高置信的代謝物鑒定：在多組學分析中獲得有意義的結果

　　利用質譜法進行非靶向代謝組學分析，對于新的小分子代謝物的發現來說，是一種強有力的手段。測定碰撞截面（Collision Cross Section, CCS）已被證明能夠多角度提升對小分子的注釋和鑒定準確性。然而，現有的公開CCS數據庫尚未完全覆蓋小分子化學結構。

　　在與《Technology Networks》助理編輯Kate Robinson專訪中，布魯克生命科學質譜生物信息學軟件研發總監Heiko Neuweger闡述了準確注釋和鑒定目標化合物的重要性，以及將CCS信息整合進分析工作流程中的優勢和CCS Predict Pro軟件的優點。

為什么在代謝組學中對目標化合物進行注釋和鑒定很重要？

　　代謝組學研究者深知化學結構的復雜性，特別是在小分子代謝物的研究領域。在分析如天然產物、微生物代謝物或脂質等復雜樣品時，我們面對的是極大的結構多樣性，而這種多樣性常常因同分異構體和同重素而變得更復雜。不管是在探索具有生物活性的代謝產物以促進藥物發現，還是揭示與疾病狀態相關的代謝路徑，對代謝物進行準確鑒定對于發現、定量及多組學分析結果都至關重要。

CCS Predict Pro 如何預測代謝物的碰撞截面（CCS）

　　CCS Predict Pro是一個易于使用的機器學習（ML）模型，經過精確訓練并在數千種已知化合物的timsCCS實驗值上得到驗證。目前，布魯克公司非靶向代謝組學數據分析軟件MetaboScape?內置了兩種CCS Predict Pro模型，一種專門用于脂質分子CCS值預測，另一種適用于小分子代謝物CCS值，兩者均支持正負模式數據處理。CCS預測功能可自動適用于任何具有2D結構信息的譜庫（如MetaboBase、NIST）或用戶自定義列表。這意味著用戶可以使用化學式、InChI或SMILES來預測任何一系列分子的CCS值，并將這些值應用于整個特征列表。若某一特征與預測的CCS值相匹配，該CCS值將被用于注釋質量評分中，顯示預測值與實驗值之間的偏差大小。

這個算法對CCS的預測有多準確？

　　CCS-Predict Pro是目前表現最優的CCS預測算法之一。DeepCCS和AllCCS2等ML模型是最近發布的類似算法。ML模型的一個主要優勢是可以通過不斷添加更多的訓練數據來一進步提升。CCS-Predict Pro 2024作為最新版本在預測準確性上取得了進一步提升，與實驗室實測值相比，其CCS值誤差值可低于1%。

這個軟件的潛在應用是什么？

　　在非靶向代謝組學或脂質組學工作流程中，CCS-Predict Pro 2024是一款強大的工具，可用于輔助鑒定化合物。許多代謝物可能沒有實測的CCS值用于比較，例如，新型天然產物次生代謝產物、藥物代謝產物、經人體或微生物代謝作用改變的異源物，或碳鏈長度和雙鍵位置不同的脂質。同分異構體通常難以通過色譜技術分離，而且色譜峰可能因色譜柱或者流動相的不同而發生偏移。同分異構體大多具有非常相似的MS/MS碎片信息，易導致錯誤的注釋。通過測量CCS值并使用CCS-Predict Pro算法進行CCS值預測，結合現有譜庫或用戶自建列表庫，我們能夠更迅速、準確地獲得代謝物和脂質分子高置信度注釋結果。

將CCS信息整合到代謝組學工作流程中的優勢是什么？

　　與保留時間不同，CCS值是分子在氣相中的固有物理性質，它在非靶向代謝組學和脂質組學工作流程中是重要的正交測量手段，用于化合物鑒定。

　　timsTOF儀器可以通過簡單的校準直接測量遷移率(1/K0) ，因此CCS值是準確且可重復的。液質聯用（LC-MS）中額外增加CCS維度，不僅提供了準確的質量數、同位素模式、MS/MS和保留時間等信息，還為代謝組或脂質組的注釋提供了深入、有價值的度量指標。數據分析常常是代謝組學研究中最具挑戰性的部分，我們都期望能夠盡快得到結果。CCS-Predict Pro的開發目的是提供一個自動化且高度可靠的工作流程，為非靶向代謝物和脂質的鑒定提供進一步的準確性。