《TrAC Trends in Analytical Chemistry》：Advancing Biothreat Detection Technologies Employing Emerging Mass Spectrometry Approaches
编辑推荐：
质谱技术因高灵敏度和特异性成为生物威胁检测关键，涵盖离子化技术（如PSI、DESI）、线性四极杆离子阱的二维质谱联用，样本制备优化及生物信息学与机器学习整合，推动下一代生物监测发展。
穆罕默德·穆贾希德·阿里（Muhammad Mujahid Ali）| L. 埃德温·冈萨雷斯（L. Edwin Gonzalez）| 埃里克·T·杰科恩斯基（Eric T. Dziekonski）| J. 米切尔·威尔斯（J. Mitchell Wells）| 道尔顿·T·斯奈德（Dalton T. Snyder）| 威廉·艾伦·勒菲弗（William Allen LeFever）| R. 格雷厄姆·库克斯（R. Graham Cooks）
美国印第安纳州西拉斐特市普渡大学化学系，邮编47907
摘要
准确快速地检测生物威胁对公共卫生、生物防御和流行病预防至关重要。由于质谱技术具有高灵敏度、高特异性和广泛的分子检测范围，它已成为这一领域的强大工具。本文综述了基于质谱的生物制剂检测的最新进展，重点介绍了离子化技术，包括纸喷雾电离（PSI）、解吸电喷雾电离（DESI）等常用方法，同时介绍了线性四极杆离子阱技术的进步，这些技术实现了二维串联质谱（2D MS/MS），从而提高了灵敏度和选择性，并使设备更加小型化。文中还总结了关键的生物制剂，包括病原体、毒素以及脂质、肽、蛋白质、核酸等分子特征。文章强调了样品制备策略，以加快检测速度并提高效率。最后，详细阐述了将生物信息学和机器学习与质谱数据分析相结合的方法，以实现快速分类、模式识别和实时决策。总体而言，这些发展为下一代生物监测技术奠定了基础。
章节摘录
生物威胁检测简介
生物危害事件包括有意或无意释放的有害物质，如细菌、病毒、真菌和毒素。无论是用于生物恐怖主义，还是由意外或自然事件引起，这些物质都对人类健康、国际安全和经济稳定构成严重威胁。过去几十年中，新发传染病和生物恐怖主义行为的增加表明，迫切需要发明、优化相关技术。
离子化技术
适用于微型质谱仪的离子化技术对于现场应用至关重要，尤其是在需要快速可靠结果的生物威胁检测中。微型质谱仪专为现场实时分析设计，所选离子化方法必须满足特定要求，如简单性、快速性和与周围环境的兼容性。传统的台式方法通常结合使用色谱技术（例如LC）。使用线性四极杆离子阱进行的质量分析
使用线性四极杆离子阱（QITs）进行质量分析已得到广泛应用，因为这类分析仪具有高灵敏度、能够进行多级串联质谱分析，并且对真空环境要求较低。这种离子阱由四根平行排列的杆组成，可以与其他离子光学聚焦元件结合使用。通过施加直流（DC）电压和射频（RF）电压来实现样品离子化。生物威胁剂的分类
生物威胁剂包括细菌、病毒和毒素，它们可以通过与感染者或动物的直接接触、空气、水或食物传播。美国疾病控制与预防中心（CDC）根据死亡率、发病率以及其造成的威胁程度，将生物威胁剂分为A、B、C三类（见表2）。A类威胁剂被认为是最危险的，因为它们易于传播且具有高度致病性。样品采集与制备
样品采集和制备方法在生物威胁检测中起着关键作用，因为它们直接影响检测的选择性、灵敏度和系统性能。本文描述了从气溶胶（第S.1节）、表面拭子和接触材料（第S.2节）以及水和土壤基质（第S.3节）中采集样品的各种方法，并在质谱检测背景下进行了评估。利用质谱进行生物威胁检测的生物信息学和机器学习
质谱技术是生物威胁检测领域的强大工具，因为它具有高数据密度、高灵敏度和分析复杂生物样本的能力。在生物威胁检测中，它能够识别和定量有害生物制剂，为快速应对生物威胁提供关键数据。然而，质谱仪产生的数据量庞大且复杂，因此需要先进的数据处理技术。挑战与未来方向
合成生物学的快速发展正在重塑生物威胁检测的格局。基因编辑、合成生物学和工程微生物系统的进步使得创建具有更强毒力和抗性的新型/改良生物体成为可能。合成生物学的发展带来了新的风险，因为它可以制造出更具侵袭性的病毒或修改现有病毒。DNA合成和基因编辑技术的创新（如CRISPR-Cas9）进一步加剧了这一趋势。作者贡献声明
达尔顿·T·斯奈德（Dalton T. Snyder）：撰写、审稿与编辑，资金筹集。J. 米切尔·威尔斯（J. Mitchell Wells）：撰写、审稿与编辑，资金筹集。R. 格雷厄姆·库克斯（R. Graham Cooks）：项目管理，资金筹集，概念构思。威廉·艾伦·勒菲弗（William Allen LeFever）：撰写、审稿与编辑，概念构思。穆罕默德·穆贾希德·阿里（Muhammad Mujahid Ali）：撰写初稿，概念构思。埃里克·T·杰科恩斯基（Eric T Dziekonski）：撰写、审稿与编辑。L. 埃德温·冈萨雷斯（L. Edwin Gonzalez）：撰写初稿利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。致谢
本材料基于美国国土安全部（U.S. Department of Homeland Security）的资助（项目编号20CWDAR100039-01）和美国国防威胁减少局（U.S. Defense Threat Reduction Agency）的资助（项目编号CWMD2018-841）。我们感谢克里斯托弗·普利亚姆（Christopher Pulliam）博士和尼古拉斯·莫拉托（Nicolas Morato）博士就机器学习和数据预处理方法提供的宝贵意见。同时，我们也感谢TeledyneFLIR Systems Inc.（公司编号20089402）在该领域提供的专业支持。
