Moving beyond ddMS2: Improving annotation confidence in untargeted metabolomics using higher resolution MS and parallel ion trap experiments

Význam tématu

V metabolomice je klíčové přesně identifikovat složky ve složitých biologických vzorcích. Tradiční MS1 a MS2 přístupy často narážejí na limity rozlišení a schopnosti rozlišit izobary či izomery, což snižuje spolehlivost anotace elementárních vzorců.

Cíle a přehled studie / článku

Studie se zaměřuje na dvě hlavní inovace:

• využití vysokého rozlišení Orbitrap IQ-X (až 1 M) ke zvýšení informací z izotopických jemných vzorů
• aplikaci paralelních MSⁿ experimentů v iontové pasti (ddMS³ a rozpadové křivky) k podpoře důvěry v identifikaci

Použitá metodika a instrumentace

Vzorkem byl NIST SRM 1950 plazmatický extrakt analyzovaný na systému UHPLC Vanquish Horizon s kolonkou Hypersil GOLD a mobilními fázemi voda/methanol s 0,1 % kyseliny mravenčí. Detekce proběhla na Orbitrap IQ-X Tribrid MS při rozlišení 60 000–1 000 000. Pro sběr dat byly použity sekvence ddMS2, ddMS2 doplněné o ddMS3 a ddMS2 s rozpadovými křivkami v iontové pasti. Data se vyhodnocovala v softwaru Thermo Scientific Freestyle, Compound Discoverer a Mass Frontier, přičemž pro knihovní srovnání sloužila databáze mzCloud a FISh scoring.

Hlavní výsledky a diskuse

• Vyšší rozlišení umožnilo rozeznat izotopické jemné vzory u 85 % sloučenin nad m/z 400, což vedlo ke změně predikce elementárního složení.
• MS³ data a rozpadové křivky z iontové pasti zvýšily schopnost odlišit izomery (např. theofylin vs. paraxantin, acetaminofen vs. 2-acetamidofenol).
• FISh scoring umožnil porovnat experimentální MS²/MS³ spektra s in silico fragmentovanými strukturami a podpořit volbu správného vzorce i u neznámých látek.

Přínosy a praktické využití metody

• Vyšší selektivita a jistota v identifikaci složek komplexních vzorků.
• Snížení počtu chybných anotací elementárního složení.
• Možnost spolehlivějšího screeningu neznámých metabolitů v biomedicínských a environmentálních analýzách.

Budoucí trendy a možnosti využití

• Integrace strojového učení a umělé inteligence pro automatizované hodnocení MSⁿ dat.
• Vývoj hybridních technik fragmentace pro rychlejší a hlubší strukturální charakterizaci.
• Zvýšení propustnosti měření pomocí paralelních experimentů a inteligentního sběru dat.

Závěr

Kombinace vysokého rozlišení Orbitrapu a paralelních iontových pastí významně zvyšuje spolehlivost a důvěru v identifikaci ve vysoce komplexních metabolomických analýzách. Navržené přístupy otevírají cestu pro robustnější a automatizované workflow v oblasti neznámých metabolitů.