本文是一篇发表在《Biomolecules》期刊上的综述论文，题为《Skin Surface Sebum Analysis by ESI-MS》，作者为Madeline Isom和Heather Desaire，所属机构为美国堪萨斯大学化学系。该文于2024年6月11日投稿，6月28日被接收，7月3日正式发表。文章系统梳理了利用电喷雾电离质谱（ESI-MS）分析皮肤表面皮脂脂质组的研究现状，涵盖采样、样品制备、数据采集与数据分析等全流程，并讨论了其在临床诊断和法医学中的应用前景与面临的主要挑战。

皮肤表面皮脂是一种覆盖人体大部分区域的富脂质混合物，主要由皮脂腺分泌，成分以甘油酯、蜡酯、角鲨烯、游离脂肪酸和少量胆固醇及其酯类为主。皮脂脂质谱可随年龄、性别、种族、饮食、运动及疾病状态发生变化，因此被视为一种有潜力的非侵入性生物标志物来源。此外，皮脂中的脂质会随时间氧化，其氧化产物可用于推断指纹沉积时间，为犯罪现场调查提供关键信息。然而，由于皮脂组成高度复杂、个体间与个体内变异较大，加上脂质鉴定存在困难，该领域尚未被纳入常规应用。ESI-MS因其软电离特性、高灵敏度、高特异性以及与脂质质量范围的良好匹配，成为皮脂脂质组分析的首选技术。不过，ESI-MS也面临盐分干扰、离子抑制、残留效应和仪器漂移等问题，需要通过合理的实验设计和数据处理策略加以控制。

论文首先介绍了皮肤表面的组织结构与皮脂来源。皮肤表面代谢物主要来源于表皮和真皮，其中角质层脂质包括游离脂肪酸、神经酰胺和胆固醇，但通常需要较具侵入性的采集手段才能获取。相比之下，皮脂腺分泌物更易采集，且占皮肤表面可提取代谢物的大部分。皮脂腺位于毛囊轴部，通过全分泌方式将皮脂释放至皮肤表面，整个过程约需两到三周。皮脂腺不仅自身合成脂质，也通过脂肪酸转运蛋白和低密度脂蛋白受体从血液中摄取脂质，这为皮脂作为血液生物标志物替代品提供了理论基础。

在采样方法方面，作者详细阐述了影响皮脂脂质谱的关键变量，包括参与者选择、采样前准备、解剖部位、采集基质及储存条件。不同解剖区域的皮脂分泌量和脂质类别比例存在显著差异，面部、背部和胸部皮脂分泌最丰富。采集基质选择同样重要，常用的有胶带条、硅胶板、玻璃片、棉签、氰基丙烯酸酯树脂和铝箔等。胶带条和氰基丙烯酸酯树脂主要用于神经酰胺分析，因其能深入角质层提取该类脂质；其他方法则更偏向皮脂腺来源脂质。储存条件对脂质谱也有影响，皮脂中的角鲨烯、甘油酯和脂肪酸等会随时间和氧化反应而降解，因此建议采用低温、避光和减少空气流通的方式保存样品。

样品前处理部分主要介绍了脂质提取方法、提取后处理及色谱分离策略。液-液萃取是皮脂脂质提取的主流方法，其中Bligh和Dyer法及其变体应用最广，但不同溶剂体系对脂质类别的覆盖范围有差异。对于多类别脂质分析，通常采用中等极性的溶剂组合；若目标为单一脂质类别，则可根据其极性选择更特异性的溶剂。除液-液萃取外，固相萃取在神经酰胺分析中也较为常用。萃取后的样品通常还需经过氮气浓缩和复溶，并加入甲酸、醋酸铵等添加剂以提高离子化效率。部分定量研究还加入内标以校正提取效率。色谱分离方面，反相液相色谱是皮脂脂质分析中最常用的分离方式，尤其适用于同类别脂质内部异构体的分离；正相色谱则主要用于神经酰胺分析。此外，一些研究也采用直接进样的“鸟枪法”策略，以提高分析通量，尤其适合结合机器学习进行大规模样本分类。

在质谱检测方面，皮脂脂质主要在正离子或负离子模式下形成单电荷离子。正离子模式常用于覆盖多类脂质，包括角鲨烯、甘油酯、脂肪酸、神经酰胺和蜡酯；负离子模式则对脂肪酸具有更高灵敏度。串联质谱是准确鉴定脂质类别和结构的关键手段，不同脂质类别具有不同的特征碎片离子。例如，胆固醇及其酯类通常产生m/z 369的诊断离子，神经酰胺则碎裂为鞘氨醇碱基和脂肪酸组分。然而，由于存在同分异构体和同量异位体，单纯依靠串联质谱往往难以实现完全的结构确证。近年来，离子迁移谱和碰撞截面分析被引入以区分同量异位甘油三酯，显示出一定优势。

环境电离质谱技术近年来在皮脂分析中逐渐兴起，主要包括解吸电喷雾电离（DESI）、二次电喷雾电离（SESI）和纸喷雾电离（PSI）。DESI可从固体表面直接解吸并电离脂质分子，几乎无需样品前处理，适合高通量分析和脂质空间分布成像。SESI则是一种更软的电离方式，可实时分析皮肤挥发性代谢物。PSI利用滤纸作为载体，在环境条件下完成样品提取和离子化，部分变体如零伏纸喷雾电离（zvPSI）无需高电压或气体驱动。尽管这些环境电离方法具有高效率和大规模样本处理的潜力，但其灵敏度和特异性通常低于液相色谱-质谱联用，定量能力和干扰控制仍是技术瓶颈。

数据分析部分重点讨论了生物变异、仪器漂移及归一化策略。皮脂分泌受年龄、性别、饮食、运动、温度和季节等多种因素影响，个体间和个体内变异显著。仪器漂移和批次效应同样会影响比较结果，因此随机化进样顺序、设置质量控制样本以及采用合理的归一化方法至关重要。文章列举了多种归一化策略，包括以内标、总峰强度、总峰面积、样品重量或蛋白质含量为基准的归一化方法，以及分位数归一化和Progenesis归一化等。机器学习方法在皮脂脂质组研究中应用广泛，常用的监督模型包括随机森林、梯度提升树、极端梯度提升、偏最小二乘判别分析、支持向量机和回归模型等；无监督方法以主成分分析为主。模型性能通常通过受试者工作特征曲线及曲线下面积进行评价，并采用交叉验证控制过拟合。特征重要性评估（如VIP评分或特征重要性值）可用于筛选潜在生物标志物。在脂质鉴定方面，数据库匹配和碎片谱解析是主要手段，但数据缺失和结构确证仍是亟待解决的问题。

文章最后总结了皮脂脂质谱分析在临床和法医学领域的应用潜力。在临床方面，囊性纤维化、COVID-19、帕金森病、糖尿病、特应性皮炎和麻风病等均被发现与皮脂脂质改变相关。非侵入性采样尤其适用于儿童和老年人等弱势群体。在法医学方面，皮脂脂质谱不仅可反映供体的人口统计学特征，还可通过氧化产物推断指纹沉积时间，为排除嫌疑人提供依据。作者认为，未来需要通过更大规模和更多样化的人群验证研究，同时进一步完善方法标准化和数据处理流程，才能推动皮脂脂质组学进入实际应用阶段。