近日,我组在脂质组学数据分析方法上取得新进展。使用等效碳数(Equivalent Carbon Number, ECN)模型作为桥梁,通过整合MS-DIAL提供的脂质色谱保留行为和LipidSearch提供的MS/MS谱图信息,显著提升了脂质鉴定的覆盖度和准确性。
脂质组学旨在系统研究生理或病理状态下脂质分子的动态变化。新型Orbitrap Astral质谱仪(Astral-MS)在MS/MS采集速率上实现了大幅提升,但也在如何实现脂质色谱保留行为和结构的双重准确注释方面提出了挑战。
本研究中,我们提出了一种整合MS-DIAL和LipidSearch 5.1信息的ECN策略。该策略由两个功能模块组成:其一,借助MS-DIAL获取的脂质色谱保留数据构建ECN预测模型;其二,将该ECN模型应用于LipidSearch软件初步鉴定的脂质数据进行结果的深度校正与假阳性过滤。方法验证实验中,34种脂质标准品加入NIST SRM 1950血浆样本中,在正、负离子模式下,90.0%和100%的脂质标样保留时间预测相对标准偏差低于±5%,表明模型预测的可靠性。进一步研究发现,使用ECN模型可显著减少LipidSearch 5.1处理结果的假阳性,如在酿酒酵母样本分析中,该模型在正、负离子模式下分别成功剔除了68.8%和80.1%的假阳性鉴定结果。采用本方法对HeLa细胞、NIST血浆、小鼠肝脏组织、酿酒酵母以及它们的混合样本进行分析,分别成功注释出1933、1539、1969、985和2786种脂质。值得注意的是,经LipidSearch和MS-DIAL预处理的Astral-MS数据中注释的脂质数量分别是QE-MS数据中注释数量的3-5倍和2-4倍。综上,本研究开发的ECN策略不仅显著提高了高分辨脂质组学数据的鉴定效率和准确性,还为探索各种复杂生物样品中的脂质组分提供了强有力的分析工具。
相关成果以“Novel Equivalent Carbon Number Strategy for Large-Scale Lipidomics Data Analysis via Ultrahigh–Performance Liquid Chromatography–Orbitrap Astral Mass Spectrometry”为题,发表在《分析化学》(Analytical Chemistry)上。该工作的第一作者是我组博士研究生陈瑶,通讯作者为胡春秀副研究员和许国旺研究员。上述工作得到了国家重点研发计划、国家自然科学基金、大连化物所创新基金等项目的资助。(文/图陈瑶)
文章链接:https://pubs.acs.org/doi/10.1021/acs.analchem.5c01863