Evaluating Data Analysis Techniques for LC-IM-MS Data: Preprocessing, Untargeted Feature Finding, and DIA Fragmentation Alignment

Význam tématu

Ion mobility–hmotnostní spektrometrie (LC-IM-MS) přidává k tradiční analýze kapalné chromatografie další separační rozměr na základě doby driftu iontů. Tento přístup významně zlepšuje rozlišení složitých vzorků, minimalizuje chimerické spektra při datově nezávislé akvizici (DIA) a otevírá cestu pro komplexní čtyřrozměrnou detekci molekul.

Cíle a přehled studie / článku

Hlavním cílem bylo porovnat různé techniky předzpracování a algoritmy pro untargeted detekci signálů ve čtyřrozměrných datech LC-IM-MS a ověřit metody sladění fragmentů z DIA akvizice. Studie zkoumá:

• Implementaci nových funkcí v PNNL PreProcessor 5.0.
• Dva pracovní postupy (Workflow 1 a 2) pro převod IM dat na DDA formát.
• Vliv předzpracování na detekci lipidů, peptidů (BSA digest) a PFAS sloučenin.

Použitá metodika a instrumentace

Data byla získána na systému Agilent 6560 Ion Mobility LC/Q-TOF spřaženém s kapalinovou chromatografií 1290 Infinity. Testovací vzorky zahrnovaly:

• Lipidový extrakt NIST SRM 1950.
• Tryptický digest albuminu BSA.
• Směs perfluorovaných alkylových látek (PFAS).

Použity byly režimy single-pulse, multiplexed drift time demultiplexing a vysokorozlišovací HRdm, včetně MS1 a mobility aligned fragmentation (MAF). Při analýze byly porovnány vestavěné nástroje Agilent IMFE a třetích stran, včetně modulů PNNL PreProcessor:

• CCS kalibrace přímo v PreProcessoru.
• IM-to-DDA integrace feature finding a konverze v jednom kroku.
• Batch polygon extraction pro selektivní odstranění pozadí.

Hlavní výsledky a diskuse

1) Nové funkce v PNNL PreProcessor 5.0 vedou ke zrychlení a automatizaci předzpracování IM-MS dat.

2) Workflow 2 (rozdělení LC oblasti do dílčích souborů, samostatné feature finding a poté DDA konverze) dovoluje plně využít výhod HRdm a významně navyšuje počet identifikovaných triacylglycerolů oproti Workflow 1.

3) U BSA tryptického digestu dosáhla IMFE sekvenčního pokrytí až 65 % pro souhrnná data, přičemž výběr fragmentačního okna podle FWHM poskytuje pevnější extrakční podmínky než široké drift time okno.

4) Při označené PFAS metodě batch polygon extraction zkrátila čas feature findingu z 61 na 26 minut a díky smoothingu a saturace-repair v driftu a chromatografii umožnila detekci vysoce koncentrovaných PFAS, které byly původně vynechány.

Přínosy a praktické využití metody

Implementace popsaných modulů usnadňuje laboratorní i výzkumné workflow:

• Zvyšuje citlivost a počet identifikací lipidů, peptidů i PFAS.
• Minimalizuje manuální zásahy a chyby při několika krocích zpracování.
• Zkracuje celkový čas analýzy a zefektivňuje automatizovanou pipeline.

Budoucí trendy a možnosti využití

Vývoj se bude soustředit na:

• Adaptivní CCS kalibraci a strojové učení pro lepší rozlišení izomerů.
• Pokročilé algoritmy de-noisingu a signal enhancement.
• Integraci více datových typů (ion mobility, frakce, další kapalinové stupně).
• Standardizaci formátů a širší kompatibilitu open source nástrojů.

Závěr

Studie ukazuje, že kombinace nových modulů PNNL PreProcessor a optimalizovaných pracovních postupů zásadně zlepšuje kvalitu a efektivitu LC-IM-MS analýz. Workflow 2 je doporučeno pro zachování separace izomerů při DIA-DDA konverzi a předzpracování s polygon extraction, smoothingem a saturace-repairem vede k nejlepším výsledkům v lipidomice, proteomice i PFAS analýze.

Reference

• Bilbao A. et al. Journal of Proteome Research 2022, 21(3), 798–807.
• Stow S. M. et al. Journal of the American Society for Mass Spectrometry 2024, 35(8), 1991–2001.
• Tsugawa H. et al. Nature Methods 2015, 12(6), 523–526.