Chemovar Typing of Cannabis Strains with MarkerView™ Software and the SCIEX X500R QTOF System

Význam tématu

Historická klasifikace konopí na indicu, sativu či hybridy vychází převážně z pozorovaných fyziologických znaků a předpokládaných účinků. Moderní právní a regulační požadavky však vyžadují přesnější chemickou charakterizaci, zejména v klinické, farmaceutické či průmyslové praxi. Chemovarový přístup, založený na detailním chemickém otisku odrůd, nabízí spolehlivější metodu pro kontrolu kvality, metabolomické profilování, ochranu duševního vlastnictví a detekci padělků.

Cíle a přehled studie / článku

Cílem článku je představit nenásilný (nontargeted) přístup k chemotypizaci konopných odrůd pomocí vysokorozlišovací QTOF hmotnostní spektrometrie a statistického softwaru MarkerView™. Studie ukazuje, jak bez předem definovaného seznamu sloučenin odhalit chemické markery odrůd a vytvořit chemovarovou klasifikaci.

Použitá metodika a instrumentace

Vzorky: Sedm komerčních odrůd, každá ve třech paralelách, extrahováno acetonitrilem dle upraveného vMethod™ protokolu a naředěno methanolem.

LC podmínky:

• Kolona: Phenomenex Kinetex 2.6 µm Biphenyl (150×4,6 mm) při 30 °C
• Systém: SCIEX ExionLC™ AD
• Mobile fáze A: voda + 5 mM acetát amonný + 0,1% kyselina mravenčí
• Mobile fáze B: methanol/voda (98:2) + 5 mM acetát amonný
• Gradient: 30 minut, průtok 0,8 mL/min

MS podmínky:

• Zařízení: SCIEX X500R QTOF s APCI ionizačním zdrojem v pozitivním módu
• SWATH® Acquisition: variabilní okna optimalizovaná pro maximální informaci MS/MS
• Rozsah skenu: 50–1 000 m/z
• Parametry zdroje: NC=1 µA, TE=625 °C, CUR=35 psi, CAD=11, GS1=37 psi

Datové zpracování:

• MarkerView™: nontargeted PCA, t-test, výběr „Peaks of Interest“
• SCIEX OS Analytics: vyhledání MS/MS v knihovnách, FormulaFinder, ChemSpider

Hlavní výsledky a diskuse

PCA model spolehlivě oddělil všechny sedm odrůd do skupin podle chemického profilu. Replikáty každé odrůdy se shlukovaly ve svých kategoriích, což svědčí o reprodukovatelnosti extrakce i analýzy. T-testy a volcano ploty identifikovaly klíčové rozdíly: např. určitá m/z funkce byla významně zvýšená v odrůdě Negro Bonita, jiná byla unikátní pro Nepal. Pomocí MS/MS knihoven byly některé vrcholy identifikovány jako kanabinol či xanthorrizol. Vrcholy bez shody v knihovně dostaly empirické vzorce, které vedly k návrhům struktur z databáze ChemSpider (např. kandidát myrsinoová kyselina), jež je však nutné potvrdit standardem.

Přínosy a praktické využití metody

Metoda poskytuje:

• Komplexní chemický otisk bez nutnosti předdefinovat cílové analyty
• Objev nových markerů neznámých sloučenin
• Rychlou integraci dat do statistických modelů s minimálním vývojem metody
• Podporu pro QA/QC a ochranu duševního vlastnictví
• Možnost aplikace v klinických studiích, při vývoji léčiv i v potravinářské průmyslu

Budoucí trendy a možnosti využití

Očekává se rozšíření databází chemovarů, integrace metabolomiky s genomikou pro predikci účinků, standardizace chemotypech pro regulační účely, zdokonalení in silico predikce fragmentace a rozšíření přístupu na další rostlinné druhy a komplexní přírodní matrice.

Závěr

Nontargeted QTOF-SWATH přístup kombinuje vysokou citlivost a přesnost hmotnostní spektrometrie s pokročilou statistickou analýzou, což umožňuje detailní rozlišení konopných odrůd na úrovni chemovarů. Workflow šetří čas i náklady a otevírá cestu k novým objevům v chemotypizaci.

Reference

1. P. Henry (2017) Cannabis chemovar classification: terpenes hyper-classes and targeted genetic markers for accurate discrimination of flavours and effects. PeerJ Preprints.
2. Quantitation of Oregon List of Pesticides and Cannabinoids in Cannabis Matrices by LC-MS/MS. SCIEX Technical Note RUO-MKT-02-6729-B.
3. Comprehensive Cannabis Analysis: Pesticides, Aflatoxins, Terpenes, and High Linear Dynamic Range Potency from One Extract Using One Column and One Solvent System. SCIEX Technical Note RUO-MKT-02-7218-A.
4. Elzinga S., Fischedick J., Podkolinski R., Raber J. (2015) Cannabinoids and Terpenes as Chemotaxonomic Markers in Cannabis. Natural Products Chemistry & Research 3(4):181.
5. Improved Data Quality Using Variable Q1 Window Widths in SWATH Acquisition. SCIEX Application Note RUO-MKT-02-2879-C.
6. A. Schreiber, N. Pace (2010) Identifying Unexpected Environmental Contaminants with High-Resolution, Accurate Mass LC–MS-MS. LCGC Chromatography Online.