Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Découverte de produits naturels avec filtrage de fragmentation diagnostique LC-MS/MS: application pour l’analyse microcystine

8.2K vues

⸱

DOI :

10.3791/59712

⸱

31 mai 2019

 ,  ,  ,  , 
1Department of Chemistry, Carleton University Ottawa, 2London Research and Development Center, Agriculture and Agri-Food Canada

Dans cet article

Résumé

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.

Résumé

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.

Introduction

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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

1. préparation des ensembles de données de chromatographie en phase liquide non ciblées (LC)-MS/MS

Remarque: le DFF peut être effectué à l’aide d’un spectromètre de masse à haute résolution et d’une méthode analytique optimisée pour une classe cible d’analytes. Les conditions LC-MS/MS optimisées pour MC sur le spectromètre de masse Orbitrap sont répertoriées dans le tableau des matériaux.

  1. Téléchargement de MZmine 2 (http://mzmine.github.io/)
    Remarque: les exemples de données CPCC300. RAW peuvent être trouvés à https://drive.google.com/open?id=1HHbLdvxCMycSasyNXPRqIe5pkaSqQoS0.
    1. Dans le menu déroulant méthodes de données brutes , sélectionnez l’option d' importation de données brutes .
    2. Choisissez le ou les fichiers de données à analyser. Des fichiers simples ou multiples peuvent être importés.
  2. Facultatif Si le format de données fournisseur n’est pas pris en charge par MZmine, utilisez Proteowizard16 pour générer des fichiers de données. mzml centrorespectés.
    1. Choisissez le filtre de prélèvement maximal pour appliquer l’algorithme de centrorespect fourni par le fournisseur.

2. filtrage de fragmentation diagnostique des fichiers DDA importés

  1. À l’aide du curseur, sélectionnez et mettez en surbrillance le ou les fichiers de données dans la colonne fichiers de données brutes de l’écran principal de mzmine.
  2. Dans le menu déroulant visualisation , sélectionnez l’option filtrage de fragmentation de diagnostic .
  3. Dans la boîte de dialogue DFF qui apparaît (figure 3), entrez les options suivantes:
    1. Durée de rétention – utilisez la plage automatique ou définissez la plage de durées de rétention en minutes lorsque la classe ciblée d’analytes est éluute.
    2. Précurseur m/z -utilisez la gamme auto ou définissez la plage m/z de la classe ciblée d’analytes, y compris la possibilité de plusieurs composés chargés, le cas échéant.
    3. m/z tolérance – entrez la précision de masse MS/MS réalisable du MSinstrument; 0,01 m/z ou 3,0 ppm est approprié pour une plate-forme Orbitrap. Si seuls les ions de produit de diagnostic seront étudiés, entrez 0,0 dans l’option valeur de perte neutre diagnostique (DA) . Inversement, si seules les pertes de diagnostic neutres seront étudiées, entrez 0,0 dans l’option ions du produit de diagnostic (m/z) .
    4. Ions de produit de diagnostic (m/z) – entrée l’ion (s) de produit spécifique à la classe m/z. Séparez plusieurs ions de produit par une virgule.
      Remarque: la saisie de plusieurs ions de produit visualisera les spectres qui contiennent tous les ions de produit répertoriés.
    5. Valeur de perte neutre diagnostique (DA) – entrez la ou les pertes neutres spécifiques à la classe. Séparez plusieurs pertes neutres par une virgule.
      Remarque: la saisie de plusieurs pertes neutres visualisera les spectres qui contiennent toutes les pertes neutres répertoriées. En entrant les deux ions de produit diagnostique et les pertes neutres visualiseront les spectres qui satisfont à tous les critères.
    6. Intensité minimale de l’ion diagnostique (% crête de base) – en% du pic de base des spectres MS/MS, définir l’intensité minimale pour les ions de produit diagnostique et/ou les pertes neutres à prendre en considération.
    7. Fichier de sortie Peaklist – sélectionnez un chemin d’accès et un nom pour afficher les résultats.
    8. Cliquez sur le bouton OK pour démarrer l’analyse de la DFF. Un tracé DFF apparaîtra après avoir terminé avec succès les étapes ci-dessus
      Remarque: deux fichiers de données. csv seront générés. {Fichier de sortie Peaklist}. csv contient le précurseur m/z, les numéros de balayage et les temps de rétention des scans. Cela peut être utilisé dans les modules MZmine existants, y compris les méthodes de données brutes > détection de crête > détection de crête ciblée pour générer des chromatogrammes d’ions extraits de précurseurs qui satisfaisaient aux critères de DFF définis. {Fichier de sortie Peaklist} _ Data. csv contient le précurseur m/z, l’ion de produit m/z et les durées de rétention pour permettre la génération de parcelles DFF en dehors de mzmine.

3. exemple d’utilisation du DFF pour l’analyse de la microcystine

  1. Préparation de l’échantillon
    1. Stériliser 250 mL de flacons d’erlenmeyer contenant 30 mL de milieux stériles MA17 ou d’autres milieux de croissance de cyanobactéries (BG-11) munis d’un bouchon en mousse.
    2. Ensemencez des milieux de croissance stérilisés avec une culture de cyanobactéries à environ 5 × 105 cellules ml-1 dans des conditions aseptiques. Surveillez la densité des cellules avec un hémocytomètre. Dans cet exemple, cultiver la souche M. aeruginosa CPCC300 photoautotrophe à 27 ° c, éclairée par une lumière fluorescente blanche fraîche (30 μE M-2 s-1) à l’aide d’une lumière de 12 h: 12 h de régime sombre. Agiter les cellules une fois par jour.
    3. Séparer les cellules du milieu de culture après 26 jours par filtration sous vide à l’aide de papiers filtrants en microfibre de verre GF/C de 47 mm de diamètre.
    4. Ajouter 3 mL de 80% de méthanol (AQ) à des cellules récoltées dans des éprouvettes de 14 ml.
    5. Vortex et ensuite sonication le ou les tubes à essai contenant des cellules de cyanobactéries pendant 30 s chacun. Conserver le (s) tube (x) d’essai à-20 ° c pendant 1 h. Retournez le tube à essai à la température ambiante et laissez le (s) échantillon (x) décongeler pendant 15 min.
    6. Répétez l’étape 3.1.5 deux fois supplémentaires pour lyser efficacement les cellules.
    7. Filtrer les extraits de cellules de cyanobactéries obtenues par l’intermédiaire d’un (des) filtre (s) de seringue PTFE de 0,22 μM.
    8. Extrait sec (s) avec un évaporateur à une température de 30 ° c à l’aide d’un flux doux de gaz azoté. Conserver l’extrait sec à-20 ° c jusqu’à l’analyse LC-MS/MS.
    9. Reconstituer le résidu séché avec 500 μL de 90% de méthanol (AQ) et le Vortex pendant 30 s dans un flacon HPLC ambre avant l’analyse.
  2. Analyser l’extrait de cyanobactéries à l’aide d’une méthode d’acquisition DDA sur un spectromètre de masse à haute résolution.
    Remarque: les conditions optimisées de LC-MS pour l’analyse de MC utilisées ici sont répertoriées dans le tableau des matériaux.
  3. Préparez les fichiers de datadata DDA et importez-les dans MZmine en suivant les étapes 1,1 et 1,2.
  4. Sélectionnez les fichiers de dataet démarrez les modules DFF en suivant les étapes 2.1 à 2.2.
  5. Pour l’analyse MC, utilisez les paramètres suivants dans le module DFF (figure 3).
    1. Temps de rétention – entrez la plage de 2,00 à 6,00 min.
    2. Précurseur m/z – entrée m/z plage de 430,00 à 1200,00.
    3. m/z tolérance – appliquez la tolérance m/z de 0,01 m/z ou 3,0 ppm.
    4. Ions de produit diagnostique (m/z) – entrée m/z de 135,0803, 163,1114 comme les ions de produit diagnostique
    5. Valeur de perte neutre diagnostique (DA) – Input 0,0 pour définir qu’aucune perte de diagnostic neutre n’est utilisée.
    6. Intensité minimale de l’ion diagnostique (% crête de base) – utiliser 15,00 comme seuil d’intensité minimum
    7. Fichier de sortie Peaklist – définissez le fichier de sortie en tant que putative_MCs. csv.
  6. Cliquez sur le bouton OK pour démarrer l’analyse de la DFF. Un tracé de DFF (figure 4) apparaîtra après avoir terminé avec succès les étapes ci-dessus

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Le tracé DFF généré suite à l’analyse de M. aeruginosa CPCC300 est illustré à la figure 4. L’axe xde cette parcelle est le m/z des ions précurseurs qui satisfont aux critères DFF définis tandis que l’axe ymontre le m/z de tous les ions de produit dans les spectres MS/MS MCS. Pour cette analyse, les critères de détection des MC comprenaient des ions précurseurs dans la gamme m/z de 440-1200, des durées de r...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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 majorité des MCs contiennent...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont rien à divulguer

Remerciements

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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Cyanobacteria
Microcystis aeruginosaCPCC300CENTRE CANADIEN DE CULTUREhttps://uwaterloo.ca/canadian-phycological-culture-centre/
Software
Proteowizard (software)softwarehttp://proteowizard.sourceforge.net/
Mzmine 2logiciel
http://mzmine.github.io/LC-MS
Q-Exactive OrbitrapThermo-Equipé avec source d’ionisation HESI
1290 UHPLCAgilentEquipé d’une pompe binaire, d’un passeur d’échantillons, d’un compartiment de colonne
ColonneC18Agilent959757-902Eclipse Plus C18 Colonne RRHD (2.1 × ; 100 mm, 1.8 &mu ; m)
forts
Optima LC-MS MéthanolFisherA456-4
OptimaLC-MS grade AcétonitrileFisherA955-4
OptimaLC-MS grade WaterFisherW6-4
LC-MS grade Formic AcidFisherA11710X1-AMP
Vortex-Genie 2Scientific IndustriesSI-0236
Centrifugeuse Sorvall Micro 21Thermo Scientific75-772-436<
strong>Other
Amber Flacons HPLC 2 mL/bouchonsAgilent5182-0716/5182-0717
0.2-&mu ; m Filtres à seringue en PTFEPall Corp.4521
Filtres en microfibre de verre Whatman 47mm GF/ASigma-AldrichWHA1820047
Media
MA media (pH 8.6) ( quantité / L)Watanabe, M. F. & Oishi, S. Effets des facteurs environnementaux sur la toxicité d’une cyanobactérie (Microcystis aeruginosa) dans des conditions de culture. Microbiologie appliquée et environnementale. 49 (5), 1342 à 1344 (1985).
Ca(NO3)· ; 4H2O, 50 mgSigma-AldrichC2786
KNO3, 100 mgSigma-AldrichP8291
NaNO3, 50 mgSigma-AldrichS5022
Na2SO4, 40 mgSigma-AldrichS5640
MgCl2· ; 6H20, 50 mgSigma-AldrichM2393
Glycérophosphate de sodium, 100 mgSigma-AldrichG9422
H3BO3, 20 mgSigma-AldrichB6768
Bicine, 500 mgSigma-AldrichRES1151B-B7
P(IV) solution métallique, 5 mL
Porter les éléments suivants à 1 L avec ddH2O
NaEDTA· ; 2HOSigma-AldrichE6635
FeCl3 · ; 6H2OSigma-Aldrich236489
MnCl2· ; 4H2OBaker2540
ZnCl2Sigma-AldrichZ0152
CoCl2· ; 6H2OSigma-AldrichC8661
Na2MoO4· ; 2H2OBaker3764
Cyanobacteria BG-11 50X Solution d’eau douceSigma-AldrichC3061-500mL
CPCC300

Références

  1. Mayer, P. M., Poon, C. The mechanisms of collisional activation of ions in mass spectrometry. Mass Spectrometry Reviews. 28 (4), 608-639 (2009).
  2. Fisch, K. M. Biosynthesis of natural products by microbial iterative hybrid PKS–NRPS. RSC Advances. 3 (40), 18228-18247 (2013).
  3. Kelman, M. J., et al. Identification of six new Alternaria sulfoconjugated metabolites by high-resolution neutral loss filtering. Rapid Communications in Mass Spectrometry. 29 (19), 1805-1810 (2015).
  4. Renaud, J. B., Kelman, M. J., Qi, T. F., Seifert, K. A., Sumarah, M. W. Product ion filtering with rapid polarity switching for the detection of all fumonisins and AAL-toxins. Rapid Communications in Mass Spectrometry. 29 (22), 2131-2139 (2015).
  5. Renaud, J. B., Kelman, M. J., McMullin, D. R., Yeung, K. K. -C., Sumarah, M. W. Application of C8 liquid chromatography-tandem mass spectrometry for the analysis of enniatins and bassianolides. Journal of Chromatography A. 1508, 65-72 (2017).
  6. Walsh, J. P., et al. Diagnostic Fragmentation Filtering for the Discovery of New Chaetoglobosins and Cytochalasins. Rapid Communications in Mass Spectrometry. , (2018).
  7. Wang, M., et al. Sharing and community curation of mass spectrometry data with Global Natural Products Social Molecular Networking. Nature biotechnology. 34 (8), 828(2016).
  8. Bartók, T., Szécsi, Á, Szekeres, A., Mesterházy, Á, Bartók, M. Detection of new fumonisin mycotoxins and fumonisin-like compounds by reversed-phase high-performance liquid chromatography/electrospray ionization ion trap mass spectrometry. Rapid Communications in Mass Spectrometry: An International Journal Devoted to the Rapid Dissemination of Up-to-the-Minute Research in Mass Spectrometry. 20 (16), 2447-2462 (2006).
  9. Bartók, T., et al. Detection and characterization of twenty-eight isomers of fumonisin B1 (FB1) mycotoxin in a solid rice culture infected with Fusarium verticillioides by reversed-phase high-performance liquid chromatography/electrospray ionization time-of-flight and ion trap mass spectrometry. Rapid Communications in Mass Spectrometry. 24 (1), 35-42 (2010).
  10. Pluskal, T., Castillo, S., Villar-Briones, A., Orešič, M. MZmine 2: modular framework for processing, visualizing, and analyzing mass spectrometry-based molecular profile data. BMC bioinformatics. 11 (1), 395(2010).
  11. Spoof, L., Catherine, A. Appendix 3: tables of microcystins and nodularins. Handbook of cyanobacterial monitoring and cyanotoxin analysis. , 526-537 (2016).
  12. Pick, F. R. Blooming algae: a Canadian perspective on the rise of toxic cyanobacteria. Canadian Journal of Fisheries and Aquatic Sciences. 73 (7), 1149-1158 (2016).
  13. Carmichael, W. W., Boyer, G. L. Health impacts from cyanobacteria harmful algae blooms: Implications for the North American Great Lakes. Harmful algae. 54, 194-212 (2016).
  14. Mayumi, T., et al. Structural characterization of microcystins by LC/MS/MS under ion trap conditions. The Journal of antibiotics. 59 (11), 710(2006).
  15. Frias, H. V., et al. Use of electrospray tandem mass spectrometry for identification of microcystins during a cyanobacterial bloom event. Biochemical and biophysical research communications. 344 (3), 741-746 (2006).
  16. Kessner, D., Chambers, M., Burke, R., Agus, D., Mallick, P. ProteoWizard: open source software for rapid proteomics tools development. Bioinformatics. 24 (21), 2534-2536 (2008).
  17. 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).
  18. Hollingdale, C., et al. Feasibility study on production of a matrix reference material for cyanobacterial toxins. Analytical and bioanalytical chemistry. 407 (18), 5353-5363 (2015).
  19. Yuan, M., Namikoshi, M., Otsuki, A., Sivonen, K. Effect of amino acid side-chain on fragmentation of cyclic peptide ions: differences of electrospray ionization/collision-induced decomposition mass spectra of toxic heptapeptide microcystins containing ADMAdda instead of Adda. European Mass Spectrometry. 4 (4), 287-298 (1998).
  20. Schymanski, E., et al. Identifying small molecules via high resolution mass spectrometry: communicating confidence. Environmental science & technology. 48 (4), 2097(2014).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Mots-clés

Logiciel MZmineacquisition d pendante des donn esspectrom trie de masse haute r solutionions produitspertes neutresMicrocystis aeruginosa
Découverte de produits naturels avec filtrage de fragmentation diagnostique LC-MS/MS: application pour l’analyse microcystine
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.