頂刊聚焦：Orbitrap Astral憑什么成為代謝組學(xué)“新寵”？兩大核心技術(shù)破解鑒定難題
隨著代謝組學(xué)研究的深入，復(fù)雜生物樣本中低豐度代謝物與外源化合物的精準(zhǔn)鑒定已成為推動疾病機制研究和生物標(biāo)志物發(fā)現(xiàn)的關(guān)鍵。然而，傳統(tǒng)質(zhì)譜技術(shù)在檢測靈敏度、掃描速度與數(shù)據(jù)解析能力方面仍存在局限，限制了其在全局代謝物覆蓋與高置信度注釋方面的應(yīng)用。近年來，Orbitrap Astral質(zhì)譜儀的推出，以其超高靈敏度、快速MS/MS采集速度和高分辨率性能，為代謝組學(xué)研究帶來了前所未有的技術(shù)突破。本文分享兩篇基于Astral的研究，分別從譜圖去噪與結(jié)構(gòu)引導(dǎo)網(wǎng)絡(luò)注釋兩個維度，系統(tǒng)闡述Astral儀器在提升代謝物鑒定數(shù)量、質(zhì)量與效率方面的顯著優(yōu)勢。
文章一
英文標(biāo)題：Denoising Search doubles the number of metabolite and exposome annotations in human plasma using an Orbitrap Astral mass spectrometer
發(fā)表期刊：nature methods
影響因子：32.1
研究背景
化學(xué)暴露可能影響人類代謝，并導(dǎo)致阿爾茨海默病(Alzheimer’s Disease, AD)等神經(jīng)退行性疾病的發(fā)生。這些外源化合物和活性代謝物在體內(nèi)通常濃度極低，并且噪聲離子的存在會顯著降低質(zhì)譜質(zhì)量，導(dǎo)致假陰性和識別率下降。為應(yīng)對這一挑戰(zhàn)，Spectral Denoising算法應(yīng)運而生。在對240種測試代謝物的基準(zhǔn)研究中，質(zhì)譜去噪表現(xiàn)優(yōu)于其他方法。對于在Orbitrap Astral質(zhì)譜儀上分析的AD患者血漿樣本，Denoising Search檢測到的注釋化合物數(shù)量是Exploris 240 Orbitrap儀器的2.3倍，包括藥物代謝物、家庭和工業(yè)化學(xué)品以及農(nóng)藥。這種先進儀器與優(yōu)越去噪算法的結(jié)合，為精準(zhǔn)醫(yī)學(xué)在暴露組學(xué)研究中的應(yīng)用開辟了新的道路。
研究結(jié)果
1、Spectral Denoising算法的高效性與可靠性
圖1展示了Spectral Denoising算法如何去除在碰撞誘導(dǎo)的MS/MS譜圖中記錄的、不代表前體離子真實碎片的離子。在電子去噪有效性驗證中，一個用于精準(zhǔn)識別并移除“草狀”電子噪聲的閾值被確立，成功保留了低豐度的真實碎片離子，使得在不影響信息完整性的前提下顯著提升了信號信噪比（圖1a）。對于化學(xué)去噪的準(zhǔn)確性，該算法通過計算碎片離子的精確質(zhì)量與母離子間的“化學(xué)上合理丟失”來識別化學(xué)噪聲（圖1c）；同時，分子式信息可以從參考質(zhì)譜庫（如NIST23、MassBank.us或GNPS）的匹配結(jié)果中檢索到，也可以使用化學(xué)信息學(xué)工具計算出來（圖1b）。當(dāng)將電子與化學(xué)去噪步驟整合后，在1萬條NIST23譜圖上進行了大規(guī)模驗證。結(jié)果表明，去噪后的譜圖與原始高質(zhì)量譜圖的MS/MS熵相似度平均值高達0.99以上。因此，Spectral Denoising在大規(guī)模數(shù)據(jù)處理中，既能高效去除噪聲，又幾乎不損失任何真實碎片信息，確保了譜圖匹配的高準(zhǔn)確度。
圖1 Spectral Denoising流程圖
2、對在500-0.02 pmol進樣量范圍內(nèi)的質(zhì)譜圖進行去噪
為評估去噪算法區(qū)分噪聲離子和真實碎片離子的能力，“解釋離子強度”被用以量化每個譜圖中真實離子強度的比例（圖2a）。在質(zhì)譜熵相似度的概率分布圖中（圖2b），隨著進樣量的降低，中位質(zhì)譜匹配相似度也顯著下降。當(dāng)進樣量為1 pmol時，超過65%的MS/MS譜圖在質(zhì)譜熵相似度大于0.75的閾值下無法匹配參考譜圖（圖2b）。重要的是，Spectral Denoising算法對于所有測試化合物都有效地去除了化學(xué)和電子噪聲離子（圖2c），即使是在200 pmol進樣時，仍有25%的化合物顯示出0.05的質(zhì)譜熵相似度增益（圖2c）。在相關(guān)示例譜圖，經(jīng)過Spectral Denoising后的亞精胺譜圖實現(xiàn)了完美的匹配，質(zhì)譜熵相似度達到0.95（圖2d）。
為評估Spectral Denoising的效率，三種主要的MS/MS去噪技術(shù)（1% bp thresholding法、DNL denoising法、MS Reduce法）被用于基準(zhǔn)測試。相比之下，Spectral Denoising方法在質(zhì)譜匹配上取得了實質(zhì)性的增益，中位數(shù)質(zhì)譜熵相似度、譜圖的匹配相似度、化合物注釋率均得到有效提升（圖2e）。
此外，與在未處理的原始MS/MS譜圖中達到>0.75相似度所需的最低進樣量比較，經(jīng)過Spectral Denoising處理后所需的最低進樣量之間的倍數(shù)變化如圖2f所示。結(jié)果顯示，其他方法不僅效果微乎其微，甚至?xí)蝈e誤移除真實碎片離子而導(dǎo)致假陰性，損害數(shù)據(jù)質(zhì)量；相比之下，Spectral Denoising方法將上樣所需的摩爾量降低了35倍，且沒有一種化合物在去噪后出現(xiàn)假陰性。
圖2 Spectral Denoising算法的開發(fā)、驗證與基準(zhǔn)測試
3、Spectral Denoising技術(shù)在去除人工噪聲離子的應(yīng)用
為驗證Spectral Denoising在復(fù)雜樣本中面對化學(xué)噪聲和電子噪聲時的穩(wěn)定性，九種不同污染水平的人工嵌合譜圖被構(gòu)建，并與現(xiàn)有的主流方法（1% bp thresholding法、DNL denoising法、MS Reduce法）進行了對比測試（圖3）。結(jié)果表明，在所有九種噪聲污染場景下，Spectral Denoising能將受污染譜圖的中位數(shù)熵相似度從添加噪聲后的約0.5，有效恢復(fù)至接近原始譜圖的0.8水平，顯著優(yōu)于其他方法。相比之下，MS Reduce、DNL denoising和1% bp thresholding方法不僅效果有限，甚至在某些情況下會損害譜圖匹配質(zhì)量。此外，Spectral Denoising在應(yīng)對不同組合的化學(xué)和電子噪聲時表現(xiàn)出極高的穩(wěn)定性，無論噪聲是來自高豐度的化學(xué)干擾物，還是低強度但廣泛的電子“草狀噪聲”，該算法都能有效識別并去除，從而恢復(fù)譜圖的核心特征。有趣的是，對于碎片離子少、熵值低的譜圖，Spectral Denoising的提升效果最為顯著，匹配質(zhì)量更穩(wěn)定（圖4）。綜上，Spectral Denoising較其他技術(shù)的表現(xiàn)更佳，并且在不同水平的化學(xué)和電子噪聲污染下都極其穩(wěn)健；當(dāng)處理代謝組學(xué)中常見的稀疏碎片譜圖時，其底層假設(shè)更準(zhǔn)確，因此性能更優(yōu)越，是更為可靠的選擇。
圖 3 在不同水平的人為添加的化學(xué)和電子噪聲下，應(yīng)用三種質(zhì)譜去噪算法基準(zhǔn)方法前后的MS/MS熵相似度的概率分布
圖 4 以500 pmoL譜圖為參照物，對240個進樣標(biāo)準(zhǔn)譜在0.02-200 pmoL范圍內(nèi)的所有MS/MS譜圖進行去噪處理后，改進MS/MS相似度的密度分布
4、去噪搜索技術(shù)在阿爾茨海默病血漿樣本的質(zhì)譜/質(zhì)譜數(shù)據(jù)分析中的應(yīng)用
與Exploris的原始MS/MS譜圖相比，Denoising Search在Astral數(shù)據(jù)上導(dǎo)致了2.5倍的注釋增加，其中包括許多在Exploris Orbitrap儀器上未發(fā)現(xiàn)的暴露組化合物（圖5a）。另外，在一臺個人筆記本電腦上，Denoising Search搜索包含200萬譜圖的復(fù)合參考庫，平均處理時間僅為100毫秒/譜圖。值得注意的是，對于原始熵相似度≥0.4的Astral譜圖，使用Denoising Search后，其MS/MS熵相似度的中位數(shù)提升了0.1（圖5b）。當(dāng)對七個主要ClassyFire化合物超類的進一步分析時，相較Exploris儀器，Denoising Search在Astral譜圖上注釋的化合物數(shù)量在所有超類中均顯著增加（圖5c）。
基于Astral Orbitrap質(zhì)譜儀的高靈敏度和前所未有的采集速度，讓其與Denoising Search的強去噪能力結(jié)合，成功鑒定出人類血液中未被充分研究的幾種化合物（圖5d）。此外，通過準(zhǔn)確質(zhì)量與MS/MS匹配，還首次鑒定出了受阻酚抗氧化劑Irganox 565（圖5d）。這一發(fā)現(xiàn)不僅填補了該物質(zhì)在人體暴露研究中的空白，也證明了該方法在發(fā)現(xiàn)新生物標(biāo)志物和環(huán)境污染物方面的強大潛力。
圖 5 在Exploris 240 Orbitrap儀器和Astral質(zhì)譜儀上，對20名阿爾茨海默病患者血漿樣本進行正離子ESI模式疏水作用LC-MS/MS分析的Denoising Search結(jié)果
研究小結(jié)
本研究核心在于開發(fā)并驗證了Denoising Search算法，其涉及Spectral Denoising算法與譜圖搜索流程的整合，是一種針對代謝組學(xué)和暴露組學(xué)中低豐度化合物譜圖去噪的有效策略。其中，Spectral Denoising算法通過結(jié)合強度建模和子公式分配，能夠有效去除噪聲離子，同時保留真實的碎片離子，顯著提升了MS/MS熵相似度。此外，Spectral Denoising在與多種替代去噪算法的基準(zhǔn)測試中持續(xù)表現(xiàn)出色，不僅提升了熵相似度，還提高了高置信度注釋的絕對數(shù)量限值，其性能在不同噪聲水平下保持穩(wěn)定。當(dāng)Denoising Search應(yīng)用于最新的Astral質(zhì)譜儀時，相比經(jīng)典Exploris 240質(zhì)譜儀的常規(guī)方法，其能夠注釋的化合物數(shù)量提升了2.5倍，且效果覆蓋所有主要化學(xué)超類。未來該方案可結(jié)合保留時間匹配、分子橫截面比較等正交實驗手段，以進一步提高化合物注釋的置信。總而言之，Denoising Search是一種強大的工具，有望顯著提升代謝組學(xué)和暴露組學(xué)研究的覆蓋廣度和深度。
盡管Denoising Search通過提升譜圖質(zhì)量顯著增強了代謝物鑒定的準(zhǔn)確性，但在復(fù)雜生物樣本中，如何系統(tǒng)性地構(gòu)建代謝物網(wǎng)絡(luò)并實現(xiàn)高覆蓋注釋仍是另一大挑戰(zhàn)。Astral儀器不僅為去噪算法提供了高質(zhì)量原始數(shù)據(jù)，其高速度、高靈敏的MS/MS采集能力也為結(jié)構(gòu)引導(dǎo)的網(wǎng)絡(luò)注釋方法帶來了新的可能。下文將介紹一項基于Astral平臺的增強型結(jié)構(gòu)引導(dǎo)分子網(wǎng)絡(luò)(E-SGMN)研究，進一步展示Astral在提升注釋規(guī)模與準(zhǔn)確性方面的綜合優(yōu)勢。
文章二
英文標(biāo)題：Enhanced Structure-guided Molecular Networking Annotation Method for Untargeted Metabolomics Data from Orbitrap Astral Mass Spectrometer
發(fā)表期刊：analyical chemistry
影響因子：6.7
研究背景
復(fù)雜樣品中化合物的快速、高效和準(zhǔn)確注釋仍是代謝組學(xué)中的一個重大挑戰(zhàn)。最近開發(fā)的Orbitrap Astral質(zhì)譜儀將傳統(tǒng)的四極桿Orbitrap與新型Astral質(zhì)量分析器相結(jié)合，提供了快速的MS/MS掃描速度和高靈敏度。然而，現(xiàn)有的代謝組學(xué)注釋方法尚未充分利用 Astral MS的先進能力。本研究提出了一種增強型結(jié)構(gòu)引導(dǎo)分子網(wǎng)絡(luò)(Enhanced Structure-Guided Molecular Networking, E-SGMN)方法。E-SGMN通過準(zhǔn)確地提高網(wǎng)絡(luò)規(guī)模來擴大標(biāo)注覆蓋范圍，同時最大限度地減少不相關(guān)化合物的包含，實現(xiàn)標(biāo)注規(guī)模和準(zhǔn)確性之間的平衡。該方法不僅增強了注釋覆蓋率，而且為理解復(fù)雜的生物系統(tǒng)提供了一種變革性的工具，在生命科學(xué)和臨床醫(yī)學(xué)方面具有巨大的潛力。
研究結(jié)果
1、方法工作流程
所提出的策略包括三個步驟（圖1）。首先，使用Orbitrap Astral質(zhì)譜儀獲取大量非靶標(biāo)LC-MS/MS代謝組學(xué)數(shù)據(jù)。其次，開發(fā)了增強的結(jié)構(gòu)引導(dǎo)分子網(wǎng)絡(luò)(E-SGMN)來改進代謝物注釋。最后，E-SGMN用于代謝物注釋。在徹底評估tR和精確質(zhì)量容差對注釋性能的影響后，確定了tR為30%和精確質(zhì)量為10 ppm的最佳容差。與基于SGMN的注釋類似，E-SGMN利用基于網(wǎng)絡(luò)的傳播，通過整合tR、MS1和譜圖相似性來實現(xiàn)全面和準(zhǔn)確的代謝物注釋。這種基于E-SGMN的注釋方法擴展了代謝物覆蓋范圍，同時最大限度地減少了冗余分子條目，確保了注釋覆蓋范圍和準(zhǔn)確性之間的平衡。
圖1. 使用Orbitrap Astral MS和增強的結(jié)構(gòu)引導(dǎo)分子網(wǎng)絡(luò)(E-SGMN)進行全球代謝組注釋的工作流程
2、高效準(zhǔn)確地構(gòu)建E-SGMN
本研究構(gòu)建了五個不同組成和大小的分子網(wǎng)絡(luò)（四個SGMN和一個E-SGMN），每個網(wǎng)絡(luò)都包含所有850種標(biāo)準(zhǔn)代謝物。如圖2a所示，MN1-1(SGMN)代表一個血液特異性網(wǎng)絡(luò)，包含來自內(nèi)部數(shù)據(jù)庫OSI/SMMS的432種和來自HMDB的4466種血液中檢測到的內(nèi)源性代謝物。MN2(SGMN)是一個代謝物驅(qū)動的網(wǎng)絡(luò)，由來自KEGG的7236種代謝物與OSI/SMMS整合而成。MN3-1(SGMN)是一個血液-代謝物混合網(wǎng)絡(luò)，由MN1-1和MN2合并而成，包含10,305種代謝物。MN4(SGMN)是一個泛生物樣本網(wǎng)絡(luò)，包含17,633種代謝物，通過進一步整合HMDB的所有檢測到的內(nèi)源性代謝物而構(gòu)建。MN5(E-SGMN)是通過在MN4的基礎(chǔ)上增加來自HMDB的3948種預(yù)期/預(yù)測內(nèi)源性代謝物而構(gòu)建的，這些代謝物通過來自五個典型生物樣品的Orbitrap Astral LC-MS數(shù)據(jù)進行過濾，從而形成了一個包含21,581種代謝物的綜合數(shù)據(jù)集（表1）。這些網(wǎng)絡(luò)表現(xiàn)出良好的連接性、強魯棒性和高重復(fù)性，并且對于非靶代謝組學(xué)數(shù)據(jù)中可靠的網(wǎng)絡(luò)傳播注釋至關(guān)重要。
表1. 九種分子網(wǎng)絡(luò)的詳細(xì)信息
本研究基于五個MNs，分析了模擬加標(biāo)血漿樣品數(shù)據(jù)集，并評估了注釋規(guī)模、覆蓋率和準(zhǔn)確性。如圖2b所示，隨著網(wǎng)絡(luò)大小從4,898增加到21,581，注釋的加標(biāo)標(biāo)準(zhǔn)品數(shù)量從568緩慢增加到704。注釋覆蓋率從66.82%增加到82.82%，而注釋準(zhǔn)確率從90.14%下降到80.54%。值得注意的是，準(zhǔn)確注釋的數(shù)量沒有繼續(xù)增長。表明在理想條件下，較大的MNs并不能有效提高加標(biāo)標(biāo)準(zhǔn)品的注釋性能。基于不同的MNs，血漿中注釋的代謝物數(shù)量從718增加到2299。由于血漿中的注釋特征也同步增加，這表明將網(wǎng)絡(luò)大小從MN1-1擴展到MN5對于注釋真實生物樣品是有效的。值得注意的是，血液特異性網(wǎng)絡(luò)(MN1-1)和血液-代謝物混合網(wǎng)絡(luò)(MN3-1)產(chǎn)生的注釋明顯少于MN4和MN5，進一步證明了知識數(shù)據(jù)庫中的可靠證據(jù)代謝物忽略了使用最先進技術(shù)Orbitrap Astral容易檢測到的代謝物。
圖2. 背景網(wǎng)絡(luò)的來源和大小對RPLC-ESI+-Astral中模擬尖峰NIST SRM 1950人血漿注釋性能的影響
3、方法驗證
在加標(biāo)的標(biāo)準(zhǔn)代謝物中，在Orbitrap Astral和QE HF中檢測到95個加標(biāo)標(biāo)準(zhǔn)品的MS/MS譜，以直接比較注釋性能。SGMN-QE HF和E-SGMN-Astral分別注釋了69.47%和76.84%的加標(biāo)標(biāo)準(zhǔn)品（圖3a）。此外，SGMN-QE HF和E-SGMN-Astral分別正確鑒定了71.21%和78.08%的注釋標(biāo)準(zhǔn)品（圖3a）。其中，與SGMN-QE HF相比，E-SGMN-Astral注釋了10種額外的代謝物，無假陽性。相比之下，與E-SGMN-Astral相比，SGMN-QE HF僅注釋了3種額外的代謝物，但所有注釋都不正確。這些結(jié)果表明E-SGMN-Astral在保持高準(zhǔn)確性的同時提高了注釋性能。
4、與其他注釋方法的比較
第一種注釋方法涉及將MS1、MS/MS和保留時間(tR)與1384種市售標(biāo)準(zhǔn)代謝物進行匹配，第二種方法使用MS1和MS/MS與參考光譜數(shù)據(jù)庫進行匹配。E-SGRN-Astral注釋的2279、3537、2215、1267、3932和4863代謝物特征，分別來自NIST SRM 1950人血漿、NIST SRM 3667人尿液、組織、細(xì)胞、糞便和合并樣本（圖3b）。相反，通過將MS1、MS/MS和tR與NIST SRM 1950 人血漿、NIST SRM 3667 人尿、組織、細(xì)胞、糞便和混合樣品的標(biāo)準(zhǔn)品進行匹配，僅鑒定出100、101、122、72、99和110種代謝物。這些結(jié)果表明E-SGMN-Astral相對于傳統(tǒng)方法的優(yōu)越注釋能力。因此，E-SGMN對于高性能Orbitrap Astral數(shù)據(jù)集中的大規(guī)模代謝物注釋更為有效。
在RPLC-ESI+-HRMS/MS中，比較了E-SGMN-Astral和SGMN-QE HF對六種生物樣品的注釋性能（圖3c）。結(jié)果表明，E-SGMN-Astral注釋的代謝物特征數(shù)量是SGMN-QE HF的2.9-4.3倍。
為了評估Orbitrap Astral的貢獻，比較了SGMN-QE HF和SGMN-Astral的注釋結(jié)果。結(jié)果發(fā)現(xiàn)，QE HF和Astral分別檢測到6047和17,504個代謝物特征。其中，4231（69.97%）和 14,830（84.72%）個特征具有相應(yīng)的MS/MS譜（圖3d）。此外，SGMN-QE HF和SGMN-Astral分別注釋了705和1870個代謝物。這代表僅由Orbitrap Astral實現(xiàn)的注釋覆蓋率增加了165%，主要歸因于其更快的 MS/MS 掃描速度和更高的檢測靈敏度。
通過比較SGMN-Astral和E-SGMN-Astral來評估E-SGMN的影響。加入3948個額外的高置信度候選物后，E-SGMN網(wǎng)絡(luò)大小比原始SGMN增加了22.4%。SGMN-Astral和E-SGMN-Astral分別注釋了1870和2279個代謝物（圖3d）。這表明，與基礎(chǔ)SGMN相比，僅E-SGMN就將注釋覆蓋率提高了21.9%。注釋代謝物的增加比例相對于映射特征的增加比例更大，這證明了E-SGMN在擴展代謝物覆蓋范圍方面的有效性。
圖3. RPLC-ESI+-HRMS/MS中注釋性能的驗證
最后，為了評估Orbitrap Astral和E-SGMN的綜合影響，比較了QE HF-SGMN和Orbitrap Astral-E-SGMN的注釋性能。如圖3d所示，Orbitrap Astral和E-SGMN的組合導(dǎo)致網(wǎng)絡(luò)映射特征增加了215%，注釋覆蓋率增加了223%。這種非累加增益突出了先進質(zhì)譜儀器和數(shù)據(jù)驅(qū)動注釋策略的互補優(yōu)勢。具體而言，Orbitrap Astral由于其改進的檢測能力而提供了更豐富的光譜數(shù)據(jù)，E-SGMN利用這些數(shù)據(jù)來最大化注釋性能。
進一步比較了E-SGMN-Astral和SGMN-QE HF之間的重疊和唯一注釋。E-SGMN-Astral和SGMN-QE HF分別注釋了5440和1507個代謝物特征。兩種方法都檢測和注釋了1226個代謝物特征的共同集合（圖4a）。E-SGMN-Astral唯一注釋了4214個代謝物特征，包括低豐度代謝物，其平均峰值強度較低（圖4b）。這些發(fā)現(xiàn)表明，E-SGMN-Astral有效地捕獲了傳統(tǒng)工作流程中經(jīng)常忽略的低豐度代謝物特征。通過將Orbitrap Astral的卓越檢測能力與E-SGMN增強的注釋策略相結(jié)合，實現(xiàn)了全面和高度特異性的代謝物鑒定。
圖4. E-SGMN-Astral和SGMN-QE HF之間的重疊和唯一注釋比較
研究小結(jié)
在這項研究中，E-SGMN策略是專門為Astral質(zhì)譜儀開發(fā)的。與現(xiàn)有的分子網(wǎng)絡(luò)注釋方法不同，E-SGMN整合了先前測量的代謝物和由Astral MS數(shù)據(jù)過濾的潛在代謝物。這種構(gòu)建策略允許在背景網(wǎng)絡(luò)中包含更有效的候選物，同時最大限度地減少不相關(guān)分子的引入，從而在網(wǎng)絡(luò)內(nèi)實現(xiàn)標(biāo)注覆蓋率和準(zhǔn)確性之間的最佳平衡。對六種不同生物基質(zhì)的比較分析表明，Astral與E-SGMN集成的性能優(yōu)于QE HF儀器，注釋代謝物特征的數(shù)量顯著增加。從NIST SRM 1950人血漿中，注釋了5440個特征，是QE HF的3.6倍。與其他注釋方法相比，E-SGMN的注釋數(shù)量增加了3.7-44.2倍，突出了這種組合方法在更廣泛的代謝物覆蓋方面的潛力。E-SGMN更高的注釋覆蓋率和更精確地檢測和注釋代謝物的能力為研究人員提供了一個變革性的工具，允許更全面地了解復(fù)雜的生物系統(tǒng)。Astral與E-SGMN的整合代表了在追求更準(zhǔn)確和高效的代謝組學(xué)分析方面向前邁出的重要一步，對生物醫(yī)學(xué)研究和生命科學(xué)具有深遠的意義。
綜上所述，Orbitrap Astral質(zhì)譜儀憑借其超高靈敏度、快速MS/MS采集能力與高質(zhì)量數(shù)據(jù)輸出，為代謝組學(xué)研究提供了堅實的技術(shù)基礎(chǔ)。無論是通過Denoising Search提升譜圖質(zhì)量，還是借助E-SGMN擴展注釋網(wǎng)絡(luò)，Astral平臺均展現(xiàn)出在提升化合物鑒定數(shù)量、覆蓋廣度與注釋可信度方面的顯著優(yōu)勢。兩項研究共同證明，Astral不僅推動了儀器性能的邊界，更通過與先進算法的深度融合，開啟了代謝組學(xué)研究的新紀(jì)元。未來，隨著更多定制化分析流程的開發(fā)與多組學(xué)整合策略的推進，Astral有望在疾病機制解析、生物標(biāo)志物發(fā)現(xiàn)及精準(zhǔn)醫(yī)學(xué)應(yīng)用中發(fā)揮更加關(guān)鍵的作用。