准确分子质量

卡内基梅隆大学和俄罗斯圣彼得堡国立大学的研究人员提出一种算法——MolDiscovery，提高了小分子识别的效率和准确性。该算法使用分子的质谱数据来预测未知物质的「身份」，在研究早期告诉科学家他们是偶然发现了新事物，还是仅仅重新发现了已知事物，可节省发现新的天然医药产品的时间和金钱。　　该研究于6月17日以「MolDiscovery: learning mass spectrometry fragmentation of small molecules」为题发表在《自然通讯》（Nature Communications）杂志上。 MS 是一种电离化学物质并根据其质荷比（质量-电荷比）对其进行排序的分析技术。广泛应用于各个学科领域中通过制备、分离、检测气相离子来鉴定化合物。　　质谱图是小分子的指纹，可以用一组质量峰表示，但与指纹不同的是，没有庞大的数据库来匹配它们。尽管已经发现了数十万种天然分子，但科学家们无法获得他们的质谱数据。　　目前，已经出现了包含数万个小分子注释质谱的谱库，为开发基于机器学习的方法来提高计算机数据库搜索的灵敏度和特异性铺平了道路。然而，现有方法对于超小分子（1000 Da）在计算上不足。　　现在，该研究团队提出一种质谱数据库搜索方法—— MolDiscovery，通过学习概率模型来将小分子与其质谱相匹配，大大提高了小分子识别的准确性，同时使搜索效率提高了一个数量级。　　从全球天然产物社会分子网络（GNPS；http://gnps.ucsd.edu) 搜索了 800 万个串联质谱后，MolDiscovery 以 0% 的错误发现率 (FDR) 鉴定了 3185 个独特的小分子，与现有方法相比，增加了 6 倍。在具有已知基因组的 GNPS 存储库的一个子集上，MolDiscovery 正确地将 19 个已知和三个假定的生物合成基因簇与其分子产物联系起来。　　MolDiscovery 框架　　MolDiscovery 框架主要分两个过程：训练过程和评分过程。具体步骤：　　从构建代谢物图和生成碎片图开始。对于后者，MolDiscovery 使用一种新的高效算法来查找代谢物图中的桥接和 2-cuts；　　MolDiscovery 继续学习匹配碎裂图和质谱的概率模型；　　对小分子光谱对进行评分，计算 FDR。基准测试　　MolDiscovery 与其他五种最先进的方法进行了比较，数据库搜索结果显示，MolDiscovery识别效果最好，平均可以正确识别测试 GNPS 和 MoNA 数据中的 43.3% 和 64.3% 的小分子。所有测试方法的最高 K = 1、3、5 和 10 准确度。（来源：论文） MolDiscovery 也是针对 DNP 搜索 GNPS 的最快和最节省内存的方法之一。在预处理阶段，MolDiscovery 比其中一种方法快 300 倍以上。　　还根据正确分子匹配的质量范围评估了运行时间。对于质量 1000 Da 的分子光谱，相同质量范围内，MolDiscovery 平均只需 6 分钟和 24 秒。　　注释 8 倍多的光谱，识别出 6倍多的独特化合物　　从GNPS 搜索了 800 万个串联质谱，在严格的 0% FDR 水平下，MolDiscovery 注释了 8 倍多的光谱，并识别出比 Dereplicator+ （一种从MS中识别小分子的数据库搜索复制器）多6倍的独特化合物。　　MolDiscovery 搜索在 10 个线程上花费了 34 天，与单线程上的预测 329 天非常接近。值得注意的是，在搜索如此大规模的光谱数据集时，MolDiscovery 比其他方法要高效得多，只需要对分子数据库进行一次预处理，可以有效地搜索未来的光谱。　　节省新药研发时间、成本　　「科学家们浪费了大量时间来分离已知的分子。」研究团队成员 Hosein Mohimani 说。「早期检测分子是否已知，可以节省时间和数百万美元，并有望使制药公司和研究人员更好地寻找可能用于新药开发的新型天然产品。」　　Mohimani 解释说：「例如，科学家检测出一种在海洋或土壤样本中有望成为潜在药物的分子后，可能需要一年或更长时间才能识别出这种分子，而不能保证该物质是新的。MolDiscovery 使用质谱测量和预测机器学习模型快速准确地识别分子，且无需依赖质谱数据库进行匹配。」　　该团队希望 MolDiscovery 将成为实验室发现新型天然产物的有用工具。MolDiscovery 可以与 Mohimani 实验室开发的机器学习平台 NRPminer 协同工作，帮助科学家分离天然产物。

导读韩牛（Bos taurus coreanae）是一种驯化的哺乳动物，在韩国消费市场作为食物资源，其牛肉消费量远超其他品种，这种消费模式导致了区分韩牛和其他牛品种的分子研究的出现。不仅是牛，其他经济动物的不同品种在市场中的经济价值也存在较大的差异，所以准确进行种质鉴定势在必行。在之前的一项研究中，使用传统的PCR方法和Sanger测序验证确定了由TE关联缺失事件产生的韩牛特异性SV。它可以用作区分不同牛品种的分子标记（即韩牛与荷斯坦牛）。然而，PCR存在缺陷，每个样品都有各种最终拷贝定量。为了克服传统PCR的局限性，并准确评估先前研究中确定的韩牛特异性SV位点，檀国大学生物医学科学系联合畜牧研究所和檀国大学医学院，使用naica️ ® 微滴芯片数字PCR系统对韩牛特异性SV位点进行了更为精确的检测，并将成果《Quantitative evaluation of the molecular marker using droplet digital PCR》发表在Genomics & Informatics杂志上。转座元件（TEs）约占牛基因组的一半。它们可以是一个强大的物种特异性标记，在基因组进化时没有结构变异（SV）的回归突变。因此，作者应用naica️ ® 微滴芯片数字PCR系统对韩牛特异性SV进行准确的定量检测。虽然样品在韩牛群体中的等位基因频率变化较低，但naica️ ® 微滴芯片数字PCR系统可以通过绝对定量进行高灵敏度检测，可以做到比PCR更准确的定量。所以naica️ ® 微滴芯片数字PCR系统平台相比于传统PCR更适用于分子标志物的定量评价。应用亮点：▶ 使用naica® 微滴芯片数字PCR系统对韩牛特异性SV进行准确的定量检测。▶ dPCR测定在计数单分子和分析特定群体的少量拷贝时可以高精度地定量，与qPCR相比，具有更高的准确性。▶ 经过sanger测序，确定了naica️ ® 微滴芯片数字PCR系统检测准确无误，且操作和成本均低于测序。▶ naica️ ® 微滴芯片数字PCR系统适用于分子标志物的定量评价。实验方法：检测样本信息：共提取了五个棕色韩牛DNA和五个荷斯坦DNA作为实验样本。检测方法：为了更准确地检测韩牛特异性SV，将“Del_96”位点应用于naica️ ® 微滴芯片数字PCR系统（Stilla Technologies）。进行naica️ ® 微滴芯片数字PCR系统前确认韩牛和荷斯坦牛的DNA的浓度定量。FAM引物组和FAM探针用于检测韩牛和荷斯坦牛基因组。VIC引物组和VIC探针设计在韩牛特异性缺失（图 1B)。因此，FAM引物组和FAM探针（阳性对照）设计在所有牛DNA中检测。VIC引物组和VIC探针设计用于仅检测韩牛的荧光。▲图 1B实验结果：FAM染料在所有牛基因组中均被检测到，VIC染料仅在韩牛样品中显示出显著的检测。这表明所有韩牛基因组都包含特定的缺失序列（Del_96区域）。在韩牛样品中检测到VIC染料的信号平均浓度为243（copies/ μL）。虽然在荷斯坦样品中也检测到平均浓度0.12（copies/μL）的VIC染料信号，但这些信号相比韩牛可忽略不计。▲naica® 微滴芯片数字PCR系统检测韩Del_96和荷斯坦样品之间区域的绝对拷贝数比较。浓度图在 X 轴上指示样品数，在 Y 轴上指示对数刻度条（拷贝/μL）。（A）在所有样品中检测到FAM荧光。韩牛样品的绝对拷贝数大约是荷斯坦样品的两倍。（B）仅在韩牛样品中强烈检测到VIC荧光。最后，文章Results and Discussion给出-数字PCR适合作为验证物种特异性标记的平台。综上，对于naica️ ® 微滴芯片数字PCR技术，准确定量绝对拷贝数是一个关键特征，相比qPCR准确性更高，naica® 微滴芯片数字PCR为本文的检测提供了有利的支持，也验证了这一特征。在不久的将来，通过将物种识别工具应用于naica️ ® 微滴芯片数字PCR系统，它作为大样本量物种鉴定平台具有巨大潜力。所以naica️ ® 微滴芯片数字PCR系统适合作为验证物种特异性标记的平台。期刊介绍：Genomics & Informatics是由韩国基因组组织发行的涉及农业和生物科学、生物化学、遗传学、分子生物学、健康信息学等领域的期刊。

光学滤光片（如分束器）的边缘陡峭度为截止带通滤光片斜率上两点之间的光谱宽度。滤光片的边缘陡峭度越小，从透射光到阻挡光的过渡就越清晰。但在实际测试过程中，经常有客户会因为测试光谱的陡度达不到要求而困扰，尤其是当需要测试大角度的时候更是如此。其实，这是因为入射光的准直度不够高导致的测量偏差。光谱数据的质量很大程度上取决于穿过被分析样品的入射光束，保持高度的光束准直对于获得最佳结果是必要的。安捷伦 Cary 7000 紫外-可见-近红外分光光度计，其通用测量附件 UMA 中配置了不同孔径的光阑用于调整光束准直度，可以精准测定滤光片的边缘陡度。UMA是如何控制光束准直度的？UMA 有三个独立的光阑安装位置。其中自动偏振器前后的两个安装位置是一对相同的光阑，用于控制垂直平面的光束，另外一个单独的安装位置放置一个光阑，用于控制水平方向的光束。图 1. 适用于不同准直度孔径的安装位置每个光阑上都标注了半锥角，它表述了光束照到样品上的时候汇聚的角度。半锥角与 f 值有关，f 值表示光学元件的聚光效率。f 值越小，收集的光越多，曲线更平滑，但会降低准直度，反之亦然。光束准直度主要由控制水平方向的光阑决定。f 值与半锥角的对应关系如下表：下面我们来看下使用不同半锥角水平方向光阑控制准直度对数据质量的影响。使用 Cary 7000 进行检测，在整个测量过程中保持 0.5 nm 的恒定窄光谱带宽进行测试。如图所示，将水平孔径角度从 3° 调整到 0.25° 可增强 780 至 800 nm 之间的光谱陡峭度（光谱质量的衡量标准），从而有助于对分束器进行准确检测。该图证实了使用 0.25° 时可以获得最佳陡度数据。图 2. 水平面上不同程度的光束准直（0.25至3.0º ）测量分束器边缘陡度UMA 附件可以通过 Agilent Cary WinUV 软件灵活控制，用于表征薄膜、涂层、光学器件、玻璃和太阳能电池等固体材料。UMA 凭借其高度的灵活性，使用户能够改进他们的材料用于研究、开发或 QA/QC 应用的分析。该配件的优点包括：生成高质量的数据和高精度。自动化，无人值守，提高测试效率。UMA 还提供独特的测量功能，可使用户能够自动测量多角度绝对镜面反射率、透射率和散射率，标配的自动偏振器可以测试样品大角度下的光学性能以及带偏振的样品。6 月 6 日，举办光学薄膜制备与测试专题研讨会，届时会详细介绍 Cary 7000 多角度测试案例，欢迎各位专家参与交流。