通过基于分层前体列表的分子网络分析和LC-MS引导的分离技术，高效地发现了塔拉胃管菌块（Tall Gastrodia Tuber，又称天麻）中8种未报道的化合物

《Phytochemistry》：Efficient discovery of eight unreported compounds in Tall Gastrodia Tuber (Tianma) by stratified-precursor-list-based molecular network analysis and LC-MS-guided isolation

分层预先进离子列表（SPL）为基础的分子网络（MN）分析方法，用于高效预测植物中未报道化合物。以天麻为例，结合LC-MS/MS靶向分离技术，成功鉴定8种新酚类化合物（5种酚苷乳酸酯和3种酚苷）。

　　

韩宇|吴天仁|李照辉|毛曦|李春风|白彩红|强梦|黄世伟|胡凯峰|卢光华

成都中医药大学药学院，中国成都611137

摘要

发现先前未报道的化学化合物可以显著扩展植物的利用范围。尽管分子网络（MN）加速了未报道化合物的发现/预测，但当前的MN方法在预测未报道化合物方面仍存在一些不足。因此，本研究开发了一种名为分层前体列表（SPL）基MN分析的新方法，以高效预测植物材料中的未报道化合物。在该方法中，基于包含每种化合物代表性前体离子的SPLs收集LC-MS/MS数据。每种前体的MS²数据采集的保留时间范围与其他共洗脱化合物不重叠，从而保证了数据质量并提高了MN分析的可靠性。所开发的MN更加直观，因为每个节点代表一种不同的化合物。此外，未报道化合物的预测基于节点连接、分子量和MS²碎片化模式，全面利用了MN中的信息，避免了对MS/MS数据库的过度依赖。以广泛使用的草药和健康食品——天麻（Gastrodia elata Blume的块茎）为例，发现了8种未报道的酚类化合物，包括5种酚类葡萄糖苷乳酸酯（gastrodilactate A-E）和3种酚类葡萄糖苷（gastrotetrabenzyloside A-C）。这是首次在该草药中报道酚类葡萄糖苷乳酸酯的存在。研究表明，所开发的方法能够高效预测植物中的未报道化合物。

引言

植物在人们的生活中扮演着重要角色。除了蛋白质、多糖和其他主要营养成分外，植物还含有各种特殊的代谢物，如酚类、萜类和黄酮类。先前的研究表明，这些低丰度化合物在人体代谢中起着关键的调节作用，为功能研究和产品开发奠定了基础（He等人，2023；Q. F. Zhang等人，2024）。因此，明确植物中的化学成分非常重要。然而，传统的发现未报道化合物的方法总是依赖于多步骤分离程序来获得纯化合物，只有到最后阶段才能通过光谱分析确定它们是否为先前未报道的化合物（Wu等人，2022）。因此，开发一种能够快速高效预测植物中未报道化合物的方法至关重要。

基于MS/MS的分子网络（MN）分析是一种通过向量相关性来可视化MS²光谱共性的技术（Watrousa等人，2012）。由于MS²碎片化模式与分子结构之间的内在联系，分子结构之间的相似性可以通过分子节点之间的相关性在MN中得到较好的反映（Yang等人，2013）。因此，MN是一种有用的技术，可用于可视化表征和分类植物材料中的化合物。特别是，MN可以在将化合物分离为纯化合物之前帮助预测未报道的化合物，从而提高发现未报道成分的效率。近年来，相继报道了基于t-分布随机邻居嵌入、基于特征的MN以及基于构建块的MN等改进的MN方法，用于发现植物中的未报道化合物（He等人，2021；Nothias等人，2020；Olivon等人，2018）。然而，当前的MN方法在发现/预测植物材料中的未报道化合物方面并不完全有效。

通常，MN分析是在通过数据依赖型MS²数据采集（DDA）获得的LC-MS/MS数据上进行的（Afoullouss等人，2022；Ramabulana等人，2023）。然而，传统DDA存在一些缺点，如化合物的MS/MS覆盖率低、色谱峰形差以及MS²光谱的数量或质量不足（Stricker等人，2021；Wang等人，2017；Yang等人，2022）。此外，在MN分析中总是同时使用同一化合物的多个前体离子，导致节点冗余（Y. Zhang等人，2024）。这些前体离子不同的MS²碎片化模式使得相似化合物的MS²光谱相似性较低，并在MN簇中产生不必要的分割（Schmid等人，2021）。特别是，通过MN分析发现未报道化合物通常依赖于排除通过MS²光谱识别的已知化合物的节点，这受到MS/MS数据库覆盖范围的限制。因此，当前方法未能充分利用MN中的相似性信息。由于缺乏参考MS²数据，可能会将已知化合物误认为未报道化合物，从而影响MN分析的可靠性。理想的方法是为每种化合物选择唯一合理的前体离子，并通过优化的LC-MS/MS数据采集程序进行处理。这样可以克服DDA的局限性，生成包含每种特定化合物的唯一节点的可靠且简洁的MN。然后，基于MN分析准确预测未报道化合物的候选物。因此，本研究开发了一种称为分层前体列表（SPL）基MN分析的改进方法，以高效预测植物中的未报道化合物。

同时，天麻（Gastrodia elata Blume的块茎）是东亚广泛使用的健康食品和草药。现代研究表明，天麻可以保护肝脏、心脏和中枢神经系统的功能（Hsu等人，2021；Huang等人，2021；Zhao等人，2022）。特别是，它在改善睡眠、缓解抑郁和增强记忆方面的健康益处可能有助于缓解由老龄化人口和生活压力引起的常见健康问题（Cai等人，2022；Lin等人，2014；Sha & Dong，2021；Slavich等人，2020）。尽管已在天麻中鉴定出许多化合物，但仍有大量化学成分未知（Yu等人，2022）。因此，发现更多未报道的化合物对于推进产品开发和应用至关重要。因此，选择天麻作为例子来发现未报道的化合物并验证所开发方法的效率。通过基于SPL的MN分析，在天麻提取物中发现了16个潜在未报道化合物的目标。其中7个目标被选中进行目标分离和结构鉴定，获得了8种先前未报道的酚类化合物，包括一对与单一目标相关的共洗脱异构体。这表明所开发的方法能够高效预测未报道化合物并加速其在植物材料中的发现。

方法开发

发现植物中未报道化合物的方法

本研究开发了一种称为分层前体列表（SPL）基MN分析的改进方法，并结合LC-MS引导的目标分离技术，以天麻为例发现植物中的未报道化合物。为了克服当前MN方法的局限性，优化了LC-MS/MS数据采集、前体离子选择和化合物预测策略。发现未报道化合物的主要步骤包括：（1）生成SPLs；（2）采集

结论

MN是一种有用的技术，可用于预测/发现植物复杂化学成分中的未报道化合物。在优化了LC-MS/MS数据采集、前体离子选择和未报道化合物预测后，本研究开发了一种基于SPL的MN分析新方法，以高效预测植物中的先前未报道化合物。

材料与仪器

天麻样品由四川九洲驰健药业有限公司（中国四川）提供。该样品经成都中医药大学的卢光华教授鉴定为Gastrodia elata Blume的块茎。该标本（编号20211207）保存在该机构的标本馆中。参考物质gastrodin、parishin A、B和E由成都的Push Bio-Technology有限公司生产。LC-MS级试剂包括乙腈、甲醇等

CRediT作者贡献声明

李照辉：验证、正式分析、数据管理。毛曦：软件开发、实验研究。韩宇：撰写——初稿、方法学设计、实验研究、正式分析、数据管理。吴天仁：软件开发、方法学设计、实验研究、数据管理。卢光华：撰写——审稿与编辑、监督、资源协调、项目管理、资金争取。黄世伟：软件开发、实验研究。胡凯峰：撰写——审稿与编辑、监督、资源协调、概念构思。强梦：

未引用参考文献

Zhang等人，2024。

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可能影响本文所述的工作。

资助

本研究得到了国家自然科学基金（编号82274056、22374012、32171440）、国家重点研发计划（编号2025YFC3509203）、四川省科技计划（编号2021YFYZ0012、25NSFSC0907）、成都中医药大学（编号242022007）以及国家中医药管理局创新团队与人才培养计划（编号ZYYCXTD-D-202209）的支持。

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可能影响本文所述的工作。