AI驅動液質擬靶向定量到uMRM，跨儀器平臺是殺手锏

彌合非靶向質譜與定量MS之間的鴻溝

　　Gary Siuzdak解讀其uMRM工作流程如何破解代謝組學一大核心瓶頸

　　多反應監測（MRM）仍是定量質譜領域的黃金標準，但也存在固有短板：需要預設靶向物質、流程優化繁瑣，且高度依賴標準品。與此同時，非靶向LC-MS/MS雖檢測覆蓋面廣，卻缺少簡便可行的穩健定量路徑。２者之間的技術鴻溝，限制了代謝組學、脂質組學研究的規模化應用、結果可重復性以及跨實驗室數據一致性。

　　在近期研究中，Gary Siuzdak 及其團隊提出數據驅動分析框架非靶向多反應監測（uMRM），可將非靶向 MS/MS 數據集轉化為經過優化的 MRM 離子躍遷參數。該方法依托混合樣本采集、源內碎片離子自動過濾，以及基于樣條函數的碎片裂解規律建模，無需針對單一化合物逐一調試優化，即可搭建適用于三重四極桿質譜平臺的定量檢測方案。經７款不同儀器開展基準測試，結果與實驗優化法高度吻合，充分印證了該方法的跨平臺可遷移能力。

　　Gary Siuzdak 現任 Scripps Research 代謝組學與質譜中心教授及主任，本文中他詳解 uMRM 如何為規模化、可遷移的定量質譜研究，提供切實可行的落地路徑。

Gary Siuzdak

　　是什么啟發你著手開發uMRM？

　　團隊2025年發表于 Analytical Chemistry 的 MRM 相關研究、以及2026年的 uMRM 研究，核心初衷之一是：基因組學早已實現跨實驗室研究結果的連貫統一，而小分子研究領域至今仍難以做到這一點。在代謝組學與脂質組學研究中，實驗方法往往難以通用復用、不同實驗室得出的結果差異明顯，定量檢測的規模化落地也一直舉步維艱。參與NIH代謝組學聯盟的經歷更讓我確信，這不僅是單純的技術不便，更是整個行業普遍存在、亟待解決的共性需求。

　　這項研究有著長期的技術積淀。Guowang Xu在2013年、2015年于Analytical Chemistry發表的論文，為打通非靶向篩選與靶向定量分析奠定了早期關鍵基礎；團隊2018年發表于Nature Methods、關于由MS/MS生成MRM參數的研究，是該方向的又一次重要突破。這些研究共同明確了這類技術路線的應用潛力，也暴露了現存局限。

　　與Waters的Rob Plumb開展合作，成為推動研究落地的關鍵契機，雙方協作厘清了這套工作流程實現跨儀器通用所需滿足的實際條件。uMRM正是基于這一全局視角應運而生：讓從物質篩選到精確定量的研究路徑，變得更系統化、更易遷移、結果更可重復。這項技術還有個極具實用價值的優勢：可將體量龐大的篩選類數據集，轉化為精簡輕量化的定量分析結果，且不受儀器廠商生態限制，便于跨平臺、跨實驗室的數據整合比對。

　　如何看待科研人員當下獲取標準品面臨的困境？這一現狀又如何制約如今的靶向分析研究？

　　商業化標準品價格高昂、時常缺貨，大規模批量獲取更是難度極大。這直接導致大量具備生物學研究價值的物質，始終無法納入靶向檢測體系——并非其科研價值不足，而是實驗落地的成本與門檻過高。

　　實際應用中，這讓靶向分析只能局限在數量有限、且存在一定研究偏向性的化學物質范圍內。同時也造成跨實驗室研究難以形成統一標準，不同團隊往往以不同方式、檢測不同物質。

　　工作流程融入了AI優化模塊。從宏觀層面來說，AI在研發中起到了哪些支撐作用？實現了哪些傳統建模無法達成的效果？

　　AI 讓我們從單純觀察碎片裂解規律，升級為大規模、系統性地挖掘并學習這類規律。不再依賴預設規則或人工逐一優化，而是基于海量實驗數據集，建模分析碎片離子強度隨碰撞能量變化的特征。借此能夠篩選出理論上合理、且在真實實驗條件下信號穩定有效的離子躍遷組合。

　　從這個角度來看，AI模塊與實驗設計深度綁定。直接依托實測MS/MS數據，通過碎片裂解規律的樣條函數表征，篩選出最優定量離子與定性離子。傳統方法雖能捕捉部分裂解特征，但面對化學性質多樣的各類分子，適配性往往大幅下降。而AI能夠依托實測數據，歸納出具備普適性的裂解規律。

　　尤為重要的是，AI并非要取代物理化學基本原理，而是實現原理的規模化落地應用。核心目標是在恪守基礎化學規律的前提下，讓分析體系更具自適應能力、更貼合數據驅動邏輯，同時實現跨儀器、跨實驗室通用。

　　這項成果也是團隊協作的成果，Winnie Uritboonthai、Aries Aisporna、Linh Hoang與Elizabeth Billings，在該工作流程的研發、優化及實際落地應用中，都做出了重要貢獻。

　　大語言模型也參與了算法優化，是如何將LLM融入研發流程的？從中收獲了哪些經驗？

　　大語言模型主要作用于研發環節，而非化學機理的解析解讀。能夠加速代碼編寫、測試多種技術實現方案、迭代工作流程架構，讓算法模型的迭代效率大幅提升。

　　在把理論思路轉化為可運行代碼、優化復雜計算流程架構方面，LLM的作用尤為突出。雖然無法直接助力裂解化學機理的研究闡釋，但顯著提升了研發效率與方案靈活度。

　　總結出的經驗是：在專業領域知識把控、實驗數據驗證的前提下，大語言模型可以成為高效的科研研發助手；是科研專業認知的補充，而非替代。

　　uMRM短期內最具落地價值的應用場景有哪些？

　　大型隊列研究是首要應用場景，這類研究對規模化定量檢測能力要求極高，同時亟需提升跨實驗室結果一致性。臨床前藥理學研究也是核心適用場景，科研人員可借助該技術，快速從物質篩選階段過渡到精準定量檢測階段。

　　另一大核心優勢是回溯分析價值：uMRM依托廣譜篩選信息構建而成，科研人員可后續對歷史數據集開展深度挖掘分析，不必局限于實驗初期預設的檢測目標。相較于完整的非靶向數據集，該技術輸出結果體量更精簡、通用性更強，且后續分析中對譜圖匹配的依賴度更低，便于多來源數據的共享、合并與整合。

　　與Julijana Ivanisevic、Chelsea C. Cates-Gatto、Amanda J. Roberts、Anna Popova、James R. Williamson等合作者的交流，也讓我們愈發清晰地看到其轉化應用潛力，相關研究也印證了行業對規模化、具備生物學意義的定量后續分析技術的迫切需求。

　　想要推動這項技術被行業廣泛采納，最關鍵的因素是什么？

　　該方法必須具備實用性、跨平臺可遷移性，且易于在各類儀器平臺落地部署。同等重要的是，技術體系必須建立在嚴謹的分子鑒定與精細化數據處理之上。只有底層檢測信號對應真實存在的生物物質，定量工作流程的規模化應用才有實際意義；否則只會不斷放大誤差與錯誤。

　　這也意味著，高質量參考數據庫（如METLIN）、以及包含源內碎片離子校正在內的完善篩選策略，都是不可或缺的基礎條件。１項技術能否普及，最終取決于易用性與行業可信度，同時還要簡化工作流程、降低數據復雜度，剔除冗余步驟，保障定量檢測結果穩定可靠。

　　目前該技術還存在哪些局限與待解問題？接下來最想攻克哪些研究方向？

　　一大主要局限是：計算建模能發揮的作用終究有限，對于結構高度復雜的物質，實驗驗證依舊無可替代。定量分析工作流程的可靠性，也完全依托后續的物質注釋與數據篩選環節。若分子鑒定結果存在偏差、或數據中殘留大量干擾偽跡，即便實現分析規模化，也無法解決根源性問題。

　　下一步最期待攻堅的方向是：拓寬化學物質的檢測覆蓋范圍，同時提升各類分子、各實驗室之間，物質鑒定、數據篩選及定量檢測的整體可靠性。

　　放眼長遠，未來幾年，AI驅動的工作流程會從哪些層面深刻影響質譜分析領域？

　　AI會更多幫助科研人員應對研究本身的復雜性，而非單純對現有工作流程做自動化復刻。質譜可產出海量、高信息密度的數據集，而AI擅長挖掘數據結構特征、篩選有效信號、優化物質注釋、指導檢測方案開發。只有與扎實的實測數據深度結合，而非被當作黑箱工具使用，AI才能釋放最大價值。

　　最后，這項研究未來會朝著哪些方向持續演進？

　　uMRM會逐步實現物質篩選與精確定量的無縫銜接。理想狀態下，科研人員可通過非靶向實驗捕捉特征信號，再以極低人工成本，快速轉化為標準化定量檢測方案。

　　宏觀發展方向是讓定量質譜技術更易規模化、更易普及，擺脫長期制約行業發展的傳統技術瓶頸。

　　未來還會讓定量分析輸出結果更輕量化、更具通用性，不再綁定單一儀器廠商生態，讓不同儀器、不同實驗室、不同時間產出的數據，能夠更便捷地整合比對。

　　就個人研究興趣而言，后續還希望實現特定代謝物生物活性的精準鑒定。展望未來，也在研發更自主化、自適應的工作流程，進一步縮小數據生成與定量檢測方案開發之間的技術鴻溝。

　　詳細總結

　　思維導圖

　　核心內容

　　參考

　　Bridging the Gap Between Untargeted and Quantitative MS

　　https://theanalyticalscientist.com/issues/2026/articles/may/bridging-the-gap-between-untargeted-and-quantitative-ms/