Reducing Structural Ambiguity in Food Compound Identification via Computational Refinement: A Case Study of Catechins and Their Oxidation Products in Chinese Black Tea

Resumen Técnico: Reducción de la ambigüedad estructural en la identificación de compuestos alimentarios mediante el refinamiento computacional

Planteamiento del problema
La caracterización de productos naturales y sus metabolitos en matrices alimentarias complejas, específicamente en el té negro chino, se ve obstaculizada por tres desafíos principales: la ambigüedad isomérica, la disponibilidad limitada de estándares químicos auténticos y la presencia de compuestos novedosos ausentes en las bibliotecas espectrales existentes. El té negro contiene un paisaje molecular dinámico generado por la oxidación enzimática y no enzimática, la condensación y la polimerización de las catequinas. Aunque existen dímeros bien caracterizados como las teaflavinas, la mayoría de los productos de oxidación, incluidos los tearubiginas poliméricos y los nuevos intermediarios, carecen de estándares de referencia. Los flujos de trabajo de identificación convencionales que dependen de la coincidencia con bibliotecas espectrales (Nivel MSI 1) fallan para estos compuestos, y las herramientas computacionales estándar suelen tener dificultades para distinguir entre regioisómeros químicamente plausibles cuando los datos de entrenamiento son escasos, lo que genera una alta ambigüedad estructural en los niveles MSI 3 y 4.

Metodología
El estudio propone un flujo de trabajo de identificación estratificado por confianza alineado con los niveles 1–4 de la Iniciativa de Estándares de Metabolómica (MSI), utilizando UHPLC-QTOF espectrometría de masas. El enfoque integra tres estrategias distintas basadas en la disponibilidad de evidencia estructural:

1. Nivel MSI 1 (Identificación confirmada): Para compuestos con estándares auténticos, la identificación se basa en la coincidencia concurrente del tiempo de retención (RT), masa exacta (<5 ppm), patrones de isótopos y patrones de fragmentación MS/MS contra una biblioteca interna. Esta estrategia se utilizó para resolver pares isoméricos (p. ej., EGCG/GCG) donde los espectros MS/MS por sí solos eran insuficientes, apoyándose en la separación cromatográfica para la discriminación.
2. Nivel MSI 2 (Anotación tentativa): Para compuestos que carecen de estándares pero están presentes en bases de datos públicas, el flujo de trabajo combina la consulta de masa exacta con la suite de software SIRIUS (v6.3.2). Esto integra el análisis de patrones de isótopos (SIRIUS/ZODIAC) para la predicción de la fórmula molecular, CSI:FingerID para la clasificación de estructuras frente a bibliotecas públicas (MassBank, COCONUT, Pubchem) y CANOPUS para la anotación de clases de compuestos.
3. Niveles MSI 3–4 (Asignación estructural tentativa): Para abordar los "conocidos-desconocidos" (compuestos ausentes en todas las bibliotecas), los autores desarrollaron una estrategia in silico informada por rutas metabólicas.
   • Refinamiento a pequeña escala: Se creó una biblioteca de candidatos construida manualmente basada en la regioselectividad conocida de la polifenol oxidasa (PPO) (p. ej., inserción de oxígeno en benzotropolona frente al anillo A). La importación de estas estructuras específicas en SIRIUS restringió el espacio de búsqueda, permitiendo que CSI:FingerID clasificara los regioisómeros químicamente plausibles por encima de candidatos no relacionados.
   • Generación a gran escala: Se desarrolló un flujo de trabajo computacional utilizando Python y RDKit para generar una biblioteca de candidatos a gran escala (3,272 metabolitos predichos). Este flujo de trabajo utilizó dos ramas paralelas: una rama de biotransformación (aplicando reglas de reacción de oxidorreductasa a 41 polifenoles parentales) y una rama de transformación química (aplicando reglas de procesamiento térmico curadas). Los candidatos resultantes se fusionaron, se eliminaron duplicados y se utilizaron para restringir el espacio de búsqueda de SIRIUS.

Resultados clave

• Compuestos confirmados: El flujo de trabajo confirmó 27 compuestos en el Nivel MSI 1, incluyendo catequinas, teaflavinas y flavonoides relacionados. El estudio demostró que para pares isoméricos con espectros MS/MS idénticos (p. ej., EGCG/GCG), el tiempo de retención cromatográfico es el factor decisivo para la confirmación de Nivel 1.
• Anotaciones tentativas: Se anotaron 16 productos de oxidación en el Nivel MSI 2. La integración de SIRIUS con bibliotecas públicas identificó con éxito derivados diméricos y galoilados (p. ej., teasinensinas, teacitrinas). El estudio señaló que, si bien los isómeros como la teasinensina B y el epigalocatequina-(4β→8)-epigalocatequina-3-O-galato comparten fórmulas moleculares, las diferencias en los patrones de fragmentación MS/MS permitieron una distincción tentativa.
• Reducción de la ambigüedad: Las listas de candidatos informadas por rutas mejoraron significativamente la anotación de compuestos ausentes en las bases de datos públicas.
  • En el caso de estudio a pequeña escala de la oxidación de la teaflavina, restringir la búsqueda a regioisómeros químicamente informados promovió al isómero oxigenado con benzotropolona al Rango 1, mientras que una búsqueda no restringida produjo clasificaciones arbitrarias.
  • En la aplicación a gran escala, el flujo de trabajo personalizado permitió la actualización de características del Nivel MSI 4 (solo fórmula molecular) al Nivel 3 (estructura tentativa). Por ejemplo, una característica en m/z 775.1140, que no devolvió candidatos estructurales en una búsqueda en PubChem, fue asignada a una estructura tentativa (Rango 1) cuando se activó la lista de candidatos personalizada.
• Cobertura del espacio químico: El análisis de la lista de candidatos generada reveló que los flujos de trabajo de biotransformación y transformación química son complementarios. El flujo de trabajo de biotransformación produjo productos con alta similitud de armazón con los parentales (ratio de diversidad 0.199), mientras que el flujo de trabajo de transformación química generó armazones altamente diversos (ratio de diversidad 0.744), cubriendo un rango más amplio de espacio químico, incluyendo productos de condensación más grandes e isómeros.

Significancia y Reivindicaciones
El artículo sostiene que este flujo de trabajo estratificado por confianza proporciona una ruta sistemática para reducir la ambigüedad estructural en el análisis de matrices alimentarias procesadas donde no hay estándares auténticos disponibles. Al integrar el conocimiento de las rutas metabólicas en herramientas computacionales como SIRIUS, el estudio demuestra que es posible ir más allá de la simple asignación de la fórmula molecular (Nivel 4) para proponer candidatos estructurales tentativos (Nivel 3) para los productos de oxidación derivados del procesamiento.

Los autores enfatizan que, si bien la construcción manual de listas de candidatos tiene una capacidad de procesamiento limitada, el flujo de trabajo computacional a gran escala desarrollado ofrece una solución escalable para caracterizar la "materia oscura química" en sistemas alimentarios complejos. El estudio posiciona este marco como una plantilla transferible para la caracterización sistemática de la química de polifenoles oxidativos en otros alimentos procesados, como el té oolong, el café y el cacao. Los autores reconocen modestamente las limitaciones, señalando que las asignaciones de Nivel 3–4 siguen siendo tentativas sin la confirmación de un estándar auténtico y que la confianza en la anotación está intrínsecamente limitada por la diversidad estructural de los datos de entrenamiento utilizados por CSI:FingerID.