Příprava vzorků, LC/MS, LC/MS/MS, LC/QQQ
ZaměřeníProteomika
VýrobceWaters
Význam tématu
Peptidová analýza pomocí LC-MS je základem mnoha biochemických a farmaceutických aplikací. Non-specific binding (NSB) analyzátů k povrchu odběrových nádob může významně snižovat recovery a vést k nesprávné kvantifikaci. Systematické porozumění faktorům ovlivňujícím tyto ztráty je proto klíčové pro dosažení spolehlivých a citlivých výsledků.
Cíle a přehled studie
Cílem studie bylo identifikovat hlavní experimentální parametry, které ovlivňují recoveries hydrofobních peptidů během vzorkové manipulace před LC-MS analýzou, a navrhnout systematický postup optimalizace podmínek bez použití blokujících činidel. Autoři porovnávali vliv typu odběrové nádoby, složení vzorku, teploty a doby skladování a zbytkového objemu na ztráty peptidů.
Použitá metodika
- Příprava peptidových standardů (melittin, glucagon, teriparatid, desmopresin, insulin) v 80:20 vodě/acetonitrilu s 0,2 % TFA; referenční vzorky doplněné 0,1 % plazmy potkana jako carrier protein.
- Testování různých materiálů odběrových nádob: běžné sklo, polypropylen, speciální nádoby s nízkou hydrofobní adhezí.
- Variace vzorkové matrice: obsah organické fáze (20–80 % acetonitrilu), modifikátory (FA vs. TFA).
- Studie vlivu teploty (4 °C vs. 10 °C), doby skladování (24–75 h) a objemu vzorku na recoveries.
- Vyhodnocení peak area / koncentrace pomocí kalibračních křivek od 50 pg/mL do 100 ng/mL.
Použitá instrumentace
- LC: ACQUITY UPLC I-Class s Fixed Loop injektorem.
- MS: Xevo TQ-S s Universal Source.
- Kolona: CORTECS C18+ 90 Å, 1,6 µm, 2,1 × 50 mm při 55 °C.
- Mobilní fáze A: 0,1 % formiové kyseliny ve vodě; B: 0,1 % formiové kyseliny v acetonitrilu; gradient 15→45 % B za 1,2 min, wash 95 % B za 0,5 min, reekvilibrace 0,6 min.
- Průtok 0,5 mL/min; objem injekce 10 µL.
Hlavní výsledky a diskuse
Výsledky prokázaly, že hydrofobní peptidy:
- Byly nejvíce ztrátové ve skleněných a běžných polypropylenových nádobách, zatímco speciální low-bind materiály zachovaly vyšší recoveries (např. melittin ztráty až 100 % vs. >80 % recovery v low-bind nádobách).
- Vyšší obsah organické fáze v rozmezí 50–80 % acetonitrilu výrazně snižoval NSB, ale nebyl vždy kompatibilní s chromatografií.
- TFA vedla ke zlepšenému chromatografickému rozlišení, avšak způsobovala nižší recoveries ve srovnání s formiovou kyselinou.
- Nižší skladovací teplota (4 °C) a kratší doba (do 24 h) minimalizovaly ztráty; delší expozice a vyšší teploty navyšovaly NSB.
- Vysoký zbytkový objem v nádobách značně omezil množství dostupného vzorku pro analýzu.
Přínosy a praktické využití metody
Navržené postupy poskytují uživatelům LC-MS jasné pokyny, jak minimalizovat ztráty peptidů bez nutnosti přidávat blokující činidla. To vede k lepší citlivosti, reprodukovatelnosti a důvěryhodnosti kvantitativních dat v proteomice, farmaceutickém vývoji a kvalitativních kontrolách.
Budoucí trendy a možnosti využití
Očekává se rozvoj nových materiálů s ultra-nízkou adhezí a povrchových úprav, které dále sníží NSB. Integrace automatizovaných systémů skladování se zabudovaným monitoringem teploty a objemu pomůže standardizovat workflow. Aplikace strojového učení pro predikci optimálních podmínek na základě vlastností peptidů představuje perspektivní směr.
Závěr
Peptidové ztráty v odběrových nádobách jsou komplexně ovlivněny materiálem, složením vzorku, teplotou, dobou skladování a objemem. Systematické dodržení navrženého postupu umožňuje dosáhnout vysokých a reprodukovatelných recoveries bez kompromisů v následné LC-MS analýze.
Reference
- M.C. Jung, Achieving Maximum Protein and Peptide Recovery, Sensitivity, and Reproducibility using QuanRecovery Vials and Plates, Waters White Paper, 720006543EN (2019)
- Bobaly B., Sipko E., Fekete J., Challenges in liquid chromatographic characterization of proteins, J Chromatogr B Analyt Technol Biomed Life Sci 1032, 3–22 (2016)
- Rabe M., Verdes D., Seeger S., Understanding protein adsorption phenomena at solid surfaces, Adv Colloid Interface Sci 162, 87–106 (2011)
Obsah byl automaticky vytvořen z originálního PDF dokumentu pomocí AI a může obsahovat nepřesnosti.