综述:倾听细胞低语:鞘糖脂分析与注释的最新进展全面综述

《Analytical Chemistry》:Listening to Cellular Whispers through Glycosphingolipids: A Comprehensive Review of Recent Advancements in Glycosphingolipid Analysis and Annotation

【字体: 大 中 小 】 时间:2026年04月19日 来源:Analytical Chemistry 6.7

编辑推荐:

  这篇综述聚焦于鞘糖脂(GSLs)的结构复杂性、分析挑战与临床意义,系统梳理了从样本制备、分离、质谱检测到数据注释与定量的全流程方法学进展,并强调了避免错误注释的重要性。文章为理解GSLs在细胞信号、神经系统功能和疾病(如神经退行性疾病、癌症)中的作用提供了关键分析视角与技术路线图。

  
鞘糖脂(GSLs)是生物膜中结构最多样、功能最复杂的分子家族之一。它们由疏水的神经酰胺尾部和亲水的寡糖头部组成,这种“乐高积木”式的模块化结构,使得通过糖链和神经酰胺的排列组合能产生远超阿伏伽德罗常数的可能结构,这种多样性在中得以生动展现。GSLs广泛存在于从脊椎动物到真菌、植物乃至细菌和病毒中,在真核生物中,它们对信号通路、膜结构和免疫调节至关重要,尤其在脊椎动物中枢神经系统里,对维持膜稳定性、促进信号传递以及与记忆、神经可塑性等高级功能密切相关。
1.1. GSL的生物合成与分类
GSL的分类主要基于其糖链头部。基于此,GSL可分为神经节系列、红细胞系列、乳糖系列、粘蛋白系列和关节系列等。神经节苷脂(神经节系列)如GM1,通常采用Svennerholm命名法,其中前缀“G”代表神经节苷脂,随后的字母(M, D, T, Q)表示唾液酸残基的数量,数字索引反映核心结构中中性寡糖链的相对长度。
GSL的生物合成始于丝氨酸棕榈酰转移酶(SPT)催化丝氨酸和棕榈酰辅酶A缩合形成3-酮基二氢鞘氨醇。随后,神经酰胺合成酶(CerS)用脂肪酸酰化鞘氨醇的伯胺形成神经酰胺。哺乳动物中有六种神经酰胺合成酶(CERS1–6),各自偏好不同链长的脂肪酸,从而产生多样的神经酰胺结构。神经酰胺的糖基化由葡萄糖神经酰胺合酶(GCS)或半乳糖神经酰胺合酶催化,分别形成葡萄糖神经酰胺(GlcCer)或半乳糖神经酰胺(GalCer)。GlcCer可进一步延伸为乳糖神经酰胺(LacCer),后者是合成复杂的神经节系列、红细胞系列和乳糖系列GSL的生物途径分支点。神经节系列的合成始于唾液酸添加到LacCer上形成最简单的神经节苷脂GM3,随后通过一系列酶促步骤可延伸为GM2、GM1或GD3、GT3等。展示了GSL(主要是神经节系列)生物合成的简化概览及其代谢中的关键酶。红细胞系列和乳糖系列则从LacCer通过添加不同的单糖开始。此外,岩藻糖基转移酶和硫酸转移酶等催化的修饰(如岩藻糖化和硫酸化)进一步增加了GSL的结构多样性,例如硫酸酯是髓鞘的主要GSLs之一。
1.2. GSL的临床相关性
GSL的异常积累与多种疾病相关。在溶酶体中异常堆积会导致GSL贮积症。在癌细胞中,高丰度的GSL有助于肿瘤细胞存活和进展,使其成为癌症治疗的潜在靶点。抑制GSL生物合成的关键酶——葡萄糖神经酰胺合酶(GCS)——成为一种有前景的治疗策略。例如,venglustat等GCS抑制剂可降低葡萄糖神经酰胺水平,为法布里病、戈谢病等GSL代谢异常疾病带来潜在益处。此外,GCS抑制剂在癌症治疗中也显示出潜力,例如eliglustat可通过增加MHC和肿瘤抗原肽对CD8+T细胞的暴露来增强抗肿瘤免疫反应。
2. 分析循环:从样本制备到GSL检测
2.1. GSL分析中的样本类型
GSL研究可使用多种样本,包括血清、血浆、全血、干血斑、专用细胞系(如神经母细胞瘤、胰腺癌细胞)、特定生物体液(如羊水、胎盘、乳汁)以及组织样本(如脑、肝、肾组织)。脑组织对神经退行性疾病研究至关重要,而质谱成像(MSI)技术能够在细胞水平绘制脂质分布图。样本的选择取决于研究目标和目标分析物。
2.2. 样本制备方法
有效的样本制备是可靠分析的关键。液-液萃取(LLE)是常用方法,其中氯仿/甲醇/水混合物的Folch法因其能有效溶解神经节苷脂和硫酸酯而被广泛使用。甲基叔丁基醚(MTBE)法因其毒性较低也常用于大规模研究。衍生化反应(如全甲基化)和富集技术(如使用二氧化钛(TiO2)磁性纳米颗粒选择性富集中性GSLs)能显著增强GSL的结构解析和分析灵敏度。总结了近期研究中用于GSL分析的样本和样本制备方法。
2.3. 酶解消化
完整GSL的分析因其结构异质性和低丰度而充满挑战。选择性酶解策略(如使用内切神经酰胺酶(EGCase)或鞘脂神经酰胺N-脱酰酶(SCDase))可以简化结构,专注于糖链或溶血-GSL相关通路分析,从而提高分析灵敏度。
2.4. 分析批次的创建与样本类型
在分析批次中,除了提取的生物样本,纳入系统适用性样本和质控(QC)样本对生成可靠数据至关重要。这包括系统适用性空白、过程空白、系统适用性样本以及三种类型的QC样本:混合QC、标准参考物质(SRM)和长期参考(LTR)。
2.5. GSL分析中的分离方法
在质谱分析前,分离方法对于优化完整GSL分析至关重要。液相色谱(LC)与质谱联用(LC-MS)最为普遍。亲水相互作用色谱(HILIC)和反相(RP)色谱广泛应用于基于极性的分离。HILIC适用于基于糖链头部的类别分离,而RP色谱(通常使用C18柱)则根据疏水性分离GSL。优化流动相组成对GSL的离子化和保留至关重要。此外,离子淌度(IMS)是另一种强大的分离方法,可根据离子的大小、形状、电荷和表观表面积在电场中进行分离。
2.6. GSL分析中的质谱技术
质谱(MS)是GSL研究中不可或缺的工具。软电离技术如电喷雾电离(ESI)是首选。高分辨率分析器如Orbitrap、飞行时间(TOF)和傅里叶变换离子回旋共振(FT-ICR)为详细的GSL分析提供了必要的准确度和分辨率。数据依赖采集(DDA)模式仍然是GSL研究的首选。电离模式的选择取决于研究目标:关注糖链头部分析常使用负离子模式,而关注脂肪酸和鞘氨醇尾部分析则多用正离子模式。碎片化技术如碰撞诱导解离(CID)和更高能量碰撞解离(HCD)在GSL注释中起着关键作用,它们产生揭示GSL关键结构组分(如唾液酸、糖链和长链碱基(LCB)片段)的诊断离子。概述了近期研究中使用的分析方法。
2.7. MS数据预处理
在脂质组学中,预处理选择(特征检测、峰平滑、分组和比对)对防止伪影和误解至关重要。每个化合物通常会产生多个MS1特征,包括同位素峰、各种加合物和源内碎片。GSL数据预处理中的一个关键陷阱涉及三羟基与二羟基鞘氨醇碱基:在离子化过程中,三羟基神经酰胺碱基的脱水(-18.010565 Da)会产生与多一个双键的二羟基物种的[M+H]+重叠的[M+H–H2O]+。因此,羟基化程度应通过诊断性MS2碎片(例如,正离子模式下m/z 264/266/282处的鞘氨醇骨架离子)来确认。
3. 基于质谱的GSL注释的关键考量
正确的GSL注释对于阐明其在细胞过程和疾病机制中的作用至关重要。GSL注释依赖于几个基本组成部分,包括高分辨率、高质量精度、不同极性下保留时间的对齐、通过等效碳数(ECN)模型分析保留时间趋势、评估异构体和同量异位素重叠、识别诊断性碎片、结合正交分析方法、生物学验证、澄清注释的置信度水平以及使用真实标准品和手动审查进行确认。
GSL注释通过一个分层框架进行:总组成水平(分子式)、GSL类别水平(脂质物种水平)、GSL类别和神经酰胺组成水平(分子脂质物种水平)以及异构体和立体化学水平。展示了LC-MS工作流程中GSL注释的层次水平。
3.1. GSL MS2碎片的命名法
最广泛采用的碳水化合物/糖复合物碎片命名框架由Domon和Costello提出,后来由Ann和Adams扩展到鞘脂的脂质骨架信息。在该框架中,根据碎片离子是否保留糖链的非还原端(A、B、C离子)或还原端(X、Y、Z离子)进行分类。为了解释GSL脂质部分的复杂性,Ann和Adams的框架引入了E、G、H、J、K、L、M、O、P、Q、S、T、U和V离子类型。展示了用于鞘糖脂MS2谱图的碎片命名法。
3.2. 诊断性碎片
准确的GSL注释主要依赖于揭示GSL内关键结构组分(主要是但不限于唾液酸、糖链和长链碱基(LCB)碎片)的诊断离子。CID和HCD是GSL分析中广泛使用的技术。在负离子模式下,唾液酸的丢失(m/z 290)是神经节苷脂分析中常见且具有区分性的标志。LCB碎片通常在正离子模式下分析,例如m/z 264是18:1;O2的广泛认可标志物。
4. 基于分析能力的注释策略
准确的GSL注释取决于分析工作流程的分辨能力。因此,结构分配应遵循分层决策逻辑,考虑分析平台的局限性。一种实用的GSL注释方法可以基于分析工作流程已证明的分辨能力,如图7所示。该决策树框架评估两个结构维度:糖链头部(G)和脂质尾部(L)。适当的注释是每个结构维度分别得出的最可信命名的组合。
4.1. 自动化的GSL注释方法
完整GSL注释主要依赖两种策略:谱库匹配和基于规则的注释。谱库匹配能够实现快速自动化的鉴定,但其可靠性受限于数据库的完整性、准确性和跨仪器的覆盖范围。基于规则的注释则允许鉴定新的GSL物种,对于未被充分代表的类别特别有用。
4.2. 用于GSL分析的基于谱库的注释工具
谱库匹配是一种成熟的技术,但许多内部库不共享,供应商特定的库通常需要付费许可,限制了其可及性。目前缺乏谱库构建的标准指南。在开源解决方案中,MZmine广泛用于数据处理和注释。在商业解决方案中,LipidSearch为脂质鉴定和注释提供了高级功能。LIPID MAPS、HMDB、METLIN和LipidBlast等数据库支持GSL注释,但与其他脂质类别相比,巨大的GSL搜索空间并未被这些全球资源充分覆盖。
4.3. 用于GSL分析的基于决策规则和计算机模拟的注释工具
基于规则的注释提供了一个有优势的替代方案,特别是在谱库稀少或不可用时。诸如LipidMatch和脂质数据分析器(LDA)等工具通过使用已建立的决策规则分析碎片谱图来实现脂质鉴定,而不是仅仅依赖谱图相似性。基于规则的方法特别适合处理不同仪器和碎片技术之间MS2谱图的高变异性。
以糖基肌醇磷酸神经酰胺(GIPCs)为例,作为植物和藻类膜中的主要鞘脂,它们无处不在且具有生物学必要性,但目前没有真实标准品。因此,它们的注释依赖于植物特定的碎片规则而非谱库匹配。在脂质数据分析器(LDA)中,GIPC鉴定依赖于糖基化肌醇磷酸头部的强制性诊断碎片,并结合非线性ECN模型的保留时间预测以及正负电离模式之间的正交保留时间匹配,为复杂GSL亚类的注释提供了可靠的框架。
5. GSL定量
定量分析GSL是脂质组学中一项关键但具有挑战性的任务。绝对定量、相对定量和半定量方法都用于量化GSL。绝对定量由于使用真实标准品而提供最高精度,但其在GSL定量分析中的应用受到大量GSL物种的同位素纯标记标准品可用性的限制。相对定量更适用于大规模研究,在GSL定量中广泛应用。
GSL的准确定量需要适当的归一化以减少由样本差异、提取方法和仪器性能等因素引起的变异性。归一化技术主要分为三类:基于生物学的方法、基于内标(IS)的方法和数据驱动策略。使用内标是GSL分析中校正提取和离子化变异性的最成熟方法。在缺乏内标或引入不需要的伪影的情况下,数据驱动的归一化(如归一化到GSL强度总和)提供了一种替代方案。
除了归一化,还必须解决其他关键的数据处理步骤以确保稳健的定量,包括数据过滤、处理缺失值、转换和标度。此外,方法验证参数,如定量下限(LLOQ)、定量上限(ULOQ)、重现性和线性范围,应在每个批次样本分析之前建立。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号