Evaluation of a Consensus Based MS/MS Library Matching Algorithm and Integration into a Non-Targeted Software Platform for Increasing Exposome Coverage

Význam tématu

Integrace MS/MS spektrálních porovnání do neřízených (non-targeted) workflow je klíčová pro zvýšení přesnosti anotací chemických látek v komplexních matricích, jako jsou například vzorky zodpovědné za expozom. Tradiční MS1‑based filtry (např. analýza mass defect, homologních řad nebo Kaufmannovy projekce) mohou vyčleňovat rozsah chemického prostoru spojovaného s PFAS, avšak do tohoto prostoru se často zařadí i strukturálně nesouvisející látky, což vede k falešným pozitivům. Použití MS/MS knihoven a multispektrálních skórovacích přístupů přináší ortogonální důkaz a výrazně zvyšuje důvěru v identifikace, čímž se rozšiřuje pokrytí expozu a umožňuje odhalit ko‑kontaminanty mimo PFAS třídu.

Cíle a přehled studie / článku

Cílem prezentované práce bylo implementovat a vyhodnotit konsensuální (multi‑metrický) algoritmus pro porovnání MS/MS spekter v rámci softwarové platformy FluoroMatch a demonstrovat jeho přínos pro snížení falešných pozitiv při identifikaci PFAS a rozšíření identifikací na další třídy kontaminantů v odpadních a deponiových matricích. Autoři testovali přístup na reálných vzorcích (konstrukční a skládkové výluhy), porovnávali jednotlivé metriky podobnosti a ukázali příklady, kde MS/MS evidence korigovala chybné MS1‑based přiřazení.

Použitá metodika a instrumentace

Metodika:

• Detekované features byly vybírány pomocí existujícího non‑target workflow (FluoroMatch) a následně asociovány s experimentálními MS/MS spektry.
• Pro každý feature byly kandidátní referenční spektra vyfiltrována podle tolerance precursora (m/z ppm) a polarity ionizace.
• Srovnání spekter zahrnovalo předzpracování zarovnáním iontů a odstraněním nízkohodnotných signálů, poté výpočet tří metrik podobnosti: dot‑product, reverse cosine a spektrová entropie.
• Kandidáti byli řazeni pomocí konsensuálního skórování, které agreguje výsledky z jednotlivých metrik, a uživatel si může filtrovat výsledky buď podle jednotlivých metrik, nebo podle kombinovaného pořadí.

Instrumentace a datové zdroje:

• Softwarová platforma FluoroMatch s integrovanou implementací MS/MS library search.
• Referenční knihovny: MassBank (verze 2025.10) převedená do jednotné SQLite databáze pro škálovatelné dotazování, NIST DIMSpec Library (použita v nativním formátu).
• Metriky: dot‑product, reverse cosine similarity a MSEntropy (spektrální entropie).
• Vizualizační nástroje: interaktivní visualizer ve FluoroMatch umožňující filtrování podle skóre a zobrazení společných fragmentů.

Poznámka: Ve zdrojovém textu nejsou uvedeny konkrétní modely hmotnostních spektrometrů; zaměření bylo na softwarové zpracování dat a integraci knihoven.

Hlavní výsledky a diskuse

• MS1‑only přístupy (mass defect, homologní řady, Kaufmannovy projekce) vedly ke značnému počtu falešně pozitivních přiřazení do PFAS chemického prostoru; část těchto features patřila skutečně k nestandardním nestabilním PFAS, ale značné procento tvořily ne‑PFAS látky s podobnými MS1 charakteristikami.
• Implementace MS/MS library matchingu umožnila korigovat tyto chybné přiřazení. Příklad: 4‑isopropylbenzenesulfonic acid (m/z 199.0434) byl původně v Kaufmannově PFAS oblasti, ale MS/MS porovnání nasvědčilo ne‑PFAS fragmentaci, což vedlo ke změně anotace.
• Analýza rozdílů mezi metrikami ukázala, že každá metrika má odlišnou citlivost: dot‑product je náchylný na šum v intenzitách, reverse cosine zvýrazňuje sdílené fragmenty, zatímco spektrová entropie lépe zohledňuje komplexitu spektra. Tyto rozdíly způsobovaly, že jednotlivé metriky daly často rozcházející se pořadí kandidátů u šumových nebo chudých spekter.
• Konsensuální skórování agregující tři metriky vedlo k robustnějšímu a interpretovatelnějšímu pořadí kandidátů, snížilo závislost na chování jediné metriky a zlepšilo schopnost rozlišit pravděpodobné anotace u variabilní kvality spekter.
• Rozšíření knihoven (MassBank) umožnilo identifikovat i ne‑PFAS ko‑kontaminanty typické pro stavební a demoliční odpad: fenolické antioxidanty (např. fenozan, thiobis‑deriváty), organofosfátové přísady (tributylfosfát) a lineární alkylbenzen sulfonáty (LAS). Tím se významně rozšířilo expozo‑pokrytí analýzy.

Přínosy a praktické využití metody

• Zvýšení specifity při identifikaci PFAS v komplexních matricích díky využití ortogonální MS/MS evidence.
• Snížení falešně pozitivních anotací, což zlepšuje kvalitu dat pro environmentální monitorování a rizikové hodnocení.
• Pružné nasazení v neřízených pracovních postupech umožňující uživatelské filtrování podle jednotlivých metrik nebo konsensu, čímž se adaptuje na rozdílnou kvalitu spektrálních dat.
• Možnost rychlé identifikace ko‑kontaminantů z rozsáhlých veřejných knihoven, což přispívá k širšímu mapování expozomu v environmentálních studiích.

Budoucí trendy a možnosti využití

• Další rozvoj konsensuálních algoritmů: začlenění dalších metrik (např. strukturálních predikcí fragmentace, strojového učení) by mohl zlepšit výkon zejména u chudých či šumových spekter.
• Standardizace formátů knihoven a interoperabilita (SQLite konverze MassBank) je zásadní pro škálovatelnost; další zlepšení indexace a rychlosti dotazů umožní reálný časový či near‑real‑time screening.
• Rozšíření tematického záběru knihoven (více typů antropogenních látek) zvýší expozo‑pokrytí a umožní komplexnější environmentální monitorování a forenzní aplikace.
• Integrace výsledků s retenčními informacemi, predikcí molekulárních vzorců a statistickými filtry by dále zvýšila jistotu anotací.

Závěr

Vpráci autoři prokázali, že přidání MS/MS library matchingu a konsensuálního skórování do FluoroMatch významně snižuje riziko falešných pozitiv založených pouze na MS1 charakteristikách a zároveň rozšiřuje schopnost identifikovat ne‑PFAS ko‑kontaminanty v komplexních environmentálních vzorcích. Multi‑metrický přístup kombinuje výhody jednotlivých metrik a přináší robustnější, interpretovatelnější pořadí kandidátů, což má přímé praktické přínosy pro environmentální analytiku a expozomové studie.

Reference

1. MassBank (v2025.10), Zenodo.
2. NIST DIMSpec Library, Journal of the American Society for Mass Spectrometry, 2024.
3. Li, Y. et al., Spectral entropy outperforms MS/MS dot product similarity for small‑molecule compound identification, Nature Methods, 18, 1524–1531 (2021).