From spectra to certainty: end-to-end workflows for confident metabolite identification

Význam tématu

Untargeted metabolomics generuje obrovské množství signálů, přičemž přesné stanovení identity malých molekul vyžaduje integrování více typů důkazů. Spolehlivost anotací je kritická pro interpretaci biologických systémů, toxikologii, farmakometabolomiku a QA/QC v průmyslu. Kombinace citlivé akvizice, iterativního získávání MS/MS, spektrometrických knihoven a AI/ML skórování přináší opakovatelné, obhajitelné a reportovatelné výsledky v neřízených (untargeted) workflow.

Cíle a přehled studie

Cílem bylo ukázat end-to-end workflow, které zvyšuje jistotu anotace metabolitů tím, že kombinuje: Orbitrap Excedion MS pro šetrný přenos iontů, AcquireX Deep Scan pro opakovanou cílovou akvizici, zpracování v Compound Discoverer 3.5, vyhledávání v knihovnách (mzCloud, mzVault) a AI/ML confidence scoring pro automatizované přiřazení hladin důvěry. Jako ilustrační případ byly zvoleny methylxanthiny (1-, 3-, 7-methylxanthin) a ukázka rozlišení kofeinu z 920 kandidátů přesnou hmotností.

Použitá instrumentace

• UHPLC: Thermo Scientific Vanquish Horizon.
• Kolona: Thermo Scientific Hypersil GOLD VANQUISH C18 UPLC, 150 × 2.1 mm, 1.9 µm.
• MS: Thermo Scientific Orbitrap Excedion Mass Spectrometer v pozitivním módu (eDR — Enhanced Dynamic Range, scan rate až 40 Hz, resolution do 240 000, rozsah m/z 40–6000).
• Ion source: OptaMax Plus Ion Source s optimalizací pro nižší in‑source fragmentaci.
• Akvizice MS/MS: AcquireX iterative Deep Scan s blank exclusion a sample‑specific inclusion lists; stepped HCD (10, 35, 60 %), MS1 rozlišení 120 000, MS2 rozlišení 30 000, 16 auto-defined oken pro eDR.
• Software: Thermo Scientific Compound Discoverer 3.5, FreeStyle 1.8 SP2; knihovny mzCloud a mzVault; ChemSpider pro pre-search hmotností.

Metodika a příprava vzorku

NIST SRM 1950 plasmatický extrakt byl připraven srážením proteinů metanolem, následovalo odstředění, odpaření a rekonstrukce. Injekce odpovídala 4.583 µL plazmy na injekci. Chromatografie použitím vodného a methanolového rozpouštědla s 0,1 % kyseliny mravenčí, průtok 0,30 mL/min a gradient 18 minut. Data zpracována v Compound Discoverer s integrací skupinování izotopů/aduktů, rozpoznávání in‑source fragmentů, spektrálního vyhledávání, molekulárního síťování a AI/ML confidence scoringu.

Hlavní výsledky a diskuse

• Přesná hmotnost je vysoké recall, ale nízké rozhodovací kritérium: pro m/z 195.08775 [M+H]+ (kofein) v ChemSpideru v rámci ~5 ppm vzniklo 920 kandidátů, takže samotná hmota nestačí k jednoznačné anotaci.
• Postupy kombinující izotopický vzor, přítomnost aduktů (např. sodiovaný), a experimen­tální MS/MS signaturu významně omezily kandidátní prostor a vedly k jediné obhajitelné anotaci pro kofein.
• Případ methylxanthinů (1-, 3-, 7-methylxanthine) ilustruje problém polohových izomerů: všichni sdílejí stejný molekulární vzorec a velmi podobné fragmenty. Konvenční podobnostní skóre často nevytváří jasnou hranici mezi kandidáty.
• AI/ML confidence scoring v tomto workflow převedl expertní vizuální úsudek do kvantitativního rozdílu: 1‑methylxanthin získal skóre 86.1, zatímco 3‑ a 7‑methylxanthin skóre 3.5–3.6. Tento široký rozdíl usnadňuje obhajobu top anotace a snižuje riziko nadhodnocení silně hypotetických izomerů.
• Molekulární síťování poskytlo chemický kontext tím, že seskupilo kofein a očekávané xanthinové metabolity/intra‑rodinné transformace do podnetů s konzistentními MS/MS vztahy, což vytvořilo další ortogonální důkazní vrstvu.
• AcquireX iterativní Deep Scan zvýšil pokrytí MS/MS spekter tím, že vylučoval blank signály, vytvářel inclusion listy a v dalších injekcích cíleně sbíral chybějící spektra.

Přínosy a praktické využití metody

• Integrované workflow umožňuje přechod od detekce feature k anotaci s přiřazenými hladinami důvěry (např. dle rámce Schymanski et al.), což zlepšuje transparentnost reportingů ve výzkumu i průmyslovém prostředí.
• Redukce falešných anotací u polohových izomerů zvyšuje kvalitu dat pro následnou biologickou interpretaci a rozhodování v aplikacích, kde je kritická jednoznačná identifikace metabolitů.
• Automatizované skórování a strukturované reportování usnadňuje integraci do laboratorních SOP a auditovatelných workflow (pro výzkum a průmyslovou analytiku, ne pro IVD použití).

Budoucí trendy a možnosti využití

• Další zlepšení AI/ML modelů pro rozlišování izomerů bude záviset na rozšíření trénovacích datasetů s kvalitně anotovanými referencemi a na lepším zachycení retenčních dat a ionizačních charakteristik.
• Konvergence molekulárního síťování, prediktivního in‑silico fragmentování a pokročilých knihoven (včetně 3D/retention time modelů) povede k robustnějšímu přiřazování pro malé molekuly.
• Rozšířená automatizace akvizice (pokročilé iterativní režimy, real‑time decision making) a standardizované confidence reportingy umožní širší adopci v metrologii, environmentálních studiích a farmaceutickém vývoji.
• Integrace dat napříč platformami (LC‑MS, IMS‑MS, NMR) nabídne víceortogonální důkazy a zvýší míru anotací s úrovní 1–2 podle Schymanskiho schématu.

Závěr

Studie demonstruje, že kombinace citlivé, šetrné akvizice (Orbitrap Excedion + AcquireX), komplexního zpracování dat (Compound Discoverer) a AI/ML confidence scoringu významně zvyšuje spolehlivost anotací v untargeted metabolomics. Přesná hmotnost sama o sobě nepostačuje; až integrace MS1, aduktů, MS/MS, molekulárního síťování a dat z knihoven přináší jednu obhajitelnou anotaci z širokého prostoru kandidátů a umožňuje transparentní reportování hladin důvěry.

Reference

1. Schymanski EL, Jeon J, Gulde R, Fenner K, Ruff M, Singer HP, Hollender J. Identifying Small Molecules via High Resolution Mass Spectrometry: Communicating Confidence. Environ. Sci. Technol. 2014, 48(4):2097–2098.
2. Krakko D, Tautenhahn R, Stutts WL. Implementing Annotation Confidence Scoring in Untargeted Mass Spectrometry Workflows for Small Molecule Analysis. Anal. Chem. 2026, 98:10352–10359.