编辑推荐：
传统脂质注释在准确性、覆盖度等方面存在挑战。为此，研究人员开发 LipidIN 框架，构建 1.685 亿脂质碎裂层级库，结合 EQ、LCI 模块及 WMYn 网络。结果显示其提升注释性能，为脂质组学研究提供高效可靠方法。
在生命科学和医学研究中，脂质作为生物膜的主要成分及信号分子，其精准分析对揭示疾病机制至关重要。然而，基于液相色谱 - 质谱（LC-MS）的非靶向脂质组学面临诸多挑战：约 90% 的代谢特征无法被准确注释，现有工具难以解析双键位置等深层结构信息，且不同平台间的谱图差异导致注释可靠性受限。此外，传统相似性算法（如余弦相似性、光谱熵）存在特征冗余问题，低丰度信号的特征碎片确认困难，这些都制约了脂质组学在疾病标志物发现等领域的应用。
为突破上述瓶颈，厦门大学附属第一医院、厦门大学生命科学学院等国内研究机构的研究人员开展了相关研究，开发了名为 LipidIN 的先进框架，并将成果发表在《Nature Communications》。该研究旨在实现跨平台的快速脂质注释与高精度逆向脂质指纹图谱再生，为脂质结构解析及临床应用提供新工具。
研究人员采用了以下关键技术方法：
- 构建五级脂质碎裂层级库：整合 1.685 亿脂质理论碎片，涵盖 Paternò-Büchi（P-B）反应和电子激活解离（EAD）等技术，解析不同 C=C 双键位置的脂质异构体。
- 快速查询模块（EQ）：基于非信息先验贪心算法，实现每秒超百亿次的质谱库检索，计算 Scorematched和 Scoreratio评估特征峰匹配度。
- 脂质类别智能模型（LCI）：利用等效碳数（ECN）、类内不饱和平行性（IUP）、等效分离碳数（ESCN）三条保留时间规则，结合机器学习降低假阳性率。
- 宽谱建模产率网络（WMYn）：通过三阶段训练再生脂质指纹图谱，实现跨平台迁移，提升注释召回率。
研究结果
1. LipidIN 框架概述
LipidIN 通过 MSconvert 和 RaMS29 预处理原始数据，利用 EQ 模块在 1.685 亿理论库中快速匹配特征峰，结合 LCI 模块的保留时间规则构建可行域，排除假阳性并预测无 MS/MS 碎片的脂质。WMYn 网络则通过自注意力编码器学习特征，将多批次质谱数据映射至共享潜在空间，再生包含分子指纹峰的第五级库，实现 “逆向脂质组学”。
2. 五级碎裂库与保留时间规则
五级库按脂质结构特征分为前体离子、侧链、中性丢失等层级，结合 P-B 反应和 EAD 技术解析双键位置。通过分析超 100 个公开数据集，总结出三条保留时间规则：同 DBE（双键等价数）类内相对保留时间与碳数呈二次多项式趋势（ECN）；不同 DBE 类的拟合函数平行（IUP）；异构链组成可通过不同函数拟合（ESCN）。这些规则在正负离子模式下均具普适性，平均绝对保留时间偏差率低于 1.5%。
3. EQ 与 LCI 模块性能
EQ 模块相比 Flash Entropy 等工具，在千万级谱库查询中耗时仅 2.3 微秒，速度快 6 万倍。结合 LCI 模块后，Top@20 召回率超 90%，显著优于 MS-DIAL、LipidSearch 等工具。在含 8923 脂质的四个数据集中，假发现率（FDR）仅 5.69%，且能注释其他工具未识别的高置信度脂质。
4. 逆向脂质组学的可靠性与灵活性
WMYn 网络通过 SiLU 激活函数提升小样本学习精度，再生指纹图谱与标准品的熵相似性达 0.9826，保留时间偏差仅 0.03 分钟。跨平台验证显示，其在 Orbitrap 和 Agilent qTOF 系统间迁移时相似性超 0.9。结合第五级库，Entropy Search 的召回率显著提升，尤其在高分辨质谱数据中表现优异。
5. 临床应用与生物标志物发现
在乳腺癌临床队列中，LipidIN 注释 4747 脂质，筛选出 10 个标志物构建 LightGBM 模型，区分患者与健康人的准确率达 96.93%。加权相关网络分析（WGCNA）显示，己糖神经酰胺（HexCer）、神经酰胺（Cer）与糖尿病、肿瘤分级相关。在肺转移队列中，通过 P-B 反应解析 PC 18:1_20:1 的双键位置，发现 C18:1（δ15）高表达与肺转移相关，为磷脂异构体标志物挖掘提供新方向。
研究结论与意义
LipidIN 通过整合多级碎裂库、保留时间规则及逆向脂质组学网络，突破了传统脂质注释在准确性、覆盖度和平台兼容性上的局限。其核心优势包括：
- 超快速检索：每秒百亿次查询满足实时分析需求；
- 高精度注释：结合保留时间规则将 FDR 控制在 5.7%，覆盖 8923 跨物种脂质；
- 跨平台迁移：WMYn 网络实现谱图再生与平台无关性，提升数据复用性；
- 临床转化潜力：在乳腺癌等疾病中成功筛选标志物，为精准医疗提供新工具。
该研究不仅为脂质组学提供了高效的分析框架，也为代谢物结构解析、跨平台数据整合及疾病机制研究奠定了基础，有望推动脂质组学在精准医学中的广泛应用。
