《Nature Biotechnology》：Structure-centric searching enables global mapping of the public metabolome
编辑推荐：
代谢组学公共数据虽然丰富，但结构导向的探索与分析一直存在障碍。为此，研究者开发了StructureMASST这一工具，它允许用户以化学名称或结构为输入，在多个公共代谢组学数据库中执行跨库的MS/MS搜索。这项研究构建了一个包含数十亿谱图匹配的预计算知识库，并支持修饰容忍和质量位移搜索，成功将化学结构与物种、生物背景和环境条件关联起来，为加速代谢物发现和理解其生物学意义提供了强大助力。
在过去的十年里，科学家们通过质谱技术绘制了生命体内小分子代谢物的宏伟图谱，并将其海量数据存入全球多个公共数据库，如MetaboLights、GNPS/MassIVE等。然而，一个巨大的矛盾随之浮现：一方面，数据量呈指数级增长，形成了一个前所未有的知识宝库；另一方面，这些数据在很大程度上处于“沉睡”状态。传统的数据检索方法严重依赖于专家人工挑选的代表性质谱图，无法直接以化学家最熟悉的“语言”——化学结构或名称——来提问。例如，想知道“咖啡因”这个分子在全世界已公开的所有实验样本中出现在哪些生物体、哪些组织里？这曾是一个极其繁琐、甚至难以完成的任务。这种“数据富足”与“知识贫乏”之间的鸿沟，极大地限制了科学家从全局视角发现新代谢物、追踪环境暴露、理解微生物与宿主相互作用的能力。为此，一项旨在打破这一壁垒的研究应运而生，其成果以“Structure-centric searching enables global mapping of the public metabolome”为题，发表在顶级期刊《自然·生物技术》（Nature Biotechnology）上。为了系统性地解决上述问题，研究人员开展了一项整合计算、数据工程和生物信息学的研究。他们首先面临的核心挑战是如何对数以亿计的质谱数据进行高效、结构化的检索。研究团队开发了StructureMASST，这是一个基于网页的搜索引擎和应用程序。其技术核心在于构建了一个名为FASSTrecords的预计算知识库，该知识库整合了来自GNPS、MassBank of North America (MoNA)和MassBankEU的超过150万张参考质谱图，并通过FASST算法将这些谱图与截至2025年8月的公共代谢组学原始数据（涵盖近5000个数据集，超过170亿张MS/MS谱图）进行比对，生成了近22亿个谱图匹配对和超过4.2亿个元数据链接。整个架构通过一个高效的SQLite数据库进行管理，并利用RDKit等化学信息学工具实现结构匹配。此外，该研究还利用了PanReDU框架对来自不同数据源的样本元数据进行标准化和协调。研究者开发了用户友好的网络界面，允许用户通过输入化学名、SMILES（简化分子线性输入规范）或SMARTS（SMILES任意目标规范）字符串进行精确或子结构搜索，并通过交互式桑基图等可视化方式呈现结果。
主要研究结果
StructureMASST的基础架构与工作流程
研究构建的FASSTrecords/StructureMASST基础设施旨在实现从化学结构到全局数据分布的快速映射。整个流程始于对公共参考谱图库的聚合与聚类，随后通过FASST算法进行大规模的谱图匹配，并将结果与标准化的样本元数据整合到一个关系型数据库中。这个数据库包含几个核心表：存储参考谱图信息的library表、记录原始数据文件路径的mri表、存放协调后元数据的redu表以及作为核心的、记录所有谱图匹配结果的masst表。这种设计通过整数ID关联和选择性建立索引，实现了对海量数据（压缩后约40GB）的高效查询。该图系统展示了StructureMASST如何降低使用门槛（图1b），整合多源数据（图1c），并通过链接的表结构实现可扩展的结构检索（图1d），最终通过Web界面呈现结果（图1e）。
多MASST搜索模式提升化合物检出广度
研究引入的“多MASST”（multi-MASST）概念是核心创新。传统的MASST搜索使用单一参考谱图，而多MASST允许用户一次性搜索一个化合物所有可用的参考MS/MS谱图（来自不同加合离子形式、不同碰撞能量等），从而获得该分子在公共数据中分布的全景图。一个典型案例是化合物cholylphenylalanine：使用单一的[M+H]+参考谱图进行MASST搜索，仅匹配到184个原始数据文件，其中13个来自人类样本。而通过StructureMASST的多MASST搜索，利用了该化合物的137张参考谱图，最终匹配到1275个原始数据文件，其中450个来自人类样本，极大地提升了检测的覆盖面和生物学相关性。
三种搜索模式应对不同科学问题
StructureMASST提供了三种搜索模式以满足不同研究需求。第一种是“精确匹配搜索”，直接查询预计算知识库，速度快，适用于大多数已知化合物的分布探查。第二种是“修饰容忍搜索”，用户可预设一个质量位移（Δm/z，如+15.99 Da对应氧化）或原子组成，系统会寻找与查询结构相差该特定修饰的类似物。第三种是“盲修饰搜索”，无需预设修饰，可自动发现与查询化合物结构相关但修饰未知的类似物，这对于发现新天然产物或未知代谢物尤其强大。所有模式的搜索结果都与丰富的样本元数据关联，并能通过桑基图进行交互式探索。
应用实例彰显强大功能
研究通过多个具体案例展示了StructureMASST的广泛应用价值。在对广泛食用的化合物“咖啡因”的搜索中，系统检索到316张参考MS/MS谱图，通过多MASST在98个数据集的6228个文件中匹配到咖啡因，其分布与常识高度一致，涵盖了人血清、肾脏组织、母乳以及咖啡和茶植物等。在子结构搜索方面，研究以水杨酸-噻唑啉（salicylic-thiazoline）这一铁载体（siderophore）生物合成的保守子结构进行查询，检索到包含该核心的9个不同分子（如铜绿假单胞菌产生的pyochelin、鼠疫耶尔森菌产生的yersiniabactin等）的82张谱图。多MASST分析显示这些分子匹配到了公共数据中的1331个MS/MS谱图，其中pyochelin的匹配主要集中在囊性纤维化患者样本中，这与铜绿假单胞菌是该人群常见病原体的认知相符。值得注意的是，yersiniabactin也在人类粪便样本中被检测到，为这类微生物铁载体在人体内的存在及其可能的免疫调节作用提供了直接证据。该图展示了子结构搜索（图2a）和类似物搜索（图2b-f）在代谢物全局定位中的应用，包括对药物舍曲林代谢物的鉴定。
在药物代谢研究中的深度应用
研究进一步将StructureMASST应用于药物代谢研究。以抗抑郁药舍曲林（sertraline）为例，系统通过“类似物搜索”模式，不仅检测到原型药物在多种人体组织和体液中存在，还鉴定出一系列其代谢物，包括氧化（+15.99 Da）、去甲基化（-14.02 Da）、羧化（+43.99 Da）以及与戊糖缀合（+148.04 Da）的产物。通过质量亏损分析和保留时间共迁移分析，研究有效区分了真正的氯代代谢物与非氯代的源内碎片。利用配套工具Modifinder，研究还将羧化和戊糖缀合这两个修饰最可能的发生位点定位在舍曲林的胺侧链及邻近区域，这与已知的舍曲林代谢途径相符。这些分析揭示了在人体母乳和脑组织等多种体液中存在多种氯代舍曲林代谢物。
研究结论与意义
综上所述，StructureMASST的开发成功构建了一座连接化学结构与公共代谢组学大数据世界的桥梁。它首次实现了以化学结构或子结构为中心，对跨多个数据仓库的海量MS/MS数据进行规模化搜索，并通过多MASST、修饰容忍和盲修饰搜索等模式，极大地拓展了代谢物发现和研究的维度。这项研究的深远意义在于：它将原本分散、难以利用的公共数据转化为一个可全局查询、具有丰富生物学背景的知识系统。这不仅极大地加速了代谢物的注释和发现，推动了药物代谢、环境暴露、微生物-宿主互作等领域的研究，更重要的是，它 democratizes（民主化）了代谢组学大数据分析的能力，使不具备深厚质谱信息学背景的研究者也能轻松提出基于化学结构的科学问题并获取答案。随着公共数据的持续增长和参考谱图库的不断扩充，StructureMASST这样的工具将成为挖掘生命科学数据“暗物质”、系统性揭示代谢规律与功能的关键基础设施。
