AI驱动液质拟靶向定量到uMRM，跨仪器平台是杀手锏

弥合非靶向质谱与定量MS之间的鸿沟

　　Gary Siuzdak解读其uMRM工作流程如何破解代谢组学一大核心瓶颈

　　多反应监测（MRM）仍是定量质谱领域的黄金标准，但也存在固有短板：需要预设靶向物质、流程优化繁琐，且高度依赖标准品。与此同时，非靶向LC-MS/MS虽检测覆盖面广，却缺少简便可行的稳健定量路径。２者之间的技术鸿沟，限制了代谢组学、脂质组学研究的规模化应用、结果可重复性以及跨实验室数据一致性。

　　在近期研究中，Gary Siuzdak 及其团队提出数据驱动分析框架非靶向多反应监测（uMRM），可将非靶向 MS/MS 数据集转化为经过优化的 MRM 离子跃迁参数。该方法依托混合样本采集、源内碎片离子自动过滤，以及基于样条函数的碎片裂解规律建模，无需针对单一化合物逐一调试优化，即可搭建适用于三重四极杆质谱平台的定量检测方案。经７款不同仪器开展基准测试，结果与实验优化法高度吻合，充分印证了该方法的跨平台可迁移能力。

　　Gary Siuzdak 现任 Scripps Research 代谢组学与质谱中心教授及主任，本文中他详解 uMRM 如何为规模化、可迁移的定量质谱研究，提供切实可行的落地路径。

Gary Siuzdak

　　是什么启发你着手开发uMRM？

　　团队2025年发表于 Analytical Chemistry 的 MRM 相关研究、以及2026年的 uMRM 研究，核心初衷之一是：基因组学早已实现跨实验室研究结果的连贯统一，而小分子研究领域至今仍难以做到这一点。在代谢组学与脂质组学研究中，实验方法往往难以通用复用、不同实验室得出的结果差异明显，定量检测的规模化落地也一直举步维艰。参与NIH代谢组学联盟的经历更让我确信，这不仅是单纯的技术不便，更是整个行业普遍存在、亟待解决的共性需求。

　　这项研究有着长期的技术积淀。Guowang Xu在2013年、2015年于Analytical Chemistry发表的论文，为打通非靶向筛选与靶向定量分析奠定了早期关键基础；团队2018年发表于Nature Methods、关于由MS/MS生成MRM参数的研究，是该方向的又一次重要突破。这些研究共同明确了这类技术路线的应用潜力，也暴露了现存局限。

　　与Waters的Rob Plumb开展合作，成为推动研究落地的关键契机，双方协作厘清了这套工作流程实现跨仪器通用所需满足的实际条件。uMRM正是基于这一全局视角应运而生：让从物质筛选到精确定量的研究路径，变得更系统化、更易迁移、结果更可重复。这项技术还有个极具实用价值的优势：可将体量庞大的筛选类数据集，转化为精简轻量化的定量分析结果，且不受仪器厂商生态限制，便于跨平台、跨实验室的数据整合比对。

　　如何看待科研人员当下获取标准品面临的困境？这一现状又如何制约如今的靶向分析研究？

　　商业化标准品价格高昂、时常缺货，大规模批量获取更是难度极大。这直接导致大量具备生物学研究价值的物质，始终无法纳入靶向检测体系——并非其科研价值不足，而是实验落地的成本与门槛过高。

　　实际应用中，这让靶向分析只能局限在数量有限、且存在一定研究偏向性的化学物质范围内。同时也造成跨实验室研究难以形成统一标准，不同团队往往以不同方式、检测不同物质。

　　工作流程融入了AI优化模块。从宏观层面来说，AI在研发中起到了哪些支撑作用？实现了哪些传统建模无法达成的效果？

　　AI 让我们从单纯观察碎片裂解规律，升级为大规模、系统性地挖掘并学习这类规律。不再依赖预设规则或人工逐一优化，而是基于海量实验数据集，建模分析碎片离子强度随碰撞能量变化的特征。借此能够筛选出理论上合理、且在真实实验条件下信号稳定有效的离子跃迁组合。

　　从这个角度来看，AI模块与实验设计深度绑定。直接依托实测MS/MS数据，通过碎片裂解规律的样条函数表征，筛选出最优定量离子与定性离子。传统方法虽能捕捉部分裂解特征，但面对化学性质多样的各类分子，适配性往往大幅下降。而AI能够依托实测数据，归纳出具备普适性的裂解规律。

　　尤为重要的是，AI并非要取代物理化学基本原理，而是实现原理的规模化落地应用。核心目标是在恪守基础化学规律的前提下，让分析体系更具自适应能力、更贴合数据驱动逻辑，同时实现跨仪器、跨实验室通用。

　　这项成果也是团队协作的成果，Winnie Uritboonthai、Aries Aisporna、Linh Hoang与Elizabeth Billings，在该工作流程的研发、优化及实际落地应用中，都做出了重要贡献。

　　大语言模型也参与了算法优化，是如何将LLM融入研发流程的？从中收获了哪些经验？

　　大语言模型主要作用于研发环节，而非化学机理的解析解读。能够加速代码编写、测试多种技术实现方案、迭代工作流程架构，让算法模型的迭代效率大幅提升。

　　在把理论思路转化为可运行代码、优化复杂计算流程架构方面，LLM的作用尤为突出。虽然无法直接助力裂解化学机理的研究阐释，但显著提升了研发效率与方案灵活度。

　　总结出的经验是：在专业领域知识把控、实验数据验证的前提下，大语言模型可以成为高效的科研研发助手；是科研专业认知的补充，而非替代。

　　uMRM短期内最具落地价值的应用场景有哪些？

　　大型队列研究是首要应用场景，这类研究对规模化定量检测能力要求极高，同时亟需提升跨实验室结果一致性。临床前药理学研究也是核心适用场景，科研人员可借助该技术，快速从物质筛选阶段过渡到精准定量检测阶段。

　　另一大核心优势是回溯分析价值：uMRM依托广谱筛选信息构建而成，科研人员可后续对历史数据集开展深度挖掘分析，不必局限于实验初期预设的检测目标。相较于完整的非靶向数据集，该技术输出结果体量更精简、通用性更强，且后续分析中对谱图匹配的依赖度更低，便于多来源数据的共享、合并与整合。

　　与Julijana Ivanisevic、Chelsea C. Cates-Gatto、Amanda J. Roberts、Anna Popova、James R. Williamson等合作者的交流，也让我们愈发清晰地看到其转化应用潜力，相关研究也印证了行业对规模化、具备生物学意义的定量后续分析技术的迫切需求。

　　想要推动这项技术被行业广泛采纳，最关键的因素是什么？

　　该方法必须具备实用性、跨平台可迁移性，且易于在各类仪器平台落地部署。同等重要的是，技术体系必须建立在严谨的分子鉴定与精细化数据处理之上。只有底层检测信号对应真实存在的生物物质，定量工作流程的规模化应用才有实际意义；否则只会不断放大误差与错误。

　　这也意味着，高质量参考数据库（如METLIN）、以及包含源内碎片离子校正在内的完善筛选策略，都是不可或缺的基础条件。１项技术能否普及，最终取决于易用性与行业可信度，同时还要简化工作流程、降低数据复杂度，剔除冗余步骤，保障定量检测结果稳定可靠。

　　目前该技术还存在哪些局限与待解问题？接下来最想攻克哪些研究方向？

　　一大主要局限是：计算建模能发挥的作用终究有限，对于结构高度复杂的物质，实验验证依旧无可替代。定量分析工作流程的可靠性，也完全依托后续的物质注释与数据筛选环节。若分子鉴定结果存在偏差、或数据中残留大量干扰伪迹，即便实现分析规模化，也无法解决根源性问题。

　　下一步最期待攻坚的方向是：拓宽化学物质的检测覆盖范围，同时提升各类分子、各实验室之间，物质鉴定、数据筛选及定量检测的整体可靠性。

　　放眼长远，未来几年，AI驱动的工作流程会从哪些层面深刻影响质谱分析领域？

　　AI会更多帮助科研人员应对研究本身的复杂性，而非单纯对现有工作流程做自动化复刻。质谱可产出海量、高信息密度的数据集，而AI擅长挖掘数据结构特征、筛选有效信号、优化物质注释、指导检测方案开发。只有与扎实的实测数据深度结合，而非被当作黑箱工具使用，AI才能释放最大价值。

　　最后，这项研究未来会朝着哪些方向持续演进？

　　uMRM会逐步实现物质筛选与精确定量的无缝衔接。理想状态下，科研人员可通过非靶向实验捕捉特征信号，再以极低人工成本，快速转化为标准化定量检测方案。

　　宏观发展方向是让定量质谱技术更易规模化、更易普及，摆脱长期制约行业发展的传统技术瓶颈。

　　未来还会让定量分析输出结果更轻量化、更具通用性，不再绑定单一仪器厂商生态，让不同仪器、不同实验室、不同时间产出的数据，能够更便捷地整合比对。

　　就个人研究兴趣而言，后续还希望实现特定代谢物生物活性的精准鉴定。展望未来，也在研发更自主化、自适应的工作流程，进一步缩小数据生成与定量检测方案开发之间的技术鸿沟。

　　详细总结

　　思维导图

　　核心内容

　　参考

　　Bridging the Gap Between Untargeted and Quantitative MS

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