《Microchemical Journal》：Geographical differentiation of southern Italian and Spanish bean ecotypes through integrated GC-HRMS based metabolomic and chemometric approaches
编辑推荐：
豆类是Fabaceae科植物的可食用种子，是世界各地人类饮食的重要组成部分。它们提供植物蛋白、膳食纤维、B族维生素和矿物质，同时通常脂肪含量较低。豆类还通过生物固氮和对自然资源需求较低的方式支持更可持续的农业系统。在豆类作物中，干豆约占全球产量的29%（根据联
豆类是Fabaceae科植物的可食用种子，是世界各地人类饮食的重要组成部分。它们提供植物蛋白、膳食纤维、B族维生素和矿物质，同时通常脂肪含量较低。豆类还通过生物固氮和对自然资源需求较低的方式支持更可持续的农业系统。在豆类作物中，干豆约占全球产量的29%（根据联合国粮食及农业组织企业统计数据库）。菜豆（Phaseolus vulgaris L.）俗称普通豆，是种植最广泛、消费量最大的豆类品种。尽管它起源于中美洲和南美洲，但其对不同农业环境条件的适应性支持了其在欧洲和世界其他地区的种植。该物种包括许多形态和组成特征不同的栽培品种和地方品种。在欧洲，普通豆生产在南欧国家尤为重要，包括西班牙和意大利，在这些国家，豆类与传统饮食和区域食品系统相关。一些本地豆类产品还通过地理质量计划获得认可，反映了产品特性与生产区域之间的关系。这种对产品产地的重视为检验来自不同地区豆类之间的化学变异性提供了理由。
以往的分析研究已经检测了普通豆中几类初级和次级代谢物。Luthria和Pastor-Corrales使用高效液相色谱-二极管阵列检测表征了15个干豆品种的酚类组成。Bianco等人使用液相色谱-电喷雾电离傅里叶变换离子回旋共振质谱研究了Sarconi豆中的大豆皂苷。最近，Samukha等人应用超高效液相色谱-串联质谱表征了五个意大利豆类品种中的多酚和极性脂质。气相色谱-质谱也已用于研究普通豆的挥发性组分。尽管这些研究提供了信息，但通常针对单个化合物类别或特定化学组分。
相比之下，代谢组学指纹分析同时评估广泛的解析特征，当与多变量分析结合时，可以揭示与基因型、环境条件、农业实践、加工和地理起源相关的组成模式。这在食品表征和产地研究中特别有用，因为样品之间的差异可能很微妙，难以仅使用有限数量的目标化合物来检测。然而，其在豆类中的应用仍然有限。一项基于质子核磁共振的研究揭示了菜豆种子和叶片中依赖于栽培品种的代谢差异。其他代谢组学研究主要考察了与栽培品种或物种相关的变异性，而挥发性指纹已被用于比较不同农业系统下生产的普通豆。在一个相关的豆科物种中，基于GC的代谢组学能够根据地理起源区分红豆。尽管如此，使用互补的GC-HRMS指纹来研究不同产区豆类样品之间变异的研究仍然很少。
结合针对不同化学组分的分析程序可以拓宽GC-MS分析的化学覆盖范围。例如，顶空固相微萃取可用于分析挥发性和半挥发性化合物，而盐辅助液液萃取后直接进样则将分析扩展到适用于GC分析的非极性和低挥发性化合物。这些程序共同提供了互补的化学指纹。数据融合允许对所得信息进行联合评估，并检查其对模型性能和变量排序的影响。类似的策略已应用于涉及朗姆酒和黑胡椒的食品代谢组学研究。据研究人员所知，以往比较不同产区豆类样品的研究并未报道这种特定工作流程，即在同一气相色谱-Q-Orbitrap高分辨质谱平台上采集HS-SPME和SALLE-DI指纹，并分别及通过数据融合进行评估。
本研究使用基于GC-Q-Orbitrap-HRMS指纹分析和化学计量学分析的综合代谢组学方法，调查了来自意大利南部（n=23）和西班牙（n=21）的44个豆类样品的组成变异性。为此，研究人员针对豆类基质调整并实验评估了HS-SPME和SALLE-DI，随后将其应用于相同的样品组，分别分析挥发性和非极性半挥发性组分。使用主成分分析检查整体样品分布。然后应用正交偏最小二乘判别分析根据声明的产区探索受监督的类别相关模式，并选择特征进行推定的化合物注释。最后，应用探索性中级数据融合来整合两个指纹并检查其对模型性能和变量排序的影响。
### 研究解读：基于GC-HRMS代谢组学与化学计量学的意大利南部与西班牙豆类地理分化研究
#### 1. 研究背景与问题
豆类（Fabaceae科植物的可食用种子）是全球人类饮食的重要组成部分，提供植物蛋白、膳食纤维、B族维生素和矿物质，同时脂肪含量较低。菜豆（*Phaseolus vulgaris* L.）是全球种植最广泛、消费量最大的豆类物种，在欧洲南部如西班牙和意大利具有重要的农业和饮食地位，多个地方品种还受到地理标志保护。产地对豆类品质和商业价值有重要影响，因此需要可靠的方法来区分不同产地的豆类样品。然而，传统分析通常只针对单一化合物类别（如酚类、皂苷或挥发性物质），难以全面反映产地相关的化学差异。代谢组学指纹分析结合多变量统计可同时评估大量化合物，但此前应用于豆类产地鉴别的研究较少，且尚未有研究将顶空固相微萃取（HS-SPME）和盐辅助液液萃取直接进样（SALLE-DI）两种互补的GC-HRMS指纹在同一平台上联合用于豆类地理来源的判别。本研究旨在填补这一空白，探索基于GC-Q-Orbitrap-HRMS的综合代谢组学方法能否有效区分意大利南部和西班牙的豆类生态型样品。
#### 2. 研究内容与主要结论
研究人员收集了44个豆类样品（意大利南部23个，西班牙21个），涵盖多个传统栽培品种和地方类型，样品均购自零售商并带有可追溯信息。采用HS-SPME和SALLE-DI两种前处理方法，结合GC-Q-Orbitrap-HRMS分别获取挥发性组分和极性较低组分的指纹图谱，并运用主成分分析（PCA）、正交偏最小二乘判别分析（OPLS-DA）以及中级数据融合进行化学计量学建模。结果表明，无监督的PCA无法清晰分离两组样品，但OPLS-DA实现了良好的地理判别，HS-SPME模型的预测正确率（CCR）为83.3%，SALLE-DI模型为91.7%，数据融合模型的CCR为91.7%。研究共鉴定了10个推定的判别化合物（HS-SPME和DI各5个），主要属于脂质和蜡相关烃类、脂肪醇及脂质氧化产物。该研究首次报道了基于双指纹GC-HRMS和数据融合的豆类产地判别工作流程，为豆类等植物基食品的地理溯源提供了新思路。论文发表在《Microchemical Journal》。
#### 3. 主要技术方法
研究人员采用了两套互补的样品制备技术：一是顶空固相微萃取（HS-SPME），使用50/30 μm DVB/CAR/PDMS纤维在90 °C下萃取挥发性/半挥发性化合物；二是盐辅助液液萃取结合直接进样（SALLE-DI），以乙酸乙酯/乙腈（1:1）为萃取溶剂，经MgSO?/PSA分散固相萃取净化后直接进GC-HRMS分析。两种方法均在同一Q-Exactive GC-Orbitrap质谱仪上运行，分辨率60,000（FWHM），EI电离70 eV，全扫描范围m/z 50–500。数据分析使用Compound Discoverer进行去卷积、对齐和化合物注释，SIMCA进行PCA、OPLS-DA建模，并通过置换检验（100次）、留出预测集（约70%训练/30%预测）、ROC分析和CCR%评估模型性能。判别特征的选择基于VIP≥1.0、p<0.05和|Log?FC|≥1.10，并以Kovats保留指数偏差≤30、精确质量偏差≤5 ppm（分子离子）或≤10 ppm（碎片离子）及至少两个诊断离子为注释依据，最终达到Schymanski Level 2水平。
#### 4. 研究结果
**4.1 HS-SPME GC-HRMS代谢组学的集成非监督和监督建模**
PCA模型（6个主成分，R2X=0.860）显示两组样品部分重叠，未能自发分离。OPLS-DA模型（1预测+2正交成分）获得R2Y=0.816、Q2=0.635，预测集CCR为83.3%，西班牙样品全部正确分类，意大利样品6个中4个正确。从HS-SPME数据中筛选出5个推定判别特征：1-十六醇、2-十四醇、3,5-辛二烯-2-酮、10-甲基十九烷和1-甲基-3-丙基苯，其中1-十六醇和10-甲基十九烷在意大利样品中丰度较高，其余在西班牙样品中较高。
**4.2 直接进样（DI）GC-HRMS代谢组的集成非监督和监督建模**
PCA模型（4个主成分，R2X=0.507）未能分离两组。OPLS-DA模型（1预测+2正交成分）表现出优异的拟合和交叉预测能力（R2Y=0.973, Q2=0.802），预测集CCR为91.7%（西班牙样品全部正确，意大利样品6个中1个误判）。DI数据中筛选出5个判别特征：十六烷、4-甲基十二烷、异丁酸异丁酯、2-甲氧基苯酚（愈创木酚）和3,7-二甲基壬烷。其中2-甲氧基苯酚在西班牙样品中更高，其余在意大利样品中更高。此外，DI数据中检测到草蒿脑在西班牙样品中更高，但可能源于外源性污染。
**4.3 中级数据融合多变量分析**
将HS-SPME（298变量）和DI（139变量）矩阵直接拼接形成437变量的融合数据集。PCA（R2X=0.752）显示融合后无监督分离未明显改善。OPLS-DA（1预测+5正交成分）获得R2Y=0.970、Q2=0.740，预测集CCR=91.7%，与DI模型相当。1-十六醇在融合模型中仍为VIP最高的变量（VIP=3.42），HS-SPME变量在VIP排序中占主导。融合还揭示了γ-生育酚（西班牙高）和棕榈酰乙醇酰胺（意大利高）等额外候选特征，但未满足全部筛选标准，未列入最终判别列表。
#### 5. 讨论与结论
讨论部分指出，所鉴别的判别化合物主要为脂质和蜡相关成分（如长链烷烃、脂肪醇、支链烷烃）以及脂质氧化产物（如3,5-辛二烯-2-酮），这些成分的丰度差异可能反映品种、生长环境、储存条件等多重因素，而非仅由地理来源决定。个别化合物如2-甲氧基苯酚可能源于木质素降解，而异丁酸异丁酯和草蒿脑可能与采后处理或环境暴露有关。数据融合未显著提升分类准确率，但提供了变量重要性的补充视角。研究结论认为，该集成GC-HRMS双指纹结合化学计量学的方法为豆类地理差异的探索性分析提供了有效框架，但所发现的判别特征尚不能作为确定性的地理标记，未来需扩大样品量并采用重复嵌套交叉验证以评估模型的稳健性。
