Nat. Comput. Sci. | 通过质谱数据库检索实现分子变体识别

DRUGONE

质谱是解析复杂样品中小分子的核心技术，但现有数据库搜索工具在规模与能力上仍受限，通常仅能识别数据库中已知分子，且多为“严格匹配”。为突破这一限制，研究人员提出 VInSMoC，一种可在大规模数据库中识别分子变体的可变匹配算法。VInSMoC 通过自适应碎裂图优化加速搜索，并引入统计显著性评估以降低假阳性。研究人员将 4.8 亿条 GNPS 光谱与 8700 万个数据库分子匹配，检出 43,000 个已知分子及 85,000 个此前未报道的分子变体。此外，VInSMoC 能辅助推断微生物代谢产物的生物合成途径，包括 promothiocin B 与 depsidomycin。

在环境科学、临床检测、天然产物化学与药物研发等领域，快速识别复杂样品中的小分子至关重要。尽管串联质谱广泛应用，但其数据库检索方法通常基于已知分子的参考光谱，因此难以识别未知结构、结构类似物或经微小修饰后的变体。

理论碎裂方法允许从结构数据库生成“计算光谱”，但传统算法计算代价极高。例如，将数百万分子与一条光谱全量匹配常需要数周的 CPU 时间。此外，现有“可变匹配（open search / analog-tolerant search）”方法主要局限于肽类分子，对一般小分子并不适用。

研究人员开发 VInSMoC 旨在：

• 在大规模数据库中实现快速、可扩展的可变匹配；
• 识别数据库中未显式存在的分子变体；
• 提供统计显著性评估减少假阳性。

方法

VInSMoC 以输入分子的分子结构构建 代谢图（metabolite graph），并在此基础上利用 自适应碎裂图（adaptive fragmentation graph） 生成理论碎裂。与传统一次性构建全碎裂图不同，VInSMoC 仅在某些碎片能解释光谱峰时才向更深层扩展，从而显著降低计算量。对于给定光谱与候选分子，VInSMoC 会对代谢图的每个节点施加一个可能的质量偏移 δ，用于模拟潜在化学修饰，并逐一计算匹配得分，最终选择最高分作为“可变得分”。得分的统计显著性通过马尔可夫链蒙特卡洛方法估计，以矫正结构拓扑带来的偏差。

结果

VInSMoC 的加速与可扩展性

VInSMoC 相比以往基于碎裂图的搜索工具实现了数量级提升的速度优化：

• 代谢图计算快 28 倍；
• 碎裂图构建快 6,700 倍；
• 单个分子–光谱匹配总时间快 2,800 倍。

在 exact 模式下与多种主流方法比较，VInSMoC 均为最快工具；在可变搜索（open search）中，其速度甚至超过以往专用于肽类的 VarQuest。

可定位分子修饰位置

在 GNPS 标准库中，研究人员人为构建 4966 个带不同修饰的分子并生成模拟光谱。

VInSMoC 能够：

• 在 68% 的案例中，将预测修饰位置与真实位置的平均距离控制在 3 个原子以内；
• 优于基线 VarQuest 和其他 exact 搜索工具；
• 对多种常见修饰均具有一致表现。

与光谱网络结果一致

研究人员将 VInSMoC 与 Networking+ 光谱网络方法进行比对：

• 在多个数据集中，VInSMoC 与光谱网络的关联关系完全一致；
• 某些差异由碎裂差异或精确模式下的误配导致；
• 结果表明 VInSMoC 在变体识别层面与光谱网络具有良好互补性。

大规模 GNPS 数据库搜索

研究人员使用 VInSMoC 对 1,990 个 GNPS 数据集共 4.8 亿条光谱进行全库搜索：

使用 PubChem（8700 万分子）exact 搜索：

• 计算 6.3 万亿个匹配；
• 仅需 12.7 天（128 线程）；
• 识别 43,598 个已知分子。

使用 COCONUT 在可变模式下：

• 识别 85,151 个此前未报告的分子变体；
• 主要对应常见修饰如 ±14（甲基化）、−16（去氧）、+42（三甲基化）等。

VInSMoC 的速度使得此前需“数十年”的任务变得可行。

杂质结构识别与天然产物分析

（1）药物杂质识别

研究人员测试了与 imatinib 相关的六种杂质：

• 2 种杂质被准确 exact 匹配；
• 未能匹配的 4 个中，VInSMoC 在 open search 中准确定位修饰位点；
• 对比 Waters 化学家的人工解析，VInSMoC 结果一致。

（2）非核糖体肽（NRP）与基因簇推断

在 Streptomyces sp. F-2747 的质谱数据中：

• 成功识别 depsidomycin；
• 可变匹配显示其与 marformycin 类结构相关；
• 与基因组中 ktzI/ktzT 同源基因合理对应。

（3）识别新型修饰肽类

在 Streptomyces bellus 光谱中：

• 在可变模式下定位到一类 thiopeptide 序列；
• 在基因组中找到对应的基因簇；
• exact 模式下也检出 promothiocin B，并与其生物合成基因一致。

P 值修正结构偏倚

传统碎裂图方法对“环状结构”存在得分偏倚。

VInSMoC 的 MCMC P 值：

• 能矫正环状 vs 线性结构的碎裂数量差异；
• 提升匹配可信度。

讨论

研究人员展示了 VInSMoC 作为一种可扩展、快速且可变容错的数据库搜索框架，在识别未知分子变体、推断修饰位置、辅助代谢途径分析等方面具有广泛应用潜力。其核心优势包括：

• 自适应碎裂 节省大量无效计算；
• 可变 scoring 能捕捉数据库中未存在的变体；
• 统计显著性估计 纠正结构拓扑带来的偏差；
• 跨分子类型适用，可配置性强。

当前限制主要在于只能对单一修饰进行显式建模，但研究人员认为未来可通过启发式方法扩展至多修饰情形。此外，VInSMoC 的框架能够容纳更复杂的 scoring 方法，为下一代质谱分析算法奠定基础。

整理 | DrugOne团队

参考资料

Guler, M., Krummenacher, B., Hall, T. et al. Identifying variants of molecules through database search of mass spectra. Nat Comput Sci (2025).

https://doi.org/10.1038/s43588-025-00923-5

内容为【DrugOne】公众号原创｜转载请注明来源