MOF衍生多孔氧化铁用于经优化光热与界面性质的高保真LDI-MS代谢组学及烟叶数字化溯源

《SmartMat》：MOF-Derived Porous Iron Oxide With Optimized Photothermal and Interfacial Properties for High-Fidelity LDI-MS Metabolomics and Digital Traceability of Tobacco Leaves

　　

工程无机基质中光子吸收与界面能量转移的优化，对于推动激光解吸/电离质谱（LDI-MS）实现高保真代谢组学分析至关重要。研究人员构建了一种由金属有机框架（MOF）衍生的多孔氧化铁（pFO）纳米基质用于基于LDI-MS的代谢组学研究。该pFO在355 nm处具有强紫外吸收，具有59.7 m²/g的高比表面积以及均一的介孔结构，从而带来低背景噪声、更强的分析物信号强度和较高的分析重复性（变异系数<9.2%）。基于该平台，研究人员快速采集了269份烟叶样品的代谢指纹。结合随机森林（Random Forest, RF），该方法实现了对叶柄位置的准确区分（AUC=0.962），并可可靠地区分西南与东南产区（AUC>0.944）。此外，研究人员筛选出8个代表性m/z特征构建简化分类面板，在测试集中仍保持稳健的预测性能（AUC>0.913）。该研究证明，MOF衍生pFO可作为高性能无机基质用于LDI-MS代谢组学，并建立了适用于农产品数字化分类与质量溯源的快速、可重复分析策略。

本研究围绕烟叶化学组成的精细表征展开。烟草（Nicotiana tabacum L.）作为重要经济作物，其终产品的风味、香气和加工适宜性高度依赖内源代谢物的组成及相对丰度，包括糖类、生物碱、有机酸和酚类化合物等。烟叶代谢物在植株轴向和地理环境上均表现出显著异质性：不同叶位会导致次生代谢物累积规律不同，进而形成上、中、下部叶的差异化化学谱；气候、土壤与海拔等区域因素又会调控代谢途径，形成产地特异性代谢特征。因此，如何在复杂样本中快速、稳定地捕捉细微而系统的代谢差异，并实现叶位与产地的准确判别，是烟叶质量控制和分级利用中的关键问题。

传统气相色谱-质谱（GC-MS）与液相色谱-质谱（LC-MS）虽然灵敏度和重复性较高，但通常依赖提取、纯化、浓缩和衍生化等多步前处理，分析通量受限，难以满足大规模快速筛查需求。激光解吸/电离质谱（LDI-MS）因样品前处理少、采集速度快而成为代谢组学的重要替代方案，但常规有机基质如DHB和CHCA会在低质量数区产生显著背景干扰，且共结晶不均一，导致小分子代谢物检测受限、重复性不足。基于此，研究人员提出以无机纳米材料替代有机基质，并选择金属有机框架（MOF）作为前驱体，构建具有可控形貌、孔结构和热转化特性的多孔铁氧化物基质。研究人员以MIL-88B为前驱体，经热转化制备pFO，并将其应用于269份烟叶样品的代谢指纹采集，结合机器学习实现叶位与产地分类。研究结果表明，pFO兼具低背景、高信号增强和高重复性，可支撑高通量、可追溯的烟叶数字化分类；该工作对精准农业、烟叶加工优化和原料质量溯源具有重要意义。

本研究的主要技术路线包括：MOF前驱体热转化制备pFO并进行形貌、晶型、孔结构和光热性能表征；基于pFO的LDI-MS代谢指纹采集与条件优化；对269份烟叶样品进行峰提取、统计分析和机器学习分类；利用递归特征消除（RFE）筛选关键m/z特征并构建简化分类面板；最后通过数据库比对与串联质谱对部分代谢物进行注释验证。

3.1 pFO的合成与表征
研究人员通过MIL-88B热解构筑pFO，并以XRD、SEM、TEM、UV-Vis和氮气吸附-脱附等手段证实其成功制备。结果显示，pFO在保留前驱体形貌的同时形成了粗糙表面和介孔结构，且具有较高比表面积。其在355 nm处表现出增强的紫外吸收，且在激光照射下升温更快、热局域更明显，说明其具备优良的光热转换与界面能量转移能力，为高效解吸/电离提供基础。

3.2 pFO作为LDI-MS基质的分析性能与条件优化
研究人员比较了pFO与CHCA、DHB及非多孔Fe₂O₃的表现。pFO显示出低背景噪声和更强的标准物信号，并在基质浓度、点样顺序、样品提取溶剂及稀释倍数等条件优化后，确定0.5 mg/mL为最佳基质浓度，采用“样品先点、后覆基质”的方式，甲醇提取并六倍稀释为标准流程。重复性评价表明，单点内和不同点位间的CV均较低，证明该平台具备良好的稳定性和可重复性。

3.3 pFO辅助LDI-MS代谢组学与烟叶产地判别
研究人员采集了66份上部叶（UT）、134份中部叶（MT）和69份下部叶（LT）的代谢指纹，共获得221个特征m/z峰。热图与主成分趋势显示，不同叶位具有清晰代谢分群。两类质量控制样本进一步证明了平台的稳定性。随后，研究人员将样本按7:3分为训练集和测试集，分别采用KNN、LR、RF和SVM建模，其中RF表现最佳，测试集AUC达0.962，分类准确率为87.7%。叶位两两比较同样表现出较高的区分能力。产地分类方面，研究人员对西南（SW）、东南（SE）、黄淮（HH）、华北（NC）等区域进行判别，结果显示该平台能够识别地理来源差异，尤其在SE与SW的区分中表现更为稳健，不同叶位的AUC均较高。

3.4 关键代谢特征筛选与叶位判别面板构建
研究人员采用RFE筛选关键特征，确定8个m/z峰即可获得最佳分类效果。基于这8个特征构建的分类面板在训练集和测试集中均保持较高AUC与准确率，且在LT、MT、UT的两两比较中均显示出强判别能力。该结果表明，少量关键特征即可代表叶位相关代谢差异。

进一步注释显示，其中4个代谢物得到了鉴定，包括生物碱、氨基酸及有机酸相关分子。烟碱（nicotine）在上部叶富集，这与其主要在根部合成并向上运输的生物学特征一致；氨基酸总体呈UT>MT>LT分布；tyramine在上部叶更高；pantothenic acid在下部叶更丰富。这些结果与既往报道及烟草代谢规律相符，说明所筛选特征具有明确的生物学意义。

讨论部分指出，pFO之所以能够优于传统有机基质，关键在于其强UV吸收、均一介孔结构和较高比表面积协同提升了光热转换、代谢物富集与离子化效率，同时显著降低背景干扰并改善重复性。将该平台与机器学习结合后，能够快速提取烟叶代谢指纹，并实现叶位与产地的高精度判别。研究人员认为，该策略为精确农业、烟叶加工优化和农产品数字化质量溯源提供了可推广的技术框架。关于结论，研究表明：MIL-88B衍生pFO可作为高性能LDI-MS无机基质；该平台可高通量获取烟叶代谢指纹并实现稳健分类；8个m/z特征构成的简化面板仍具优良判别力。研究同时指出，该模型对不同年份、栽培方式和品种样本的泛化能力仍需进一步验证。