Non-Targeted Analysis of Metabolites in Alcoholic Beverages Using LabSolutions Insight Profiler

Význam tématu

Non‑targeted metabolomika umožňuje komplexní profilaci malých molekul bez předběžných omezení na známé látky, což je v potravinářství klíčové pro vývoj produktů, kontrolu kvality a autentizaci surovin. Kombinace přesnomasné QTOF hmotnostní spektrometrie a specializovaného softwaru pro zpracování dat usnadňuje detekci i nečekaných rozdílů mezi vzorky, avšak generované datové objemy vyžadují efektivní nástroje pro detekci, zarovnání a anotaci signálů.

Cíle a přehled studie / článku

Cílem uvedené studie bylo demonstrovat použití softwaru LabSolutions Insight Profiler společně s LC‑QTOFMS (LCMS‑9030 v kombinaci s Nexera X3 UHPLC) pro netargetovanou komparativní analýzu metabolitů v šesti komerčních pivech a pivu podobných nápojích. Studie zahrnovala zpracování dat (detekce signálů, zarovnání, statistická analýza) a kvalifikaci složek pomocí MS/MS library search a databázových dotazů s cílem identifikovat charakteristické chemické profily jednotlivých vzorků.

Použitá metodika a instrumentace

• Vzorky: šest komerčních nápojů – běžné pivo (lager, ale), nízkomaltné pivo, beer‑like beverage a dvě nealkoholická piva. Příprava: odplynění a 10× ředění ultrapure vodou.
• Chromatografie: Nexera X3 UHPLC, reverzní fáze, 40 °C, mobilní fáze A = 0,1 % HCOOH ve vodě, B = 0,1 % HCOOH v acetonitrilu; gradientní eluce; průtok 0,25 mL/min; injekce 3 µL.
• Hmotová spektrometrie: LCMS‑9030 (QTOF) v ESI pozitivním režimu, režim akvizice DDA (data dependent acquisition). Rozsah MS: m/z 50–1000 (0,1 s), MS/MS: m/z 10–1000 (0,1 s ×5), kolizní energie 35 ± 17 V. Parametry plynů a ohřevů byly optimalizovány typicky pro ESI (např. DL 250 °C, interface 300 °C, block heater 400 °C, CID tlak 230 kPa).
• Software a databáze: LabSolutions Insight Profiler pro batch zpracování LC‑QTOF dat (detekce znaků, zarovnání, filtrování, PCA, volcano/box ploty, MS/MS library search). Kvalifikační zdroje: NIST 23 Mass Spectral Library (~50 000 sloučenin), PubChem a ChemSpider pro vyhledávání složení.

Hlavní výsledky a diskuse

• Detekce a identifikace: software detekoval 4 695 funkčních (feature) signálů. Z MS/MS library search bylo nalezeno 403 sloučenin s podobností ≥ 50 a 214 sloučenin s podobností ≥ 80.
• Konkrétní identifikace: příkladem je detekovaný ion s průměrným m/z 156.077 a RT 1.9 min identifikovaný jako L‑histidin se skóre podobnosti 83.
• PCA: Pareto škálovaná PCA ukázala skupinování vzorků — Beer 1, Beer 2 a Non‑alcoholic Beer 2 (No. 1, 2, 6) byly blízko sebe; Low‑malt (No. 3) a Non‑alcoholic Beer 1 (No. 5) tvořily další shluk; beer‑like beverage (No. 4) se odlišoval podél PC2, což naznačuje jiný chemický profil.
• Charakteristické sloučeniny: vzorky No. 1, 2 a 6 měly vyšší množství aminokyselin (histidin, fenylalanin, tyrosin, tryptofan), nukleosidů (cytidin, guanosin) a hordeninu (z ječmene), což odpovídá společným surovinám a fermentačním postupům. No. 3 vykazovalo zvýšené hladiny glutamátu a triethyl citrátu; vitamín C byl detekován v No. 3 a 5; No. 4 obsahovalo izoflavony (daidzin, genistein) odvozené ze sójových surovin.
• Volcano plot (No.1 vs No.2): významné rozdíly zahrnovaly vyšší hladiny adenosinu, S‑adenosyl‑methioninu a hopového polyfenolu xanthohumolu v No.1; No.2 měl vyšší adenín, hypoxanthin a methionin.
• Kvalitativní anotace: příklad funkčního signálu m/z 285.0756 (RT 10.8 min) byl predikován jako [C16H12O5 + H]+ s vysokým skóre a v ChemSpideru odpovídal Glyciteinu; fragmenty MS/MS byly automaticky přiřazeny (assign) se skóre 75. Tento signál se vyskytoval výhradně ve sójovém beer‑like vzorku No.4, což posiluje spojení mezi detekovanou sloučeninou a použitou surovinou.

Přínosy a praktické využití metody

• Umožňuje rychlou, objektivní a komplexní komparaci metabolických profilů mezi potravinovými vzorky, vhodnou pro vývoj produktů, kontrolu surovin a odhalení podvodů či nechtěných změn v technologii.
• Softwarové funkce (automatická detekce, zarovnání, PCA, volcano ploty, MS/MS library search a databázové dotazy) zkracují dobu interpretace a zvyšují reprodukovatelnost analýzy.
• Přesnomasné QTOF měření v DDA režimu nabízí vyvážený poměr mezi kvalitou metabolitického profilu a dostupností strukturálních informací z MS/MS.

Budoucí trendy a možnosti využití

• Rozšíření a harmonizace spektrálních knihoven (včetně interních knihoven odvětví) pro zvýšení spolehlivosti anotací.
• Integrace pokročilých algoritmů a strojového učení pro rychlejší a přesnější přiřazování struktur u neznámých signálů.
• Propojení netargetovaných dat se senzorickými nebo technologickými metrikami pro komplexní hodnocení kvality produktů.
• Aplikace workflow na jiné matrice (mléčné výrobky, maso, rostlinné extrakty) a adaptace pro vyšší průtok vzorků v rutinním QA/QC.
• Využití SW funkcí pro vytváření kvantitativních následných metod (targeted LC‑MS/MS) na základě netargetních nálezů.

Závěr

Netargetovaná analýza pomocí LC‑QTOFMS v kombinaci s LabSolutions Insight Profiler umožnila detailní charakterizaci šesti pivních a pivu podobných produktů a ukázala jasné korelace mezi chemickým profilem a použitými surovinami nebo technologiemi výroby. Přesnomasná akvizice, automatizované zpracování a integrované nástroje pro statistiku a library searching poskytují robustní platformu pro výzkum, vývoj a kontrolu kvality v potravinářství.

Reference

• NIST 23 Mass Spectral Library.
• PubChem database.
• ChemSpider database.
• LabSolutions Insight Profiler (Shimadzu) – softwarová platforma pro non‑targeted LC/QTOF data processing.
• Nexera X3 UHPLC a LCMS‑9030 QTOF (Shimadzu) – použitá instrumentace v prezentovaném případě.