代謝組學是以代謝物分析的整體方法來研究功能蛋白如何產生能量和處理體內物質，評價細胞和體液內源性和外源性代謝物濃度及功能關系的新興學科，是系統生物學的重要組成部分，其相應的研究能反映基因組、轉錄組和蛋白組受內外環境影響后相互協調作用的最終結果，更接近反映細胞或生物的表型，因此被越來越廣泛地應用。
隨著代謝分析技術逐漸改進，獲得數據已不是難題，然而能否將呈多維的、海量的波譜數據進行有效壓縮和轉換卻是首要解決的問題，這就要借助于專門的數據分析方法。鑒定差異代謝物常用的分析方法包括主成分分析(PCA)、偏最小二乘判別分析(PLS-DA)、正交偏最小二乘判別分析(OPLS-DA)等。數據分析結果還需要經過t檢驗和變量權重重要性排序(variable importance in projection，VIP)值篩選差異性代謝產物。一般認為，同時滿足P<0.05，VIP>1.0的變量為差異代謝物。
人類代謝數據庫(HMDB)是一個全面的、免費的網絡資源，包含了有關人體代謝物的詳細信息。人體代謝物是指在人體內發現的小分子，包括肽、脂類、氨基酸、核酸、碳水化合物、有機酸、生物胺、維生素、礦物質、食品添加劑、藥物、化妝品、污染物，以及人類攝入、代謝、分解或接觸的任何其他化學物質。代謝組學的發展(即代謝體的研究)的關鍵是代謝組學數據庫的開發。就像基因組學和蛋白質組學依賴于GenBank和UniProt中的參考序列來注釋基因和蛋白質一樣，代謝組學也至關重要地依賴于參考化合物數據和參考光譜數據來注釋代謝物。盡管存在許多“代謝”數據庫，例如KEGG，Reactome和Cyc數據庫，但真正的“代謝組學”數據庫卻相對較少。一些較著名的代謝組學數據庫包括Metlin，MetaboLights，Metabolomics Workbench，Lipid Maps和HMDB。
隨著代謝組學的日益發展，越來越多的人把目光轉向代謝組學的研究，而其數據處理也已經成為研究中重要的難題。雖然目前國內外代謝組學的研究已經取得了一些成果，但由于其尚未有功能完備的數據庫，數據分析受到一定的限制。 與此同時，生物樣本的復雜性使得代謝組學的研究難以達到分析全部的組分以及所有的代謝成分的要求，這就需要進一步發展高通量、高效、快速的以及整合化的儀器分析技術，開發能滿足全組分分析的算法和軟件，將儀器分析技術、數據處理技術、多元統計分析技術以及可視化軟件有機結合起來，以更好地促進代謝組學的發展。
