Исследование матричного эффекта при метаболомном анализе маркеров хронической болезни почек в моче методом гидрофильной хроматографии с масс-спектрометрическим детектированием

Метаболомный анализ биологических образцов является актуальным направлением развития методов диагностики хронической болезни почек (ХБП) у детей. Наиболее часто в метаболомике применяется метод гидрофильной хроматографии с масс-спектрометрическим детектированием (ГИХ-МС/МС), распространенной проблемой при использовании которого является матричный эффект. В рамках исследования была проведена оценка матричного эффекта (МЭ), возникающего при проведении анализа 9 низкомолекулярных полярных маркерных метаболитов ХБП в условиях гидрофильной хроматографии в образцах новой модельной мочи и реального образца. В качестве определяемых 9 биомаркеров были выбраны аминокислоты, их полярные метаболиты, участвующие в патофизиологических процессах развития хронической болезни почек. Оценка матричного эффекта на первом квадруполе проводилась методом расчета отношения параметров коэлюирования низкомолекулярных кластеров, состоящих из формиат-анионов буфера и катионов солей, входящих в состав мочи, и стандарта Л-валина-¹³C₅. В реальной моче интенсивность сигнала стандарта Л-валина-¹³C₅ снижалась более чем на 50% относительно метанола при наложении сигнала кластера, тогда как в искусственной моче эффект подавления был сравним с реальным образцом во всех условиях элюирования. Также был применен метод добавок для оценки МЭ не меченных изотопами эндогенных маркеров в реальной и искусственной матрицах. Показано, что предварительная оценка тушения сигнала может быть изучена на модельной моче нового состава. Полученные результаты демонстрируют важность оценки оптимального разрешения сигнала не только маркерных соединений, но и неорганических кластеров, что может существенно снизить погрешности анализа в условиях реальной матрицы. Оценка этого эффекта должна повысить точность анализа полярных метаболитов в реальных образцах в метаболомике ХБП. Примененные образцы искусственной мочи показали сопоставимый МЭ с реальным образцом, что подтверждает ее перспективность для оптимизации условий анализа методом ГИХ-МС/МС.

1. Amoresano A., Pucci P. Mass Spectrometry in Metabolomics. 1st ed. Elsevier. 2022.

2. Danilova E.Y., Maslova A.O., Stavrianidi A.N., et al. CKD urine metabolomics: modern concepts and approaches. Pathophysiology. 2023;30. DOI: 10.3390/pathophysiology30040033.

3. Giskeødegård G.F., Andreassen T., Bertilsson H., et al. The effect of sampling procedures and day-to-day variations in metabolomics studies of biofluids. Anal. Chim. Acta. 2019;1081:93–102. DOI: 10.1016/j.aca.2019.07.026.

4. Glavan M.R., Socaciu C., Socaciu A.I., et al. Untargeted metabolomics by ultra-high-performance liquid chromatography coupled with electrospray ionization-quadrupole-time of flight-mass spectrometry analysis identifies a specific metabolomic profile in patients with early chronic kidney disease. Biomedicines. 2023;11(4):1057.DOI: 10.3390/biomedicines11041057.

5. Hocher B., Adamski J. Metabolomics for clinical use and research in chronic kidney disease. Nat. Rev. Nephrol. 2017;13:269–284. DOI: 10.1038/nrneph.2017.30.

6. Khamis M.M., Adamko D.J., El-Aneed A. Mass spectrometric based approaches in urine metabolomics and biomarker discovery. Mass Spectrom. Rev. 2017;36:115–134. DOI: 10.1002/mas.21455.

7. Rysz J., Gluba-Brzózka A., Franczyk B., et al. Novel biomarkers in the diagnosis of chronic kidney disease and the prediction of its outcome. Int. J. Mol. Sci. 2017;18:1702. DOI: 10.3390/ijms18081702.

8. Sanchez-Niño M.D., Sanz A.B., Ramos A.M., et al. Clinical proteomics in kidney disease as an exponential technology: heading towards the disruptive phase. Clin. Kidney J. 2017;10:188–191. DOI: 10.1093/ckj/sfx023.

9. Sarigul N., Korkmaz F., Kurultak İ. A new artificial urine protocol to better imitate human urine. Sci. Rep. 2019;9:1–11. DOI: 10.1038/s41598-019-56693-4.