Metabolomics Batch Data Analysis Workfl ow to Characterize Differential Metabolites in Bacteria

Význam tématu

Metabolomika bakterií poskytuje klíčové informace o změnách malých molekul v různých fázích růstu. Porovnání rané a pozdní stacionární fáze umožňuje odhalit metabolity související se stresem, přežitím a biochemickou adaptací mikroorganismů.

Cíle a přehled studie / článku

Cílem bylo navrhnout workflow pro analýzu diferenciálních metabolitů bakterie mezi časným a pozdním stacionárním stádiem, využívající Q-TOF LC/MS a automatizované zpracování dat v dávkovém režimu pro zvýšení efektivity a reprodukovatelnosti.

Použitá metodika a instrumentace

Pro extrakci byly buňky lyzovány v methanolové vodní směsi, filtrát očistěn 3 kDa filtrem a vysušen při nízké teplotě. Analýza proběhla na soustavě Agilent 1290 Infinity LC spojené s Agilent 6230 TOF pro profilování a Agilent 6550 iFunnel Q-TOF pro cílené MS/MS.

• Chromatografie: Cogent Diamond Hydride HPLC kolona (2,1×150 mm, 4 µm), kolona při 60 °C, gradientní eluce při 0,6 mL/min s fázemi A (voda s formiátovými přísadami) a B (acetonitril/isopropanol).
• MS parametry: ESI v pozitivním i negativním módu, rozmezí m/z 25–1700, akvizice 2–3 spektra/s, dynamická kalibrace referenčními ionty.
• Software: Agilent MassHunter Qualitative B.07.00; MassHunter Profinder B.06.00 SP1; Mass Profiler Professional B.13.0; Molecular Structure Correlator B.07.00; Pathway to PCDL B.07.00.

Hlavní výsledky a diskuse

Overlay 38 chromatogramů prokázalo stabilní retenci a vysokou reprodukovatelnost. Profinder detekoval 488 rysů v pozitivním módu a 623 v negativním. Statistická analýza v MPP vybrala 57 pozitivních a 52 negativních rysů s vyšší abundancí v časné stacionární fázi (P<0,005, FC>2). Více než 100 diferencovaných rysů bylo anotováno pomocí databází KEGG, BioCyc a Agilent-Metlin a potvrzeno cílenou MS/MS experimenty.

Přínosy a praktické využití metody

Workflow nabízí robustní a efektivní přístup k analýze rozsáhlých metabolomických dat, minimalizuje manuální zásahy a zkracuje dobu potřebnou k identifikaci klíčových metabolitů pro průmyslovou mikrobiologii, farmaceutický výzkum a QA/QC v potravinářství.

Budoucí trendy a možnosti využití

Další rozvoj v oblasti umělé inteligence pro automatizované zpracování a interpretaci MS/MS spekter, integrace lipidomiky a proteomiky, a rozšíření databází o in silico fragmentační předpovědi zvýší hloubku a rychlost metabolomických analýz.

Závěr

Popsané Q-TOF LC/MS workflow s Agilent softwarem pro dávkové zpracování dat efektivně odhaluje a identifikuje diferenciální metabolity bakterií v různých růstových fázích, což usnadňuje pochopení biochemických adaptací a vývoj nových biomarkerů.

Reference

1. Monod J. The Growth of Bacterial Cultures. Annual Review of Microbiology. 1949;3:371–394.
2. Agilent Technologies. MassHunter Profinder: Batch Processing Software for High Quality Feature Extraction of Mass Spectrometry Data. Technical Overview 5991-3947EN, 2014.
3. Joseph S, Dai Y. Pharmaceutical Impurity Identification and Profiling Using Agilent Q-TOF LC/MS Combined with Advanced MassHunter Data Processing Software. Application Note 5991-1375EN, 2012.