Aquí se presentan resultados representativos del análisis no dirigido de dispositivos VAMS, siguiendo el procedimiento descrito anteriormente.
Se evaluaron los datos del análisis por triplicado de una muestra agrupada preparada a partir de sangre venosa de 10 individuos, obtenida mediante VAMS, y se muestran las características de las huellas metabólicas resultantes. La calidad de los datos y la información capturada a partir de los dispositivos VAMS se evaluaron utilizando dos criterios principales: el número total de características químicas detectadas y la reproducibilidad de las características (n = 3), expresada como el porcentaje de desviación estándar relativa (%RSD). El número total de características se utilizó para evaluar la amplitud de la extracción y la cobertura química del disolvente, mientras que el %RSD se monitoreó para garantizar la precisión técnica y la robustez del método; un %RSD más bajo indica un proceso de extracción altamente reproducible que minimiza el ruido analítico.
Después de la extracción y el procesamiento de los datos brutos, se obtuvo una matriz de características de m/z y tiempo de retención (RT), junto con sus intensidades. Solo se consideraron las características con una señal detectable en dos de tres réplicas, tras los pasos adecuados de preprocesamiento y filtrado de blancos. Figura 2A,B muestra gráficos de m/z frente a RT para la misma muestra analizada según los protocolos descritos para LC-MS y GC-MS.
El elevado número de características que eluyen al principio del análisis por RPLC se atribuye a metabolitos altamente hidrofílicos extraídos mediante el protocolo aplicado, pero mal retenidos en la columna de fase reversa. Aunque los metabolitos que eluyen tempranamente suponen desafíos para su identificación, aún es posible obtener anotaciones precisas mediante el uso de datos de fragmentación por MS/MS junto con comparaciones con bases de datos espectrales y estándares de referencia internos. Además, se espera que una fracción significativa de esta fracción hidrofílica sea capturada mediante análisis por GC-MS. En última instancia, esto representa una limitación inherente del campo, ya que la gran complejidad del metaboloma exige el uso de múltiples plataformas analíticas.
La evaluación multiplataforma de los extractos metanólicos demuestra claramente la naturaleza altamente complementaria de los flujos analíticos de CL y CG, con métricas de desempeño dentro del rango esperado para un perfilado metabolómico integral. Figura 3A,B muestra la numeración total de características y la distribución del RSD% para cada plataforma. La plataforma de CL proporcionó una amplia cobertura química, resolviendo 4.169 características, lo que concuerda con su capacidad establecida para captar una gran variedad de compuestos polares, semipolares y no volátiles. Al mismo tiempo, la plataforma de CG mostró un subconjunto más pequeño de características, con 187. Esto era esperado, ya que la CG solo puede detectar compuestos volátiles susceptibles a derivatización.
En cuanto a la reproducibilidad, tal como se muestra en el gráfico de violín, la distribución general y dispersión de los valores de %RSD son notablemente similares entre LC-MS y GC-MS. El %RSD promedio fue típico para ambas plataformas, alrededor de 29,7 % para LC (2.655 de 4.169 presentaron un %RSD inferior al 30 %) y 32,3 % para GC (114 de 187 presentaron un %RSD inferior al 30 %). Aunque un pequeño número de características mostró valores de RSD más altos en ambos casos, esta variación es común y esperada en metabolómica no dirigida. Estos valores más altos pertenecen típicamente a metabolitos de baja abundancia que se encuentran cercanos al límite de detección del instrumento. En general, los perfiles de distribución ajustados confirman una reproducibilidad satisfactoria para ambas configuraciones analíticas.
El espacio químico de los metabolitos capturado por el protocolo puede evaluarse mediante las anotaciones de los metabolitos. Se detectaron diversos compuestos mediante LC-MS y GC-MS, tal como se esperaba dada la complementariedad inherente de las dos plataformas. Se proporciona una lista completa de las anotaciones de metabolitos para los dispositivos VAMS en Tabla Suplementaria 1 y Tabla Suplementaria 2. En total, este protocolo detectó y anotó 97 metabolitos (niveles 1 y 2, según lo propuesto por Sumner et al. (2007)22) mediante las dos técnicas, además de otros compuestos caracterizados putativamente a nivel 3. Las anotaciones mediante GC se confirmaron adicionalmente comparando los índices de retención experimentales, obtenidos mediante comparación con FAMES, con los valores tabulados23. Figura 4A,B muestra la distribución por subclases de los metabolitos anotados para ambos métodos, mientras que Figura 4C muestra el solapamiento entre las técnicas, destacando su complementariedad. Algunos metabolitos intermedios clave pueden validarse mediante ambas técnicas, mientras que características estructuralmente únicas o específicas de cada plataforma pueden llenar vacíos en las vías metabólicas centrales del carbono y secundarias. Aunque los aminoácidos y péptidos son las clases químicas predominantes en ambos análisis, solo unos pocos metabolitos se solapan entre las técnicas. Muchas clases de metabolitos son específicas del instrumento, como las acilcarnitinas en LC-MS y las hexosas en GC-MS.
Para demostrar la eficiencia del metanol como disolvente de extracción en ambas técnicas, se realizaron ensayos comparativos en muestras de VAMS utilizando varios sistemas de disolventes, seguidos de análisis mediante LC-MS y GC-MS. Tres sistemas de disolventes distintos se compararon con el metanol en tres réplicas: acetonitrilo puro (ACN), una mezcla de metanol-agua (60:40, v/v) y una mezcla de acetonitrilo-metanol (70:30, v/v). La selección de estos disolventes y mezclas se basó en experimentos preliminares realizados por nuestro grupo, así como en literatura publicada previamente13,14,24,25. La eficiencia de extracción de cada sistema se evaluó utilizando tres parámetros clave: el número total de características detectadas, la intensidad general de las características y la reproducibilidad de las características, expresada como la desviación estándar relativa (RSD, %).
Para el flujo de trabajo de LC-MS, se detectó el mayor número de características utilizando MeOH-H2O (60:40, v/v), con un promedio de 4.514 características en los tres réplicas, seguido de cerca por MeOH puro (4.169 características). La mezcla ACN–MeOH (70:30, v/v) produjo un promedio de 3.502 características, mientras que ACN puro arrojó el recuento promedio más bajo de características, 2.836. Una representación gráfica de estos recuentos de características por réplica se ilustra en Figura 5A.
Para examinar las características de precisión de cada condición de extracción, se analizaron las intensidades de las características y los RSD (%) provenientes de inyecciones por triplicado. En la Figura 5A se muestra una comparación de la abundancia total de características y el %RSD promedio por disolvente de extracción para LC-MS. Las distribuciones del señal log2 fueron similares para todos los extractos, siendo MeOH-H2O 60:40 (v/v), ACN y MeOH los que presentaron abundancias ligeramente superiores en comparación con ACN-MeOH 70:30 (v/v). MeOH produjo un %RSD promedio general más bajo, lo que indica que la extracción fue más reproducible con este disolvente.
Se realizó una evaluación similar de la eficiencia del sistema de solvente de extracción en los datos de GC-MS. Una vez más, para la evaluación del número de características, solo se consideraron aquellas con una señal detectada en al menos dos de las tres réplicas. El solvente que produjo el mayor número de características fue ACN-MeOH 70:30 (v/v) (216 características), seguido de cerca por MeOH (187 características). En la Figura 5B se muestra una ilustración gráfica del número de características detectadas por solvente de extracción y BµS.
En cuanto a la abundancia general de las características detectadas, el MeOH resultó ser el más eficiente, proporcionando una abundancia mayor, como se muestra en la Figura 5B. El MeOH-H₂O 60:40 (v/v) fue el segundo mejor, seguido por ACN-MeOH 70:30 (v/v). El ACN fue el disolvente menos eficaz. En cuanto al %RSD de las características, el MeOH-H₂O 60:40 (v/v) proporcionó los RSD más bajos para VAMS (RSD = 38,57 %), seguido de cerca por ACN (42,65 %), MeOH (44,14 %) y ACN-MeOH 70:30 (v/v) (49,14 %). Estos valores se representan en la Figura 5B.
Lo anterior coincide bien con la literatura publicada previamente. Couacault et al. (2026)19 informaron un número comparable de características en el análisis por RP-LC-MS de DBS y VAMS utilizando una composición de solvente de extracción similar (rehidratación con 80 µL de agua, seguida por la adición de 320 µL de MeOH). De manera similar, Cala et al. (2017)11 detectaron un número comparable de características (153) mediante análisis por GC-MS de puntas de VAMS. Aunque la mayoría de los estudios existentes no evaluaron la precisión de los análisis con estos dispositivos, nuestros hallazgos generales concuerdan con lo esperado para un análisis no dirigido. Además, los resultados de LC coinciden con los reportados por Bossi et al. (2025)26 para el análisis HILIC de micromuestras de DBS y qDBS, en los cuales la mayoría de las características detectadas presentaron RSD < 30 %.
En general, estos resultados demuestran que la extracción basada en metanol proporciona un equilibrio robusto entre el número de características, la intensidad y la precisión (RSD promedio, %) tanto para el análisis por LC-MS como por GC-MS de muestras VAMS. Por lo tanto, un único protocolo de extracción con metanol puede agilizar la preparación dual de muestras, facilitar la adquisición paralela de perfiles metabólicos complementarios y maximizar el rendimiento de información.

Figura 1: Esquemas del protocolo que muestran (A) el protocolo de extracción de muestras, (B) la redisolución para LC-MS y (C) la derivatización para GC-MS/MS. Creado en BioRender. Marques, D. (2026) https://BioRender.com/dprdv18, https://biorender.com/xu2qh34, https://biorender.com/7ztz2qv. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Comparaciones de m/z y rt de una muestra representativa para (A) análisis por LC-MS y (B) análisis por GC-MS. Cada punto representa una señal individual antes de agruparla en características. Los colores representan la intensidad de la señal MS1 para una característica determinada, aumentando la intensidad del azul al rojo. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Cobertura de características y reproducibilidad entre plataformas analíticas. (A) Cobertura de características: número total de características únicas detectadas por LC (turquesa) y GC (naranja), con los conteos exactos anotados encima de cada barra. (B) Reproducibilidad de características: gráficos de violín que muestran la densidad de distribución de las desviaciones estándar relativas (RSD%) para todas las características. Los diagramas de caja insertados indican la mediana y los rangos intercuartílicos; los puntos de datos individuales se omiten por claridad visual. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: Histogramas que muestran el número de compuestos de las diferentes clases químicas detectados mediante (A) LC-MS y (B) GC-MS. (C) Solapamiento de los metabolitos anotados a niveles 1 y 2 entre plataformas. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5: Resultados del disolvente de extracción obtenidos mediante el análisis por LC-MS (A) y GC-MS (B) de dispositivos VAMS. Los gráficos de barras en la parte superior de la figura representan el número de características obtenidas con cada disolvente de extracción aplicado a los dispositivos VAMS por réplica. Los gráficos en la parte inferior de la figura muestran la suma de las intensidades y el RSD promedio (%) para cada disolvente de extracción utilizado con el dispositivo VAMS. El tamaño del círculo representa la intensidad total acumulada de las características detectadas en una escala log2, lo que refleja la eficiencia de extracción. El gradiente de color indica la precisión analítica, expresada como la Desviación Estándar Relativa (RSD), donde el amarillo representa una mayor precisión y el rojo indica una mayor variabilidad. Haga clic aquí para ver una versión más grande de esta figura.
Tabla 1: Tabla de solución de problemas. Resumen de los problemas comunes en el muestreo, sus causas y soluciones al utilizar dispositivos VAMS. Haga clic aquí para descargar este archivo.
Tabla 2: Eluyentes y soluciones de lavado de RP. Resumen de las fases móviles, solución de lavado del sello, disolvente de purga y composiciones de disolvente de lavado utilizadas para el análisis cromatográfico. Haga clic aquí para descargar este archivo.
Archivo suplementario 1: Detalles experimentales adicionales. Parámetros de LC-MS y GC-MS. Haga clic aquí para descargar este archivo.
Tabla suplementaria 1: anotaciones LC-MS. Compuestos identificados con el protocolo actual en la plataforma LC-MS. Haga clic aquí para descargar este archivo.
Tabla suplementaria 2: anotaciones GC-EM. Compuestos identificados con el protocolo actual en la plataforma GC-EM. Haga clic aquí para descargar este archivo.