《Journal of Chromatography B》：Development and validation of a UHPLC–MS/MS method for the simultaneous determination of 100 drugs in human hair
编辑推荐：
•通过新的 UHPLC–MS/MS 方法检测人发中的 100 种药物。•一步提取程序。•广泛的多种类药物检测分析运行时间为 7.5 分钟。•根据国际指南进行验证。•适用于真实毛发样本。引言在过去的三十年中，毛发分析已成为法医和临床毒理学中确立且日益重要的工具 [1]。其日益增
- •
通过新的 UHPLC–MS/MS 方法检测人发中的 100 种药物。
- •
一步提取程序。
- •
广泛的多种类药物检测分析运行时间为 7.5 分钟。
- •
根据国际指南进行验证。
- •
适用于真实毛发样本。
引言
在过去的三十年中，毛发分析已成为法医和临床毒理学中确立且日益重要的工具 [1]。其日益增长的重要性反映了毒理学格局的不断演变的复杂性，这种复杂性受到社会变化、药物可获得性增加以及广泛的重药使用现象的影响 [2], [3]。目前，同时暴露于多种药物类别比单一药物摄入更为常见，代表着重大的公共卫生问题，特别是在欧洲 [3]。因此，仅限于检测狭小范围物质的分析方法已不再足够。迫切需要能够以高灵敏度、选择性和分析通量检测广泛化合物谱的综合分析方案。
血液和尿液等传统生物基质仍然是评估近期药物摄入的金标准；然而，它们的检测窗口期仅限于暴露后的数小时或数天内 [4]。相比之下，毛发提供了一种独特的基质，用于回顾性毒理学评估，因为它能够长期掺入药物及其代谢物，使得能够评估从周到月（取决于毛发长度和生长速率）的长期或慢性物质使用 [1]。此外，分段毛发分析可以提供药物暴露的时间信息，提供关于使用模式的额外见解 [5], [6], [7]。从实际角度来看，毛发采样是非侵入性的，易于进行且成本低廉，使其在各种法医调查中特别具有优势，包括职场药物检测、儿童忽视调查案例、兴奋剂以及甚至关于人群暴露于外源性生物素的流行病学研究 [8], [9], [10], [11], [12], [13]。
尽管有这些优势，毛发分析存在几个分析挑战。由于药物掺入机制的可变性，定量解释仍然复杂，这受到毛发色素沉着（黑色素含量）、分析物的物理化学性质、美发处理和环境污染等因素的影响 [1], [7]。此外，共同提取的内源性基质成分可能会影响电离效率，从而可能影响方法的准确性和重现性 [7], [9]。因此，仔细优化分析前程序，包括清洗方案、样本均质化和提取条件，对于确保可靠的结果至关重要。
液相色谱 - 串联质谱 (LC–MS/MS) 已成为在头发等复杂生物基质中检测和定量药物的首选技术，因其具有高灵敏度、选择性和多分析物分析能力 [14], [15]。多反应监测 (MRM) 的应用通过启用针对特定前体 - 产物离子跃迁的靶向检测，进一步提高了选择性，从而允许准确量化痕量化合物。然而，目前可用的 LC–MS/MS 方法通常在分析物数量或样本准备时间长度和效率方面有限 [10], [14], [16], [17]。
在此背景下，本研究的目的是开发和验证一种快速、灵敏且稳健的 UHPLC–MS/MS 方法，用于同时测定人发中的 100 种化合物。所提出的方法旨在提供跨多种药物类别的广泛分析物覆盖范围，同时保持短分析时间和简化样本制备，从而为常规法医和临床毒理学应用提供实用且高效的工具。
章节片段
化学品和试剂
用于 LC-MS/MS 分析的所有溶剂和试剂均为高效液相色谱 - 质谱 (HPLC)-MS 级。37% 发烟盐酸 (HCl) 购自 Merck（德国达姆施塔特）。氯氮平 -d4 和 MDMA-d5 购自 LGC GmbH（德国卢肯瓦尔德），吗啡 -d3 购自 Cerilliant Corporation（美国德克萨斯州），地西泮 -d5 购自 Toronto Research Chemicals（加拿大安大略省多伦多），用作内标 (IS)。醋酸铵 (99%) 购自
方法优化
通过比较各种实验设置下获得的色谱图来优化色谱分离和 MS 条件，重点关注峰面积、对称性以及分析物之间的分辨率。选择通用 LC 柱以支持属于不同化学类别的广泛化合物的分析。检测在定义的时间段内使用多反应监测 (MRM) 进行，对所有分析物采用三种跃迁，但左乙拉西坦和
结论
开发并验证了一种用于同时测定人发中 100 种分析物的快速稳健的 UHPLC–MS/MS 方法。该方法结合了简单的一步提取和短的 7.5 分钟运行时间，在不牺牲灵敏度、准确性或精确度的情况下提供高通量分析。
应用于真实毛发样本证实了其检测广泛药物和代谢物以及揭示药物使用模式的潜力。总体而言，该方法提供了一种实用的且
CRediT 作者贡献声明
Dimitra Florou: 撰写 - 初稿，验证，方法学，调查，数据整理。 Amvrosios Orfanidis: 撰写 - 初稿，验证，资源，方法学，数据整理。 Antonia Demuro: 资源，方法学。 Alberto Salomone: 验证，监督。 Vassiliki A. Boumba: 撰写 - 审阅与编辑，监督，资源，项目管理，概念化。
利益冲突声明
作者声明，他们没有已知的竞争性财务利益或个人关系，这些可能会影响本论文中报告的工作。
Dimitra Florou|Amvrosios Orfanidis|Antonia Demuro|Alberto Salomone|Vassiliki A. Boumba
