复杂生物样品

复杂样品是指组分种类多、含量差别大、已知信息少．几乎为一黑箱的复杂混合物。这样的样品在生物、环境、材料中占大多数．例如中药提取物或环境污染物．来源于自然界，常常含有从无机到有机、从离子性、强极性到非极性、从小分子到大分子、从位置异构体到对映体、从常量到痕量的上百种成分，而且这些成分大都是未知的．即使是曾被发现的成分，也很难获得纯品或对照品，与大量未知物混于一体，无异于未知化食物。复杂样品的分析，首先需要弄清组成这一样品体系的各种组成及其比例关系，了解组成这一体系的基本组分分布，在此基础上，还需对每一组成进行详细了解，如结构确定，为最终阐明组成一结构一功能提供依据(或根据组成一功能关系．先确定有效组成，再确定这些有效组成的结构)．因此，对复杂样品的分离分析，可按三个层次进行研究：(1)利用高效色谱进行复杂混合物的系统分离分析，获得基本组成色谱峰及其比例关系：(2)混合物组成成分的结构鉴定，这包括离线各种光谱、质谱的综合鉴定及色谱和各种技术的在线联用，尤其是联用技术不仅可以进行快速签定，而且由于减少了处理步骤，避免了处理过程造成的组分损失，因此具有更高的定量可靠性，对含量少的组分也可以进行定性(这些含量少的组分是比较难于得到纯品的)；(3)尽管高效色谱和各种光谱、质谱的联用技术可以极大地促进复杂混合物的分析，但应该看到联用技术—般要求色谱能分离获得纯色谱峰，才能较好地获得其光谱、质谱，进行较好的分析．由于样品组分复杂，在实际分离中即使采用多柱系统在最优化条件下，仍会有大量的不同程度重叠峰，因此，利用先进的算法和计算机，结合色谱和各种光谱、质谱规律，进行多维分析信号与信息的综合处理，解决重叠峰的解析和定性、定量，最终完成复杂样品的分析任务．

如题，有没有什么方法可以将样品中的微生物分离出来？比如从蛋糕、从鲜榨果汁里，去除了蛋白、脂肪、盐、糖等各种杂质，得到的微生物菌悬液相对纯净？

在后基因体时代，基因芯片 (microarray) 的出现让研究人员得以宏观的视野来探讨分子机转。在许多努力和资源投入到寻找新的疾病基因后，许多单基因疾病已成功地找出致病基因。然而，在复杂疾病 (例如高血压、糖尿病及一些常见癌症) 的研究上，收获却不如期待中的丰富。大多数复杂疾病的研究中都可找出分布在不同染色体上的致病基因，但其与疾病仅有小至中等的连结 (linkage) 或关联性 (association)，且只有极少数的致病基因能在大量人口资料中，仍对疾病的连结或关联性具有显着性。目前从复杂疾病研究找到的致病基因，大多数在跨研究的报告中皆不具重现性。 复杂疾病具异质性、多源性以肥胖为例，在2004年Dr. Perusse1的研究发现：与人类肥胖相关的113个候选基因 (candidate gene) 在50个全基因扫描研究中，仅有18个基因在五个以上的研究提出一致的正面相关报导。另外，2005年Dr. Agarwal2 的评论提到 (如图一所示)，25个高血压基因在不同的连结或关联性研究中，有9个基因在连结性研究中负面相关的报导多于正面相关的报导。而25个基因中，多数在关联性研究中正面相关和负面相关的报导不相上下。 http://img.dxycdn.com/trademd/upload/userfiles/image/2012/12/A1354777030_small.jpg图1：2005年Dr. Agarwal 的评论中针对25个高血压基因在不同的连结或关联性研究中的统计报导 文献中将复杂疾病的致病基因在跨研究间缺乏重复性的现象，归纳出了几点解释。其中一个最广为接受的看法是这些多因子疾病的异质性 (heterogeneous)。另外，因在不同研究中，对各种表型 (phenotype，如血压、血糖) 定义上的不同和量测的不精确、对环境危险或保固因子 (如抽烟量，对污染物的摄取量) 的不同暴露程度以及不同人口之间基因背景的差异等因素，皆会遮蔽、加强或改变基因的作用并造成不同程度的疾病外显率 (penetrance)。 简而言之，由于复杂疾病患者病因的多源性，稀释了任何一个基因变异的效果。所以，当我们将许多病患集中在一起，试图比较他们的基因和正常人有何不同时可能会发现不同的致病基因，甚至亦会发现跟疾病无关而是与病患其他特性相关的基因。 生物路径丛 (Pathway Clster) 概念目前在复杂疾病的研究上，一般以使用类似的表型以减少样本间的异质性。然而，表型的同质化并不等于基因型的同质化。再者，一个疾病可能只是多种表型类似，但起源（基因）不同的病征组合。这个概念虽曾在文献中被提出过，但科学家所使用的简化表型方法并不尽理想。譬如在精神疾病领域，许多学者提出 ”endophenotype”，也就是「内在生物表型」这个概念。但他们所提出的操作方法，仅只是简单化（或减化）表型，譬如：以解剖学、影像学，或症兆定义上来减化，而没有着眼在减化「参与病征发展的生化路径」上。 这个问题的主要瓶颈在于科学家对于疾病发展的机制还不够了解。因此，中研院潘文涵教授3 提出以下建议：在现今大量产生的基因表现数据上，运用「数据探勘 (data mining)」的方法，进行群组分析 (cluster analysis)；将这些资料分成若干个群组内相关，但群组间不相关的多个群组，每一个群组可能代表一两个少数源头基因、和一些他的下游基因的表现状态。所得群组同构型高且接近病原的潜在基因，因此可视为「生物路径丛」的指针。