Metabolomics has been applied in the investigation of pathophysiological control of several diseases, such as diabetes. The metabolomic profile is determined in several biological matrices, with urine being one of the preferred ones, due to its reliability and ease of obtaining. The objective of the study was to characterize individuals with glycemic alterations and to analyze urine metabolomics using the Nuclear Magnetic Resonance ( 1H NMR) as a spectroscopic method and multivariate analysis. The study involved three groups: DM2 Group - patients with type 2 diabetes (DM2); the PD Group - patients with prediabetes (PD); and the control group (C) formed by healthy individuals. Participants were characterized in relation to demographic, clinical, lifestyle, glycemic, and lipid profiles. The 24h urine spectra were acquired from NMR, and later, the data were analyzed by Principal Component Analysis (PCA), followed by unsupervised analysis. The set of characteristic signals of the metabolites were identified based on the chemical shift data observed in the 1H NMR spectra, compared with data from the literature. A series of algorithms were tested to verify which model had better accuracy, sensitivity, and specificity. The fasting glucose, HbA1c, and HOMA-IR values of the T2D and PD groups were significantly different from the control. The PD and T2D groups had high waist circumference values. Diet composition did not differ between groups and was adequate in terms of the proportion of macronutrients and inadequate in total fiber. The set of metabolite signals based on the chemical shifts (peaks) resulted in the identification of 21 characteristic regions, among which glycine, urea, glucose, acetate, citrate, and creatinine stand out. Specifically, five signals showed significant differences in the following ppm ranges 3,27; 3,37; 3,75; 5,90 and 9,29. APC scores showed partial separation between groups. The GA-LDA model was the most responsive algorithm for the discrimination of the urine of the groups in terms of accuracy, sensitivity, and specificity. Improving strategies to discriminate metabolites in certain health or disease conditions is important for the clinical application of metabolomics.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESA metabolômica tem sido aplicada na investigação de mecanismos fisiopatológicos de várias doenças, como o diabetes. O perfil metabolômico é determinado em diversas matrizes biológicas, sendo a urina uma das preferidas, devido a confiabilidade e facilidade de obtenção. O objetivo do estudo foi caracterizar indivíduos com alterações glicêmicas e analisar a metabolômica da urina usando a Ressonância Magnética Nuclear (RMN 1H) como método espectroscópico e análises multivariadas. O estudo envolveu três grupos formados por pacientes com diabetes tipo 2 (DM2), pacientes com pré-diabetes (PD) e controle (C), formado por indivíduos sem alterações glicêmicas. Os participantes foram caracterizados em relação as variáveis demográficas, clínicas, de estilo de vida, perfil glicêmico e lipídico. Os espectros da urina 24h foram adquiridos a partir do RMN 1H e posteriormente os dados foram analisados pela Análise de Componentes Principais (APC), seguida da análise não supervisionada. O conjunto de sinais característicos dos metabólitos foram identificados com base nos dados de deslocamentos químicos observados nos espectros de RMN 1H, comparados com dados da literatura. Uma série de algoritmos foram testados para verificar qual modelo tinha melhor acurácia, sensibilidade e especificidade. Os valores de glicemia em jejum, HbA1c e HOMA-IR dos grupos DM2 e PD foram significativamente diferentes do grupo controle. Os grupos PD e DM2 apresentaram elevados valores de circunferência da cintura. A composição da dieta não diferiu entre os grupos e estava adequada quanto a proporção de macronutrientes, e deficiente em fibra total. O conjunto de sinais dos metabólitos baseados nos deslocamentos químicos (picos) resultou na identificação de 21 regiões características, dentre estes, destacamse a glicina, ureia, glicose, acetato, citrato e creatinina. Especificamente, cinco sinais apresentaram diferença significativa nas seguintes faixas de ppm 3,27; 3,37; 3,75; 5,90 e 9,29. Os scores de APC demonstraram separação parcial entre os grupos. O modelo GA-LDA foi o algoritmo mais responsivo para a discriminação da urina dos grupos quanto á acurácia, sensibilidade e especificidade. Aprimorar estratégias para discriminar metabólitos em determinadas condições de saúde ou doença é importante para aplicação clínica da metabolômica.