NPJ 最近发表的一篇文章 |疫苗探索使用基质辅助激光解吸/电离质谱（MALDI-MS）结合机器学习来筛选疫苗的真实性。研究人员旨在解决日益严重的不合格和假疫苗问题，这些问题对公共健康构成严重风险。
图片来源：luchschenF/Shutterstock.com
他们提出并测试了一种能够区分真疫苗和假疫苗的新颖工作流程，为监控疫苗供应链提供了一种潜在的方法。
背景
MALDI-MS 是一种强大的分析技术，以其高灵敏度和选择性而闻名，非常适合分析复杂样品。它广泛应用于蛋白质组学、代谢组学和临床微生物学中鉴定微生物。该技术使用激光电离固体或液体样品中的分子，从而可以分析它们的质荷比 (m/z)。
将机器学习与 MALDI-MS 相结合，增强了其分类和识别生物标志物的能力，使其成为测试疫苗真实性的有前景的工具。这种集成可以快速准确地区分正宗疫苗和伪造疫苗，即使它们的化学成分相似。机器学习模型还适应不断变化的数据模式，确保该方法仍然有效应对新出现的疫苗造假威胁。
关于研究
在这项研究中，作者开发并验证了 MALDI-MS 工作流程，与开源机器学习和统计分析相结合，以区分正宗和伪造的疫苗。他们使用了两种广泛使用的 MALDI-MS 仪器：Bruker MALDI Biotyper Sirius 和 bioMrieux VITEK MS，这两种仪器在世界各地的临床实验室中都很常见。
该研究分析了四种真实疫苗，包括 Nimenrix（辉瑞有限公司）、Engerix B（葛兰素史克）、Flucelvax Tetra（Seqirus Ltd.）和 Ixiaro（Valneva Ltd.），以及根据之前报告的病例选择的八种伪造替代疫苗伪造疫苗。
工作流程涉及样品制备、数据采集、数据处理和统计分析。将疫苗样品与基质溶液混合并点样到 MALDI 目标板上。然后使用 MALDI-MS 仪器对它们进行分析，并在三个重叠质量范围（0-900、700-2500 和 2000-20,000 m/z）上收集所得质谱。这种方法捕获了全面的潜在生物分子特征，为分析提供了可靠的数据集。
使用各种软件工具处理数据，包括 SpectralWorks AnalyzerPro XD、MALDIquant 和 MetaboAnalyst 5.0。MALDIquant R 软件包用于基本处理步骤，例如基线校正、峰强度归一化和峰识别。
然后对处理后的数据进行多元统计分析和机器学习技术，包括偏最小二乘判别分析（PLS-DA）。这些方法对于数据建模和预测 m/z 特征非常重要，从而可以有效筛选疫苗的真实性。
研究结果
结果表明，这种方法可以有效地区分真假疫苗。研究人员发现真正疫苗和假冒疫苗的质谱图之间存在明显差异。多变量数据建模和质谱分析进一步证明 MALDI-MS 可以成为监测疫苗供应链的可靠工具。
通过分析重复样品并评估质谱峰强度的变异性，证实了 MALDI-MS 分析的重现性。采集后数据处理，包括基线校正、峰强度归一化和峰对齐，最大限度地减少了分析变异性。PLS-DA模型证明MALDI-MS数据可以可靠地预测疫苗的真实性。
研究人员还发现了几个与正宗或伪造疫苗相关的独特质谱峰，表明它们可以作为真实性测试的生物标志物。这些发现表明，MALDI-MS 可用于开发区分质谱峰的综合数据库，从而实现疫苗真实性的实时筛选和验证。
应用程序
这项研究对疫苗供应链监控具有重大意义。所提出的方法可以集成到世界各地临床实验室现有的 MALDI-MS 网络中，以筛选疫苗的真实性，帮助降低不合格或伪造疫苗的风险。其高通量和低成本使其适合大规模筛选。
通过将机器学习与 MALDI-MS 相结合，这种方法为确保疫苗的真实性和维护公众健康提供了宝贵的工具。
结论
新颖的工作流程有效筛选疫苗真伪，区分真假疫苗。通过利用临床实验室中的 MALDI-MS 基础设施，该方法有可能改变疫苗安全检查并改善全球供应链监控。
未来的工作目标应是将该技术扩展到更广泛的疫苗和液体药品领域，进一步增强其在保障药品和公共卫生方面的作用。这种方法代表了解决疫苗造假问题的重大进步。
期刊参考
Clarke, R. 等人。（2024）。使用基质辅助激光解吸电离质谱结合机器学习进行疫苗真实性筛查。npj 疫苗。DOI：10.1038/s41541-024-00946-5，https://www.nature.com/articles/s41541-024-00946-5