Identifying Food and Environmental Contaminants using the New NIST High-Res MS/MS Library Search Algorithms and Publicly Available LC/MS/MS Spectral Libraries

Význam tématu

Analýza stopových kontaminantů v potravinách a životním prostředí je klíčová pro zajištění bezpečnosti potravin, sledování znečištění vod a půd a pro vývoj regulačních standardů. Kombinace vysoce přesné (HRAM) LC/MS/MS techniky a rozsáhlých spektrálních knihoven urychluje detekci známých i neznámých sloučenin a rozšiřuje možnosti podezřelého (suspect) a ne‐cíleného (non‐target) screeningu.

Cíle a přehled studie / článku

Cílem bylo otestovat výkon nových vyhledávacích algoritmů NIST MS Search verze 2.3 při identifikaci potravinových a environmentálních kontaminantů pomocí veřejně dostupných crowd‐sourced HRAM LC/MS/MS knihoven. Studie porovnala různé hodnotící metriky (Score, DotProd, Rev‐Dot) a hodnotila úspěšnost při vyhledání pesticidů, veterinárních léků a farmaceutik či kosmetických složek (PPCPs).

Použitá metodika a instrumentace

Pro stanovení typických kontaminantů byly vzorky připraveny ve formě roztoku a analyzovány na Agilent LC/Q-TOF MS v režimu Auto MS/MS (kolizní energie 22 V). Data byla zpracována v softwaru MassHunter Qualitative Analysis 10.0 („Find by Auto MS/MS“) a následně exportována do NIST MS Search Program v. 2.3. Veřejné knihovny (MoNA, MassBank EU, ReSpect, HMDB, MetaboBASE, GNPS) byly staženy jako NIST-kompatibilní msp soubory a sloučeny do uživatelských knihoven.

Hlavní výsledky a diskuse

U více než 1 200 srovnávacích měření napříč 47 kontaminanty se ukázalo, že hodnota Rev-Dot je nejspolehlivějším ukazatelem: při prahu Rev-Dot ≥ 700 byla popsaná metoda schopna identifikovat správnou sloučeninu v první pozici u 93 % všech případů (100 % u veterinárních látek, 95 % u pesticidů, 85 % u PPCPs). ROC analýza pro Rev-Dot dosáhla plochy pod křivkou (AUC) 0,90, což potvrzuje vyváženou citlivost (0,91) a specificitu (0,87) při optimálním prahu 650. Naopak metrika DotProd vykázala AUC pouze 0,33, a je tedy méně vhodná pro automatizované vyhodnocení.
Navíc funkce HiRes MS/MS Hybrid Search umožnila najít analogické struktury neznámých látek pomocí posunu přesného hmotnostního rozdílu (DeltaMass). Příklad tohoto přístupu byl demonstrován na struktuře thiabendazolu, kdy hybridní vyhledávací algoritmus odhalil odpovídající produktové ionty a navrhl související chemické subpopulace.

Přínosy a praktické využití metody

• Vysoká citlivost a specificita při ne‐cílené i suspect analýze.
• Možnost integrace veřejných knihoven doplňuje komerční databáze a rozšiřuje rozsah identifikovatelných sloučenin.
• Hybridní vyhledávání pomáhá navrhnout strukturu neznámých kontaminantů.

Budoucí trendy a možnosti využití

• Další rozšíření a organizace crowd‐sourced spektrálních knihoven s lepší metadaty.
• Integrace strojového učení pro automatizovanou kontrolu kvality a curation spektrálních dat.
• Vylepšení hybridních algoritmů k detekci menších strukturálních modifikací.

Závěr

NIST MS/MS Identity Search ve spojení s Rev-Dot algoritmem prokazuje vysokou spolehlivost při identifikaci známých kontaminantů z veřejných crowd‐sourced HRAM knihoven. Hybridní vyhledávání navíc rozšiřuje možnosti strukturální elucidace neznámých sloučenin.

Reference

• Chao A. et al., Anal Bioanal Chem 412, 1303 (2020).
• NIST Mass Spectral Search Program User’s Guide verze 2.3.
• MassBank of North America (MoNA) database description.
• MassBank EU, ReSpect, HMDB, MetaboBASE, GNPS spektrální zdroje.