《Food Chemistry》:The underappreciated diversity of functional pigments in red yeast rice revealed by an integrated multi-engine mining strategy (IMMS)
编辑推荐:
班玉娟|苗文|金新阳|陈思远|娄晓尔|吴建林|李娜•建立了综合多引擎挖掘策略,用于全面识别红曲中的成分。•共鉴定出243种色素和106种肽类。•红色色素在大鼠体内的血浆浓度表现良好。•两种典型的红色色素被证实具有显著的抗阿尔茨海默病作用。•红色色素被证明是潜在的功能性成分。引言红
班玉娟|苗文|金新阳|陈思远|娄晓尔|吴建林|李娜
- •
建立了综合多引擎挖掘策略,用于全面识别红曲中的成分。
- •
共鉴定出243种色素和106种肽类。
- •
红色色素在大鼠体内的血浆浓度表现良好。
- •
两种典型的红色色素被证实具有显著的抗阿尔茨海默病作用。
- •
红色色素被证明是潜在的功能性成分。
引言
红曲在亚洲的饮食中已有上千年的使用历史,因其兼具营养与健康益处而广受认可(Zhao等人,2024)。它是通过用红曲霉发酵熟米制成的,这一过程能生成多种具有健康益处的生物活性化合物(Yanli & Xiang,2020)。这些特性使得红曲具备多种生物活性,包括降脂、抗动脉粥样硬化、抗阿尔茨海默病、抗骨质疏松、抗癌、保肝、调节免疫、抗炎以及降压作用(Shaleha等人,2025;Zhu等人,2019)。然而至今,仅在红曲中鉴定出了约100种成分,包括色素、莫纳科林类、有机酸、甾醇和多糖;而且其中只有莫纳科林K、红曲霉素和安卡弗林等少数几种成分显示出生物活性(Husakova & Patakova,2025;Zhu等人,2019)。因此,迫切需要开展全面深入的成分分析,以明确其生物活性成分,这对于了解它们的治疗潜力以及推动红曲作为功能性食品的开发具有重要意义。
在由数千种不同化学结构组成的复杂体系中识别成分仍是一项重大挑战。目前所报道的红曲成分大多是通过传统的提取分离方法获得的,这类方法耗时且效率低下,严重限制了对其成分的分析(Zhu等人,2019)。近年来,液相色谱-质谱技术取得了快速发展,催生出了许多新的识别工具和方法,如UNIFI、MS-FINDER、mzCloud、SIRIUS以及分子网络分析技术(Meunier等人,2024)。这些技术的进步极大地提升了在复杂体系中快速识别化学化合物的能力。
在这些方法中,基于特征的分子网络分析技术整合了超过10亿条串联质谱数据,能够快速标注已知化合物。此外,该技术还能根据化合物MS/MS谱图的相似性对它们进行聚类,从而通过已标注的成分对化合物进行分类(Jarmusch等人,2021;W. Li等人,2023)。另一种工具SIRIUS可与FBMN结合使用,通过将MS/MS碎片与PubChem、COCONUT和HMDB等结构数据库相结合来推断化合物结构,从而弥补传统FBMN仅依赖光谱库进行识别的缺陷(Dührkop等人,2019)。不过,尽管FBMN能够快速标注已知成分,但其在深入识别特定类别的化合物以及发现未知化合物方面的能力极为有限。因此,最近出现了一种名为基于构建块的分子网络分析的新技术(Q. He等人,2021)。该技术以特征性碎片离子和特征性中性丢失作为筛选标准,旨在捕获具有相同基本骨架和关键结构特征的化合物类别。这种方法几乎可以覆盖某一类别中的所有成分,包括那些FBMN无法检测到的众多未知成分。与FBMN相比,BBMN是一种更具选择性和效率更高的策略,它并不试图展示所有化合物类别,但在深入分析特定化合物类别以及全面发现新化合物方面具有明显优势。
在本研究中,我们建立了一种综合多引擎挖掘策略,对红曲的成分进行了全面深入的分析。该策略以新兴的FBMN、SIRIUS和BBMN技术为核心,辅以PEAKS和BUDDY软件,从而能够快速表征红曲中的新成分和已知成分。随后,通过液相色谱-三重四极杆/质谱仪进行定量分析,确定了主要成分的含量,并筛选出了在大鼠体内具有良好吸收和脑部分布特性的化合物。最后,利用L-谷氨酸诱导的HT-22细胞和LPS诱导的BV-2细胞筛选出具有显著抗阿尔茨海默病作用的成分,同时通过分子对接研究分析了它们的作用机制。
章节要点
化学品与试剂
红点胺、红曲红胺、红曲霉素、安卡弗林、红点菌素和红曲红素均由成都普什生物科技有限公司(中国成都)提供,其纯度均≥98%。Dulbecco改良Eagle培养基(高葡萄糖型)、胎牛血清以及青霉素/链霉素则购自Gibco公司(美国马里兰州洛克维尔市)。L-谷氨酸由北京索莱宝公司提供。LC-MS级别的甲酸、地塞米松以及脂多糖则来自
利用FBMN和SIRIUS对红曲中化合物类别的标注
FBMN能够对大量数据中的相似MS/MS谱图进行聚类,从而便于探索复杂混合物中的化合物类别。在此研究中,首先采用FBMN方法快速分析了红曲中的主要化合物类别。首先,对红曲提取物中的UHPLC-Q-TOF/MS数据使用MS-DIAL进行预处理,去除噪声并校准峰位。处理后的数据随后被上传到GNPS在线工作流中,用于构建FBMN模型。当节点之间的相似度达到一定程度时,它们就会被聚类在一起
结论
本研究开发了一种创新的综合多引擎挖掘策略,将该策略与FBMN、BBMN、SIRIUS、PEAKS和BUDDY等多种分析技术相结合,从而实现对红曲成分的深入全面分析。首先,通过结合FBMN方法和PEAKS软件,共对106种肽类进行了表征,其中104种是首次在红曲中被发现。随后,借助SIRIUS提供的结构信息,建立了一种高度选择性的BBMN方法,该方法基于
CRediT作者贡献说明
班玉娟:写作——初稿撰写、可视化分析、方法设计、实验研究、数据整理。苗文:方法设计、正式数据分析。金新阳:方法设计、实验研究。陈思远:方法设计、实验研究。娄晓尔:方法设计。吴建林:写作——审稿与编辑、结果验证、研究指导。李娜:写作——审稿与编辑、结果验证、研究指导、概念构思。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究得到了澳门特别行政区科学技术发展基金[文件编号:0080/2023/RIB3]、浙江省“先锋”和“领雁”研发计划(编号:2024C03107)以及澳门特别行政区科学技术发展基金[文件编号:0003/2025/AKP和006/2023/SKL]的支持。