不少开展代谢组学研究的老师和同学常会遇到一种情况：实验数据趋势理想、图谱结果美观，修回阶段却接连收到关于实验方法描述的问询。 这类意见并非否定实验结果，大多是论文信息披露不够充分，难以支撑研究的可追溯性与可重复性。
代谢组学论文中，方法部分是同行评判研究可靠性的重要依据。很多返修意见来源于细节描述缺失、流程表述笼统。本文梳理三类常见方法学相关问询，帮助大家提前完善稿件；若已经收到同类修回意见，也可参考文中思路有条理地补充信息、规范表述。
高频审稿问题：方法学描述过于笼统，信息透明度不足
审稿意见
（1）The methodological description of this study is insufficient to support the repeatability and credibility of the experiment. The authors lack detailed descriptions of sample pretreatment, metabolomics data acquisition, data preprocessing and statistical analysis procedures.
（2）…key LC‑MS reporting standards are missing, including retention times, exact m/z values used for identification and quantification, and scoring criteria.
审稿人关注点
评审提出这类问题，其实是希望研究信息足够透明，方便其他研究者重复实验、核验代谢物鉴定结果。 很多文章投稿时仅简单提及 “开展非靶标代谢组学检测”，缺少样本处理方法、检测方法等信息；或者是没有在正文/补充材料中注明代谢物定性所需的保留时间、精确质荷比等关键信息。信息缺失会让其他研究者难以复现实验，也不利于代谢物注释结果交叉验证。
修改思路
丰富Methods章节，根据实际项目流程逐项补充相关信息，重点完善以下内容：
样本前处理：提取溶剂、体积、提取次数、涡旋/超声参数、离心条件等；
色谱条件：色谱仪型号、色谱柱型号及规格、进样量等；
质谱条件：质谱仪型号、分辨率、碰撞能量、离子源温度等；
数据预处理：偏离值过滤、缺失值填充、归一化方法等；
数据库信息：非常重要，根据国际代谢组学标准倡议MSI的定义，与标准品自建库匹配上的物质level 1才是最准确的，因此要说明本次实验是否匹配标准品自建库，以及符合level 1的物质有哪些；除此之外，使用的公共数据库如HMDB、METLIN、MassBank等也需要在代谢物鉴定部分写明，并标注数据库具体版本。
高分文献案例参考
图1. Molecular Plant(IF=32.7)GC-MS方法描述[1]
图2. Cell(IF=45.1)方法描述[2]
高频审稿问题：样品制备关键参数描述缺失
审稿意见
（1）The section on targeted fatty acid analysis lacks detailed information on sample preparation. It is unclear whether the authors performed alkaline hydrolysis (saponification) in advance to release bound fatty acids into free fatty acids prior to detection, or if they directly measured only free fatty acids.
（2）Authors give SPME incubation conditions and GC program — missing SPME fiber coating type (e.g., DVB/CAR/PDMS 50/30 μm), which crucially affects VOC profile.
审稿人关注点
前处理方案会直接改变最终检测到的代谢物范围。以脂肪酸检测、挥发性代谢组VOCs为典型场景，部分关键参数省略后，其他研究者很难判断数据的适用范围。评审提出该疑问，本质是希望清晰界定本研究检测物质范围，提升结果可比性。
修改思路
脂肪酸靶标检测：脂肪酸分为总脂肪酸和游离脂肪酸；若检测总脂肪酸需要在前处理过程加上皂化的步骤，补充试剂浓度、反应温度与时长；若仅检测游离脂肪酸，也需要明确说明，并简要阐述对应的研究目的；
挥发性代谢组VOCs检测：挥发性代谢物需要使用顶空固相微萃取(Headspace Solid-Phase Microextraction, HS-SPME)进行富集后检测，在方法描述时需要完善SPME设备的相关信息，如纤维涂层类型、膜厚、萃取解吸条件；
其他前处理：如衍生化（试剂、温度、时间）、物质沉淀（溶剂比例、操作步骤）、内标添加（内标种类、浓度、添加时间点），均需详细描述。
高分文献案例参考
图3. nature communications(IF=18.1)游离脂肪酸检测样本处理方法描述[3]
图4. Food Chemistry(IF=10.4)有关挥发性代谢组SPME方法描述[4]
高频审稿问题：数据预处理流程缺乏明确算法与参数
审稿意见
Specify whether positive and negative ionization mode data were analyzed separately or combined, and how duplicate features across modes were handled. Add brief information on how missing values were treated, whether data were normalized or scaled before PCA/OPLS‑DA, and what criteria were used to accept metabolite identifications from the databases.
审稿人关注点
从原始质谱信号到数据矩阵，正负离子特征整合、缺失值填充、归一化等步骤都会影响最终差异代谢物筛选结果。清晰写明预处理策略，有利于增加数据分析流程的透明度，方便其他研究者对比不同算法带来的结果差异。
修改建议
正负离子数据：若使用LC-MS/MS做非靶代谢组学的检测，样本会在正负模式下都进行检测，每个模式都可以得到一份代谢物检测数据，因此需要说明数据是分开分析的或是合并分析的；如果是合并了正负模式后分析的，需要写清楚在正负模式下重复检测到的物质筛选规则，例如优先保留标准品自建库的匹配结果或MS/MS匹配得分更高的物质;
缺失值处理：非靶代谢组学的数据矩阵往往会有一些空值，需要填补后才可以进行后续的分析，所以要写明采用 K最小值二分之一、KNN等哪一种方案，有需要可引用相关文献支撑选择依据；
归一化策略：总峰面积归一、内标归一、PQN归一等方案；
数据缩放：在进行多元变量统计分析PCA/OPLS-DA时说明是否实施中心化、Pareto缩放或UV缩放。
建议在补充材料中增加一张数据预处理流程图，直观展示全流程操作，便于评审快速理解分析逻辑。
高分文献案例参考
图5. nature communications(IF=18.1)数据处理方法描述[5]
方法学内容，是整篇代谢组学论文的基础支撑。很多修回意见并不代表实验存在缺陷，大多只是信息披露不够充分。 大家在投稿前，可以对照本文三个方向逐项自查，提前补齐关键参数、规范表述，降低收到大修意见的概率；如果已经收到相似的评审问询，可按照 “逐条补充信息+回复信息清晰标注修改位置” 的思路进行响应。
本系列后续还将推出统计分析、代谢物鉴定相关审稿问题避坑指南，持续分享代谢组学论文返修思路。 百趣生物拥有多年代谢组学项目服务经验，可提供标准化方法描述模板、全套质控支撑资料，助力大家高效应对论文修回！
参考文献
[1] Yuan et al., WTV2.0: A high-coverage plant volatilomics method with a comprehensive selective ion monitoring acquisition mode, Molecular Plant, 2024, Volume 17, Issue 6, Pages 972-985.
[2] Liang et al., Metabolic Dynamics and Prediction of Gestational Age and Time to Delivery in Pregnant Women, Cell, 2020, Volume 181, Issue 7, Pages 1680-1692.
[3] Kou et al., A mouse protozoan boosts antigen-specific mucosal IgA responses in a specific lipid metabolism and signaling-dependent manner, nature communications, 2024, 15, 7914.
[4] Jia et al., HS-SPME/GC–MS and metabolomics elucidate volatile metabolite formation during fermentation of egg yolks, Food Chemistry, 2025, Volume 493, Part 4, 146090.
[5] Lv et al., Plasma metabolomics reveals the shared and distinct metabolic disturbances associated with cardiovascular events in coronary artery disease, nature communications, 2024, 15, 5729.
