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

기술 요약: 계산적 정교화를 통한 식품 화합물 식별의 구조적 모호성 감소

문제 정의
복잡한 식품 매트릭스(특히 중국산 흑차) 내 천연물 및 그 대사체의 특성 분석은 이성질체 모호성, 인증된 화학 표준품의 제한된 가용성, 그리고 기존 스펙트럼 라이브러리에 존재하지 않는 신규 화합물의 존재라는 세 가지 주요 과제에 의해 저해됩니다. 흑차는 카테킨의 효소적 및 비효소적 산화, 축합, 중합 작용에 의해 생성되는 역동적인 분자 경관을 포함하고 있습니다. 테아플라빈(theaflavins)과 같이 잘 알려진 이량체도 존재하지만, 폴리머 형태의 테아루비긴(thearubigins) 및 신규 중간체를 포함한 대부분의 산화 생성물은 참조 표준품이 부족합니다. 기존의 스펙트럼 라이브러리 매칭(MSI Level 1)에 의존하는 전통적인 식별 워크플로 방식은 이러한 화합물에 대해 실패하며, 표준 계산 도구들은 훈련 데이터가 희소할 때 화학적으로 타당한 레지오이소머(regioisomers)를 구별하는 데 어려움을 겪어 MSI Level 3 및 4에서 높은 구조적 모호성을 초래합니다.

방법론
본 연구는 UHPLC-QTOF 질량 분석법을 활용하여, 대사체 표준화 이니셔티브(MSI) Level 1~4에 부합하는 신뢰도 계층화 식별 워크플로를 제안합니다. 이 접근 방식은 구조적 증거의 가용성에 따라 세 가지 뚜렷한 전략을 통합합니다:

1. MSI Level 1 (확정적 식별): 인증된 표준품이 있는 화합물의 경우, 내부 라이브러리와의 유지 시간(RT), 정확한 질량(<5 ppm), 동위원소 패턴 및 MS/MS 파편화 패턴의 동시 매칭에 의존하여 식별을 수행합니다. 이 전략은 MS/MS 스펙트럼만으로는 불충분했던 이성질체 쌍(예: EGCG/GCG)을 해결하기 위해 사용되었으며, 구별을 위해 크로마토그래피 분리에 의존했습니다.
2. MSI Level 2 (추정적 주석 달기): 표준품은 없으나 공공 데이터베이스에 존재하는 화합물의 경우, 정확한 질량 쿼리와 SIRIUS 소프트웨어 제품군(v6.3.2)을 결합한 워크플로를 사용합니다. 이는 분자식 예측을 위한 동위원소 패턴 분석(SIRIUS/ZODIAC), 공공 라이브러리(MassBank, COCONUT, PubChem)에 대한 구조 순위 지정(CSI:FingerID), 그리고 화합물 클래스 주석(CANOPUS)을 통합합니다.
3. MSI Levels 3–4 (잠정적 구조 할당): "알려진 미지 물질"(모든 라이브러리에 없는 화합물)을 다루기 위해, 저자들은 경로 정보 기반의 in silico 전략을 개발했습니다.
   • 소규모 정교화: 알려진 폴리페놀 옥시다아제(PPO)의 레지오선택성(예: 벤조트로폴론 또는 A-고리에 산소 삽입)에 기반하여 수동으로 구축된 후보 라이브러리를 생성했습니다. 이러한 특정 구조들을 SIRIUS에 도입함으로써 검색 공간을 제한하였고, 이를 통해 CSI:FingerID가 관련 없는 후보들보다 화학적으로 타당한 레지오이소머를 더 높게 순위화할 수 있도록 했습니다.
   • 대규모 생성: Python과 RDKit을 사용하여 대규모 후보 라이브러리(3,272개의 예측 대사체)를 생성하는 계산 파이프라인을 개발했습니다. 이 파이프라인은 두 개의 병렬 브랜치를 활용했습니다: 생물 전환 브랜치(41개의 모체 폴리페놀에 산화환원 효소 반응 규칙 적용)와 화학적 변환 브랜치(정제된 열처리 규칙 적용). 생성된 후보들은 병합 및 중복 제거 과정을 거쳐 SIRIUS 검색 공간을 제한하는 데 사용되었습니다.

주요 결과

• 확정된 화합물: 워크플로는 카테킨, 테아플라빈 및 관련 플라보노이드를 포함한 27개의 화합물을 MSI Level 1로 확인했습니다. 본 연구는 동일한 MS/MS 스펙트럼을 가진 이성질체 쌍(예: EGCG/GCG)의 경우, 크로마토그래피 유지 시간이 Level 1 확정을 위한 결정적 요소임을 입증했습니다.
• 추정적 주석: 16개의 산화 생성물이 MSI Level 2로 주석 처리되었습니다. SIRIUS와 공공 라이브러리의 통합은 이량체 및 갈로일화 유도체(예: theasinensins, theacitrins)를 성공적으로 식별했습니다. 연구에서는 theasinensin B와 epigallocatechin-(4β→8)-epigallocatechin-3-O-gallate와 같은 이성질체가 분자식을 공유하지만, MS/MS 파편화 패턴의 차이가 잠정적인 구별을 가능하게 함을 언급했습니다.
• 모호성 감소: 경로 정보 기반의 후보 목록은 공공 데이터베이스에 없는 화합물에 대한 주석 성능을 크게 향상시켰습니다.
  • 테아플라빈 산화에 대한 소규모 사례 연구에서, 화학적으로 정보화된 레지오이소머로 검색을 제한했을 때 벤조트로폴론-산소화 이성머가 Rank 1으로 승격된 반면, 제한되지 않은 검색에서는 임의적인 순위가 나타났습니다.
  • 대규모 적용에서, 커스텀 파이프라인은 특징(feature)을 MSI Level 4(분자식만 존재)에서 MSI Level 3(잠정적 구조)로 업그레이드할 수 있게 했습니다. 예를 들어, PubChem 검색에서 구조 후보를 반환하지 않았던 m/z 775.1140의 특징은 커스텀 후보 목록이 활성화되었을 때 잠정적 구조(Rank এতে)가 할당되었습니다.
• 화학적 공간 범위: 생성된 후보 목록 분석 결과, 생물 전환 및 화학적 변환 파이프라인은 상호 보완적임이 밝혀졌습니다. 생물 전환 파이프라인은 모체와 높은 골격 유사성을 가진 생성물을 생성한 반면(다양성 비율 0.199), 화학적 변환 파이프라인은 더 큰 응축 생성물 및 이성질체를 포함하여 더 넓은 범위의 화학적 공간을 포괄하는 매우 다양한 골격을 생성했습니다(다양성 비율 0.744).

의의 및 주장
본 논문은 이 신뢰도 계층화 워크플로가 인증된 표준품을 사용할 수 없는 가공 식품 매트릭스 분석에서 구조적 모호성을 줄이는 체계적인 경로를 제공한다고 주장합니다. 본 연구는 경로 지식을 SIRIUS와 같은 계산 도구에 통합함으로써, 가공 유래 산화 폴리페놀에 대해 단순한 분자식 할당(Level 4)을 넘어 잠정적 구조 후보를 제안(Level 3)하는 것이 가능하다는 것을 보여줍니다.

저자들은 후보 목록의 수동 구축은 처리량 측면에서 한계가 있지만, 개발된 대규모 계산 파이프라인은 복잡한 식품 시스템 내의 "화학적 암흑 물질(chemical dark matter)"을 규명하기 위한 확장 가능한 솔루션을 제공한다고 강조합니다. 본 연구는 이 프레임워크를 우롱차, 커피, 코코아와 같은 다른 가공 식품의 산화 폴리페놀 화학을 체계적으로 규명하기 위한 전이 가능한 템플릿으로 제시합니다. 저자들은 인증된 표준품의 확인 없이는 Level 3–4 할당이 여전히 잠정적이라는 점과, 주석의 신뢰도가 CSI:FingerID에서 사용된 훈련 데이터의 구조적 다양성에 의해 본질적으로 제한된다는 점을 언급하며 한계를 겸허히 인정하였습니다.