代謝體學提供系統生物學中最接近表型的分子層級數據，其與基因組級代謝模型（GEM）和通量分析的整合形成了代謝系統生物學的完整閉環。
高通量非靶向代謝體學的計算挑戰
一次 LC-MS 實驗可產生 >10,000 個 features（m/z-RT pairs），但其中：
- ~30-50% 為同位素峰、加合物（adducts）、碎片離子（in-source fragmentation）→ 需 deisotoping 和 adduct grouping（CAMERA / MS-DIAL）。
- 鑑定率通常 < 30%（Level 1-2 annotation; Sumner et al., Metabolomics, 2007 標準）。Level 1 需要標準品比對；Level 2 僅基於 MS/MS spectral library matching。
MS/MS Molecular Networking
GNPS（Wang et al., Nat Biotechnol, 2016）利用 MS/MS 光譜相似性建構分子網路：spectral cosine similarity > threshold → 連邊。結構相似的代謝物形成 cluster，允許「propagation of annotation」——已知分子的鄰居可能是結構類似物。Feature-Based Molecular Networking (FBMN) 整合定量資訊。
Fluxomics: 13C-MFA 的數學框架
給定代謝網路（S 矩陣）和 ^13C 標記的碳源，每個代謝物的 mass isotopomer distribution (MID) 由 atom mapping matrix 和通量向量 v 共同決定：
MID_observed = f(v, atom transitions)
用非線性最小二乘擬合 MID → 估計 v。自由度 = 測量 MID 數 − 自由通量數。反應可逆性通過 exchange flux v_ex = v_forward + v_reverse 處理。
Inst-MFA（Nöh et al., Biotechnol Bioeng, 2006）：用短脈衝 13C labeling 的 transient MID 數據，可估計代謝物池大小（pool sizes）和更精確的通量。
Spatial Metabolomics
MALDI-MSI（基質輔助雷射解吸離子化質譜成像）和 DESI-MSI 可在組織切片上做空間代謝體學，解析度 ~10-50 μm。應用：腫瘤微環境中代謝異質性（如缺氧區的 lactate accumulation vs 血管周圍的 oxidative metabolism）。SpaceM（Rappez et al., Nat Methods, 2021）結合 MALDI-MSI + scRNA-seq 將代謝物分布映射到單細胞轉錄組。
與 GEM 的整合
Metabolomics-derived 約束注入 FBA：
- 測量的代謝物濃度 → thermodynamic constraints（TFBA）。
- 13C-MFA 通量 → 直接約束或驗證 FBA 預測。
- Exometabolome（培養基中代謝物的攝取/分泌速率）→ exchange flux bounds。
工具：XCMS / MS-DIAL（前處理）、MetaboAnalyst（統計 + pathway）、INCA / 13CFLUX2（13C-MFA）、openMINO（isotopomer simulation）。
文獻：Wishart (2019) Nat Rev Drug Discov 18:473-484 / Patti et al. (2012) Nat Rev Mol Cell Biol 13:263-269 / Antoniewicz (2018) Curr Opin Biotechnol 54:60-68 (13C-MFA review).