
上海有機所交叉中心發(fā)表基于離子淌度質(zhì)譜的多維代謝物鑒定技術(shù)和數(shù)據(jù)庫AllCCS
中國科學院上海有機化學研究所生物與化學交叉研究中心朱正江研究員課題組在Nature Communications雜志在線發(fā)表了題為“Ion Mobility Collision Cross-Section Atlas for Known and Unknown Metabolite Annotation in Untargeted Metabolomics”的研究論文(https://www.nature.com/articles/s41467-020-18171-8)。該工作發(fā)展了基于離子淌度質(zhì)譜的碰撞截面積數(shù)據(jù)庫(AllCCS),并開發(fā)了基于離子淌度質(zhì)譜的多維代謝物分析技術(shù)用于生命體內(nèi)已知和未知代謝物的化學結(jié)構(gòu)鑒定。朱正江課題組博士生周智偉是論文的第一作者,中國科學院上海有機化學研究所生物與化學交叉研究中心為第一單位。
離子淌度質(zhì)譜(Ion Mobility-Mass Spectrometry)是一類能夠根據(jù)分析物離子的尺寸、形狀和電荷進行氣相分離和檢測的質(zhì)譜技術(shù),一次分析能夠同時提供多個維度信息,包括精確質(zhì)量數(shù)(MS1)、二級碎片譜圖(MS/MS)和碰撞截面積(CCS)數(shù)據(jù)等,有效提升對復雜生物樣品代謝組的定性和定量分析能力。朱正江課題組一直致力于發(fā)展基于離子淌度質(zhì)譜的代謝組學和脂質(zhì)組學技術(shù)。2016年,朱正江研究員課題組首次發(fā)展了機器學習算法來計算代謝物的碰撞截面積的方法(Anal. Chem. 2016, 88, 22),開發(fā)了大規(guī)模碰撞截面積數(shù)據(jù)庫MetCCS應用于代謝組學研究 (Bioinformatics 2017, 33, 14; Curr. Opin. Chem. Biol. 2018, 42)。針對脂質(zhì)類化合物的結(jié)構(gòu)特點,發(fā)展了基于脂質(zhì)的碰撞截面積預測方法LipidCCS(Anal. Chem. 2017, 89, 17)和四維脂質(zhì)鑒定鑒定技術(shù)LipidIMMS應用于非靶向脂質(zhì)組學研究(Bioinformatics 2019, 35, 4; Trends Anal. Chem. 2019, 116)。
在上述工作的基礎(chǔ)上,課題組再次發(fā)展了一個全新的碰撞截面積預測方法和數(shù)據(jù)庫AllCCS, 具有以下特點:(1)提供了一個世界上最大、最全面的小分子碰撞截面積數(shù)據(jù)庫平臺,包含5000多個實驗碰撞截面積和1100多萬個預測碰撞截面積;(2)發(fā)展了新一代的碰撞截面積預測算法,能將預測準確性提升至2%以內(nèi),并廣泛適用于不同化學結(jié)構(gòu)的小分子化合物;(3)發(fā)展了特征結(jié)構(gòu)相似性得分(RSS),實現(xiàn)了對碰撞截面積預測誤差的估計;(4)開發(fā)了基于離子淌度質(zhì)譜的多維代謝物分析技術(shù),提升已知代謝物鑒定的準確性,并能用于未知代謝物鑒定,為未知代謝物的鑒定提供了一種全新的方法。

基于離子淌度質(zhì)譜的多維代謝物鑒定和碰撞截面積數(shù)據(jù)庫AllCCS
復雜生物樣本中的代謝物鑒定是代謝組學研究中面臨的最大挑戰(zhàn)。目前,代謝物鑒定主要依賴于二級碎片譜圖(MS/MS),其鑒定范圍受限于標準譜圖的數(shù)目,難以注釋未知代謝物。而傳統(tǒng)的小分子化合物庫如PubChem,盡管含有多達1億種小分子,但是大多是非天然化合物,結(jié)構(gòu)冗余度高,難以用于發(fā)現(xiàn)生物內(nèi)源性的新代謝物。針對未知代謝物鑒定的挑戰(zhàn),朱正江課題組進一步開發(fā)了基于離子淌度質(zhì)譜的多維代謝物鑒定技術(shù)。該方法首先基于生命體內(nèi)普遍存在的178個生物化學反應,從已知代謝物構(gòu)建新的10萬種未知代謝物化學結(jié)構(gòu)。 利用AllCCS及其他MS/MS工具進行多維質(zhì)譜信息的預測,并通過多維匹配和打分來提升代謝物鑒定的準確性。該技術(shù)能夠有效地去除假陽性注釋,提升了超過80%代謝物的定性分析準確性,進而實現(xiàn)了大規(guī)模檢測和鑒定未知代謝物。
為方便用戶使用,AllCCS平臺(http://allccs.zhulab.cn/)已在阿里云服務器上免費向?qū)W術(shù)用戶開放。
該工作得到了國家重點研發(fā)專項、國家自然科學基金委、中國科學院、上海市科委等的大力資助。
附件下載:

