Lipiden zijn een klasse biomoleculen die een belangrijke rol spelen in veel cellulaire processen. Analyses die proberen alle lipiden in een monster te karakteriseren (lipidomics genoemd) zijn cruciaal voor het bestuderen van complexe biologische systemen.

Een belangrijke uitdaging in de lipidomics is het verbinden van de verscheidenheid aan structuren van lipiden met hun biologische functies. De posities van de dubbele bindingen binnen vetzuurketens zijn bijzonder belangrijk. Dit komt omdat ze de fysieke eigenschappen van celmembranen kunnen beïnvloeden en celsignaleringsroutes kunnen moduleren.

Deze informatie wordt niet routinematig gemeten in lipidomics-onderzoeken, omdat hiervoor een ingewikkelde experimentele opstelling vereist die complexe gegevens oplevert. Zo ontwikkelden wetenschappers van het Pacific Northwest National Laboratory (PNNL) een gestroomlijnde workflow om de posities van dubbele bindingen te bepalen. Deze workflow maakt gebruik van zowel automatisering als machine learning-benaderingen.

Hun nieuwe methode, LipidOz, stroomlijnt de data-analyse om de posities van dubbele bindingen te bepalen. Door dit belangrijke onderdeel van de analyse van lipiden aan te pakken, biedt LipidOz onderzoekers een efficiëntere en nauwkeurigere methode voor de karakterisering van lipiden. Het onderzoek is gepubliceerd in het tijdschrift Communications Chemistry .

De ondubbelzinnige identificatie van lipiden wordt bemoeilijkt door de aanwezigheid van moleculaire delen die dezelfde chemische formule hebben maar verschillende fysieke configuraties. De verschillen in deze moleculaire delen omvatten specifiek de lengte van de vetzuuracylketen, de stereospecifiek genummerde (sn) positie en de positie/stereochemie van dubbele bindingen.

Conventionele analyses kunnen de lengtes van de vetzuuracylketens, het aantal dubbele bindingen en – in sommige gevallen – de sn-positie bepalen, maar niet de posities van dubbele koolstof-koolstofbindingen. De posities van deze dubbele bindingen kunnen met groter vertrouwen worden bepaald met behulp van een gasfase-oxidatiereactie genaamd ozon-geïnduceerde dissociatie (OzID), die karakteristieke fragmenten produceert.

De analyse van de uit deze reactie verkregen gegevens is echter complex en repetitief, en er is een gebrek aan ondersteuning door softwaretools. De open-source Python-tool LipidOz bepaalt en wijst automatisch de dubbele bindingsposities van lipiden toe met behulp van een combinatie van traditionele automatisering en deep learning-benaderingen. Nieuw onderzoek toont dit vermogen aan voor standaard lipidenmengsels en complexe lipidenextracten, waardoor praktische toepassing van OzID voor toekomstige lipidomics-studies mogelijk wordt.

Meer informatie: Dylan H. Ross et al., LipidOz maakt geautomatiseerde opheldering van posities van dubbele lipide-koolstof-koolstofbindingen mogelijk op basis van door ozon geïnduceerde dissociatie-massaspectrometriegegevens, Communicatiechemie (2023). DOI:10.1038/s42004-023-00867-9

Journaalinformatie: Communicatiechemie

Geleverd door Pacific Northwest National Laboratory