Die in MZmine implementierte Diagnostik-Fragmentierungsfilterung ist ein eleganter, nach der Übernahme eingesetzter Ansatz, um LC-MS/MS-Datensätze für ganze Klassen bekannter und unbekannter Naturprodukte zu überprüfen. Dieses Tool sucht MS/MS-Spektren nach Produkt-Ionen und/oder neutralen Verlusten, die der Analyst als diagnostisch für die gesamte Klasse von Verbindungen definiert hat.
Natürliche Produkte werden oft als Mischungen strukturell ähnlicher Verbindungen und nicht als eine einzige Verbindung biosynthetisiert. Aufgrund ihrer gemeinsamen Strukturmerkmale durchlaufen viele Verbindungen innerhalb der gleichen Klasse eine ähnliche MS/MS-Fragmentierung und haben mehrere identische Produktideonen und/oder neutrale Verluste. Der Zweck der diagnostischen Fragmentierungsfilterung (DFF) ist es, alle Verbindungen einer bestimmten Klasse in einem komplexen Extrakt effizient zu erkennen, indem nicht gezielte LC-MS/MS-Datensätze für MS/MS-Spektren geprüft werden, die klassenspezifische Produktzionen und/oder neutrale Verluste enthalten. Diese Methode basiert auf einem DFF-Modul, das innerhalb der Open-Source-MZmine-Plattform implementiert wird und Probenextrakte durch datenabhängige Erfassung eines hochauflösenden Massenspektrometers wie Quadrupole Orbitrap oder Quadrupole Flugmasse analysiert. Analysatoren. Die Haupteinschränkung dieses Ansatzes ist, dass der Analyst zunächst definieren muss, welche Produktzionen and/oder neutrale Verluste spezifisch für die angestrebte Klasse von Naturprodukten sind. Die DFF ermöglicht die anschließende Entdeckung aller verwandten Naturprodukte innerhalb einer komplexen Probe, einschließlich neuer Verbindungen. In dieser Arbeit zeigen wir die Wirksamkeit der DFF, indem wir Extrakte von Microcystis aeruginosa, einer prominenten schädlichen Algenblüte, die Cyanobakterien verursacht, für die Herstellung von Mikrozystinen untersuchen.
Die Tandem-Massenspektrometrie (MS/MS) ist eine weit verbreitete Massenspektrometrie-Methode, bei der ein Vorläuferion isoliert und durch die Anwendung von Aktivierungsenergie wie kollisionsbedingte Dissoziation (CID)1 eine Fragmentierung induziert wird. Die Art und Weise, wie ein Ionenfragmente eng mit seiner molekularen Struktur verbunden ist. Natürliche Produkte werden oft als Mischungen strukturell ähnlicher Verbindungen und nicht als eine einzige einzigartige Chemikalie2biosynthetisiert. Als solche teilen strukturell verwandte Verbindungen, die zur gleichen biosynthetischen Klasse gehören, oft wichtige MS/MS-Fragmentierungsmerkmale, einschließlich gemeinsamer Produktzionen und/oder neutraler Verluste. Die Fähigkeit, komplexe Proben auf Verbindungen zu untersuchen, die klassenspezifische Produkt-Ionen and/oder neutrale Verlustebesitzen, ist eine leistungsfähige Strategie, um ganze Klassen von Verbindungen zu erkennen, was möglicherweise zur Entdeckung neuer natürlicher Produkte führt 3, 4 , 5 , 6. Massenspektrometrie-Methoden wie das neutrale Verlustscannen und das Vorläuferkonten von Ionen, die auf Instrumenten mit niedriger Auflösung durchgeführt werden, lassen seit Jahrzehnten Ionen mit den gleichen neutralen Verlust-oder Produktzonen erkennen. Die spezifischen Ionen oder Übergänge mussten jedoch vor der Durchführung der Experimente definiert werden. Da hochauflösende Massenspektrometer in Forschungslabors immer beliebter geworden sind, werden komplexe Proben heute häufig mit nicht zielgerichteten, datenabhängigen Akquisitionsmethoden (DDA) untersucht. Im Gegensatz zum traditionellen neutralen Verlust-und Vorläuferkonten lassen sich durch die Nachbeschaffungsanalyse 7 strukturbezogene Verbindungenidentifizieren. In dieser Arbeit zeigen wir eine Strategie, die wir als diagnostische Fragmentierungsfilterung (DFF) 5, 6 entwickelthaben, einen geradlinigen und benutzerfreundlichen Ansatz, um ganze Verbindungen in komplexen Matrizen zu erkennen. Dieses DFF-Modul wurde in der Open-Source-Plattform MZmine 2 implementiert und ist über den Download von MZmine 2.38 oder neueren Versionen verfügbar. DFF ermöglicht es Nutzern, DDA-Datensätze für MS/MS-Spektren, die Produkt-Ionen (s) and/oder neutrale Verluste (es) enthalten, die für ganze Klassen von Verbindungen diagnostiziert sind, effizient zu durchsuchen. Eine Begrenzung der DFF sind charakteristische Produktideonen und/oder neutrale Verluste für eine Klasse von Verbindungen muss vom Analytiker definiert werden.
Zum Beispiel, jedes der mehr als 60 verschiedenen Fumonisin Mykotoxineidentifiziert 8,9besitzen eine trikarballylische Seitenkette,die ein m/157.0142 (C6H 5 O5-) Produkt-Ion erzeugt auf Fragmentierung der [M-H]-Ion 4. Daher können alle vermeintlichen Fumonisine einer Probe mit DFF durch das Screening aller MS/MS-Spektren in einem DDA-Datensatz, die das markante m/157.0142-Produkt enthalten, erkannt werden. In ähnlicher Weise können sulvated Verbindungen durch das Screening von DDA-Datensätzen auf MS/MS-Spektren, die einen diagnoseinen-neutralen Verlust von 79.9574 Da (SO3)3enthalten, nachgewiesen werden. Dieser Ansatz wurde auch erfolgreich angewendet, um neue zyklische Peptide 5 und Naturprodukte zu entdecken, die Tryptophan oder Phenylalanin-Rückstände6 enthalten.
Um die Wirksamkeit der DFF und ihre Benutzerfreundlichkeit innerhalb der MZmine-Plattform10zu demonstrieren, haben wir diesen Ansatz bei der Analyse von Mikrozystinen (MCs) angewandt; Eine Klasse von über 240 strukturell verwandten Giftstoffen, die von Süßwassercyanobakterien11,12,13produziert werden.
Die am häufigsten gemeldeten Cyanotoxine sind MCs, wobei die MC-LR (Leucine [L]/Arginin [R]) kongener am häufigsten untersucht wird (Abbildung1). Die MCs sind monozyklische nicht-ribosomale Heptapeptide, biosynthetisiert durch mehrere Cyanobakterien-Gattungen , darunter Microcystis, Anabaena, Nostoc und Planktothrix12,13. Die MCs bestehen aus fünf gemeinsamen Rückständen und zwei variablen Positionen, die mit L-Aminosäuren belegtwerden. Fast alle MCs besitzen eine charakteristische β-Aminosäure 3amino-9-Methoxy-2, 6, 8-Trimethyl-10-Phenyldezen-4,6-Dieno-Säure (Adda) Rückstände an Position 511. Die MS/MS-Fragmentierungswege der MCs sindgut beschrieben 14,15; Die Adda-Reste sind verantwortlich für das prominente MS- /MS-Produkt Ion, m/135.0803+ (C 9 H 11 O+)sowie andere Produktzionen wie m/163.1114 + (C11H 15) . O+) (Abbildung 2). Mit diesen diagnostischen Ionen können nicht zielgerichtete DDA-Datensätze von Microcystis aeruginosa-Kellinextrakten für alle vorhandenen Mikrocystine untersucht werden, sofern die Mikrozystine eine Adda-Rückstände aufweisen.
Die DFF ist eine einfache und schnelle Strategie zur Erkennung ganzer Klassen von Verbindungen, die insbesondere für die Entdeckung von Naturprodukten relevant sind. Der wichtigste Aspekt der DFF ist die Festlegung der spezifischen MS-MS-Fragmentierungskriterien für die angestrebte Klasse von Verbindungen. In diesem repräsentativen Beispiel wurde DFF verwendet, um alle Adda-Reste zu erkennen, die MCs enthalten, die in einem M. Aeruginosa-Kellagerextrakt vorhanden sind. Obwohl die überwiegende Mehrheit der MC…
The authors have nothing to disclose.
Die Autoren danken Heather Roshon (Canadian Phycological Culture Centre, University of Waterloo für die Bereitstellung der Can-Obakteria-Kultur und Sawsan Abusharkh (Carleton University) für technische Hilfe.
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 | |
その他 | |||
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 |