Perinatální asfyxie, jakožto závažná porucha výměny krevních plynů a perfúze tkání, zásadně ohrožuje prognózu novorozence z hlediska přežití a také kvality jeho dlouhodobého vývoje. Metabolomika je vědní obor, který se zdá být velmi slibným nástrojem k získávání informací v neonatologii. V literárním přehledu této práce byly zpracovány aktuální poznatky o perinatální asfyxii a cíleném metabolomickém experimentu. Metabolomická část se zaměřovala především na zpracování vzorku moče, metabolomickou analýzu pomocí vysokoúčinné kapalinové chromatografie ve spojení s tandemovou hmotnostní spektrometrií a metody statistického zpracování. V experimentální části byla aplikována analytická metoda vysokoúčinné kapalinové chromatografie ve spojení s tandemovou hmotnostní spektrometrií na vzorky moče novorozenců s perinatální asfyxií. Byl získán metabolitový profil těchto pacientů a provedeno srovnání dvou nejvíce se odlišujících časů odběrů vzorků k získání nejvíce diskriminujících látek. Data byla statisticky vyhodnocena pomocí analýzy hlavních komponent, biplotu, diskriminační a shlukové analýzy.Perinatal asphyxia is a severe disorder of blood gases exchange and tissue perfusion, fundamentally endangers newborns prognosis in terms of survival and also quality of its long-term development. Metabolomics is a discipline that seems to be a promising tool for obtaining information in neonatology. In the literature review of this study were processed current knowledge about perinatal asphyxia and targeted metabolomic experiment. Metabolomic part is focused especially on processing urine sample, the metabolomic analysis by high-performance liquid chromatography coupled with tandem mass spectrometry and statistical methods. In the experimental part the analytical method high-performance liquid chromatography coupled with tandem mass spectrometry was applied to real urine samples from newborns with perinatal asphyxia. It was acquired metabolites profile of these patients and compared the two most distinguishing sampling times to obtain the most discriminating metabolites. Data were statistically analyzed using principal components analysis, biplot, discriminant and cluster analysis.