代谢产物LC-MS检测

发布时间：2026-04-16 阅读量：105 作者：生物检测中心

代谢产物LC-MS检测：技术原理与流程详解

代谢产物（代谢物）是生物体生化反应的直接产物，其种类与浓度变化深刻反映生物系统的实时状态。高效液相色谱-质谱联用技术（LC-MS）凭借其高分离能力、高灵敏度及强大的结构解析能力，已成为代谢组学研究不可或缺的核心工具。

一、 核心原理

  1. 液相色谱分离（LC）：

    • 目的： 在质谱检测前，将复杂的代谢物混合物根据其物理化学性质（如极性、疏水性、分子大小、电荷）进行高效分离，极大地降低质谱检测过程中的离子抑制效应，提高定性和定量准确性。
    • 常用模式：
      • 反相色谱（RPLC）： 基于代谢物疏水性差异进行分离，固定相通常为C18键合硅胶柱，流动相为水/缓冲液和有机溶剂（甲醇、乙腈）。适用于中等极性至非极性代谢物（如脂质、黄酮、部分有机酸）。
      • 亲水相互作用色谱（HILIC）： 基于代谢物极性差异进行分离，固定相为极性材料（如硅胶、酰胺、二醇），流动相为高比例有机相（乙腈）和水/缓冲液。适用于强极性和亲水性代谢物（如氨基酸、糖类、核苷酸、强极性有机酸）。
    • 梯度洗脱： 通过程序改变流动相组成，使在较宽极性范围内具有不同保留性质的代谢物都能得到有效分离和洗脱。

  2. 质谱检测（MS）：

    • 离子源（关键接口）：
      • 电喷雾电离（ESI）： 最常用。液态样品流经施加高电压的毛细管，形成带电液滴，溶剂蒸发后产生气相离子。适用于极性和中等极性、易质子化（[M+H]+）或去质子化（[M-H]-）的化合物。灵敏度高，易形成多电荷离子。
      • 大气压化学电离（APCI）： 样品溶液经高温雾化和蒸发后，气态溶剂分子在电晕放电针作用下形成反应离子，再与气态样品分子发生质子转移等反应使之电离。适用于弱极性、中等分子量的化合物。
    • 质量分析器（核心）：
      • 四极杆（Quadrupole, Q）： 通过施加特定的射频（RF）和直流（DC）电压组合，选择特定质荷比（m/z）的离子通过。主要用于目标代谢物分析（如MRM/SRM，提高选择性和灵敏度）。
      • 飞行时间（Time-of-Flight, TOF）： 离子在无场漂移管中飞行，飞行时间与其质荷比的平方根成正比。具有高分辨率（通常>20, 000）和高质量精度（<5 ppm），一次扫描可获取全谱信息，非常适合非靶向代谢组学。
      • 轨道阱（Orbitrap）： 离子在静电场中做谐震荡运动，频率与质荷比相关。提供超高分辨率（>60, 000甚至>100, 000）和高质量精度（<5 ppm，可达<1 ppm），是非靶向代谢物鉴定和精准定量的强大工具。
      • 三重四极杆（TQ或QqQ）： 由三个四极杆串联组成（Q1-q2-Q3）。Q1选择母离子，q2碰撞室碎裂母离子，Q3选择特征子离子。提供极高的选择性和灵敏度，是靶向定量分析（MRM/SRM）的金标准。
      • 串联组合： 常见如Q-TOF（四极杆筛选后TOF高分辨检测）、TripleTOF（Q-TOF可做MS/MS）、Orbitrap Fusion（四极杆筛选后Orbitrap高分辨检测）等，结合了选择性与高分辨能力。
    • 检测器： 记录到达的离子，产生电信号，信号强度反映离子丰度。
 

二、 分析流程

  1. 样品前处理（至关重要）：

    • 目的： 提取目标代谢物、去除干扰基质（如蛋白质、盐类、脂质）、富集低丰度代谢物、使样品与LC-MS系统兼容。
    • 关键步骤：
      • 淬灭： 快速终止样本（细胞、组织、血液等）中的酶活性（常用-40℃预冷的甲醇/水、液氮速冻）。
      • 提取： 使用有机溶剂（甲醇、乙腈、氯仿）、水或二者混合物（如甲醇:水=80:20）提取代谢物。方法选择（蛋白沉淀、液液萃取、固相萃取）取决于样本类型和目标代谢物性质。需考虑提取效率、重现性和基质效应。
      • 净化： 进一步去除杂质（如SPE）。
      • 浓缩/复溶： 干燥后复溶于适合LC进样的溶剂（通常为起始流动相）。
      • 质量控制（QC）： 制备混合所有样本等体积提取液的QC样本，用于监控系统稳定性。

  2. 液相色谱分离：

    • 根据目标代谢物性质选择色谱柱（RPLC或HILIC）和优化梯度洗脱程序。
    • 严格控制流速、柱温以提高分离重现性。
    • 平衡色谱柱至初始条件。

  3. 质谱分析：

    • 电离模式选择： 通常分别进行ESI+和ESI-模式采集以覆盖更广的代谢物范围。
    • 扫描模式：
      • 全扫描（Full Scan/MS1）： 获取所有离子的质谱信息（用于非靶向分析）。
      • 数据依赖采集（DDA）： 根据MS1谱中强度超过阈值的前体离子，自动触发其MS/MS碎裂扫描（用于未知物鉴定）。
      • 数据非依赖采集（DIA）： 无差别地对设定m/z窗口内的所有前体离子进行碎裂（如SWATH），获得所有离子的MS/MS信息（综合覆盖性与重现性）。
      • 多反应监测/选择反应监测（MRM/SRM）： 仅监测特定母离子->子离子对的跃迁（用于靶向定量，最高灵敏度和选择性）。
    • 参数优化： 离子源参数（温度、电压、气流）、碰撞能量（CE）等需针对目标物或平台优化。

  4. 数据处理与分析（复杂且关键）：

    • 原始数据转换： 将仪器专有格式转换为开放格式（如.mzML）。
    • 峰提取与对齐： 识别色谱峰，提取其m/z、保留时间（RT）和强度信息；校正不同样本间RT的微小漂移。
    • 去噪与过滤： 去除噪音、背景信号。
    • 代谢物注释/鉴定（挑战最大）：
      • 初级： 基于精确质量数（与已知代谢物精确质量在设定误差内匹配），查询公共数据库（如HMDB, METLIN, LipidMaps, MassBank）。
      • 二级： 结合MS/MS谱图（需与标准品谱图或数据库中的参考谱图匹配）。
      • 三级： 利用保留时间信息（若有保留时间标准品或预测模型）。
      • 四级： 需标准品完全确认（鉴定水平1）。
    • 定量分析：
      • 相对定量： 对比不同样本中同一代谢物的峰面积或峰高。
      • 绝对定量： 需同位素标记内标（稳定同位素标记的代谢物）进行校正，绘制标准曲线计算绝对浓度。
    • 统计分析： 多元统计（PCA, PLS-DA, OPLS-DA）寻找组间差异代谢物；单变量统计（t检验，ANOVA）评估差异显著性；生物信息学分析（通路分析，网络分析）阐释生物学意义。
    • 数据库： 依赖高质量的代谢物数据库（HMDB, METLIN, KEGG, LipidMaps等）和MS/MS谱图库。
 

三、 优势与挑战

  • 优势：
    • 高灵敏度（可检测皮摩尔甚至飞摩尔水平）。
    • 高选择性（色谱分离与选择性离子检测/MS/MS）。
    • 宽动态范围。
    • 强大的结构解析能力（MS/MS）。
    • 适用于复杂基质中的多种代谢物同时分析（靶向/非靶向）。
  • 挑战：
    • 基质效应： 共流出物干扰目标物电离效率（抑制或增强），严重影响定量准确性（需通过净化、同位素内标补偿、优化色谱分离缓解）。
    • 代谢物鉴定困难： 异构体区分难（需高分辨分离或衍生化）；标准品缺失；谱图数据库仍需完善。
    • 数据复杂性： 海量数据（TB级），处理、分析和解读耗时耗力，需要强大的生物信息学工具。
    • 方法标准化： 样品前处理、LC-MS方法、数据分析流程的标准化仍在发展中，影响结果重现性和可比性。
    • 仪器维护成本高。
 

四、 应用领域

  • 生物标志物发现： 疾病诊断、预后评估、药物反应监测（癌症、代谢性疾病、神经退行性疾病等）。
  • 药物代谢与药代动力学（DMPK）： 药物及其代谢产物的鉴定与定量。
  • 毒理学研究： 毒性机制研究、毒性标志物发现。
  • 营养学研究： 膳食成分代谢、营养状态评估。
  • 微生物代谢组学： 微生物鉴定、功能研究、发酵过程监控。
  • 植物代谢组学： 植物生理、胁迫响应、代谢工程、品质控制。
  • 环境代谢组学： 污染物暴露评估、生态毒理研究。
 

五、 未来展望

  • 更高分辨率/灵敏度/速度： 持续提升硬件性能。
  • 离子淌度谱（IMS）集成： 增加分离维度（基于离子形状/尺寸），提高峰容量和异构体分辨能力。
  • 人工智能与机器学习： 更深层次地应用于峰识别、代谢物自动注释、通路分析、谱图预测。
  • 原位/实时分析： 如质谱成像（MSI）技术发展。
  • 标准化与自动化： 推动前处理、分析流程标准化和自动化，提高通量和重现性。
  • 多组学整合： 与基因组学、转录组学、蛋白组学数据整合，构建更全面的生物学模型。
 

结论：

LC-MS技术凭借其强大的分离与检测能力，已成为深入解析代谢组、揭示生命活动分子机制的核心平台。从精准靶向定量到大规模非靶向发现，它持续推动着生命科学、医学、药学、农业及环境科学的发展。尽管面临基质效应、代谢物鉴定和数据复杂性等挑战，但随着技术的不断革新、标准化进程的推进以及人工智能等新方法的融入，LC-MS在代谢产物分析领域的潜力将进一步释放，为理解健康和疾病状态提供更深入的洞见。

主要参考文献思路方向：

  1. Wishart, D. S. (综述类). Updates in metabolomics tools and resources.
  2. Dunn, W. B., et al. (标准倡议相关). Recommendations for reporting metabolite data.
  3. Patti, G. J., et al. (技术方法). Metabolite identification strategies in LC-MS-based metabolomics.
  4. Lu, W., et al. (前处理). Sample preparation methods for LC-MS-based metabolomics.
  5. Gika, H., et al. (色谱). Current practice of liquid chromatography in metabolomics.
  6. Buescher, J. M., et al. (数据). Integration and analysis challenges in large-scale metabolomics studies.
  7. Zhou, J., et al. (应用). Applications in clinical metabolomics.
  8. 特定领域的应用综述 (植物、微生物、环境等).
底部图片-PC版 底部图片-移动版