Η εφαρμογή φασματομετρίας μάζας/mass spectrometry (MS) στην κλινική
λιπιδομική αναδεικνύεται ως κρίσιμη για τον εντοπισμό βιοδεικτών που στηρίζουν τη
διάγνωση και την κατανόηση της παθοφυσιολογίας των ασθενών και ειδικότερα των
νευροκφυλιστικών παθήσεων. Η πολυπλοκότητα των λιπιδομικών δεδομένων σε κλινικές
μελέτες είναι μια πρόκληση που απαιτεί υψηλές στατιστικές μεθοδολογίες. Τα μη
στοχευμένα λιπιδομικά υψηλής ανάλυσης (LC-MS) ή αλλιώς οι τεχνικές ανάλυσης μάζας
που χρησιμοποιούνται για τον εντοπισμό και τον ποσοτικό προσδιορισμό λιπιδίων σε
βιολογικά δείγματα έχουν την δυνατότητα να αυξήσουν την κάλυψη λιπιδίων, ενώ
παράλληλα επιτρέπουν τη συνεχή απόκτηση όλων των ιόντων. Εντούτοις, η απώλεια της
σύνδεσης μεταξύ των ιόντων σε συνδυασμό με το μεγάλο σύνολο δεδομένων εμποδίζει
τον ακριβή σχολιασμό των χαρακτηριστικών. Τα λιπιδομικά δεδομένα επηρεάζονται από
παράγοντες όπως διατροφή και σωματική άσκηση. Λύση στην μεταβλητότητα έρχονται
να δώσουν τα συστήματα πληροφορικής και ο πειραματικός σχεδιασμός Crossover. Τα
επαναλαμβανόμενα δείγματα τιμών των φωσφολιπιδίων κατά την διέλευση τους από
διαφορετικές εκθέσεις σε αμυλώειδές δημιουργούν ένα σταθερό πλαίσιο για αξιόπιστη
ανάλυση. Με την βοήθεια της γλώσσας προγραμματισμού R και των κατάλληλων
βιβλιοθηκών αυτής της γλώσσας καταφέρνουμε να κάνουμε ανάλυση δεδομένων
μεταβολομικής, χωρίς να εμβαθύνουμε σε μαθηματικές λεπτομέρειες. Στα πλαίσια αυτά,
παρουσιάζουμε πακέτα της R που στοχεύουν στην αξιόπιστη αναγνώριση ειδών λιπιδίων.
Με την έρευνα και την εφαρμογή των πακέτων R παράγονται τα ακόλουθα δομικά
σχόλια: Ορισμένες κλάσεις φωσφολιπιδίων αντιδρούν διαφορετικά, αναδεικνύοντας την
πολυπλοκότητα της αντίδρασης στο αμυλοειδές. Τα ευρήματα υποστηρίζουν την
ενδεχόμενη συνεισφορά των β-αμυλοειδών στη νευροεκφυλιστική διαδικασία,
προσφέροντας πιθανούς στόχους για την κατανόηση και αντιμετώπιση νευρολογικών
διαταραχών, όπως ο νευροεκφυλισμός.

The application of mass spectrometry (MS) in clinical lipidomics emerges as
crucial for identifying biomarkers supporting the diagnosis and understanding the
pathophysiology of patients, particularly those with neurodegenerative diseases. The
complexity of lipidomic data in clinical studies poses a challenge that requires advanced
statistical methodologies. Untargeted high-resolution lipidomic techniques, such as
Liquid Chromatography-Mass Spectrometry (LC-MS), used for the identification and
quantitative determination of lipids in biological samples, can enhance lipid coverage
while allowing the continuous acquisition of all ions. However, the loss of ion
connectivity, combined with the large dataset, hinders precise feature annotation.
Lipidomic data are influenced by factors such as diet and physical activity. Information
technology systems and the experimental design Crossover offer a solution to variability.
Repeated sampling of phospholipid values during their passage through different
exposures to amyloids creates a stable framework for reliable analysis. With the
assistance of the R programming language and its relevant libraries, we manage to
perform metabolomic data analysis without delving into mathematical details. In this
context, we present R packages aiming for reliable lipid species identification. Through
research and the application of R packages, the following structural comments are
generated: Some classes of phospholipids react differently, highlighting the complexity of
the reaction to amyloids. Findings support the potential contribution of beta-amyloids to
neurodegenerative processes, offering possible targets for understanding and addressing
neurological disorders such as neurodegeneration