte mindestens so groß sein wie die Discovery-Kohorte, besser größer.

Man stratifiziert die Validierung zusätzlich nach Geschlecht, Alter oder anderen klinisch relevanten Variablen. So stellt man sicher, dass identifizierte Assoziationen nicht nur in Subgruppen existieren. Cross-Validation-Strategien wie k-fold cross-validation ersetzen eine externe Validierung nicht, sind aber zusätzlich wertvoll.

Reporting-Standards und Datenarchivierung

HinweisDie Inhalte auf dieser Seite sind keine medizinische Beratung. Bitte sprechen Sie gesundheitliche Fragen mit Ihrer Ärztin oder Ihrem Arzt ab.

Herausgegeben von

Emma Voss

Doktorandin Biochemie/Metabolomik, Universität Leipzig (UFZ)

Über mich →

Verwandte Einträge