計算機輔助鑒定藥物代謝產物

隨著分析儀器的發展，單個代謝樣品中即可檢測到成千甚至上萬個化合物，如此龐大的數據亟需無監督的自動化鑒定過程。計算機的引入有效解決了大數據處理難題，同時加速了無標準譜圖化合物的解析過程，在一定程度上實現了藥物代謝產物的自動化鑒定。計算機輔助鑒定方法多種多樣，根據其工作原理，現分為化學結構數據庫基礎上的自動化鑒定、碎片樹、基于代謝反應預測的代謝產物鑒定3類，其中化學結構數據庫基礎上的自動化鑒定適用于無標準譜圖的已知化合物的鑒定，碎片樹以及基于代謝反應預測的代謝產物鑒定為普適性方法，同時適用于未知代謝產物的分析鑒定。

1 化學結構數據庫基礎上的自動化鑒定

相對于存在標準質譜圖的化合物，數據庫收錄的具有結構信息的化合物在數目上具有絕對優勢，例如質譜專用數據庫MassBank中收錄了3 127個化合物的26 296張質譜圖，而化學結構數據庫ChemSpider中收錄了580 000多個化合物結構。如果在化合物結構數據庫基礎上，根據化合物結構即可推測出化合物的主要離子碎片，或者根據離子碎片即可尋找匹配的化合物結構，那么藥物代謝產物可鑒定范圍將進一步擴大。研究人員基于這些思考，將化學信息學與計算機科學相結合，開發出多種二級質譜、多級質譜的檢索與相似度匹配的計算機程序，實現了基于化合物結構數據庫的自動化鑒定過程，擴大了藥物代謝產物的可鑒定范圍。目前相關的方法工具可分為以下3類。

1.1 計算機模擬MS/MS譜圖的代謝產物鑒定

該類方法是根據現有數據庫中化合物的MS/MS標準譜圖規律建立算法，并利用現有數據庫中的數據對算法不斷優化。代謝鑒定工具通過這些算法對實際譜圖進行分析，完成化合物預測、圖譜匹配、評分排序等化合物自動化鑒定過程。例如，CFM-ID 是基于二級質譜并運用此原理的網絡服務器，其主要通過概率模型預測裂解過程，生成候選化合物的裂解圖譜，然后對預測的裂解圖譜和實際圖譜進行相似性評分。CFM-ID實際應用過程中具有3方面的作用： 1）對已知化合物的二級質譜解析；2）對未知化合物的二級質譜預測；3）通過對特定圖譜的候選結構進行預測排序，進而鑒定代謝產物。

1.2 基于裂解方式預測的代謝產物鑒定

此類方法是根據化合物結構，對其所有可能裂解方式進行預測，將所有裂解方式產生的離子碎片組合與實際質譜譜圖進行匹配評分，得到最佳候選化合物結構。應用此原理的代謝產物鑒定軟件很多，例如MS-Finder 、MetFrag 、MIDAS 、MAGMa 。MIDAS是一種通過將MS/MS譜圖與數據庫中的代謝產物的預測碎片進行匹配完成代謝產物鑒定的數據庫檢索方法。為了計算匹配度，MIDAS首先根據化學鍵斷裂一般規律列舉出代謝產物的可能碎片并計算其合理性，然后對實驗數據的MS/MS譜圖與代謝產物預測的MS/MS譜圖進行匹配評分。Ridder等 結合多級質譜譜圖樹，構建了一種以子結構為基礎的拓展算法。該算法通過建立候選化合物的子結構分層樹與各級碎片離子進行匹配，計算匹配分數，根據其匹配分數對從PubChem數據庫得到的候選離子進行排序，獲取代謝產物的分子結構。以上2種方法對質譜均要求較高的質量精度。MetFrag則以某一特定的相對分子質量對PubChem、KEGG、ChemSpider等數據庫進行檢索，然后對合理碎片進行計數，結合碎片峰評分完成對候選化合物的進一步篩選。

1.3 基于分子指紋特征的代謝產物鑒定

該類算法是根據化合物的碎片圖譜對分子指紋特征進行預測，然后根據這些特征在結構數據庫中進行檢索獲取候選化合物。Heinonen等 運用機器學習模型（基于支持向量機原理）完成對分子特征的預測和串聯質譜中的代謝產物鑒定。該方法首先根據未知化合物的質譜信息預測出化合物多種特征，然后將預測的化合物特征與大型數據庫如PubChem進行匹配獲取候選化合物結構。其常用的方法有FingerID、CSI:FingerID ，其中CSI:FingerID結合了“碎片樹”的思想，詳細介紹見“碎片樹”部分。

2 碎片樹

B ? c k e r 等 于2008年首次提出“ 碎片樹”（fragmentation trees，FTs）的概念，這是一種基于質譜碎片的從頭鑒定方法。該法不需要化合物的精確分子結構、化學數據庫、質譜數據庫等信息，以碎片離子為節點，以丟失的基團為連線，表征化合物的裂解途徑，運用固定算法計算子樹的最佳得分，預測化合物分子式。為了驗證方法的可行性，研究人員運用此方法對32個化合物的分子式進行預測，26個化合物的正確分子式位于候選分子式列表的第1位，其余5個化合物的正確分子式也位于候選分子式列表的前五名。該方法提出后，B?cker團隊不斷地將其完善 ，并將碎片樹的思想與機器學習相結合開發出一種基于MS/MS數據對小分子結構進行數據庫搜索的新方法——CSI: FingerID ，在應用過程中該方法與現階段其他的代謝產物鑒定工具如MIDAS、MetFrag、MAGMa、CFM-ID、FingerID相比，均表現出更高的準確性。2016年B?cker等 對“碎片樹”算法——SIRIUS系列進行了新的優化，提出了一種碎片樹的新計算方法——SIRIUS 3，將原本的“組合優化”轉換為“最大后驗估計”。相較于前面的方法，SIRIUS 3解決了碎片樹的計算難題，在未知化合物分子式的從頭鑒定和數據庫檢索尋找結構相似化合物方面更具突出優勢。此外，應用于碎片樹的軟件還有MoleculePuzzle、ISIS等 。5.3 基于代謝反應預測的代謝產物鑒定

藥物代謝產物來源于藥物的代謝反應，代謝產物的結構與代謝反應的類型、前體化合物結構性質密切相關。因此研究者利用這些特征，結合化學信息學與化學計量學，開發出一系列代謝產物的預測軟件和代謝產物篩選方法，輔助藥物代謝產物鑒定。

代謝產物預測軟件根據前體化合物的空間結構、化學鍵的強弱、常見代謝途徑，對代謝產物進行預測。目前根據此方法常用的代謝產物預測軟件有：