Long-Term Robustness of Agilent LC/Q-TOF Systems for Untargeted Lipidomics

Význam tématu

Odhaleni lipidoveho profilu je klicove pro studium nemocni a metabolickych zmen. Dlouhodoba stabilita a minimalizace pristrojoveho sumu je pro rozsahle lipidomicke studie rozhodujici. Untargeted analyza umoznuje objevovani neznamy compound v surovinach biomediciny a podpora statisticke vypovedni sily si vyzaduje vysoce reprodukovatelne vysledky

Cíle a přehled studie

Studie hodnotila presnost relativni kvantifikace a hmotnostni presnost pri analyze vice nez 14000 lidskych plasmatickych vzorku ze studie TEDDY za 26 mesicu. Cilem bylo demonstrovat dlouhodobou robustnost souprav Agilent LC Q TOF pro nescenene lipidomicke analyzy v ramci klinickeho vyzkumu type1 diabetes

Metodika

Vzorky byly extrahovany biphasnim systemem methanol MTBE voda s internimi standardy. Pouzita byla rychla 15min gradientni C18 reverzni chromatografie v modu pozitivni a negativni ESI. Data se ziskavala v rezimu MS1 pro kvantifikaci a MS2 pro identifikaci

Použitá instrumentace

Agilent 1290 Infinity LC se sloupcem C18 2.1×100 mm 1.7 μm. Agilent 6550 iFunnel Q TOF pro negativni ESI a Agilent 6530 Q TOF pro pozitivni ESI. Solventy LC MS grade a hmotnostni kalibrace na referencni sluzbu podle vyrobce

Hlavní výsledky a diskuse

S vyuzitim SERRF normalizace dosahla mediana RSD v pool QC mene nez 2 procenta a v NIST QC 8.3 procenta. LOESS korekce nedokazala udrzet RSD pod 30 procenty. Hmotnostni presnost internich standardu se udrzela pod 2 mDa pres 26 mesicu. Technicka variabilita byla minimalizovana i pres preruseni provozu a rozsahle udrzby pristroju

Přínosy a praktické využití metody

Prehledna a rychla LC Q TOF analyza s vynikajici reprodukovatelnosti umoznuje rozsahle epidemiologicke kovariacni studie s vetsi statistickou silou. Ucinnou kontrolu kvality zarucuji pool QC, metoda blank a externi NIST standardy

Budoucí trendy a možnosti využití

Dalci integrace s automatizaci vzorkovani a podporou strojoveho ucení muze dale vylepsit sledovani driftu a oprav chybi v datech. Kombinace multidimenzionalni separace a rozsirenych lipidovych databazi muze posunout identifikaci neznamy compound na dalsi uroven

Závěr

Agilent LC Q TOF systemy prokazaly dlouhodobou stabilitu a vysoku presnost pro nescenene lipidomicke analyzy tisicu plasmatickych vzorku. Algoritmus SERRF normalizace umoznil mediana RSD mene nez 2 procenta a zachoval presnost hmotnosti pod 2 mDa

Reference

1. Huynh K et al A Comprehensive Curated High Throughput Method for the Detailed Analysis of the Plasma Lipidome Agilent Technologies Application Note 2021
2. TEDDY The Environmental Determinants of Diabetes in the Young repository online
3. Steck AK Rewers MJ Genetics of Type 1 Diabetes Clin Chem 2011 57 176-185
4. Cajka T Fiehn O LC MS Method for Comprehensive Analysis of Plasma Lipids Agilent Technologies Application Note 2019
5. Cajka T Fiehn O Comprehensive Analysis of Lipids in Biological Systems by Liquid Chromatography Mass Spectrometry Trends Anal Chem 2014 61 192-206
6. Fan S et al Systematic Error Removal Using Random Forest for Normalizing Large Scale Untargeted Lipidomics Data Anal Chem 2019 91 3590-3596
7. Dunn W et al Procedures for Large Scale Metabolic Profiling of Serum and Plasma Using Gas Chromatography and Liquid Chromatography Coupled to Mass Spectrometry Nat Protoc 2011 6 1060-1083
8. Wang SY Kuo CH Tseng YJ Batch Normalizer a Fast Total Abundance Regression Calibration Method Anal Chem 2013 85 1037-1046