Embed Size (px)
Citation preview
UvA-DARE is a service provided by the library of the University of Amsterdam (https://dare.uva.nl)
UvA-DARE (Digital Academic Repository)
Nutrikinetics
van Velzen, E.J.J.
Publication date2010Document VersionFinal published version
Link to publication
Citation for published version (APA):van Velzen, E. J. J. (2010). Nutrikinetics.
General rightsIt is not permitted to download or to forward/distribute the text or part of it without the consent of the author(s)and/or copyright holder(s), other than for strictly personal, individual use, unless the work is under an opencontent license (like Creative Commons).
Disclaimer/Complaints regulationsIf you believe that digital publication of certain material infringes any of your rights or (privacy) interests, pleaselet the Library know, stating your reasons. In case of a legitimate complaint, the Library will make the materialinaccessible and/or remove it from the website. Please Ask the Library: https://uba.uva.nl/en/contact, or a letterto: Library of the University of Amsterdam, Secretariat, Singel 425, 1012 WP Amsterdam, The Netherlands. Youwill be contacted as soon as possible.
Download date:26 Mar 2021
Nutrikinetics
Ewoud van Velzen
Nutrikineti
cs Ew
oud van Velzen
Uitnodiging
voor het bijwonen van
de openbare verdediging
van het proefschrift
Nutrikinetics
Dinsdag 30 november 2010
om 10.00 uur
Agnietenkapel op de
Oudezijds Voorburgwal 231
in Amsterdam
Na afloop van de ceremonie
is er een receptie.
Vervolgens is er na afloop van
de receptie van 12:30 tot 14:00
een besloten lunch.
Vanaf 19:30 is iedereen
uitgenodigd om de promotie
te vieren. Dit feest is voor
iedereen open.
ParanimfenDaniël Vis
Ferdi van Dorsten
Ewoud van Velzen
Oranjelaan 12
3135 ZN Vlaardingen
010-4743497
Eduwardus Jacobus Johannes (Ewoud) van Velzen was born on the 1st of
June 1968 in Leiden, the Netherlands. After finishing his senior general
secondary education in Bemmel, he moved to Arnhem, and later to Deventer,
to study analytical chemistry. In 1991 he finished the secondary vocational
education at the Hogeschool Interstudie and in 1994 he received his bachelor degree at the
Hogeschool IJsselland. In the following year he started working at the University of Twente
in Enschede where he gained technical expertise and knowledge of applied NMR and GC-
MS techniques. After successfully finishing this first year, he found a new challenge and
decided to work as a computer programmer at Cap Gemini in Utrecht. After a short trainings
trajectory, he was seconded to the ING bank in Amsterdam where he contributed in a (long-
term) software-based maintenance program related to the “Year 2000” problem. However,
his strong affection with the analytical laboratory decided him to start a new career at
the Research and Development laboratory of Unilever in Vlaardingen. In 1996 he moved
to Vlaardingen and started as a food and detergent researcher within the spectroscopic
department. In 9 years time he became fully operational in various analytical expertise
areas including High Resolution NMR, FTIR, (FT)NIR, XRF, AAS, CD, UV-VIS etc. Captivated
by the scientific challenges involving the chemometric data analysis, in 2005, he focussed
on a rather new, promising and expanding bioanalytical research field called metabolomics.
The initial successes and perspectives of metabolomics within Unilever led to a new joint
initiative with some leading European partners. This European project allowed him to obtain
a PhD degree at the University of Amsterdam which resulted in the writing of this thesis. To
date he still works as a metabolomics researcher at Unilever in close collaboration with the
University of Amsterdam. His main focus is to investigate the dynamic and static effects of
food interventions (including gut microbial metabolism) within the human superorganism.
Nutrikineti cs
ISBN: 978-94-6108-090-5
Layout and printed by: Gildeprint Drukkerijen - Enschede, the Netherlands
Nutrikineti cs
ACADEMISCH PROEFSCHRIFT
ter verkrijging van de graad van doctor
aan de Universiteit van Amsterdam
op gezag van de Rector Magnifi cus
prof. dr. D.C. van den Boom
ten overstaan van een door het college voor promoti es
ingestelde commissie, in het openbaar te verdedigen
in de Agnietenkapel
op dinsdag 30 november 2010, te 10:00 uur
door
Eduwardus Jacobus Johannes van Velzen
geboren te Leiden
Promoti ecommissie
Promotor:
Prof. dr. A.K. Smilde
Copromotor:
Dr. J.A. Westerhuis
Overige leden:
Prof. dr. S. Brul
Prof. dr. M. Danhof
Dr. J.P.M. van Duynhoven
Prof. dr. P.H.C. Eilers
Prof. dr. E. Holmes
Prof. dr. ir. J.G.M. Janssen
Prof. dr. J.H. Ravesloot
Faculteit der Natuurwetenschappen, Wiskunde en Informati ca
The research reported in this thesis was carried out at the Swammerdam Insti tute for
Life Sciences, Faculty of Science, Universiteit van Amsterdam.
Contents
Chapter 1 Nutrikinetics: Definition and current status 7
Chapter 2 Multilevel data analysis of a crossover designed human 29
nutritional intervention study
Chapter 3 Multivariate paired data analysis: Multilevel PLSDA versus 55
OPLSDA
Chapter 4 Phenotyping tea consumers by nutrikinetic analysis of 77
polyphenolic end-metabolites
Chapter 5 Exploring the nutrikinetic processes and co-metabolome 107
associations of dietary polyphenols in humans
Chapter 6 Nutrikinetics and Nutridynamics: Summary, concluding remarks 141
and outlook
Publications 159
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en 163
toekomstperspectieven
Acknowledgments 173
Nutrikineti cs:
Defi niti on and current status
E.J.J. van Velzen1,2,3
, J.A. Westerhuis1,3
, J.P.M. van Duynhoven2,3
, A.K. Smilde1,3
1Biosystems Data Analysis, Swammerdam Insti tute for Life Sciences, Universiteit van Amsterdam,
Nieuwe Achtergracht 166, 1018 WV Amsterdam, The Netherlands
2Unilever Research and Development, Olivier van Noortlaan 120, 3133 AT Vlaardingen,
The Netherlands.
3Netherlands Metabolomics Centre, Leiden, The Netherlands.
This chapter will be submitt ed for publicati on.
This chapter is based on: van Duynhoven, J., Vaughan, E.E., Jacobs, M., Kemperman, A., van Velzen, E.J.J.,
Gross, G., Roger, L.C., Possemiers, S., Smilde, A.K., Doré, Joël., Westerhuis, J.A., & Van de Wiele, T. (2010),
Proceedings of the Nati onal Academy of Sciences., online, doi: 10.1073/pnas.1000098107.
1
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
8
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
9
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
10
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
11
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
12
Sys
tem
ic c
ircu
lati
on
Bio
log
ical
act
ivit
y
Ph
ase
I an
d P
has
e II
bio
tran
sfo
rmat
ion
Depolymerization Deconjugation
Microbial Metabolism
Liv
er
Blo
od
Org
ans
Deconjugation
Biliary secretion
Fecal excretion
Uri
nar
y ex
cret
ion
polymers glycosides aglycones
Polyphenols
Up
per
tr
act
Co
lon
OHO
OH
OH
O
OHHO
OH
OH
O
OHHO
OH
OH
O
HO OH
OH
HOOC
OH
OH
HOOC
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
13
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
14
Xh
Human superorganism
Dose D
Xex
Urine
kex
A B
Xh
Xex
D
D
t
t
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
15
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
16
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
17
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
18
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
19
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
20
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
21
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
22
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
23
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
24
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
25
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
26
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs: Defi niti on and current status
27
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 1
28
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human
nutriti onal interventi on study
Ewoud J.J. van Velzen†, §, Johan A. Westerhuis†, John P.M. van Duynhoven§,
Ferdi A. van Dorsten§, Huub C.J. Hoefsloot†, Doris M. Jacobs§, Suzanne Smit†, Richard Draijer§,
Christi ne I. Kroner§, Age K. Smilde†
† Biosystems Data Analysis, Swammerdam Insti tute for Life Sciences, Universiteit van Amsterdam,
Nieuwe Achtergracht 166, 1018 WV Amsterdam, The Netherlands, § Unilever Food and Health Research
Insti tute, Olivier van Noortlaan 120, 3133 AT Vlaardingen, The Netherlands.
This chapter is published as: Van Velzen, E. J. J.; Westerhuis, J. A.; Van Duynhoven, J. P.;
Van Dorsten, F. A.; Hoefsloot, H. C.; Smit, S.; Draijer, R.; Kroner, C. I.; Smilde, A. K.
J.Proteome Res. 2008, 7, 4483-91.
2
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
30
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
31
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
32
EXPERIMENTAL SESSION
≈
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
33
μ μμ
μ
ρ ρρ ρ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
34
δ
Δδ
δ
δ
MATHEMATICAL METHODS
δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
35
=
ε+γ+β+μ=
μ βγ ε
ε
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
36
μ
+=
β γ
+=
++=
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
37
++=
−=
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
38
+=
−=
+=
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
39
−=
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
40
( )
( ) ++=
−=
=
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
41
=
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
42
RESULTS AND DISCUSSION
δ δδ
β δ δδ δ
δ δδ
δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
43
δ
β βδ
↑↓
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
44
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
45
δδ δ
-3 -2 -1 0 1 2 3-3
-2
-1
0
1
2
PC1
PC
4
-6 -4 -2 0 2 4-3
-2
-1
0
1
2
PC2
PC
4
0123456789Chemical shift (ppm)
= Batch 1= Batch 2
= Female= Male
Hip
Phe
Glx
TSP
Lac
AA
Cit
Gly
0123456789Chemical shift (ppm)
PC1 loadings plot
Phe
Gly
Cit
PC4 loadings plot
A B
DC
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
46
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
47
0 10 20 30 40 50 600
100
200
300
400
500
600
Number of misclassifications
Freq
uenc
y
xp= 29.0
xo= 12.9
0 10 20 30 40 50 600
100
200
300
400
500
600
Number of misclassifications
Freq
uenc
y
xo= 23.4
xp= 29.0
p << 0.0002
p = 0.058
0 10 20 30 40 50 600
100
200
300
400
500
600
Number of misclassifications
Freq
uenc
y
xp= 29.0
xo= 12.9
0 10 20 30 40 50 600
100
200
300
400
500
600
Number of misclassifications
Freq
uenc
y
xo= 23.4
xp= 29.0
p << 0.0002
p = 0.058
a
b
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
48
δδ δ δ
δ δ
μ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
49
δ
δ
β β
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
50
δ δδ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
51
REFERENCES
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
52
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi level data analysis of a crossover designed human nutriti onal interventi on study
53
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 2
54
Multi variate paired data analysis:
Multi level PLSDA versus OPLSDA
Johan A. Westerhuis1,3*, Ewoud J.J. van Velzen1,2,3*, Huub C.J. Hoefsloot1, Age K. Smilde1,3
* These authors equally contributed to this work.
1Biosystems Data Analysis, Swammerdam Insti tute for Life Sciences, Universiteit van Amsterdam, Nieuwe
Achtergracht 166, 1018 WV Amsterdam, The Netherlands, 2Unilever Food and Health Research Insti tute,
Olivier van Noortlaan 120, 3133 AT Vlaardingen, The Netherlands, 3Netherlands Metabolomics Centre,
Leiden, The Netherlands.
This chapter is published as: Westerhuis, J. A.; van Velzen, E. J.; Hoefsloot, H. C.; Smilde, A. K.
Metabolomics 2010, 6, 119-28.
3
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
56
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
57
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
58
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
59
A
B
control treatment
control treatment meannet effect
δδδδ
δδδδ
0δδ δδ
0 1 Y
0 1 Y
UN
PA
IRE
D A
NA
LYS
ISP
AIR
ED
AN
ALY
SIS
δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
60
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
61
δ
[ ]+=
− [ ]−=
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
62
α
−
β
−
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
63
−
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
64
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
65
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
66
-15 -10 -5 0 5 10 15-15
-10
-5
0
5
10
15
tP
t O1
OPLSDA Tpred vs TO
1
Control
TreatmentMales
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
67
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
tW1
t W2
MLPLSDA within subject
Control
Treatment
Males
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
68
-15 -10 -5 0 5 10-10
-8
-6
-4
-2
0
2
4
6
tB1
t B2
Males
1
2
3
4
7
6
5
8
9
10
μμ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
69
μ
μ
δ
δ
δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
70
-8 -6 -4 -2 0 2 4 6 8-30
-20
-10
0
10
20
30
40
50
tP
t O1
OPLSDA Tpred vs TO1
Control
Treatment
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
71
-20 -10 0 10 20-15
-10
-5
0
5
10
15
t1
t2
C
T
-20 -10 0 10 20-15
-10
-5
0
5
10
15
t1
t2
7.57.67.77.8ppm
-20 -10 0 10 20-15
-10
-5
0
5
10
15
t1
t2
C
T
-20 -10 0 10 20-15
-10
-5
0
5
10
15
t1
t2
6.46.456.56.55ppm
A B C
D E F
HO OH
OSO3H
β
NHO
O H
β β
β
βα
α
δ
α β
δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
72
δ δ δδ δ δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
73
-15 -10 -5 0 5 10 15-4
-3
-2
-1
0
1
2
3
4
5
6
t1
t2
77.27.47.67.8
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
1H chemical shift (ppm)
A B
PC2
PC1
Hippuric acid
U
tB1
t B2
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
74
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Multi variate paired data analysis: Multi level PLSDA versus OPLSDA
75
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 3
76
Phenotyping tea consumers by nutrikineti c analysis of
polyphenolic end-metabolites
Ewoud J.J. van Velzen†,§, Johan.A. Westerhuis†, John P.M. van Duynhoven§,
Ferdi A. van Dorsten§, Christi an H. Grün§, Doris M. Jacobs§, Guus S.M.J.E. Duchateau§,
Daniel J. Vis†, Age K. Smilde†
† Biosystems Data Analysis, Swammerdam Insti tute for Life Sciences, Universiteit van Amsterdam,
Nieuwe Achtergracht 166, 1018 WV Amsterdam, The Netherlands, § Unilever Research and Development,
Olivier van Noortlaan 120, 3133 AT Vlaardingen, The Netherlands.
This chapter is published as: van Velzen, E. J.; Westerhuis, J. A.; Van Duynhoven, J. P.; Van Dorsten,
F. A.; Grun, C. H.; Jacobs, D. M.; Duchateau, G. S.; Vis, D. J.; Smilde, A. K.
J Proteome Res. 2009, 8, 3317-30.
4
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
78
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
79
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
80
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
81
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
82
plan tean
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
83
μ μμ
μ
μ
ρ ρρ ρ
δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
84
δ
δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
85
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
86
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
87
δ δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
88
Concentration (μμμμmol.ml-1)
0
20
40
60
80
100
120
0 6 12 18 24 30 36 42 48
Time (h)
C ( μμ μμ
mo
l.ml-1
)
Cumulative output (mmol)
0
100
200
300
400
500
0 6 12 18 24 30 36 42 48
Time (h)
Xc (m
mo
l)
66.577.588.59
66.577.588.59
66.577.588.59
66.577.588.59
66.577.588.59
66.577.588.59
66.577.588.59
Chemical shift (ppm)
t0 = 0h
t1 = 8h
t2 = 12h
t3 = 16h
t4 = 24h
t5 = 36h
t6 = 48h
7.78
A
B
C
δδ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
89
β
( )
( )
)mol(ˆt,tˆˆx̂
)mol(ˆt,e1x̂tˆˆx̂
)mol(ˆt,tˆˆx
)mol(ˆt,ee1x̂tˆˆx
teateac
ˆtk̂teamax
cteateac
teateac
teaˆtk̂teamax
cteateac
e
e
τ<β+α=
τ≥−+β+α=
τ<β+α=
τ≥+−+β+α=
τ−−
τ−−
teateatea
teatean
teatea
teateatea
teateatean
teatea
nnn
nnn
nnn
nnnn
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
90
+22
min teapla ee
( )( )τ−−−= ˆ48k̂teamax
cteacnet
ee1x̂x̂
β
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
91
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
92
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
93
δ δ
6.46.66.877.27.47.67.888.28.410
0
101
102
103
104
Chemical shift (ppm)
RP
1/20
6.46.66.877.27.47.67.888.28.4Chemical shift (ppm)
H 4H H H U DHPS
A
B
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
94
δ δ δ
δδ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
95
6.52 6.54 6.56ppm
t=0
6.52 6.54 6.56ppm
t=1
6.52 6.54 6.56ppm
t=2
6.52 6.54 6.56ppm
t=3
6.52 6.54 6.56ppm
t=4
6.52 6.54 6.56ppm
t=5
6.52 6.54 6.56ppm
t=6
0 10 20 30 40 500
50
100
150
200
250
Time (h)
Cu
mu
lativ
e o
utp
ut 1
0-6 m
ol
A
B
s1s4s19
s3,s10s18
s14,s7,s6s20,s11s5s16s9s13s17s15
s12,s2
s9,14s12
s8
s5s4,s10s11,s3
s19,s18s1,s16s20,s2
s13,s17s8,s6s15
s7
Tea intervention
Placebo intervention
PlaceboTea
t1 t2 t3 t4 t5 t6 t7
δ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
96
0 5 10 15 20 25 30 35 40 45 500
500
1000
1500
2000
2500
3000
3500
Time (h)
cum
ula
tive
ou
tpu
t (1
0-6
mo
l)
Subject 10 hippuric acid (black tea)
0 5 10 15 20 25 30 35 40 45 50
0
500
1000
1500
Time (h)
cum
ula
tive
ou
tpu
t (1
0-6
mo
l)
Net treatment effect
0 5 10 15 20 25 30 35 40 45 50-200
-100
0
100
200
Time (h)
cum
ula
tive
ou
tpu
t (1
0-6
mo
l)
Residuals
A
B
C
tea intervention
base level
placebo levelτ
τ
placebo
treatment
teacnet x̂
teaα̂plaα̂
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
97
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
98
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
99
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
100
τ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
101
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
102
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
103
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
104
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Phenotyping tea consumers by nutrikineti c analysis of polyphenolic end-metabolites
105
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 4
106
5Exploring the nutrikineti c processes and co-metabolome
associati ons of dietary polyphenols in humans
Ewoud J.J. van Velzen1,2,3, Johan A. Westerhuis1,3, Christi an H. Grün2,
John P.M. van Duynhoven2,3, Doris M. Jacobs2,3, Ursula Garczarek2, Paul H.C. Eilers4,
Theo P. Mulder2, Marti n Foltz2, Age K. Smilde1,3
1 Biosystems Data Analysis, Universiteit van Amsterdam, the Netherlands.
2 Unilever Research & Development, Vlaardingen, the Netherlands.
3 Netherlands Metabolomic Centre, Leiden, the Netherlands.
4 Department of Biostati sti cs, Erasmus University Medical Centre, Rott erdam, the Netherlands.
This chapter will be submitt ed for publicati on.
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
108
γ
γ
γ
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
109
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
110
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
111
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
112
β±
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
113
γ γ
θθθθ
θθθθ ηηηη
Λσ σ
ηηηηΙΙΙΙσσσσηηηηηηηηθθθθθθθθ Λ
θθθθ
θθθθ ηηηη
ΙΙΙΙ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
114
)(ηηηη
ΙΙΙΙσσσσηηηη =)( .
ˆ
( )ˆˆˆˆ
ˆˆ
ˆ
ˆˆˆ
ˆ
ˆ
ˆ ˆ
ˆ
ˆ
ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
115
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
116
ˆ ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
117
0 0.5 10
20
40
60
80
100
0 50 1000
20
40
60
80
100
0.5 1 1.50
20
40
60
80
100
0 0.5 10
20
40
60
80
100
0 0.2 0.40
20
40
60
80
100
0 0.5 10
20
40
60
80
100
0 50 1000
20
40
60
80
100
0.5 1 1.50
20
40
60
80
100
0 0.5 10
20
40
60
80
100
0 0.2 0.40
20
40
60
80
100
ˆ ˆ ˆˆˆ
A
Bμμμμ μμμμ μμμμ μμμμ μμμμ
μμμμ μμμμ μμμμ μμμμ μμμμ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
118
γ
γ
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
119
γ
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
120
γ
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
121
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
122
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
123
γ
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
124
0 5 10 15 20 25 30 350
5
10
15
20
25
30
35
40
Time (h)
C (
nm
ol.l
-1)
ˆ
ˆ
ˆ ˆ
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
125
γˆ
ˆ ˆ
ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
126
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
127
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
128
HO
CH3O O O
HO
HO O O
A B C
γ γ
0
50
100
150
200
250
300
0 20 40
AÛ
C (n
mo
l.h.l-
1 , G
W)
AÛC (nmol.h.l-1, BT)
0
200
400
600
800
1000
1200
0 200 400 600
AÛ
C (n
mo
l.h.l-1
, G
W)
AÛC (nmol.h.l-1, BT)
-1
-0,5
0
0,5
1
-1 -0,5 0 0,5 1
PC
1 (M
6)
PC1 (M2)
ˆ γγ
ˆ
γ
ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
129
ActinomycetaceaeAerococcusAeromonas
AkkermansiaAlcaligenes faecalis et rel.
Allistipes et rel.Anaerobiospirillum
AnaerofustisAnaerostipes caccae et rel.
Anaerotruncus colihominis et rel.Anaerovorax odorimutans et rel.
AneurinibacillusAquabacterium
Asteroleplasma et rel.Atopobium
BacillusBacteroides fragilis et rel.
Bacteroides intestinalis et rel.Bacteroides ovatus et rel.
Bacteroides plebeius et rel.Bacteroides splachnicus et rel.
Bacteroides stercoris et rel.Bacteroides uniformis et rel.Bacteroides vulgatus et rel.
BifidobacteriumBilophila et rel.
BrachyspiraBryantella formatexigens et rel.
Bulleidia moorei et rel.Burkholderia
Butyrivibrio crossotus et rel.Campylobacter
Catenibacterium mitsuokai et rel.Clostridia
Clostridium cellulosi et rel.Clostridium colinum et rel.Clostridium difficile et rel.
Clostridium felsineum et rel.Clostridium leptum et rel.Clostridium nexile et rel.
Clostridium orbiscindens et rel.Clostridium ramosum et rel.
Clostridium sphenoides et rel.Clostridium stercorarium et rel.Clostridium symbiosum et rel.
Clostridium thermocellum et rel.Collinsella
Coprobacillus catenaformis et rel.Coprococcus eutactus et rel.
CorynebacteriumDesulfovibrio et rel.
DialisterDorea formicigenerans et rel.
Eggerthella lenta et rel.Enterobacter aerogenes et rel.
EnterococcusEscherichia coli et rel.
Eubacterium biforme et rel.Eubacterium cylindroides et rel.
Eubacterium hallii et rel.Eubacterium limosum et rel.
Eubacterium rectale et rel.Eubacterium siraeum et rel.
Eubacterium ventriosum et rel.Faecalibacterium prausnitzii et rel.
FusobacteriaGemella
GranulicatellaHaemophilusHelicobacter
Klebisiella pneumoniae et rel.Lachnobacillus bovis et rel.
Lachnospira pectinoschiza et rel.Lactobacillus catenaformis et rel.
Lactobacillus gasseri et rel.Lactobacillus plantarum et rel.Lactobacillus salivarius et rel.
LactococcusLeminorella
Megamonas hypermegale et rel.Megasphaera elsdenii et rel.
MethylobacteriumMicrococcaceae
Mitsuokella multiacida et rel.Moraxellaceae
NovosphingobiumOceanospirillum
Oscillospira guillermondii et rel.Outgrouping clostridium cluster XIVa
Oxalobacter formigenes et rel.Papillibacter cinnamivorans et rel.Parabacteroides distasonis et rel.
Peptococcus niger et rel.Peptostreptococcus anaerobius et rel.
Peptostreptococcus micros et rel.Phascolarctobacterium faecium et rel.
Prevotella melaninogenica et rel.Prevotella oralis et rel.
Prevotella ruminicola et rel.Prevotella tannerae et rel.
PropionibacteriumProteus et rel.Pseudomonas
Roseburia intestinalis et rel.Ruminococcus bromii et rel.
Ruminococcus callidus et rel.Ruminococcus gnavus et rel.Ruminococcus lactaris et rel.Ruminococcus obeum et rel.
SerratiaSporobacter termitidis et rel.
StaphylococcusStreptococcus bovis et rel.
Streptococcus intermedius et rel.Streptococcus mitis et rel.
Subdoligranulum variable at rel.Sutterella wadsworthia et rel.
Tannerella et rel.Uncultured Bacteroidetes
Uncultured ChroococcalesUncultured Clostridiales I
Uncultured Clostridiales IIUncultured Mollicutes
VeillonellaVibrio
VictivallisWeissella et rel.
XanthomonadaceaeYersinia et rel.
C
EC
EC
G
GC
EG
C
EG
CG
Res
vera
trol
Isor
ham
netin
3/4-
OM
GA
M2
M6
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
+-
+0.63
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
130
3 5 6 8 9 0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 10
50
100
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 10
5
10
x 104
B
ˆ
0
10
20
0
10
200
5
10
15
20
0
10
20
0
10
200
5
10
15
20
0
10
20
0
10
200
5
10
15
20
0
10
0
10
200
5
10
15
20
A B C D
BT BT BT BTGW GW GW GW
C. Leptum et rel. Propionibacterium R. bromii et rel. S. termitidis et rel.
r = 0.75p <0.001
r = 0.72p <0.001
r = 0.68p <0.001
r = 0.71p <0.001
ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
131
)B(ak
)A(ak
)C(1ak
)B(elk
)C(2ak
)C(1elk
)C(2elk
)A(elk
= catechins, 3/4 OMGA, isorhamnetin
= γ-valerolactones
= resveratrol
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
132
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
133
± ˆ ˆ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
134
ˆ ˆ
0
50
100
150
200
250
300
1
0
50
100
150
200
250
300
2
0
20
40
60
80
100
120
140
1
0
20
40
60
80
100
120
140
2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
2
0
0.5
1
1.5
2
2.5
3
3.5
4
1
0
0.5
1
1.5
2
2.5
3
3.5
4
2
0
0.5
1
1.5
2
1
0
0.5
1
1.5
2
2
0
0.5
1
1.5
2
2.5
3
1
0
0.5
1
1.5
2
2.5
3
2
BT BT BT BT BT BT
GW GW GW GW GW GW
AUC(nmol.h.L-1)
AUC(nmol.h.L-1)
cmax(nmol.L-1)
cmax(nmol.L-1)
k1/2(a)(h)
k1/2(el)(h)
lag
(h)tmax(h)
k1/2(a)(h)
k1/2(el)(h)
lag
(h)tmax(h)
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
135
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
136
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
137
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
138
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Exploring the nutrikineti c processes and co-metabolome associati ons of dietary polyphenols
139
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 5
140
Nutrikineti cs and Nutridynamics:
Summary, concluding remarks, outlook
E.J.J. van Velzen1,2,3
, J.A. Westerhuis1,3
, J.P.M. van Duynhoven2,3
, A.K. Smilde1,3
1Biosystems Data Analysis, Swammerdam Insti tute for Life Sciences, Universiteit van Amsterdam, Nieuwe
Achtergracht 166, 1018 WV Amsterdam, The Netherlands
2Unilever Research and Development, Olivier van Noortlaan 120, 3133 AT Vlaardingen, The Netherlands.
3Netherlands Metabolomics Centre, Leiden, The Netherlands.
This chapter will be submitt ed for publicati on.
This chapter is based on: van Duynhoven, J., Vaughan, E.E., Jacobs, M., Kemperman, A., van Velzen, E.J.J.,
Gross, G., Roger, L.C., Possemiers, S., Smilde, A.K., Doré, Joël., Westerhuis, J.A., & Van de Wiele, T. (2010),
Proceedings of the Nati onal Academy of Sciences., online, doi: 10.1073/pnas.1000098107.
6
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
142
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs and Nutridynamics: Summary, concluding remarks, outlook
143
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
144
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs and Nutridynamics: Summary, concluding remarks, outlook
145
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
146
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs and Nutridynamics: Summary, concluding remarks, outlook
147
γ
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
148
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs and Nutridynamics: Summary, concluding remarks, outlook
149
Upp
er t
ract
Co
lon
Liv
er
Blo
od
Org
ans
COOH
OH
HO OH
GA
COOH
OH
HO OH
GAOH
HO OH
3/4-OMGA
Pg
OSO3H
HO OH
sPg
= urine (in vivo)= blood (in vivo)= gut model
Nutrikinetics in human system
= tentative
Gallates
Uri
ne
PolymericConjugated Monomeric
OHO
OH
OH
OH
OH
HO
OH
OH
OO
COOH
OH
HO OCH3
3/4-OMGA
sPg
OSO3H
HO OH
GA
COOH
OH
HO OCH3
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
150
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs and Nutridynamics: Summary, concluding remarks, outlook
151
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
152
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs and Nutridynamics: Summary, concluding remarks, outlook
153
probiotic / prebiotic supplementation
polyphenol intervention
SBP
-10 -5 0 5-1.5
-1
-0.5
0
0.5
1
1.5
PC1
PC
2
Multilevel PCA
1
1
2
2
3 4 5 6
3 4 5 6
1-3
4
5
6
Time
Time
Time
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
inta
ke
Strong effecton SBP
No effecton SBPblue markers: low dose
red markers: high dose
mm
Hg
Die
tary
trea
tmen
tN
utri
kin
etic
read
out
Eff
ect
Su
mm
ary
of N
utri
kin
etic
/Nut
ridyn
amic
resp
onse
s
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
154
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs and Nutridynamics: Summary, concluding remarks, outlook
155
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
156
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikineti cs and Nutridynamics: Summary, concluding remarks, outlook
157
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Chapter 6
158
Publications
P
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Publications
160
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Publications
161
Grun, C.H., van Dorsten, F.A., Jacobs, D.M., Le Belleguic, M., van Velzen, E.J.J.,
Bingham, M.O., Janssen, H.G., & van Duynhoven, J.P.M. (2008). GC-MS methods
for metabolic profiling of microbial fermentation products of dietary polyphenols
in human and in vitro intervention studies. Journal of Chromatography B-Analytical
Technologies in the Biomedical and Life Sciences, 871(2), 212-219.
Jacobs, D.M., Deltimple, N., van Velzen, E., van Dorsten, F.A., Bingham, M., Vaughan,
E.E., & van Duynhoven, J. (2008). H-1 NMR metabolite profiling of feces as a tool
to assess the impact of nutrition on the human microbiome. NMR in Biomedicine,
21(6), 615-626.
Peters, S., van Velzen, E., & Janssen, H.G. (2009). Parameter selection for peak
alignment in chromatographic sample profiling: objective quality indicators and use
of control samples. Analytical and Bioanalytical Chemistry, 394(5), 1273-1281.
van Dorsten, F.A., Grun, C.H., van Velzen, E.J.J., Jacobs, D.M., Draijer, R., & van
Duynhoven, J.P.M. (2010). The metabolic fate of red wine and grape juice polyphenols
in humans assessed by metabolomics. Molecular Nutrition & Food Research, 54(7),
897-908.
van Duynhoven, J., van Velzen, E., Gross, G., van Dorsten, F., Jacobs, D., Bingham,
M., Draijer, R., Mulder, T., Koning, T., Vaughan, E., van der Wiele, T., Westerhuis, J., &
Smilde, A. (2009). NMR-Based Metabonomics Approaches for the Assessment of the
Metabolic Impact of Dietary Polyphenols on Humans. Magnetic Resonance in Food
Science: Challenges in A Changing World, Royal Society of Chemistry, 20-28.
van Duynhoven, J. P. M., Haiduc, A., van Dorsten, F., & van Velzen, E. (2007), NMR in
foods: The industrial perspective. Royal Society of Chemistry, 310, 1-11.
van Duynhoven, J., Vaughan, E.E., Jacobs, M., Kemperman, A., van Velzen, E.J.J., Gross,
G., Roger, L.C., Possemiers, S., Smilde, A.K., Dore, J., Westerhuis, J.A., & Van de Wiele,
T. (2010). Metabolic fate of polyphenols in the human superorganism. Proceedings of
the National Academy of Sciences., online, doi: 10.1073 / pnas.1000098107.
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Publications
162
Svan Duynhoven, J.P.M, van Velzen, E.J.J., Jacobs, D.M., van Dorsten, F.A. (2007). NMR-
based Nutritional Metabonomics. GIT Laboratory journal, 11(5-6), 35-37.
van Velzen, E.J.J., Westerhuis, J.A., van Duynhoven, J.P.M., van Dorsten, F.A., Grun,
C.H., Jacobs, D.M., Duchateau, G.S.M.J., Vis, D.J., & Smilde, A.K. (2009). Phenotyping
Tea Consumers by Nutrikinetic Analysis of Polyphenolic End-Metabolites. Journal of
Proteome Research, 8(7), 3317-3330.
Van Velzen, E.J.J., Westerhuis, J.A., Hoefsloot, H.C.J., & Smilde, A.K. (2009).
Data analysis strategies in nutritional metabolomics. GIT laboratory journal, 13(1-2),
17-19.
van Velzen, E.J.J., Westerhuis, J.A., van Duynhoven, J.P.M., van Dorsten, F.A.,
Hoefsloot, H.C.J., Jacobs, D.M., Smit, S., Draijer, R., Kroner, C.I., & Smilde, A.K. (2008).
Multilevel data analysis of a crossover designed human nutritional intervention
study. Journal of Proteome Research, 7(10), 4483-4491.
Westerhuis, J.A., Hoefsloot, H.C.J., Smit, S., Vis, D.J., Smilde, A.K., van Velzen, E.J.J.,
van Duijnhoven, J.P.M., & van Dorsten, F.A. (2008). Assessment of PLSDA cross
validation. Metabolomics, 4(1), 81-89.
Westerhuis, J.A., van Velzen, E.J.J., Hoefsloot, H.C.J., & Smilde, A.K. (2008).
Discriminant Q2 (DQ2) for improved discrimination in PLSDA models. Metabolomics,
4(4), 293-296.
Westerhuis, J.A. 1, van Velzen, E.J.J.1, Hoefsloot, H.C.J., & Smilde, A.K. (2010).
Multivariate paired data analysis: multilevel PLSDA versus OPLSDA. Metabolomics,
6(1), 119-128.
1 Contributed equally to this work.
Nutrikinetiek en Nutridynamiek:
Samenvatting, conclusies en toekomstperspectieven
E.J.J. van Velzen
Deze samenvatting is gebasseerd op hoofdstuk 6.
S
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
164
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
165
Inleiding. Het doel van nutrikinetiek is het beschrijven van de absorptie, distributie,
metabolisme en excretie (ADME) van voedingsmiddel componenten in het
humane ‘superorganisme’. In recent uitgevoerde nutritionele studies wordt de rol
van nutrikinetiek steeds belangrijker. Het levert kwantitatieve informatie over de
onderliggende dynamische processen en effecten van functionele voeding. Daarbij is
het een waardevolle aanvulling op de huidige nutritionele metabolomics studies die
gericht zijn op het analyseren van statische effecten.
De bijdrage van nutrikinetiek is essentieel om de complexe co-metaboloom
interacties in biologische systemen (zoals het humane superorganisme) te kunnen
karakteriseren. Het kan worden beschouwd als een belangrijke intermediaire
discipline tussen metabolomics en systeem biologie. Nutrikinetiek komt conceptueel
en mathematisch gezien sterk overeen met farmacokinetiek. Echter, wanneer
nutritionele studies wordt geanalyseerd en geïnterpreteerd moet sterk rekening
worden gehouden met de eigenschappen (experimentele design) en de beperkingen
(subtiliteit van de effecten) van de gegenereerde data. Dit rechtvaardigt dan
ook de implementatie van nutrikinetiek als een nieuw toepassingsgebied van
farmacokinetiek.
In deze samenvatting worden de belangrijkste aspecten van nutrikinetiek
bediscussieerd. Echter, nieuwe systeem informatie is nodig om de metabole effecten
van voeding in het humane superorganisme beter te kunnen begrijpen en te
modelleren. De ontwikkeling van 2de generatie nutrikinetische modellen, evenals de
ontwikkeling van nutridynamiek zijn essentieel om te kunnen anticiperen op deze
nieuwe behoeften. De 2de generatie modellen zijn nodig voor het karakteriseren en
parameteriseren van multi-compartimentele interacties. Nutridynamiek daarentegen
is sterk gerelateerd aan nutrikinetiek en richt zich specifiek op het onderzoeken
van dosis-effect relaties, het meten van ‘homeostatische resilience’ in gezonde
individuen, en farmacometabonomics.
Definitie en eigenschappen. In hoofdstuk 1 is nutrikinetiek gedefinieerd als “het
applicatie gebied van farmacokinetiek dat de absorptie, distributie, metabolisme and
excretie (ADME) van voeding of voedingssupplementen in het humane superorganisme
bestudeert, waaronder de interacties tussen de gastheer metaboloom (=host) en
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
166
de darm microbioom (=microbiota)”. In dit hoofdstuk is de nadruk gelegd op de
verschillen tussen voedingsstudies en farmastudies. De vergelijking richt zich hier
voornamelijk op de verschillen in effect groottes, basislijn niveaus, en de beschikbare
kennis op het gebied van metabole degradatie routes, de opname en verspreiding
door het lichaam en ook de (beoogde) gezondheidseffecten. Afhankelijk van het
onderliggende studie design, kan in nutrikinetiek ook specifiek gebruik worden
gemaakt van aangepaste kinetische modellen en modelleringsmethoden. Tevens is
er een belangrijke rol weggelegd voor metabolomics, darm microbioom metabolisme
and nutrikinetische fenotypering (op basis van nutrikinetische signaturen).
Een belangrijke eigenschap van nutrikinetiek is dat het zogenaamde
nutrikinetische signaturen oplevert. Een nutrikinetische signatuur is een beknopte,
kwantitatieve beschrijving van de verspreiding van voedingsmiddelcomponenten
(en de gegenereerde metabolieten) in het humane superorganisme. Het kan worden
beschouwd als een functionele uitlezing van de microbiële omzettingscapaciteit van
een bepaald individu. Zoals ook in hoofdstukken 4 en 5 wordt beschreven, geven
de nutrikinetische signaturen direct inzicht in de tussen-persoon variatie binnen
een humane test populatie. Het inzichtelijk maken van deze tussen-persoon variatie
is belangrijk om de uiteindelijke werking en de effectiviteit van een nutritionele
interventie te kunnen inschatten.
Tussen-persoon variatie. Op basis van de nutrikinetische signaturen is het ook
mogelijk om nutritionele fenotypen binnen een studie populatie te onderscheiden.
Dit is in hoofdstuk 4 uitgewerkt aan de hand van de uitscheidingsprofielen
(excretiecurven) van hippuurzuur, 4-hydroxyhippuurzuur en 1,3-dihydroxyfenyl-2-O-
sulfaat in urine na een eenmalige toediening van zwarte thee. Deze geïdentificeerde
componenten zijn welbekende fenolische metabolieten van polyfenolen en de
eindproducten van een complexe microbiële degradatieroute in de darmen. De
uitscheidingsprofielen die van 20 mannelijke vrijwilligers zijn opgenomen variëren
daarin erg sterk, met name de vertragingstijd, de uitscheidingssnelheid en de totale
(absolute) uitgescheiden hoeveelheid. Variaties in excretieprofielen kunnen daarom
wijzen op de aanwezigheid van snel en langzaam responderende fenotypen, snelle
en langzame metaboliseerders, en sterke en zwakke metaboliseerders. De essentie
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
167
om tussen-persoon variatie in nutritionele studies te bestuderen is ook beschreven
in hoofdstuk 3. In hoofdstuk 3 is dezelfde humane interventie studie gerapporteerd
als in hoofdstuk 4. Echter, in plaats van de tijdsopgeloste (dynamische) metingen, is
48-uurs (verzamel)urine gebruikt om de (statische) metabole impact van zwarte thee
polyfenolen te onderzoeken. Gebaseerd op de totaal uitgescheidde hoeveelheid
van twee microbiële eind-metabolieten in urine kunnen daarbij twee fenotypische
subgroepen in de test populatie worden onderscheiden. Deze waarneming geeft
aan dat zelfs een vrij homogene test groep in een goed gecontroleerde studie toch
verschillend kan reageren op een voedingsinterventie.
Multilevel analyse. In hoofdstuk 2 is een gepaarde studie geraporteerd waarin de
tussen-persoon variatie is onderzocht na inname van een een andere polyfenol-rijke
compositie (een gemengd extract van rode wijn en druiven). Over het algemeen
zijn de waargenomen metabole effecten klein, subtiel, divers, en zelfs afwezig
in ongeveer 22% van de studie populatie. Toch zijn we in staat geweest om de
belangrijkste bronnen van variatie in de data te identificeren. In de variatie analyse
zijn daarbij twee niveau’s onderscheiden, (1) de netto variatie ten gevolge van de
nutritionele interventie (binnen-persoon variatie), en (2) de intrinsieke variatie
tussen individuen (tussen-persoon variatie). Voor de gescheiden analyse van deze
bronnen van variatie is gebruik gemaakt van ‘multilevel analyse’ en kan worden
beschouwd als de multivariate extensie van de gepaarde (univariate) t-test. Multilevel
analyse is toegepast om de gepaarde data structuur van deze 2-weg gekruisde
studie te onderzoeken. Ten opzichte van traditionele multivariate aanpakken als
PLSDA (hoofdstuk 2) en OPLSDA (hoofdstuk 3) heeft het opsplitsen van de totale
variatie geresulteerd in een verbeterde identificatie en significatie van de meest
belangrijke urine metabolieten (‘biomarkers’). De toepassing van multilevel analyse
is voornamelijk belangrijk in gekruisde nutritionele studies waar de tussen-persoon
variatie vaak veel groter is dan de binnen-persoon variatie.
Net zoals in elke andere (multivariate) statistische toepassing is het essentieel
dat het multivariate model goed wordt gevalideerd. Dubbele kruisvalidatie (2CV),
gekruisde model validatie (CMV) en permutatie testen zijn hiertoe uitgebreid
onderzocht, geëvalueerd en toegepast. Zoals beschreven in hoofdstukken 4 en 5
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
168
kan ook het gebruik van negatieve controles helpen om de resultaten (biologisch) te
valideren (bijvoorbeeld door gebruik te maken van niet-gerelateerde, onafhankelijke
metabolieten welke niet worden beïnvloed door de nutritionele interventie).
Aandachtspunten en verbeteringen van multilevel analyse. Tot op heden worden
multilevel analyse en permutatie testen nog niet veel gebruikt in nutritionele studies.
In dit analysetraject zijn diverse factoren van invloed op het eindresultaat; (a) de
datavoorbewerking (normalisatie, schaling), (b) het gebruik van variabelen selectie
technieken, (c) de kruisvalidatie (1CV, 2CV, CMV) en (d) de toegepaste classificatie
criteria (AUROC, het aantal misclassificaties, Q2, DQ2). Het voordeel van deze
flexibele aanpak is dat multilevel analyse exact (en op rationele gronden) kan worden
toegesneden op de biogische vraag en/of het analytische experiment. Het nadeel is
echter dat de eigenschappen en de uitwerking van veel van deze model variabelen
nooit goed is onderzocht in een metabolomics experiment. Ondanks dat er wel
enige relevante onderzoeken op dit gebied zijn gerapporteerd, is er nog steeds een
sterke behoefte naar een goed doorgronde en volledige evaluatie. Dit aanvullende
onderzoek kan helpen om de kracht en de toepasbaarheid van multilevel analyse
verder te verbeteren, en kan ook leiden tot het opstellen van beslissingsregels en
standaarden voor verschillende metabolomics experimenten.
Naast de mathematische aspecten van multilevel analyse zijn ook meer
gedetailleerde nutritionele studies nodig om nieuwe, aanvullende systeem informatie
te kunnen genereren. De onderliggende experimentele designs van deze studies
moeten daarbij vooral aansluiten bij de huidige behoeften aan (1) biologische validatie
van nutritionele biomarkers en de bijbehorende nutrikinetische eigenschappen in
humane populaties, en (2) de kwantitatieve analyse van de verschillende bronnen
van variatie (en hun interactie effecten) in (herhaalde) nutritionele studies. Deze
aspecten zullen in de planning van toekomstige interventie studies in overweging
moeten worden genomen om een volgend detailniveau in nutritioneel onderzoek te
kunnen verwezelijken.
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
169
Interpretatie van metabolomics data. In veel nutritionele metabolomics studies
worden de metabole effecten van voedingsmiddel interventies onderzocht met
behulp van multivariate methoden zoals PLS, OPLS, PLSDA of multilevel PLSDA. In deze
discriminatie methoden wordt over het algemeen een overeenkomstig nutritioneel
effect verondersteld voor alle individuen. Vaak word dan gebruikt gemaakt van
kruisvalidatie en permutatie testen om de statistische significantie van het nutritionele
effect te kunen bepalen, bij voorkeur op het α=0.05 betrouwbaarheidsniveau.
Deze veelgebruikte metabolomics aanpak staat echter haaks op de vele studies
die tussen-persoon variaties laten zien na een nutritionele interventie. Ondanks
dat tussen-persoon variatie een herkenbare en geaccepteerde factor is in veel
nutritioneel onderzoek is, wordt het tot nu toe vrijwel volledig genegeerd in de
analyse en interpretatie van nutritionele metabolomics data. Het gebruik van
alternatieve data analyse technieken en classificatie methoden zijn daarom nodig
om beter te kunnen anticiperen op tussen-persoon variatie en de aanwezigheid van
verschillende nutritionele fenotypen.
Een functioneel alternatief om interventie data beter te kunnen bestuderen en
te interpreteren wordt beschreven in hoofdstuk 6 (sectie nutridynamics). In een
hypothetische interventie studie zijn de veranderingen in nutrikinetische signatures
in kaart gebracht aan de hand van een multilevel PCA score plot (hoofdstuk 6, figuur
2). De verschillende effecten als functie van tijd, dosis en individu zijn geidentificeerd
en gevisualiseerd zonder daarbij gebruik te maken van voorkennis van het beoogde
metabole effect. The intentie van deze empirische aanpak is om (a) de belangrijkste
biologische effecten van de nutritionele interventie te kunnen identificeren, en (b) de
verschillende nutritionele fenotypen te kunnen onderscheiden.
Ondanks dat het geciteerde voorbeeld refereert aan een nutrikinetisch/
nutridynamisch (NK/ND) experiment kan dit hypothetische concept ook worden
gebruikt om lange-termijn veranderingen in nutritionele metabotypen (biologische
systemen) te evalueren (door gebruik te maken van metabole profielen en metabole
trajecten, hoofdstuk 6).
De inschatting is dat tijdstrajecten afkomstig van dynamische of statische
nutritionele metabolomics studies een informatief en gedetailleerd beeld kunnen
geven van de diverse metabole of nutrikinetische veranderingen op het individuele
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
170
niveau. Ook kan een goed beeld worden verkregen van de tussen-persoon variatie
en de invloed van factoren individu, dosis en tijd. Het gebruik van tijdstrajecten lijkt
een haalbaar en realistisch alternatief voor de huidige multivariate discriminatie
technieken.
Populatie gebasseerde modellering. Afhankelijk van de nutrikinetische studie kunnen
specifieke aanpassingen op het parameter model en de modelleringsmethode nodig
zijn. Om die reden zijn de huidige onwikkelingen binnen nutrikinetiek niet alleen
gericht op de analyse en parameterisering van individuele tijdscurven; nutrikinetiek
richt zich tevens op populatie gebasseerde methoden. Zoals beschreven in hoofdstuk
5 is populatie gebasseerde modellering toegepast op spaarzaam beschreven
concentratie-tijd curves van geselecteerde fenolische componenten in bloedplasma
na een enkelvoudige dosering van zwarte thee en een gemengd extract van rode
wijn en druiven. Ondanks de lage plasma concentraties, de beperkingen in de
data en ook de tussen-persoon variatie, zijn de populatie modellen goed in staat
om de (individuele) concentratie-tijd curves te beschrijven. Uit de karakteristieken
van de plasma curves kunnen drie belangrijke nutrikinetische processen worden
onderscheiden, (1) de onvertraagde, snelle absorptie van catechines, isorhamnetine
en 3/4-O-methylgallic acid, (2) de bi-fasische absorptie van resveratrol, en (3) de
vertraagde absorptie van twee microbiële metabolieten; g-valerolactonen M2
and M6. Ook is geconstateerd dat de invloed van de zwarte thee en de druiven/
wijn matrix op de nutrikinetiek van de (poly)fenolische componenten beperkt is.
Een andere belangrijke observatie is dat de bloed concentraties van de microbiële
metabolieten M2 en M6 sterk ahankelijk is van het individu. Deze waarneming
wijst op tussen-persoon variatie in omzettingscapaciteit van de darm bacteriën. De
tussen-metaboloom associaties tussen de host metaboloom en de darm microbioom
zijn verder onderzocht met behulp van 3-weg Spearman’s correlaties. Op basis van
deze 3-weg correlaties kan worden waargenomen dat veranderingen in M6 positief
zijn gecorreleerd met enkele bacterie-families uit de Clostridium and Actinobacteria
clusters.
Deze betreffende bacterieën kunnen worden beschouwd als de functionele
elementen van de darm microbioom die van grote invloed zijn op het metabolisme,
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
171
de nutrikinetiek, de biobeschikbaarheid en zodoende ook de potentiele
gezondheidseffecten van polyfenolen in het humane superorganisme. Toekomstige
nieuwe studies zijn echter essentieel om om de tussen-metaboloom interacties, de
degradatie routes en de potentiele bioactiviteit van polyfenolen verder te ontrafelen.
Multicompartmentele analyse. De huidige generatie nutrikinetische modellen zijn
vooral toegespitst op het analyseren en parameteriseren van één-compartiment
systemen. Deze zijn gedefinieerd als de 1ste generatie modellen (hoofdstuk 1).
Zoals beschreven in hoofdstuk 6 is het echter noodzakelijk dat ook 2de generatie
nutrikinetische modellen worden onwikkeld voor de analyse van multicompartimentele
(tussen-metaboloom) interacties (hoofdstuk 6). Deze multicompartimentele
interacties kunnen vaak niet volledig worden gekarakteriseerd op basis van de
resultaten verkregen uit in vivo nutritionele studies. Aanvullende kennis is nodig
om betrouwbare schattingen te krijgen van de systeem eigenschappen. Deze
aanvullende kennis kan bijvoorbeeld worden verkregen uit in vitro nutrikinetische
experimenten met humane microbiota en uit studies met test dieren. De integratie
van in vivo nutrikinetische data (nutrikinetische signatures) en kennis verkregen uit
in vitro experimenten en dier studies vereisen specifieke mathematische methoden,
zoals grijze modellering, om een multicompartimentele beschrijving van het
biologische model te reconstrueren. Deze modelleringsvorm is echter niet triviaal
en moet verder worden ontwikkeld (en gevalideerd) voor toepassing in toekomstige
nutritionele multicompartimentele studies.
Homeostatische challenge testen. Een belangrijk aspect in NK/ND studies is dat
voedingsinterventies over het algemeen te maken hebben met sterk gereguleerde
homeostatische systemen van gezonde individuen. De consequentie is dat de huidige
analyse methoden vaak niet gevoelig genoeg zijn om de grote diversiteit aan kleine,
subtiele effecten te detecteren.
Homeostatische challenge testen kunnen wellicht toegepast worden om het
effect van voeding in gezonde individuen te onderzoeken. Het fundamentele idee
achter de homeostatische challenge test is om een kwantitatieve uitlezing van de
individuele gezondheidsstatus te verkrijgen door specifieke gezondheidsaspecten te
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Nutrikinetiek en Nutridynamiek: Samenvatting, conclusies en toekomstperspectieven
172
Averstoren Het vermogen om deze verstoringen op te vangen zonder daarbij uit de
gereguleerde homeostatische/allostatische toestand te geraken is hierbij indicatief
voor de gezondheidstoestand van een individu.
De toepassing van NK/ND, alsmede de essentiele rol van nutrikinetische
signaturen, lijkt onbetwistbaar in deze challenge testen. Dit zal echter sterk afhangen
van de effect groottes en de kwaliteit van de nutrikinetische profielen.
Acknowledgments
A
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Acknowledgments
174
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Acknowledgments
175
About 23 years ago nobody would have predicted me doing a PhD in the field of
biosystems data analysis when I just started my intermediate vocational study in
analytical chemistry. But as usual, things will take a turn. It all started in 2006 when
four collaborating partners (including Unilever and the UvA) acquired a European
grant, the so called Marie Curie Host Fellowship for the Transfer of Knowledge (ToK).
These leading European partners initiated a systems biology project that focussed
on the complex host-microbiota interactions in humans, and offered me a unique
possibility to start a PhD trajectory on this subject. The decision to start this new
adventure within this challenging project was relatively easy, as it perfectly fitted
my field of interest. Right now I am extremely thankful and privileged that I got this
opportunity.
With the completion of this thesis, the doctoral research period has now come
to an end. This would not have been possible without the support and help of my
promotores, my colleagues at the UvA and Unilever and of course my friends and
family. I greatly appreciate that I got the chance from Karin and Jill to complete this
PhD period in Amsterdam, even though it was not always easy to find a good and
honest balance with our social life. Without their unconditional support, patience
and understanding it would have been a mission impossible. Pa, ma, Miranda, Ingrid,
Johan, Melissa en Rick, ook jullie bedankt voor de oprechte steun en belangstelling
in de afgelopen jaren.
My promoter Age Smilde I sincerely thank for all the scientific support, the insights
and inspiring discussions about multilevel analysis, nutrikinetics and population
statistics, as well as for the many valuable idea’s, instructions and strategy’s for
handling complex data analysis problems. Without these essential contributions it
would not have been possible for me to incorporate the mathematical solutions into
the appropriate biological/metabolomics context. His commitment and enthusiasm
were contagious and characteristic, and inspired me to explore new insights and
analysis approaches throughout the PhD period.
I thank my co-promoter Johan Westerhuis for his enthusiastic, inspiring,
indefatigable and instructive supervision, understanding and patience. There was
hardly a moment when there was no time for a constructive and profound discussion
about data structures, analysis/validation approaches or new concepts to measure
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R32
R33
R34
Acknowledgments
176
and monitor health in humans. Johan furthermore provided me the valuable insight
that the development of new methods is only part of the research. Besides the close
scientific interactions, I also enjoyed our golf matches. Even though I am not as
talented for this sport as Johan is, I really look forward for the next golf match!
I also would like to thank all team members that participated in the ToK project:
Elaine Vaughan, Rober Kemperman, John van Duynhoven, Laure Roger, Doris Jacobs,
Joël Doré, Sam Possemiers, Massimo Marzorati, Tom van de Wiele and Selin Bolca.
It is realy with great pleasure that I look back on the past four years. Thank you all
for the generated knowledge, the enriching experiences/discussions and of course
the pleasurable social interactions. I am very proud that all our efforts led to a joint
publication in PNAS.
I thank my Unilever colleagues Doris Jacobs, Ferdi van Dorsten, and Ursula
Garczarek for improving my overall understanding of biological systems, (bio-)
analytical methodologies, and mathematical methods. In the many scientific
discussions we often succeeded to find rational metabolomics-based solutions for
analysing and interpreting my data. Their guidance, vision and enthusiasm were both
motivating and instructive. Without their help this thesis would not have appeared in
this form. In this context I also greatly acknowledge Christian Grün and Sonja Peters
for their enormous contributions in the analysis, processing and interpretation of
the chromatographic data. Even though these processes where not straightforward
and time-consuming, I could always rely on their help and support. Also beyond this
doctoral research their knowledge and support are essential to reach a next level of
systems analysis.
I like to thank Huub Hoefsloot, Paul Eilers, Martin Foltz, Pieter van de Pijl
and Guus Duchateau for their extensive scientific support and providing me the
necessary mathematical and pharmacological guidelines for analysing, validating and
interpreting the metabolomics data. Thea Koning, Leon Frenken and Theo Mulder
are acknowledged for initiating and designing the intervention studies as well as for
their financial support.
I also would like to thank all Unilever and UvA colleagues for the pleasant
atmosphere and support during my PhD period: Adrian, Age, Andrew, Antoine,
Boudewijn, Christian G., Christian I., Chengjian, Daniel, Diana, Doris, Edoardo, Eli, Eva,
R1
R2
R3
R4
R5
R6
R7
R8
R9
R10
R11
R12
R13
R14
R15
R16
R17
R18
R19
R20
R21
R22
R23
R24
R25
R26
R27
R28
R29
R30
R31
R32
R33
R34
Acknowledgments
177
Ferdi, Filipe, Gert-Jan, Gooitzen, Hans-Gerd, Huub, Janko, Jeroen, John, Johan, Jos,
Kilian, Maikel, Marcel, Monique, Niels, Olja, Patricia, Rebecca, Robert, Ruud, Serge,
Sonja, Suzanne, Tunahan and Wilma. Without your kindness, help, understanding
and support it would have been impossible for me to complete this PhD period.
Furthermore, I would like to thank all the people, who contributed in one way or
another to this thesis, but have not been mentioned.
Daniel and Ferdi, I am happy and grateful for being my paranimpf on the ceremony.
I will never forget your special involvement and interest in my work, but also for your
mental support during some heavy periods.
I am greatly owe much gratitude to John van Duynhoven. Therefore I would like to
dedicate this last paragraph to him. As I work together with John for almost 20 years
now, he always have been an important scientific mentor, director, and stimulator
for me. Besides that, he initiated and designed the ToK initiative; hence my doctoral
research would not have been possible without the vision, energy and effort of John.
I once more would like to thank him for that, as well as the offered opportunity
to discuss and explore the many topics in mathematics, statistics, pharmacology,
microbiology and metabolomics. This makes that I am still very enthusiastic,
motivated and exited to continue working with John at Unilever. Finally I would like
to congratulate him with his well-deserved professorship!
Nutrikinetics
Ewoud van Velzen
Nutrikineti
cs Ew
oud van Velzen
Uitnodiging
voor het bijwonen van
de openbare verdediging
van het proefschrift
Nutrikinetics
Dinsdag 30 november 2010
om 10.00 uur
Agnietenkapel op de
Oudezijds Voorburgwal 231
in Amsterdam
Na afloop van de ceremonie
is er een receptie.
Vervolgens is er na afloop van
de receptie van 12:30 tot 14:00
een besloten lunch.
Vanaf 19:30 is iedereen
uitgenodigd om de promotie
te vieren. Dit feest is voor
iedereen open.
ParanimfenDaniël Vis
Ferdi van Dorsten
Ewoud van Velzen
Oranjelaan 12
3135 ZN Vlaardingen
010-4743497
Eduwardus Jacobus Johannes (Ewoud) van Velzen was born on the 1st of
June 1968 in Leiden, the Netherlands. After finishing his senior general
secondary education in Bemmel, he moved to Arnhem, and later to Deventer,
to study analytical chemistry. In 1991 he finished the secondary vocational
education at the Hogeschool Interstudie and in 1994 he received his bachelor degree at the
Hogeschool IJsselland. In the following year he started working at the University of Twente
in Enschede where he gained technical expertise and knowledge of applied NMR and GC-
MS techniques. After successfully finishing this first year, he found a new challenge and
decided to work as a computer programmer at Cap Gemini in Utrecht. After a short trainings
trajectory, he was seconded to the ING bank in Amsterdam where he contributed in a (long-
term) software-based maintenance program related to the “Year 2000” problem. However,
his strong affection with the analytical laboratory decided him to start a new career at
the Research and Development laboratory of Unilever in Vlaardingen. In 1996 he moved
to Vlaardingen and started as a food and detergent researcher within the spectroscopic
department. In 9 years time he became fully operational in various analytical expertise
areas including High Resolution NMR, FTIR, (FT)NIR, XRF, AAS, CD, UV-VIS etc. Captivated
by the scientific challenges involving the chemometric data analysis, in 2005, he focussed
on a rather new, promising and expanding bioanalytical research field called metabolomics.
The initial successes and perspectives of metabolomics within Unilever led to a new joint
initiative with some leading European partners. This European project allowed him to obtain
a PhD degree at the University of Amsterdam which resulted in the writing of this thesis. To
date he still works as a metabolomics researcher at Unilever in close collaboration with the
University of Amsterdam. His main focus is to investigate the dynamic and static effects of
food interventions (including gut microbial metabolism) within the human superorganism.
![STABILITY OF OPEN FILTER STRUCTURES · 2017. 1. 1. · [1960], Haverhoek [1968], Wouters [1982], Konter et al. [1990], Van Huijstee and Verheij [1991] and Van Velzen [2012]). The](https://img.pdfslide.us/doc/110x75/60e3fa457c14d31b4238fdbf/stability-of-open-filter-structures-2017-1-1-1960-haverhoek-1968-wouters.jpg)
