编辑推荐：
本研究针对常规亲和超滤-质谱（UF-MS）技术中高丰度、低活性成分会“掩盖”低丰度、高活性抑制剂而导致灵敏度下降的问题，开发了一种“聚类+分步超滤”的创新筛选策略。该方法从大麦苗提取物中成功鉴定出4种被常规方法遗漏的低丰度、高活性α-glucosidase抑制剂，为功能性食品开发提供新靶点。
随着全球糖尿病患病率的不断攀升，尤其是儿童和青少年2型糖尿病的日益普遍，寻找有效且副作用小的血糖管理方法成为当务之急。其中，α-葡萄糖苷酶抑制剂（α-glucosidase inhibitors）是控制餐后高血糖（postprandial hyperglycaemia）的核心药物之一。然而，长期服用阿卡波糖（acarbose）等传统药物可能带来肝功能障碍、胃肠道不适等副作用。因此，从天然产物中发掘安全有效的α-葡萄糖苷酶抑制剂，并将其融入功能食品（functional foods），成为一种极具前景的防治策略。大麦（barley）作为一种主要作物，其幼苗富含具有潜在活性的天然产物，但其中具体的活性成分尚不明确。然而，从复杂的植物提取物中精准、高效地找到那些“不起眼”但“能力强”的化合物，并非易事。常规的亲和超滤-质谱（Affinity Ultrafiltration-Mass Spectrometry, UF-MS）技术虽然快速、高通量，但有一个固有的软肋：高丰度的、但活性可能一般的成分，会像一群“彪形大汉”一样，挤占酶的活性位点，把那些含量虽低、但活性更强的“小个子”竞争者挡在门外，导致漏筛。如何突破这种“遮掩效应”（masking effect），提高筛选灵敏度，正是本研究的核心挑战。
为了攻克这一难题，来自青海大学的研究团队展开了一项题为“An innovative strategy coupling cluster fraction with ultrafiltration UPLC-QTOF-MS/MS for screening α-glucosidase inhibitors from barley seedlings”的研究。他们开发了一种创新的“先聚类，后超滤”（clustering-prior-to-ultrafiltration）策略，成功地从大麦苗中挖掘出一批新型、高效的α-葡萄糖苷酶抑制剂，相关成果发表在《Food Chemistry: X》上。为开展这项研究，研究人员主要运用了几项关键技术：首先，他们利用高效液相色谱（HPLC）对大麦苗提取物（BSE）进行分析，并基于色谱峰的峰面积进行k-means聚类分析，将组分分为丰度不同的三类。其次，对聚类后的每一类组分分别进行亲和超滤（Affinity Ultrafiltration）筛选，即让目标酶与候选化合物结合，再利用超滤膜分离复合物与未结合分子。接着，采用超高效液相色谱-四极杆飞行时间串联质谱（UPLC-QTOF-MS/MS）对从酶-配体复合物中解离出的潜在抑制剂进行结构鉴定。随后，通过制备型HPLC对鉴定出的化合物进行分离纯化，并进行α-葡萄糖苷酶抑制活性（α-GIA）评估，测定其IC50值。最后，综合运用酶抑制动力学、多种光谱学分析（如荧光光谱、圆二色谱）、分子对接（Molecular Docking）和分子动力学（Molecular Dynamics, MD）模拟，深入揭示了活性化合物与酶的相互作用机制。研究所用的大麦幼苗样本于2023年5月采自中国青海省海北藏族自治州。
研究结果：
3.1. 对基于聚类方法的抑制剂筛选进行评估
- •
3.1.1. 聚类分析与分级：研究人员首先对具有显著α-葡萄糖苷酶抑制活性的大麦苗30%乙醇洗脱部位（BSE）进行了HPLC分析，并根据35个色谱峰的峰面积大小，通过k-means聚类将其分为三类：Category I（3个高丰度峰）、Category II（1个峰）和Category III（31个低丰度峰）。
- •
3.1.2. 分类亲和超滤UPLC-QTOF-MS/MS分析α-葡萄糖苷酶抑制剂：对比直接对BSE进行常规UF-MS筛选（仅发现3个候选抑制剂）与对三个聚类组分分别进行UF-MS筛选的结果，发现后者额外鉴定出了4个低丰度但具有真正抑制活性的化合物（对应峰16, 18, 21, 23）。这表明，先聚类再分步超滤的策略能有效避免高丰度成分的“遮掩”，显著提高对低丰度活性化合物的筛选灵敏度。
- •
3.1.3. 抑制活性评估：通过UPLC-QTOF-MS/MS分析和核磁共振（NMR）验证，最终确定了7个化合物的结构，均为黄酮苷类化合物。活性测试显示，通过聚类策略新发现的4个低丰度化合物（化合物4-7）的IC50值（217.75–583.35 μg/mL）明显低于3个高丰度化合物（化合物1-3， IC50值为707.05–1044.95 μg/mL），证明其抑制活性更强。
3.2. 结合机制研究
- •
3.2.1. 抑制动力学分析：对活性最强的4个化合物（4-7）进行的酶动力学（Lineweaver-Burk图）分析表明，它们都以竞争性抑制（competitive inhibition）的方式与底物pNPG（p-nitrophenyl-α-D-pyranoglucoside）竞争酶的活性位点。
- •
3.2.2. 荧光猝灭分析：荧光光谱实验显示，随着化合物浓度增加，α-葡萄糖苷酶的内源性荧光被猝灭，且最大发射波长发生蓝移，表明化合物结合引起了酶构象和微环境变化。Stern-Volmer分析表明，猝灭常数Ksv随温度升高而增大，提示疏水相互作用（hydrophobic interactions）是主要的结合驱动力之一。
- •
3.2.4. 氨基酸微环境变化的分析：同步荧光光谱（Δλ = 15 nm 和 60 nm）表明，化合物结合改变了色氨酸（Trp）和酪氨酸（Tyr）残基周围的微环境，使Trp残基的极性增加、疏水性降低，而Tyr残基的极性降低、疏水性增强，且Trp残基更靠近抑制剂结合位点。
- •
3.2.5. 构象变化和荧光猝灭模式分析：三维（3D）荧光光谱显示，化合物结合后，α-葡萄糖苷酶的特征荧光峰（峰1和峰2）强度显著降低，表明抑制剂结合导致肽链骨架构象改变，疏水区域暴露。
- •
3.2.6. 二级结构变化分析：圆二色谱（CD）分析证实，化合物结合导致α-葡萄糖苷酶的α-螺旋和β-折叠含量减少，β-转角和无规卷曲含量增加，表明其二级结构发生了显著重排。
- •
3.2.7. 配体-酶相互作用及抑制机理分析：分子对接结果显示，4个活性化合物主要通过氢键和疏水相互作用结合在α-葡萄糖苷酶的疏水腔内，其结合自由能与实验测得的抑制活性趋势一致。
- •
3.2.8. 配体-酶复合物的稳定性与相互作用比较分析：对4个复合物进行100 ns的分子动力学模拟。分析均方根偏差（RMSD）、回旋半径（Rg）、溶剂可及表面积（SASA）和氢键数量等参数发现，化合物5和4与酶形成的复合物最稳定（RMSD更低，氢键网络更丰富），而化合物6和7的复合物则表现出更大的构象波动。MM/GBSA（Molecular Mechanics with Generalized Born and Surface Area）结合自由能计算也证实，化合物5的总结合自由能最低（-62.82 kcal/mol），活性最强。关键残基如Phe158、Trp311、Asp242和Glu271对所有化合物的结合都起到了主要的稳定作用。
- •
3.2.9. 配体-酶复合物的自由能景观与结合驱动力分析：自由能景观（FEL）分析揭示了各复合物最稳定的构象状态及其对应的相互作用网络。结合MM/GBSA能量分解，进一步确认范德华力（van der Waals）和静电相互作用（electrostatic interactions）是结合的主要驱动力，而溶剂化效应（solvation effect）则对净结合亲和力产生不利影响。
结论与意义：
本研究成功开发并验证了一种创新的“先聚类，后超滤”筛选策略。该策略通过HPLC峰面积聚类对复杂提取物进行预分组，然后对各组分别进行亲和超滤-质谱筛选，有效克服了传统UF-MS技术中高丰度成分对低丰度、高活性抑制剂的“遮掩效应”。应用此方法，研究者从大麦苗中不仅找到了常规方法能发现的3个高丰度抑制剂，还额外挖掘出4个活性更强（IC50值低2-5倍）的低丰度黄酮苷类化合物，显著提升了筛选的灵敏度与发现率。深入的机制研究表明，这些新发现的抑制剂通过竞争性方式作用于α-葡萄糖苷酶的活性位点，其结合主要由疏水相互作用和氢键驱动，并可引起酶二级结构的重排和关键氨基酸微环境的改变。分子对接与动力学模拟进一步在原子层面揭示了具体的结合模式和关键相互作用残基。
这项工作的意义在于，它为解决复杂天然产物体系中活性成分筛选的灵敏度瓶颈提供了一个简单、有效且通用的方法学策略。该方法尤其适用于从植物、微生物提取物等成分复杂的“宝库”中，高效挖掘那些含量极低但药理活性突出的先导化合物。本研究不仅为大麦苗作为一种潜在的功能食品原料开发提供了具体的活性成分和理论依据，也为未来针对糖尿病等其他疾病的天然产物抑制剂高通量筛选提供了新的技术思路和参考范式。
