Systematischer Stoffkatalog

Stoff · ThemaMetabolomik-Software im Überblick

Erschienen03/2026

Metabolomik-Software im Überblick: Tools für Datenpipelines und Pathway-Analyse

Von der Rohdatenverarbeitung über die Statistik bis zur Pathway-Analyse: welche frei verfügbaren Software-Werkzeuge in der Metabolomik verbreitet sind und worauf es bei Datenpipelines ankommt.

Von Emma Voss ·

Ein Massenspektrometer liefert keine Liste von Metaboliten, sondern Millionen von Messpunkten. Erst Software macht daraus verwertbare Ergebnisse: Sie erkennt Signale, ordnet sie bekannten Molekülen zu, gleicht Proben ab und prüft statistisch, ob sich Gruppen unterscheiden. Die Wahl der Werkzeuge und ihrer Einstellungen beeinflusst das Ergebnis erheblich.

Dieser Überblick beschreibt die typischen Schritte einer metabolomischen Datenpipeline und nennt beispielhaft verbreitete, frei verfügbare Werkzeuge aus der akademischen Forschung. Die Auswahl ist nicht vollständig und keine Empfehlung für ein bestimmtes Programm. Gerätehersteller bieten zusätzlich eigene Software an, die hier nicht betrachtet wird.

Schritt 1: Rohdatenverarbeitung

Am Anfang steht die Umwandlung der Gerätedaten in ein offenes Format, etwa mzML, damit verschiedene Programme sie lesen können. Danach folgen:

  • Peak-Erkennung: Signale werden vom Hintergrundrauschen unterschieden.
  • Retentionszeit-Abgleich: Leichte Verschiebungen zwischen Messläufen werden korrigiert, damit dasselbe Molekül in allen Proben erkannt wird.
  • Gruppierung: Zusammengehörige Signale, etwa verschiedene Ionenformen desselben Moleküls, werden zusammengefasst.
  • Lückenfüllung: Fehlende Werte werden, wo möglich, aus den Rohdaten nachträglich bestimmt.

Verbreitete Werkzeuge für diese Schritte sind das R-Paket XCMS, die Programme MZmine und MS-DIAL mit grafischer Oberfläche sowie Bibliotheken für die Programmiersprache Python. Jedes Werkzeug hat zahlreiche Parameter. Unpassende Einstellungen können echte Signale übersehen oder Rauschen als Signal erfassen. Deshalb werden die Parameter idealerweise anhand von Qualitätskontrollproben optimiert und dokumentiert.

Schritt 2: Annotation und Identifizierung

Die Zuordnung von Signalen zu konkreten Molekülen ist der schwierigste Teil. Grundlage sind die genaue Masse, das Isotopenmuster, die Retentionszeit und Fragmentierungsspektren aus der Tandem-Massenspektrometrie (MS/MS).

  • Spektrenbibliotheken: Gemessene Fragmentspektren werden mit Referenzspektren verglichen, etwa aus öffentlichen Bibliotheken.
  • Molekulare Netzwerke: Plattformen wie GNPS gruppieren Moleküle mit ähnlichen Fragmentspektren. So lassen sich Verwandte bekannter Verbindungen entdecken.
  • Rechnergestützte Vorhersage: Programme wie SIRIUS schätzen aus Fragmentspektren die Summenformel und mögliche Strukturklassen ab, auch wenn keine Referenz existiert.

Die Metabolomics Standards Initiative empfiehlt, die Sicherheit jeder Identifizierung anzugeben: von der Bestätigung mit einer Referenzsubstanz bis zur bloßen Zuordnung zu einer Stoffklasse. Ein großer Teil der Signale in Stuhlproben bleibt bislang unbekannt. Bei Stuhlproben kommt erschwerend hinzu, dass Nahrungsbestandteile, Arzneimittel und deren bakterielle Abbauprodukte das Spektrum zusätzlich erweitern, die in vielen Bibliotheken nur lückenhaft vertreten sind.

Schritt 3: Statistik und Visualisierung

Nach der Vorverarbeitung liegt eine Tabelle vor: Proben in Zeilen, Signale in Spalten. Typische Schritte sind Normalisierung, Transformation und Skalierung, gefolgt von univariaten Tests für jedes Signal und multivariaten Verfahren wie Hauptkomponentenanalyse (PCA) oder partieller Kleinste-Quadrate-Diskriminanzanalyse (PLS-DA).

MetaboAnalyst ist als Webanwendung und als R-Paket verbreitet und deckt viele dieser Schritte ab. Die Webanwendung eignet sich gut für den Einstieg. Für reproduzierbare Forschung werden häufig skriptbasierte Auswertungen in R oder Python bevorzugt, weil sich jeder Schritt nachvollziehen und wiederholen lässt.

Wichtig ist die Kontrolle der Mehrfachtestung: Wer Tausende Signale testet, findet zwangsläufig Zufallstreffer. Multivariate Modelle wie PLS-DA neigen zudem zur Überanpassung und müssen mit Kreuzvalidierung oder unabhängigen Daten überprüft werden.

Schritt 4: Pathway- und Funktionsanalyse

Um Ergebnisse biologisch einzuordnen, werden auffällige Metaboliten Stoffwechselwegen zugeordnet. Grundlage sind Datenbanken wie KEGG, MetaCyc oder Reactome. Anreicherungsanalysen prüfen, ob in einem Stoffwechselweg mehr auffällige Metaboliten vorkommen als zufällig erwartet.

Für die Darm-Metabolomik ist eine Besonderheit zu beachten: Viele Metaboliten stammen aus Bakterien, deren Stoffwechselwege in menschenbezogenen Datenbanken fehlen. Mikrobielle Datenbanken wie MetaCyc sind hier oft aufschlussreicher. Außerdem sind Anreicherungsanalysen empfindlich gegenüber falschen Annotationen und der Auswahl des Hintergrunds, was zu Scheinbefunden führen kann.

Typische Schritte und Beispiele frei verfügbarer Werkzeuge
SchrittAufgabeBeispiele
RohdatenverarbeitungPeak-Erkennung, AbgleichXCMS, MZmine, MS-DIAL
AnnotationZuordnung zu MolekülenGNPS, SIRIUS, Spektrenbibliotheken
StatistikGruppenvergleiche, ModelleMetaboAnalyst, R, Python
Pathway-AnalyseBiologische EinordnungKEGG, MetaCyc, Reactome

Grundregeln für reproduzierbare Pipelines

Unabhängig von der Software haben sich einige Prinzipien bewährt:

  • Softwareversionen und alle Parameter werden dokumentiert.
  • Auswertungen werden möglichst als Skripte oder Workflows gespeichert, nicht als Abfolge von Mausklicks.
  • Containerlösungen halten die Softwareumgebung stabil, auch wenn Programme aktualisiert werden.
  • Rohdaten und Ergebnistabellen werden in öffentlichen Archiven wie MetaboLights oder der Metabolomics Workbench abgelegt.
  • Ergebnisse werden, wo möglich, mit einem zweiten Verfahren oder in einem unabhängigen Datensatz überprüft.

Häufige Fragen

Welches Programm ist das beste?

Das hängt von Messplattform, Fragestellung und Vorkenntnissen ab. Wichtiger als die Wahl eines bestimmten Programms ist eine sorgfältige, dokumentierte Parametrisierung.

Liefern verschiedene Programme dieselben Ergebnisse?

Nicht unbedingt. Vergleiche zeigen, dass verschiedene Werkzeuge bei denselben Rohdaten teils unterschiedliche Signale erkennen. Robuste Befunde sollten daher nicht von einem einzigen Werkzeug abhängen.

Braucht man Programmierkenntnisse?

Für den Einstieg reichen grafische Werkzeuge. Für große Studien und reproduzierbare Auswertungen sind Grundkenntnisse in R oder Python sehr hilfreich.

Quellen

  • Metabolomics Standards Initiative: Mindestanforderungen an die Berichterstattung metabolomischer Studien
  • MetaboLights (EMBL-EBI): Öffentliches Archiv für Metabolomikdaten
  • Kyoto Encyclopedia of Genes and Genomes (KEGG) und MetaCyc: Stoffwechseldatenbanken
  • Übersichtsarbeiten zu Software in der Metabolomik in der Fachzeitschrift Metabolites

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