代谢组学主要研究的是作为各种代谢路径的底物和产物的小分子代谢物（MW<1000）。其样品主要是血浆或者血清、尿液、唾液、以及细胞和组织的提取液，以及细胞和组织的提取液。主要技术手段是核磁共振仪（NMR）、液相色谱质谱联用（LC-MS）、气相色谱质谱联用（GC-MS）、色谱（HPLC、GC）等。通过检测一系列样品的谱图，再结合化学模式识别方法，可以判断出生物体的病理生理状态，基因的功能，药物的毒性和药效等，并有可能找出与之相关的潜在生物标记物（potential biomarkers）。

代谢组学分析产生的是信息含量丰富的多维数据，因此充分运用化学计量学原理和多元统计分析新方法，对采集的多维海量原始信息进行压缩降维和归类分析，从中有效挖掘出有用信息，对代谢组学分析结果的最终解释至关重要。目前在代谢组学中运用较多的，包括主成分分析（Principal component analysis, PCA）、层次聚类分析（Hierarchical clustering analysis, HCA）等非监督分类方法，以及偏最小二乘法-判别分析（Partial least squares projections to latent structures- discriminant analysis, PLS-DA）、正交偏最小二乘法-判别分析（Orthogonal projections to latent structures- discriminant analysis, OPLS-DA）、神经网络（Neural network clustering, NN）等监督分类方法，其中PCA、PLS-DA和OPLS-DA最为常用和有效。

PCA是将一组观测的可能相关变量，通过正交变换转换为线性不相关变量（即主成分）的统计方法。PLS-DA将多维数据在压缩前先按需要寻找的差异因素分组，这样可以找到与用于分组的因素最相关的变量，而减少一些其它因素的影响。这种有监督的分析方法会预先设定Y值来进行目标分类和判别，它有两个作用：一是能很好地模拟X和Y两个矩阵，二是能分析X和Y之间的关系。OPLS-DA是PLS-DA的衍生算法，与PLS-DA相比，OPLS-DA是结合了正交信号矫正（OSC）和PLS-DA两个方法，能够将X矩阵信息分解成与Y相关和不相关的两类信息，通过去除不相关的差异，相关的信息就集中表现在第一个预测成分（predictive component）。