Large ‘omics studies are of particular interest to population and clinical research as they allow elucidation of biological pathways that are often out of reach of other methodologies. Typically, these information rich datasets are produced from multiple coordinated profiling studies that may include lipidomics, metabolomics, proteomics or other strategies to generate high dimensional data. In lipidomics, the generation of such data presents a series of unique technological and logistical challenges; to maximize the power (number of samples) and coverage (number of analytes) of the dataset while minimizing the sources of unwanted variation. Technological advances in analytical platforms, as well as computational approaches, have led to improvement of data quality – especially with regard to instrumental variation. In the small scale, it is possible to control systematic bias from beginning to end. However, as the size and complexity of datasets grow, it is inevitable that unwanted variation arises from multiple sources, some potentially unknown and out of the investigators control. Increases in cohort size and complexity have led to new challenges in sample collection, handling, storage, and preparation. If not considered and dealt with appropriately, this unwanted variation may undermine the quality of the data and reliability of any subsequent analysis. Here we review the various experimental phases where unwanted variation may be introduced and review general strategies and approaches to handle this variation, specifically addressing issues relevant to lipidomics studies.

大型组学研究对人群和临床研究特别感兴趣，因为它们可以阐明其他方法通常无法达到的生物学途径。通常，这些信息丰富的数据集是由多个协调的分析研究产生的，这些研究可能包括脂质组学、代谢组学、蛋白质组学或其他生成高维数据的策略。在脂质组学中，此类数据的生成提出了一系列独特的技术和后勤挑战；最大化数据集的能力（样本数量）和覆盖范围（分析物数量），同时最小化不需要的变化的来源。分析平台和计算方法的技术进步导致数据质量的提高——尤其是在仪器变化方面。在小范围内，可以从头到尾控制系统偏差。然而，随着数据集规模和复杂性的增长，不可避免地会出现来自多个来源的不想要的变化，其中一些可能是未知的，并且超出了调查人员的控制范围。队列规模和复杂性的增加给样品采集、处理、储存和制备带来了新的挑战。如果不适当考虑和处理，这种不需要的变化可能会破坏数据的质量和任何后续分析的可靠性。在这里，我们回顾了可能引入不需要的变异的各个实验阶段，并回顾了处理这种变异的一般策略和方法，特别是解决与脂质组学研究相关的问题。不可避免地会出现来自多个来源的不想要的变异，其中一些可能是未知的并且超出了调查人员的控制。队列规模和复杂性的增加给样品采集、处理、储存和制备带来了新的挑战。如果不适当考虑和处理，这种不需要的变化可能会破坏数据的质量和任何后续分析的可靠性。在这里，我们回顾了可能引入不需要的变异的各个实验阶段，并回顾了处理这种变异的一般策略和方法，特别是解决与脂质组学研究相关的问题。不可避免地会出现来自多个来源的不想要的变异，其中一些可能是未知的并且超出了调查人员的控制。队列规模和复杂性的增加给样品采集、处理、储存和制备带来了新的挑战。如果不适当考虑和处理，这种不需要的变化可能会破坏数据的质量和任何后续分析的可靠性。在这里，我们回顾了可能引入不需要的变异的各个实验阶段，并回顾了处理这种变异的一般策略和方法，特别是解决与脂质组学研究相关的问题。处理、储存和准备。如果不适当考虑和处理，这种不需要的变化可能会破坏数据的质量和任何后续分析的可靠性。在这里，我们回顾了可能引入不需要的变异的各个实验阶段，并回顾了处理这种变异的一般策略和方法，特别是解决与脂质组学研究相关的问题。处理、储存和准备。如果不适当考虑和处理，这种不需要的变化可能会破坏数据的质量和任何后续分析的可靠性。在这里，我们回顾了可能引入不需要的变异的各个实验阶段，并回顾了处理这种变异的一般策略和方法，特别是解决与脂质组学研究相关的问题。