Structural elucidation using GCxGC-TOFMS and machine learning for unknown metabolites in HeLa cell

Význam tématu

Metabolomika představuje klíčovou disciplínu pro komplexní analýzu malých molekul v biologických systémech. Díky pokročilým technikám, jako je dvojrozměrná plynová chromatografie s časově-of-flight hmotnostní spektrometrií (GCxGC-TOFMS) v kombinaci s umělou inteligencí, je možné identifikovat i dosud neznámé metabolity, což rozšiřuje naše poznání buněčných procesů a umožňuje objevovat nové biomarkery.

Cíle a přehled studie

Studie prezentovaná na Multidimensional Chromatography Workshop 2026 se zaměřila na integraci vysoce rozlišovacího GC-HRTOFMS přístroje JMS-T2000GC „AccuTOF GC-Alpha“ s AI softwarem msFineAnalysis AI. Hlavním cílem bylo vytvořit workflow pro spolehlivou strukturální elucidaci neznámých metabolitů v HeLa buňkách, které nejsou registrovány v konvenčních databázích.

Použitá metodika a instrumentace

• GCxGC modulace: SepSolve INSIGHT-Thermal modulator, kolony BPX5 (30 m×0,25 mm, 0,25 µm) a Rxi-17Sil MS (3,4 m×0,15 mm, 0,15 µm).
• GC-HRTOFMS: JMS-T2000GC „AccuTOF GC-Alpha“ s rozlišením > 30 000 (FWHM) a přesností ± 1 ppm.
• Iontizace: kombinace elektronové (EI), chemické (CI), fotoionizace (PI) a polárního ionizačního zdroje (FI).
• AI software: msFineAnalysis AI s predikovanou databází > 200 milionů EI spekter a retenčních indexů.
• Datová analýza: integrované zpracování GC/EI a GC/SI dat, dekonvoluce stop, porovnávání s NIST databází a AI-podporované filtrování podle molekulární formule a substruktur.

Hlavní výsledky a diskuse

• Vyvinutý AI model dosahuje průměrné podobnosti kosinusového skóre 0,86 při predikci EI spekter vs. měřená data.
• Databáze > 200 milionů predikovaných spekter umožňuje zařadit správnou strukturu na 1. místo v 56 % případů, v top 5 až 82 % a v top 10 až 87 % hodnocených sloučenin.
• Workflow aplikovaný na HeLa buňky odhalil neznámý metabolit N-methyl UMP, který se standardně nenachází v NIST DB, a jeho struktura byla potvrzena jako první kandidát s nejvyšším AI skóre.

Přínosy a praktické využití metody

• Robustní ne-target analýza metabolitů s vysokou reprodukovatelností a důkladnou strukturální interpretací.
• Možnost identifikovat biologicky významné markery, které nejsou obsaženy v komerčních spektrálních databázích.
• Aplikace v biomedicínském výzkumu, farmaceutické analýze, QA/QC laboratořích a průmyslové metabolomice.
• Rozšíření metody i na další třídy látek (polymery, pyrolyzáty) díky in-silico knihovnám.

Budoucí trendy a možnosti využití

• Další rozšiřování a aktualizace AI modelů pro zlepšení přesnosti predikce spekter i retenčních indexů.
• Integrace s dalšími omics metodami (proteomika, lipidomika) a multi-omics datovými toky.
• Vývoj on-line a real-time řešení pro rychlou detekci neznámých látek v klinické diagnostice a environmentálním monitoringu.
• Zavádění pokročilých vizualizačních nástrojů pro intuitivní interpretaci 2D chromatogramů a AI výsledků.

Závěr

Kombinace tří klíčových technologií – vysoce rozlišovací GC-TOFMS, měkké ionizační zdroje a AI-podporovaná strukturální analýza – přináší nový standard v ne-target metabolomice. Výsledný workflow zvyšuje přesnost, rychlost a šíři detekce neznámých látek, čímž otevírá nové možnosti pro biomedicínský výzkum i průmyslové aplikace.

Reference

1. A. Kubo et al., Mass Spectrometry, 2023, 12, A0120.
2. Z. Lai, H. Tsugawa et al., Identifying metabolites by integrating metabolome databases with mass spectrometry cheminformatics, 2017.
3. The NIST Mass Spectral Search Program for the NIST/EPA/NIH Mass Spectral Library.