一种综合的表征策略，结合了多种过滤方法并提升了异构体鉴定能力：以五加叶（Eleutherococcus senticosus）为例

《Food Chemistry》：A comprehensive characterization strategy incorporating multiple filtration approaches and enhanced isomer identification: A case study of Eleutherococcus senticosus leaves

　　

• •
  采用了一种新颖的集成注释策略来分析Eleutherococcus senticosus中的三萜类化合物。
• •
  建立了一个名为EstMIL的多维数据库。
• •
  利用这一集成策略共鉴定出了203种三萜类化合物。
• •
  区分出了13对异构体，其中6对通过ER-MS和量子化学计算得到了验证。

引言

Eleutherococcus senticosus（Rupr. & Maxim.）的叶子（ESL）是Eleutherococcus senticosus植物的干燥叶子。近年来，ESL不仅作为一种功能性食品受到欢迎，还作为一种多用途的烹饪原料，被开发成“西伯利亚人参茶”等产品，并被用于炒菜、冷沙拉、馅料和汤品中（Ge等人，2017年；Jia等人，2021年；Liu等人，2021年；Nie等人，2025年）。由于其促进健康的特性，ESL因其多样的生物活性而备受重视，例如糖苷酶抑制和抗菌效果（Wang等人，2023年）。三萜类化合物在ESL中广泛分布，并表现出多种生物活性，包括抗糖尿病、细胞毒性和抗病毒作用（Liu等人，2022年）。重要的是，来自Eleutherococcus senticosus叶子（ESLT）的三萜类化合物具有很强的神经保护潜力，这突显了它们在膳食和药理学应用中的重要性。因此，明确ESL中ESLT的组成和分布对于进一步推广其在食品和健康产品中的使用至关重要（Guo等人，2025年；Zhang等人，2021年）。因此，阐明ESL中ESLT的组成和分布至关重要。

随着质谱技术的快速发展，超高性能液相色谱与高分辨率质谱（UHPLC-HRMS）已成为表征化学成分的关键方法。然而，分析大量的质谱数据颇具挑战性。为了解决这个问题，提出了一些数据后期处理策略，包括质量缺陷过滤（MDF）（Wang, Zhu等人，2025年）、诊断产物离子（DPIs）（Lan等人，2025年）和中性 loss 过滤（NLF）（Yang等人，2025年）。MDF通过利用精确质量和标称质量之间的差异有效减少了干扰。MS¹峰的特性在分析复杂组分时越来越受到关注（Li等人，2025年；Zhuang等人，2024年）。然而，MDF方法有时会生成假阳性数据。分子指纹技术通过将复杂结构转换为二进制向量成功解决了这一问题（Dührkop等人，2019年）。得益于机器学习和分子指纹技术的整合，研究人员能够建立质谱与化学结构之间的联系，从而克服了MS/MS光谱效率的限制（Aron等人，2020年；Hong等人，2025年；Liu, De Vijlder等人，2025年）。因此，将分子指纹与特征离子和分子网络结合使用可以增强识别未知化合物的分析能力（Ma等人，2025年）。然而，实验表明ESLT含有许多异构体，仅依靠MS/MS或保留时间（t_R）很难有效区分这些异构体。离子迁移谱（IMS）为此挑战提供了一种新的解决方案。

IMS是一种用于表征复杂样品中结构异构体的强大方法。通过结合碰撞截面（CCS），IMS为精确识别三萜类异构体提供了突破性的解决方案（Li等人，2023年；Wang, Ding等人，2025年）。该方法基于保留时间、m/z和CCS值的组合可靠地识别三萜类化合物。这项技术已成功应用于复杂的三萜类体系，如人参皂苷、皂角苷和灵芝酸（Feng等人，2018年；Wang等人，2024年；Wang, Ding等人，2025年；Zhu等人，2025年）。它还在天然产物发现、代谢组学和结构动力学研究中显示出显著潜力。尽管CCS是可靠识别化合物的关键物理化学参数，但由于IMS-MS仪器数量有限以及实验标准和数据库覆盖范围不足，获取大量实验CCS数据存在重大瓶颈。机器学习预测模型通过估算未知代谢物的CCS值来提供解决方案，从而辅助结构推断（Rainey等人，2022年；Xie等人，2024年；Zhang等人，2023年）。因此，利用机器学习从分子结构预测CCS值是应对这些挑战并显著扩展离子迁移谱在分析复杂样品中应用范围的有效方法。

除了使用机器学习从分子结构预测CCS值之外，还将能量分辨质谱（ER-MS）与量子化学计算相结合，为分析复杂样品提供了另一种有价值的方法（Li等人，2024年；Lin等人，2024年）。具体来说，ER-MS可以记录不同碰撞能量下离子的碎片行为，而量子化学计算可以准确计算单个化学键的键解离能（BDE）。通过比较离子内不同键的BDE值，可以可靠地预测碎片顺序。BDE值较低的键更容易发生碎片化，这种理论预测与能量分辨光谱中观察到的最佳碰撞能量（OCE）直接对应（Li等人，2026年）。这些方法共同揭示了离子碎片路径并区分了异构体，从而消除了对参考标准的需求。

为了解决这些问题，我们开发了一种新的集成注释策略，结合了多边形MDF（p-MDF）、分子指纹技术、基于特征的分子网络（FBMN）和IMS。起初，注释是利用p-MDF的高效过滤能力和分子指纹工具的匹配能力来完成的。接下来，由于缺乏专门的ESLT数据库，我们采用了基于机器学习的CCS预测工具。最后，将高精度数据依赖采集（HDDDA）与FBMN结合使用，以提高表征化学成分的效率和区分异构体的能力。为了进一步区分具有挑战性的异构体，还采用了ER-MS与量子化学计算作为正交验证步骤。

章节片段

材料与试剂

LC-MS级的乙腈、甲醇和甲酸购自Merck（德国达姆施塔特）。超纯水购自Watsons（中国广州）。31种三萜皂苷参考化合物包括ciwujianoside C1、ciwujianoside C2、ciwujianoside C3、ciwujianoside C4、ciwujianoside D1、ciwujianoside D3、ciwujianoside E、echinocystic acid 3-O-β-d-glucopyranosyl-(1?→?3)-O-α-L-arabinopyranoside、acasentrioid A、3-O

建立p-MDF模型和MS¹数据过滤

与传统p-MDF不同，由于糖替代数量的显著变化（这些糖替代物具有不同的分子量和质量缺陷），本实验建立了多个多边形。正确构建p-MDF不仅扩大了多边形筛选的范围，提高了效率，还减少了假阳性结果的数量。确定了每种三萜类化合物的选择点，以构建用于ESLT筛选的p-MDF模型（图2）。ESLT可以分类为

结论

本研究提出了一种创新策略，将多维度数据采集和智能后期处理相结合，用于高通量、高精度地表征ESLT。通过结合p-MDF过滤、分子指纹匹配和特征碎片分析，该策略显著提高了注释效率并减少了手动解释的工作量。鉴于缺乏参考标准，系统评估了五种CCS预测工具，并结合了CCS-FBMN

CRediT作者贡献声明

Tiantian Wen：撰写——原始草案，方法学。Wei Guan：正式分析。Yanying Li：方法学。Hao Wang：研究。Leixin Zhuang：方法学。Mingyuan Guo：资源。Luxin Li：研究。Junnan Li：研究。Qingshan Chen：软件。Lili Zhang：软件。Shu Liu：方法学。Quanyong Wang：资源。Haixue Kuang：监督，资源。Yan Liu：撰写——审查与编辑，监督，资源，项目管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文报道工作的竞争性财务利益或个人关系。

致谢

本项工作得到了黑龙江省自然科学基金团队项目（编号：TD2024H002）、黑龙江省春燕创新团队计划（编号：CYQN24014）、黑龙江省“双一流”学科协同创新体系建设项目（项目编号：LJGXCG2024-F28和LJGXCG2022-096）、黑龙江中医药大学科学基金（编号：2024XJJ-QNCX004）以及青年科技创新能力的财政支持