中国科学院生态环境研究中心江桂斌团队创新性地提出了从“靶向-非靶向”向“非靶向”演进的分级筛查策略。通过系统构建涵盖分子内固有特征、化学反应构建特征及分子间联系性特征的优先级工作流，探讨了机器学习在非靶向筛查中的应用前景，为复杂环境样本中新污染物的识别提供了高效、系统的理论指导。

文章详解：

高分辨质谱（HRMS）技术的发展让非靶向筛查（NTS）成为可能。理论上，NTS旨在无偏向地检测样品中的所有有机化合物。然而，面对环境化学物质的极高多样性，完全无偏向的筛查往往面临数据处理负担过重、低丰度物质敏感度低等挑战。因此，为了平衡筛查范围与效率，研究人员常采用“靶向-非靶向（Target-Nontarget）”这一折中的策略——即聚焦于特定类别（如PFAS、OPEs）或基于已知库进行筛查。该策略通常强调充分利用质谱特征，如识别含Cl/Br物质的同位素峰簇或PAEs、OPEs的特征碎片等。本文综述了质谱特征的概念框架和研究进展，并提出了一套基于特征优先级工作流程，进而更高效且有依据地利用质谱特征，旨在连接“靶向-非靶向”与“非靶向”分析，以扩大筛查覆盖范围并确保结果的可靠性。

文章亮点：

1. 系统总结了高分辨质谱特征在非靶向筛查中的概念框架，明确了各类特征的应用场景，概述了最新的研究进展

2. 创新性提出了质谱特征的优先级排序，旨在连接“靶向-非靶向”与“非靶向”分析

3. 探讨了分子网络、成对质量差分析等前沿数据挖掘技术，以及机器学习在非靶筛查中的应用方法

图文解读：

图1.筛查过程中质谱特征的优先排序。提出根据质谱特征的可获得性与特异性，对筛查工具进行优先级排序，引导NTS从“有序”的已知特征走向“未知”的全面探索。

1.分子内固有质谱特征搜索

固有质谱特征是NTS中优先级最高的筛选工具，无需额外处理即可有效缩小候选物范围。

•质量亏损（Mass Defect，MD）：利用精确质量与名义质量的差异过滤特定物质。利用特定MD范围过滤MS¹数据可显著降低分析复杂度（如-0.15-0.15Da的MD范围常用于过滤潜在的PFAS类物质）。Kendrick质量亏损（KMD）则通过引入CH₂或CF₂等缩放因子对质量进行归一化转换，实现同系物系列的可视化识别。

•同位素模式：Br和Cl通常具有稳定且显著的同位素丰度差异，其中⁷⁹Br：⁸¹Br≈1：1，³⁵Cl：³⁷Cl≈3：1。这种特征的同位素模式，是识别含溴和氯污染物的核心手段。利用自动化程序，通过匹配同一保留时间的同位素质量差（如溴为1.998Da）和强度比，可进行高效识别。此外，硫、硼等不常见元素的同位素模式也常用于辅助化合物注释。

•特征碎片（CFIs）和中性丢失（CNLs）：通过数据依赖（DDA）、数据非依赖（DIA）或源内裂解（ISF）获取的碎片质谱信息，可提取诊断性离子并锁定前体离子。文章列举了常见的有机污染物的特征碎片，包括卤代类（Cl，Br，I，F），酯类（有机磷酸酯，邻苯二甲酸酯，对羟基苯甲酸酯，硫酸/硫酸酯），碳环类（PAHs，PPD-醌），含氮杂环类（三唑，三嗪），抗菌剂（大环内酯、磺酰胺、β-内酰胺、季铵盐等）。某些结构的物质如PAHs等虽难以直接产生特征碎片，但表现出特征性的碎裂模式，并可通过机器学习整合识别。

表1. 在筛查中使用的常见特征片段（包括CFIs和CNLs）。

2.构建质谱特征

对于不含上述内在特征的物质，有必要根据其化学反应性构建MS特征，或者设计有助于在分析前对其进行筛选的实验策略。

•化学衍生化：包括衍生化生成独特的同位素模式、产生特征碎片离子以及分析衍生化前后的质量差异。

•实验预设构建同位素模式：使用同位素标记和未标记物质进行共暴露或共反应，可构建用于检测的同位素模式，有助于化合物的识别和追踪。

3.分子间联系性性质谱特征挖掘

在完成最初的筛选过程后，通过分子连接特性挖掘更多信息，使得NTS从发现未知到基于已建立的知识发现额外的未知的转变，并从整体角度描述样本和分析内在联系。

•分子网络：利用MS²谱图的相似性，将具有相同碎片离子的前体离子聚类，通过已知结构的“种子节点”带动识别结构相关的未知类似物及转化产物。

•成对质量差分析（Paired Mass Distance，PMD）：PMD则聚焦于精确质量差，不仅能高效识别特定的生化反应单元（如利用162.0528Da的差值识别糖苷化反应），还能通过PMD分析反应组学、对反应进行定量以及生成PMD网络，通过反应促进对已知和未知化合物的探索。

4.机器学习

机器学习（ML）正推动非靶向筛查的变革。针对MS2鉴定，研究形成了三大核心范式：谱图-结构预测（将谱图转化为指纹码检索库，如CSI:FingerID）、结构-谱图预测（模拟已知结构的理论碎片，如CFM-ID）以及最前沿的De novo从头预测（不依赖数据库直接生成结构，如MSNovelist）。

总结与展望：

高度集成、跨平台的筛查方法仍是NTS的长期方向，应充分利用保留时间和碰撞截面等其他维度，并发挥半定量分析在连接靶向与非靶向中的桥接作用；提高机器学习/AI方法对特征碎片的预测精度；开发精细化的衍生试剂。

原文链接：From Target−Nontarget to Nontarget Screening: A Review on Screening Methods for Organic Pollutants Based on High-Resolution Mass Spectrometry

https://pubs.acs.org/doi/10.1021/envhealth.5c00520