Representatieve resultaten van de niet-doelgerichte analyse van VAMS-apparaten, volgens de hierboven beschreven procedure, worden hier gepresenteerd.
De gegevens van de triplaat-analyse van een gepoolde monsterset, bereid uit veneus bloed van 10 personen en afgenomen met VAMS, werden geëvalueerd, en de kenmerken van de resulterende metabolische vingerafdrukken worden getoond. De kwaliteit van de gegevens en de vastgelegde informatie van de VAMS-apparaten werden beoordeeld aan de hand van twee primaire criteria: het totale aantal gedetecteerde chemische kenmerken en de reproduceerbaarheid van de kenmerken (n = 3), uitgedrukt als het percentage relatieve standaarddeviatie (%RSD). Het totale aantal kenmerken werd gebruikt om de breedte van de extractie en de chemische dekking van het oplosmiddel te beoordelen, terwijl de %RSD werd gemonitord om de technische precisie en robuustheid van de methode te garanderen; een lagere %RSD duidt op een zeer reproduceerbaar extractieproces dat analytische ruis minimaliseert.
Na extractie en verwerking van de ruwe gegevens werd een matrix van m/z-retentietijd (RT) kenmerken verkregen, samen met hun intensiteiten. Alleen kenmerken met een detecteerbaar signaal in twee van de drie replica's werden meegenomen, na 적절le voorbehandelings- en blank-filterstappen. Figuur 2A,B toont m/z-over-RT plots voor hetzelfde monster dat is geanalyseerd volgens de beschreven protocollen voor zowel LC-MS als GC-MS.
Het grote aantal kenmerken dat vroeg in de RPLC-run elueert, wordt toegeschreven aan sterk hydrofiele metabolieten die door het toegepaste protocol zijn geëxtraheerd, maar slecht worden vastgehouden op de reversed-phase kolom. Hoewel vroeg eluerende metabolieten uitdagingen vormen voor de identificatie, zijn nauwkeurige annotaties nog steeds mogelijk door MS/MS-fragmentatiedata te gebruiken in combinatie met vergelijkingen met spectrale databanken en interne referentiestandaarden. Bovendien wordt verwacht dat een aanzienlijk deel van deze hydrofiele fractie wordt vastgelegd via GC-MS-analyse. Uiteindelijk vertegenwoordigt dit een inherente beperking van het vakgebied, aangezien de enorme complexiteit van het metaboloom het gebruik van meerdere analytische platforms noodzakelijk maakt.
De multiplatformevaluatie van de methanolextracten demonstreert duidelijk de sterk complementaire aard van de LC- en GC-analytische workflows, waarbij de prestatiemeters binnen het verwachte bereik liggen voor een uitgebreide metabolomics-profilering. Figuur 3A,B beeldt de totale nummering van de features en de RSD%-distributie voor elk platform uit. Het LC-platform bood een uitgebreide chemische dekking door 4.169 features te scheiden, wat overeenstemt met de gevestigde capaciteit om een breed scala aan polaire, semi-polaire en niet-vluchtige verbindingen vast te leggen. Tegelijkertijd vertoonde het GC-platform een kleinere subset van features, namelijk 187. Dit was te verwachten, aangezien GC alleen vluchtige verbindingen kan detecteren die zich lenen voor derivatisering.
Wat betreft de reproduceerbaarheid, zoals getoond in de vioolplot, zijn de algemene distributie en spreiding van de RSD%-waarden opvallend vergelijkbaar tussen LC-MS en GC-MS. De gemiddelde %RSD was voor beide platforms typerend, ongeveer 29,7% voor LC (2.655 van de 4.169 hadden een %RSD lager dan 30%) en 32,3% voor GC (114 van de 187 hadden een %RSD lager dan 30%). Hoewel een klein aantal kenmerken aan beide zijden hogere RSD-waarden vertoonde, is deze variatie gebruikelijk en verwacht in untargeted metabolomics. Deze hogere waarden behoren doorgaans tot metabolieten met een lage abundantie die dicht bij de detectiegrens van het instrument liggen. Over het geheel genomen bevestigen de nauwe distributieprofielen een bevredigende reproduceerbaarheid voor beide analytische opstellingen.
De chemische ruimte van de metabolieten die met het protocol zijn vastgelegd, kan worden geanalyseerd aan de hand van de annotaties van de metabolieten. Zoals verwacht, gezien de inherente complementariteit van de twee platforms, werden verschillende verbindingen gedetecteerd via LC-MS en GC-MS. Een volledige lijst met metabolietannotaties voor VAMS-apparaten is opgenomen in Supplementary Table 1 en Supplementary Table 2. In totaal werden 97 metabolieten gedetecteerd en geannoteerd (niveau 1 en 2, zoals voorgesteld door Sumner et al. (2007)22) met dit protocol via de twee technieken, naast andere putatief gekarakteriseerde verbindingen van niveau 3. GC-annotaties werden verder bevestigd door de experimentele retentie-indexen – verkregen door vergelijking met FAMES – te vergelijken met getabelleerde waarden23. Figure 4A,B toont de distributie van subklassen van de geannoteerde metabolieten voor beide methoden, terwijl Figure 4C de overlap tussen de technieken laat zien, wat hun complementariteit benadrukt. Een paar belangrijke intermediaire metabolieten kunnen door beide technieken worden gecrossvalideerd, terwijl structureel unieke of platformspecifieke kenmerken hiaten in de centrale koolstof- en secundaire metabole routes kunnen opvullen. Hoewel aminozuren en peptiden de belangrijkste chemische klassen zijn in beide analyses, overlappen slechts enkele metabolieten tussen de technieken. Veel metabolietklassen zijn instrument-specifiek, zoals acylcarnitines in LC-MS en hexoses in GC-MS.
Om de efficiëntie van methanol als extractiemiddel voor beide technieken aan te tonen, werden vergelijkende proeven uitgevoerd op VAMS-monsters met behulp van verschillende oplosmiddelsystemen, gevolgd door LC-MS- en GC-MS-analyses. Drie verschillende oplosmiddelsystemen werden in drievoud vergeleken met methanol: zuiver acetonitril (ACN), een methanol-watermengsel (60:40, v/v) en een acetonitril-methanolmengsel (70:30, v/v). De keuze voor deze oplosmiddelen en mengsels was gebaseerd op preliminaire experimenten uitgevoerd door onze groep, alsook op eerder gepubliceerde literatuur13,14,24,25. De extractie-efficiëntie van elk systeem werd geëvalueerd aan de hand van drie belangrijke parameters: het totale aantal gedetecteerde kenmerken, de totale intensiteit van de kenmerken en de reproduceerbaarheid van de kenmerken, uitgedrukt als de relatieve standaarddeviatie (RSD, %).
Voor de LC-MS workflow werd het hoogste aantal kenmerken gedetecteerd met MeOH-H2O (60:40, v/v), met een gemiddelde van 4.514 kenmerken over de triplicaten, nauw gevolgd door pure MeOH (4.169 kenmerken). Het ACN–MeOH (70:30, v/v) mengsel leverde een gemiddelde van 3.502 kenmerken op, terwijl pure ACN het laagste gemiddelde aantal kenmerken opleverde, namelijk 2.836. Een grafische weergave van deze aantallen kenmerken per replica is geïllustreerd in Figuur 5A.
Om de precisiekenmerken voor elke extractieconditie te onderzoeken, werden de feature-intensiteiten en RSD's (%) van triplikaat injecties geanalyseerd. Een vergelijking van de totale feature-abundantie en de gemiddelde %RSD per extractiemiddel voor LC-MS wordt getoond in Figuur 5A. De log2 signaalverdelingen waren vergelijkbaar voor alle extracten, waarbij MeOH-H2O 60:40 (v/v), ACN en MeOH iets hogere abundanties gaven dan ACN-MeOH 70:30 (v/v). MeOH resulteerde in een lagere totale gemiddelde %RSD, wat aangeeft dat de extractie reproducebaarder was met dit oplosmiddel.
Een soortgelijke beoordeling van de efficiëntie van het extractiesolvent-systeem werd uitgevoerd op basis van de GC-MS-gegevens. Opnieuw werden voor de evaluatie van het aantal kenmerken alleen die kenmerken overwogen waarvan het signaal in ten minste twee van de drie replica's was gedetecteerd. Het solvent dat het hoogste aantal kenmerken opleverde, was ACN-MeOH 70:30 (v/v) (216 kenmerken), nauw gevolgd door MeOH (187 kenmerken). Een grafische illustratie van het aantal gedetecteerde kenmerken per extractiesolvent en BµS is weergegeven in Figuur 5B.
Wat betreft de totale abundantie van de gedetecteerde kenmerken bleek MeOH het meest efficiënt te zijn en resulteerde dit in een hogere abundantie, zoals weergegeven in Figuur 5B. MeOH-H₂O 60:40 (v/v) was de op één na beste, gevolgd door ACN-MeOH 70:30 (v/v). ACN was het minst effectieve oplosmiddel. Met betrekking tot de %RSD van de kenmerken leverde MeOH-H₂O 60:40 (v/v) de laagste RSD's op voor VAMS (RSD = 38,57%), nauw gevolgd door ACN (42,65%), MeOH (44,14%) en ACN-MeOH 70:30 (v/v) (49,14%). Deze waarden zijn weergegeven in Figuur 5B.
Het bovenstaande komt goed overeen met eerder gepubliceerde literatuur. Couacault et al. (2026)19 rapporteerden een vergelijkbaar aantal kenmerken in de RP-LC-MS-analyse van DBS en VAMS met gebruik van een soortgelijke samenstelling van het extractiemiddel (rehydratie met 80 µL water, gevolgd door de toevoeging van 320 µL MeOH). Op een vergelijkbare manier detecteerden Cala et al. (2017)11 een vergelijkbare hoeveelheid kenmerken (153) via GC-MS-analyse van VAMS-tips. Hoewel de meeste bestaande studies de precisie van de analyses met deze apparaten niet hebben geëvalueerd, komen onze algemene bevindingen overeen met de verwachtingen voor een niet-gerichte analyse. Bovendien stemmen de LC-resultaten overeen met die gerapporteerd door Bossi et al. (2025)26 voor de HILIC-analyse van DBS- en qDBS-microstalen, waarbij de meeste gedetecteerde kenmerken RSD's < 30% hadden.
Over het algemeen tonen deze resultaten aan dat methanolgebaseerde extractie een robuuste balans biedt tussen het aantal kenmerken, intensiteit en precisie (gemiddelde RSD, %) voor zowel LC-MS- als GC-MS-analyse van VAMS-monsters. Daarom kan een enkel methanol-extractieprotocol de dubbele monstervoorbereiding stroomlijnen, de parallelle acquisitie van complementaire metabole profielen faciliteren en de informatieopbrengst maximaliseren.

Figuur 1: Protocolschema's die (A) het monster-extractieprotocol, (B) LC-MS reconstitutie en (C) GC-MS/MS derivatisatie tonen. Gemaakt in BioRender. Marques, D. (2026) https://BioRender.com/dprdv18, https://biorender.com/xu2qh34, https://biorender.com/7ztz2qv. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Vergelijkingen van m/z en rt van een representatief monster voor (A) LC-MS- en (B) GC-MS-analyse. Elke stip vertegenwoordigt een enkel signaal voordat deze is gegroepeerd in kenmerken. De kleuren geven de intensiteit van het MS1-signaal voor een bepaald kenmerk weer, waarbij de intensiteit toeneemt van blauw naar rood. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Featuredekking en reproduceerbaarheid over analytische platforms. (A) Featuredekking: Totaal aantal unieke features gedetecteerd door LC (blauwgroen) en GC (oranje), waarbij de exacte aantallen boven elke staaf zijn genoteerd. (B) Feature-reproduceerbaarheid: Violindiagrammen die de distributiedichtheid van relatieve standaarddeviaties (RSD%) voor alle features tonen. Ingevoegde boxplots geven de mediaan en interkwartielafstanden aan; individuele datapunten zijn weggelaten voor de visuele helderheid. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Histogrammen die het aantal verbindingen van de verschillende chemische klassen tonen die gedetecteerd zijn door (A>) LC-MS en (B>) GC-MS. (C) Overlap van metabolieten geannoteerd op niveau 1 en 2 tussen platformen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5: Resultaten van extractie-oplosmiddelen uit de LC-MS (A>) en GC-MS (B>) analyse van VAMS-apparaten. De staafdiagrammen bovenaan de figuur representeren het aantal kenmerken verkregen uit elk extractie-oplosmiddel toegepast op VAMS-apparaten per replicaat. De grafieken onderaan de figuur tonen de som van de intensiteiten en de gemiddelde RSD (%) voor elk extractie-oplosmiddel dat met het VAMS-apparaat is gebruikt. De grootte van de cirkel representeert de totale somintensiteit van gedetecteerde kenmerken op een log2-schaal, wat de extractie-efficiëntie weerspiegelt. De kleurgradiënt geeft de analytische precisie aan, uitgedrukt als de relatieve standaarddeviatie (RSD), waarbij geel een hogere precisie representeert en rood een grotere variabiliteit aanduidt. Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 1: Tabel voor probleemoplossing. Overzicht van veelvoorkomende bemonsteringsproblemen, oorzaken en oplossingen bij bemonstering met VAMS-apparaten. Klik hier om dit bestand te downloaden.
Tabel 2: RP-eluenten en wassoplossingen. Overzicht van de mobiele fasen, seal-was, purge-oplosmiddel en wasoplosmiddelcomposities die zijn gebruikt voor chromatografische analyse. Klik hier om dit bestand te downloaden.
Aanvullend bestand 1: Aanvullende experimentele details. LC-MS- en GC-MS-parameters. Klik hier om dit bestand te downloaden.
Aanvullende Tabel 1: LC-MS annotaties. Componenten geïdentificeerd met het huidige protocol op het LC-MS platform. Klik hier om dit bestand te downloaden.
Aanvullende Tabel 2: GC-MS annotaties. Verbindingen geïdentificeerd met het huidige protocol op het GC-MS platform. Klik hier om dit bestand te downloaden.