Применение методов метаболомики в качестве инструмента оценки профессионального риска (обзор литературы)

Внедрение омиксных технологий в различные области медицины в последние годы ускоряется и является чрезвычайно актуальным для промышленной медицины. Определение биомаркеров, позволяющих выявить предикторы патологии, а также индивидуальную чувствительность к вредным условиям труда способствует снижению профессиональных рисков здоровью персонала.

В статье проанализированы 84 литературных источника, посвящённых проблематике биомониторинга в контексте применения методов метаболомики в области промышленной медицины.

На основании анализа как зарубежных, так и отечественных литературных источников, включая статьи в научно-исследовательских журналах, монографии, методические указания, собраны и проанализированы данные о применении методов метаболомики в медицине. Выявлена перспективность данного направления. Рассмотрены существующие достоинства и ограничения метаболомики в области гигиены труда.

Применение методов метаболомики открывает широкие перспективы в области персонализированной медицины. Мониторирование метаболических показателей работников, занятых во вредных производствах, вносит существенный вклад в обеспечение безопасности работ и позволяет выявить преморбидные состояния, тем самым снижая вероятность осложнений в течение заболевания.

Участие авторов:
Орлова О.И. – сбор литературных данных, написание теста, редактирование;
Уколов А.И., Радилов А.С. – редактирование.
Все соавторы – утверждение окончательного варианта статьи, ответственность за целостность всех её частей.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование не имело спонсорской поддержки

Поступила в редакцию: 14 августа 2025 / Поступила после исправления: 09 сентября 2025/ Принята в печать: 02 октября 2025 / Опубликована: 19 ноября 2025

1. Лохов П.Г., Балашова Е.Е., Трифонова О.П., Маслов Д.Л., Арчаков А.И. Десять лет российской метаболомике: история развития и основные результаты. Биомедицинская химия. 2020; 66(4): 279–93.

2. Кадин С.В. Метаболическое профилирование — путь к прецизионной профилактике. Сетевой ресурс. https://www.groupmmc.ru/articles/diagnostika/metabolicheskoe-profilirovanie-put-k-pretsizionnoy-profilaktike/ (дата обращения 06.05.2025)

3. Qiu S., Cai Y., Yao H., Lin C. et al. Small molecule metabolites: discovery of biomarkers and therapeutic targets. Signal Transduction and Targeted Therapy. 2023; 8: 132.

4. Marciano D.P., Snyder M.P. Personalized Metabolomics. In: High-Throughput Metabolomics: Methods and Protocols, Methods in Molecular Biology, vol. 1978.

5. Bar N., et al. A reference map of potential determinants for the human serum metabolome. Nature. 2020; 588: 135–40.

6. Ogawa T. et al. Novel regulation of cardiac branched-chain amino acid metabolism through AMP deaminase: a possible therapeutic target for diabetic cardiomyopathy. Eur. Heart J. 2020; 41: ehaa946.3619.

7. Wilmanski T. et al. Blood metabolome predicts gut microbiome α-diversity in humans. Nat. Biotechnol. 2019; 37: 1217–28.

8. Coyle S. et al. Predicting dying from lung cancer: Urine metabolites predict the last weeks and days of life. J. Clin. Oncol. 2021; 39: 12030.

9. Di’Narzo A.F. et al. Integrative analysis of the inflammatory bowel disease serum metabolome improves our understanding of genetic etiology and points to novel putative therapeutic targets. Gastroenterology. 2022; 162: 828–43.

10. Ginsberg H.N. et al. Triglyceride-rich lipoproteins and their remnants: metabolic insights, role in atherosclerotic cardiovascular disease, and emerging therapeutic strategies-a consensus statement from the European Atherosclerosis Society. Eur. Heart J. 2021; 42: 4791–806.

11. Постоева А.В., Дворяшина И.В., Сельченкова Е.И. Использование концепции метаболических фенотипов для оценки сердечно-сосудистого риска: обзор литературы. Эндокринология: новости, мнения, обучение. 2024; 13(1): 80–8.

12. Mayo-Martínez L., Rupérez F.J, Martos-Moreno G.Á, Unveiling Metabolic Phenotype Alterations in Anorexia Nervosa through Metabolomics. Nutrients. 2021; 13(12): 42–9. https://doi.org/10.3390/nu13124249

13. Viegas S., Zare Jeddi M., Bessems J., Palmen N. Biomonitoring as an underused exposure Assessment Tool in Occupational Safety and Health Context-Challenges and Way Forward. Int J Environ Res Public Health. 2020; 17(16): 5884. https://doi.org/10.3390/ijerph17165884

14. Dennis K.K., Marder E., Balshaw D.M., Cui Y., Lynes M.A. Biomonitoring in the Era of the Exposome. Environmental Health Perspectives. 2017; 125(4): 502–10. https://doi.org/10.1289/EHP474

15. Louro H., Heinala M., Bessems J., Buekers J., Vermeire T., Woutersen M., Human biomonitoring in health risk assessment in Europe: current practices and recommendations for the future. Int J Hyg Environ Health. 2019; 222(5): 727–37.

16. Ladeira C., Viegas S., Human biomonitoring – an overview on biomarkers and their application in Occupational and Environmental Health. Biomonitoring. 2016; 3: 15–24.

17. Рейнюк В.Л., Луковникова Л.В., Козлов В.К., Яцеленко Ю.В., Пильник Е.Н. О совершенствовании диагностики химической патологии на основе биомониторинга. Medline.ru. 2023; 24: 1033.

18. Rappaport S.M., Barupal D.K., Wishart D., Vineis D.P., Scalbert A. The blood exposome and its role in discovering causes of disease. Environ Health Perspect. 2014; 122: 769–74. https://doi.org/10.1289/ehp.1308015

19. Rappaport S.M., Smith M.T. Environment and disease risks. Science. 2010; 330: 460–1. https://doi.org/10.1126/science.1192603

20. Федотова А.А., Тяглик А.Б., Семьянов А.В. Влияние диеты как фактора экспозома на работу головного мозга. Российский физиологический журнал им. И.М. Сеченова. 2021; 107(4–5): 533–67.

21. Wild C.P. The exposome: from concept to utility. Int J Epidemiol. 2012; 41: 24–32. https://doi.org/10.1093/ije/dyr236

22. Vlaanderen J., Moore L.E., Smith M.T., Lan Q., Zhang L., Skibola C.F., et al. Application of OMICS technologies in occupational and environmental health research; current status and projections. Occup Environ Med. 2010; 67(2): 136–43.

23. Faisandier L., Bonneterre V., De Gaudemaris R., Bicout D.J. Occupational exposome: a network-based approach for characterizing Occupational Health problems. J Biomed Inf. 2011; 44(4): 545–52.

24. Dehghani F., Yousefinejad S., Walker D.I., Omidi F. Metabolomics for exposure assessment and toxicity effects of occupational pollutants: current status and future perspectives. Metabolomics. 2022; 18(9): 73–9.

25. Sobsey C.A., Ibrahim S., Richard V.R., Gaspar V., Mitsa G., Lacasse V., et al. Targeted and untargeted proteomics approaches in Biomarker Development. Proteomics. 2020; 20(9): e1900029.

26. Walker D.I., Valvi D., Rothman N., Lan Q., Miller G.W., Jones D.P. The metabolome: a key measure for exposome research in epidemiology. Curr Epidemiol Rep. 2019; 6: 93–103.

27. Nikolskiy I., Siuzdak G., Patti G.J. Discriminating precursors of common fragments for large-scale metabolite profiling by triple quadrupole mass spectrometry. Bioinformatics. 2015; 31: 2017–23.

28. Liang B., Zhong Y., Chen K., Zeng L., Li G., Zheng J., et al. Serum plasminogen as a potential biomarker for the effects of low-dose benzene exposure. Toxicology. 2018; 410: 59–64.

29. Hong W.X., Liu W., Zhang Y., Huang P., Yang X., Ren X., et al. Identification of serum biomarkers for occupational medicamentosa-like dermatitis induced by trichloroethylene using mass spectrometry. Toxicol Appl Pharmacol. 2013; 273(1): 121–9.

30. Guo X., Zhang L., Wang J., Zhang W., Ren J., Chen Y., et al. Plasma metabolomics study reveals the critical metabolic signatures for benzene-induced hematotoxicity. JCI Insight. 2022; 7(2): e154999.

31. Тлегенов А.Ш., Абылайулы Ж., Богенбай Г.А., Метаболомические исследования: взгляды клинициста. Вестник КазНМУ. 2017; 1: 158–60.

32. Vitale G.A., Geibel C., Minda V., Wang M., Aron A.T., Petras D. Connecting metabolome and phenotype: recent advances in functional metabolomics tools for the identification of bioactive natural products. Nat Prod Rep. 2024; 41(6): 885–904. https://doi.org/10.1039/d3np00050h

33. Yu T., Park Y., Johnson J.M., Jones D. P. apLCMS – adaptive processing of high-resolution LC/MS data. Bioinformatics. 2009; 25 (15): 1930–36. https://doi.org/10.1093/bioinformatics/btp291

34. Uppal K., Soltow Q.A., Strobel F.H. et al. xMSanalyser: automated pipeline for improved feature detection and downstream analysis of large-scale, non-targeted metabolomics data. BMC Bioinformatics. 2013; 14: 15–25. https://doi.org/10.1186/1471-2105-14-15

35. Walker D.I., Uppal K., Zhang L., Vermeulen R., Smith M., Hu W. High-resolution metabolomics of occupational exposure to trichloroethylene. International Journal of Epidemiology. 2016; 45(5): 1517–27. https://doi.org/10.1093/ije/dyw218

36. Dehghani F., Yousefinejad S., Walker D.I., Omidi F. Metabolomics for exposure assessment and toxicity effects of occupational pollutants: current status and future perspectives. Metabolomics. 2022; 18(9): 73–80.

37. Ivanisevic J., Want E.J. From samples to insights into metabolism: uncovering biologically relevant information in LC-HRMS metabolomics data. Meta. 2019; 9(12): 308–15.

38. Naser F.J., Mahieu N.G., Wang L., Spalding J.L., Johnson S.L., Patti G.J. Two complementary reversed-phase separations for comprehensive coverage of the semipolar and nonpolar metabolome. Anal Bioanal Chem. 2018; 410(4): 1287–97. https://doi.org/10.1007/s00216-017-0768-x

39. Chen L., Lu W., Wang L., Xing X., Chen Z., Teng X. Metabolite discovery through global annotation of untargeted metabolomics data. Nat Methods. 2021; 18(11): 1377–85. https://doi.org/10.1038/s41592-021-01303-3

40. Stricker T., Bonner R., Lisacek F., Hopfgartner G. Adduct annotation in liquid chromatography/high-resolution mass spectrometry to enhance compound identification. Anal Bioanal Chem. 2021; 413: 503–17. [PubMed: 33123762]

41. Wang L., et al. Peak Annotation and Verification Engine for Untargeted LC–MS Metabolomics. Anal. Chem. 2019; 91: 1838–46. [PubMed: 30586294]

42. Sindelar M., Patti G.J. Chemical Discovery in the Era of Metabolomics. J. Am. Chem. Soc. 2020; 142: 9097−105.

43. Souza A.L., Patti G.J. A Protocol for Untargeted Metabolomic Analysis: From Sample Preparation to Data Processing Methods. Mol Biol. 2021; 2276: 357–82. https://doi.org/10.1007/978-1-0716-1266-8_27

44. Marciano D.P., Snyder M.P. Personalized metabolomics. In: D’Alessandro A., ed. High-Throughput Metabolomics. Methods in Molecular Biology, vol. 1978. New York: Humana; 2019. https://doi.org/10.1007/978-1-4939-9236-2_27

45. Guo P., Furnary T., Vasiliou V., Yan Q., Nyhan K., Jones D.P. Non-targeted metabolomics and associations with per- and polyfluoroalkyl substances (PFAS) exposure in humans: A scoping review. Environ Int. 2022; 162: 107159. https://doi.org/10.1016/j.envint.2022.107159

46. Barhoum A., Garcia-Betancourt M.L., Rahier H., van Assche G. Chapter 9. Physicochemical characterization of nanomaterials: Polymorph, composition, wettability, and thermal stability. In: Barhoum A., Makhlouf A.S.H., eds. Emerging Applications of Nanoparticles and Architectural Nanostructures: Current Prospects and Future Trends. Amsterdam: Elsevier; 2018: 255–78.

47. Zhang A., Sun H., Yan G., Wang P., Wang X. Metabolomics for biomarker discovery: moving to the clinic. BioMed Res Int. 2015; 2015: 354671.

48. Goodacre R., Vaidyanathan S., Dunn W.B., Harrigan G.G., Kell D.B. Metabolomics by Numbers: Acquiring and Understanding Global Metabolite Data. Trends Biotechnol. 2004; 22: 245–52. https://doi.org/10.1016/j.tibtech.2004.03.007

49. González-Riaño C., Dudzik D., García A., Gil-De-La-Fuente A., Gradillas A., Godzien J., López-Gonzálvez Á., Rey-Stolle F., Rojo D., Ruperez F.J., et al. Recent Developments along the Analytical Process for Metabolomics Workflows. Anal. Chem. 2020; 92: 203–26. https://doi.org/10.1021/acs.analchem.9b04553

50. Alseekh S., Aharoni A., Brotman Y., Contrepois K., D’Auria J. et al. Mass spectrometry-based metabolomics: a guide for annotation, quantification and best reporting practices. Nature Methods. 2021; 18: 747–56.

51. Tsugawa H., Cajka T., Kind T., Ma Y., Higgins B., Ikeda K., Kanazawa M. MS-DIAL: data-independent MS/MS deconvolution for comprehensive metabolome analysis. Nat Methods. 2015; 12(6): 523–6.

52. Krumsiek J., Suhre K., Evans A.M., Mitchell M.W., Mohney R.P., Milburn M.V. Mining the unknown: a systems approach to metabolite identification combining genetic and metabolic information. PLoS Genet. 2012; 8(10): e1003005.

53. Zhou B., Wang J., Ressom H.W. MetaboSearch: tool for mass-based metabolite identification using multiple databases. PLoS One. 2012; 7(6): e40096.

54. Джайн К.К., Шарипов К.О. Основы персонализированной медицины. Медицина XХI века: омикс-технологии, новые знания, компетенции и инновации. М.: Издательство «Литтерра»; 2020.

55. Jain K.K., Sharipov K.O. Fundamentals of personalized medicine. Medicine of the 21st century: omix technologies, New knowledge, Competencies and innovations [Osnovy` personalizirovannoj mediciny`. Medicina XXI veka: omiks-texnologii, novy`e znaniya, kompetencii i innovacii]. Moscow: Izdatel`stvo "Litterra"; 2020. (in Russian)

56. Khamis M.M., Adamko D.J., El-Aneed A. Mass spectrometric based approaches in urine metabolomics and biomarker discovery. Mass Spectrom Rev. 2015; 36(2): 115–34. https://doi.org/10.1002/mas.21455

57. Dehghani F., Yousefinejad S., Walker D.I., Omidi F. Metabolomics for exposure assessment and toxicity effects of occupational pollutants: current status and future perspectives. Metabolomics. 2022; 18(9): 73–8.

58. Биологический контроль производственного воздействия вредных веществ. Методические рекомендации. М.: 07.12.1990 n 5205-90.

59. Göen T., Schaller K.-H., Drexler H. Biological reference values for chemical compounds in the work area (BARs): an approach for evaluating biomonitoring data. Int Arch Occup Environ Health. 2012; 85: 571–8.

60. Faisandier L., Bonneterre V., De Gaudemaris R., Bicout D.J. Occupational exposome: a network-based approach for characterizing Occupational Health problems. J Biomed Inf. 2011; 44(4): 545–52.