基于同位素稀释LC-MRM-MS在监管决策阈值下增强大麻源油脂中64种农药定量分析的评估

《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：Enhanced quantification of 64 pesticides in cannabis-derived oil by isotope-dilution LC-MRM-MS at regulatory decision thresholds

　　

大麻合法化催生了受监管的市場，要求进行残留农药检测以保护公众健康。监管计划制定了管理产品放行与执法的行动限值，需要在分析上具有挑战性的基质中进行准确定量。由于需要定量数十种具有广泛不同理化性质的化合物，通常每种产品需要多项检测，合规性进一步复杂化。因此在代表性基质中经过验证的多重方法对于在监管阈值下进行可辩护的定量至关重要。研究人员开发并验证了一种多重液相色谱-串联质谱（LC-MS/MS）方法，用于同时定量大麻源大麻油中的64种农药，采用外部校准结合58种稳定同位素标记内标（SIL-IS）和4种替代内标（IS），涵盖8.4个单位的LogP。验证遵循临床与实验室标准协会（CLSI）指南（C62-A、EP05-A3、EP29-A）和美国食品药品监督管理局（FDA）指导文件。所有64种农药均表现出线性校准（R2 ≥ 0.995），准确度在80.0–120.0%（平均回收率 = 101.9%），精密度≤15%变异系数（%CV，平均%CV = 2.7%）。62种组分的分析测量范围扩展至20,000 ppb（parts per billion）。扩展测量不确定度范围为±2.3%至±14.6%，在100 ppb时64种农药中有57种的扩展测量不确定度≤15%。对所有分析物-内标配对的替代IS适用性进行系统基准测试表明，性能与色谱和理化相似性相关，从而能够识别最优替代物以及需要匹配SIL-IS的分析物。本研究阐述了一种同位素稀释方法用于多重农药定量，并结合结构化不确定度表征，以支持在大麻监管阈值下进行准确且可辩护的监管判定。

研究背景方面，大麻合法化促使各司法管辖区建立受监管的市場，要求对大麻及其衍生产品进行残留农药检测以保护公众健康。加州大麻控制部（DCC）、加拿大卫生部及欧盟等均设有监管框架，规定了行动限值（AL）与报告要求。合规性判定依赖于相对于既定AL的定量分析结果，其可靠性具有重要经济与法律意义。然而，大麻衍生产品涵盖高度异质的基质，如油脂基质含有高浓度脂质、大麻素、萜烯等，导致显著的基质效应，影响定量准确性与精密度。现有多重检测方法虽能在监管AL相关浓度下实现多重检测，但缺乏全面的开发、验证及方法特异性性能指标（包括准确度、精密度、线性、基质效应及分析测量不确定度（MU））表征报道。此外，复杂基质中稳定同位素标记内标（SIL-IS）改善准确度的程度尚未充分探索，且多数分析物缺乏商业化SIL-IS而使用替代内标（surrogate IS）的性能亦未系统表征。同时，大麻基质中农药残留缺乏高阶参考测量程序和基质匹配的有证参考物质（CRM），使得结构化MU表征尤为关键。为此，研究人员开展本研究，旨在高脂质大麻油基质中开发并验证一种多重同位素稀释液相色谱-串联质谱（LC-MS/MS）方法，以定量64种受监管农药，整合同位素稀释、系统替代IS基准测试及基于CLSI与FDA指南的结构化MU表征，建立全面的分析框架以支持监管合规判定。

为开展研究，研究人员采用的主要关键技术方法包括：在独立批次的大麻源油脂基质中进行方法开发与验证，遵循CLSI（C62-A、EP05-A3、EP29-A）及FDA生物分析方法验证指南；构建17×7加标回收实验方案以表征分析测量范围（AMR）、准确度、精密度及MU；采用外部校准结合58种SIL-IS与4种surrogate IS；使用Agilent 1290 Infinity II UHPLC系统与Waters CORTECS C18色谱柱（90 ?, 1.6 μm, 2.1 mm × 150 mm）进行液相分离，流动相为含5 mM甲酸铵（NH₄HCOO）/0.1%甲酸的水相A与甲醇相B，梯度洗脱40.01 min，柱温45 °C，流速0.35 mL/min；质谱检测采用SCIEX QTRAP 650⁺三重四极杆质谱仪，正电喷雾电离（ESI）模式，多反应监测（MRM）；通过加标回收评估携带污染与基质效应（ME），采用自上而下法依据CLSI EP29-A计算扩展组合MU；通过迭代拟合线性回归曲线对所有分析物-IS配对进行surrogate IS基准测试；利用120次独立加标回收数据及蒙特卡洛模拟评估重复测量次数对MU的影响。

研究结果部分，首先为Development of a liquid chromatography method to separate 75 pesticide components，研究人员评估了加州DCC法规中66种农药里的64种（共75个组分，含异构体及结构相关化合物混合物），排除氯丹与五氯硝基苯因在非极性条件下电喷雾电离（ESI）效率差。开发的LC方法采用多阶梯度洗脱25 min，在8.4单位LogP跨度内充分分离75个分析物组分、61个SIL-IS组分及4个额外surrogate农药，总计140个组分，观察到超过3个数量级的电离效率差异。

其次为Extensive isotope dilution supports accurate and precise quantification，研究人员确立75个组分的AMR，其中61个组分使用SIL-IS，14个使用surrogate IS。所有分析物校准曲线R²最低0.9951，中位0.9983，48%组分在初级AMR内需三个数量级线性。平均回收率101.9%，最低为Naled（88.1%），最高为Propoxur（117.4%），82.7%组分平均回收率在90–110%。初级AMR内平均%CV为2.7%，62个组分AMR扩展至20,000 ppb（in-sample），LLOQ范围为0.217–250 ppb，80%组分LLOQ ≤10 ppb。Captan因降解单独处理，LLOQ为350 ppb。

接着为Evaluation of carryover, ion ratios, and retention time stability，研究人员在8 ppm in-sample（200 ng/mL in-vial）评估75个组分携带污染，所有组分≤10% LLOQ，最高为Propoxur（9.9%）。离子比率%CV跨组分0.4–14%，据此设定±20%或±30%容忍限。相对保留时间（RRT）稳定在±1%平均保留时间内。

随后为Evaluation of matrix effects，研究人员在500–4000 ppb in-sample评估ME，多数组分ME在80–120%，9个组分显示显著ME（如Bifenthrin平均198.5%），但经SIL-IS或surrogate IS补偿后SIL Matrix Effects ≤15%。

继而为Evaluation of the accuracy and precision at the lowest CA AL，研究人员在100 ppb in-sample（最低加州AL）进行120次独立加标回收（跨3批次），63种农药平均回收率在80–120%，除Methyl Parathion（11.0% CV）、Abamectin（12.1% CV）、Chlorfenapyr（31.0% CV）外，所有%CV ≤10%。18个多组分农药组分除Avermectin B1a（12.5% CV）与B1b（31.8% CV）外均≤10% CV。

之后为Evaluation of measurement uncertainty across the AMR and at the lowest CA AL，研究人员依CLSI EP29-A估算扩展组合MU，75个组分平均MU ±5.7%（范围±2.3%至±14.6%），50.6%组分平均MU在±5%内。AMR内856个MU均≤±25%，99.5% ≤±20%。100 ppb时除Bifenazate（15.5%）、Daminozide（16.5%）、Cyfluthrin（17.1%）、Methyl Parathion（22.0%）、Abamectin（24.4%）、Chlorfenapyr（62.2%）外均≤±15.0%。

再后为Systematic benchmarking defines the limits of surrogate internal-standard correction，研究人员通过4950个组分-IS回归模型与1,030,787个偏差值评估surrogate IS性能，显示表现差异大。平均207次测量确定最大绝对偏差（MAB），仅1.1%配对MAB ≤5%，6.6% ≤15%，68.9% >30%。最佳surrogate IS为Thiacloprid-d₄（12个组分MAB ≤15%）。偏差与色谱保留时间及理化相似性相关，保留时间相近者偏差更低。Avermectin B1a/B1b无surrogate IS达MAB ≤30%，表明需SIL-IS。

最后为Replicate analysis to reach target measurement uncertainty，研究人员利用120次加标数据模拟重复测量次数n对MU的影响，MU随n增加呈1/√n衰减。高方差分析物（如Chlorfenapyr）需>30次重复达±20% MU，低方差者（%CV ≤5%）n=3即可≤5% MU。n=1至5间MU降幅最大，>30后增益微小。

讨论部分，研究人员指出大麻衍生产品残留农药检测具分析挑战性，因定量直接决定监管合规。既往研究如Moulins等在花、叶、油中流程回收率低（如Diazinon 7–8%），MacKenzie等用基质匹配校准但未充分用SIL-IS。本研究显示广泛同位素稀释显著改善多重定量准确度与精密度，补偿高脂质性基质效应，并提供无匹配SIL-IS时可接受surrogate IS识别框架。美国各州监管分散致AL与性能期望差异大，加拿大联邦监管62种与本研64种重叠，凸显方法广泛适用性。本方法同时定量LogP ?1.5至6.9（8.4单位）农药，LLOQ ≤10 ppb，AMR达三至四个数量级，梯度设计减共洗脱与转换竞争。SIL-IS近似分析物性质，等同提取回收与基质效应校正，支持单次测量校正，优于标准加入法高通量。且SIL-IS赋能基于例外的审查框架，通过预设IS保留时间与回收率准则半自动化数据审查，仅失败样本需人工评估。Surrogate IS基准测试证实仅少数配对性能接近SIL-IS，保留时间差异大者补偿能力差，强调色谱共洗脱与理化相似性重要性。结构化MU表征显示多数分析物在100 ppb时MU ≤±15%，证实分析变异性可控。需注意本MU仅限分析流程内，不含现场采样等前分析变异。部分农药（如Chlorfenapyr）在ESI LC-MS/MS下MU较高，GC-MS/MS或APCI（Atmospheric Pressure Chemical Ionization）可能更优，且单提取液可分作LC与GC正交确认。局限包括40 min长运行时可能限高通量，单大麻油基质需其他基质验证，未含氯丹与五氯硝基苯及部分加方农药，surrogate IS结果具平台与基质特异性需转移验证，MU不含前分析不确定度。

结论部分翻译为：综上所述，此处展示的分析架构支持在大麻源油脂基质中对化学多样分析物进行准确且精密的多重农药定量。据研究人员所知，这是首项利用广泛稳定同位素稀释评估surrogate IS适用性并验证大麻油中此64种农药面板稳健定量方法的研究。稳健色谱分离、广泛SIL-IS覆盖及结构化分析MU表征共同为监管大麻产品农药检测提供了严谨的分析流程。这些性能特征支持使用同位素稀释LC-MS/MS作为大麻衍生产品定量农药分析的可靠平台。尽管本研究针对特定多重农药面板与基质验证，但所展示的原理——利用SIL-IS进行surrogate IS适用性基准测试、色谱分辨率及不确定度实证评估——可为化学复杂基质中其他多重LC-MS/MS分析方法的开发与验证提供参考。这些性能特征支持在大麻衍生产品中使用同位素稀释LC-MS/MS进行定量农药分析，其中监管决策依赖于准确且可重复的定量测量。论文发表于《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》。

要不要我帮你把这篇解读里涉及的CLSI指南（C62-A、EP05-A3、EP29-A）的核心统计要求再单独提炼成一份简明对照说明？