《Current Opinion in Biotechnology》:Structurally informed metabolite measurements with ion mobility-mass spectrometry
编辑推荐:
尽管离子迁移-质谱(ion mobility-mass spectrometry, IM-MS)已不再是新技术,但面向结构信息测量的仪器与资源的新发展正推动IM-MS在新兴代谢组学应用中的使用。过去受限于实验测量,用于预测碰撞截面(collision cros
尽管离子迁移-质谱(ion mobility-mass spectrometry, IM-MS)已不再是新技术,但面向结构信息测量的仪器与资源的新发展正推动IM-MS在新兴代谢组学应用中的使用。过去受限于实验测量,用于预测碰撞截面(collision cross-section, CCS)值的机器学习策略的发展,正迅速提高代谢物数据库中IM-MS信息的覆盖度。具备高分辨分离能力的IM-MS仪器正在加深可实现的结构注释水平,而将IM-MS与互补分析或化学方法结合的创新策略,进一步发挥其解析小分子异构体(isomers)和同量异位素(isobars)的能力。本简要综述重点介绍IM-MS用于代谢组学的最新进展,聚焦其在质谱成像(mass spectrometry imaging, MSI)、快速多组学(rapid multi-omics)和单细胞分析(single-cell analyses)中的应用。
该简要综述由Yu-Ting Tseng与Kelly M Hines撰写,围绕离子迁移-质谱(ion mobility-mass spectrometry, IM-MS)在代谢组学中的结构信息导向测量进展展开。代谢组学(metabolomics)旨在全面描绘并定量低分子量分子(<1500 Da),包括氨基酸、糖和脂质,以解释复杂生物系统中的代谢通路变化。质谱(mass spectrometry, MS)是主要分析平台,常与液相色谱(liquid chromatography, LC)联用以降低离子抑制并提高复杂基质中的灵敏度;但LC仍难以解析共洗脱的异构体代谢物。串联质谱(tandem MS, MS/MS)可通过碰撞诱导解离、高能碰撞解离和电子激活解离等产生碎片,但结构相似代谢物可能经相似碎裂途径生成相同产物离子,限制仅凭MS/MS进行注释的置信度。IM-MS作为毫秒级气相分离技术,依据离子的质量、电荷和三维形状在电场与中性缓冲气体(如N
2)中的迁移差异进行分离,漂移时间可换算为碰撞截面(collision cross-section, CCS),具有高灵敏度和高通量,并可分离同量异位素,因而推动感染性疾病生物标志物、药物发现和食品科学等应用。该综述即在此背景下总结IM-MS对代谢组学的影响,重点覆盖质谱成像(MSI)、快速多组学和单细胞分析等新兴应用。
在方法层面,该综述为文献性归纳分析,不涉及原创实验或样本队列。其关键技术方法包括:CCS测量与校准(漂移管离子迁移(drift tube ion mobility, DTIM)直接按Mason–Schamp方程计算,行波离子迁移(traveling wave ion mobility, TWIM)和捕获离子迁移(trapped ion mobility, TIM)需校准,场不对称离子迁移(field-asymmetric ion mobility spectrometry, FAIMS)可用结构相似校准物);CCS数据库与机器学习预测(基于简化分子线性输入规范(SMILES)、分子描述符及图特征,采用支持向量回归(SVR)、多层感知机(MLP)、图神经网络(GNN)和化学大语言模型(CLLM));IM-MS数据处理工作流;高分辨IM(无损离子操纵结构(SLIM)、循环离子迁移(cyclic IM, cIM)、TIM);化学衍生与非共价络合;红外(IR)-IM-MS联用;以及LC-TWIM-MS、流动注射、直接进样FAIMS、微流控纳喷雾(nESI)、流式细胞术-IM-MS、基质辅助激光解吸/电离(MALDI)-TIM-MS和解吸电喷雾电离(DESI)-cIM-MS等应用研究。
结果一:CCS赋能的代谢物鉴定范围扩展(Expansion of CCS-Enabled Metabolite Identifications)。通过比较不同IM平台、校准策略、CCS数据库、机器学习预测工具和数据处理工作流,研究人员得出CCS可作为较m/z更可重复并反映结构的信息。DTIM可直接由漂移时间计算CCS;TWIM与TIM因动态电场需用已知CCS校准物建立校准曲线;FAIMS因高低电场交替导致迁移率动态变化,衍生CCS较具挑战,但Krasnova等以结构相似校准物实现CCS测量。MOCCal可将多组学检测特征分配至最佳拟合校准曲线,AutoCCS可处理DTIM、TWIM和TIM数据。实验CCS数据库包括Unified CCS compendium、METLIN-CCS及AllCCS/AllCCS2,后者收集多实验室、多平台数据并标准化以降低平台依赖变异,但仍存在参考标准覆盖缺口。机器学习预测工具中,AllCCS与CCSP 2.0采用SVR和分子描述符;AllCCS2以多层感知机整合图卷积网络提取的图特征、分子描述符和MS特征;SigmaCCS以GNN整合由SMILES生成的三维结构信息,SigmaCCS2进一步整合拓扑与几何信息;HyperCCS以CLLM结合SMILES数值表征、分子指纹和MS相关特征,并通过跨模态特征融合与注意力机制选择相关特征,在部分任务中优于AllCCS2和CCSP 2.0,并可解析异构体及预测高质量分析物CCS。PeakDecoder用于区分LC-IM-MS数据中共洗脱且m/z相近的离子,Met4DX以自下而上框架利用MS/MS定位前体离子,再提取迁移峰并重建LC峰,生成含m/z、保留时间、CCS和MS/MS的多维特征。由此得出,CCS资源与机器学习预测扩展了代谢物注释覆盖,工作流可提高代谢组学分析置信度。
结果二:代谢物的离子迁移-质谱结构分析(Structural analyses of metabolites by ion mobility-mass spectrometry)。通过高分辨IM平台、化学衍生、非共价络合及IR-IM-MS联用研究,研究人员得出互补策略可增强结构相似代谢物的分离。DTIM和常规TWIM受路径长度限制,SLIM以约13 m蛇形离子路径、cIM以多次环绕圆形路径增加有效路径长度,从而提高分辨能力;SLIM已区分顺/反异构体、位置异构体和立体异构体,分辨能力超过200,多程cIM优于单程,TIM可通过收窄并减慢迁移率扫描提高复杂混合物中异构体分离。化学衍生方面,Girard’s Reagent的肼基靶向前列腺素类分析物羰基,改善分离与电离效率;Girard’s Reagent P与1,1-carbonyldiimidazole(CDI)用于类固醇平行衍生,CDI靶向羟基并改善异构体分离,尤其对仅一个手性中心不同的立体异构体;4-bromo-N-methylbenzylamine(4-BNMA)经1-ethyl-3-(3-dimethylaminopropyl) carbodiimide(EDC)介导酰胺化衍生含羧基代谢物(CCMs),溴同位素模式指示羧基数目,溴的加入使质量相对CCS变化更大,将离子迁移移出常规代谢物与脂质维度,增强信号并降低噪声、促进异构体分离。非共价策略中,环糊精(cyclodextrins, CDs)与胆汁酸(bile acids, BAs)形成包合物,SLIM可解析BA异构体群;金属离子引入CD复合物作为配位配体,增强TIM-MS对雌激素异构体(α/β-E2/E3)的分离;LC-DTIM-MS结合6-aminoquinolyl-N-6-aminoquinolyl-N-hydroxysuccinimidyl carbamate(AQC)衍生物,3分钟LC分离可解析所有AQC衍生蛋白质源氨基酸对映体及部分异构体,DTIM高分辨解复用可解析多数剩余共洗脱异构体。IR方面,Rizzo等采用messenger-tagging在SLIM分离后形成冷冻非共价复合物,通过检测离子与离子-N
2簇在振动激发时的强度变化获取IR谱;cryoIR-SLIM-MS记录时间短至7秒且重复性高。由此得出,高分辨IM与化学、非共价及IR互补方法结合可提升异构体和同量异位素解析能力。
结果三:离子迁移-质谱在代谢组学中的新兴应用(Emerging applications of ion mobility-mass spectrometry in metabolomics)。通过LC-TWIM-MS、流动注射TWIM-MS、直接进样FAIMS、微流控nESI-TWIM-MS、流式细胞术-IM-MS、MALDI-TIM-MS和DESI-cIM-MS等研究,研究人员得出IM-MS可支撑快速多组学、单细胞和空间代谢组学应用。多组学方面,LC-TWIM-MS通过代谢物和脂质谱区分细菌病原体;流动注射TWIM-MS每样品2分钟检测细菌病原体脂质和代谢物;直接进样FAIMS亦可实现快速多组学,但因需扫描较宽补偿电压以选择性稳定代谢物、脂质和肽,所需时间和样品量略高,机器学习数据整合可从大规模药物筛选数据中获得有意义的洞见。单细胞方面,低分析物浓度是关键挑战,直接分析全细胞可减少样品损失;Zhang等用微流控装置将细胞递送至TWIM-MS的纳喷雾电离源,较标准进样提高灵敏度,并依据脂质谱区分三种癌细胞系;流式细胞术与IM-MS结合可利用IM选择性累积离子增强强度,并以细胞叠加策略合并多细胞谱形成叠加帧以放大检测离子,从而改善低信噪比,但要求细胞群体同质以避免稀释生物学趋势。空间代谢组学方面,MSI缺乏二级分离维度;MALDI-TIM-MS用于单细胞脂质组分析,IM分离异构体和同量异位素,揭示不同人细胞系脂质组差异及癌细胞处理后脂质组改变;Leontyev等以DESI-cIM-MS研究大鼠脑组织创伤后代谢变化,增加cIM程数提高分辨能力并分离双电荷离子与单电荷同量异位素;另一项DESI-cIM-MS结合机器学习预测CCS和LC-MS/MS碎片分析表征肾癌组织,利用CCSP 2.0预测候选前体离子CCS并过滤不太可能候选,成功识别两个此前相关研究中未识别的特征,说明CCS测量准确性可提升代谢物注释置信度。
讨论/结论部分总结:该综述指出,随着IM技术和CCS资源发展,IM在过去十年日益整合进代谢组学工作流,提供毫秒级快速分离并易于与MS联用形成高通量方法;多种IM平台提高分辨能力,使异构体代谢物以更高置信度被分离和鉴定;CCS可作为m/z和保留时间之外的半正交信息,提高复杂生物样品代谢物注释置信度;机器学习CCS预测扩展数据库覆盖,将机器学习纳入处理工作流促进特征注释;结合速度快和背景噪声降低,IM-MS近期发展正推动多组学、单细胞分析和空间代谢组学等新情境下的代谢物测量。研究结论翻译:随着IM技术和CCS资源的进步,IM在过去十年已日益整合到代谢组学工作流中。它提供毫秒级快速分离,并可作为高通量方法易于与MS联用。多个提供改善分辨能力的IM平台正使异构体代谢物以前所未有的置信度被分离和鉴定。来自多种IM-MS仪器的CCS值可作为半正交信息,与m/z和保留时间等标准维度一起,提高复杂生物样品中代谢物注释的置信度。此外,基于机器学习的CCS预测方法扩展了CCS数据库覆盖,而将机器学习纳入处理工作流促进了特征注释。结合其固有速度和背景噪声降低,这些IM-MS近期发展正在使代谢物测量进入从多组学、单细胞分析到空间代谢组学的新情境。