Nauwkeurige identificatie van metabolieten, en andere kleine chemicaliën, in biologische en milieumonsters is historisch gezien tekortgeschoten bij het gebruik van traditionele methoden. Conventionele tactieken zijn gebaseerd op pure referentieverbindingen, normen genoemd, dezelfde moleculen herkennen in complexe monsters. Deze benaderingen worden beperkt door de beschikbaarheid van de zuivere chemicaliën die als normen worden gebruikt.

"We wilden echt voorbijgaan aan het huidige paradigma van hoe een metabolomics-experiment wordt uitgevoerd en hoe moleculen met vertrouwen worden geïdentificeerd, " zei Tom Metz, biomedisch wetenschapper bij Pacific Northwest National Laboratory (PNNL) en directeur van de Pacific Northwest Advanced Compound Identification Core.

Een probleem met de huidige methode is dat er maar zoveel zuivere verbindingen zijn die onderzoekers van leveranciers kunnen kopen; de meeste leveranciers hebben toegang tot ongeveer 3, 000-4, 000 verbindingen.

"Als je bedenkt wat er in de natuur naar verwachting zal gebeuren, je kijkt naar> 1030 verbindingen of meer die mogelijk zouden kunnen zijn, "zei Metz. "Dus, als je de paar duizend standaardchemicaliën waar je toegang toe hebt vergelijkt met het enorme aantal potentiële verbindingen, je bent niet eens in de buurt."

Identificatiebenadering zonder normen

Om dit probleem op te lossen, hebben Metz en zijn team bij PNNL een benadering geconceptualiseerd - standaardvrije metabolomics - waarmee ze informatie over meerdere eigenschappen voor moleculen van belang berekenen of voorspellen om uitgebreide referentiebibliotheken te genereren en vervolgens experimentele gegevens met dezelfde eigenschappen te matchen met deze bibliotheken, identificatie van verbindingen mogelijk maken.

Door gebruik te maken van deze nieuwe aanpak, onderzoekers sturen chemische structuren via machine learning of kwantumchemieprogramma's om de experimentele eigenschappen van de metabolieten nauwkeurig te voorspellen.

"Als we nauwkeurig genoeg zijn met deze voorspellingen, zouden we theoretisch nooit meer een zuivere verbinding hoeven te analyseren, " zei Metz. "Deze verzameling tools zal het huidige paradigma in metabolomics veranderen, en in de nabije toekomst zullen er een aantal echt goede toepassingen zijn om de onderzoeksgemeenschap de voordelen van deze nieuwe aanpak te laten zien."

Door niet te hoeven vertrouwen op gegevens uit analyses van pure standaarden om kleine moleculen te identificeren, de standaardvrije benadering maakt de identificatie van tot 90 procent meer chemicaliën in monsters mogelijk en maakt deze rekenhulpmiddelen zeer nuttig in verschillende toepassingsgebieden, waaronder de ontdekking van nieuwe medicijnen, chemisch forensisch onderzoek, en milieu- en biomedisch onderzoek.

"Bijvoorbeeld, in een nieuw medicijnontwerp zou een gebruiker kunnen zeggen:'Ik heb een bepaald aantal eigenschappen met deze bepaalde medicijnen, maar ze zijn toevallig giftig. Kunnen we een verbinding voorspellen die vergelijkbare eigenschappen heeft, maar niet giftig is?'" zei Metz. "Als de juiste trainingsgegevens aan het DarkChem-programma kunnen worden gegeven, DarkChem zou dan die voorspelling kunnen doen."

Aanpasbare reeks programma's

De nieuwe benadering voor de identificatie van metabolomics zonder normen maakt gebruik van vier belangrijke instrumenten om uitgebreide, in van silicium afgeleide metabolietreferentiebibliotheken, en om experimentele gegevens te extraheren en te matchen om verbindingsidentificaties op te leveren:

• In Silico Chemical Library Engine (ISiCLE), een high-performance-computing-vriendelijke, kwantumchemische benadering voor het genereren van voorspelde chemische eigenschappen.
• DarkChem, een variabele autoencoder die een continue numerieke of latente weergave van de moleculaire structuur leert, die referentiebibliotheken kunnen karakteriseren en uitbreiden.
• Gegevensextractie voor geïntegreerde multidimensionale spectrometrie (DEIMoS), een modulaire softwaretool die functies kan extraheren uit gegevens die zijn verzameld op multidimensionale analytische platforms.
• Multi Attribuut Matching Engine (MAME), die experimentele gegevens koppelt aan referentiebibliotheken op basis van verschillende chemische kenmerken.

De tools zijn ontworpen om samen te werken, maar ze kunnen ook afzonderlijk worden gebruikt. Onderzoekers kunnen de verschillende toepassingen aanpassen op basis van de behoeften of onderzoeksgebieden van een klant, het creëren van een volledig modulaire aanpak.

Een onderzoeksveld vooruit helpen

Direct, in de metabolomics-gemeenschap, alle onderzoekers identificeren dezelfde set moleculen in elk monster. De reden daarvoor is dat ze allemaal dezelfde zuivere verbindingen hebben die ze hebben gekocht om hun referentiebibliotheken uit te bouwen.

"Onze visie is dat je door de standaardvrije benadering te gebruiken nooit wordt beperkt door de uitgestrektheid van kleine moleculen die in een monster kunnen worden geïdentificeerd, " zei Metz. "Dat is echt een gamechanger voor metabolomics. En het is heel spannend om te zien wat het komende jaar hiervoor in petto heeft."