编辑推荐：
为解决非靶向代谢组学注释率低（<10%）的问题，研究人员利用从质谱数据预测的分子指纹（MFP）或化合物类别（CC）构成的化学特征向量（CCV）开展研究，发现其可区分生物群落特征化合物类，增强数据解读，具量化和推广价值。
在探索自然生物群落的化学奥秘时，科学家面临着一个棘手的难题：非靶向代谢组学虽能全面描绘生物群落的化学空间，但其注释率极低，不足 10%。大量的 “化学暗物质”—— 未被识别的化合物，如同隐藏在迷雾中的宝藏，阻碍着对不同生物群落化学特征的深入理解。如何在不依赖完整结构注释的情况下，实现样本间的有效比较，成为代谢组学领域亟待突破的关键挑战。
为攻克这一难题，德国耶拿大学（Friedrich Schiller University）的研究人员开展了一项富有创新性的研究。他们开发了化学特征向量（Chemical Characteristics Vectors, CCVs）方法，利用质谱数据预测的分子指纹（Molecular Fingerprints, MFPs）和化合物类别（Compound Classes, CCs），对样本中的化合物化学特性进行量化描述。这项研究成果发表在《Journal of Cheminformatics》上，为解读非靶向代谢组学数据开辟了新路径。
研究主要采用了以下关键技术方法：
- 数据来源：基于地球微生物组计划（EMP）的 572 个样本，涵盖 11 个生物群落（如动物肠道、土壤、水等）的非靶向代谢组学 LC-HRMS 数据。
- 特征预测：通过 SIRIUS 软件结合 CSI:FingerID 和 CANOPUS 工具，从 LC-MS/MS 数据中预测 MFPs 和 CCs，将概率值转化为二进制特征（阈值 0.5）。
- 数据标准化：对样本内的化学特征进行平均化处理，生成 CCVs，同时按前体 m/z 值（100-900）将峰分组后再平均，提升特征分辨率。
- 统计分析：运用主成分分析（PCA）、均匀流形近似与投影（UMAP）等降维技术可视化样本差异，并通过递归特征消除（RFE）筛选关键特征，结合随机森林（RF）、k - 近邻（kNN）等机器学习算法评估分类性能。
研究结果
1. CCVs 有效捕捉生物群落化学差异
通过 PCA 和 UMAP 分析发现，CCVs 能有效区分不同生物群落。例如，醚类化合物在水、土壤等环境群落中富集（占比 25%-33%），而类固醇、胆汁酸等在动物相关群落中更为突出（动物肠道类固醇占比达 12%）。相较于传统的 MS1 强度数据，CCVs 的主成分 1（PC1）可解释超 50% 的方差，显示出更强的化学特征表征能力。机器学习分类结果表明，基于 CCVs 的模型在预测生物群落时具有较高准确性（kNN 准确率超 96%），且分子指纹（MFP）性能优于化合物类别（CC），突显了结构特征的重要性。
2. 生物群落内的化学异质性与关键特征
部分生物群落内部存在显著差异。如动物远端肠道样本分为两组：一组富含有机杂环化合物和苯甲酰衍生物（来自圈养鸟类、哺乳动物粪便），另一组则以有机氮化合物和脂肪酰胺为主（来自野生啮齿类等粪便）。珊瑚分泌物样本中，不同地理来源的物种表现出烷基芳基醚与脂质类化合物的差异。通过特征选择发现，严格筛选特征（rfe2）虽减少信息冗余，但过度过滤会降低分类性能，表明保留适度特征多样性的重要性。
3. 化学特征与分子质量的关联
按 m/z 分组分析显示，醚类化合物在高分子质量组（>550 m/z）占比更高，而单糖磷酸酯和甘油磷酸酯主要存在于中高质量组（>250 m/z）。植物残体中的 prenol 脂质在高质量组（>450 m/z）富集，氨基酸则在中质量组（450-550 m/z）更为突出。这种质量依赖性分布为解析化合物结构与功能提供了新维度。
结论与意义
本研究开发的 CCVs 方法无需完整化合物注释，即可通过化学特征量化实现生物群落化学空间的比较，显著提升了非靶向代谢组学数据的可解释性。研究不仅揭示了不同生物群落的特征化学类群（如环境群落的醚类、动物群落的类固醇），还为解析群落内化学异质性提供了工具。此外，CCVs 的无对齐特性使其适用于跨研究数据比较，为环境监测、微生物组 - 代谢组关联研究等领域开辟了新方向。未来，结合多组学数据，CCVs 有望进一步推动微生物功能与代谢特征的关联研究，助力解开 “化学暗物质” 的神秘面纱。
