高置信的代谢物鉴定：在多组学分析中获得有意义的结果

　　利用质谱法进行非靶向代谢组学分析，对于新的小分子代谢物的发现来说，是一种强有力的手段。测定碰撞截面（Collision Cross Section, CCS）已被证明能够多角度提升对小分子的注释和鉴定准确性。然而，现有的公开CCS数据库尚未完全覆盖小分子化学结构。

　　在与《Technology Networks》助理编辑Kate Robinson专访中，布鲁克生命科学质谱生物信息学软件研发总监Heiko Neuweger阐述了准确注释和鉴定目标化合物的重要性，以及将CCS信息整合进分析工作流程中的优势和CCS Predict Pro软件的优点。

为什么在代谢组学中对目标化合物进行注释和鉴定很重要？

　　代谢组学研究者深知化学结构的复杂性，特别是在小分子代谢物的研究领域。在分析如天然产物、微生物代谢物或脂质等复杂样品时，我们面对的是极大的结构多样性，而这种多样性常常因同分异构体和同重素而变得更复杂。不管是在探索具有生物活性的代谢产物以促进药物发现，还是揭示与疾病状态相关的代谢路径，对代谢物进行准确鉴定对于发现、定量及多组学分析结果都至关重要。

CCS Predict Pro 如何预测代谢物的碰撞截面（CCS）

　　CCS Predict Pro是一个易于使用的机器学习（ML）模型，经过精确训练并在数千种已知化合物的timsCCS实验值上得到验证。目前，布鲁克公司非靶向代谢组学数据分析软件MetaboScape®内置了两种CCS Predict Pro模型，一种专门用于脂质分子CCS值预测，另一种适用于小分子代谢物CCS值，两者均支持正负模式数据处理。CCS预测功能可自动适用于任何具有2D结构信息的谱库（如MetaboBase、NIST）或用户自定义列表。这意味着用户可以使用化学式、InChI或SMILES来预测任何一系列分子的CCS值，并将这些值应用于整个特征列表。若某一特征与预测的CCS值相匹配，该CCS值将被用于注释质量评分中，显示预测值与实验值之间的偏差大小。

这个算法对CCS的预测有多准确？

　　CCS-Predict Pro是目前表现最优的CCS预测算法之一。DeepCCS和AllCCS2等ML模型是最近发布的类似算法。ML模型的一个主要优势是可以通过不断添加更多的训练数据来一进步提升。CCS-Predict Pro 2024作为最新版本在预测准确性上取得了进一步提升，与实验室实测值相比，其CCS值误差值可低于1%。

这个软件的潜在应用是什么？

　　在非靶向代谢组学或脂质组学工作流程中，CCS-Predict Pro 2024是一款强大的工具，可用于辅助鉴定化合物。许多代谢物可能没有实测的CCS值用于比较，例如，新型天然产物次生代谢产物、药物代谢产物、经人体或微生物代谢作用改变的异源物，或碳链长度和双键位置不同的脂质。同分异构体通常难以通过色谱技术分离，而且色谱峰可能因色谱柱或者流动相的不同而发生偏移。同分异构体大多具有非常相似的MS/MS碎片信息，易导致错误的注释。通过测量CCS值并使用CCS-Predict Pro算法进行CCS值预测，结合现有谱库或用户自建列表库，我们能够更迅速、准确地获得代谢物和脂质分子高置信度注释结果。

将CCS信息整合到代谢组学工作流程中的优势是什么？

　　与保留时间不同，CCS值是分子在气相中的固有物理性质，它在非靶向代谢组学和脂质组学工作流程中是重要的正交测量手段，用于化合物鉴定。

　　timsTOF仪器可以通过简单的校准直接测量迁移率(1/K0) ，因此CCS值是准确且可重复的。液质联用（LC-MS）中额外增加CCS维度，不仅提供了准确的质量数、同位素模式、MS/MS和保留时间等信息，还为代谢组或脂质组的注释提供了深入、有价值的度量指标。数据分析常常是代谢组学研究中最具挑战性的部分，我们都期望能够尽快得到结果。CCS-Predict Pro的开发目的是提供一个自动化且高度可靠的工作流程，为非靶向代谢物和脂质的鉴定提供进一步的准确性。