找CRO做代谢组学检测需要注意哪些关键点

整体。既包含CRO公司品牌、商誉、组织人才、实施案例、客户口碑、公司大小，还包含技术细节、设备实力、人才能力、数据处理能力、服务效率、服务人员是否经验丰富、数据库量和质，此外，还有自己的资金支持、重视程度、目标层次不同等自身需求原因。

全过程。代谢组学又包含样本前处理、数据获取、峰检测、峰对齐、差异特征筛选、化合物鉴定、二级谱验证、定量检测等流程，其中除了实验标准，质量把控要严格外，一直被大家疏忽的还有数据处理部分，如果检测信号不准确，批次效应无法对齐，不同方法得到的实验结果完全是不一样的。下面实验时我用相同数据，采用不同软件得到的PLSDA结果图，可以看到左边图完全分不开，右侧图能够清晰分开，可以看出不同峰检测算法对于信号的检测对比差异非常明显。所以，我们需要把控实验前处理质量和方法的同时，还需要考察CRO公司的数据处理能力。

核心。有无自建的谱图数据库和高精度的智能峰检测算法，对于提高化合物覆盖度、鉴定率、准确性至关重要，不同数据处理方法的结果是天差地别的。

1百趣生物

成立时间：2012（最早是阿趣生物）

地点：上海

市场份额：14%

公司人数：约300人

公司介绍：国内最早专门从事代谢组学科研服务的公司之一，主打非靶标代谢组学检测分析服务，其优势是数据质量，据说能做到美国metabolon的水平，CV<10%。公司创始人源自于复旦大学及中科院，首席科学顾问为代谢组学学会秘书长、中科院朱研究员。

2迈特维尔

成立时间：2015

地点：武汉

市场份额：14%

公司人数：约300人

公司介绍：国内最早专门从事农林作物代谢组学科研服务的公司之一，主打广泛靶向代谢组学检测分析服务，其优势是植物天然产物数据库比较完善，公司创始人源自于华中农业大学，首席科学顾问为原华中农业大学罗教授。

3中科新生命代谢

成立时间：2004

地点：上海

市场份额：10%

公司人数：约300人

公司介绍：国内非常老牌的蛋白质组学公司，原来是中科院控股的企业，后来市场化，改由中科院营养与健康所参股，2017年左右开始做代谢组学。

4诺禾致源质谱

成立时间：2011

地点：北京

市场份额：7%

公司人数：质谱团队约150人

公司介绍：国内测序服务龙头，2021年科创板上市，市值130亿，2018年左右开始做代谢组学，优势是销售多，很容易找到。

5鹿明生物

成立时间：2016

地点：上海

市场份额：7%

公司人数：约100人

公司介绍：欧易生物下属企业，做蛋白质组学和代谢组学服务。欧易生物属于老牌的基因测序服务企业，最近几年发展的也很好。鹿明创始人是农科院的一名博士。

6帕诺米克

成立时间：2012

地点：苏州

市场份额：7%

公司人数：约150人

公司介绍：苏州帕诺米克（BioNovoGene）最早是做基因检测服务的，2017左右聚焦做代谢组学，改名为诺米代谢（PanoMIX），公司2021年获得元生创投亿级融资。

7麦特绘谱

成立时间：2016

地点：上海

市场份额：5%

公司人数：约100人

公司介绍：原交通大学贾教授创立的科研服务公司，随后贾教授在深圳设立了绘云生物，收购了麦特绘谱。鉴于贾教授在代谢组学领域资深的影响力，麦特绘谱可以提供深度的服务。

8凯莱谱

成立时间：2016

地点：杭州

市场份额：5%

公司人数：约100人

公司介绍：上市公司迪安诊断控股公司，最早与美国Metabolon建立技术合作。创始人来自Sciex资深应用专家。公司后来独立融资，转型为临床诊断的公司，准备上市中。

9中科脂典

成立时间：2015

地点：常州

市场份额：5%

公司人数：约50人

公司介绍：中科院遗传与发育所参股企业，创始人为中科院税研究员，税老师是国内脂质组学领域非常有影响力的专家，所以公司也是比较专注做脂质组学。

10拜谱生物

成立时间：2017

地点：上海

市场份额：5%

公司人数：约50人

公司介绍：拜谱生物提供蛋白质组学、代谢组学、基因组学和转录组学技术服务。创始人是从中科新生命出来的行业资深人士。

数据库管理系统软件的种类有很多，常用的数据库管理系统软件也那么三五种：ORACLE、MySQL、ACCESS、MSSQLServer这些是不同领域常用的数据库管理系统软件。

1、Oracle

Oracle系统，即是以Oracle关系数据库为数据存储和管理作为构架基础，构建出的数据库管理系统。Oracle，世界第一个支持SQL语言的商业数据库，定位于高端工作站，以及作为服务器的小型计算机。

2、MySQL

MySQL是一个关系型数据库管理系统，由瑞典MySQLAB公司开发，属于Oracle旗下产品。My是最流行的关系型数据库管理系统之一，在WEB应用方面，MySQL是最好的RDBMS(RelationalDatabaseManagementSystem，关系数据库管理系统)应用软件之一。

3、ACCESS

ACCESS数据库是微软研究发布的一款数据库管理软件，ACCESS的全称是MicrosoftOfficeAess，是微软比较有代表性的一款数据库管理软件，其优势为：界面友好、易 *** 作。

4、MSSQLServer

SQLserver数据库是美国微软公司发布的一款RMDBS数据库，也是关系型数据库系统。SQLserver的优点为：真正的客户服务器体系结构。图形化用户界面，更加直观、简单。

扩展资料：

数据库管理系统主要功能

1、数据定义：DBMS提供数据定义语言DDL（DataDefinitionLanguage），供用户定义数据库的三级模式结构、两级映像以及完整性约束和保密限制等约束。DDL主要用于建立、修改数据库的库结构。

2、数据 *** 作：DBMS提供数据 *** 作语言DML（DataLanguage），供用户实现对数据的追加、删除、更新、查询等 *** 作。

3、数据库的运行管理：数据库的运行管理功能是DBMS的运行控制、管理功能，包括多用户环境下的并发控制、安全性检查和存取限制控制、完整性检查和执行、运行日志的组织管理、事务的管理和自动恢复，即保证事务的原子性。这些功能保证了数据库系统的正常运行。

目录

- 数据库分类维度：关系型/非关系型、交易型/分析型

- NoSQL数据库的进一步分类

- OLTP市场规模：关系型数据库仍占营收大头

- 数据库市场份额：云服务和新兴厂商主导NoSQL

- 开源数据库 vs 商业数据库

- 数据库三大阵营：传统厂商和云服务提供商

最近由于时间原因我写东西少了，在公众号上也转载过几篇搞数据库朋友的大作。按说我算是外行，没资格在这个领域品头论足，而当我看到下面这份报告时立即产生了学习的兴趣，同时也想就能看懂的部分写点心得体会分享给大家。

可能本文比较适合普及性阅读，让数据库领域资深的朋友见笑了：）

数据库分类维度：关系型/非关系型、交易型/分析型

首先是分类维度，上图中的纵轴分类为Relational Database（关系型数据库，RDBMS）和Nonrelational Database （非关系型数据库，NoSQL），横轴的分类为Operational（交易型，即OLTP）和Analytical（分析型，即OLAP）。

按照习惯我们先看关系型数据库，左上角的交易型类别中包括大家熟悉的商业数据库Oracle、MS SQL Server、DB2、Infomix，也包括开源领域流行的MySQL（MariaDB是它的一个分支）、PostgreSQL，还有云上面比较常见的SQL Azure和Amazon Aurora等。

比较有意思的是，SAP HANA正好位于交易型和分析型的中间分界处，不要忘了SAP还收购了Sybase，尽管后者今天不够风光了，而早年微软的SQL Server都是来源于Sybase。Sybase的ASE数据库和分析型Sybase IQ还是存在的。

右上角的分析型产品中包括几款知名的列式数据仓库Pivotal Greenplum、Teradata和IBM Netezza（已宣布停止支持），来自互联网巨头的Google Big Query和Amazon RedShift。至于Oracle Exadata一体机，它上面运行的也是Oracle数据库，其最初设计用途是OLAP，而在后来发展中也可以良好兼顾OLTP，算是一个跨界产品吧。

再来看非关系型数据库，左下角的交易型产品中，有几个我看着熟悉的MongoDB、Redis、Amazon DynamoDB和DocumentDB等；右下角的分析型产品包括著名的Hadoop分支Cloudera、Hortonworks（这2家已并购），Bigtable（来自Google，Hadoop中的HBase是它的开源实现）、Elasticsearch等。

显然非关系型数据库的分类要更加复杂，产品在应用中的差异化也比传统关系型数据库更大。Willian Blair很负责任地对它们给出了进一步的分类。

NoSQL数据库的进一步分类

上面这个图表应该说很清晰了。非关系型数据库可以分为Document-based Store（基于文档的存储）、Key-Value Store（键值存储）、Graph-based（图数据库）、Time Series（时序数据库），以及Wide Cloumn-based Store（宽列式存储）。

我们再来看下每个细分类别中的产品：

文档存储 ：MongoDB、Amazon DocumentDB、Azure Cosmos DB等

Key-Value存储 ：Redis Labs、Oracle Berkeley DB、Amazon DynamoDB、Aerospike等

图数据库 ：Neo4j等

时序数据库 ：InfluxDB等

WideCloumn ：DataStax、Cassandra、Apache HBase和Bigtable等

多模型数据库 ：支持上面不只一种类别特性的NoSQL，比如MongoDB、Redis Labs、Amazon DynamoDB和Azure Cosmos DB等。

OLTP市场规模：关系型数据库仍占营收大头

上面这个基于IDC数据的交易型数据库市场份额共有3个分类，其中深蓝色部分的关系型数据库（RDBMS，在这里不统计数据挖掘/分析型数据库）占据80%以上的市场。

Dynamic Database（DDMS，动态数据库管理系统，同样不统计Hadoop）就是我们前面聊的非关系型数据库。这部分市场显得小（但发展势头看好），我觉得与互联网等大公司多采用开源+自研，而不买商业产品有关。

而遵循IDC的统计分类，在上图灰色部分的“非关系型数据库市场”其实另有定义，参见下面这段文字：

数据库市场份额：云服务和新兴厂商主导NoSQL

请注意，这里的关系型数据库统计又包含了分析型产品。Oracle营收份额42%仍居第一，随后排名依次为微软、IBM、SAP和Teradata。

代表非关系型数据库的DDMS分类中（这里同样加入Hadoop等），云服务和新兴厂商成为了主导，微软应该是因为云SQL Server的基础而小幅领先于AWS，这2家一共占据超过50%的市场，接下来的排名是Google、Cloudera和Hortonworks（二者加起来13%）。

上面是IDC传统分类中的“非关系型数据库”，在这里IBM和CA等应该主要是针对大型机的产品，InterSystems有一款在国内医疗HIS系统中应用的Caché数据库（以前也是运行在Power小机上比较多）。我就知道这些，余下的就不瞎写了。

开源数据库 vs 商业数据库

按照流行度来看，开源数据库从2013年到现在一直呈现增长，已经快要追上商业数据库了。

商业产品在关系型数据库的占比仍然高达605%，而上表中从这列往左的分类都是开源占优：

Wide Cloumn：开源占比818%；

时序数据库：开源占比807%；

文档存储：开源占比800%；

Key-Value存储：开源占比722%；

图数据库：开源占比684%；

搜索引擎：开源占比653%

按照开源License的授权模式，上面这个三角形越往下管的越宽松。比如MySQL属于GPL，在互联网行业用户较多；而PostgreSQL属于BSD授权，国内有不少数据库公司的产品就是基于Postgre哦。

数据库三大阵营：传统厂商和云服务提供商

前面在讨论市场份额时，我提到过交易型数据库的4个巨头仍然是Oracle、微软、IBM和SAP，在这里William Blair将他们归为第一阵营。

随着云平台的不断兴起，AWS、Azure和GCP（Google Cloud Platform）组成了另一个阵营，在国外分析师的眼里还没有BAT，就像有的朋友所说，国内互联网巨头更多是自身业务导向的，在本土发展公有云还有些优势，短时间内将技术输出到国外的难度应该还比较大。（当然我并不认为国内缺优秀的DBA和研发人才）

第三个阵容就是规模小一些，但比较专注的数据库玩家。

接下来我再带大家简单过一下这前两个阵容，看看具体的数据库产品都有哪些。

甲骨文的产品，我相对熟悉一些的有Oracle Database、MySQL以及Exadata一体机。

IBM DB2也是一个庞大的家族，除了传统针对小型机、x86（好像用的人不多）、z/OS大型机和for i的版本之外，如今也有了针对云和数据挖掘的产品。记得抱枕大师对Informix的技术比较推崇，可惜这个产品发展似乎不太理想。

微软除了看家的SQL Server之外，在Azure云上还能提供MySQL、PostgreSQL和MariaDB开源数据库。应该说他们是传统软件License+PaaS服务两条腿走路的。

如今人们一提起SAP的数据库就想起HANA，之前从Sybase收购来的ASE（Adaptive Server Enterprise）和IQ似乎没有之前发展好了。

在云服务提供商数据库的3巨头中，微软有SQL Server的先天优势，甚至把它移植到了Linux拥抱开源平台。关系型数据库的创新方面值得一提的是Amazon Aurora和Google Spanner（也有非关系型特性），至于它们具体好在哪里我就不装内行了：）

非关系型数据库则是Amazon全面开花，这与其云计算业务发展早并且占据优势有关。Google当年的三篇经典论文对业界影响深远，Yahoo基于此开源的Hadoop有一段时间几乎是大数据的代名词。HBase和Hive如今已不再是人们讨论的热点，而Bigtable和BigQuery似乎仍然以服务Google自身业务为主，毕竟GCP的规模比AWS要小多了。

最后这张DB-Engines的排行榜，相信许多朋友都不陌生，今年3月已经不是最新的数据，在这里列出只是给大家一个参考。该排行榜几乎在每次更新时，都会有国内数据库专家撰写点评。

以上是我周末的学习笔记，班门弄斧，希望对大家有帮助。

参考资料《Database Software Market:The Long-Awaited Shake-up》

>

首先明确代谢组学的核心任务。对小分子代谢物的定性、定量分析并发现差异代谢物：（1）对生物体系中的内源性代谢物及其变化规律进行表征；（2）以差异代谢物作为核心对生命奥秘进行解析。而基于色谱/质谱联用的分离分析技术具有灵敏度高、选择性好、动态范围宽、信息丰富等优点，已成为代谢组学研究的主流技术平台。

其次明确代谢组学的研究方法。对于非靶向代谢组学而言，色谱与高分辨质谱的联用必不可少；而对于靶向代谢组学而言，基于多反应监测（MRM）模式的三重四极杆质谱被认为是质谱定量的  “金标准”。近年来，拟靶向技术由于结合了非靶向和靶向分析技术的双重优势，在代谢物分析的覆盖度上与非靶向方法接近，在灵敏度上与靶向分析一样，迅速发展成为代谢组学的主流研究方法。拟靶向代谢组学主要包括三个步骤：（1）基于四极杆飞行时间质谱的非靶向分析；（2）母离子/产物离子对的选择及检测参数优化；（3）使用三重四极杆或QTRAP质谱采用MRM模式（包括上述离子对）对样品进行分析。

关键点有哪些？代谢组学整个研究过程可以细分为20多个步骤，若每一步准确率为70%，最终结果的准确率不足01%，因此必须确保每一步（尤其是关键步骤）都规范、准确，才能保证研究结果准确、可靠。影响代谢组学研究质量的关键环节包括：（1）系统科学的研究方案；（2）样本收集、分组、储存、前处理、质量控制；（3）数据采集与质量控制；（4）数据处理、分析；（5）差异分子筛选与鉴定；（6）分类模型构建与验证；（7）数据库自建、管理与使用。这些环节受制因素较多，需要参考研究论文、技术规范、注意过程控制，采用专业的技术和工具支持才能获得高质量的研究结果。

为什么关键？围绕快速、有效地发现分子和标志物这一目的，精准和高通量正成为引领发展的方向。代谢组学研究需要满足生物医药、食品等行业的个性化分子智能识别需求，所以需要分子智能识别检测技术做支撑，需要自主知识产权的核心算法，才能保证专业化的组学、质谱数据处理、数据挖掘。

总结来说，在组学研究过程中，只有做好分子特征检测、差异分子筛选、差异分子鉴定、分类模型构建、数据库自建等关键步骤，才能得到最好的组学研究结果。

以上就是关于找CRO做代谢组学检测需要注意哪些关键点全部的内容，包括:找CRO做代谢组学检测需要注意哪些关键点、哪一家公司可以代做代谢组学方面课题、常见的数据库管理系统软件有哪些(数据库管理系统是什么软件)等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！