DEREPLIKACE LÁTEK A DE NOVO CHARAKTERIZACE MALÝCH MOLEKUL Z HMOTNOSTNÍCH SPEKTER

Význam tématu

Metody dereplikace a de novo charakterizace malých molekul v hmotnostní spektrometrii zajišťují rychlý a přesný rozpoznání známých látek a identifikaci nových struktur, čímž podporují výzkum metabolitů, sekundárních metabolitů mikroorganismů a dalších přírodních i syntetických sloučenin. Efektivní biochemická analýza v datech LC-MS a MSI je klíčová pro farmaceutický průmysl, environmentální monitoring a biomedicínský výzkum.

Cíle a přehled studie / článku

Článek představuje otevřenou aplikaci CycloBranch a popisuje principy dereplikace známých chemických látek a de novo generování a hodnocení elementárních součtů nových molekul. Autoři navazují na předchozí publikace o interpretaci hmotnostních spekter a uvádějí přístupy vhodné pro LC-MS i zobrazovací MSI analýzu.

Použitá metodika a instrumentace

Aplikace při výpočtu izotopových obálek využívá multinomiální rozvoj pro nejběžnější biogenní prvky (C, H, N, O, S) s volitelným omezením počtu substitucí stabilními nuklidy, což zkracuje výpočetní nároky. Pro filtrování výsledků se aplikuje celá řada heuristik (Seniorova pravidla, poměry H/C, N/O, kontrola izotopových obálek, FDR). Data LC-MS se zpracovávají z formátu mzML, MSI z imzML s využitím knihovny OpenMS. Instrumentace: ultra-vysoké rozlišení 12T Solarix FTICR (Bruker Daltonics), běžné LC-MS systémy.

Hlavní výsledky a diskuse

Implementovaný algoritmus umožňuje:

• rychlou dereplikaci látek na základě porovnání experimentálních a teoretických izotopových obálek,
• de novo generování elementárních součtů s minimalizací falešných pozitiv,
• vizualizaci výsledků v chromatogramu a fúzi s optickým obrazem ve formátu TIF, JPG, BMP, PNG nebo GIF,
• nastavitelné filtrační parametry (ppm tolerance, FWHM, minimální počet pí­ků, FDR, výskyt v ROI),
• zpracování rozsáhlých MSI dat v dávkovém režimu.

Validace na příkladech sideroforů a mikrobiálních metabolitů prokázala vysokou míru správné anotace při toleranci chyby m/z do 5 ppm a izotopové intenzity do 10 %.

Přínosy a praktické využití metody

Metoda a software CycloBranch přinášejí:

• automatizaci identifikace známých i potencionálně nových malých molekul,
• možnost rychlé kontroly biologických vzorků v QA/QC i výzkumu,
• flexibilní nastavení pro různé typy ionizace a aduktů (H+, Na+, Fe2+ apod.),
• pokročilé filtrování snižující počet falešných nálezů,
• volně šiřitelný kód umožňující úpravy a doplňky uživatelům.

Budoucí trendy a možnosti využití

Očekává se další rozšíření databází struktur přírodních produktů, implementace pokročilých metod strojového učení pro de novo predikci a optimalizace vizualizačních nástrojů pro MSI. Integrace s proteomickými a lipidomickými platformami dále umožní komplexní multiomickou analýzu.

Závěr

CycloBranch představuje robustní a otevřené řešení pro rychlou dereplikaci a de novo charakterizaci malých molekul v datech LC-MS a MSI. Díky všestrannosti, nastavitelnosti a volnému přístupu podporuje široké spektrum aplikací v analytické chemii a příbuzných oborech.

Reference

• Škultéty L., Novák J., Havlíček V. Chem. Listy 114, 145 (2020).
• Novák J., Havlíček V. Chem. Listy 114, 200 (2020).
• Novák J., Škríba A., Havlíček V. Anal. Chem. 92, 6844 (2020).
• Luptáková D., Havlíček V. Chem. Listy 114, 216 (2020).
• McDonnell L. A., Heeren R. M. A. Mass Spectrom. Rev. 26, 606 (2007).
• Škríba A., Houšť J., Havlíček V. Chem. Listy 114, 119 (2020).
• Krásný L. et al. Mycoses 54, 37 (2011).
• Novák J. et al. J. Am. Soc. Mass Spectrom. 26, 1780 (2015).
• Pluháček T. et al. Mass Spectrom. Rev. 35, 35 (2016).
• Hider R. C., Kong X. L. Nat. Prod. Rep. 27, 637 (2010).
• Novák J. et al. BBA-Proteins Proteomics 1865, 768 (2017).
• Novák J. et al. J. Mass Spectrom. 53, 1097 (2018).
• Valkenborg D. et al. Mass Spectrom. Rev. 31, 96 (2012).
• Audi G., Wapstra A. H. Nucl. Phys. A 565, 1 (1993).
• Rosman K. J. R., Taylor P. D. P. Pure Appl. Chem. 70, 217 (1998).
• Sadílek M. Chem. Listy 114, 133 (2020).
• Käll L. et al. J. Proteome Res. 7, 29 (2008).
• Palmer A. et al. Nat. Methods 14, 57 (2017).
• Wang X. S. et al. J. Proteome Res. 17, 2328 (2018).
• Kind T., Fiehn O. BMC Bioinformatics 8 (2007).
• Senior J. K. Am. J. Math. 73, 663 (1951).
• Martens L. et al. Mol. Cell. Proteomics 10 (2011).
• Schramm T. et al. J. Proteomics 75, 5106 (2012).
• Röst H. L. et al. Nat. Methods 13, 741 (2016).
• Caboche S. et al. Nucleic Acids Res. 36, D326 (2008).
• Sud M. et al. Nucleic Acids Res. 35, D527 (2007).