Le filtrage de fragmentation diagnostique, implémenté dans MZmine, est une approche élégante et post-acquisition pour filtrer les jeux de données LC-MS/MS pour des classes entières de produits naturels connus et inconnus. Cet outil recherche les spectres MS/MS pour les ions produits et/ou les pertes neutres que l’analyste a définies comme étant diagnostiques pour l’ensemble de la classe de composés.
Les produits naturels sont souvent biosynthétisés comme des mélanges de composés structurellement similaires, plutôt qu’un seul composé. En raison de leurs caractéristiques structurelles communes, de nombreux composés au sein de la même classe subissent une fragmentation MS/MS similaire et ont plusieurs ions de produit identiques et/ou des pertes neutres. Le but du filtrage de fragmentation diagnostique (DFF) est de détecter efficacement tous les composés d’une classe donnée dans un extrait complexe en criblant des jeux de données LC-MS/MS non ciblés pour les spectres MS/MS qui contiennent des ions de produit spécifiques à la classe et/ou des pertes neutres. Cette méthode est basée sur un module DFF implémenté dans la plate-forme open-source MZmine qui nécessite l’analyse d’extraits d’échantillons par acquisition dépendante des données sur un spectromètre de masse à haute résolution tel que l’Orbitrap quadrupolaire ou la masse de temps de vol quadrupolaire Analyseurs. La principale limitation de cette approche est l’analyste doit d’abord définir quels ions de produit et/ou pertes neutres sont spécifiques pour la classe ciblée de produits naturels. DFF permet la découverte subséquente de tous les produits naturels connexes dans un échantillon complexe, y compris les nouveaux composés. Dans ce travail, nous démontrons l’efficacité de la DFF en criblant des extraits de Microcystis aeruginosa, une floraison algale nocive importante causant des cyanobactéries, pour la production de microcystines.
La spectrométrie de masse en tandem (MS/MS) est une méthode de spectrométrie de masse largement utilisée qui consiste à isoler union précurseur et à induire la fragmentation par l’application d’énergie d’activation telle que la dissociation induite par collision (CID)1. La manière dont un fragment d’ion est intimement lié à sa structure moléculaire. Les produits naturels sont souvent biosynthétisés comme des mélanges de composés structurellement similaires plutôt que comme un seul produit chimique unique2. En tant que tels, les composés structurellement apparentés qui font partie de la même classe biosynthétique partagent souvent les principales caractéristiques de fragmentation des MS/MS, y compris les ions de produit partagés et/ou les pertes neutres. La capacité à échantillonne des échantillons complexes pour des composés qui possèdent des ions de produit spécifiques à la classe et/ou des pertes neutres est une stratégie puissante pour détecter des classes entières de composés, conduisant potentiellement à la découverte de nouveaux produits naturels3, le 4 , 5 la plupart des , 6. pendant des décennies, des méthodes de spectrométrie de masse telles que la numérisation des pertes neutres et l’analyse des ions précurseurs effectuées sur des instruments à faible résolution ont permis de détecter les ions ayant les mêmes ions de perte ou de produit neutre. Cependant, les ions ou les transitions spécifiques devaient être définis avant d’effectuer les expériences. Comme les spectromètres de masse à haute résolution sont devenus plus populaires dans les laboratoires de recherche, les échantillons complexes sont maintenant couramment examinés en utilisant des méthodes d’acquisition non ciblées, dépendantes des données (DDA). Contrairement à la perte neutre traditionnelle et à la numérisation des ions précurseurs, les composés structurellement apparentés peuvent être identifiés par l’analyse post-acquisition7. Dans ce travail, nous démontrons une stratégie que nous avons développée appelée filtrage de fragmentation diagnostique (DFF)5,6, une approche simple et conviviale pour détecter des classes entières de composés dans des matrices complexes. Ce module DFF a été mis en œuvre dans la plate-forme open-source, MZmine 2 et disponible en téléchargeant MZmine 2,38 ou des versions plus récentes. DFF permet aux utilisateurs d’écran efficacement les jeux de données DDA pour les spectres MS/MS qui contiennent des ions de produit (s) et/ou des pertes neutres qui sont diagnostiques pour des classes entières de composés. Une limitation de DFF est des ions produits caractéristiques et/ou des pertes neutres pour une classe de composés doivent être définies par l’analyste.
Par exemple, chacune des plus de 60 différentes mycotoxines fumonisines identifiées8,9 possèdent une chaîne latérale tricarballylic, qui génère union de produit m/z 157,0142 (C6H5O5–) sur fragmentation du [M-H]– ion4. Par conséquent, toutes les fumonisines putatives d’un échantillon peuvent être détectées à l’aide de DFF en criblant tous les spectres MS/MS dans un jeu de données DDA contenant l’ion de produit m/z 157,0142 en évidence. De même, les composés sulfatés peuvent être détectés en criblage de jeux de données DDA pour les spectres MS/MS qui contiennent une perte diagnostique neutre de 79,9574 da (SO3)3. Cette approche a également été appliquée avec succès pour la détection de nouveaux peptides cycliques5 et des produits naturels qui contiennent des résidus de tryptophane ou de phénylalanine6.
Pour démontrer l’efficacité de la DFF et sa facilité d’utilisation au sein de la plate-forme MZmine10, nous avons appliqué cette approche à l’analyse des microcystines (MCS); une classe de plus de 240 toxines structurellement apparentées produites par les cyanobactéries d’eau douce11,12,13.
Les cyanotoxines les plus couramment signalées sont des MCs, avec le congénère MC-LR (leucine [L]/arginine [R]) le plus fréquemment étudié (figure 1). Les MCs sont des heptapeptides monocycliques non ribosomiques, biosynthétisés par plusieurs genres de cyanobactéries, dont Microcystis, Anabaena, Nostoc et Planktothrix12,13. Les MCs sont composés de cinq résidus communs et de deux positions variables occupées par les acides aminés L. Presque tous les MCs possèdent un résidu caractéristique de l’acide β-amino-3-amino-9-méthoxy-2, 6, 8-triméthyl-10-phényldéca-4, 6-diénoïque (Adda) à la position 511. Les voies de fragmentation MS/MS des MCS sont bien décrites14,15; le résidu Adda est responsable de l’ion de produit MS/MS, m/z 135,0803+ (c9h11O+), ainsi que d’autres ions produits, y compris m/z 163,1114+ (c11h15 O+) (figure 2). Les ensembles de données DDA non ciblés des extraits cellulaires de Microcystis aeruginosa peuvent être examinés pour toutes les microcystines présentes à l’aide de ces ions diagnostiques, étant donné que les microcystines ont un résidu Adda.
DFF est une stratégie directe et rapide pour la détection de classes entières de composés, particulièrement pertinent pour la découverte de composés naturels de produits. L’aspect le plus important de la DFF est de définir les critères spécifiques de fragmentation MS/MS pour la classe ciblée de composés. Dans cet exemple représentatif, le DFF a été utilisé pour détecter tous les résidus d’Adda contenant des MCs présents dans un extrait cellulaire de M. aeruginosa . Bien que la grande major…
The authors have nothing to disclose.
Les auteurs remercient Heather Roshon (Centre canadien de culture phycologique de l’Université de Waterloo pour avoir fourni la culture des cyanobactéries étudiées et sawsan Abusharkh (Université Carleton) pour l’assistance technique.
Cyanobacteria | |||
Microcystis aeruginosaCPCC300 | CANADIAN PHYCOLOGICAL CULTURE CENTRE | CPCC300 | https://uwaterloo.ca/canadian-phycological-culture-centre/ |
Software | |||
Proteowizard (software) | software | http://proteowizard.sourceforge.net/ | |
Mzmine 2 | software | http://mzmine.github.io/ | |
LC-MS | |||
Q-Exactive Orbitrap | Thermo | – | Equipped with HESI ionization source |
1290 UHPLC | Agilent | Equipped with binary pump, autosampler, column compartment | |
C18 column | Agilent | 959757-902 | Eclipse Plus C18 RRHD column (2.1 × 100 mm, 1.8 μm) |
Solvents | |||
Optima LC-MS grade Methanol | Fisher | A456-4 | |
OptimaLC-MS grade Acetonitrile | Fisher | A955-4 | |
OptimaLC-MS grade Water | Fisher | W6-4 | |
LC-MS grade Formic Acid | Fisher | A11710X1-AMP | |
Vortex-Genie 2 | Scientific Industries | SI-0236 | |
Centrifuge Sorvall Micro 21 | Thermo Scientific | 75-772-436 | |
Andere | |||
Amber HPLC vials 2 mL/caps | Agilent | 5182-0716/5182-0717 | |
0.2-μm PTFE syringe filters | Pall Corp. | 4521 | |
Whatman 47mm GF/A glass microfiber filters | Sigma-Aldrich | WHA1820047 | |
Media | |||
MA media (pH 8.6) ( quantity / L) | Watanabe, M. F. & Oishi, S. Effects of environmental factors on toxicity of a cyanobacterium (Microcystis aeruginosa) under culture conditions. Applied and Environmental microbiology. 49 (5), 1342-1344 (1985). | ||
Ca(NO3)·4H2O, 50 mg | Sigma-Aldrich | C2786 | |
KNO3, 100 mg | Sigma-Aldrich | P8291 | |
NaNO3, 50 mg | Sigma-Aldrich | S5022 | |
Na2SO4, 40 mg | Sigma-Aldrich | S5640 | |
MgCl2·6H20, 50 mg | Sigma-Aldrich | M2393 | |
Sodium glycerophosphate, 100 mg | Sigma-Aldrich | G9422 | |
H3BO3, 20 mg | Sigma-Aldrich | B6768 | |
Bicine, 500 mg | Sigma-Aldrich | RES1151B-B7 | |
P(IV) metal solution, 5 mL | |||
Bring the following to 1 L with ddH2O | |||
NaEDTA·2HO | Sigma-Aldrich | E6635 | |
FeCl3 ·6H2O | Sigma-Aldrich | 236489 | |
MnCl2·4H2O | Baker | 2540 | |
ZnCl2 | Sigma-Aldrich | Z0152 | |
CoCl2·6H2O | Sigma-Aldrich | C8661 | |
Na2MoO4·2H2O | Baker | 3764 | |
Cyanobacteria BG-11 50X Freshwater Solution | Sigma-Aldrich | C3061-500mL |