Tile-based Analysis of GC×GC-TOFMS Data of SPME Sampled VOCs Produced from Pseudomonas aeruginosa and Aspergillus fumigatus

Význam tématu

Profilování těkavých organických látek (VOCs) produkovaných Pseudomonas aeruginosa a Aspergillus fumigatus je klíčové pro diagnostiku a sledování infekcí u pacientů s cystickou fibrózou. Porozumění jejich metabolickým interakcím může vést k lepší prognóze a personalizované léčbě.

Cíle a přehled studie

Hlavním cílem bylo identifikovat analyty se statisticky významnými rozdíly v plynném prostoru čtyř tříd vzorků (živné médium, monocultury PA a AF a jejich kokultura) pomocí GC×GC-TOFMS a chemometrie. Dále studie zkoumá experimentální design pro vysokou kvalitu dat a vysokou propustnost analýz.

Použitá metodika a instrumentace

Vzorky byly odebírány metodou SPME (vlákno vystavené 30 min při 37 °C) a analyzovány na GC×GC-TOFMS (EI, TOF detekce, až 500 spekter/s, rozlišení jednotková hmotnost). Data byla zpracována v softwaru ChromaTOF Tile pomocí dlaždicové analýzy a metod Fisherova poměru (F-ratio), koeficientu varibility (CV) a fold change (FC). Statistické vyhodnocení zahrnovalo vícerozměrné metody (PCA) a párové t-testy (p < 0,05).

Hlavní výsledky a diskuse

Bylo detekováno přibližně 500 špiček v TIC. Dlaždicová F-ratio analýza odhalila 576 analyzů se signifikantními rozdíly napříč všemi třídami. Párové t-testy specifikovaly, mezi kterými třídami jsou rozdíly nejvýraznější. V podmínkách s omezeným počtem replik se ukázala metrika CV jako robustnější pro získání komplexního hitlistu relativních změn koncentrací.
Konkrétní příklady nejvýraznějších látek:

• Živné médium: 2-Cyclobutyl-2-propanol (MV=741, CV=1,48)
• PA monoculture: Pentaborane(11) (MV=733, CV=2)
• AF monoculture: 1-Octen-3-ol (MV=837, CV=0,83)
• Kokultura: 2,4-Dimethyl-1-heptene (MV=915, CV=0,87)

Přínosy a praktické využití metody

Metoda umožňuje netargetované objevování biomarkerů v plynném prostoru s vysokou propustností a bez nutnosti rozsáhlých replikátů. Dlaždicová analýza zjednodušuje zpracování rozsáhlých datových souborů (>10^6 datových bodů) a zvyšuje selektivitu a citlivost detekce.

Budoucí trendy a možnosti využití

Integrace pokročilých chemometrických nástrojů (např. PARAFAC) pro identifikaci analyzů, automatizace SPME-GC×GC-TOFMS workflow, aplikace na další mikrobní interakce a využití strojového učení pro prediktivní modelování metabolických profilů.

Závěr

Dlaždicové přístupy (F-ratio, CV, FC) poskytují flexibilní a účinné nástroje pro analýzu komplexních GC×GC-TOFMS dat. Výběr vhodné metody by měl odpovídat experimentálním podmínkám a požadavkům na kvalitu a propustnost dat.

Reference

• K.J. Johnson, R.E. Synovec, J. Chemom. Intell. Lab. Syst., 2002, 60, 225–237
• L.C. Marney et al., Talanta, 2013, 115, 887–895
• B.A. Parsons et al., Anal. Chem., 2015, 87, 3812–3819
• N.E. Watson et al., J. Chromatogr. A, 2016, 1459, 101–111
• B.A. Parsons et al., J. Chromatogr. A, 2016, 1440, 179–190
• B.C. Reaser et al., Anal. Chem., 2017, 89, 3606–3612