Développements analytiques pour l’analyse

multi-omique en chromatographie liquide couplée à la

spectrométrie de masse
Julien Faugere

To cite this version:

Julien Faugere. Développements analytiques pour l’analyse multi-omique en chromatographie liquide
couplée à la spectrométrie de masse. Chimie analytique. Université de Lyon, 2022. Français. �NNT :
2022LYSE1044�. �tel-04054983�

HAL Id: tel-04054983

https://theses.hal.science/tel-04054983
Submitted on 1 Apr 2023

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
N° d’ordre NNT :/<6(

THESE de DOCTORAT DE L’UNIVERSITE DE LYON

opérée au sein de
l’Université Claude Bernard Lyon 1

Ecole Doctorale N° 206

(Ecole Doctorale de chimie de Lyon)

Spécialité de doctorat :
Discipline : Chimie analytique

Soutenue publiquement le 31/03/2022, par :

Julien Faugere

Développements analytiques pour l’analyse

multi-omique en chromatographie liquide
couplée à la spectrométrie de masse

Devant le jury composé de :

Dr. François BECHER, CEA Saclay Rapporteur

Dr. Frédérique COURANT, Université de Montpellier Rapporteur
Pr. Nathalie BERNOUD-HUBAC, INSA Lyon Examinatrice
Pr. Claire DEMESMAY-GUILHIN, UCBL Examinatrice
Dr. Jean ARMENGAUD, CEA Marcoule Examinateur
Dr. Arnaud CHAUMOT, INRAe Villeurbanne Invité

Pr. Arnaud SALVADOR, UCBL Directeur de thèse

Dr. Sophie AYCIRIEX, UCBL Co-directrice de thèse
 Université Claude Bernard – LYON 1
Président de l’Université M. Frédéric FLEURY
Président du Conseil Académique M. Hamda BEN HADID
Vice-Président du Conseil d’Administration M. Didier REVEL
Vice-Président du Conseil des Etudes et de la Vie M. Philippe CHEVALLIER
Universitaire
Vice-Président de la Commission de Recherche M. Petru MIRONESCU
Directeur Général des Services M. Pierre ROLLAND

COMPOSANTES SANTE
Département de Formation et Centre de Directrice : Mme Anne-Marie SCHOTT
Recherche en Biologie Humaine
Faculté d’Odontologie Doyenne : Mme Dominique SEUX
Faculté de Médecine et Maïeutique Lyon Sud - Charles Doyenne : Mme Carole BURILLON
Mérieux
Faculté de Médecine Lyon-Est Doyen : M. Gilles RODE
Institut des Sciences et Techniques de la Réadaptation Directeur : M. Xavier PERROT
(ISTR)
Institut des Sciences Pharmaceutiques et Biologiques (ISBP) Directrice : Mme Christine VINCIGUERRA

COMPOSANTES & DEPARTEMENTS DE SCIENCES & TECHNOLOGIE

Département Génie Electrique et des Procédés (GEP) Directrice : Mme Rosaria FERRIGNO
Département Informatique Directeur : M. Behzad SHARIAT
Département Mécanique Directeur M. Marc BUFFAT
Ecole Supérieure de Chimie, Physique, Electronique (CPE Directeur : Gérard PIGNAULT
Lyon)
Institut de Science Financière et d’Assurances (ISFA) Directeur : M. Nicolas LEBOISNE
Institut National du Professorat et de l’Education Administrateur Provisoire : M. Pierre CHAREYRON
Institut Universitaire de Technologie de Lyon 1 Directeur : M. Christophe VITON
Observatoire de Lyon Directrice : Mme Isabelle DANIEL
Polytechnique Lyon Directeur : Emmanuel PERRIN
UFR Biosciences Administratrice provisoire : Mme Kathrin GIESELER
UFR des Sciences et Techniques des Activités Physiques et Directeur : M. Yannick VANPOULLE
Sportives (STAPS)
UFR Faculté des Sciences Directeur : M. Bruno ANDRIOLETTI
« Une personne qui n’a jamais commis d‘erreurs n’a jamais tenté d’innover. »

Albert Einstein
 Remerciements
Les premières personnes que je tiens à remercier sont mon directeur de thèse, Arnaud Salvador, ainsi
que ma co-directrice Sophie Ayciriex. Ils ont su me transmettre l’envie de me perfectionner dans le
domaine de la spectrométrie de masse au travers de leurs enseignements et leurs passions. Merci pour
vos conseils, votre confiance et pour vos encouragements tout au long de cette thèse. J’ai beaucoup
appris à vos côtés et j’espère sincèrement avoir l’occasion de retravailler avec vous.

Je suis également reconnaissant envers mon directeur d’équipe, Jérôme Lemoine, pour avoir cru en
moi lors de cet entretien durant l’été 2017 et qui m’a permis d’intégrer cette superbe équipe
qu’est Anabio-MS. Ces années passées au sein de l’ISA ont été mémorables. J’ai eu de la chance
d’évoluer dans un laboratoire à la pointe de la technologie.

Merci à Sabine Heinisch, responsable de l’équipe chromatographie et techniques couplées de l’ISA,

pour m’avoir donné accès au système 2D ainsi qu’à l’IM-QTOF. Ces conseils en chromatographie
bidimensionnelle ont été très enrichissants. Je remercie l’ensemble de l’équipe Écotoxicologie de
l’INRAe-Villeurbanne pour leurs expertises sur mon espèce sentinelle préférée : ma petite crevette de
rivière Gammarus fossarum. Je remercie également Jean Armengaud, du laboratoire LI2D du CEA de
Marcoule, pour avoir participé à ce projet de thèse à travers son savoir précieux sur les approches en
protéogénomique.

Je remercie également mes deux rapporteurs, François Becher et Frédérique Courant ainsi que mes
examinateurs Nathalie Bernoud-Hubac, Claire Demesmay-Guilhin, Jean Armengaud, Olivier Berdeaux
pour l’évaluation de mes travaux de thèse.

Ces années passées à l’ISA n’auraient pas été les mêmes sans le soutien, la gentillesse, l’humour de
toutes les personnes que j’ai pu rencontrer dans cet institut, alors à tous ceux qui ont été là à un
moment ou à un autre, merci !

Parmi ces personnes, certaines méritent une attention particulière …

Merci à Romain, « responsable de plateforme », pour son enseignement du Scout-MRM à l’ancienne,

pour sa bonne humeur et nos fous rires ! Après ces quatre ans à le côtoyer j’ai appris que la
persévérance est un atout indéniable dans une équipe. Surtout lorsqu’il pense que le PSG peut un jour
gagner la LDC (Paris est « presque » magique). Ta tarte au citron meringuée et nos confrontations au
badminton vont me manquer (promis un jour je gagnerai un set !).

Merci à tous les doctorants, collègues et amis que j’ai eu la chance de côtoyer pendant ma thèse.
Merci, Nour pour tes enseignements, sans toi la thèse ne serait pas une expérience de vie. Merci Nico
pour ces bons moments passés ensemble à discuter du monde geek. Merci à Aurélien et mon Viking
préféré JV de m’avoir fait aimer le comique de répétitions et les jeux de mots. Merci à Éva d’avoir
partagé avec moi sa passion pour les jeux de société. Merci à Iulia d’avoir été m’a plus grande
supportrice et de m’avoir poussé à faire connaître la spéciale Faugere dans le monde entier. Merci à
Valérian, Maxime et Delphine de m’avoir accompagné et soutenu dans ma quête d’éradication de
l’appellation de la viennoiserie dont il ne faut pas prononcer le nom. Vive la dream team chocolatine !
Merci Houdini de m’en avoir fait voir de toutes les couleurs et m’avoir appris que par moment la chimie
c’est de la magie. Un grand merci à mon padawan Thomas sans qui la métabolomique ne serait pas
dans ce manuscrit de thèse. Je ne me fais pas de soucis pour le passage de flambeau, car je suis certain
que tu vas devenir le plus grand maître Jedi des analyses multi-omiques. Bon courage pour la suite !

Merci à mes ingénieurs préférés pour les moments passés ensemble. Francis, je ne cesserai de te le
dire, mais tu as un look d’enfer ! Dire qu’on aurait presque pu faire partie de la même famille. Merci,
Maud d’avoir été une si bonne partenaire de tarot, promis un jour j’arrêterai d’être mauvais perdant.
Merci Anabelle pour nos moments karaoké au milieu du labo sur des musiques plus que bof, mais
tellement bien chantées.

Merci aux personnes côtoyées au quotidien, Julie, Frédéric, Michel, Marion, Fabien, Vincent, Florence,
David, Sylvain, Lucile, Laura et l’ensemble de l’équipe Anaquant ainsi que tous ceux que j’oublie.

D’un point de vue plus personnel, il me reste encore plusieurs personnes à remercier…

Un grand merci à mes parents et ma bonne étoile qui m’ont toujours soutenu et accompagné dans les
moments de joie, comme dans les moments difficiles. Grâce à vous, j’ai eu la chance de réaliser les
études que je souhaitais faire. Merci à ma petite sœur Mélissa, je suis sûr que toi aussi tu vas devenir
une crack de la chimie. Comme quoi la chimie c’est de famille. Pour terminer, je remercie Valérie qui
m’a encouragé pendant cette thèse, en plus d’avoir la patience de me supporter au quotidien. Elle a
toujours été d’un soutien indéfectible et a contribué pour beaucoup dans la rédaction de ce manuscrit
de thèse.
 Résumé de la thèse
L’analyse de biomolécules en santé ou en environnement nécessite l’utilisation d’outils analytiques de
grande précision ainsi que des méthodes d’acquisition de données adaptées. De nombreux verrous
scientifiques peuvent être rencontrés comme le suivi limité d’un grand nombre de molécules en
spectrométrie de masse ciblée, les variations d’ionisation ou bien l’analyse simultanée de biomolécules
de propriétés physico-chimiques différentes. Les enjeux de cette thèse ont été d’optimiser et
d’améliorer l’acquisition des données dans les sciences omiques comme la protéomique, la
lipidomique et la métabolomique dans un contexte environnemental. Le premier axe de recherche a
été d’améliorer les capacités de multiplexage via un nouveau mode d’acquisition en spectrométrie de
masse ciblée, appelé Scout-MRM tout en permettant de s’affranchir du temps de rétention. Ce
développement innovant a été appliqué pour l’étude de G. fossarum, espèce sentinelle en
écotoxicologie, via le suivi en protéomique ciblée d’un grand multiplex constitué d’un panel de 157
protéines clés. Afin de faciliter le développement de méthodes ciblées en lipidomique et dans une
approche de type « plug-and-play », Scout-MRM a été employé sur différentes matrices biologiques.
Le deuxième axe de recherche a été de développer un protocole biphasique pour l’extraction
simultanée des protéines, des lipides et des métabolites d’un même échantillon. Cette approche multi-
omique a permis de mettre en exergue des signatures moléculaires au cours du développement chez
les gammarides femelles. Le troisième axe de recherche a été d’explorer les potentialités de la
chromatographie bidimensionnelle couplée à la spectrométrie de masse de haute résolution ainsi que
différentes configurations d’orthogonalité pour l’analyse des lipides.

Mots clés : Spectrométrie de masse ; Multi-omique ; Protéomique ; Lipidomique ; Métabolomique ;

Scout-MRM ; Multiplexage ; 2D-LC.
 Thesis abstract
The analysis of biomolecules in health or in environment requires the use of high precision analytical
instruments and adapted data acquisition methods. Several scientific challenges can be met such as
the limited monitoring of a large number of molecules in targeted mass spectrometry, ionization
variations or the simultaneous analysis of biomolecules with different physico-chemical properties.
The main objective of this thesis was to optimize and improve data acquisition in the omics field such
as proteomics, lipidomics and metabolomics in an environmental context. The first research axis was
to improve the multiplexing capabilities via a new acquisition mode called Scout-MRM, in targeted
mass spectrometry, free from retention time. This innovative development has been applied to the
study of G. fossarum, a sentinel species widely used in ecotoxicology, via the monitoring in targeted
proteomics of a large multiplex composed of a panel of 157 key proteins. To facilitate the development
of targeted methods in lipidomics and in a "plug-and-play" philosophy, Scout-MRM was used on
different biological matrices. The second research axis was to develop a biphasic protocol for the
simultaneous extraction of proteins, lipids, and metabolites from the same sample. This multi-omics
approach highlighted molecular signatures during the development cycle of female gammarids. The
third research axis was to explore the capabilities of two-dimensional chromatography coupled with
high resolution mass spectrometry as well as different orthogonality configurations for lipid analysis.

Keywords : Mass spectrometry ; Multi-omic ; Proteomic ; Lipidomic ; Metabolomic ; Scout-MRM ;

Multiplex approach ; 2D-LC.
 Valorisations des travaux de thèse

1. Publications scientifiques
¾ Faugere J., Gouveia D., Ayciriex S., Chaumot A., Almunia C., François A., Armengaud J., Lemoine
J., Geffard O., Degli-Esposti D., Salvador A., 2020. High-multiplexed monitoring of protein
biomarkers in the sentinel Gammarus fossarum by targeted Scout-MRM assay, a new vision
for ecotoxicoproteomics. Journal of proteomics 226, 103901.

DOI: 10.1016/j.jprot.2020.103901

¾ Leprêtre M., Palos-Ladeiro M., Faugere J., Almunia C., Lemoine J., Armengaud J., Geffard
A., Salvador A., 2020. From shotgun to targeted proteomics: rapid Scout-MRM assay
development for monitoring potential immunomarkers in Dreissena polymorpha. Analytical
and Bioanalytical Chemistry 412, 7333–7347.

DOI: 10.1007/s00216-020-02868-2

¾ Faugere J., Brunet T., Clément Y., Espeyte A., Geffard O., Lemoine J., Chaumot A., Degli-Esposti
D., Ayciriex S., Salvador A. Development of a multi-omics extraction method for
ecotoxicology: in depth investigation of the reproductive cycle of Gammarus fossarum.
Soumis dans le Journal Talanta.

¾ Faugere J., Lemoine J., Ayciriex S., Salvador A. Toward a targeted method for a rapid lipid
profiling of complex lipidome with Scout-MRM. En préparation.

2. Communications orales
¾ Faugere J., Novembre 2020. Développement d’approches multi-omiques par LC-MS/MS
ciblées chez l’espèce sentinelle G. fossarum. GDR d’écotoxicologie aquatique, Bordeaux.
¾ Faugere J., Mars 2021. Développement d'une nouvelle méthode ciblée et hautement
multiplexée pour un profilage rapide de lipidomes complexes par Scout-MRM. Rencontre du
club jeune de la Société Française de Spectrométrie de Masse 2021, en ligne.
¾ Faugere J., Juin 2021. Développement d'une nouvelle méthode ciblée et hautement
multiplexée pour un profilage rapide de lipidomes complexes par Scout-MRM. Journée
Française de spectrométrie de masse 2021, en ligne.

3. Communication sous la forme de poster

¾ Faugere J., Mars 2019. Développement d’approches multi-omiques par LC-MS/MS ciblée
chez l’espèce sentinelle G. fossarum. 13ème Congrès de l'Association Francophone des
Sciences Séparatives, Paris.
 Liste des abréviations
Signification anglaise Signification française

1D-LC : ● One-dimensional liquid chromatography ● Chromatographie liquide unidimensionnelle

2D-LC : ● Two-dimensional liquid chromatography ● Chromatographie liquide bidimensionnelle
ACN : ● Acetonitrile ● Acétonitrile
ACP ou PCA : ● Principal component analysis ● Analyse en composantes principales
ADN ou DNA : ● Deoxyribonucleic acid ● Acide désoxyribonucléique
AFM ou FMA : ● Multiple Factor Analysis ● Analyse factorielle multiple
Ag-LC : ● Chromatography with silver columns ● Chromatographie avec des colonnes en
argent
AMBIC : ● Amonium bicarbonate ● Bicarbonate d'ammonium
ARN ou RNA : ● Ribonucleic acid ● Acide ribonucléique
ARNm ou : ● Messenger ribonucleic acid ● Acide ribonucléique messager
RNAm
ATP : ● Adenosine triphosphate ● Adénosine triphosphate
CE : ● Collision energy ● Energie de collision
Cer : ● Ceramide ● Céramide
CV ou RSD : ● Relative standard deviation ● Coefficient de variation
D1 : ● First dimension ● Première dimension
D2 : ● Second dimension ● Deuxième dimension
Da : ● Dalton ● Dalton
DCM : ● Dichloromethane ● Dichlorométhane
DDA : ● Data Dependant Acquisition ● Acquisition dépendante des données
DTT : ● Dithiothreitol ● Dithiothréitol
DG : ● Diacylglycerol or diglyceride ● Diacylglycérol ou diglycéride
DI/MS : ● Direct infusion ● Infusion directe
DIA : ● Data Independent Acquisition ● Acquisition indépendante des données
DP : ● Declustering potential ● Potentiel de déclusterisation
DT : ● Dwell time ● Dwell time
ECN : ● Equivalent carbon number ● Nombre équivalent de carbone
ESI(+) ou ESI(-) : ● Positive or negative electrospray ionisation ● Ionisation électrospray positive ou négative
EtOH : ● Ethanol ● Ethanol
FA ou AG : ● Fatty acid ● Acide gras
 Signification anglaise Signification française
FDA : ● Food and Drug Administration ● Agence des produits alimentaires et
médicamenteux
FDR : ● False Discovery Rate ● Taux de fausses découvertes
FIA : ● Flow Injection Analysis ● Analyse à flux continu
GAPDH : ● Glyceraldehyde 3-phosphate ● Glycéraldéhyde 3-phosphate
dehydrogenase déshydrogénase
GC : ● Gas chromatography ● Chromatographie en phase gazeuse
GC-FID : ● Gas chromatography coupled to a flame ● Chromatographie en phase gaz couplée à un
ionization detector détecteur à ionisation de flamme
HILIC : ● Hydrophilic Interaction Chromatography ● Chromatographie par interaction hydrophile
HPLC : ● High performance liquid chromatography ● Chromatographie liquide haute
performance
HRMS : ● High resolution mass spectrometry ● Spectrométrie de masse de haute résolution
IAM : ● Iodoacetamide ● Iodoacétamide
IEC : ● Ion exchange chromatography ● Chromatographie d’échange d’ion
IM : ● Ion mobility ● Mobilité ionique
IPA : ● Isopropanol ● Isopropanol
ISTD : ● Internal standard ● Standard interne
JH : ● Juvenile hormone ● Hormone juvénile
LC : ● Liquid chromatography ● Chromatographie en phase liquide
LC-LC : ● Multiple heart cut liquid chromatography ● Chromatographie liquide de coupe à cœur
multiple
LCxLC : ● Comprehensive liquid chromatography ● Chromatographie liquide complète
LLE : ● Liquid-liquid extraction ● Extraction liquide-liquide
LOD : ● Limit of detection ● Limite de détection
LOQ : ● Limit of quantification ● Limite de quantification
LPA : ● Lysophosphatidic acid ● Acide lysophosphatidique
LPC : ● Lysophosphocholines ● Lysophosphocholéines
LPE : ● Lysophosphoethanolamine ● Lysophosphoéthanolamine
LPG : ● Lysophosphatidylglycerol ● Lysophosphatidylglycérol
LPI : ● Lysophosphatidylinositol ● Lysophosphatidylinositol
LPL : ● Lysophospholipid ● Lysophospholipide
m/z : ● Mass on charge ● Masse sur charge
MAE : ● Microwave assisted extraction ● Extraction assistée par micro-ondes
 Signification anglaise Signification française
MALDI : ● Matrix Assisted Laser Desorption Ionization ●Ionisation par désorption laser assistée par
matrice
ME : ● Malic enzyme ● Enzyme malique
MeOH : ● Methanol ● Méthanol
MG : ● Monoacylglycerol or monoglyceride ● Monoacylglycérol ou monoglycéride
m-NBA : ● Meta-nitrobenzyl alcohol ● Alcool méta-nitrobenzylique
MRM : ● Multiple reaction monitoring ● Multiple reaction monitoring
MRM3 : ● Multiple reaction monitoring cubed ● Multiple reaction monitoring cube
MRM-HR : ● High resolution multiple reaction ● Multiple reaction monitoring haute
monitoring résolution
MS : ● Mass spectrometry ● Spectrométrie de masse
MS/MS : ● Tandem mass spectrometry ● Spectrométrie de masse en tandem
MS1 : ● Precursor ion spectrum ● Spectre d'ion précurseur
MS2 : ● Fragment ion spectrum ● Spectres d'ion fragment
MTBE : ● Methyl tert-butyl ether ● Méthyl tert-butyl éther
NPLC : ● Normal phase liquid chromatography ● Chromatographie liquide de phase normale
PA : ● Phosphatidic acid ● Acide phosphatidique
PC : ● Phosphatidylcholine ● Phosphatidylcholine
PCB : ● Polychlorinated biphenyl ● Polychlorobiphényle
PCs : ● Principal components ● Composantes principales
PE : ● Phosphatidylethanolamine ● Phosphatidyléthanolamine
PG : ● Phosphatidylglycerol ● Phosphatidylglycérol
PI : ● Phosphatidylinositol ● Phosphatidylinositol
PL : ● Phospholipid ● Phospholipide
PLS-DA : ● Partial least squares discriminant analysis ● Analyse discriminante des moindres carrés
partiels
PRM : ● Parallel Reaction Monitoring ● Parallel Reaction Monitoring
PS : ● Phosphatidylserine ● Phosphatidylsérine
PSMs : ● Peptide-to-spectrum matches ● Correspondances peptide-spectre
Q : ● Quadripole ● Quadripole
Q/LIT : ● Hybrid quadrupole / linear ion trap ● Quadripôle hybride / trappe d’ion linéaire
QQQ ou QqQ : ● Triple quadripole ● Triple quadripole
QTrap : ● Quadripule Ion Trap ● Piège à ions à quadripolaire
R : ● Resolution ● Résolution
 Signification anglaise Signification française
R² : ● R-squared ● Coefficient de détermination
RMN : ● Nuclear magnetic resonance ● Résonance magnétique nucléaire
RPLC : ● Reverse phase liquid chromatography ● Chromatographie liquide de phase inverse
RT : ● Retention time ● Temps de rétention
S/B ou S/N : ● Signal to noise ● Signal sur bruit
SDS-PAGE : ● Electrophoresis in polyacrylamide gel ● Electrophorèse en gel de polyacrylamide
containing sodium dodecysulfate contenant du dodécysulfate de sodium
SEC : ● Size exclusion chromatography ● Chromatographie d’exclusion stérique
SIMS : ● Secondary-ion mass spectrometry ● Spectrométrie de masse des ions secondaires
SLE : ● Solid-liquid extraction ● Extraction solide liquide
SM : ● Sphingomyelin ● Sphingomyéline
sMRM : ● Scheduled-MRM ● Scheduled-MRM
sn : ● Stereospecific numbering ● Numérotation stéréospécifique
SPE : ● Solid-phase extraction ● Extraction en phase solide
sPRM : ● Scheduled-Parallel Reaction Monitoring ● Scheduled-Parallel Reaction Monitoring
SRM : ● Single Reaction Monitoring ● Single Reaction Monitoring
SWATH : ● Sequencial Windowed Acquisition of All ● Acquisition séquentielle fenêtrée de tous les
THeoretical fragment ions ions fragments théorétiques
TFA : ● Trifluoroacetic acid ● Acide trifluoroacétique
TG : ● Triacylglycerol or triglyceride ● Triacylglycérol ou triglycéride
TOF : ● Time of flight ● Temps de vol
UV : ● Ultraviolet ● Ultraviolet
V0 : ● Dead volume ● Volume mort
VIP : ● Variable Importance in Projection ● Importance de la variable dans la projection
VTG : ● Vitellogenin ● Vitellogénine
 Table des matières
Introduction générale ...............................................................................................................................................1
Chapitre 1 : Étude bibliographique ............................................................................................................................5
1. Les sciences omiques combinées ou approches multi-omiques .............................................................................. 5
1.1. La génomique ................................................................................................................................................... 5
1.2. Les études phénotypiques ................................................................................................................................ 6
1.2.1. Transcriptomique..................................................................................................................................... 6
1.2.2. Protéomique ............................................................................................................................................ 6
1.2.3. La Métabolomique ................................................................................................................................... 8
1.3. Les approches combinées ................................................................................................................................. 9
1.4. Approches multi-omiques : émergence du concept et application ................................................................ 11
2. La spectrométrie de masse, un outil de choix pour les approches « omiques » .................................................... 13
2.1. Les approches sans a priori............................................................................................................................. 14
2.1.1. Le mode d’acquisition DDA .................................................................................................................... 14
2.1.2. Le mode d’acquisition DIA ..................................................................................................................... 15
2.2. Les approches avec a priori ............................................................................................................................ 17
2.2.1. Le mode d’acquisition Multiple Reaction Monitoring (MRM) ............................................................... 17
2.2.2. Le mode d’acquisition Parallele Reaction Monitoring (PRM) ................................................................ 18
2.3. Quelles sont les limites des méthodes MRM en termes de capacité de multiplexage et comment les
améliorer ? ............................................................................................................................................................ 19
2.3.1. Évaluation des capacités de multiplexage en mode MRM .................................................................... 19
2.3.2. Capacité de multiplexage du mode MRM versus PRM .......................................................................... 21
2.3.3. Mise en place de méthodes avec fenêtres de temps (Scheduled-MRM) .............................................. 22
2.3.4. Un nouveau mode d’acquisition : Scout-MRM ...................................................................................... 23
2.3.5. Quels sont les plus grands multiplexes en approche ciblée dans les différentes sciences omiques ? .. 24
2.4. Analyse par infusion directe ........................................................................................................................... 25
3. Diminution de la complexité d’un échantillon grâce à une dimension de séparation en amont du spectromètre de
masse ......................................................................................................................................................................... 26
3.1. Techniques séparatives en métabolomique polaire ....................................................................................... 26
3.2. Techniques séparatives en lipidomique ......................................................................................................... 28
3.3. Techniques séparatives en protéomique ....................................................................................................... 29
4. Mise en place d’une méthode chromatographique avancée : la chromatographie liquide bidimensionnelle ...... 32
4.1. Les différents modes 2D ................................................................................................................................. 34
4.1.1. Hors ligne ............................................................................................................................................... 34
4.1.2. En ligne .................................................................................................................................................. 34
4.1.3. Comparaison des 3 modes ..................................................................................................................... 37
4.2. Problèmes rencontrés en 2D-LC ..................................................................................................................... 37
4.2.1. Les effets à l’injection ............................................................................................................................ 37
 4.2.2. Couplage avec la spectrométrie de masse et les sources ESI ................................................................ 40
4.2.3. Traitement des données ........................................................................................................................ 41
4.3. La 2D-LC dans le cadre des analyses lipidomiques ......................................................................................... 43
4.3.1. Les approches hors ligne pour l’analyse des lipides .............................................................................. 45
4.3.2. Les approches en ligne pour l’analyse des lipides ................................................................................. 45
5. De la préparation omique individualisée à la préparation multi-omique à partir d’un échantillon unique .......... 49
5.1. Préparation d’échantillon en protéomique .................................................................................................... 49
5.1.1. Extraction des protéines ........................................................................................................................ 49
5.1.2. Digestion des protéines lors de l’approche Bottom-up ......................................................................... 50
5.2. Préparation d’échantillon en lipidomique ...................................................................................................... 50
5.3. Préparation d’échantillon en métabolomique ............................................................................................... 51
5.4. Protocole d’extraction multi-omique à partir d’un échantillon unique.......................................................... 53
5.4.1. Protocole SIMPLEX et MPLEx ................................................................................................................. 53
5.4.2. Protocole à double extractions .............................................................................................................. 56
5.4.3. Protocole « Single-Step extraction » avec séparation chromatographique en HILIC ............................ 60
5.4.4. Protocole de Vorreiter ........................................................................................................................... 63
6. Les sciences omiques en écotoxicologie ................................................................................................................ 65
6.1. Écotoxicologie et biomarqueur ...................................................................................................................... 65
6.1.1. Qu’est-ce que l’écotoxicologie ? ............................................................................................................ 65
6.1.2. Biomarqueur : outil de prédilection en écotoxicologie ......................................................................... 66
6.2. Utilisation d’organismes sentinelles en écotoxicologie .................................................................................. 67
6.2.1. Qu’est-ce qu’une espèce sentinelle ? .................................................................................................... 67
6.2.2. Les espèces sentinelles dans les écosystèmes aquatiques .................................................................... 67
6.2.3. L’espèce sentinelle Gammarus fossarum .............................................................................................. 69
6.2.4. Cycle reproducteur et cycle de mue chez l’espèce G. fossarum femelle ............................................... 70
6.3. Objectifs et enjeux des omiques pour l’écotoxicologie .................................................................................. 72
6.3.1. Apport de la protéomique pour l’écotoxicologie................................................................................... 72
6.3.2. La protéogénomique : outil de prédilection pour les organismes non modèle ..................................... 75
6.3.3. Apport de la lipidomique pour l’écotoxicologie..................................................................................... 77
6.3.4. Apport de la métabolomique pour l’écotoxicologie .............................................................................. 79
Chapitre 2 : Scout-MRM, un nouveau mode d’acquisition pour augmenter les capacités de multiplexage en
écotoxicoprotéomique. ...........................................................................................................................................81
1. Contexte de l’étude ................................................................................................................................................ 81
2. Résumé de la méthodologie pour l’élaboration de la méthode Scout-MRM chez l’espèce sentinelle G. fossarum
................................................................................................................................................................................... 83
3. Publication n°1 : High-multiplexed monitoring of protein biomarkers in the sentinel G.fossarum by targeted Scout-
MRM assay, a new vision for ecotoxicoproteomics ................................................................................................... 85
3.1. Abstract .......................................................................................................................................................... 85
3.2. Biological significance ..................................................................................................................................... 86
 3.3. Introduction .................................................................................................................................................... 86
3.4. Materials and Methods .................................................................................................................................. 88
3.4.1. Reagents and chemicals ......................................................................................................................... 88
3.4.2. Collection and maintenance of G. fossarum organisms ........................................................................ 88
3.4.3. Sample preparation for shotgun proteomics ......................................................................................... 88
3.4.4. Sample preparation for Scout-MRM assay ............................................................................................ 89
3.4.5. Standards (SIL peptides, scout peptides) preparation ........................................................................... 89
3.4.6. Nano LC-MS/MS analysis on high resolution mass spectrometry ......................................................... 89
3.4.7. Liquid chromatography and targeted mass spectrometry .................................................................... 90
3.4.8. MS/MS spectra interpretation from GFOSS database ........................................................................... 90
3.4.9. Candidate list for Scout-MRM assay development ................................................................................ 91
3.4.10. Method validation for Scout-MRM assay ............................................................................................ 91
3.4.11. Data analysis ........................................................................................................................................ 92
3.4.12. Application of the assay ....................................................................................................................... 92
3.5. Results and discussion .................................................................................................................................... 93
3.5.1. Selection of proteins of interest from proteogenomics and DDA analysis ............................................ 93
3.5.2. Reporter peptide identification and MS optimization in targeted MS approach .................................. 93
3.5.3. Improvement of multiplexing capacity .................................................................................................. 95
3.5.4. Scout-MRM method optimisation ......................................................................................................... 98
3.5.5. Analytical performance evaluation of the assay for quantification ..................................................... 100
3.5.6. Application of Scout-MRM assay : comparative proteomic analysis using active biomonitoring in an
agriculture watershed.................................................................................................................................... 103
3.6. Conclusion .................................................................................................................................................... 106
3.7. Supplementary material of the first publication .......................................................................................... 106
3.8. Application de la méthode multiplexée pour l’analyse de cohortes d’échantillons dans le cadre d’études
écotoxicologiques ................................................................................................................................................ 107
3.8.1. Transfert de la méthode de dosage protéique appliquée à G. fossarum entre le laboratoire Anabio-MS
et l’INRAe ....................................................................................................................................................... 107
3.8.2. Mise en évidence d’effets de lots lors d’études comparatives avec des approches protéomiques .... 108
3.9. Méthode de transfert rapide entre les approches shotgun et ciblée via l’utilisation du Scout-MRM ......... 110
4. Conclusion générale du chapitre .......................................................................................................................... 112
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention ...................... 114
1. Contexte de l’étude .............................................................................................................................................. 114
2. Matériels et méthodes ......................................................................................................................................... 115
2.1. Réactifs et produits chimiques ..................................................................................................................... 115
2.2. Préparation des composés scouts ................................................................................................................ 115
2.3. Préparation des échantillons ........................................................................................................................ 116
2.4. Analyse lipidomique par LC-MS/MS ............................................................................................................. 117
2.5. Comparaison des modes Scheduled-MRM versus Scout-MRM ................................................................... 118
 2.5.1. Variation du gradient chromatographique .......................................................................................... 118
2.5.2. Modification de la composition de la phase mobile B ......................................................................... 118
2.5.3. Étude du dwell time et du nombre de points par pic chromatographique en fonction de la répétabilité
de mesure ...................................................................................................................................................... 119
2.6. Balayage de perte de neutre pour l’analyse des triacylglycérols.................................................................. 119
2.7. Validation de la méthode Scout-MRM ......................................................................................................... 120
2.8. Acquisition et retraitement des données ..................................................................................................... 121
3. Résultats ............................................................................................................................................................... 121
3.1. Nomenclature et profils de fragmentation des lipides dans la base de données associée à la méthode Scout-
MRM .................................................................................................................................................................... 121
3.1.1. Nomenclature des lipides .................................................................................................................... 121
3.1.2. Fragmentation des lipides ................................................................................................................... 123
3.2. Optimisation du gradient chromatographique............................................................................................. 126
3.2.1. Choix de la phase stationnaire et des phases mobiles ........................................................................ 126
3.2.2. Validation du gradient chromatographique ........................................................................................ 127
3.3. Construction de la méthode Scout-MRM ..................................................................................................... 131
3.3.1. Critères de sélection d’un scout idéal .................................................................................................. 132
3.3.2. Choix des composés scouts en lipidomique ........................................................................................ 133
3.3.3. Attribution des composés aux différents groupes de scouts ............................................................... 134
3.3.4. Quelles sont les limites de la capacité de multiplexage en Scout-MRM ? ........................................... 135
3.4. Règles de sélection des transitions MRM à ajouter dans la méthode Scout-MRM ...................................... 137
3.4.1. Choix des transitions pour les lysophospholipides et les sphingomyélines ......................................... 138
3.4.2. Choix des transitions pour les phospholipides, les céramides et les glycérolipides autres que les
triacylglycérols. .............................................................................................................................................. 138
3.4.3. Choix des transitions pour les triacylglycérols ..................................................................................... 139
3.5. Construction d’une base de données à l’aide des modèles de rétention ..................................................... 142
3.5.1. Modèle du nombre de carbones équivalents (ECN) ............................................................................ 142
3.5.2. Développement de la base de données............................................................................................... 143
3.5.3. Incertitude associée à la séparation d’isomères .................................................................................. 144
3.5.4. Incertitude en dehors des modèles de prédiction ............................................................................... 145
3.6. Méthodologie pour améliorer la base de données ...................................................................................... 146
3.6.1. 1ère méthodologie : Amélioration de la base de données en temps de rétention à partir de conditions
LC imposées ................................................................................................................................................... 147
3.6.2. 2ème méthodologie : Amélioration de la base de données en temps de rétention à partir de conditions
LC variables .................................................................................................................................................... 149
3.7. Transférabilité du Scout-MRM ..................................................................................................................... 151
3.7.1. Indépendance des temps de rétention de la méthodologie Scout-MRM............................................ 151
3.7.2. Changement de phase stationnaire et potentiels changements de sélectivité en Scout-MRM .......... 152
3.8. Évaluation du Scout-MRM en tant que méthode de caractérisation et de quantification simultanée pour
l’analyse de lipides............................................................................................................................................... 156
 3.8.1. Répétabilité de la méthode Scout-MRM ............................................................................................. 156
3.8.2. Domaine de linéarité et LOQ de la méthode Scout-MRM ................................................................... 157
3.9. Conclusion .................................................................................................................................................... 159
Chapitre 4 : Développement d'une méthode d'extraction multi-omique en écotoxicologie .................................. 161
1. Contexte de l’étude .............................................................................................................................................. 161
2. Publication n°2 ..................................................................................................................................................... 163
2.1. Abstract ........................................................................................................................................................ 163
2.2. Introduction .................................................................................................................................................. 164
2.3. Materials and methods................................................................................................................................. 166
2.3.1. Reagents and chemicals ....................................................................................................................... 166
2.3.2. Biological sample collection ................................................................................................................. 167
2.3.3. Evaluation of homogenization conditions ........................................................................................... 167
2.3.4. Reference protocol for proteomics sample preparation ..................................................................... 168
2.3.5. Evaluation of protein fraction after dual protein precipitation procedure ......................................... 168
2.3.6. Reference protocol for metabolomics sample preparation ................................................................ 168
2.3.7. Recovery and repeatability evaluation during multi-omics extraction procedure .............................. 169
2.3.8. Multi-omics extraction procedure for the biological application ........................................................ 169
2.3.9. Liquid chromatography - Multiple Reaction Monitoring- mass spectrometry (LC-MRM-MS) ............. 170
2.3.10. Data analysis ...................................................................................................................................... 171
2.4. Results and discussion .................................................................................................................................. 172
2.4.1. Comparison of protein extraction methods ........................................................................................ 172
2.4.2. Evaluation of homogenization condition on lipids .............................................................................. 175
2.4.3. Evaluation of the metabolite fraction .................................................................................................. 176
2.4.4. Comparison of multi-omics extraction method versus single omics ................................................... 177
2.4.5. Repeatability ........................................................................................................................................ 180
2.4.6. Multi-omics method application.......................................................................................................... 181
3. Conclusion ............................................................................................................................................................ 189
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique ................................................ 190
1. Pourquoi développer des méthodes bidimensionnelles en lipidomique ? .......................................................... 190
2. Matériels et méthodes ......................................................................................................................................... 193
2.1. Réactifs et produits chimiques ..................................................................................................................... 193
2.2. Collecte des échantillons .............................................................................................................................. 193
2.3. Extraction des lipides .................................................................................................................................... 194
2.3.1. Broyage et extraction liquide-liquide .................................................................................................. 194
2.3.2. Évaporation et dilution avant injection ............................................................................................... 194
2.4. Étude des effets à l’injection en RPLC-HILIC hors ligne ................................................................................ 194
2.5. Utilisation du collecteur de fractions pour les analyses HILIC-RPLC en mode hors ligne ............................. 195
2.6. Paramètres de masse des analyses réalisées sur le système Qtrap 5500 .................................................... 196
 2.7. 2D-LC comprehensive et spectrométrie de masse (QTOF) ........................................................................... 196
2.8. 2D-LC multiple heart cut en ligne et spectrométrie de masse (QTOF) ......................................................... 198
2.9. Acquisition et retraitement des données 2D ................................................................................................ 199
3. Résultats et discussion ......................................................................................................................................... 200
3.1. Avantage de la chromatographie HILIC en tant que 1ère dimension lors des analyses 2D-LC pour la lipidomique
............................................................................................................................................................................. 200
3.2. Choix de la phase stationnaire en 1ère dimension et 2ème dimension ........................................................... 201
3.3. Étude des effets à l’injection et mise en place du split................................................................................. 203
3.3.1. RPLC en 1ère dimension et HILIC en 2ème dimension ............................................................................. 204
3.3.2. HILIC en 1ère dimension et RPLC en 2ème dimension ............................................................................. 206
3.4. Étude du mode comprehensive pour des applications lipidomiques selon la configuration HILICxRPLC-MS/MS
............................................................................................................................................................................. 207
3.4.1. Présentation du système envisagé ...................................................................................................... 207
3.4.2. Mise en évidence d’un manque de résolution en 2ème dimension lors de la configuration HILICxRPLC
....................................................................................................................................................................... 209
3.5. Problématiques rencontrées lors de l’analyse des lysophospholipides en chromatographie HILIC de 1ère
dimension ............................................................................................................................................................ 210
3.6. Optimisation de la méthode multiple heart cut HILIC-RPLC-MS/MS ............................................................ 212
3.6.1. Présentation du système envisagé ...................................................................................................... 212
3.6.2. Mise au point du gradient HILIC en 1ère dimension ............................................................................. 213
3.6.3. Mise au point du gradient RPLC en 2ème dimension............................................................................. 218
3.6.4. Optimisation des paramètres de masse du QTOF ............................................................................... 220
3.7. Application de la méthode LC-LC en ligne .................................................................................................... 223
3.8. Bilan de l’approche LC-LC en lipidomique comparée à l’approche LCxLC .................................................... 224
3.8.1. Inconvénients du mode LC-LC vis-à-vis du mode LCxLC ...................................................................... 224
3.8.2. Avantage du mode LC-LC en lipidomique ............................................................................................ 226
4. Conclusion et perspectives................................................................................................................................... 228
Conclusion générale .............................................................................................................................................. 230
Annexes ................................................................................................................................................................ 234
Références bibliographiques ................................................................................................................................. 270
 Liste des figures
Figure 1 : Cascade des omiques en fonction de la réponse génotypique et phénotypique [3].............. 6

Figure 2 : Approche Top-down versus Bottom-up lors d’une analyse en protéomique (Adapté de la
publication de Gregorich et al. [8]). ........................................................................................................ 7

Figure 3 : Nombre de publications sur la période de 2005 à 2020 associant les mots clés Spectrométrie
de masse à Protéomique ou Lipidomique ou Métabolomique répertoriées sur le site internet « web of
science ». ............................................................................................................................................... 13

Figure 4 : Principe des analyses en acquisition dépendante des données (DDA) avec un Top 3 comme
exemple (Adapté de la publication de Ludwig et al. [29]). ................................................................... 15

Figure 5 : Principe du mode DIA. (A) En mode DIA, un seul spectre d'ions précurseurs (MS 1) est
enregistré, suivi d'une série de spectres d'ions fragments (MS2) avec de larges fenêtres d’isolement en
précurseurs (ex. 25 m/z) [29]. ............................................................................................................... 16

Figure 6 : Principe de la MRM et la MRM3. ........................................................................................... 18

Figure 7 : Principe de la PRM................................................................................................................. 19

Figure 8 : Évolution de la capacité de multiplexage en fonction des paramètres de masse (Adapté de la

thèse de Blandine Rougemont [39]). .................................................................................................... 21

Figure 9 : Différence entre la MRM et la sMRM.. ................................................................................. 23

Figure 10 : Comparaison de la séparation chromatographique des lipides en mode RPLC et en mode

HILIC pour l’analyse lipidique. (A) En HILIC, les lipides d’une même famille se superposent tandis que
les familles sont bien séparées entre elles [80]. (B) En mode RPLC, les lipides sont bien séparés au sein
d’une même famille. En revanche, il y a une co-élution entre les familles [55]. .................................. 29

Figure 11 : Séparation d’un ensemble de peptides en HILIC avec 0,5% de m-NBA (p/v) dans la phase
mobile (partie inférieure) et RPLC (partie supérieure) [87]. ................................................................. 31

Figure 12 : Exemple de mesure de l’espace de séparation pour un système LCxLC [97]. .................... 33

Figure 13 : Principe de la chromatographie 2D en mode multiple heart cut [106]. ............................. 35

Figure 14 : Principe de la chromatographie 2D en mode comprehensive [106]. .................................. 36

Figure 15 : Évolution de la forme des pics lors de l’augmentation du volume d’injection par rapport au
volume mort de la colonne (V0) [114]. ................................................................................................. 39

Figure 16 : Variation de l’aire du pic en fonction de la concentration dans des conditions de total
breakthrough [114]. .............................................................................................................................. 40

Figure 17 : Mise en forme de la collection de chromatogrammes de 2ème dimension en un

chromatogramme 2D-LC [121]. ............................................................................................................. 42

Figure 18 : Schéma du système d'interface 2D-LC NP-RP basé sur une vanne à deux positions à dix ports
avec une interface de séchage en ligne [130]. ...................................................................................... 45

Figure 19 : Schéma d'un système 2D-LC à débit arrêté en 1ère dimension [132]. ................................. 46

Figure 20 : Schéma du système 2D-LC de type heart cut [128]. ........................................................... 47

Figure 21 : Illustration d’un échantillon issu du processus MPLEx [160]. ............................................. 54

Figure 22 : Protocole simplifié des procédures SIMPLEX et MPLEx ...................................................... 54

Figure 23 : Comparaison entre le protocole MPLEx et des protocoles de référence en protéomique

[158]. ..................................................................................................................................................... 55

Figure 24 : Comparaison entre le protocole SIMPLEX et un protocole de référence en protéomique et

métabolomique [159]............................................................................................................................ 56

Figure 25 : Schéma expérimental des méthodes d'extraction classique et double extractions utilisées
pour effectuer des analyses métabolomiques et lipidomiques (Adapté de la publication de Villaret-
Cazadamont et al. [155]). ...................................................................................................................... 57

Figure 26 : Comparaison de la récupération des métabolites polaires avec la méthode classique (barres
noires) et la méthode double extractions (barres blanches) [155]....................................................... 58

Figure 27 : Comparaison de la quantification des classes de lipides entre la méthode classique et la

méthode de double extractions [155]................................................................................................... 59

Figure 28 : Comparaison de la distribution des espèces de sphingomyélines (SM) et de triglycérides

(TG) entre les méthodes d'extraction classique et double extractions [155]. ...................................... 59

Figure 29 : One step extraction versus extraction MTBE : Préparation des échantillons (Adapté de la
publication de Medina et al. [166]). ...................................................................................................... 60
Figure 30 : Abondance relative du signal (par classe de lipides) par rapport au signal récupéré avec
l'extraction biphasique à l'éther méthyl-tert-butylique (MTBE) [166]. ................................................ 62

Figure 31 : L'abondance relative des classes de métabolites polaires dans les extraits IPA et BUME par
rapport à l'extrait plasmatique MeOH [166]......................................................................................... 62

Figure 32 : Schéma de la procédure d'extraction permettant d’extraire et de séparer les

protéines/métabolites/ADN/ARN à partir d’un extrait cellulaire unique (Adapté de la publication de
Vorreiter et al. [167]). ........................................................................................................................... 64

Figure 33 : Évaluation du risque écotoxicologique et représentation des réponses induites au sein d’un
organisme en réponse à une contamination (Adapté de la thèse de Judith Trapp [170]). .................. 66

Figure 34 : Organisme Gammarus fossarum utilisé comme espèce sentinelle pour le développement
d’indicateur de la contamination chimique des milieux aquatiques. ................................................... 69

Figure 35 : Schéma représentant la procédure utilisée pour déterminer le stade d’inter-mue des
organismes G. fossarum [170]............................................................................................................... 70

Figure 36 : Changements intertégumentales à l’extrémité des périopodes 3 et 4 chez G. fossarum au

cours du cycle de mue [195]. ................................................................................................................ 71

Figure 37 : Stades de mue corrélés aux stades embryonnaires chez la femelle G. fossarum [170]. .... 72

Figure 38 : Évolution, au cours du temps, des techniques de protéomique utilisées dans les approches
écotoxicologiques (Adapté de la thèse de Duarte Domingos Gouveia [204]). ..................................... 73

Figure 39 : Identification des protéines par protéogénomique. Les données génomiques et

transcriptomiques sont utilisées pour générer des bases de données de séquences protéiques
permettant l’interprétation de spectres de masse issus d’analyses nano LC-MS/MS avec une approche
shotgun. ................................................................................................................................................. 76

Figure 40 : Localisation du PC 34:1 dans une coupe verticale de G. fossarum par MALDI MSI [198]. . 78

Figure 41 : Résumé de la méthodologie Scout-MRM dans le cadre de la publication High-multiplexed

monitoring of protein biomarkers in the sentinel Gammarus fossarum by targeted Scout-MRM assay,
a new vision for ecotoxicoproteomics [86]. ........................................................................................... 84

Figure 42 : Identification of endogenous peptides from G. fossarum by MRM and selection of

transitions.............................................................................................................................................. 94
Figure 43 : Correlation curve plotting the retention time of peptides identified by proteogenomics to
the peptide retention time obtained in MRM.. .................................................................................... 95

Figure 44 : Effects of RT shifts for targeted peptides monitored by Scheduled-MRM® versus Scout-MRM
method.. ................................................................................................................................................ 96

Figure 45 : Scout-MRM concept.. .......................................................................................................... 97

Figure 46 : Correlation study between 3 MRM transitions of the same peptide.. ............................... 98

Figure 47 : Area ratio between 3 peptides of the same protein. .......................................................... 99

Figure 48 : Assessment of the correlation study of peptide ratios for the same protein. .................. 100

Figure 49 : Repeatability of endogenous peptides : Average intensity of the MRM transitions presents
in the Scout-MRM method according to their repeatability............................................................... 101

Figure 50 : Variation of the areas of heavy peptides spiked in different gammarid extracts. ............ 102

Figure 51 : Example of calibration curves for 4 isotopically enriched peptides.................................. 103

Figure 52 : Comparative proteomic analysis using active biomonitoring in an agriculture watershed.

............................................................................................................................................................. 105

Figure 53 : Mise en évidence de l’effet de lots. .................................................................................. 108

Figure 54 : Stratégie pour convertir une méthode de quantification en protéomique shotgun vers de la
protéomique ciblée, en utilisant la méthodologie Scout-MRM [271]. ............................................... 111

Figure 55 : Règles de nomenclature des lipides en accord avec celles utilisées par la base de données
Lipid maps [278].. ................................................................................................................................ 122

Figure 56 : Diversité moléculaire du phospholipide PC 34:1 [279]. .................................................... 123

Figure 57 : Schémas de fragmentation des lipides.............................................................................. 124

Figure 58 : Différence de structures entre sn-2 et sn-1 pour les LPC. ................................................ 127

Figure 59 : Séparation des LPC en chromatographie de phase inverse avec deux conditions
chromatographiques différentes. ....................................................................................................... 127

Figure 60 : Problèmes d’interférences isobariques entre deux lipides qui ne diffèrent que d’une
insaturation. ........................................................................................................................................ 128
Figure 61 : Recouvrement du massif isotopique du TG 54:3 et du TG 54:4........................................ 129

Figure 62 : Séparation chromatographique de lipides de G. fossarum selon les conditions

chromatographiques décrites dans le tableau n°7. ............................................................................ 130

Figure 63 : Exemple de séparation chromatographique de TG de G. fossarum selon les conditions

chromatographiques décrites dans le tableau n°7. ............................................................................ 131

Figure 64 : Fonctionnement du déclenchement des groupes scouts en fonction de l’intensité des scouts
et de la présence d’interférents. ......................................................................................................... 132

Figure 65 : Distribution des lipides scouts le long du gradient chromatographique. ......................... 133

Figure 66 : Remplissage des groupes scouts avec les transitions MRM d'intérêts selon la présence ou
l'absence d'une co-élution avec un composé scout. ........................................................................... 134

Figure 67 : Impact de la diminution du dwell time et du nombre de points par pic chromatographique
sur la répétabilité de l’intégration des aires d'une transition en Scout-MRM.................................... 136

Figure 68 : Impact de la diminution du dwell time et du nombre de points par pic chromatographique
sur la répétabilité de l’intensité du signal d'une transition en Scout-MRM. ...................................... 137

Figure 69 : Proportion des acides gras les plus souvent retrouvés dans la composition des TG........ 140

Figure 70 : Exemples de courbes de corrélation correspondant au nombre de carbones en fonction du

temps de rétention et au nombre de doubles liaisons en fonction du temps de rétention pour des
lipides d’une même famille. ................................................................................................................ 142

Figure 71 : Impact de la séparation de composés isomères sur la prédiction des temps de rétention.
............................................................................................................................................................. 144

Figure 72 : Incertitudes associées à la prédiction des temps de rétention......................................... 146

Figure 73 : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidiques
en temps de rétention lorsque les conditions chromatographiques utilisées sont les mêmes que celles
employées pour son élaboration. ....................................................................................................... 149

Figure 74 : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidique en
temps de rétention lorsque les conditions chromatographiques utilisées sont différentes de celles
employées pour son élaboration. ....................................................................................................... 150
Figure 75 : Impact des décalages en temps de rétention des lipides lors d’une analyse en sMRM et en
Scout-MRM.......................................................................................................................................... 152

Figure 76 : Différents cas rencontrés lors de l’évaluation des changements de sélectivité en Scout-MRM
lors du passage d’une colonne de phase inverse à une autre. ........................................................... 154

Figure 77 : Résultats de l'étude concernant l’évaluation des changements de sélectivité en Scout-MRM

pour 4 colonnes en phase inverse par rapport à une colonne de référence. ..................................... 155

Figure 78 : Répétabilité des lipides endogènes en fonction de l’aire ou de l’intensité du signal. ...... 157

Figure 79 : Workflow of the different proteins, lipids, and metabolites extraction conditions from
Gammarus fossarum. .......................................................................................................................... 173

Figure 80 : Heatmap view of peptides monitored by Scheduled-MRM according to the different protein
extraction conditions: (A) methanol (MeOH), lysis buffer including (C) or not a centrifugation step after
the extraction (B)................................................................................................................................. 174

Figure 81 : Comparison of the homogenization conditions on the lipid extraction yield. .................. 175

Figure 82 : Comparison of protocol “lysis buffer with centrifugation” (C) versus protocol “MeOH” (A)
and “lysis buffer without centrifugation” (B) in metabolite analysis. ................................................. 177

Figure 83 : Signal variations of peptides by LC-MS/MS when switching from the classical proteomic
protocol to the multi-omic protocol. .................................................................................................. 178

Figure 84 : Signal variations of metabolites by LC-MS/MS when switching from the classical
metabolomic protocol to the multi-omic protocol. ............................................................................ 180

Figure 85 : Evaluation of repeatability by the measurement of endogenous peptides (A), lipids (B), and
metabolites (C) from G. fossarum. ...................................................................................................... 181

Figure 86 : PCA score scatter plots based from the multi-omics data set, namely proteomics data set
acquired in ESI(+) (dynamic-MRM) (A), from metabolomics data set acquired in ESI(- ) (B), from
lipidomics data set acquired in ESI(+) (C), and ESI(-) (D) by LC-ESI-MS/MS (scheduled-MRM). ......... 182

Figure 87 : PCA score scatter plot from metabolomics data set acquired in ESI(+) by LC-ESI-MS/MS
(scheduled MRM). ............................................................................................................................... 182

Figure 88 : PLS-DA score scatter plots from the multivariate analysis of the multi-omics data sets:
proteomics ESI(+) (A), metabolomics ESI(-) (B), lipidomics ESI(+) (C) and ESI(-) data sets (D). ........... 183
Figure 89 : Multiple factor analysis (MFA) unveils proteomics, lipidomics and metabolomics variation
during the different reproductive stage in female gammarid. ........................................................... 188

Figure 90 : Interface pour la chromatographie bidimensionnelle en mode compréhensive (LCxLC) [121].

............................................................................................................................................................. 197

Figure 91 : Interface pour la chromatographie bidimensionnelle en mode multiple heart cut (LC-LC)
[121]. ................................................................................................................................................... 198

Figure 92 : Capacité d’isolation des classes lipidiques en fonction de l’ordre des dimensions lors des
analyses bidimensionnelles avec une colonne HILIC et RPLC. ............................................................ 201

Figure 93 : Compositions à l’élution de composés lipidiques en HILIC en fonction des compositions à

l’élution de ces mêmes composés en RPLC. ....................................................................................... 202

Figure 94 : Évaluation du phénomène de breakthrough pour les standards PC et LPC obtenus par RPLC-
HILIC hors ligne en faisant varier les volumes d’injection dans la 2ème dimension. ............................ 204

Figure 95 : Évaluation du phénomène de breakthrough pour les standards PE, PG, PS, DG, TG et Cer
obtenus par RPLC-HILIC hors ligne en faisant varier les volumes d’injection dans la 2 ème dimension.
............................................................................................................................................................. 205

Figure 96 : Évaluation du phénomène de breakthrough pour la famille des LPC obtenu par HILIC-RPLC
hors ligne en faisant varier les volumes d’injection dans la 2ème dimension. ..................................... 206

Figure 97 : Système HILICxRPLC-QTOF. ............................................................................................... 208

Figure 98 : Comparaison de la séparation (A) HILIC-MS/MS versus (B) RPLC-MS/MS versus (C)
HILICxRPLC-MS/MS lors de l’analyse de 4 lipides (PE 38:6, PE 38:5, PC 34:1, PC 34:2) provenant de deux
familles lipidiques différentes. ............................................................................................................ 209

Figure 99 : Mise en évidence de larges fenêtres de fractionnement pour les familles de

lysophospholipides (ex. LPE et LPC) lors de leur analyse en HILIC-MS/MS. ........................................ 211

Figure 100 : Système HILIC-RPLC/IM-QTOF......................................................................................... 212

Figure 101 : Fonctionnement du fractionnement en LC-LC lorsque trois fractions uniques sont séparées
par une pause. ..................................................................................................................................... 213

Figure 102 : Séparation des différentes familles lipidiques dans la 1ère dimension en mode HILIC lors de
l’analyse d’un extrait de G. fossarum. ................................................................................................. 216
Figure 103 : Séparation des différentes familles lipidiques du gammare dans la première dimension en
mode HILIC avec ajout de standards à chaine d’acides gras courts par classe de lipides. ................. 217

Figure 104 : Séparation chromatographique d’origine pour les familles lipidiques (LPL / PL / SM / Cer /
DG / TG) avec la méthode RPLC-MS/MS en mode ESI (+). .................................................................. 219

Figure 105 : Séparation chromatographique optimisée pour les familles lipidiques (PL / SM) avec la
méthode RPLC-MS/MS utilisée en deuxième dimension en mode ESI (-). ......................................... 219

Figure 106 : Séparation chromatographique optimisée pour les familles lipidiques (TG / DG / Cer) avec
la méthode RPLC-MS/MS utilisée en deuxième dimension en mode ESI (+)...................................... 220

Figure 107 : Optimisation des paramètres de masse (Nébuliseur, débit de sheat gas et de gaz séchant,
température du sheat gas et du gaz séchant, tension du nozzel en mode ESI (+) et (-), tension du
capillaire en mode ESI (+) et ESI (-) par famille lipidique sur un système IM-QTOF 6560 de chez Agilent®
avec un débit de 500 μL/min lors de l’ionisation (n=3)....................................................................... 221

Figure 108 : Optimisation des énergies de collision en mode ESI (+) et ESI (-) par famille lipidique sur un
système IM-QTOF 6560 de chez Agilent® avec un débit de 500 μL/min lors de l’ionisation (n=3). .... 222

Figure 109 : Analyse de la fraction des PC avec l’approche classique RPLC-MS versus multiple heart cut
HILIC-RPLC-MS. .................................................................................................................................... 223
 Liste des tableaux
Tableau 1 : Avantages et inconvénients des modes hors ligne, en ligne et à débit stoppé en 2D-LC.
[107]. ..................................................................................................................................................... 37

Tableau 2 : Avantages et inconvénients des différents systèmes 2D-LC (hors ligne, stop flow, heart cut
et comprehensive) dans le cas des analyses lipidomiques. ................................................................... 44

Tableau 3 : Liste des lipides scouts utilisés dans la méthode. ............................................................ 116

Tableau 4 : Liste et concentrations des standards lipidiques utilisés pour l'étude du nombre de points
par pic et du dwell time en fonction de la répétabilité de mesure en Scout-MRM. ........................... 119

Tableau 5 : Liste des pertes de neutre lors de l’analyse des triacylglycérols. ..................................... 120

Tableau 6 : Liste des standards lipidiques utilisés lors de l’étude de répétabilité. ............................. 121

Tableau 7 : Paramètres chromatographiques utilisés pour le développement de la méthode Scout-

MRM pour l’analyse lipidique. ............................................................................................................ 130

Tableau 8 : Variation du nombre de transitions/groupe scout en fonction du dwell time (DT = 5 ms ou

3 ms ou 1 ms) et du nombre de points/pic chromatographique (10 ou 8 points) dans le cas de pic
chromatographique d’une largeur moyenne de 16 secondes. ........................................................... 136

Tableau 9 : Exemple de base de données en temps de rétention pour les DG. ................................. 143

Tableau 10 : ∆RT(isomères) associée à chaque famille de lipides. ........................................................... 145

Tableau 11 : Domaines de linéarité et limites de quantification (LOQ) pour chaque standard lipidique
en ESI (+) et ESI (-) obtenues grâce à l’aire ou l’intensité des signaux détectés. ................................ 158

Tableau 12 : Evaluation of QRESS metabolites recovery and extraction efficiency............................ 179

Tableau 13 : Summary of the PLS-DA models performance parameters. .......................................... 183

Tableau 14 : List of peptides and their corresponding proteins with PLS-DA VIP scores (>1) together
with its p-value and p-value-adjusted. ................................................................................................ 184

Tableau 15 : List of metabolites with PLS-DA VIP scores (>1) together with its p-value and p-value-
adjusted. .............................................................................................................................................. 185

Tableau 16 : List of lipids with PLS-DA VIP scores (>1) together with its p-value and p-value-adjusted.
............................................................................................................................................................. 186
Tableau 17 : List of lipids with PLS-DA VIP scores (>1) together with its p-value and p-value-adjusted.
............................................................................................................................................................. 187

Tableau 18 : Tensions appliquées pour les analyses en LC-LC pour chaque famille de lipides en fonction
de la polarité d’ionisation.................................................................................................................... 199

Tableau 19 : Paramètres de masse pour les analyses en LC-LC pour chaque famille de lipide en fonction
de la polarité d’ionisation.................................................................................................................... 223

Liste des Annexes

Annexe 1 : Publication “from shotgun to targeted proteomics: rapid Scout-MRM assay development
for monitoring potential immunomarkers in Dreissena polymorpha”. .............................................. 234

Annexe 2 : Concentrations des ISTD utilisés pour réaliser la gamme de linéarité en mode ESI (+) et ESI
(-). ........................................................................................................................................................ 249

Annexe 3 : Structures des lipides. ....................................................................................................... 250

Annexe 4 : Masse en Q1, Q3, DP et CE en fonction du mode d’ionisation pour les transitions MRM au
sein de la méthode Scout-MRM. ......................................................................................................... 251

Annexe 5 : Base de données en temps de rétention pour l’élaboration de méthode Scout-MRM en

lipidomique.......................................................................................................................................... 253

Annexe 6 : Evaluation of the protein extraction protocols on the peptide’s abundance. .................. 260

Annexe 7 : Comparison of the homogenization conditions on TG 51:1-d5 and PC 11:0/11:0 internal

standard (A) and TG species before and after normalization (B)........................................................ 261

Annexe 8 : Comparison of the different homogenization conditions on gammarid metabolites. ..... 262

Annexe 9: Determination of protein concentration using Bradford assay with classical Proteomics
protocol, multi-omics with dual protein precipitation and multi-omics protocol.. ............................ 264

Annexe 10 : Comparison of peak area of the peptides with PLS-DA VIP scores (VIP >1) according to the
different reproductive stages of female gammarids. ......................................................................... 265

Annexe 11 : Comparison of peak area of metabolites with PLS-DA VIP scores (VIP >1) according to the
different reproductive stages of female gammarids. ......................................................................... 265

Annexe 12 : Lg factors for MFA. .......................................................................................................... 265

Annexe 13 : RV factors for MFA. ......................................................................................................... 266

Annexe 14 : Évaluation du phénomène de breakthrough pour les familles lipidiques (SM, Cer, TG, PC,
DG et PE) obtenues par HILIC-RPLC hors ligne en faisant varier les volumes d’injection de 5μL à 40μL
dans la 2ème dimension, partie 1. ......................................................................................................... 267

Annexe 15 : Évaluation du phénomène de breakthrough pour les familles lipidiques (PI, PS et PG)
obtenues par HILIC-RPLC hors ligne en faisant varier les volumes d’injection de 5μL à 40μL dans la 2ème
dimension, partie 2. ............................................................................................................................ 268

Annexe 16 : Évaluation de la compatibilité de la spectrométrie de masse en mode ciblé avec les

systèmes LCxLC et LC-LC. ..................................................................................................................... 269
Introduction générale

Introduction générale
La biologie des systèmes est un domaine d'étude interdisciplinaire (biologie, chimie analytique,
bioinformatique, etc.). Elle se concentre sur les interactions complexes au sein d’un réseau d’entités
biologiquement pertinent (ex. cellule) aussi appelé systèmes biologiques. Les raisonnements et les
hypothèses scientifiques dans la biologie des systèmes sont appliqués à l’ensemble du système plutôt
que sur les parties qui le composent. Dans le cas où le système étudié correspond au niveau cellulaire
d’un organisme, les différentes parties qui le composent sont les biomolécules comme les gènes, les
ARN, les protéines, les métabolites et les lipides. Ces composés qui sont en interaction forment le
système dont la complexité est difficile à appréhender lorsque la caractérisation de ces compartiments
biologiques est réalisée de manière isolée. Il est donc impossible d’avoir une vision globale d’un
système sans l’étude de chacune de ces familles de biomolécules communément appelée science
omique (génomique, transcriptomique, protéomique, métabolomique, lipidomique). Depuis plusieurs
années, les approches multi-omiques se sont développées pour acquérir simultanément différentes
données omiques et faciliter la compréhension des mécanismes moléculaires.

La biologie systémique s’articule autour de 4 problématiques qui sont : (i) l’acquisition des données
quantitatives pour chaque compartiment constituant le système, (ii) l’élaboration des modèles
mathématiques basés sur ces données, (iii) la reconstruction des réactions au niveau de la cellule ou
d’un individu et (iv) la mise en place d’hypothèses permettant d’expliquer les mécanismes mis en jeu
et la variabilité des données. Les travaux décrits dans ce manuscrit de thèse seront concentrés sur
l’optimisation des aspects expérimentaux pour faciliter l’acquisition des données multi-omiques de
chaque compartiment constituant le système d’étude. De nombreux verrous, comme l’augmentation
des capacités de multiplexage des méthodes d’analyse, la diminution de la complexité de l’échantillon
ou la mise en place de protocole multi-omique intégré à partir d’une prise d’essai unique devront être
surmontés. Cela permettra d’obtenir une vision analytique précise et juste des différents
compartiments biologiques à un instant donné.

La description exhaustive d’un système consiste à élaborer une base de données dans laquelle figurent
tous les éléments constitutifs du système biologique étudié. Le premier verrou majeur est donc le
manque d’information qui peut altérer le contexte biologique d’un compartiment donné. Pour éviter
que cela ne se produise, il est nécessaire de pouvoir analyser le plus grand nombre de molécules et
ainsi avoir un multiplexage conséquent. Les approches globales par spectrométrie de masse de haute
résolution (HRMS) sont des méthodologies de choix pour l’identification et la caractérisation de
milliers de composés en simultanée dans des milieux complexes. Cependant, il n’est plus à démontrer
que les méthodes par spectrométrie de masse ciblée, spécialisées dans les méthodes de quantification,
1
Introduction générale

sont plus sensibles, répétables et robustes, mais en contrepartie les capacités de multiplexage sont
moins importantes. Dans le cadre de cette thèse, nous avons choisi de privilégier les approches ciblées
en mode Multiple Reaction Monitoring (MRM) pour disposer des méthodes de quantification les plus
performantes. Toutefois, nous avons cherché à augmenter le nombre de molécules analysable
simultanément par ce mode d’acquisition. Pour améliorer les capacités de multiplexage en MRM, de
nombreux laboratoires utilisent des fenêtres de temps centrées sur la zone d’élution des composés
cibles. Toutefois, pour augmenter drastiquement les capacités de multiplexage il faut diminuer les
fenêtres de temps ce qui rend cette méthodologie moins robuste puisque la méthode devient sensible
aux décalages en temps de rétention. L’un des objectifs de cette thèse est d’augmenter le nombre de
composés analysés simultanément par LC-MS/MS ciblée sans sacrifier la robustesse de la méthode.
Pour résoudre cette problématique, un nouveau mode d’acquisition basé sur la MRM a été développé
dans notre laboratoire. Cette approche, intitulée Scout-MRM, augmente les capacités de multiplexage
ainsi que la robustesse puisque son mode de fonctionnement n’est pas basé sur les temps de rétention,
mais sur les ordres d’élution des analytes d’intérêt par rapport à des composés présélectionnés
appelés scout. Avec ce mode d’acquisition, les groupes de transitions MRM d’intérêt sont déclenchés
grâce à la détection de ces scouts. Pour prouver qu’il est possible de construire et d’utiliser en routine
des méthodes hautement multiplexées, l’approche Scout-MRM appliquée au domaine de la
protéomique a été mise en place dans le 2ème chapitre de ce manuscrit. À travers ces travaux, nous
avons souhaité mettre en œuvre l’un des plus grands multiplexes pour la quantification de protéines
existant à ce jour. Nous avons également voulu démontrer l'intérêt de cette méthodologie lors de la
recherche de potentiels biomarqueurs protéiques en écotoxicologie grâce à une application de
biosurveillance active dans un contexte de pollution agricole.

L’ensemble des applications MRM est exclusivement utilisé pour le suivi de biomolécules
présélectionnées à partir d'analyse par spectrométrie de masse de haute résolution. Toutefois, les
récents progrès techniques et méthodologiques apportés par le Scout-MRM ont permis de repousser
les limites des capacités de multiplexage en mode ciblé. Désormais, plusieurs centaines de composés
peuvent être analysés simultanément et rapidement grâce à l’utilisation de grandes listes de
transitions MRM issues de bases de données in silico. Ainsi, la méthodologie Scout-MRM permet
d’envisager la réalisation d’études de « découverte ciblée » sans analyse HRMS au préalable. Bien que
les transitions MRM puissent être déterminées à partir des bases de données, il est nécessaire de
connaître l’ordre d’élution des composés d’intérêt par rapport aux scouts pour pouvoir construire les
groupes de détection lors de l’élaboration de la méthode. Il est donc important d’avoir des outils de
prédiction pour déterminer l’ordre d’élution des composés le long du gradient chromatographique. Le
3ème chapitre de ce manuscrit traitera de l’association de la lipidomique et de la méthodologie Scout-
MRM puisque les lipides se prêtent particulièrement bien à la réalisation d’étude de découverte ciblée.
2
Introduction générale

En effet, il existe plusieurs approches pour estimer les ordres d’élution des lipides permettant ainsi de
construire les méthodes Scout-MRM en lipidomique. De plus, le développement d’une approche
hautement multiplexée en lipidomique serait une véritable plus-value, car il n’existe à ce jour que peu
de méthodes MRM capables d’analyser et de quantifier précisément de nombreux lipides.

Le deuxième verrou rencontré lors des analyses multi-omiques est l’intégration des analyses du
métabolome incluant le lipidome à celui du protéome afin de capitaliser sur leurs complémentarités
pour une meilleure corrélation des résultats entre les trois familles omiques. À ce jour, bien qu’utilisant
le même outil, les différentes approches omiques par spectrométrie de masse ciblée se font
séparément avec des traitements d’échantillon et des prises d’essais multiples (réplicats d’exposition).
Cela pose non seulement des problèmes de coûts, de temps et de quantité d’échantillons consommée,
mais cela va aussi induire plus de variations inter-individus. Le 2ème objectif de cette thèse est donc de
développer de nouvelles approches analytiques permettant d’analyser les protéines, les lipides et les
métabolites à partir d’une prise d’essai unique. Ainsi une méthode d’extraction multi-omique intégrée
sera développée et décrite dans le 4ème chapitre de ce manuscrit. Il s’agira d’une extraction
liquide/liquide utilisant un mélange de solvants composé d’eau, de méthanol et de MTBE qui induira
une séparation biphasique couramment utilisée pour extraire les lipides. Contrairement à une
approche lipidomique classique, la fraction aqueuse contenant les protéines et les métabolites ne sera
pas éliminée. On conservera ainsi les trois familles omiques. Cette extraction sera adaptée pour
l’analyse de matrices complexes solides comme G. fossarum en optimisant les différentes conditions
d’homogénéisation de l’échantillon. Les performances de cette méthode d’extraction multi-omique
seront évaluées et comparées aux méthodes omiques existantes.

Le 3ème verrou est que les analyses multi-omiques imposent de prendre en considération l’ensemble
des molécules présentes dans le système étudié ce qui implique l’analyse d’échantillon complexe.
Cette complexité peut induire des effets matrices impactant la qualité du signal (diminution de
l’intensité, apparition d’interférences, etc.). La préparation d’échantillon multi-omique peut réduire la
complexité d’un échantillon, mais elle implique de faire des compromis en adoptant une procédure
compatible avec l’ensemble des omiques. De ce fait, la simplification de l’échantillon n’est pas aussi
importante qu’elle ne le serait si une seule omique avait été pris en considération. Pour contrebalancer
ce manque de décomplexification, une dimension de séparation supplémentaire est apportée par les
techniques chromatographiques, à savoir la chromatographie liquide dans notre cas. Toutefois, ces
méthodes monodimensionnelles (1D-LC) peuvent présenter des limites en termes de capacité de
séparation. De nos jours, de nouveaux outils de séparation plus avancés sont disponibles comme la
chromatographie liquide bidimensionnelle (2D-LC) qui dispose de deux dimensions séparatoires
orthogonales. Le dernier objectif de cette thèse est donc d’évaluer que la 2D-LC est capable de

3
Introduction générale

diminuer la complexité d’un échantillon en réduisant les effets matrices par rapport aux approches 1D-
LC. L’état de l’art bibliographique sur l’analyse des lipides a également montré des besoins
d’optimisation de séparation. Ainsi le développement d’une approche chromatographique
bidimensionnelle couplée à la spectrométrie de masse a été initié en lipidomique. Ces travaux seront
décrits dans le 5ème et dernier chapitre de cette thèse. Le mode de séparation 2D sélectionné est le
mode multiple heart cut (HILIC-RPLC-MS/MS). Les avantages et inconvénients de cette méthode
chromatographique seront comparés aux approches comprehensive (RPLCxHILIC-MS/MS et
HILICxRPLC-MS/MS) déjà décrites dans la littérature. Pour finir, une étude de compatibilité de la 2D-
LC avec la spectrométrie de masse sera réalisée.

L’ensemble de ces développements sera effectué sur l’espèce sentinelle G. fossarum, couramment
utilisée pour surveiller l’état des cours d’eau. Cela a permis d’implémenter de nouvelles technologies
dans le domaine de l’écotoxicologie en pleine expansion.

Avant de présenter ces résultats, une étude bibliographique portant sur la spectrométrie de masse, les
extractions multi-omiques et la 2D-LC est présentée dans le 1er chapitre de ce manuscrit.

4
Chapitre 1 : Étude bibliographique

Chapitre 1 : Étude bibliographique

1. Les sciences omiques combinées ou approches multi-

omiques
Au cours des années, les progrès dans le développement des technologies à haut débit d’analyse ont
permis d’identifier et de mesurer de nombreuses biomolécules au sein d’une cellule ou d’un tissu
biologique [1]. Les données moléculaires ainsi que les domaines scientifiques issus de ces technologies
sont qualifiés de omiques. Les sciences omiques regroupent et associent des techniques de chimie
analytique, de biochimie et de biologie moléculaire ainsi que les traitements des informations
obtenues. Ces données générées permettent de comprendre le fonctionnement des systèmes
biologiques, en caractérisant d’un point de vue moléculaire le génotype et le phénotype d’un individu.
Il existe une multitude de domaines de recherche omiques dont la génomique, la transcriptomique, la
protéomique et la métabolomique.

1.1. La génomique
La plus ancienne de ces sciences omiques est la génomique dont les travaux de Watson et Crick sur la
structure moléculaire de l’ADN furent déterminants en 1953 [2]. Contrairement à la génétique qui ne
s’intéresse qu’à l’étude de gènes spécifiques et leurs hérédités, la génomique désigne l’étude de
l’ensemble des gènes ou génome d’un organisme. Il existe deux catégories de génomique [3]:

x La première catégorie est appelée génomique structurale. On peut également la retrouver

sous l’appellation génétique moléculaire. Son rôle consiste à étudier la structure des gènes en
localisant et annotant les gènes, en déterminant le nombre d’exons, d’introns etc.
x La deuxième catégorie est appelée génomique fonctionnelle et consiste en l’étude de la
fonction des gènes responsables de la production des protéines.

L’ensemble des informations génétiques qui définit les caractères héréditaires d’un individu est
regroupé dans le génome. Cependant, ce génome ne permet pas d’expliquer la totalité des réponses
observées chez un organisme ayant subi une perturbation extérieure, puisqu’il ne s’agit que
d’informations éventuellement exprimées [3]. À l’inverse du génotype qui représente le patrimoine
héréditaire dépendant des gènes, le phénotype regroupe l’ensemble des caractères apparents d’un
individu. Le phénotype découle du génotype, mais il peut être modulé par des modifications
environnementales [3]. De ce fait, les sciences omiques découlant de la génomique ont été
développées pour étudier les réponses subsidiaires de l’ADN (ARN, protéines, métabolites et lipides).
Cela a permis de se rapprocher des réponses phénotypiques, comme illustré sur la figure n°1 avec la
5
Chapitre 1 : Étude bibliographique

cascade des omiques. Plus une science omique est éloignée de la génomique plus la réponse
biologique se rapprochera du phénotype plutôt que du génotype.

Figure 1 : Cascade des omiques en fonction de la réponse génotypique et phénotypique [3].

1.2. Les études phénotypiques

1.2.1. Transcriptomique
L’étude des éléments issus de la traduction de l’ADN en ARN est appelée transcriptomique. Le terme
de transcriptome est apparu à la fin des années 90 avec les travaux de Velculescu et al. [4]. Il représente
l’ensemble des transcrits au sein d’une cellule à un instant donné. Ces transcrits peuvent être des ARN
messagers (ARNm) qui codent les protéines, mais aussi des ARN de transfert ou ribosomaux acteurs
de la synthèse des protéines. À l’inverse du génome qui est constant, le transcriptome est dynamique
et peut être modulé par des facteurs extérieurs. La transcriptomique est donc le premier lien qui
permet de relier le génome d’un individu à son phénotype à un instant donné [3].

Comme pour les ARN qui sont issus de la transcription des gènes contenus dans l’ADN, il existe un
niveau de régulation supplémentaire qui est issu du transcriptome, à savoir la protéomique.

1.2.2. Protéomique

1.2.2.A. Qu’est-ce que la protéomique ?

La protéomique s’est développée à la même période que la transcriptomique avec les travaux de
Wilkins et al. en 1995 [5]. Elle étudie les produits issus de la traduction des ARNm appelés protéines.
De même que le transcriptome, le protéome constitue un ensemble de protéines variant de façon
dynamique au cours du temps. Les analyses protéomiques ont pour but d’identifier, de quantifier et
de comprendre le fonctionnement des produits de la traduction des ARNm. Elles ont également pour
objectif l’étude des modifications post-traductionnelles. Ces modifications des protéines, telles que la
phosphorylation, la glycosylation ou la méthylation peuvent moduler le fonctionnement des protéines
en faisant varier leur action catalytique ou leur rôle dans la signalisation cellulaire [6,7].

6
Chapitre 1 : Étude bibliographique

Les informations fournies par le génome peuvent ne pas corréler avec le contenu protéique puisqu’en
plus des délais et des différences dans les taux de dégradation, l'ARNm n'est pas toujours traduit en
protéine [6]. De ce fait, l’étude du protéome permet de mieux comprendre les réponses
phénotypiques au sein d’un organisme.

1.2.2.B. Les approches en protéomique : Top-down versus Bottom-up

Lorsque l’on souhaite caractériser des protéines par spectrométrie de masse, deux approches
existent : Top-down et Bottom-up. Comme illustrée par la figure n°2, la première approche dite
descendante consiste à extraire et à analyser les protéines intactes d’un échantillon biologique par LC-
MS alors que la deuxième méthodologie dite ascendante analyse des fragments de protéines aussi
appelés peptides qui sont rapporteurs de la protéine [8–10].

Figure 2 : Approche Top-down versus Bottom-up lors d’une analyse en protéomique. En Top-down (à gauche), les protéines
sont extraites des cellules ou tissus avant d’être séparées par gel ou LC, et d’être directement analysées par MS pour obtenir
des données protéiques. Par la suite, une protéine spécifique peut être isolée et fragmentée par MS/MS pour obtenir des
informations sur sa séquence et ainsi identifier cette protéine via une recherche dans des bases de données. En Bottom-up
(à droite), les protéines extraites de cellules ou de tissus sont soumises à une digestion (souvent à l'aide de trypsine) et les
peptides résultants sont séparés par LC et analysés par MS. Par la suite, les peptides sont fragmentés et les informations sur
la séquence des peptides sont utilisées pour identifier les protéines présentes dans l'échantillon. (Adapté de la publication
de Gregorich et al. [8]).

Chacune de ces stratégies présente ses propres avantages et inconvénients. Les analyses en Top-down
sont particulièrement utilisées lors de la caractérisation structurale et l’identification de modifications
post-traductionnelles des échantillons biologiques, avec par exemple les méthylations ou les
phosphorylations [11,12]. En revanche, la stratégie Bottom-up permet l’identification de plus de

7
Chapitre 1 : Étude bibliographique

protéines grâce à une meilleure sensibilité en spectrométrie de masse [13]. Le groupe de Kelleher et
al. [13] a réussi à identifier 7.4 fois plus de protéines avec l’approche descendante comparée à
l’approche ascendante. La première raison est que les protéines sont des biomolécules de hauts poids
moléculaires (10 kDa à 1000 kDa) ce qui rend difficile leur analyse en spectrométrie de masse à cause
de la limite des gammes de masse. Cela n’est pas le cas des peptides qui sont de plus petits poids
moléculaires (< 1500 Da). La seconde raison est que la sensibilité est impactée lors de l’analyse de
protéines entières puisque ces molécules peuvent avoir de nombreux états de charges diluant ainsi le
signal lors de leur ionisation. Le fractionnement des protéines en peptides de plus petites tailles
permet d’avoir des molécules ayant moins d’états de charge (+1 à +3). Le désavantage de la stratégie
Bottom-up est que la digestion enzymatique des protéines permettant d’obtenir les peptides
trypsiques complexifie la matrice à analyser. Cela augmente drastiquement le nombre de composés
dans le milieu nécessitant l’emploi de techniques de séparation en amont du détecteur. Dans le cadre
de cette thèse, l’approche Bottom-up sera préférée.

Comme illustré sur la figure n°1, les protéines ne représentent pas l’ultime niveau de la cascade des
omiques puisqu’il s’agit des métabolites. La métabolomique est donc le reflet le plus proche entre une
réponse biologique et le phénotype d’une cellule ou d’un organisme.

1.2.3. La Métabolomique

La métabolomique est le domaine scientifique qui caractérise les biomolécules de faibles poids
moléculaires (< 1 KDa ou < 1.5 KDa selon les définitions) dans un organisme biologique. Ces composés
peuvent avoir trois origines différentes :

x Les métabolites endogènes qui sont produits naturellement par le métabolisme de l’organisme
étudié.
x Les xénométabolites sont des biomolécules produites par un métabolisme indépendant de
celui de l’organisme étudié. Par exemple, des métabolites d’origine bactérienne peuvent se
retrouver dans le métabolome de l’hôte [14].
x Les xénobiotiques sont des métabolites exogènes qui sont retrouvés dans l’organisme étudié.
Ils ne sont pas produits par l’organisme ni par son alimentation naturelle. Il peut s’agir par
exemple, de pesticides ou de médicaments ainsi que les produits de leur dégradation.

En résumé, les métabolites sont les composés organiques qui ne sont pas issus de l’expression des
gènes (acides aminés, sucres, acides organiques, acides gras, nucléotides, vitamines, stéroïdes, lipides,
glycanes, etc.) [15,16]. Le métabolome peut être subdivisé en deux parties avec d’une part les
métabolites polaires et d’une autre part les métabolites apolaires comme les lipides, par exemple. Ces
molécules, propres à la lipidomique, sont des molécules organiques insolubles dans l’eau qui sont
8
Chapitre 1 : Étude bibliographique

classées dans 8 classes en fonction de leurs structures chimiques : les acides gras, les
glycérophospholipides, les glycérolipides, les sphingolipides, les stérols, les prénols, les saccharolipides
et les polyketides [17].

Comme indiqué sur la figure n°1, la métabolomique est la dernière étape de la cascade des omiques.
Il s’agit donc de la réponse permettant de se rapprocher au plus près des caractères phénotypiques
observés chez un individu ayant subi une perturbation (modification génétique, maladie, exposition à
une substance toxique, etc.). En effet, ces petites molécules découlent en partie des activités des
protéines et sont essentielles aux processus de régulation cellulaire [18,19]. Comparée aux autres
omiques, la métabolomique s’applique à des molécules souvent présentes dans de nombreux
organismes taxonomiquement éloignés. En effet, les métabolismes primaires directement impliqués
dans les processus physiologiques principaux (croissance, respiration, développement, reproduction
d’un organisme ou d’une cellule, etc.) sont relativement bien conservés. Cela permet d’adapter
rapidement les méthodes d’analyses globales en métabolomique entre plusieurs espèces très variées.
Contrairement à la génomique, la transcriptomique et la protéomique qui sont toutes issues de la
séquence de gènes variables, il n’est pas nécessaire d’avoir à disposition un génome séquencé lors
d’un changement d’organisme d’étude en métabolomique [18].

À ce jour, la métabolomique et la protéomique permettent d’obtenir les réponses les plus précises
d’un organisme vis-à-vis d’une perturbation. Toutefois, les approches combinant simultanément les
différentes omiques présentent plus d’avantages lorsque l’on tend vers des approches systémiques.

1.3. Les approches combinées

Depuis 30 ans, la biologie moléculaire n’a cessé d’évoluer pour tendre vers un contexte plus global en
intégrant l’ensemble des compartiments biologiques ainsi que leurs interactions. Traditionnellement,
les chercheurs avaient la volonté d’étudier le fonctionnement de chaque gène de manière individuelle.
Cependant, la tendance à évoluer vers la compréhension de l’ensemble des gènes ainsi que des sous-
produits qui en découlent (ARN, protéines, métabolites polaires et lipides). Pour étudier ces nouveaux
réseaux, un concept moderne intitulé « biologie des systèmes » a émergé. Il se fonde sur le fait que
toute entité biologique, que ce soit un génome, un organe, une cellule, etc., représente un système
dans lequel les constituants sont en interactions constantes et sont à l’origine des principaux processus
biologiques [20]. Dans la biologie, aucun mécanisme ne se produit individuellement sans interaction
avec son environnement. L’ensemble des éléments qui constitue le système sont en lien, en opposition
ou en synergie. Par exemple, on peut rencontrer dans un système : la communication cellulaire, la
circulation des métabolites dans l’organisme, la stimulation ou l’inhibition des produits de l’expression
des gènes, etc. [21]. La biologie des systèmes repose sur le fait que les processus biologiques

9
Chapitre 1 : Étude bibliographique

proviennent des interactions de cause à effet entre constituants et donc que leurs origines sont
définies comme un comportement collectif au sein des systèmes considérés. Les comportements issus
de ces systèmes présentent une grande complexité à cause du nombre important de constituants qui
les composent ainsi que leur hétérogénéité. Ces comportements peuvent provenir d’une organisation
horizontale, c’est-à-dire à partir d’interactions en réseau, ou d’une organisation verticale avec des
interactions multi-échelles entre le niveau moléculaire, cellulaire, etc., jusqu’à l’individu, sa population
ou son environnement. Ainsi la biologie des systèmes se définit comme l’étude des interactions
complexes dans les organismes biologiques à travers la compréhension de la structure de ces
compartiments, de leur dynamique et des processus de régulation les contrôlant.

La biologie des systèmes se concentre sur 4 grandes questions :

x Comment acquérir des données quantitatives pour chaque compartiment constituant le

système ?
x Comment élaborer des modèles mathématiques basés sur ces données ?
x Comment reconstruire les réactions au niveau de la cellule ou d’un individu ?
x Quelles sont les hypothèses permettant d’expliquer les mécanismes mis en jeu et la variabilité
des données ?

Pour répondre à ces questions et mettre en place des approches répondant au concept de biologie des
systèmes, de nombreuses innovations ont dû être développées. Des techniques à haut débit d’analyse
ont été élaborées pour permettre l’acquisition d’un large panel d’informations [21]. Les outils
informatiques ont dû être améliorés pour intégrer la gestion d’un nombre conséquent de données
générées par les hauts débits d’analyses [22].

Les modèles de système biologique bénéficient de l'inclusion de toutes les parties pertinentes du
système considéré. Au niveau cellulaire, cela signifie qu’au minimum les "acteurs" les plus importants,
c'est-à-dire les biomolécules doivent être étudiés ainsi que leurs interactions. Ces biomolécules,
appartenant à différentes omiques, comprennent les gènes, les ARN, les protéines, les métabolites
polaires et les lipides. Chacune de ces sciences omiques représente une pièce du puzzle qu’il faut
associer pour obtenir une vision plus complète et globale d’un organisme en accord avec la réalité.

Les approches combinées de la biologie des systèmes permettent de tendre vers la biologie intégrative
et prédictive. C’est-à-dire que l’analyse des différentes omiques et de leurs interactions dans un
environnement donné permet d’appréhender les paramètres influençant un phénomène biologique.
Cela a pour but d’élucider les mécanismes fondamentaux d’une pathologie pour proposer de nouvelles
cibles thérapeutiques, d’identifier des traitements et d’élaborer de nouvelles méthodes de diagnostic
[23].
10
Chapitre 1 : Étude bibliographique

1.4. Approches multi-omiques : émergence du concept et application

Comme discuté dans les paragraphes précédents, les interactions entre les classes biologiques sont
omniprésentes au sein d’un individu. Il est donc impossible d'obtenir une vision holistique du
comportement d’un organisme lors d’un stress externe dans le cadre d’une étude omique unique [24].
Au cours des dix dernières années, les initiatives visant à améliorer la compréhension des
perturbations moléculaires dans un système donné se sont orientées vers les analyses multi-omiques.
Cette approche étend les connaissances obtenues en mesurant et corrélant entre elles plusieurs
classes biomoléculaires afin de mieux comprendre le phénotype exprimé. De ce fait, la multi-omique
permet d'avoir une vision globale de ce qui pourrait se produire (génomique et transcriptomique) et
de la façon dont cela se produit (protéomique, métabolomique, lipidomique) [24]. Les hypothèses
fondées sur des analyses multi-omiques permettent d’obtenir des résultats plus fiables en se fiant à
des informations provenant de sources orthogonales. Les données obtenues en protéomique,
lipidomique ou métabolomique peuvent permettre de combler un manque d’informations dans l’une
de ces omiques et ainsi valider ou non une hypothèse [25]. Par exemple, des analyses protéomiques
réalisées sur l’organisme Hyallela Azteca, un amphipode d’eau douce, contaminé par un herbicide
appelé atrazine, semblent indiquer une perturbation de la glycolyse [18]. Cette hypothèse s’appuie sur
l’observation d’une baisse des taux de glycéraldéhyde 3-phosphate déshydrogénase (GAPDH), de
l'énolase et de l'adénosine triphosphate (ATP) synthase qui sont des protéines associées à la
production d'énergie. Cependant, ces données sont en contradiction avec les mesures phénotypiques
puisque ces organismes contaminés étaient physiquement plus grands que les organismes témoins.
Pour vérifier cette hypothèse, l'analyse des métabolites polaires et non polaires a été réalisée. Cette
étude a mis en évidence une régulation à la hausse des carnitines, des acides gras, des glycérols et de
l'urée par rapport aux organismes témoins ce qui indique une oxydation des acides gras. En effet, le
rôle physiologique des carnitines est de faciliter le transfert des acides gras à travers la membrane
mitochondriale [26], où est réalisée la β-oxydation des acides gras qui constitue le principal processus
par lequel les acides gras sont oxydés pour générer de l'énergie (ATP) [27]. L’utilisation conjointe des
données de protéomique et métabolomique a permis d’affiner les résultats obtenus lors de la
contamination de l’organisme H. Azteca par de l’atrazine. Il semble que ce pesticide réduit
effectivement la glycolyse chez ces amphipodes exposés. Cependant, puisque les invertébrés sont
composés principalement de lipides, les organismes contaminés peuvent compter sur la β-oxydation
des acides gras pour répondre à leurs besoins énergétiques. Cette étude démontre les avantages de la
multi-omique pour comprendre l'impact des contaminants environnementaux sur les organismes
exposés [18].

11
Chapitre 1 : Étude bibliographique

Les analyses multi-omiques présentent de nombreux avantages, mais il existe certaines limitations. La
multiplication du nombre d'extractions et du nombre d’analyses augmente nettement le temps global
de l’expérimentation ainsi que la complexité des données en termes de retraitement. Il est plus long
et difficile de corréler les différents résultats issus de l’ensemble des omiques [24]. De plus, le nombre
de composés issus de l’association moléculaire présente dans les données multi-omiques rend
l’annotation manuelle impossible. Des méthodes informatiques puissantes sont donc nécessaires pour
élucider les relations dans un système biologique et tirer le meilleur parti des analyses multi-omiques
[24]. Depuis une décennie, de nombreux progrès réalisés dans chacune des omiques ont contribué de
façon importante à la faisabilité des expériences multi-omiques en permettant une couverture de
molécules analysables plus large aussi appelée multiplexage, une automatisation accrue et une
augmentation du débit d’analyse. Malgré ces innovations, aucune technique n’est capable d’analyser
et d’identifier l’ensemble des molécules présentes dans chacune des omiques. Ces limitations font que
seule une partie des analytes peut être observée, identifiée, annotée et quantifiée de manière
convenable. Ces lacunes qui en résultent peuvent altérer considérablement le contexte biologique
dans un système donné à cause de cette perte d’informations [24].

En conclusion, la multiplication des méthodes d’extraction, les capacités de multiplexage des

méthodes analytiques, l'annotation fiable des analytes et le retraitement des données constituent des
obstacles importants à la mise en place de méthodes multi-omiques pour une application pratique et
de routine.

Afin de répondre au 1er axe de recherche de la biologie des systèmes, à savoir « Comment acquérir des
données pour chaque omique qui constitue le système étudié ? », les aspects expérimentaux facilitant
l’acquisition des données multi-omiques ont dû être optimisés. De ce fait, une attention particulière
sera allouée à la préparation d’échantillon, la méthode de séparation chromatographique et les modes
d’acquisitions en spectrométrie de masse dans le reste de ce manuscrit.

C’est dans ce contexte de la biologie des systèmes que la chimie analytique trouve sa place,
notamment avec les analyses par spectrométrie de masse (MS). Son intérêt se dévoile à travers sa
capacité à détecter et à quantifier des centaines de protéines, de lipides et de métabolites à partir d’un
tissu, d’un fluide corporel ou d’une culture cellulaire. La versatilité de la spectrométrie de masse est
aussi un avantage puisqu’elle permet de réaliser des études de deux manières différentes : sans a priori
(méthode non ciblée) et avec a priori (méthode ciblée)

12
Chapitre 1 : Étude bibliographique

2. La spectrométrie de masse, un outil de choix pour les

approches « omiques »
Depuis plus d’une dizaine d’années, la spectrométrie de masse tient une place centrale dans le cadre
d’études omiques comme le montre le nombre de publications croissant associant le mot clé
spectrométrie de masse à la protéomique, la lipidomique ou bien la métabolomique (cf. figure n°3).
Cette technique analytique est particulièrement adaptée pour l’étude des sciences omiques, car elle
permet d’identifier et de quantifier avec précision la présence d’analytes dans un mélange complexe
avec une grande sensibilité. En effet, des molécules peuvent avoir le même rapport masse/charge
(m/z) malgré des structures chimiques très différentes. Cependant grâce aux profils isotopiques et à
l’analyse de fragments caractéristiques, la composition élémentaire des molécules peut être identifiée
aidant ainsi à l’annotation des composés.

4000
Nombre de publication

3000

2000

1000

0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

Spectrométrie de masse et protéomique Spectrométrie de masse et métabolomique

Spectrométrie de masse et lipidomique

Figure 3 : Nombre de publications sur la période de 2005 à 2020 associant les mots clés Spectrométrie de masse à
Protéomique ou Lipidomique ou Métabolomique répertoriées sur le site internet « web of science ».

Cette technique est utilisée dans de nombreux domaines à des fins d’analyse structurale, de
détermination précise des masses moléculaires et de quantification de biomolécules allant jusqu’à
l’attomole par litre (10-18 mol/L) [28]. La spectrométrie de masse permet l’analyse d’un grand nombre
de familles de molécules (protéines, lipides, métabolites, sucres, etc.) présentes dans des matrices très
différentes (biofluides, objets du patrimoine, etc.). Elle présente également des capacités de
multiplexage importantes permettant le suivi de nombreuses molécules en une seule analyse
permettant d’avoir des couvertures de protéome et de métabolome conséquentes [28]. Il existe deux
types d’approches en spectrométrie de masse à la fois différentes et complémentaires. Les approches
sans a priori aussi appelées analyses globales et les approches avec a priori aussi appelées analyses
ciblées.

13
Chapitre 1 : Étude bibliographique

2.1. Les approches sans a priori

Dans le cadre des analyses globales, les échantillons sont analysés sans critère de sélection et dans le
but de détecter le plus grand nombre de molécules lors de l’analyse. Cette approche s’appuie sur des
analyseurs haute résolution comme les temps de vol (TOF) ou la technologie Orbitrap pour déterminer
avec une grande précision les masses des composés au sein d’un mélange complexe. Deux modes
d’acquisition sont couramment employés : le mode d’acquisition dépendant des données (DDA, data
dependent acquisition) et le mode d’acquisition indépendant des données (DIA, data independent
acquisition).

2.1.1. Le mode d’acquisition DDA

Le mode DDA est réalisé en deux étapes comme indiqué sur la figure n°4 [29]. La première étape
consiste à réaliser un scan de surveillance en balayant les rapports m/z des ions précurseurs. Il est ainsi
possible d’interroger les données MS a posteriori. Selon les critères définis par l’opérateur, les
précurseurs les plus intenses sont ensuite fragmentés successivement dans la cellule de collision avant
de réaliser un nouveau balayage de surveillance. On parle alors de Top « n » avec « n » le nombre de
précurseurs fragmentés après le premier scan. Cette méthodologie implique le plus souvent 10 à 20
précurseurs (Top10 à 20). Afin d’augmenter le nombre de composés à fragmenter, le principe
d’exclusion dynamique peut être associé à la méthode. Le biais le plus important que l’on peut
rencontrer en analyse DDA est le sous-échantillonnage dans le cas où la gamme dynamique des
molécules analysées représente plusieurs ordres de grandeur. Cela engendre une redondance de
sélection des ions prépondérants ainsi qu’un phénomène de valeurs manquantes lorsque des ions
moins abondants ne sont jamais sélectionnés ou de façon aléatoire [30]. Cette variabilité induit un
manque de reproductibilité [31]. De plus, le manque de sensibilité lors de l’analyse en mode MS simple
est également une limitation en mode DDA.

14
Chapitre 1 : Étude bibliographique

Figure 4 : Principe des analyses en acquisition dépendante des données (DDA) avec un Top 3 comme exemple. La première
étape de ce mode d’acquisition est de réaliser un balayage de rapports m/z des ions précurseurs. Les 3 précurseurs les plus
intenses sont ensuite fragmentés dans la cellule de collision (m/z pic vert, pic violet et pic bleu). Une fois les 3 précurseurs
fragmentés un nouveau scan de surveillance est réalisé pour détecter de nouveau les 3 précurseurs les plus intenses (Adapté
de la publication de Ludwig et al. [29]).

2.1.2. Le mode d’acquisition DIA

Le second mode utilisé lors des approches sans a priori est le mode DIA dont le principe est représenté
sur la figure n°5 [29]. Comme pour le mode précédent, le spectromètre de masse réalise à instant
donné un balayage de spectre de l’ensemble des précurseurs (cf. figure n°5 A). Lors de la seconde
étape en DIA, le spectre de masse de l’ensemble des précurseurs est découpé en fenêtres dont le pas
de rapport m/z est fixé par l’expérimentateur (fenêtres de 25 m/z dans la figure n°5 B). Les précurseurs
issus de ces fenêtres de masses (cf. figure n°5 C) sont envoyés successivement dans la cellule de
collision afin d’obtenir des spectres de co-fragmentations (cf. figure n°5 D). L’utilisation de bases de
données permet de réattribuer les ions fragments issus de la fragmentation des ions précurseurs.

15
Chapitre 1 : Étude bibliographique

Figure 5 : Principe du mode DIA. (A) En mode DIA, un seul spectre d'ions précurseurs (MS1) est enregistré, suivi d'une série
de spectres d'ions fragments (MS2) avec de larges fenêtres d’isolement en précurseurs (ex. 25 m/z). Grâce à des cycles répétés
de fenêtres d’isolation de précurseurs consécutives sur une plage de masse définie, un ensemble complet de données est
enregistré. Cet ensemble comprend des informations continues sur tous les ions fragments et précurseurs détectables. Ainsi,
des chromatogrammes d'ions extraits peuvent être générés au niveau MS2 et au niveau MS1. (B) Le Q-TOF utilise 32 balayages
MS2 avec des incréments définis de 25 m/z, commençant de 400 m/z à 1200 m/z. Un balayage MS1 complet est enregistré au
préalable. En appliquant un temps d'acquisition de 100 ms par balayage, on obtient un temps de cycle total de 3,3 s. (C) Le
balayage complet MS1 détecte tous les précurseurs éluant à un moment donné. Par exemple, dans la gamme de masse de
925 à 950 m/z, trois espèces co-éluées sont détectées (vert, rouge et bleu). (D) Le balayage MS2 correspondant à une fenêtre
d'isolation des précurseurs de 925 à 950 m/z représente un spectre MS2 mixte avec des fragments des trois espèces [29].

16
Chapitre 1 : Étude bibliographique

Contrairement au mode DDA, le mode DIA fragmente la totalité des composés ionisés puisqu’il n’y a
plus de sélection des ions en fonction de leur intensité [29]. De plus, il est également possible
d’interroger à la fois les données MS et MS/MS a posteriori. Cependant, en DIA les spectres de masse
sont plus complexes à interpréter à cause des co-fragmentations impliquant des algorithmes et des
bases de données conséquentes pour le retraitement des données [31,32]. On peut également
retrouver le mode DIA sous l’appellation SWATH pour Sequencial Windowed Acquisition of All
THeoretical fragment ions chez Sciex®.

Les approches globales sont donc des méthodologies de choix pour l’identification et la caractérisation
de composés dans des milieux complexes dans le cadre d’approches différentielles. En revanche, les
appareils permettant de faire de la spectrométrie de masse de haute résolution possèdent des
gammes dynamiques allant jusqu’à 4 décades ce qui est plus faible par rapport aux approches ciblées
utilisant le mode Multiple Reaction Monitoring (MRM) qui eux atteignent 5 décades [29].

2.2. Les approches avec a priori

2.2.1. Le mode d’acquisition Multiple Reaction Monitoring (MRM)

À l’inverse des approches globales, seuls les composés d’intérêts sont ciblés dans les approches avec
a priori. Les appareils de référence utilisés en spectrométrie de masse ciblée sont principalement de
type triple quadripôles (QQQ) en utilisant le mode d’acquisition Single Reaction Monitoring (SRM) aussi
appelé Multiple Reaction Monitoring (MRM) dans le cas où plusieurs transitions sont suivies. Comme
indiqué sur la figure n°6, le mode MRM consiste à (i) sélectionner un ion précurseur dans le premier
quadripôle Q1, (ii) fragmenter ce précurseur dans la cellule de collision q2 et (iii) sélectionner dans le
3ème quadripôle Q3, les ions produits du précurseur sélectionné en Q1 avant la détection par
l’analyseur en masse. Une transition MRM représente le suivi du couple ion précurseur / ion produit
illustré par un pic chromatographique. Bien que le mode MRM emploie des analyseurs basse
résolution, la spécification de ce type de méthode est assurée par la double filtration en masse qui
permet de simplifier l’échantillon avant le détecteur. Cependant, ce degré de spécificité peut ne pas
être suffisant avec la persistance d’interférences isobariques dans des échantillons très complexes.

17
Chapitre 1 : Étude bibliographique

Figure 6 : Principe de la MRM et la MRM3. Dans le mode MRM, les ions sont filtrés dans le 1er quadripôle en fonction de leur
m/z avant d’être envoyés dans le deuxième quadripôle qui est utilisé comme cellule de collision. Pour terminer, les ions
fragments issus de la fragmentation d’un composé d’intérêt dans la cellule de collision sont filtrés dans un troisième
quadripôle avant d’être détectés. Le mode MRM3 fonctionne de la même manière que le mode MRM, mais les ions filtrés
dans le 3ème quadripôle hybride sont isolés, refragmentés puis filtrés avant détection.

Des développements instrumentaux tels que la Multiple Reaction Monitoring cubed (MRM3)
développée par l’équipe Anabio-MS en 2009 permettent de gagner un degré de spécificité
supplémentaire [33]. À la différence de la MRM, Le 3ème quadripôle hybride permet de piéger les ions
dans la trappe d’ion linéaire à injection axiale (Q/LIT). Comme indiqué dans la figure n°6, en MRM3 les
ions fragments spécifiques de l’ion précurseur sont refragmentés dans le Q3 avant de subir un nouveau
balayage des ions sous-produits. Cette triple sélectivité conduit à l’augmentation du rapport
signal/bruit permettant de gagner en sensibilité tout en limitant le risque d’interférence. Cependant,
ce mode d’acquisition n’est pas approprié pour le développement de méthodes hautement
multiplexées à cause du temps d’accumulation et d’excitation dans la trappe qui limite la fréquence
d’acquisition. En effet, le temps d’acquisition en mode MRM classique pour une transition est
d’environ 10 ms contre 350 ms en MRM3 [33].

2.2.2. Le mode d’acquisition Parallele Reaction Monitoring (PRM)

Depuis une dizaine d’années, les spectromètres de masse de haute résolution sont très utilisés dans le
cadre de suivi de molécules via le mode d’acquisition Parallel Reaction Monitoring (PRM) de chez
Thermo Scientific®. On peut également le retrouver sous l’appellation MRM haute résolution ou MRM-
HR chez Sciex®. Ce mode d’acquisition développé par l’équipe de B. Domon [34,35] diffère du mode
MRM après l’étape de sélection du composé d’intérêt et de sa fragmentation dans la cellule de
collision. En PRM l’ensemble des fragments issus du précurseur sont analysés simultanément comme
représenté sur la figure n°7.
18
Chapitre 1 : Étude bibliographique

Figure 7 : Principe de la PRM. Dans le mode PRM, les ions sont filtrés dans le 1er quadripôle en fonction de leur m/z avant
d’être envoyés dans le multipôle qui est utilisé comme cellule de collision. Pour terminer, l’ensemble des ions fragments issus
de la fragmentation d’un ion d’intérêt sont analysés dans un analyseur de haute résolution.

L’utilisation de la haute résolution permet de différencier les différents rapports de m/z et de s’assurer
qu’ils proviennent du bon composé à quantifier. Il n’y a donc pas besoin de réaliser une deuxième
filtration en masse avant sa détection. Le suivi de toutes les transitions par composé permet
d’augmenter la sélectivité de la méthode lors de l’analyse d’échantillon complexe en limitant les
erreurs dues à la présence de potentiels interférents. Les modes MRM et PRM ont été souvent
comparés dans la littérature notamment en protéomique [36–38] en démontrant des performances
comparables en termes de sensibilité, de linéarité et de justesse. Comme le mode PRM permet de
suivre la totalité des transitions pour un même composé, une grande spécificité est attendue [37]. Il
est possible en MRM de suivre la totalité des fragments comme en PRM, mais cela prendra trop de
temps puisque chaque transition ne peut être détectée qu’individuellement. La sensibilité supérieure
en MRM a conduit la communauté scientifique à la préférer vis-à-vis de la PRM [38] bien que les gains
soient souvent faibles.

2.3. Quelles sont les limites des méthodes MRM en termes de

capacité de multiplexage et comment les améliorer ?
La sensibilité et la robustesse des méthodes ciblées utilisant le mode MRM en font une méthodologie
de choix dans la mise en place de méthodes de quantification. Que ce soit en lipidomique,
métabolomique ou en protéomique, il est sans cesse nécessaire de développer des méthodes
permettant de doser de plus en plus de molécules en une seule analyse. C’est pour cela que dans cette
partie nous nous sommes intéressés aux limites de multiplexage des méthodes MRM et aux différentes
stratégies déployées pour augmenter la capacité de multiplexage.

2.3.1. Évaluation des capacités de multiplexage en mode MRM

Le développement de méthodes MRM hautement multiplexées nécessite d’optimiser des paramètres

clés pour augmenter la vitesse d’acquisition des appareils de type quadripolaire sans diminuer la
qualité du résultat analytique (nombre de points par pic et rapport signal/bruit). Le premier paramètre
19
Chapitre 1 : Étude bibliographique

est le dwell time qui correspond au temps de suivi d’une seule transition alloué par le spectromètre de
masse. Le deuxième paramètre est le temps de cycle qui correspond à la durée nécessaire pour
observer la totalité des transitions présentes dans la méthode. Le dernier paramètre est le temps de
repos qui traduit la durée nécessaire pour vider le deuxième quadripôle entre deux transitions
MRM. Le temps de repos correspond au dwell time minimal permis par le spectromètre de masse (5
ms pour un QTrap 5500 de chez Sciex®).

Dans le cadre d’analyse multiplexée, plus le nombre des transitions MRM par méthode est élevé, plus
le temps de cycle augmente comme le montre la formule suivante, qui est applicable pour un dwell
time identique pour chaque transition :

x Temps de cycle = (Dwell time + Temps de repos) x Nombre de transitions

Cependant, le dwell time est limité par les capacités de balayage des appareils. Ceci implique qu’il
existe un dwell time minimal, qui varie de 1 à 5 ms. Il est important de noter que plus la valeur de dwell
time sera petite, plus le rapport signal/bruit (S/B) sera faible et plus la sensibilité sera diminuée.

Afin de déterminer les capacités de multiplexage maximales, on peut calculer le nombre maximal de
transitions observables par méthode dans des conditions données. Par exemple, pour une largeur de
pic moyenne de 15 s et un dwell time minimum de 5 ms, on souhaite avoir 12 points par pic. Le nombre
de points minimum par pic chromatographique doit être compris entre 10 et 15 afin d’assurer une
bonne quantification. Cela nous donne un temps de cycle de 1.25 seconde selon la relation :

x Nombre de points = Largeur de pics / Temps de cycle

On divise le temps de cycle (1.25 s) par le dwell time (5 ms) et le temps de repos (5 ms) pour obtenir le
nombre de transitions observables dans la méthode. Ainsi la méthode peut contenir, dans ces
conditions, un maximum de 125 transitions. Les conditions généralement adoptées permettent
d’obtenir entre 100 et 150 transitions MRM par méthode.

Comme le montre la figure n°8, l’optimisation d’une méthode MRM couplée à la chromatographie
liquide consiste à trouver le bon équilibre entre dwell time, temps de cycle et nombre de transitions
MRM. Dans cette figure, le premier cas (cf. figure n°8 A) met en évidence la situation optimale dans
laquelle le nombre de transitions et le dwell time induisent un temps de cycle permettant d’avoir
suffisamment de points pour définir le pic chromatographique. Ces conditions induisent également
des dwell time suffisamment grands pour avoir un signal/bruit acceptable. La figure n°8 B indique que
si l’on souhaite augmenter le nombre de transitions MRM sans augmenter le temps de cycle pour
conserver le même nombre de points par pic chromatographique, il est nécessaire de diminuer le dwell
time. Cela se traduira par une diminution du rapport S/B. Le troisième cas (cf. figure n°8 C) indique que
20
Chapitre 1 : Étude bibliographique

si l’on souhaite augmenter le nombre de transitions sans perdre en sensibilité en gardant un dwell time
identique, cela se traduira par l’augmentation du temps cycle et la diminution du nombre de points
par pic chromatographique. Cette diminution du nombre de points peut entrainer des biais dans la
quantification si la totalité de l’aire réelle du pic chromatographique n’est pas intégrée.

Figure 8 : Évolution de la capacité de multiplexage en fonction des paramètres de masse. Les lignes horizontales
représentent les fenêtres de détection de chaque transition MRM dans la méthode. La largeur de ces lignes représente le
dwell time appliqué pour chaque transition MRM. Plus la ligne est épaisse plus le dwell time est important. La somme des
largeurs de ces lignes représente le temps de cycle de la méthode. (A) Dans la partie supérieure, on se trouve dans les
conditions optimales avec un nombre de points par pic suffisant et un bon rapport S/B. (B) La partie centrale représente une
méthode ou le nombre de transitions augmente avec une diminution du dwell time afin de conserver le même temps de cycle
que les conditions optimales. On a donc un nombre suffisant de points par pic, mais une diminution du rapport S/B. (C) La
partie inférieure représente une méthode où le nombre de transitions augmente sans diminuer le dwell time ce qui implique
une augmentation du temps de cycle. On a donc moins de points par pic chromatographique (adapté de la thèse de Blandine
Rougemont [39]).

2.3.2. Capacité de multiplexage du mode MRM versus PRM

L'une des faiblesses du mode PRM est le faible taux de balayage qui limite la capacité des expériences
MS/MS lorsqu'elles sont réalisées à grande échelle [40]. Les récents progrès technologiques ont permis
d'augmenter ce taux de balayage pour les appareils de type Q-TOF afin de permettre le multiplexage
d'un grand nombre de précurseurs [41]. Par exemple, le spectromètre de masse TripleTOF® 5600 peut
fournir jusqu'à 100 expériences MS/MS par seconde [41]. Cependant, par rapport à la MRM qui peut
réaliser plusieurs centaines d'expériences MS/MS en accord avec le nombre de points par pic
21
Chapitre 1 : Étude bibliographique

chromatographique (dwell time de 1 à 5 ms), la capacité de multiplexage en PRM est encore inférieure
dans les mêmes conditions [42]. Cela est seulement vrai dans le cas où l’on accorde plus d’importance
au nombre de précurseurs par rapport au nombre de fragments par composé (par exemple lorsque 3
transitions suffisent dont une quantifiante et deux qualifiantes). Dans le cas où il est nécessaire d’avoir
la totalité des fragments par peptide, la PRM sera plus appropriée. En effet, l’analyseur TOF compte le
nombre d’ions de n’importe quel rapport m/z dans chaque mesure alors que le quadripôle ne compte
que les ions d’un seul rapport m/z dans chaque mesure. Ainsi, dans le cas d’une analyse hautement
multiplexée d’un échantillon complexe il faudra plus de temps au QQQ pour balayer la totalité des
rapports m/z que pour un TOF.

2.3.3. Mise en place de méthodes avec fenêtres de temps (Scheduled-MRM)

Le mode MRM permet de suivre entre 100 et 150 transitions MRM par méthode en fonction des
conditions chromatographiques et des différents paramètres cités précédemment. Dans le cas où l’on
utilise 3 transitions par composé pour plus de spécificité cela représente le dosage simultané de 30 à
50 composés. Pour augmenter le nombre de composés analysés par méthode MRM, il est nécessaire
de mettre en place des méthodes avec des fenêtres de détection pour l’acquisition des rapports m/z
au sein des zones d’intérêt du chromatogramme. Le mode permettant de mettre en place des fenêtres
de détection avec le mode MRM possède plusieurs noms commerciaux : Scheduled-MRM chez Sciex®,
Dynamic-MRM chez Agilent® et Time-MRM chez Thermo Scientific®. Pour plus de simplicité, ce mode
d’acquisition sera appelé méthode scheduled ou sMRM. Comme son nom l’indique, la sMRM utilise
des fenêtres temporelles qui enregistrent les signaux des transitions seulement dans la zone d’élution
des composés d’intérêt (cf. figure n°9). Ce fenêtrage autour des temps de rétention permet
d’augmenter les capacités de multiplexage de la méthode en augmentant le nombre de transitions
maximales. Puisque le spectromètre de masse n’est plus obligé de suivre l’ensemble des transitions
pendant la totalité de l’analyse, de nouvelles transitions MRM sont suivies. En mode scheduled, le
temps de cycle est fixe pendant toute l’analyse. De ce fait, le dwell time est ajusté automatiquement
à chaque fenêtre de temps de rétention de manière à avoir le dwell time le plus grand tout en
respectant le temps de cycle de la méthode. Cela permet de gagner en sensibilité en améliorant le
rapport signal/bruit par rapport à une méthode MRM. Les méthodes scheduled nécessitent de
connaitre précisément les temps de rétention des composés d’intérêts dans des conditions séparatives
données. Cette limitation implique d’avoir une méthode robuste pour ne pas perdre d’informations
dues au décalage des temps de rétention. Les moindres variations analytiques comme l’utilisation de
différentes configurations de chaines chromatographiques, les différences de débits appliqués, la
longueur et la largeur de la colonne impliquent des réajustements au niveau de ces fenêtres. Cette
problématique des décalages en temps de rétention sera rediscutée plus précisément dans le chapitre

22
Chapitre 1 : Étude bibliographique

2 du manuscrit. La méthodologie utilisée en sMRM peut également être appliquée au mode PRM
[40,43,44].

Figure 9 : Différence entre la MRM et la sMRM. En MRM, les transitions sont suivies pendant tout le chromatogramme ce
qui réduit la capacité de multiplexage et limite le rapport signal/bruit. En effet, le dwell time est fixe dans le temps avec des
valeurs faibles dans le cas d’une méthode hautement multiplexée. La robustesse est importante, car ce mode est indépendant
des temps de rétention. En sMRM, les transitions sont réparties dans des fenêtres de temps ce qui augmente la capacité de
multiplexage ainsi que le rapport signal/bruit, car le dwell time est variable dans le temps en fonction du nombre de
transitions superposées. La robustesse est plus faible, car ce mode est dépendant des temps de rétention qui peuvent varier.

2.3.4. Un nouveau mode d’acquisition : Scout-MRM

Un nouveau mode d’acquisition a été récemment développé permettant d’augmenter drastiquement

les capacités de multiplexage des méthodes MRM appelé Scout-MRM [45–47]. Ce nouveau mode
d’acquisition développé en 2016 est le fruit d’une collaboration entre l’équipe Anabio-MS et la société
Sciex®. La particularité de ce mode d’acquisition consiste à s’affranchir des décalages en temps de
rétention via la détection de composés exogènes ou endogènes appelés scout. Lorsque l’intensité de
la transition MRM d’un scout dépasse un certain seuil, un groupe de transitions non ordonnées de
composés qui lui est attribué est déclenché. L’acquisition de ces transitions se poursuit jusqu’à ce
qu’un autre scout soit détecté et ainsi de suite. La méthode Scout-MRM est donc une évolution de la
sMRM vers un mode dynamique qui s’affranchit des décalages en temps de rétention des composés.
Le principe du mode Scout-MRM et son utilisation seront approfondis dans le chapitre 2 du manuscrit.

23
Chapitre 1 : Étude bibliographique

À ce jour, la méthodologie Scout-MRM a été développée sur les appareils de type QTrap de la société
Sciex (QTRAP 6500, QTRAP 6500+ et QTRAP 7500).

2.3.5. Quels sont les plus grands multiplexes en approche ciblée dans les différentes
sciences omiques ?
Dans le domaine de la santé, de nombreuses méthodes à haut degré de multiplexage ont été mises en
place pour le dosage ciblé de protéines par spectrométrie de masse. Dans le cas de la scheduled-PRM
(sPRM), Schilling et al. [48] ont développé une méthode permettant l’analyse simultanée de 466
peptides et 2694 transitions chez la bactérie E.coli. En sMRM Burgess et al. [49] sont capables de suivre
800 peptides avec un total de 2 400 transitions dans le plasma humain. Pour finir, Rougemont et al.
[47] ont mis en place le plus grand multiplexe à ce jour en Scout-MRM avec le suivi en simultané de
782 peptides et un total de 2346 transitions MRM réparties dans 19 groupes. Pour atteindre de telles
capacités de multiplexage, il est nécessaire d’avoir de longs gradients chromatographiques pour
répartir les composés le long du chromatogramme (> 1h). Cela limite au maximum la superposition
des fenêtres de détection et permet d’avoir le plus de groupes scouts possible. L’utilisation de la
spectrométrie de masse comme outil de mesure en protéomique avec des approches ciblées est très
récente en écotoxicoprotéomique. En 2018, le plus grand multiplexe dans le cas d’analyses
protéomiques d’espèces sentinelles a été développé par Charnot et al. avec le suivi de 71 peptides et
213 transitions en sMRM [50]. Nous avons tiré profit du mode d’acquisition Scout-MRM pour
augmenter les capacités de multiplexage des méthodes utilisées en écotoxicologie (cf. chapitre 2).

Dans le cas des analyses de lipides, Zhou et al. ont élaboré une méthode à partir d’un appareil Q-TOF
pour suivre 222 espèces moléculaires à travers 22 classes de lipides dans du sérum humain grâce au
mode PRM [51]. Il s’agit de l’un des plus grands multiplexes de lipides en mode PRM. L’un des plus
importants multiplexes en mode MRM a été mis en place par Weir et al. [52] avec l’analyse de 312
lipides répartis dans 23 familles lipidiques. L’ensemble des transitions de leur méthode est réparties
en 2 méthodes sMRM avec d’une part les glycérolipides et d’une autre le reste des familles de lipides.
Pour atteindre un tel degré de multiplexage, les auteurs ont utilisé des fenêtres de temps de ± 30
secondes pour encadrer l’élution des lipides. Cela laisse une faible marge de manœuvre dans le cas de
potentiel décalage en temps de rétention. Dans le cas des analyses en lipidomique, il existe peu
d’articles scientifiques illustrant de très grands multiplexes avec le mode MRM. En général, les études
s’appliquent uniquement à quelques classes de lipides spécifiques ou même parfois une seule par
injection [53,54]. Par ailleurs, les analyses reposent majoritairement sur l’utilisation d’appareils de
spectrométrie de masse haute résolution. La principale limite des approches MRM est que le suivi des
transitions spécifiques exclut l'enregistrement et le retraitement des données post-acquisition des
lipides non identifiés [55].

24
Chapitre 1 : Étude bibliographique

À ce jour, le plus grand multiplexe dans le cas des analyses ciblées en métabolomique a été réalisé par
Gonzalez-Dominguez et al. [56] dans une étude réalisée en 2020. L'objectif de cette étude est de
réaliser, pour la première fois, le développement d'une méthode en métabolomique à haut débit pour
mesurer l'exposome humain de façon complète et quantitative. Pour cela, les auteurs ont pris en
compte les métabolites endogènes impliqués dans les voies métaboliques essentielles comme la
glycolyse et le cycle de Krebs, les métabolites liés à l'alimentation, les médicaments couramment
consommés, etc. La méthode permet de quantifier 1019 métabolites présents dans le plasma et l’urine
chez l’Homme. Ce multiplexe est d’autant plus complet que, pour plus de 98% des composés, 2
transitions MRM sont utilisées alors que la majorité des multiplexes en métabolomique n’utilise
qu’une seule transition MRM. Au total, 458 composés sont analysés avec une source d’ionisation
électrospray en mode positif (ESI (+)) soit 916 transitions MRM et 561 composés en mode négatif (ESI
(-)) soit 1098 transitions MRM. Ce degré de multiplexage est atteint grâce à la technologie sMRM avec
des fenêtres de détection comprises entre 50 et 100 secondes. Ces fenêtres de temps rendent cette
méthode particulièrement sensible aux décalages en temps de rétention.

Une fois le mode d’acquisition sélectionné, il est nécessaire de se poser des questions sur le système
d’introduction de l’échantillon le plus adapté pour l’analyse d’échantillon complexe dans le
spectromètre de masse. L’approche la plus simple est de se reposer sur les capacités de discrimination
des spectromètres de masse en introduisant l’échantillon directement dans l’appareil.

2.4. Analyse par infusion directe

L’approche la plus simple pour commencer la caractérisation d’un échantillon inconnu consiste à
effectuer une analyse globale par spectrométrie de masse de haute résolution (HRMS) [53,57–59].
L’une des méthodes consiste à infuser l’échantillon de façon continue directement au niveau de la
source du spectromètre de masse sans séparation chromatographique en amont. Cette technique
dénommée infusion directe (DI/MS) s’appuie sur la capacité du spectromètre de masse haute
résolution à séparer les composés en fonction de leurs rapports m/z. Elle s’emploie couramment avec
des spectromètres de masse tels que l’Orbitrap ou les TOF qui possèdent une très grande résolution
permettant de différencier des composés ayant des rapports m/z proches. Cependant, des
phénomènes de suppression d’ions peuvent se produire via l’ionisation simultanée de nombreux
composés et risquent d’engendrer une perte de sensibilité. Cela est dû essentiellement au changement
de propriété des gouttelettes par les interférents lors du passage de la phase liquide à gaz dans la
source ESI [60]. En effet, des espèces moins volatiles que le composé d’intérêt peuvent modifier
l’efficacité de formation des gouttelettes et perturber l’évaporation de l’analyte [61]. Les espèces
moins volatiles peuvent ainsi entrainer la coprécipitation de l’analyte diminuant le nombre d’ions
transmis jusqu’au détecteur [62]. L’autre facteur limitant de ce mode d’analyse est son incapacité à
25
Chapitre 1 : Étude bibliographique

séparer des composés isobares. Par exemple, les lipides qui possèdent de nombreuses formes
isomères de même masse, comme les lysophospholipides dont la position de la chaine d’acides gras
peut se trouver en sn-1 ou sn-2, ne peuvent pas être différenciés (cf. chapitre 3 partie 3.2) [63]. Ce
mode DI/MS est très utilisé en analyse lipidomique, car ce type de quantification a l’avantage, par
rapport à la LC-MS, d’avoir un environnement stable d’ionisation qui n’est pas influencé par les
variations de phase mobile ou de matrice [58]. De plus, cette approche est simple à mettre en place et
nécessite peu d’optimisation.

Pour éviter ces contraintes et ainsi améliorer les limites de détection, il faut utiliser un système
chromatographique tel que la chromatographie liquide (LC) ou la chromatographie gazeuse (GC)
couplée au système MS afin de décomplexifier l’échantillon en amont de la détection [55]. D’autant
plus que l’approche DI/MS pour les échantillons complexes est difficilement compatible avec les
spectromètres de masse de faible résolution.

3. Diminution de la complexité d’un échantillon grâce à une

dimension de séparation en amont du spectromètre de
masse
3.1. Techniques séparatives en métabolomique polaire
La chromatographie en phase liquide est le mode de séparation le plus utilisé pour l'analyse du
métabolome polaire, car il est directement compatible avec l'analyse d'échantillons aqueux [64] et
qu’il ne nécessite pas d’étapes de dérivation pour rendre volatils les composés qui ne le sont pas. Cette
condition est indispensable en chromatographie en phase gazeuse (GC) [18]. L’utilisation de la
chromatographie à polarité de phase inversée (RPLC) est limitée lors de l'analyse d’espèces polaires
et/ou ioniques en raison de la faible rétention de ces molécules. D'autres mécanismes de séparation
sont nécessaires pour assurer une rétention suffisante et donc la bonne résolution des analytes
polaires. Une meilleure rétention permet également de diminuer les effets matrices. Ainsi, la
chromatographie d'interaction hydrophile (HILIC) ou la chromatographie liquide en phase normale
(NPLC) peuvent être utilisées. Cependant, la HILIC reste le mode chromatographique le plus utilisé que
ce soit en écotoxicologie [65,66] ou lors des études cliniques [67–69]. Cela est dû au couplage difficile
entre la phase normale et les sources électrospray des spectromètres de masse. Les phases mobiles
courantes en NPLC contiennent de grandes quantités de solvants de faible polarité tels que l’hexane
ou l’heptane. Ces solvants ne permettent pas de former des sprays stables pour favoriser la formation
d’analytes chargés en phase gaz lors de l’étape d’ionisation en raison de leur faible conductivité, de
leur tension superficielle et de leur constante diélectrique [70].

26
Chapitre 1 : Étude bibliographique

La HILIC est souvent considérée comme une variante de la NPLC puisqu’elle utilise les mêmes phases
stationnaires. En revanche, les phases mobiles sont très différentes de celles employées en NPLC et se
rapprochent plus de celles utilisées en RPLC. Dans la littérature, les séparations chromatographiques
en mode HILIC sont souvent réalisées avec des phases stationnaires à base de silices vierges ou greffées
avec des groupements polaires (amine, amide, diol, cyano, etc.) [71]. Les phases mobiles sont
composées d’un mélange de solvant organique (généralement de l’acétonitrile) et d’eau [71]. Le
mécanisme de rétention principal est encore sujet à discussion, mais il est admis que les molécules
d’eau de la phase mobile agissent avec les groupements polaires de la phase stationnaire et forment
après un certain temps d’équilibre une couche aqueuse à la surface de cette même phase. Ainsi, un
analyte polaire dissout dans la phase mobile est partagé entre la couche aqueuse semi-immobilisée et
la phase mobile contenant une composition aqueuse. Plus l’analyte est hydrophile, plus l’équilibre de
partage est déplacé vers la couche d’eau de la phase stationnaire, et plus l’analyte est retenu [72].
Inversement, lors d’un gradient chromatographique, plus la composition de la phase mobile aqueuse
augmente, plus les composés hydrophiles sont transmis de la couche d’eau semi-immobilisée à la
phase mobile pour être élués. Toutefois, il existe d’autres mécanismes de rétention théorisés qui
peuvent rentrer en jeu, notamment les liaisons hydrogène entre les espèces polaires neutres, ainsi que
les mécanismes électrostatiques et les interactions de Van der Waals de type dipôle-dipôle. Cela
indique que le mécanisme de la HILIC se distingue significativement de la NPLC [72] puisque
dorénavant la polarité de l’analyte n’est pas le seul facteur à prendre en compte pour expliquer la
rétention comme c’est majoritairement le cas en NPLC et RPLC.

Il est important de souligner que la HILIC possède tout de même des inconvénients comme le temps
d’équilibrage pour former la couche d’eau à la surface de la phase stationnaire. Ce temps d’équilibre
est généralement 2 à 4 fois plus long qu’en RPLC [73]. D’après Buszewski et al. la chromatographie
HILIC possède également une mauvaise répétabilité des temps de rétention comparée à la RPLC [72].
De plus, il est souvent nécessaire d’ajouter un tampon dans les phases mobiles (ex. formiate
d’ammonium) pour affiner les pics chromatographiques [74,75]. Ces sels doivent être volatils pour être
compatible avec la spectrométrie de masse. Toutefois, l’utilisation de tampons salins peut entrainer
une diminution du signal en ESI qui augmente avec la concentration en sels (gamme de concentration
couramment utilisée en HILIC : 5-50 mM). Il a été démontré que 5 mM de formiate d’ammonium peut
provoquer une plus grande suppression du signal pour les produits pharmaceutiques acides et
basiques par rapport à l’utilisation de simples solutions d’acide formique à 0,1% [74].

Malgré cela, la HILIC présente des avantages certains lors de la mise en place d’une étude en
métabolomique focalisée sur les métabolites grâce à sa capacité de séparation des composés polaires
et sa compatibilité avec la spectrométrie de masse.

27
Chapitre 1 : Étude bibliographique

3.2. Techniques séparatives en lipidomique

Bien que la chromatographie en phase gaz soit encore utilisée en lipidomique, notamment pour
l’analyse des chaines d’acides gras libres ou extraites à partir de lipides intacts [76,77], la
chromatographie liquide lui est souvent préférée lorsque c’est possible. En effet, La GC est une
technique limitante, car les composés doivent être thermiquement stables avec une pression de
vapeur suffisamment élevée pour se volatiliser pendant l'injection. Les méthodes de dérivation
chimique (méthylation, silylation, etc.) ou l’estérification par catalyse acide peuvent résoudre ce
problème de volatilité [77–79]. Toutefois, cette réaction chimique peut modifier la reproductibilité de
l’analyse en raison d’une efficacité de dérivation différente pour chaque lipide. La dérivation implique
également de multiples étapes de réaction augmentant le temps d’analyse global et le risque de perte
d’échantillon lors de la procédure [78].

Les trois principaux modes de séparation utilisés en LC-MS appliqués à la lipidomique sont la
chromatographie de phase normale (NPLC), la chromatographie d’interaction hydrophile (HILIC) et la
chromatographie liquide à polarité de phases inversée (RPLC) [53,55]. Les deux premières reposent
sur la séparation des lipides en fonction de leur tête polaire. Ainsi les composés les plus polaires sont
les plus retenus sur la colonne. Par exemple, comme on peut l’observer sur la figure n°10, les lipides
ne possédant pas de tête polaire comme les triacylglycérols (TG), les diacylglycérols (DG) et les
céramides (Cer) ne sont pas ou très peu retenus en comparaison des phospholipides qui possèdent par
exemple une tête choline, éthanolamine, etc. Les lysophospholipides qui possèdent une tête polaire
en plus de n’avoir qu’une seule chaine d’acide gras au lieu de deux vis-à-vis des phospholipides sont
les composés les plus retenus. Il est important de noter que les têtes polaires ne varient pas au sein
d’une même famille lipidique et que la HILIC ainsi que la NPLC induisent peu de séparation selon la
longueur des chaines d’acide gras [58]. C’est pour cela que dans ces modes de séparation l‘ensemble
des lipides issus d’une même classe sont élués dans la même zone du chromatogramme comme
indiqué sur la figure n°10 A. La chromatographie HILIC et de phase normale permettent donc d’obtenir
une bonne séparation des familles au détriment de la séparation au sein d’une même classe de lipides
[58]. Pour les mêmes raisons qui sont énoncées dans la partie précédente (cf. partie 3.1), la
chromatographie HILIC est souvent préférée à la NPLC pour l’analyse des lipides.

28
Chapitre 1 : Étude bibliographique

Figure 10 : Comparaison de la séparation chromatographique des lipides en mode RPLC et en mode HILIC pour l’analyse
lipidique. (A) En HILIC, les lipides d’une même famille se superposent tandis que les familles sont bien séparées entre elles
[80]. (B) En mode RPLC, les lipides sont bien séparés au sein d’une même famille. En revanche, il y a une co-élution entre les
familles [55].

Contrairement à la NPLC et la HILIC, la RPLC est réalisée sur une phase stationnaire apolaire et repose
sur la séparation des lipides en fonction de leurs caractères hydrophobes portés par les chaines
d’acides gras [55]. Les composés les plus retenus sont donc les composés les plus apolaires (ex.
lysophospholipides < phospholipides et sphingolipides < glycérolipides). Les différences entre chaines
de carbones pour une même classe lipidique assurent la bonne résolution au sein de celle-ci. Toutefois,
ces chaines d’acides gras sont présentes pour l’ensemble des lipides et il ne s’agit pas de structures
différenciantes entre classes lipidiques. Cela peut conduire à une co-élution entre familles de lipides
comme illustré dans la figure n°10 B avec la superposition des sphingomyélines (SM), des
diacylglycérols (DG) et des phospholipides (PL) dont font partie les phosphatidylcholines (PC), les
phosphatidyléthanolamines (PE), les phosphatidylinositols (PI), les phosphatidylsérines (PS) ainsi que
les phosphatidylglycérols (PG). Pour les composés les plus apolaires, ce sont les TG qui peuvent être
co-élués avec les esters de cholestérols. La RPLC permet donc d’obtenir une bonne séparation au sein
des familles lipidiques au détriment de la séparation entre classes de lipides [55].

3.3. Techniques séparatives en protéomique

Les peptides sont des composés présentant une diversité physico-chimique très importante
(hydrophobie, charge, point isoélectrique, taille, etc.). De ce fait, il est possible de les séparer par
presque tous les modes de chromatographie liquide comme la chromatographie d’interaction
hydrophile (HILIC), la chromatographie d’échange d’ions (IEC), la chromatographie d’exclusion de taille

29
Chapitre 1 : Étude bibliographique

(SEC), etc. [81]. La chromatographie de phase inverse (RPLC) est l’approche la plus courante en
protéomique, car elle est reproductible, compatible avec la spectrométrie de masse et permet la
rétention de la plupart des peptides [81–83].

L’acétonitrile (ACN) est le solvant organique le plus utilisé en RPLC auquel sont souvent ajoutés des
additifs acides. Ces additifs agissent comme agent d’appariement d’ions pour former des paires d’ions
neutres avec les acides aminés basiques des peptides (arginine, lysine et histidine). Cet appariement
renforce le caractère hydrophobe de l’ion ce qui conduit à une meilleure rétention. Ces additifs acides
diminuent également les interactions secondaires en protonant les sites chargés des groupements
silanols qui peuvent interagir avec les groupements acides des peptides (asparagine, glutamine)
limitant l’élargissement des pics chromatographiques [84,85]. L’acide trifluoroacétique (TFA) est
l’additif de référence pour améliorer les performances chromatographiques des peptides. En effet, il
s’agit d’un acide fort (pKa = 0.3) qui forme des paires d’ions très efficaces pour l’obtention de pic
chromatographique fin et symétrique. Malheureusement, le TFA agit comme un fort suppresseur de
signal lorsqu’il est couplé avec des spectromètres de masse. L’interaction entre le TFA et le peptide est
tellement forte qu’il est compliqué de les dissocier. Cela empêche l’ionisation des molécules en mode
ESI (+) à cause de la formation de paires d’ions neutres. De plus, le TFA rend le spray d’ionisation
instable à cause de sa conductivité et de sa tension superficielle élevée nuisant ainsi à la détection par
spectrométrie de masse [84,85]. Le TFA est souvent substitué par l’acide formique (pKa = 3.75), car
bien qu’il présente des performances chromatographiques moins importantes (appariement d’ion plus
faible), les propriétés de détection en spectrométrie de masse sont améliorées. Il s’agit du meilleur
compromis entre performance chromatographique et sensibilité en spectrométrie de masse [84,85].

Pour l’analyse des peptides fortement polaires et hydrophiles, faiblement retenus en RPLC, il faut
privilégier la séparation sur colonne HILIC d’autant plus que ce changement de phase stationnaire peut
être accompagné par une augmentation de sensibilité. Lors des analyses RPLC utilisant l’ACN comme
solvant d’élution il faut au maximum 25 à 30 % d’ACN pour éluer la totalité des peptides [86] alors que
dans l’idéal il en faudrait 80% pour une désolvatation optimale. En effet, l’acétonitrile présente une
volatilité plus grande et une tension de surface plus faible que l’eau ce qui favorise la désolvatation
des gouttelettes chargées lors de l’ionisation en ESI [73]. Dans le cas des peptides, il faut environ 70 à
80% de phase organique pour réaliser leurs élutions en HILIC. De ce fait, le signal est plus intense en
HILIC qu’en RPLC. Le gain de signal obtenu est en moyenne d’un facteur 2 à 4, mais il pourrait être plus
important, car les peptides possèdent plusieurs états de charge qui diluent le signal comparé aux
petites molécules monochargées [87]. Les peptides trypsiques ne contiennent qu’une seule lysine ou
arginine localisée sur le C-terminal (cf. partie 5.1.2). Comme ces acides aminés sont les plus basiques,
les protons resteront préférentiellement sur ces acides aminés lors de la fragmentation. Dans le cas

30
Chapitre 1 : Étude bibliographique

des ions polychargés, une des charges sera localisée en C-terminal et les autres seront placées sur les
liaisons peptidiques afin de permettre la fragmentation selon le mécanisme du proton mobile [88–90].
Dans le cas des peptides monochargés, le proton sera emprisonné en C-terminal ce qui demandera
plus d’énergie pour réaliser sa fragmentation induisant un rendement d’ionisation plus faible que pour
un polychargé. C’est pour cela que les ions dichargés sont préférés aux monochargés pour la mise en
place de méthodes de quantification. En ESI, l’état de charge moyen dépend de la tension de surface
de la goutte lors de l’ionisation. Plus celle-ci est importante plus le composé sera chargé. Comme la
tension de surface de l’eau est plus élevée que celle de l’acétonitrile, l’état de charge des peptides est
plus faible en HILIC qu’en RPLC. De ce fait, la proportion de peptides dichargés est plus faible en HILIC
qu’en RPLC contribuant davantage au phénomène de dilution du signal au profit de l’ion monochargé.
Pour contrecarrer cet effet en déplaçant l’état de charge vers des niveaux supérieurs (monochargé
vers dichargé) il faut ajouter dans la phase mobile un adduit avec une tension de surface supérieure à
l’ACN comme l’alcool méta-nitrobenzylique (m-NBA). Cela permet d’obtenir un gain de sensibilité
proche de ceux obtenus pour les petites molécules ne possédant qu’un seul état de charge [87]. Simon
et al. [87] ont illustré cette augmentation de signal à travers la figure n°11.

Figure 11 : Séparation d’un ensemble de peptides en HILIC avec 0,5% de m-NBA (p/v) dans la phase mobile (partie
inférieure) et RPLC (partie supérieure) [87].

31
Chapitre 1 : Étude bibliographique

Le gain de signal en HILIC avec utilisation du m-NBA par rapport à la RPLC est compris entre un facteur
3 et 14 lorsque l’on observe l’augmentation de signal pour les 4 peptides mis en évidence. La HILIC est
donc une bonne alternative à la RPLC, car en plus d’améliorer la sensibilité elle offre la possibilité
d’obtenir une séparation différente de la RPLC grâce à son orthogonalité permettant ainsi de lever de
possibles co-élutions. Cependant, son principal défaut est sa capacité de charge limitée qui est plus
faible que la RPLC. Lorsque les quantités injectées sont équivalentes, l’HILIC permet d’abaisser les
limites de quantification, mais lorsqu’une grande quantité d’échantillons est disponible ce gain de
sensibilité peut être contrebalancé en RPLC en augmentant les quantités injectées [62].

La chromatographie liquide unidimensionnelle est largement appliquée dans le domaine des sciences
omiques. Cependant, de nouveaux besoins analytiques ont émergé depuis les dix dernières années
pour élargir le champ d’application de la LC aux échantillons complexes [91]. De nos jours, les analystes
ont tendance à ne plus vouloir quantifier quelques composés dans un milieu complexe, mais plutôt à
quantifier le plus grand nombre de ces inconnus parfois même à l’état de traces [91]. Ces méthodes
de séparation classiques n’ont pas toujours un pouvoir de résolution suffisant pour séparer l’ensemble
des composés cibles dans un échantillon complexe. Les chercheurs en métabolomique et en
protéomique sont confrontés à cette problématique, car les besoins en termes de nombre de
composés à identifier et à mesurer pour ces biomolécules sont en augmentation afin de tendre vers la
biologie des systèmes [91,92]. Cependant, toute augmentation du pouvoir de séparation
chromatographique qui ne résulte pas d’un changement d’instrumentation ou de la conséquence du
progrès dans la science des matériaux nécessitera souvent une augmentation de temps [91,92]. Il n’est
pas possible de poursuivre dans cette voie puisque le temps d’analyse global est l’un des paramètres
clés dans le développement analytique tant d’un point de vue scientifique qu’économique. Un concept
différent comme la chromatographie bidimensionnelle est nécessaire [91].

4. Mise en place d’une méthode chromatographique

avancée : la chromatographie liquide bidimensionnelle
La réponse au manque de séparation de la chromatographie monodimensionnelle est le
développement de systèmes chromatographiques multidimensionnels. D'après Giddings et al. [93], le
terme séparation multidimensionnelle qui comprend également la chromatographie bidimensionnelle
(2D-LC) fait référence à une technique dans laquelle : (i) les composés subissent deux ou plusieurs
séparations indépendantes et (ii) que les composés correctement résolus dans une dimension restent
résolus tout au long du processus de séparation. Les configurations dans lesquelles la phase mobile
sortant d’une colonne est envoyée directement dans une autre (colonnes directement branchées en
série) ne peuvent donc pas être assimilées à de la 2D-LC [93,94].

32
Chapitre 1 : Étude bibliographique

En chromatographie, la qualité de séparation est souvent évaluée par le calcul de la résolution entre
deux composés en déterminant la différence de temps de rétention associée aux largeurs des pics
chromatographiques. Cependant, cette grandeur est limitée, car elle ne prend en compte que des
séparations deux à deux et non pas de l’ensemble des composés au sein du chromatogramme. C’est
pour cela qu’une autre grandeur appelée capacité de pics a été proposée par Giddings [95] puis
améliorée par Horvath [96] pour l’adapter aux analyses en mode gradient. Cette capacité de pics
mesure le nombre de pics qui peut être contenu dans une fenêtre de temps avec une résolution fixée
(en général R=1). Dans des conditions normales en termes de temps d’analyse et de pression, les
analyses unidimensionnelles ont généralement des capacités de pics inférieures à 500. Pour
augmenter cette capacité de pics, il est nécessaire d’optimiser la méthode chromatographique au
maximum [97]. On peut alors atteindre une capacité de pics proche de 1000 [98]. Dans les meilleures
conditions et avec un temps d’analyse de 1 journée, la valeur maximale atteignable est de 1400-1600
en 1D-LC [99]. Dans le cas où l’on souhaite augmenter davantage le nombre de composés à séparer
dans un échantillon complexe, il sera nécessaire de mettre en place des méthodes bidimensionnelles.
En effet, Karger [100], Giddings [101] et Guiochon [102] ont démontré que la capacité de pics en 2D-
LC correspond au produit des capacités de pics des deux colonnes qui composent le système à deux
dimensions. L’orthogonalité entre les deux colonnes est le premier critère pour vérifier le degré de
pertinence d’un système 2D. Ce degré d’orthogonalité correspond aux différences de sélectivité entre
les deux dimensions et il peut être évalué comme étant l’espace bidimensionnel qui est occupé par les
pics sur le diagramme de rétention. Plus il sera important, plus le système aura de chance de séparer
des composés co-élués dans la 1ère dimension comme le montre la figure n°12.

Figure 12 : Exemple de mesure de l’espace de séparation pour un système LCxLC. Plus le pourcentage d’usage est important,
plus le système bidimensionnel est orthogonal [97].

33
Chapitre 1 : Étude bibliographique

En effet, l’espace de séparation à droite de la figure (10%) est moins important qu’à gauche (100%)
puisque les temps de rétention sont plus resserrés et donc moins bien séparés. Ce phénomène est
appelé diagonalisation des temps de rétention et il traduit le manque d’orthogonalité.

Le nom chromatographie liquide bidimensionnelle regroupe différentes techniques qui peuvent

s’effectuer en ligne ou hors ligne. Il existe également un mode utilisant des débits stoppés. Ces
différents modes sont utilisés en fonction des problématiques, des échantillons et des appareils
disponibles, car ils présentent chacun des avantages et des inconvénients.

4.1. Les différents modes 2D

4.1.1. Hors ligne

Les systèmes chromatographiques 2D en mode hors ligne consistent à séparer l’échantillon grâce à
une première séparation appelée 1ère dimension (D1). Les différentes fractions issues de la D1 sont
ensuite collectées avant d’être évaporées puis redissoutes dans un solvant approprié pour être injecté
dans la 2ème dimension séparative (D2). Les avantages de ce type de fonctionnement sont que les deux
dimensions sont indépendantes l’une de l’autre. En effet, il n’y a aucune limite de temps de séparation
dans la 2ème dimension, car les deux séparations se font de manière indépendante. De plus, cette
séparation bidimensionnelle peut être réalisée sur un seul système chromatographique. En revanche,
le temps d’analyse est généralement long, car il correspond au temps d’analyse de la D1 auquel est
ajouté le temps d’analyse de la D2 multiplié par le nombre de fractions récoltées. Par exemple,
certaines séparations 2D peuvent durer plusieurs heures (13 heures pour 16 fractions [103]) et même
jusqu’à plusieurs jours (plus de 80 heures pour 27 fractions [104]). Les fractions sont manipulées par
l’expérimentateur entre les deux dimensions ce qui augmente le risque de perte, de contamination et
le temps d’analyse.

4.1.2. En ligne

Les modes en ligne utilisent deux systèmes chromatographiques simultanément pour analyser en
continu les fractions issues de la 1ère dimension dans la 2ème dimension. Il existe deux configurations
nommées coupe à cœur ou heart-cutting et la configuration totale ou comprehensive. L’ensemble des
modes en ligne ont l’avantage d’être entièrement automatisables.

4.1.2.A. Mode multiple heart cut (LC-LC)

Le mode multiple heart cut consiste à sélectionner les fractions d’intérêts avant de les injecter dans la
2ème dimension comme le montre la figure n°13. Pour réaliser cette configuration qui est abrégée LC-
LC [105,106], il faut deux systèmes chromatographiques séparés par une vanne permettant de stocker

34
Chapitre 1 : Étude bibliographique

les fractions collectées issues de la 1ère dimension avant leurs analyses dans la seconde dimension. En
général, ce mode est utilisé lorsqu’il y a peu de composés d’intérêts qui doivent être isolés, car le
nombre de fractions pouvant être collectées est limité par le nombre de boucles de stockage
disponibles dans le système. Dix fractions peuvent être collectées dans le système vendu par Agilent®
représenté sur la figure n°13 puisque chaque deck possède cinq boucles de stockage plus une boucle
de passage. Comme pour le mode hors ligne le temps d’analyse dans la D2 est indépendant de la D1.
Cependant, la composition à l’élution à l’issue de la 1ère dimension peut impacter la deuxième
séparation, car les deux dimensions sont directement connectées. En LC-LC, le temps d’analyse total
correspond au temps d’analyse de la D1 auquel est ajouté le temps d’analyse de la D2 multiplié par le
nombre de fractions.

Figure 13 : Principe de la chromatographie 2D en mode multiple heart cut [106].

4.1.2.B. Mode comprehensive (LCxLC)

Le mode comprehensive consiste à récupérer l’ensemble des fractions issues de la 1ère dimension et à
les analyser tour à tour dans la seconde. Cette configuration qui est abrégée LCxLC [105,106] nécessite
d’utiliser deux systèmes chromatographiques séparés par une vanne servant d’interface entre les deux
dimensions comme illustrée sur la figure n°14.

35
Chapitre 1 : Étude bibliographique

Figure 14 : Principe de la chromatographie 2D en mode comprehensive [106].

Ce mode implique que le temps d’analyse de la 2ème dimension soit très rapide (inférieur à la minute),
car il doit être inférieur au temps de collecte de la fraction suivante dans la 1 ère dimension (Temps de
séparation en D2 < [Volume d’une boucle / Débit en D1]) [107]. En LCxLC, le temps d’analyse
correspond au temps total de la 1ère dimension. Comme pour le mode multiple heart cut la composition
à l’élution de la fraction éluée à l’issue de la D1 peut impacter la deuxième séparation, car les deux
dimensions sont directement connectées.

4.1.2.C. Mode à débit stoppé

Le mode chromatographique 2D à débit stoppé, aussi appelé stop and go ou stopflow, consiste à
arrêter le débit de la 1ère dimension lorsqu’une fraction est transférée vers la 2ème dimension. Une fois
la séparation dans la 2ème dimension effectuée, le débit de la 1ère dimension est remis en route jusqu’à
ce qu’une autre fraction soit transférée dans la deuxième colonne et ainsi de suite. En mode débit
stoppé, le temps d’analyse est généralement long, car il correspond au temps d’analyse de la D1 auquel
est ajouté le temps d’analyse de la D2 multiplié par le nombre de fractions. Dans le cas d’une analyse
d’un échantillon protéique après digestion trypsique, Sommella et al. ont un temps d’analyse de 17h
[108].

Les modes hors ligne, en ligne (LC-LC et LCxLC) et à débit stoppé présentent chacun des avantages et
inconvénients qui leurs sont propres. Il est donc important de les comparer pour savoir lequel sera le
plus en adéquation avec les objectifs de la méthode 2D qui sera développée.

36
 Chapitre 1 : Étude bibliographique

4.1.3. Comparaison des 3 modes

Dans le cadre des analyses bidimensionnelles, le mode hors ligne permet d’avoir des capacités de pics
plus importantes que le mode en ligne au détriment du temps d’analyse. En effet Beelders et al. [109]
ont comparé le mode hors ligne et LCxLC (HILIC en D1 et RPLC en D2) pour mettre en évidence que le
mode hors ligne possède une capacité de pics 4 fois plus importante que le mode en ligne, mais avec
un temps d’analyse 16 fois plus grand. Le mode débit stoppé est un compromis aux deux autres types
de systèmes 2D. Il permet d’obtenir des capacités de pics intermédiaires avec des temps d’analyse
supérieurs au mode en ligne. Toutefois, l’approche stop and go est peu utilisée à cause de la dispersion
générée dans la 1ère dimension lorsque le débit est arrêté. Les approches en ligne sont les plus
complexes à développer d’un point de vue technologique, car il faut avoir à disposition deux chaines
chromatographiques en plus de l’interface de modulation placée entre les deux dimensions. Les
avantages et inconvénients des trois modes sont résumés dans le tableau n°1. Comme nous pouvons
le voir, le mode en ligne présente le plus d’avantages en proposant un bon compromis entre capacité
de pics et temps d’analyse. D’autant plus que l’ensemble du processus est entièrement automatisable.
C’est pourquoi ce mode sera préféré dans les travaux présentés dans ce manuscrit.

Hors ligne En ligne Débit stoppé

Capacité de pics ++ + ++

Temps d’analyse - ++ -

Automatisation - ++ +

Problème de pollutions - + +

Perte d’échantillons - + +
Appareillage nécessitant une interface complexe
++ - +
(Vanne automatique, boucle de stockage, etc.)
Compatibilité entre D1 et D2 + +/- +/-

Tableau 1 : Avantages et inconvénients des modes hors ligne, en ligne et à débit stoppé en 2D-LC. ++ très positif, + positif,
- négatif, +/- négatif dans certains cas [107].

4.2. Problèmes rencontrés en 2D-LC

4.2.1. Les effets à l’injection

L’un des problèmes majeurs rencontrés lors des analyses bidimensionnelles en ligne est la
compatibilité des solvants entre les deux dimensions, surtout si l’on désire avoir les systèmes les plus
orthogonaux possibles. Le premier critère à vérifier est la miscibilité entre les phases mobiles des deux
dimensions. Le second est la force d’élution entre les phases mobiles. Par exemple lors du couplage
37
Chapitre 1 : Étude bibliographique

HILICxRPLC, l’ACN est la phase mobile qui est considérée comme le solvant le moins éluant en HILIC
alors qu’il est le plus éluant en phase inverse. Le couplage de ces deux dimensions engendre
d’importants effets à l’injection dans la 2ème dimension, comme des déformations de pics
chromatographiques et des phénomènes de percées aussi appelés breakthrough [110–114]. Ce
phénomène, représenté sur la figure n°15, correspond à la séparation d’un pic chromatographique en
deux pics chromatographiques distincts. Le premier pic est élué au temps mort et le deuxième au
temps de rétention normal du composé avec plus ou moins de déformation à l’avant du pic. Ce
dédoublement est dû à la division des composés après leur introduction dans la colonne
chromatographique (injection en 1ère dimension et/ou introduction en 2ème dimension) dans le cas où
le solvant d’injection possède un pouvoir éluant trop important. Une partie des analytes est
directement entrainée par la phase mobile (élution au temps mort) alors que l’autre est retenue sur la
phase stationnaire (élution au temps de rétention normal). Comme indiqué sur la figure n°15, plus la
proportion de solvant fort est importante plus les effets à l’injection seront prononcés ce qui induira
une perte de sensibilité. La stratégie à mettre en place pour éviter ce problème récurrent en 2D-LC en
ligne consiste à limiter la quantité injectée dans la 2ème dimension. Pour cela, il est possible de diviser
le débit en entrée de la 2ème dimension en ajoutant une jonction en « T » ou split diminuant ainsi la
proportion de solvant fort injecté. Les fractions issues de la 1 ère dimension peuvent également être
diluées entre les deux dimensions en introduisant un co-solvant (solvant de make-up) avec un pouvoir
éluant plus faible [114]. Une solution récente et innovante proposée par Chapel et al. [114] consiste à
augmenter le volume d’injection jusqu’à l’obtention du phénomène de total breakthrough. Ils ont
montré que cette condition particulière permet d’avoir un pic parfaitement défini malgré la
persistance du pic de breakthrough lorsque le volume d’injection est suffisamment important (cf.
figure n°15 F). La figure n°16 indique que la condition de total breakthrough permet d’obtenir des
réponses linéaires lorsque la concentration augmente permettant ainsi de faire des études
quantitatives sur ce type de pics chromatographiques [114]. L’utilisation de la division du débit, de la
dilution avec le co-solvant et du total breakthrough entraine toujours une perte de sensibilité par
rapport à la condition sans effet à l’injection [115–117].

38
Chapitre 1 : Étude bibliographique

Figure 15 : Évolution de la forme des pics lors de l’augmentation du volume d’injection par rapport au volume mort de la
colonne (V0). (a) 1 μL injecté (1.5% V0), (b) 1.5 μL injecté (2.1% V0), (c) 1.8 μL injecté (2.5% V0), (d) 2.2 μL injectés (3% V0),
(e) 3.5 μL injectés (4.8% V0), (f) 4.5 μL injectés (6.2% V0). L’astérisque indique le pic de breakthrough [114].

39
Chapitre 1 : Étude bibliographique

Figure 16 : Variation de l’aire du pic en fonction de la concentration dans des conditions de total breakthrough. Solvant
d'injection H2O/ACN (30/70 ; v/v), 3,5 μL (4,8% V0) injectés sur une colonne HILIC. Utilisation d’un détecteur UV à 210 nm
pour détecter des peptides [114].

4.2.2. Couplage avec la spectrométrie de masse et les sources ESI

Les spectromètres de masse à impact électronique (EI), à ionisation chimique (CI) ou à thermospray
sont des détecteurs sensibles au débit massique introduit dans la source de l’appareil. Contrairement
à ces détecteurs, la source électrospray (ESI) possède une sensibilité à la concentration qui est le
résultat d’effets contradictoires. L'ESI-MS est une suite d’étapes comprenant la nébulisation, le
chargement des gouttelettes, l’évaporation du solvant et la libération des ions qui sont conduits dans
le spectromètre de masse. Plus le nombre d’ions introduits dans le spectromètre de masse sera
important plus la réponse obtenue le sera également. Cependant, l’augmentation du débit à l’entrée
du spectromètre de masse n’induit pas forcément une augmentation de sensibilité à la suite d’un afflux
plus important d’ions dans la source. L’évaporation du solvant joue un rôle important dans le
mécanisme de l'électrospray. Un débit élevé peut donc réduire l'efficacité de la désolvatation des
composés d’intérêts. Par conséquent, l’augmentation du débit diminue la libération d'ions à partir des
gouttelettes et limite donc la sensibilité du spectromètre de masse [118]. De nos jours, tous les
fabricants proposent des sources électrospray fonctionnant à des débits de l’ordre du millilitre par
minute [119]. Toutefois, les débits inférieurs à 500 μL/min permettent une meilleure désolvatation et
donc une ionisation optimale [119]. La mise en place d’un système 2D en mode comprehensive
implique des débits supérieurs à 1 mL/min afin d’avoir une séparation la plus rapide possible en 2ème
dimension. Pour résoudre ce problème de compatibilité de débit, il faut mettre en place une jonction
« T » à l’entrée du spectromètre de masse afin de diviser le débit par un facteur fixé par
l’expérimentateur [119]. Cette division de débit ou split peut s’accompagner d’une perte de sensibilité,
car une partie des composés ne sera pas envoyée dans le détecteur. C’est pour cela qu’il est important

40
Chapitre 1 : Étude bibliographique

d’évaluer le ratio gain / perte de sensibilité en fonction de la division et du débit en amont du

spectromètre de masse. Le split diminuera la quantité potentielle d’ions introduits dans le
spectromètre de masse, mais en contrepartie il facilitera la désolvatation des ions et donc la quantité
d’ions libérés à partir des gouttelettes [118]. Lorsque c’est possible, les jonctions « T » sont à éviter
pour que le système reste aussi simple et robuste que possible. Cela élimine le risque de blocage d'un
capillaire de transfert de faible diamètre [118].

L’autre facteur à prendre en considération lors du couplage de la spectrométrie de masse avec des
systèmes 2D-LC est la fréquence d’acquisition. Il est couramment admis que pour définir un pic
chromatographique il faut entre 10 et 15 points par pic. Dans le cas d’une configuration classique, les
pics chromatographiques possèdent des largeurs de pic de 10 secondes ou plus. Dans le cas de la mise
en place de méthode LCxLC, les pics peuvent être réduits à une largeur de 1 seconde ou moins toujours
dans le but d’avoir une séparation la plus rapide possible en 2ème dimension [120]. Ainsi, il peut être
compliqué d’avoir suffisamment de points pour définir de tels pics chromatographiques en LCxLC. Voilà
pourquoi les spectromètres de masse de type temps de vol (Time of flight ou TOF) sont principalement
couplés au système LCxLC, car ils présentent les vitesses d’acquisitions les plus importantes.

4.2.3. Traitement des données

La mise en place d’un système chromatographique bidimensionnel implique une complexité dans le
traitement des données, car on rajoute une dimension supplémentaire qui permet d’obtenir une
quantité d’informations plus importante que les méthodes 1D. De ce fait, il est primordial d’utiliser des
outils informatiques pour traiter les chromatogrammes obtenus [92]. Pour cela, il existe plusieurs
approches pour traiter ce type de données 2D. Une des possibilités est de traiter les données fraction
par fraction ce qui permet d’utiliser les outils classiques en 1D-LC. Cependant, cela peut rapidement
devenir délicat lorsque l’on se retrouve avec plus de 3 dimensions à exploiter (par exemple : temps de
rétention D1, temps de rétention D2, intensité, spectre de masse) impliquant l’utilisation d’outil
chimiométrique complexe. L’autre solution est de transformer le fichier de données en image à 2 ou 3
dimensions. La figure n°17 montre des exemples de représentation des données. La première (3D plot)
représente les pics chromatographiques en 3 dimensions. La deuxième représentation (2D colour plot)
illustre le même chromatogramme vu du dessus. Cette méthode de transformation en fichier image
donne des résultats plus simples à interpréter et est actuellement disponible commercialement sous
forme de logiciel (ex : LC image).

41
Chapitre 1 : Étude bibliographique

Figure 17 : Mise en forme de la collection de chromatogrammes de 2ème dimension en un chromatogramme 2D-LC. Dans la
1ère partie, les pics chromatographiques verts, jaunes et roses qui constituent un pic composite non résolu en 1D-LC sont
séparés en 2D-LC. Dans la 2ème partie, les chromatogrammes de 2ème dimension sont transformés afin que la série soit plus
visible et que les pics individuels jaunes, verts et roses augmentent et diminuent au fur et à mesure que le pic de 1 ère
dimension est élué. Dans la 3ème partie, deux visualisations différentes du chromatogramme 2D sont présentées, la
représentation en 2D et en 3D [121].

42
Chapitre 1 : Étude bibliographique

La chromatographie bidimensionnelle a déjà été appliquée à des analyses en protéomiques [114] et

métabolomiques [122]. Dans cette thèse, cette technique séparative a été utilisée pour les analyses
en lipidomique. La suite de l’état de l’art se focalisera donc sur les différentes configurations déjà mises
en place pour l’analyse de cette famille omique.

4.3. La 2D-LC dans le cadre des analyses lipidomiques

Lors des analyses lipidiques en chromatographie bidimensionnelle, les phases inverses ont déjà été
associées à des phases polaires. L’avantage de coupler ces deux dimensions est de combiner la
séparation des lipides d’une même famille en RPLC avec la séparation des différentes classes lipidiques
en HILIC ou NPLC comme expliqué précédemment (cf. partie 3.2). Ainsi cela permet de diminuer les
effets matrices subits par les lipides minoritaires et d’éviter la présence de composés isobares entre
les familles lipidiques [123]. Les différentes configurations 2D qui ont déjà été mises en place dans le
cadre d’analyses lipidomiques sont référencées dans le tableau n°2. Les avantages et les inconvénients
de chacun de ces systèmes ont été résumés.

43
 Système 2D Avantages Inconvénients Biblio
Hors ligne x Séparation entre acide gras cis et trans x Analyse d’une seule famille (TAG) [124]
x Deux dimensions totalement indépendantes x Non automatisable
D1 : RPLC x Capacité de pics totalement optimisée x Temps d’analyse long
D2 : Ag-LC x Retraitement facilité et compatible avec tout type de MS x Évaporation entre les deux séparations
x Simplicité du montage x Risque de perte d’échantillon accrue
Hors ligne x Deux dimensions totalement indépendantes x Non automatisable [125]
x Fractionnement des familles lipidiques puis séparation au sein de ces familles x Temps d’analyse long
D1 : HILIC x Capacité de pics totalement optimisée x Évaporation entre les deux séparations
D2 : RPLC x Retraitement facilité et compatible avec tout type de MS x Risque de perte d’échantillon accrue
x Simplicité du montage
LC-LC Heart cut x Fractionnement des familles lipidiques puis séparation au sein de ces familles x Risque de perte d’échantillon lors de l’évaporation [126,127]
x Automatisable x Complexité du montage
D1 : NPLC x 2ème dimension indépendante de la 1ère x 1ere dimension dépendante de la 2ème
D2 : RPLC x Retraitement facilité et compatible avec tout type de MS x Capacité de pics plus faible que le mode hors ligne
x Évaporation automatique entre les deux dimensions
LC-LC Heart cut x Fractionnement des familles lipidiques puis séparation au sein de ces familles x Pas de multiple heart cut possible avec ces systèmes [128,129]
x Automatisable x 1 injection nécessaire par fraction
D1 : HILIC x 2ème dimension indépendante de la 1ère x 1ere dimension dépendante de la 2ème
D2 : RPLC x Retraitement facilité et compatible avec tout type de MS x Diminution obligatoire du pouvoir éluant du solvant d’injection en 2D
Stop flow x Fractionnement des familles lipidiques puis séparation au sein de ces familles x Débit stoppé en 1ere dimension [130]
x Retraitement facilité et compatible avec tout type de MS x Élargissement des pics
D1 : NPLC x Automatisable x Évaporation entre les deux dimensions
D2 : RPLC x 2ème dimension indépendante de la 1ère
Stop flow x Fractionnement des familles lipidiques puis séparation au sein de ces familles x Débit stoppé en 1ere dimension [131,132]
x Retraitement facilité et compatible avec tout type de MS x Élargissement des pics
D1 : HILIC x Automatisable x Diminution obligatoire du pouvoir éluant du solvant d’injection en D2
D2 : RPLC x 2ème dimension indépendante de la 1ère x 1ere dimension dépendante de la 2ème
LCxLC x Gain de temps par rapport aux autres modes 2D x Les deux dimensions sont dépendantes l’une de l’autre [123,133]
x La totalité des fractions est envoyée dans la 2ème dimension x Retraitement complexe des données et compatible avec les TOF uniquement
D1 : RPLC x Automatisable x Capacité de pics plus faible que les autres modes 2D
D2 : HILIC x Complexité du montage
x Diminution obligatoire du pouvoir éluant du solvant d’injection en 2D
x Temps équilibrage important en HILIC
LCxLC x Fractionnement des familles lipidiques puis séparation au sein de ces familles x Les deux dimensions sont dépendantes l’une de l’autre [123]
x Gain de temps par rapport aux autres modes 2D x Retraitement complexe des données et compatible avec les TOF uniquement
D1 : HILIC x La totalité des fractions est envoyée dans la 2ème dimension x Capacité de pics plus faible que les autres modes 2D
D2 : RPLC x Automatisable x Complexité du montage
x Diminution obligatoire du pouvoir éluant du solvant d’injection en 2D
x RPLC pas assez résolutive avec un gradient court.
Tableau 2 : Avantages et inconvénients des différents systèmes 2D-LC (hors ligne, stop flow, heart cut et comprehensive) dans le cas des analyses lipidomiques.

44
Chapitre 1 : Étude bibliographique

4.3.1. Les approches hors ligne pour l’analyse des lipides

Comme on peut le voir dans le tableau n°2, les approches en mode hors ligne sont les plus faciles à
mettre en place. En effet comme ces deux dimensions sont indépendantes l’une de l’autre cela permet
d’avoir les capacités de pics les plus importantes. On peut ainsi coupler tous les systèmes
chromatographiques sans se soucier de la compatibilité entre les phases mobiles puisque l’on peut
évaporer et resolubiliser l’échantillon entre les deux dimensions. Holcapek et al. ont ainsi pu coupler
la chromatographie de phase inverse à de la chromatographie ionique utilisant des colonnes en argent
(Ag-LC) afin de séparer les isomères cis et trans des triacylglycérols [124]. Cependant, ces approches
sont difficilement automatisables, nécessitent des temps d’analyse longs et peuvent engendrer des
risques de perte d’échantillons entre les dimensions [124,125].

4.3.2. Les approches en ligne pour l’analyse des lipides

4.3.2.A. Choix de la phase stationnaire polaire : HILIC ou NPLC ?

En 2D-LC en ligne, la RPLC est plus souvent associée à la HILIC plutôt qu’à la NPLC. En effet, ces deux
modes de chromatographies utilisent des phases mobiles similaires et donc miscibles entre elles. Cela
permet d’éviter l’étape de séchage de l’échantillon entre les deux dimensions qui est indispensable
pour les analyses 2D utilisant la RPLC couplée à la NPLC [126,127,130]. Cette étape d’évaporation peut
être automatisée comme le montre la figure n°18.

Figure 18 : Schéma du système d'interface 2D-LC NP-RP basé sur une vanne à deux positions à dix ports avec une interface
de séchage en ligne [130].

45
Chapitre 1 : Étude bibliographique

Pendant qu’une fraction est analysée dans la 2ème dimension, la sortie de la colonne de 1ère dimension
est reliée à une pompe à vide qui sèche la phase mobile. Lorsque la vanne permute, la phase mobile
de la 2ème dimension resolubilise les lipides avant de les envoyer dans la colonne de phase normale.
Parallèlement, la fraction suivante est de nouveau évaporée grâce à la pompe à vide et ainsi de suite.
Malgré le fait que cette étape d’évaporation puisse être automatisable [126,127,130], cela augmente
le risque de perte d’échantillon. De plus, la solubilisation des TG peut être compliquée sans la présence
de solvants chloroformés. Pour finir, la HILIC est plus compatible que la NPLC avec les sources
électrospray des spectromètres de masse (cf. partie 3.1).

4.3.2.B. Approche à débit stoppé en lipidomique

Différents types de 2D-LC en ligne sont décrits dans la littérature lors de l’analyse de lipide comme
indiqué dans le tableau n°2. Le premier est la stopflow 2D-LC qui combine les avantages des méthodes
en ligne ainsi que des méthodes hors lignes en stoppant le débit de la 1ère dimension lors de l’analyse
d’une fraction en 2ème dimension [130–132]. Cependant, le fait de stopper le débit dans la 1ère
dimension peut induire des élargissements de pics importants. Wang et al. ont imaginé un système de
cartouche de piégeage accompagné d’un solvant de make-up, présenté sur la figure n°19, pour limiter
le problème d’incompatibilité de solvant et d’élargissement de pic [132]. En effet, la cartouche entre
les deux dimensions permet de capturer les lipides en tête de colonne, limitant ainsi la déformation
de pic générée par l’arrêt du débit en D1 tout en diluant et éliminant la phase mobile issue de la 1 ère
dimension résolvant ainsi le problème de breakthrough.

Figure 19 : Schéma d'un système 2D-LC à débit arrêté en 1ère dimension. Les composés issus de la première dimension ont
été piégés en position (A). Les composants piégés ont été injectés dans la deuxième colonne en position (B). En position (B),
le débit est arrêté dans la 1ère dimension [132].

46
Chapitre 1 : Étude bibliographique

4.3.2.C. Approche heart cut en lipidomique

Le deuxième type de 2D-LC en ligne pour les lipides est la chromatographie heart cut (LC-LC)
permettant de sélectionner une fraction issue de la 1ère dimension et de l’envoyer dans la 2ème. Comme
indiqué dans la figure n°20, les fractions issues de la séparation en 1ère dimension (HILIC) sont
directement transférées dans la 2ème dimension (RPLC) grâce à une rotation de vanne.

Figure 20 : Schéma du système 2D-LC de type heart cut. Avec la vanne en position 1 (à gauche), les lipides ont été retenus
dans la colonne HILIC pendant que la phase mobile traverse la colonne. Avec une programmation en temps de la vanne (0,9
- 2,4 min pour les céramides/C1P et 3,2 - 6,0 min pour les PC/SM), la vanne a été déviée en position 2 (à droite). Les lipides
retenus sont envoyés dans la colonne RP (BEH C18) grâce aux éluants de la pompe de deuxième dimension pour une
séparation supplémentaire [128].

Sachant que le temps d’analyse en D2 est plus important que la différence de temps entre deux
fractions issues de la D1, il n’est pas possible de stocker simultanément deux fractions indépendantes.
Cette approche nécessite de devoir injecter l’échantillon autant de fois qu’il y a de fractions à analyser
[128,129]. Pour pouvoir analyser successivement plusieurs fractions issues d’une même injection, il est
nécessaire d’utiliser un système de vanne comportant des collecteurs de fractions. À ce jour, aucune
méthode utilisant les vannes de multiple heart cut n’a été développée en lipidomique. Cependant, Li
et al. [127] ont réussi à mettre au point une alternative aux vannes de collecte en se servant d’un
système d’évaporation automatisable placé entre la dimension NPLC et RPLC (cf. figure n°18). Pendant
qu’une fraction déjà évaporée issue de la 1ère dimension est envoyée dans la 2ème dimension, la fraction
47
Chapitre 1 : Étude bibliographique

suivante est récoltée dans une seconde boucle afin d’être à son tour évaporée, le tout sans arrêter le
débit de la 1ère dimension. Il est important de noter qu’avec ce système il est obligatoire d’analyser la
totalité du chromatogramme. Il n’est pas possible de sélectionner seulement certaines fractions à
envoyer en 2D pour gagner du temps d’analyse lorsque l’on étudie des familles lipidiques en particulier
(le système n’est pas capable d’éliminer des fractions entre les deux dimensions).

4.3.2.D. Approche comprehensive en lipidomique

Le dernier type de chromatographie bidimensionnelle utilisé en lipidomique est la 2D-LC

comprehensive (LCxLC) qui consiste à transférer la totalité des fractions de la 1ère dimension vers la
2ème. Cette approche est celle qui présente le plus de facilité pour son automatisation et la grande
capacité de séparation. Cependant, sa principale limitation est le temps d’analyse très court en 2 ème
dimension qui est imposé par le temps de modulation entre les deux dimensions. Cette limitation du
temps d’analyse en D2 diminue le pouvoir de séparation de la 2ème dimension [123,133]. Les méthodes
LCxLC ont déjà été évaluées pour les analyses lipidomiques à travers deux configurations, la RPLCxHILIC
[123,133] et la HILICxRPLC [123]. Xu et al. ont démontré que la 2D-LC comprehensive permet bien
d’obtenir de meilleurs résultats que la 1D-LC en termes de nombres de composés détectés [123]. Ils
ont pu détecter 1784 lipides en RPLCxHILIC et 1059 lipides en HILICxRPLC contre 418 en RPLC et 212
en HILIC. Ces résultats montrent également que la configuration RPLCxHILIC permet de détecter le plus
de lipides. Cette différence entre les deux configurations LCxLC s’explique par le fait que la RPLC, placée
en D2, ne permet pas d’atteindre des capacités de séparations pour les lipides suffisantes en utilisant
des temps de séparation de l’ordre de la minute. La HILIC permet de séparer les lipides malgré un
temps d’analyse court [133]. Toutefois, placer la HILIC en 2ème dimension n’est pas la condition idéale,
car les temps d’équilibrage pour ces types de phases chromatographiques sont longs [73] ce qui est un
désavantage en 2D lorsque l’on cherche à avoir un gradient le plus rapide possible dans la dernière
dimension.

Le développement de méthode hautement multiplexée permettant l’analyse simultanée de plusieurs

milliers de composés associée à des techniques de séparation chromatographique performante
permet la mise en place d’études multi-omiques. En plus de la méthode d’analyse, il est nécessaire
d’optimiser la préparation d’échantillon qui se trouve en amont de la séparation chromatographique
afin d’extraire chaque famille omique à partir d’un échantillon unique.

48
Chapitre 1 : Étude bibliographique

5. De la préparation omique individualisée à la préparation

multi-omique à partir d’un échantillon unique
5.1. Préparation d’échantillon en protéomique
5.1.1. Extraction des protéines
Les deux grands domaines des sciences omiques, à savoir la génomique et la transcriptomique
possèdent des méthodes d’extractions universelles avec des tampons standardisés. Cela est rendu
possible par le fait que les acides nucléiques sont relativement uniformes vis-à-vis de leurs propriétés
physicochimiques. Dans le cas de la protéomique, cela n’est pas envisageable, car les groupes
fonctionnels des chaines latérales ont une diversité importante en termes d’hydrophobicité et de
charge. La conséquence est qu’il ne sera probablement jamais envisageable de mettre au point un
tampon d’extraction protéique universel [134,135].

La première étape de la préparation d’échantillon protéique est l’extraction des protéines des
échantillons biologiques en réalisant une lyse des membranes cellulaires qui peut être accompagnée
du broyage de l’échantillon lorsque celui-ci est solide. Lors de l’extraction, il est nécessaire de
maintenir le pH entre 7 et 8 pour que l’activité des protéases libérées en solution ne soit pas favorisée.
De plus, il faut garder l’échantillon au frais et utiliser des inhibiteurs de protéase (EDTA, leupeptine,
aprotinine, etc.) pour limiter la digestion prématurée et non contrôlée des protéines d’intérêts. Il est
également possible d’utiliser des détergents comme le triton X-100 pour faciliter la solubilisation des
protéines membranaires [135,136]. La présence de sel dans le tampon permet de réaliser un choc
osmotique qui lyse les cellules fragiles. En effet, les cellules qui se trouvent dans une solution hypo-
osmotique vont vouloir rétablir l’équilibre osmotique en faisant pénétrer de l’eau dans la cellule ce qui
à terme provoque la rupture de la membrane plasmique. La deuxième étape consiste à éliminer les
contaminants non protéiques comme l’ADN, les sucres, les lipides et les sels. La méthode la plus simple
pour réaliser cette étape est la précipitation des protéines grâce à un solvant organique qui sépare les
composés d’intérêts du reste des molécules toujours en solution [135]. La dernière phase de
l’extraction protéomique est le fractionnement des protéines. Cette étape est cruciale pour la
décomplexification des échantillons notamment pour la matrice plasma et sérum où plus de la moitié
des protéines sont des albumines. Plusieurs méthodes existent pour éliminer les protéines
majoritaires, mais aussi pour préconcentrer des protéines d’intérêts. La technique qui offre le plus de
sélectivité est la chromatographie d’affinité [137] et l’immunoprécipitation [138]. Cependant,
l’efficacité de ces méthodologies dépend de la disponibilité des supports d’affinité ou d’anticorps ainsi
que de la qualité entre la relation protéine cible / anticorps.

49
Chapitre 1 : Étude bibliographique

5.1.2. Digestion des protéines lors de l’approche Bottom-up

Une fois extraites les protéines sont dénaturées grâce à une étape de réduction et d’alkylation en
milieu salin afin de rompre les ponts disulfures. Cela a pour effet de détruire les structures secondaire
et tertiaire des protéines. L’étape suivante est l’étape clé de l’approche Bottom-up qui consiste à
réaliser une protéolyse par digestion enzymatique. Celle-ci est réalisée classiquement par une
endoprotéase à sérine, la trypsine qui clive les liaisons peptidiques après les résidus arginine (R) et
lysine (K) du côté C terminal [139]. La présence de ces résidus basiques à l’extrémité du C terminal
permet de générer des ions « Y » (après fragmentation) de masse élevée facilitant ainsi l’interprétation
des spectres de masse [140]. Néanmoins, certaines séquences d’acides aminés peuvent conduire à
l’absence ou au mauvais clivage de la liaison peptide [141,142]. Pour minimiser ces phénomènes,
plusieurs types de trypsine existent comme la trypsine TPCK qui augmente le rendement de peptides
trypsiques lors de la digestion en diminuant l’activité chymotrypsique. La chymotrypsine
hydrolyse préférentiellement les protéines après les acides aminés tyrosine, tryptophane,
phénylalanine, méthionine ou leucine. Une fois l’échantillon digéré, il peut être purifié grâce à une
étape d’extraction sur phase solide (SPE). Cette étape permet de réaliser un dessalage de l’échantillon
et/ou de purifier les peptides. Elle permet également de préconcentrer l’échantillon et de le placer
dans les conditions optimales pour la séparation chromatographique en changeant le solvant qui
servira lors de l’injection en chromatographie liquide.

5.2. Préparation d’échantillon en lipidomique

Les applications biologiques en lipidomique nécessitent la mise en place de protocoles d’extraction
rapides, répétables et capables d’extraire des composés possédant une forte variété de polarité. Ils
doivent être également capables de décomplexifier la matrice en ne récupérant que les composés
d’intérêts. Pour cela, il existe plusieurs procédures qui utilisent les extractions liquide/liquide (LLE) ou
les extractions sur phase solide (SPE). Introduits dans les années 70, le protocole de Folch [143] puis
celui de Bligh and Dyer [144] figurent parmi les plus utilisés. Ces protocoles utilisent un mélange
ternaire composé de chloroforme, méthanol et d’eau afin d’induire une séparation de phase. Cette
séparation permet de récupérer la phase organique inférieure qui contient les lipides et d’éliminer les
métabolites polaires et les protéines qui restent dans la phase aqueuse. Le chloroforme peut être
remplacé par le dichlorométhane qui est moins toxique [55]. En 2008 est introduite une nouvelle
procédure par Matyash et al. [145]. Celle-ci remplace la phase organique par du methyl tert-butyl éther
(MTBE) qui a l’avantage d’inverser l’ordre des phases lors de la LLE puisque le MTBE a une densité plus
faible que l’eau. La phase organique correspond à la phase supérieure, ce qui facilite sa récupération
et limite la pollution de l’échantillon par la phase aqueuse. Depuis son introduction, le protocole de
Matyash a tendance à remplacer les protocoles employant le chloroforme [55]. Les méthodes SPE sont
50
Chapitre 1 : Étude bibliographique

aussi utilisées lors des analyses lipidomiques dans le cas où l’on souhaite fractionner les familles de
lipides ou bien les préconcentrer. Cette procédure est recommandée si des fractions lipidiques
spécifiques interfèrent lors des analyses, ou lorsque des caractérisations approfondies des classes de
lipides sont nécessaires au lieu d'un profilage lipidomique plus complet [55]. Après les étapes de LLE
et/ou de SPE, l’échantillon peut être évaporé puis resuspendu dans un solvant approprié avant
injection.

5.3. Préparation d’échantillon en métabolomique

La grande diversité chimique des métabolites fait de leur extraction une tâche difficile [146]. Pour
trouver un équilibre entre une interférence minimale de la matrice et une récupération maximale des
métabolites, de nombreux efforts sont faits actuellement pour optimiser les protocoles d'extraction.
Ceux-ci peuvent varier et dépendent considérablement des types d’échantillons utilisés ainsi que des
gammes de concentration des métabolites à extraire. Typiquement, des métabolites présents en forte
quantité dans des tissus seront suffisamment extraits pour pouvoir être détectés, cependant les
métabolites minoritaires vont nécessiter une extraction plus complexe et spécifique pour être extraits
en quantité suffisante. Les méthodes d'extractions usuelles en métabolomique comprennent
l'extraction liquide-liquide (LLE), l'extraction solide-liquide (SLE), l'extraction en phase solide (SPE),
l'extraction assistée par micro-ondes (MAE), etc. [146]. L’un des points communs de chaque protocole
concernant l’extraction des métabolites est le quenching des métabolites dans leur matrice. Le
quenching consiste en la limitation de la dégradation des métabolites due à plusieurs causes :
dégradation enzymatique, dégradation thermique, dégradation chimique par métabolisation, etc.
[147]. Idéalement, les techniques métabolomiques devraient représenter l'état métabolique au
moment exact où un échantillon est prélevé et dans les conditions environnementales dans lesquelles
il évolue. La congélation de l’échantillon à -20°C ou -80°C est fortement recommandée pour ralentir
les cinétiques de dégradation et ainsi conserver la majorité des métabolites, mais cela peut ne pas être
suffisant notamment dans le cas d’un stockage sur le long terme. De Koning et Van Dam ont été les
premiers auteurs à combiner l'extinction rapide et la séparation des cellules du surnageant en une
seule procédure [148]. Pour cela, ils ont utilisé du méthanol froid mélangé à de l’eau pour réaliser
l’arrêt instantané du métabolisme en inactivant les enzymes par dénaturation tout en séparant les
métabolites des protéines en les faisant précipiter.

Dans la littérature, la SLE est l’une des techniques les plus répandues pour les échantillons complexes
solides tels que l’amphipode d’eau douce G. fossarum ainsi que les échantillons de plantes
[65,66,149,150]. Les échantillons préalablement stockés à -20/-80°C sont homogénéisés sous forme
de poudre puis extraits avec un mélange de solvants généralement organiques et polaires (méthanol,
éthanol, ACN) associés à une phase aqueuse [151]. Le choix des solvants doit tenir compte de leur
51
Chapitre 1 : Étude bibliographique

compatibilité avec les instruments d'analyse sauf si le protocole se termine par une évaporation totale
du solvant d’extraction. Le méthanol (MeOH) est souvent choisi comme solvant majoritaire pour
l’extraction de métabolites, car il permet d’obtenir des rendements d’extractions satisfaisants à la fois
pour les métabolites polaires et les lipides apolaires. Comme indiqué précédemment, il présente
également un intérêt non négligeable pour le quenching de l’échantillon. Il est utilisé en mélange avec
l’eau dans la plupart des cas avec une proportion supérieure pour la phase organique (MeOH/H2O ;
8/2 ; v/v par exemple) [66,151]. La LLE ou la SLE peut se finaliser de deux façons différentes : soit par
évaporation totale du solvant d’extraction suivi de la reprise dans la phase mobile, soit par dilution de
l’extrait. La dilution n’est possible que si l’on peut suffisamment diluer pour faire correspondre le
solvant d’échantillon aux conditions du début du gradient chromatographique et ainsi éviter les
phénomènes de breakthrough. (cf. 4.2.1). Il ne semble pas y avoir de différence notable entre les deux
procédures au niveau des recouvrements et elles sont toutes deux assez présentes dans la littérature
[151].

Dans le cas des analyses de matrices liquides, faibles en protéine, comme les urines, le type
d’extraction typique est relativement plus simple. En effet, comme l'urine est composée à 95 % d'eau
avec une teneur en protéines plus faible par rapport à des fluides biologiques comme le plasma, la
préparation des échantillons est un processus simple dont la complexité diffère en fonction de
l'objectif de l'expérience [152]. Dans le cas des analyses non ciblées, la procédure de préparation
d'échantillon non sélective la plus simple est la dilution de l'échantillon avec les solvants appropriés
suivi de l’injection directe dans le système analytique après une éventuelle étape de centrifugation
[153]. Tandis qu’en analyse ciblée, où un groupe limité de métabolites est étudié, des techniques
d'extraction analytique sélective, telles que la SPE ou la LLE, peuvent être utilisées à des fins de
préconcentration et de nettoyage [152]. Pour ce qui est de l’extraction non ciblée des échantillons
liquides, riches en protéines, comme le plasma sanguin, une étape de précipitation de ces
macromolécules est nécessaire grâce à un solvant organique (MeOH). Comme pour l’urine, l’extraction
ciblée du plasma reste dominée par la SPE et la LLE afin de séparer les métabolites d’intérêts des autres
biomolécules [154].

Chacune des procédures citées ci-dessus a été optimisée pour chaque omique. Cependant,
l’application de protocoles différents lors d’une étude multi-omique présente de nombreux
désavantages en termes de temps d’analyse et de capacité d’interprétation des données.

52
Chapitre 1 : Étude bibliographique

5.4. Protocole d’extraction multi-omique à partir d’un échantillon

unique
Les méthodes d’extraction multi-omiques doivent permettre l’extraction d’un grand nombre de
molécules présentant des propriétés physicochimiques très différentes les unes des autres (acides
nucléiques/protéines/métabolites). Dans l’idéal, ces protocoles d’extractions doivent être réalisés à
partir d’un échantillon unique afin de limiter au maximum les variations interindividus. Cela permettra
d’avoir une meilleure corrélation des résultats en facilitant l’intégration des données statistiques
puisque l’ensemble des données omiques proviendront du même individu [155]. Les extractions multi-
omiques uniques permettent également d’économiser des d’échantillons précieux en limitant le
nombre d’extractions. Il ne sera donc plus nécessaire de posséder plusieurs répliques d’un échantillon
afin de réaliser chaque omique. Cette procédure unique permet également un gain de temps, car la
récupération des différentes fractions omiques à partir d’extractions distinctes est longue [156–158].
Les protocoles expérimentaux en multi-omique à partir d’un échantillon unique sont dérivés de
l'extraction des métabolites et des lipides avec comme première étape l’ajout d’un solvant organique
froid (MeOH) [158] afin d'extraire et de stopper le métabolisme. Les solvants d'extraction des lipides
sont ajoutés pour séparer les métabolites polaires et apolaires dans des phases distinctes. Pour finir,
les composés ayant précipité au contact des solvants organiques, comme les protéines, sont récoltés.

Les deux principaux protocoles pour l’extraction simultanée des lipides, des protéines et des
métabolites polaires sont le protocole MPLEx pour "Metabolite, Protein and Lipid Extraction" [158] et
le protocole SIMPLEX pour "Simultaneous Metabolite, Protein, Lipid EXtraction" [159].

5.4.1. Protocole SIMPLEX et MPLEx

Le MPLEx et le SIMPLEX se basent respectivement sur les extractions de Bligh and Dyer [144] et de
Matyash [145] qui sont utilisées en lipidomique et qui ont été adaptées pour l’analyse des autres
omiques comme la protéomique et la métabolomique.

La méthode MPLEx utilise un mélange ternaire à base de chloroforme/méthanol/eau permettant

d’avoir une séparation de phases comme représentée sur les figures n°21 et 22. La phase supérieure
correspond à la fraction aqueuse qui contient les métabolites polaires et la phase inférieure
correspond à la fraction organique contenant les lipides. Ces deux phases sont séparées par
l’interphase qui contient les protéines [158,160,161].

53
Chapitre 1 : Étude bibliographique

Figure 21 : Illustration d’un échantillon issu du processus MPLEx. Cette image présente la séparation de phase dans laquelle
les métabolites, les protéines et les lipides sont simultanément extraits du même échantillon de sol pour des analyses par
spectrométrie de masse [160].

Le protocole SIMPLEX s’appuie sur les mêmes principes que le MPLEx en utilisant un mélange
MTBE/méthanol/eau représenté sur la figure n°22.

Figure 22 : Protocole simplifié des procédures SIMPLEX et MPLEx. Ces deux protocoles permettent de réaliser une séparation
de phases dans laquelle les métabolites, les protéines et les lipides sont simultanément extraits du même échantillon. Le
protocole SIMPLEX utilise un mélange ternaire composé de H 2O/MeOH/MTBE qui conduit à l’obtention d’une phase
organique supérieure. Le protocole MPLEx utilise un mélange ternaire composé de H 2O/MeOH/chloroforme qui conduit à
l’obtention d’une phase organique inférieure.

54
Chapitre 1 : Étude bibliographique

L’utilisation du MTBE à la place du chloroforme permet d’inverser l’ordre des fractions lors de la
séparation de phase en utilisant un solvant de densité plus faible que l’eau. La fraction lipidique devient
la phase supérieure et la fraction des métabolites polaires devient la phase inférieure. L’autre
différence notable entre ces deux protocoles est la position des protéines. En effet, les protéines se
trouvent sous forme de culots protéiques ayant précipité au fond du tube dans la phase aqueuse ce
qui permet une récupération plus facile que lorsqu’elle se trouve à l’interphase [145,159]. Ainsi lorsque
l’on souhaite automatiser le protocole d’extraction multi-omique grâce à des systèmes robotisés de
manipulation des liquides il est préférable d’utiliser la procédure SIMPLEX [162].

Les protocoles MPLEx ou SIMPLEX permettent de choisir quelle fraction on souhaite mettre en valeur
en choisissant quelle sera la phase supérieure afin de faciliter sa récupération sans risquer la
contamination par les autres [53,145]. De plus, le protocole utilisant le MTBE serait, d’après de
récentes publications, plus efficace pour l’extraction des glycérophospholipides, des céramides et des
acides gras insaturés, tandis que le protocole au chloroforme serait plus efficace pour la récupération
des acides gras saturés et des plasmalogènes [53,163].

Nakayasu et al. ont comparé le protocole MPLEx et deux protocoles classiquement utilisés en
protéomique [158]. À travers la figure n°23, ils ont démontré que même si le protocole multi-omique
possède un taux de récupération des protéines moins important que les protocoles de référence (cf.
figure n°23 A) il permet d’obtenir une couverture de protéome comparable. En effet, la figure n°23 B
indique que le nombre de peptides détectés est similaire pour l’ensemble des protocoles.

Figure 23 : Comparaison entre le protocole MPLEx et des protocoles de référence en protéomique. Extraction des protéines
de S. oneidensis selon les protocoles MPLEx, acétonitrile (ACN) et méthanol (MeOH). Un échantillon a été digéré avec de la
trypsine sans extraction préalable (Control) comme contrôle. (A) Récupération des protéines après extraction. (B) Nombre
de peptides identifiés dans les différentes extractions. (ns = non significatif). (C) Distribution des coefficients de variation
entre les protéines identifiées dans les échantillons extraits avec différentes méthodes [158].

Aucune différence significative dans les distributions des coefficients de variation (CV) n'a été observée
en comparant le MPLEx aux autres protocoles puisque les CV de la grande majorité des protéines sont
inférieurs à 25% (cf. figure n°23 C). L'extraction à l'ACN présente une distribution bimodale, avec des

55
Chapitre 1 : Étude bibliographique

CV très faibles et très élevés (cf. figure n°23 C), ce qui suggère que certaines protéines ne sont pas
précipitées de manière reproductible avec ce solvant. Ce phénomène pourrait être dû au fait que l'ACN
ne précipite pas complètement les petites protéines [164].

Coman et al. ont réalisé le même type d’étude en comparant cette fois-ci le protocole SIMPLEX à un
protocole utilisé classiquement en protéomique et un protocole utilisé en métabolomique. Leurs
résultats présentés sur la figure n°24 montrent une couverture du protéome et du métabolome avec
une forte corrélation [159]. En effet, le nombre de peptides détectés et quantifiés est similaire entre
le protocole SIMPLEX et celui de protéomique de référence (cf. figure n°24 A). De plus, que ce soit en
protéomique ou en métabolomique les intensités du protocole multi-omique et de référence (cf.
figures n°24 B et 24 C) présentent une forte corrélation et une excellente répétabilité (cf. figures n°24
D et 24 E) avec des CV inférieurs à 20%.

Figure 24 : Comparaison entre le protocole SIMPLEX et un protocole de référence en protéomique et métabolomique. (A)
Distribution relative des protéines dans différents compartiments cellulaires entre le système SIMPLEX et le protocole de
référence en protéomique. Au total, 3327 protéines ont été quantifiées. (B) Corrélation entre l’intensité des métabolites
obtenue avec le protocole SIMPLEX et celui de référence. (C) Corrélation entre l’intensité des peptides obtenue avec le
protocole SIMPLEX et celui de référence. (D) et (E) Moyenne, médiane de l'écart type des métabolites et des protéines pour
le protocole SIMPLEX et la référence avec leurs erreurs associées (n=3 pour toutes les expériences) [159].

5.4.2. Protocole à double extractions

Villaret-Cazadamont et al. ont modifié le protocole MPLEX en rajoutant une étape permettant
d’arrêter le métabolisme [155]. Pour cela, ils réalisent une première extraction en ajoutant un mélange
d’ACN/MeOH/H2O (2/2/1 ; v/v/v) à 0.1% d’acide formique pour figer le système puis du

56
Chapitre 1 : Étude bibliographique

dichlorométhane est ajouté pour réaliser l’extraction de Bligh and Dyer, séparant les métabolites
polaires des lipides (cf. figure n°25). Ces deux extractions successives expliquent le nom de « protocole
à double extractions ».

Figure 25 : Schéma expérimental des méthodes d'extraction classique et double extractions utilisées pour effectuer des
analyses métabolomiques et lipidomiques. Pour l'extraction classique (A), un mélange d'acétonitrile (ACN), méthanol
(MeOH), eau acidifiée (H2O) avec de l'acide formique (FA) a été utilisé pour effectuer l'extraction des métabolites polaires.
Un tampon salin phosphaté (PBS) associé au dichlorométhane (CH2Cl2) et au MeOH a été utilisé pour extraire les lipides. Pour
la méthode à double extractions (B), le mélange d'ACN, de MeOH et d'eau acidifiée a été complété par du CH2Cl2 pour extraire
les métabolites polaires et les lipides à partir d’un échantillon unique. Ajout de standards internes isotopiquement enrichis
pour effectuer une quantification absolue pour l'analyse métabolomique. En lipidomique la quantification est relative (Adapté
de la publication de Villaret-Cazadamont et al. [155]).

Pour la majorité des métabolites polaires étudiés, la concentration obtenue avec le protocole à double
extractions est similaire au protocole de référence en métabolomique comme le montre la figure n°26.
Seuls quelques composés polaires présentent une extraction plus faible avec le protocole à double
extractions par rapport à celui de référence. Cela peut être expliqué par l’ajout de la phase
chloroformique qui induit une séparation de phase. En effet, les métabolites de polarité intermédiaire
sont répartis entre les deux phases ce qui peut entrainer une sous-évaluation de leur concentration
dans la phase aqueuse. Cependant, ces différences entre les deux protocoles sont mineures.

57
Chapitre 1 : Étude bibliographique

Figure 26 : Comparaison de la récupération des métabolites polaires avec la méthode classique (barres noires) et la
méthode double extractions (barres blanches). Les acides aminés (A, B) et les métabolites énergétiques (C, D) ont été
quantifiés en utilisant le rapport 12C/13C pour chaque métabolite. Les concentrations (A, B et C) ont été exprimées en nM
en utilisant un étalonnage externe. L'abondance relative (D) a été obtenue en utilisant uniquement les rapports 12C/13C. Les
barres représentent la moyenne et l’écart type (n=5). Des tests "t" ont été effectués pour chaque métabolite (*p<0,05 ; ** p
< 0,01) [155].

Concernant la récupération des lipides, il a été démontré, à travers les résultats de la figure n°27, que
le protocole à double extractions permet d’obtenir un meilleur taux de récupération pour le
cholestérol et les céramides. Inversement, une extraction significativement meilleure a été observée
pour la procédure d'extraction classique pour la famille des TG, PC, PE et PI. Pour finir, les SM ont été
extraites de manière similaire par les deux protocoles. Bien que certaines classes de lipides aient été
extraites plus efficacement par l'une des deux méthodes, la distribution relative des espèces de lipides
dans chaque famille n'a pas été influencée par le protocole d'extraction (exemple de distribution pour
la famille des TG et des SM sur la figure n°28). Ces différences peuvent être expliquées par la différence
de proportion entre les différents solvants utilisés lors de l’extraction liquide/liquide et l’ajout de
l’acétonitrile dans la première partie du protocole à double extractions.

58
Chapitre 1 : Étude bibliographique

Figure 27 : Comparaison de la quantification des classes de lipides entre la méthode classique et la méthode de double
extractions. Les classes de lipides totaux correspondent à une addition de toutes les espèces moléculaires (rapport avec leur
standard interne) obtenues pour chaque classe. Les barres représentent la moyenne ± l’écart type (n = 5). Des tests « t » ont
été effectués pour chaque métabolite (* p < 0,05 ; ** p < 0,01 ; *** p < 0,001) [155].

Figure 28 : Comparaison de la distribution des espèces de sphingomyélines (SM) et de triglycérides (TG) entre les méthodes
d'extraction classique et double extractions. Chaque espèce est représentée comme une proportion (%) de sa classe totale.
Les classes de lipides totales sont considérées comme 100%. Les barres représentent la moyenne des écarts types (n=5) [155].

Dans cette étude, les protéines ne sont pas étudiées, mais ce protocole est adapté pour ce type
d'omique puisque les solvants chloroforme/méthanol sont compatibles avec l’extraction de composés
protéiques comme démontré par le protocole MPLEx.

Dans le cas des protocoles SIMPLEX, MPLEx et à double extractions on peut s’attendre à ce que
l’extraction ne soit pas optimale pour les lipides hydrophiles, les lipoprotéines où les métabolites
amphiphiles. En effet, ces molécules risquent d’être distribuées entre les deux phases ce qui rendra
leurs analyses difficiles [165].

59
Chapitre 1 : Étude bibliographique

5.4.3. Protocole « Single-Step extraction » avec séparation chromatographique en

HILIC
Dans le cadre de l’étude de Medina et al. en 2020 [166], l’équipe de Julijana Ivanisevic a évalué les
performances de plusieurs protocoles utilisant une seule étape d'extraction simultanée de lipides
complexes et de métabolites polaires à partir d’un échantillon unique comme indiqué dans la figure
n°29. Les extractions ont été réalisées avec des solvants couvrant une gamme de polarité importante
méthanol (MeOH) > éthanol (EtOH) > isopropanol (IPA) > BUME > MTBE, le mélange Butanol/méthanol
(BUME) se situant au milieu de cette gamme.

Figure 29 : One step extraction versus extraction MTBE : Préparation des échantillons. Les performances des méthodes
d'extraction en une seule étape, y compris le méthanol (MeOH), l'éthanol (EtOH), le BUtanol:MEthanol (BUME) et
l'isopropanol (IPA), ont été comparées au mélange de solvants considéré comme le meilleur compromis, c'est-à-dire
MTBE:MeOH:H2O pour l'extraction des lipides complexes et MeOH pour l'extraction des métabolites polaires (Adapté de la
publication de Medina et al. [166]).

Dans un premier temps, l'efficacité de précipitation des protéines de ces quatre solvants a été évaluée
en mesurant la teneur en protéines totales dans le surnageant et dans le culot. L'équivalent de 95 %
d'élimination des protéines a été atteint avec les quatre méthodes démontrant ainsi la capacité du
protocole Single-step à séparer les protéines de la matrice.

60
Chapitre 1 : Étude bibliographique

Ensuite, l'abondance relative du signal de l'ensemble du panel d'espèces lipidiques détectées a été
évaluée dans les quatre extraits de plasma. Le méthanol a démontré la plus faible performance pour
l'extraction des lipides complexes, à l'exception des lysophosphatidylcholines (LPC) et des
lysophosphatidylinositols (LPI). Un signal significativement plus faible pour les sphingomyélines (SM),
les acides gras et les lysophospholipides a également été obtenu à partir des extraits d'éthanol, par
rapport à l'IPA et au BUME. Par conséquent, le MeOH et l'EtOH ont été exclus de la suite des
évaluations, car ils sont moins performants pour l'extraction de lipides complexes. Les meilleurs
candidats, BUME et IPA, ont été évalués par rapport à l’extraction biphasique de Matyash (MTBE),
pour déterminer leur capacité à extraire de manière reproductible les lipides et les métabolites
polaires. Les espèces lipidiques représentatives des différentes classes de lipides ont été extraites avec
succès par les trois solvants testés, à l'exception des LPI, pour lesquels le signal dans l'extrait MTBE
était proche de la limite de détection (LOD), comme le montre la figure n°30. Parmi les sphingolipides,
le signal le plus élevé a été obtenu avec les extraits d'IPA et de MTBE. Dans le cas des glycérolipides
(mono, di et triacylglycérols), les signaux les plus élevés ont été obtenus après une extraction en une
seule étape avec le BUME et l'IPA, bien que le signal relatif n'ait pas été significativement différent du
signal de référence de l'extrait MTBE. Parmi les glycérophospholipides, le signal le plus élevé a été
obtenu avec l'IPA pour les PS. Pour les autres sous-classes, la différence entre les trois solvants n'était
pas significative. Pour les lysophospholipides, l'abondance relative du signal était en général
significativement plus élevée pour les extraits IPA et BUME par rapport à la phase MTBE.

Dans le cas des métabolites, des signaux significativement plus élevés pour les acides aminés, les acides
carboxyliques et les hydrates de carbone ont été observés après l'extraction avec la méthode MeOH
de référence. Au contraire, les nucléosides, les alkylamines, les acylcarnitines, et d'autres métabolites
polaires ont montré des signaux significativement plus élevés après l'extraction avec IPA, par rapport
à BUME et MeOH. Pour les dérivés d'acides aminés et les acides nucléiques, l'intensité du signal n'a
pas varié de manière significative entre les extraits MeOH, BUME et IPA. Les résultats sont présentés
sur la figure n°31.

61
Chapitre 1 : Étude bibliographique

Figure 30 : Abondance relative du signal (par classe de lipides) par rapport au signal récupéré avec l'extraction biphasique
à l'éther méthyl-tert-butylique (MTBE). Les valeurs indiquées sur les graphiques en araignée représentent l'abondance
relative du signal pour chaque méthode en une seule étape, en utilisant l'IPA ou le BUME, par rapport à l'extrait MTBE de
référence [166].

Figure 31 : L'abondance relative des classes de métabolites polaires dans les extraits IPA et BUME par rapport à l'extrait
plasmatique MeOH. Les valeurs indiquées sur les graphiques en araignée représentent l'abondance relative du signal pour
chaque méthode en une seule étape, en utilisant IPA ou BUME, par rapport à l'extrait MeOH de référence. La classe "Autres",
c'est-à-dire les autres métabolites polaires, comprend le glycocholate, l'hydroquinone, l'hydroxyphényllactate, la pyridoxine,
le salsolinol, la trigonelline et la tryptamine. Les acides carboxyliques comprennent les acides mono-, di- et tri-carboxyliques
[166].

62
Chapitre 1 : Étude bibliographique

Les résultats présentés dans cette étude démontrent les avantages d’utiliser le protocole Single-step
par rapport au protocole de Matyash. Celui-ci est plus adapté à l’extraction des lipides et des
métabolites polaires, car il permet une meilleure récupération des familles lipidiques et classes
métaboliques en plus de la simplification du protocole. Cependant, cette approche, qui a été mise en
place avec une séparation chromatographique HILIC pour les deux familles omiques, n’est pas
envisageable dans le cas de la chromatographie liquide de phase inverse. Le protocole Single-step
induit que les métabolites polaires et les lipides se retrouvent dans le même solvant d’injection et donc
que le type de chromatographie soit identique. Bien que les lipides se comportent très bien en RPLC,
ce n’est pas le cas de tous les métabolites qui présentent peu de rétention dans ce mode
chromatographique.

5.4.4. Protocole de Vorreiter

Le dernier protocole présenté dans ce rapport bibliographique est basé sur l’ajout d’un mélange
méthanol/chloroforme en amont de l’ajout d’un mélange phénol/chloroforme. Il s’agit de la procédure
la plus complète, mais aussi la plus complexe à mettre en œuvre, car elle permet d’extraire de manière
simultanée l’ADN, l’ARN, les protéines et les métabolites [167] comme présenté sur la figure n°32.
L’ajout du mélange H2O/MeOH/CHCl3 (50/45/5 ; v/v/v) permet de faire précipiter les protéines, l’ADN
et l’ARN pour ne garder dans la phase monophasique que les métabolites. Le culot est ensuite extrait
avec un mélange phénol/CHCl3 qui permet d’obtenir un mélange triphasique avec l’ARN qui se trouve
dans la phase aqueuse supérieure, l’ADN au niveau de l’interphase et les protéines au sein de la phase
organique supérieure.

Bien que Vorreiter et al. [167] n’étudie pas les lipides dans leur méthode, ce protocole semble être
adapté pour l’analyse des lipides puisque les solvants chloroforme/méthanol sont utilisés. Il suffit
d’augmenter le ratio de chloroforme après avoir récupéré la phase métabolomique pour réaliser
l’extraction de Bligh and Dyer [144].

63
Chapitre 1 : Étude bibliographique

Figure 32 : Schéma de la procédure d'extraction permettant d’extraire et de séparer les protéines/métabolites/ADN/ARN

à partir d’un extrait cellulaire unique (Adapté de la publication de Vorreiter et al. [167]).

64
Chapitre 1 : Étude bibliographique

6. Les sciences omiques en écotoxicologie

Les outils analytiques de type LC-MS/MS dans le cadre des analyses omiques sont d’ores et déjà utilisés
dans les études cliniques pour la détermination de biomarqueurs. Depuis quelques années, l’ensemble
des méthodologies mises en place dans le domaine de la santé a été utilisé par les écotoxicologues afin
d’évaluer la dégradation des écosystèmes. De nombreuses innovations d’un point de vue analytique
restent à mettre en place dans ce domaine vis-à-vis des sciences omiques ce qui explique que ces
travaux de thèses ont été réalisés dans un contexte écotoxicologique.

6.1. Écotoxicologie et biomarqueur

6.1.1. Qu’est-ce que l’écotoxicologie ?

Pour bien comprendre le concept de l’écotoxicologie, il est important de remonter à l’origine des deux
termes qui le composent, à savoir la toxicologie et l’écologie. L’évaluation du danger et de la
probabilité d’exposition à une substance dangereuse est l'objectif de la toxicologie. L’écologie est une
science qui étudie l’environnement à travers l’étude d’un écosystème et d’une population présent
dans un biome en particulier. Pour cela, des paramètres physiologiques pouvant impacter la
démographie ou la santé d’une population sont mesurés comme, par exemple, les niveaux de
mortalité. L’association de l’écologie et de la toxicologie traite du devenir des contaminants dans les
différents compartiments environnementaux (eau, air, sol et sédiments) et de la façon dont ils
affectent les organismes vivants à court et à long terme [168]. Toutefois, cette science est de plus en
plus utilisée pour mettre en évidence des activités anthropiques sur l’environnement afin de répondre
à des questions sociétales majeures [169].

Actuellement, les techniques analytiques de dosage de composés moléculaires sont suffisamment

performantes et précises pour mesurer et détecter la présence d’une substance dans les milieux
aquatiques ou dans l’air. Toutefois, ces types d’analyses ne permettent pas de couvrir l’ensemble des
causes à effets dans les milieux contaminés. Pour cela, il faut développer une approche
complémentaire permettant de relier l’apparition d’effets néfastes à la présence d’un contaminant. La
double approche consistant à utiliser l’approche chimique et biologique lors de l’évaluation du risque
en écotoxicologie repose sur la caractérisation de la contamination des organismes et l’apparition des
effets toxiques associés comme le montre la figure n°33 [170]. L’analyse biologique du milieu utilise le
biote pour évaluer la présence et l’incidence des contaminants dans l’écosystème. Cette approche est
appelée biosurveillance ou biomonitoring et elle permet d’évaluer la fraction biodisponible qui est plus
pertinente pour la compréhension des effets toxiques que celle obtenue à partir des matrices
physiques [171].

65
Chapitre 1 : Étude bibliographique

Figure 33 : Évaluation du risque écotoxicologique et représentation des réponses induites au sein d’un organisme en
réponse à une contamination (adapté de la thèse de Judith Trapp [170]).

6.1.2. Biomarqueur : outil de prédilection en écotoxicologie

Les outils principaux en écotoxicologie sont les biomarqueurs qui sont couramment utilisés dans le
domaine de la médecine et qui ont été récupérés par les écotoxicologues afin d’évaluer la dégradation
d’un écosystème. Ces indicateurs permettent d’obtenir des informations sur les effets biologiques d’un
contaminant environnemental [172]. Il existe de nombreuses définitions pour expliquer le rôle d’un
biomarqueur. L'une des définitions les plus répandues dans la littérature est celle de Depledge qui
indique qu’un biomarqueur correspond à "une variation biochimique, cellulaire, physiologique ou
comportementale qui peut être mesurée dans des échantillons de tissus ou de fluides corporels ainsi
qu’au niveau d'organismes entiers et qui fournit la preuve de l'exposition à un ou plusieurs polluants
chimiques et/ou de leurs effets" [173]. Les biomarqueurs peuvent indiquer les mécanismes de
régulation du métabolisme mis en place dans l’organisme lors d’un stress toxique. Cela peut confirmer
l’exposition à un polluant en particulier et ainsi relier l’exposition dans le milieu à l’introduction de ce
composé dans l’organisme. On parle ainsi de biomarqueurs de défense [174]. À l’inverse, on peut avoir
des biomarqueurs de dommage qui indiquent un dépassement des capacités de régulation de
l’organisme avec l’observation d’effets néfastes pour l’espèce contaminée [175]. Les biomarqueurs
sont utilisés comme outils de diagnostic et/ou de prédiction, car bien qu’ils n’indiquent pas
précisément la nature des contaminants, ils facilitent l’analyse chimique des matrices
environnementales en réduisant le nombre de substances à suivre [175]. L’une des principales
limitations des biomarqueurs est la capacité de discrimination entre une réponse à stress chimique et
une réponse adaptative qualifiée de naturelle [176].

66
Chapitre 1 : Étude bibliographique

6.2. Utilisation d’organismes sentinelles en écotoxicologie

6.2.1. Qu’est-ce qu’une espèce sentinelle ?

L’écotoxicologie a pour but le suivi et la détection de polluant dans l’environnement à travers l’analyse
d’organismes vivants appelés biomarqueurs. Cette biosurveillance réalisée sur des espèces qualifiées
de sentinelles est possible, car ces organismes donnent des réponses biochimiques et physiologiques
qui reflètent l’état de la pollution dans leur environnement [168]. Toutefois, cette approche nécessite
des sites de référence non pollués permettant de comparer les niveaux des contaminants ou des
biomarqueurs d'effet par rapport à ceux qualifiés de contaminés [177]. Les espèces sentinelles sont
utilisées depuis de nombreuses années et cela même avant la mise en place de l’écotoxicologie
moderne. Autrefois, des canaris étaient amenés dans les mines de charbon afin de détecter la présence
de monoxyde de carbone. Leur mort indiquait aux mineurs qu’il fallait remonter à la surface[178].
Aujourd’hui, l’écotoxicologie utilise toujours les mêmes principes à travers l’utilisation des animaux
pour détecter des dangers.

Une espèce sentinelle idéale doit [177,179] :

x Être sensible aux changements environnementaux (ex. contamination chimique, agents

pathogènes, biotoxines).
x Accumuler les agents stressants dans ses tissus.
x Produire des effets sur la santé mesurables et interprétables à la suite d’une contamination.
x Être maitrisé par les scientifiques (aspect physiologique, anatomique et écologique) afin
d'identifier tout signal qui n'est pas causé par l'exposition aux agents stressants
environnementaux.
x Pouvoir être surveillés, capturés et tolérer la manipulation ainsi que l'échantillonnage.
x Jouer un rôle trophique et écologique clé dans son habitat afin de pouvoir fournir des informations
pertinentes.

Les hydrosystèmes sont les écosystèmes les plus impactés par les activités anthropiques puisque ce
sont les réservoirs finaux dans lesquels on peut retrouver de nombreux contaminants provenant des
activités agricoles, industrielles et domestiques [180]. De ce fait, la suite de cet état de l’art sur les
espèces sentinelles sera appliquée aux organismes utilisés dans les écosystèmes aquatiques.

6.2.2. Les espèces sentinelles dans les écosystèmes aquatiques

Les espèces sentinelles présentes dans le milieu marin peuvent être réparties dans deux catégories en
fonction de la mobilité des organismes : Les espèces très mobiles qui sont des sentinelles des

67
Chapitre 1 : Étude bibliographique

environnements marins pélagiques (relatif à la pleine mer) et les moins mobiles qui sont des sentinelles
des environnements côtiers [179].

6.2.2.A. Les grands vertébrés marins, espèces sentinelles de l'environnement marin

pélagique
Les effets de l'exposition à de nombreux stress et polluants dans l'environnement marin peuvent
s'exprimer à différents niveaux trophiques de l'écosystème étudié. Cependant, l'attention des
scientifiques s'est récemment focalisée sur les grands vertébrés marins à travers les oiseaux, les grands
poissons pélagiques et les mammifères marins. Dans le passé, l’utilisation des grands vertébrés marins
en tant qu’espèce sentinelle a été critiquée à cause de leur grande mobilité et de leur caractère
pélagique [179]. Elles ne seraient pas des espèces indicatrices de grand intérêt. De plus, les organismes
marins peuvent avoir un statut d’espèce protégée ce qui rend difficile l’obtention d’échantillon de
tissus. Toutefois, ces points de vue ont évolué au cours des dernières années grâce à la compréhension
des différences de distribution et de comportement de ces espèces dans l’espace et le temps. De plus,
depuis les années 2000, plusieurs groupes de recherche ont développé des approches avec des
biomarqueurs non létaux [179]. La mise en place de biopsie cutanée sur des animaux en liberté a été
validée comme technique d’échantillonnage puissante et relativement non invasive [179,181,182]. Il
est également possible de réaliser des tests in vitro en utilisant des cultures de cellules fibroblastes et
des lignées cellulaires organotypiques exposées à différentes doses de contaminants obtenus à partir
des biopsies [179,181,182].

Les grands vertébrés marins sont particulièrement adaptés pour l’étude des maladies chroniques. En
effet, puisque ce sont des prédateurs et qu’ils ont une durée de vie relativement longue, les niveaux
de contaminations anthropiques sont généralement élevés grâce à la bioamplification. Cela permet de
mettre en lumière des polluants environnementaux hérités du passé comme le mercure ou les
polychlorobiphényles (PCB). De plus, ils peuvent également alerter sur les nouveaux contaminants
émergents (composés perfluorés, nanomatériaux, microplastiques, etc.) [179,183]. Les espèces
sentinelles, comme les mammifères marins, dont la physiologie est suffisamment similaire à celui de
l’Homme, peuvent donner une indication précoce des effets néfastes potentiels sur la santé et fournir
un aperçu des mécanismes de toxicité d'un composé dangereux donné [179,184].

6.2.2.B. Les invertébrés : espèces sentinelles de l'environnement côtier et des rivières

Depuis les années 1990, l'approche des biomarqueurs chez les invertébrés pour l'évaluation des effets
toxicologiques des contaminants dans l'environnement côtier et d’eau douce a été de plus en plus
utilisée. Les invertébrés sont privilégiés pour l'évaluation des risques écotoxicologiques dans les
écosystèmes marins, car ils constituent 95 % de toutes les espèces animales. Ce sont donc des

68
Chapitre 1 : Étude bibliographique

composants majeurs de nombreux écosystèmes. De plus, leurs populations sont souvent nombreuses,
de sorte que des échantillons peuvent être prélevés sans affecter de manière significative la
dynamique des populations [179,185]. En raison de leur faible mobilité, plusieurs espèces de moules
ont également été utilisées comme sentinelles de l'environnement côtier [179]. Les moules sont des
espèces idéales pour la biosurveillance des milieux marins, car elles ont une taille appropriée, une large
distribution dans le monde et une activité de filtration de l’eau qui induit une bioaccumulation des
contaminants dans leurs tissus. Les moules Mytilus edulis [186,187] et Mytilus galloprovincialis
[188,189] sont les espèces les plus communes pour ces études écotoxicologiques. Parmi le large choix
d’espèces sentinelles utilisées en écotoxicologie aquatique, quelques espèces ont montré de plus en
plus d’intérêt auprès de la communauté des écotoxicologues au cours de la dernière décennie, à savoir
l’amphipode d’eau douce Gammarus fossarum.

6.2.3. L’espèce sentinelle Gammarus fossarum

Gammarus fossarum, représenté sur la figure n°34, appartient à la famille des Gammaridaes
comprenant plus de 1500 espèces appartenant à environ 1000 genres.

Figure 34 : Organisme Gammarus fossarum utilisé comme espèce sentinelle pour le développement d’indicateur de la
contamination chimique des milieux aquatiques.

Le genre Gammarus, dont fait partit G. fossarum, contient plus de cent espèces d’eau douce. Cette
espèce de gammare est l’un des amphipodes les plus représentés et les plus répandus en Europe et au
nord de l’Asie Mineure [190–192]. Les gammares détritivores ont commencé à être utilisés en
écotoxicologie à partir des années 1970, avec principalement deux espèces, à savoir Gammarus pulex
et Gammarus fossarum. L'utilisation croissante des espèces d'amphipodes pour les études de toxicité
s'explique par leur statut d'espèces clés dans les écosystèmes aquatiques, mais aussi par leur large
distribution, leur identification facile, leur échantillonnage et leur facilité à être maintenu en
laboratoire. De plus, ils sont sensibles, mais résistants aux substances toxiques [193]. Dans cette thèse,
l’organisme utilisé comme matrice pour développer de nouvelles approches par chromatographie
liquide couplée à la spectrométrie de masse est l’espèce G. fossarum. Deux applications biologiques

69
Chapitre 1 : Étude bibliographique

ont été mises en place à partir de cette espèce sentinelle : une étude de biosurveillance active lors
d’une pollution agricole (cf. chapitre 2) et l’étude multi-omiques (lipides, métabolites et protéines)
chez la femelle lors des différents stades du cycle reproducteur (cf. chapitre 4).

6.2.4. Cycle reproducteur et cycle de mue chez l’espèce G. fossarum femelle

Le cycle de reproduction des gammares femelles est étroitement synchronisé avec celui de la mue. Ces
deux cycles ont été caractérisés précisément par Geffard et al. [194–196]. Le cycle de mue dure environ
30 jours et se compose de 3 phases (post-mue, inter-mue et pré-mue) qui sont subdivisées en 6 stades
distincts (A, B, C1, C2, D1, D2). L’observation microscopique du décollement de l’épiderme et de
l’apparition du nouvel exosquelette au niveau de la griffe des péréiopodes des 3èmes et 4èmes paires
permet de déterminer les différents stades (cf. figure n°35 et n°36).

Figure 35 : Schéma représentant la procédure utilisée pour déterminer le stade d’inter-mue des organismes G. fossarum
[170].

70
Chapitre 1 : Étude bibliographique

Figure 36 : Changements intertégumentales à l’extrémité des périopodes 3 et 4 chez G. fossarum au cours du cycle de mue
[195].

La phase de post-mue correspond au stade A et B. Le stade A est très court, il dure environ un jour et
peut être regroupé avec le stade B qui dure 4 jours pour former un seul stade nommé AB. Ce stade est
caractérisé par un durcissement de la cuticule. Lors de cette phase, les ovocytes présentent peu de
globules lipidiques et de vésicules vitellines (structure embryonnaire sur laquelle se développe
l’embryon). La phase d’inter-mue, associée aux stades C1 et C2, est caractérisée par la rétractation de
l’épiderme qui dure 17 jours. La transition entre les stades C1 et C2 marque le début de la vitellogenèse
secondaire, ainsi les vésicules vitellines et les globules lipidiques des ovocytes augmentent
drastiquement en nombre et en taille. Enfin, lors des stades D1 et D2 de la phase pré-mue, une
nouvelle cuticule est générée avant la mue. Les caractéristiques histologiques des ovocytes à ces
stades sont très similaires à celles du stade C2 [194–196]. Parallèlement au développement
phénotypique, une accumulation de vitellogénine, la protéine clé impliquée dans la reproduction, a
été observée tout au long du cycle de reproduction. Les augmentations de concentration les plus
importantes de cette protéine se produisent lors du passage du stade C1 à C2 et de C2 à D1 [197]. La
figure n°37 présente le cycle de mue parfaitement corrélé avec celui de la reproduction. En effet, la
maturation des gonades et le développement des embryons chez les gammares femelles sexuellement
actives sont synchronisés avec chaque cycle d’inter-mue (passage du stade B à C1). Le rejet de
l’ancienne cuticule ou exuviation est le point de départ et l’aboutissement des deux cycles. De ce fait,
les différents stades du cycle de mue des gammares peuvent être utilisés pour qualifier les différents
stades de la reproduction [170].

71
Chapitre 1 : Étude bibliographique

Figure 37 : Stades de mue corrélés aux stades embryonnaires chez la femelle G. fossarum [170].

Contrairement aux femelles, la spermatogenèse chez les gammares mâles n'est pas liée au cycle de
mue. De plus, les paramètres morphologiques ne sont pas disponibles pour représenter avec précision
les organismes à différents stades de la spermatogenèse [198].

6.3. Objectifs et enjeux des omiques pour l’écotoxicologie

6.3.1. Apport de la protéomique pour l’écotoxicologie
Le terme écotoxicoprotéomique est apparu pour la première fois dans des revues scientifiques à la fin
des années 2000 [168,186,199–202]. Cette approche étudie les variations dynamiques des protéines
dans les cellules, tissus ou autres liquides corporels. Les empreintes protéiques qui en résultent
peuvent être comparées afin de comprendre les modes d'action des contaminants et ainsi déchiffrer
les mécanismes d'adaptation des organismes. Cette comparaison identifie également les
biomarqueurs environnementaux spécifiques [168]. L’écotoxicoprotéomique a toujours été guidée par
l'impact que la protéomique a eu sur la gestion de la santé humaine, offrant ainsi de nombreux outils
de diagnostic. Comme indiqué sur la figure n°38, les approches protéomiques en écotoxicologie étaient
réalisées à l’origine à partir de l’électrophorèse bidimensionnelle sur gel couplée à un spectromètre
de masse [203].

72
Chapitre 1 : Étude bibliographique

Figure 38 : Évolution, au cours du temps, des techniques de protéomique utilisées dans les approches écotoxicologiques
(Adapté de la thèse de Duarte Domingos Gouveia [204]).

Cette technique basée sur la séparation des composés en fonction du poids moléculaire et de leurs
points isoélectriques permet seulement de détecter les protéines solubles les plus abondantes
[203,205]. Plus récemment, les approches utilisant la chromatographie liquide couplée à des
spectromètres de masse de haute résolution se sont imposées comme méthode de référence en
écotoxicoprotéomique afin d’étudier l’ensemble d’un protéome en une seule analyse sans a priori
[206]. D'un point de vue écotoxicologique, il est très important que la méthodologie ne soit pas fondée
sur des hypothèses en raison de la grande variété de produits chimiques existants et de leurs effets
très contrastés sur les différentes espèces présentes dans un écosystème [168]. Par exemple, dans le
cas des perturbateurs endocriniens, les mécanismes d'action sont bien connus pour des groupes
phylogénétiques restreints comme pour les œstrogènes de synthèse qui provoquent des
dysfonctionnements chez les vertébrés mâles [207]. Cependant, chez certaines espèces, leurs effets
diffèrent de ceux prédits, soit parce que le mode d'action a changé, soit parce que nous connaissons
mal l'endocrinologie de base des espèces non modèles. Parce qu'elles permettent une quantification
précise, les approches protéomiques ciblées avec le mode d’acquisition MRM ont été proposées
comme méthode de validation des biomarqueurs, après la phase de découverte [208]. Au fil des
années, la quantification des protéines basée sur le mode MRM s’est imposée comme une alternative
viable aux immuno-essais classiques (test ELISA), ayant déjà démontré des performances comparables
ou supérieures [209]. En ajoutant des peptides isotopiquement enrichis dans les échantillons, on peut
obtenir une quantification précise, rapide et reproductible utilisable en routine [50,86].

Ces stratégies couplées aux spectrométries de masse de haute et basse résolution ont été proposées
comme outil de diagnostic pour évaluer l’état de santé de l’organisme sentinelle G. fossarum. Les
réponses protéiques des gammares à plusieurs perturbateurs endocriniens ont été étudiées par une
approche comparative de type shotgun [210,211]. Cette étude a permis de proposer plusieurs

73
Chapitre 1 : Étude bibliographique

protéines comme biomarqueurs des troubles de la reproduction et des perturbations endocriniennes

chez le mâle. Les réponses de G. fossarum à une exposition aux métaux ont été récemment rapportées
par Gismondi et al. [212]. Grâce à leur étude, ils ont pu identifier des profils de dérégulation de
protéines spécifiques au cadmium, au plomb et au cuivre [212]. Les études menées par les laboratoires
de Arnaud Chaumot (INRAE), Jean Armengaud (Li2D) et Arnaud Salvador (Anabio-MS) ont permis de
découvrir des séquences de protéines spécifiques liées à des processus physiologiques clés, ainsi que
des dizaines de biomarqueurs candidats. La majorité des biomarqueurs identifiés chez les organismes
du genre Gammarus sont des protéines qui dans 20% des cas répondent à une activité de défense
oxydative, 10% des cas à une activité de détoxification et dans 22% des cas à une réponse générale au
stress subit [170]. Grâce à l’expertise du laboratoire Anabio-MS, des stratégies de quantification
ciblées et précises des multibiomarqueurs par spectrométrie de masse en mode MRM ont été réalisées
pour valider ces biomarqueurs.

La première étude en mode ciblé a été réalisée par Romain Simon et Guillaume Jubeaux en 2010. Ils
ont développé et validé une méthodologie visant à quantifier la vitellogénine chez G. fossarum par LC-
MS/MS avec le mode MRM comme alternative aux immunodosages conventionnels [213]. La
vitellogénine (VTG), présente chez les ovipares, est une protéine précurseur du jaune d'œuf. Elle est
produite par les femelles matures en réponse aux hormones stéroïdiennes. Le gène codant pour la
VTG est également présent chez les mâles, mais il est inexprimé sauf en cas de dérèglement hormonal
[213]. Lors d'une exposition à des perturbateurs endocriniens, le gène de la VTG est activé et la
protéine est synthétisée. Par conséquent, la mesure de la VTG chez les femelles et les mâles immatures
est considérée comme un biomarqueur d'exposition aux perturbateurs endocriniens [214]. Dans cette
étude, des gammares mâles et femelles ont été exposés en laboratoire à des hormones (20-
hydroxyecdysone et méthyl-farnésoate). Cela a permis d’évaluer la fiabilité de l’approche en vérifiant
que la quantification de la VTG avec la méthode LC-MRM est un indicateur de la qualité des ovocytes
chez les femelles et un biomarqueur spécifique de la perturbation endocrinienne chez les mâles [197].
Il est important de noter que la méthode a également été appliquée avec succès à des organismes
prélevés dans le cadre d'un programme régional de biosurveillance des rivières, validant ainsi sa
robustesse et pour son application sur le terrain [215]. Cette étude a également démontré la
pertinence de l’encagement des gammares témoins en constituant un plan expérimental permettant
de réduire la variabilité interespèce. En effet, les facteurs tels que le bagage génétique, l'âge, le sexe,
le statut reproductif, les ressources alimentaires et la durée d'exposition ont pu être contrôlés
[215,216]. Pour finir, Jubeaux et al. ont prouvé que la spectrométrie de masse en protéomique peut
fournir des biomarqueurs applicables pour la surveillance environnementale sans qu'il soit nécessaire
de procéder à de nouveaux développements pour chaque espèce sentinelle. En effet, ils ont montré
qu’une méthode validée pour une espèce qui réalise la vitellogenèse peut être appliquée à des espèces
74
Chapitre 1 : Étude bibliographique

phylogénétiques proches grâce à la conservation évolutive des motifs peptidiques de la vitellogénine

[217]. À la suite des travaux de Simon et al., Aurore Charnot et Duarte Gouveia ont mis au point le
premier multiplexe en écotoxicologie par LC-MS/MS en protéomique ciblée permettant de quantifier
simultanément 40 protéines présentes chez G. fossarum [50,216]. La stratégie utilisant la sMRM
permet de surmonter les problèmes rencontrés lors de la multiplication des protocoles employés pour
l'analyse individuelle de chaque biomarqueur. Outre le fait qu'elle nécessite des volumes
d'échantillons plus faibles, l’utilisation du multiplexe diminue le temps nécessaire à la réalisation de
l'essai [50,216]. À la suite de ces travaux, l'application in situ de la protéomique ciblée pour mesurer
des dizaines de biomarqueurs simultanément dans un même organisme est une stratégie prometteuse
pour le développement d'outils de surveillance fonctionnels à des fins réglementaires [216].

Contrairement à la protéomique de découverte, qui analyse l'ensemble du protéome, le mode MRM

nécessite certaines connaissances a priori, telles que les séquences des protéines obtenues par
protéogénomique dans le cas des espèces sentinelles non modèles.

6.3.2. La protéogénomique : outil de prédilection pour les organismes non modèle

L’écotoxicologie est basée sur l’utilisation des espèces sentinelles pour évaluer la qualité d’un milieu.
Cependant, cela sous-entend que ces organismes soient suffisamment connus pour être utilisés. À ce
jour, il existe une faible quantité d’organismes dont le génome est séquencé ce qui rend l’étude des
mécanismes moléculaires complexes. Cela est particulièrement vrai pour l’identification de potentiels
biomarqueurs protéiques. Dans le cas d’une analyse protéomique, lors d’une approche de découverte
en mode non ciblée, l’interprétation des données LC-MS/MS est fondée sur la recherche de séquences
peptidiques homologues dans des bases de données spécialisées (ex. Ensembl, RefSeq ou UniProtKB)
(cf. figure n°39) [218,219]. Ces bases de données sont élaborées à partir de données génomiques,
triées et annotées à partir d’organismes séquencés. Si les organismes humains et les organismes
modèles ont fait l'objet d'une grande attention en ce qui concerne l'annotation de leur génome, ce
n'est manifestement pas le cas des organismes non modèles comme le gammare ou la dreissène dont
le génome n'a pas été séquencé ou l'a été que partiellement [218,219]. Par conséquent, les bases de
données de séquences protéiques de référence pour ces organismes sont incomplètes et mal
annotées.

75
Chapitre 1 : Étude bibliographique

Figure 39 : Identification des protéines par protéogénomique. Les données génomiques et transcriptomiques sont utilisées
pour générer des bases de données de séquences protéiques permettant l’interprétation de spectres de masse issus
d’analyses nano LC-MS/MS avec une approche shotgun.

Plus la diversité de la population d’un milieu est importante, plus il sera facile de révéler des
mécanismes moléculaires permettant la découverte de biomarqueurs en réponse aux différents
polluants [219]. L’utilisation de ces espèces sentinelles non modèles est donc primordiale, mais pour
cela il faut être capable d’obtenir des informations sur leur génome. La protéogénomique qui allie la
protéomique et la transcriptomique apparait comme une solution de choix pour les organismes non
séquencés en écotoxicologie. En effet, les protéines sont issues de l’ADN présent dans les cellules qui
est lu par l’ARN polymérase afin de transcrire les brins d’ADN en ARN messager (ARNm). Cet ARNm et
ensuite traduit par les ribosomes au sein du cytoplasme pour former des protéines grâce à l’association
d’acides aminés reliés entre eux par des liaisons peptidiques. Les protéines sont donc étroitement liées
à l’ADN, mais aussi aux transcrits qui désignent les ARNm issus de la transcription des gènes. Comme
indiqué sur la figure n°39, le principe de cette nouvelle science omique appelée protéogénomique
consiste à séquencer les ARNm des organismes non modèles par RNAseq pour générer une première
base de données de transcrits. Cette première analyse permet d’annoter ces derniers afin d’obtenir
une orientation sur les potentielles fonctions des transcrits grâce aux similarités avec d’autres
organismes modèles. Pour finir, la traduction de ces ARNm ou transcrits grâce aux cadres de lecture

76
Chapitre 1 : Étude bibliographique

permet de réaliser une première base de données protéomique pour faciliter l’interprétation des
protéomes des organismes non modèles avant ou après exposition à un stress chimique [218,219]. De
plus, les protéines certifiées par spectrométrie de masse grâce au spectre MS/MS de haute résolution
peuvent faire l'objet d'une caractérisation structurale et fonctionnelle plus poussée [218,219].

En 2017, l'application de l’approche protéogénomique pour déchiffrer le protéome de G. fossarum a

généré une base de données comprenant 1873 protéines certifiées par spectrométrie de masse
[50,220,221]. L’ensemble de ces données a fourni les outils nécessaires pour réaliser des d'études
protéomiques sur cette espèce sentinelle [50,216,222].

6.3.3. Apport de la lipidomique pour l’écotoxicologie

Les progrès en lipidomique ont permis l’émergence de nouvelles applications en toxicologie avec par
exemple l’étude de l‘oxydation des lipides comme biomarqueur pour identifier le dysfonctionnement
des mitochondries, le stress oxydatif et de possibles inflammations [223]. Malgré cette amélioration
de la lipidomique en toxicologie, il reste des domaines qui ont été négligés, notamment en
écotoxicologie. C’est pour cela que les lipides sont de plus en plus étudiés dans ce domaine puisqu’il
est évident que ces biomolécules sont vitales pour de nombreux processus physiologiques. Il est
important de comprendre comment ces molécules sont perturbées dans leur synthèse, leur
métabolisme et leur fonctionnement par des facteurs de stress environnementaux comme les
polluants chimiques. Récemment, la lipidomique a été déployée sur le terrain pour soutenir la
surveillance environnementale. En effet, des profils lipidiques de moustiques vivant dans des zones
contaminées par des métaux ont révélé une dérégulation des lipides membranaires accompagnés par
une augmentation des lipides responsables des réserves énergétiques [224]. Plusieurs études ont été
élaborées pour mettre en évidence que les facteurs de stress chimique altèrent les réseaux liés à la
signalisation et au métabolisme des lipides. Par exemple, Greer et al. [225] ont démontré qu’une
exposition des truites arc-en-ciel juvéniles à une concentration de 10 à 40 μg/L de chlorpyrifos, un
pesticide, pendant 7 jours, a altéré le métabolisme lipidique via l’inhibition de la production de lipase
de phospholipide. Cela a induit une diminution critique des lysophosphatidyléthanolamines (LPE), des
lipides utilisés dans la signalisation cellulaire, accompagnée d’une augmentation de leurs
phosphatidyléthanolamines (PE) respectives. Marqueño et al. ont montré que le profil des PC permet
de mettre en évidence la pollution d’eaux usées et industrielles puisque la mesure des lipides dans des
cyprinidés méditerranéens indique clairement une différence de profil entre les sites pollués et celui
de référence. En effet, la diminution des PC, des PC plasmogènes ainsi que l’augmentation des PC
plasmanyles, LPC et des esters de cholestérol suggèrent un stress oxydatif et une altération de
l’homéostasie du cholestérol [226]. À travers ces exemples, il est compréhensible que l’obtention de
profils rétrospectifs et prospectifs complets de lipidome chez les organismes sentinelles est d’une
77
Chapitre 1 : Étude bibliographique

haute importance. Cela permet de comprendre quelles espèces lipidiques peuvent être altérées par
un polluant, comment est effectuée cette altération et comment évaluer le risque écologique encouru
par l’organisme contaminé.

Dans le cas de l’espèce sentinelle G. fossarum, les connaissances sur la composition lipidique de cet
organisme sont peu nombreuses. Une évaluation de la perturbation lipidique de ces gammares
exposés à un insecticide régulateur de croissance a été récemment rapportée par Arambourou et al.
en 2018 [227]. Toutefois, un nombre limité de classes lipidiques et d'espèces moléculaires a été décrit
[227]. C’est pour cela qu’en 2020, Fu et al. [198] ont réalisé la caractérisation exhaustive du lipidome
de G. fossarum grâce à une approche shotgun par spectrométrie de masse de haute résolution. Plus
de 200 espèces moléculaires appartenant à 11 classes lipidiques (TG, DG, PC, PC-O, PE, PE-O, PI, LPC,
LPE, SM, cholestérol) ont été quantifiées chez le gammare mâle et femelle. Les acides gras totaux ont
été étudiés par chromatographie en phase gaz couplée à un détecteur à ionisation de flamme (GC-FID)
pour établir les longueurs de chaines prédominantes et savoir si ces acides gras sont saturés ou non.
L'acide gras (AG ou FA pour fatty acid) majoritaire chez les gammares est le AG 18:1 à 33%. Les autres
acides gras dont la teneur est élevée sont le AG 16:0 à 16%, le AG 20:5 à 14%, le AG 16:1 à 13%, le AG
18:3 et le AG 18:2 à 6%. Leurs résultats indiquent que les acides gras du gammare sont majoritairement
insaturés.

Malgré l'identification de centaines d'espèces moléculaires permettant la caractérisation du lipidome,

la distribution spatiale des espèces lipidiques analysées est manquante alors qu’elle peut s’avérer
cruciale pour comprendre leurs modes d'action [228–232]. De ce fait, Fu et al. ont également révélé la
localisation in situ de lipides présents chez G. fossarum grâce à des cryocoupes de gammares analysées
par imagerie MALDI-MS et TOF-SIMS [198]. Un exemple de la localisation du PC 34:1 dans le gammare
est représenté sur la figure n°40.

Figure 40 : Localisation du PC 34:1 dans une coupe verticale de G. fossarum par MALDI MSI. (A) Image optique de la section
de tissu de G. fossarum mâle. Ce : céphalon ; ADS : système digestif antérieur ; HP : hépatopancréas ; TS : segments du thorax.
(B) Image ionique du PC 34:1 protoné. (C) Image ionique de l'adduit de sodium du PC 34:1. (D) Image ionique de l'adduit de
potassium du PC 34:1 [198].

Dans l'ensemble, les résultats de Tingting Fu et Sophie Ayciriex fournissent des informations à la fois
sur la composition et la répartition spatiale des lipides chez cette espèce de crustacé. Pour compléter

78
Chapitre 1 : Étude bibliographique

ces travaux, il est nécessaire de développer des méthodes de quantification hautement multiplexées
par spectrométrie de masse ciblée pour mesurer précisément des variations lipidiques dans des
échantillons de G. fossarum de référence par rapport à des échantillons ayant subi un stress
environnemental.

6.3.4. Apport de la métabolomique pour l’écotoxicologie

Compte tenu de l’augmentation des études en métabolomique, cette science omique ne devrait plus
être qualifiée de nouvelle [19,233]. Viant et al. [234] ont montré que les méthodes métabolomiques
par résonance magnétique nucléaire (RMN) étaient 20 fois plus sensibles que les paramètres
traditionnels (anomalies du développement, succès d'éclosion et mortalité) pour mesurer des effets
dus à la contamination des embryons de medaka, un petit poisson d’Asie du Sud-est, au
trichloréthylène. L’écotoxicométabolomique permet de relier des réponses métaboliques anormales
à des variations environnementales afin de valider ou non des hypothèses sur la présence de facteurs
de stress environnementaux et à élucider des modes d’action sous-jacents de l’organisme impacté
[19]. Les stress étudiés en métabolomique peuvent être dus à des contaminants chimiques, à des
changements nutritionnels et environnementaux (humidité, température, etc.) dans un large éventail
d'organismes sentinelles [19]. Jusqu'à récemment, la RMN était le principal outil d’analyse en
métabolomique, cependant bien qu’elle présente certains avantages, la spectrométrie de masse a
révolutionné la capacité à sonder les métabolomes environnementaux grâce à sa grande sensibilité
[233]. Suite à l’augmentation de la rapidité d’analyse des méthodes métabolomiques
environnementales par rapport aux autres méthodes conventionnelles en écotoxicologie, des
méthodes d’alerte précoce de la perturbation d’un écosystème peuvent être envisagées. Dans ce cas
de figure, les futurs défis à surmonter sont la normalisation ainsi que le développement de méthodes
pour les études métabolomiques directement sur le terrain [19]. L'échantillonnage direct sur le terrain
est un paramètre primordial en métabolomique environnementale. Il permet de mieux observer les
changements phénotypiques induits par un stress externe en diminuant la variabilité métabolique
grâce à une stabilisation de l'organisme plus rapide que dans des conditions de laboratoire [6]. L’un
des besoins importants en écotoxicologie est la capacité de collecter des échantillons non invasifs afin
de pouvoir collecter plusieurs échantillons d'un même individu au cours d'une exposition. De ce fait,
le même organisme peut servir de témoin, ce qui élimine la variabilité due aux différences entre les
individus. Dans ce cas de figure, la métabolomique est très performante, car elle permet d’analyser les
fluides corporels comme l’urine ou le sang qui sont de bons indicateurs de la perturbation du
métabolisme de l’organisme [6].

À ce jour, les connaissances sur le métabolisme de l’espèce sentinelle G. fossarum sont peu
nombreuses, car il n’existe qu’une seule publication réalisée par Bonnefoy et al. [65]. L'objectif de cette
79
Chapitre 1 : Étude bibliographique

étude était d'examiner l'effet d'une exposition à un mélange de carbamazépine (antiépileptique) et

d'oxazépam (anxiolytique) sur le métabolisme de G. fossarum. Pour cela des analyses métabolomiques
non ciblées ont été réalisées par nano LC-HRMS après une extraction μ-QuEChERS. Les résultats
obtenus ont montré une différence dans le comportement des mâles et des femelles de G. fossarum
exposés au mélange de composés pharmaceutiques. En effet, des variables discriminantes ont été
mises en évidence pour expliquer une partie des effets de l'exposition en fonction du sexe. Toutefois,
aucune de ces variables métaboliques n’a pu être identifiée et annotée avec certitude. D'autres
stratégies analytiques, basées sur la fragmentation MS/MS et l'interrogation de bases de données
spectrales en masse devraient être envisagées pour réaliser cette identification de biomarqueurs
potentiels. Deux autres études ont été réalisées sur une espèce sentinelle proche de Gammarus
fossarum, à savoir Gammarus pulex. La première a été conduite par Gómez-Canela et al. [235] dont
l'objectif est de développer une méthode ciblée pour analyser 29 métabolites appartenant à
différentes classes biochimiques (acides aminés, acides organiques, nucléosides, nucléotides et sucres)
par LC-HRMS. Parmi 26 produits pharmaceutiques, 3 ont été sélectionnés (propranolol, triclosan et
nimésulide) pour réaliser des expositions. À la suite de ces contaminations, des variations des niveaux
de concentration en métabolites impliquées dans des voies liées à la synthèse des protéines, au stress
oxydatif et aux cascades de signalisation ont été observées. Des analyses supplémentaires sont
nécessaires pour caractériser et comprendre pleinement les effets de ces contaminants sur les voies
spécifiques notamment par la réalisation d’approche globale pour identifier plus de métabolites. C’est
pour cela que Sheikholeslami et al. [66] ont poursuivi les expérimentations de Gómez-Canela et al.
[235] en identifiant 190 métabolites avec une approche non ciblée et les mêmes conditions d’analyse
et d’exposition sur G. pulex. Comme l’étude précédente, leurs travaux ont indiqué des changements
significatifs dans les concentrations de plusieurs métabolites ayant des effets négatifs sur la santé du
gammare provoqué par l’exposition aux différents produits pharmaceutiques. Les données obtenues
ont fourni des informations plus précises pour comprendre les effets au niveau mécanistique de la
biologie moléculaire de cet organisme. Les effets les plus importants sont le stress oxydatif qui
provoque un déséquilibre entre les espèces réactives de l'oxygène (radicaux libres) et les défenses
antioxydantes, ce qui peut entrainer des dommages aux tissus adipeux, à l'ADN et aux protéines.

80
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

Chapitre 2 : Scout-MRM, un nouveau mode

d’acquisition pour augmenter les capacités de
multiplexage en écotoxicoprotéomique.

1. Contexte de l’étude
La biologie des systèmes ou biologie intégrative traite des interactions complexes entre les différents
compartiments qui composent les organismes biologiques. L’étude de la biologie des systèmes est
réalisée à travers la compréhension de la structure de ces systèmes, de leur dynamique et des
processus de régulation les contrôlant [21]. Les termes omiques définissent les méthodes analytiques
qui permettent d’explorer l’ensemble des différents constituants (génome, protéome, métabolome,
lipidome, etc.) de ces systèmes. Ces approches en génomique, protéomique, lipidomique et
métabolomique offrent une vision intégrative des processus moléculaires interagissant à différents
niveaux. Par exemple, pour avoir une idée de la fonction d’un gène, il faut maintenant non seulement
en connaitre la séquence, mais également les transcrits, les protéines, et les métabolites qui en
découlent [21]. En écotoxicologie, l’intégration de ces différentes omiques permet d’étudier et de
renseigner des mécanismes d’action et des effets toxiques [189]. La spectrométrie de masse est un
outil analytique qui tient une place centrale dans le cadre des analyses omiques puisqu’elle permet
d’identifier avec une grande précision et de quantifier avec une grande sensibilité la présence de
biomolécules dans un mélange complexe. Depuis une dizaine d’années, de nombreux progrès ont été
réalisés dans chacune des omiques pour contribuer à la description de ces systèmes, à travers des
innovations en bio-informatique, l’augmentation du haut débit d’analyse et de la couverture de
molécules analysables par spectrométrie de masse. Plus une technique analytique est capable
d’analyser des composés en simultané, plus elle sera qualifiée de multiplexée. Cette capacité à réaliser
des multiplexes de plus en plus importants permet une meilleure caractérisation des différents
compartiments biologiques d’un organisme en limitant le risque de lacunes dû à un manque
d’information qui pourrait altérer le contexte biologique dans un système donné [24].

Parmi les différentes méthodologies analytiques déjà existantes en spectrométrie de masse,

l’approche dite ascendante « shotgun » est l’approche de protéogénomique la plus pertinente pour la
découverte de nouvelles protéines pour les organismes non modèles. Elle repose sur l’étude complète
d’un protéome après digestion enzymatique. La spectrométrie de masse non ciblée (DDA et DIA) est
adaptée aux études à haut débit d’analyse lors des approches globales grâce à sa capacité d’analyse
de milliers de composés en simultané et de sa très grande résolution. Toutefois, cette méthodologie

81
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

présente certaines limitations concernant sa faible reproductibilité et son incapacité à identifier et

quantifier des protéines peu abondantes [45–47]. Les méthodes d'acquisition ciblées, telles que le
mode MRM, améliorent la reproductibilité et la sensibilité par rapport aux approches shotgun, en se
focalisant sur des peptides cibles prédéterminés. En revanche, elles nécessitent une connaissance a
priori des séquences peptidiques obtenues expérimentalement ou in silico pour définir les transitions
MRM [220,221]. De plus, l’une des limitations majeures des approches ciblées est le faible nombre de
composés suivis par méthode. En effet, le nombre de composés suivis dépend du temps de cycle du
spectromètre de masse et des largeurs des pics chromatographiques. Ce temps de cycle est réparti
entre les différents composés pour suivre une ou plusieurs transitions par composé, tout en ayant
suffisamment de points d’acquisitions pour bien définir chaque pic chromatographique. Ainsi, il existe
un nombre maximal de transitions MRM par méthode en spectrométrie de masse ciblée (cf. chapitre
1 partie 2.3). En général, les conditions analytiques adoptées (dwell time minimum de l’appareil,
largeur moyenne des pics chromatographiques et nombre de points par pic) permettent d’obtenir
entre 100 et 150 transitions MRM par méthode [39]. En protéomique quantitative ciblée, le dosage
d’une protéine est souvent réalisé à partir de plusieurs peptides rapporteurs (3 en général) afin
d’augmenter le degré de confiance de l’analyse [236]. De plus, il est souhaitable d’utiliser au moins
trois transitions MRM pour un même peptide afin d’avoir une transition quantifiante et deux
qualifiantes. Ainsi, une méthode MRM ne peut suivre que 10 à 15 protéines au maximum.

En écotoxicologie, Romain Simon et al. [213] ont été les premiers à montrer que la spectrométrie de
masse était une très bonne alternative aux méthodes indirectes et immunoenzymatiques pour doser
des biomarqueurs protéiques potentiels chez l’espèce sentinelle G. fossarum. Une méthodologie pour
quantifier la vitellogénine a ainsi été développée et validée. Pour augmenter les capacités de
multiplexage, il est courant d’utiliser des méthodes MRM où la détection des composés est
programmée dans le spectromètre de masse autour de leurs temps de rétention (sMRM) grâce à
l'utilisation de fenêtres de détection [45–47]. Cela a permis à Aurore Charnot et al., en 2017, de mettre
au point le premier dosage multiplexé en écotoxicologie par LC-MS/MS en mode ciblée qui permet de
quantifier simultanément 40 protéines présentes chez G. fossarum [50,216,237]. Bien que déjà
important, ce nombre de protéines demeure faible dans un contexte de biologie des systèmes. Être
capable de doser simultanément plusieurs centaines de protéines avec précision demeure un enjeu
analytique essentiel. Cependant en MRM, le suivi hautement multiplexé des composés nécessite des
segmentations temporelles très étroites autour des temps de rétention. En procédant de cette
manière, la plus petite variation des temps de rétention peut conduire à la non-détection d'un
composé qui se retrouve en dehors de la fenêtre de détection ou à un signal tronqué. Pour surmonter
cette problématique, une nouvelle méthode ciblée basée sur la MRM a été développée dans notre

82
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

laboratoire. Cette approche, intitulée Scout-MRM [45–47], augmente les capacités de multiplexage
des méthodes MRM sans être dépendante des temps de rétention.

Le premier défi décrit dans ce chapitre de thèse est de prouver que l’approche Scout-MRM permet de
repousser les limites en termes de capacité de multiplexage sans faire de concession sur la robustesse
de la méthode. L’objectif est donc de développer une méthode capable d’analyser simultanément
plusieurs centaines de protéines chez l’espèce sentinelle G. fossarum et ainsi obtenir le plus grand
multiplexe proposé à ce jour pour de futures études en écotoxicologie. Comme nous le verrons, le
Scout-MRM a également pour but de faciliter le transfert de méthodes MRM hautement multiplexées
entre laboratoires en s’affranchissant des temps de rétention. Ces travaux ont conduit à une
publication dans Journal of proteomics en juillet 2020. L’intégralité de cette publication intitulée “High-
multiplexed monitoring of protein biomarkers in the sentinel Gammarus fossarum by targeted Scout-
MRM assay, a new vision for ecotoxicoproteomics” [86] a été retranscrite dans la suite de ce chapitre.

2. Résumé de la méthodologie pour l’élaboration de la

méthode Scout-MRM chez l’espèce sentinelle G. fossarum
Les différentes étapes clés de la mise en place de la méthode Scout-MRM sont résumées sur la figure
n°41 correspondant au résumé graphique de la publication intitulée High-multiplexed monitoring of
protein biomarkers in the sentinel Gammarus fossarum by targeted Scout-MRM assay, a new vision for
ecotoxicoproteomics [86]. Dans un premier temps, une étude protéogénomique par nano LC de phase
inverse couplée à la spectrométrie de masse en mode DDA a été réalisée chez G. fossarum. Cela a
permis d’identifier 5298 séquences de protéines qui ont été fonctionnellement annotées. Ainsi une
base de données a été élaborée pour cette espèce sentinelle dont le génome n’est pas caractérisé. 263
protéines d’intérêts, impliquées dans des fonctions physiologiques clés (reproduction, immunité,
homéostasie, mécanisme de détoxification et de défense, etc.) ont été choisies pour la mise en place
de la méthode Scout-MRM. Ces protéines ont ensuite été analysées sur un nouveau système
analytique constitué d’une chaine chromatographique couplée à un Qtrap en mode MRM classique
dédié aux analyses ciblées. Parmi les 263 protéines, 182 protéines ont été détectées sur cette nouvelle
configuration. La méthode Scout-MRM a ensuite été développée en déterminant les composés scouts
puis en répartissant les transitions MRM dans les différents groupes de détection. Par la suite, la
méthode a été validée en évaluant les domaines de linéarité, les limites de quantification et la
répétabilité. L’étude des rapports de transitions pour un même peptide a permis de ne conserver dans
la méthode que celles qui sont le moins interférées. Après avoir appliqué les critères de validation, la
méthode Scout-MRM contient 157 protéines ce qui est une première en écotoxicoprotéomique. Pour

83
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

terminer, cette méthodologie a été appliquée dans une étude de biosurveillance active dans un
contexte de pollution agricole.

Figure 41 : Résumé de la méthodologie Scout-MRM dans le cadre de la publication High-multiplexed monitoring of protein
biomarkers in the sentinel Gammarus fossarum by targeted Scout-MRM assay, a new vision for ecotoxicoproteomics. 1ère
étape : Étude protéogénomique par nano-RPLC/MS en mode DDA chez G. fossarum pour élaborer une base de données. 2ème
étape : Analyses en mode MRM classique pour déterminer les peptides détectés dans le nouveau système constitué de la
RPLC couplée à un Qtrap. 3ème étape : Choix des composés scouts et répartition des transitions MRM dans les différents
groupes de détection. Validation de la méthode en évaluant les domaines de linéarité, les limites de quantification, la
répétabilité et la sélection des transitions non interféré. Dernière étape : Application de la méthode de biosurveillance
protéique pour l’évaluation de la pollution des eaux douces provenant de différents sites agricoles [86].

84
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

3. Publication n°1 : High-multiplexed monitoring of protein

biomarkers in the sentinel G.fossarum by targeted Scout-
MRM assay, a new vision for ecotoxicoproteomics

Highlights

x Scout-MRM approach was used for the development of a large multiplex protein assay in G.
fossarum.
x This represents the most important multiplex validated in ecotoxicology field that includes 157
proteins encompassing 277 peptides and 831 transitions, in male and female gammarids at distinct
reproductive stages.
x 9 key proteins from caged G. fossarum enabled to discriminate agricultural contaminated sites.

3.1. Abstract
Ecotoxicoproteomics employs mass spectrometry-based approaches centered on proteins of sentinel
organisms to assess for instance, chemical toxicity in fresh water. In this study, we combined
proteogenomics experiments and a novel targeted proteomics approach free from retention time
scheduling called Scout-MRM. This methodology will enable the measurement of simultaneously
changes in the relative abundance of multiple proteins involved in key physiological processes and

85
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

potentially impacted by contaminants in the freshwater sentinel Gammarus fossarum. The

development and validation of the assay were performed to target 157 protein biomarkers of this non-
model organism. We carefully chose and validated the transitions to monitor using conventional
parameters (linearity, repeatability, LOD, LOQ). Finally, the potential of the methodology is illustrated
by measuring 277-peptide-plex assay (831 transitions) in sentinel animals exposed in natura to
different agricultural sites potentially exposed to pesticide contamination. Multivariate data analyses
highlighted the modulation of several key proteins involved in feeding and molting. This multiplex-
targeted proteomics assay paves the way for the discovery and the use of a large panel of novel protein
biomarkers in emergent ecotoxicological models for environmental monitoring in the future.

3.2. Biological significance

The study contributed to the development of Scout-MRM for the high-throughput quantitation of a
large panel of proteins in Gammarus fossarum freshwater sentinel. Increasing the number of markers
in ecotoxicoproteomics is of most interest to assess the impact of pollutants in freshwater organisms.
The development and validation of the assay enabled the monitoring of a large panel of reporter
peptides of exposed gammarids. To illustrate the applicability of the methodology, animals from
different agricultural sites were analysed. The application of the assay highlighted the modulation of
some biomarker proteins involved in key physiological pathways, such as molting, feeding and general
stress response. Increasing multiplexing capabilities and field test will provide the development of
diagnostic protein biomarkers for emergent ecotoxicological models in the future environmental
biomonitoring programmes.

3.3. Introduction
Ecotoxicoproteomics is being increasingly used in environmental hazard identification, through the
monitoring of protein expression in sentinel organisms exposed to environmental pollutants in both
laboratory and field studies [168,201,210,238–241]. Dynamic changes in the molecular machinery of
an organism subjected to a toxic stress are the starting points of its physiological response [242].
Molecular biomarkers are therefore able to provide us with early diagnostics of adverse effects in
comparison with other higher-level endpoints such as reproductive impairments or other physiological
biomarkers.

Among the different mass spectrometry (MS) based strategies available for protein analysis, shotgun
proteomics using data-dependent acquisition (DDA) remains the most popular for proteome discovery
in ecotoxicological models. In this acquisition mode, a fixed number of precursor ions is selected in the
MS1 survey scan, followed by a sequential isolation and fragmentation of the N most intense
precursors. This acquisition mode is adapted for high-throughput studies for protein discovery but
86
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

presents some limitations regarding its low reproducibility and inability to identify and quantify low-
abundant proteins. DDA-based studies have recently proved to be extremely useful for assessing the
impact of several model pollutants in the molecular machinery of sentinel organisms from aquatic
ecosystems, identifying exposure fingerprints that inform about the pollutants modes of action, and
highlighting potential toxicity biomarkers [206,210,212,238,240,241,243–245]. Nevertheless, despite
the increasing number of publications proposing new toxicity biomarkers, few are being considered
for use in routine environmental biomonitoring. This is mainly due to the lack of high-throughput
quantitative assays available for their verification and validation before its implementation in
operational monitoring programs.

Alternatively, targeted acquisition methods such as Multiple Reaction Monitoring (MRM) or Parallel
Reaction Monitoring (PRM), avoid the lack of reproducibility and limited quantitative power of DDA
methods, by focusing the MS/MS scans on a subset of predetermined target peptides. These methods
require a priori knowledge of the elution time windows of the targeted peptides and the precursor-
product ion transitions obtained from a spectral library (subsequent to DDA analysis). MRM assays
were proposed in recent years as a promising tool for specific multi-biomarker measurements in
environmental biomonitoring [50,215,216]. However, targeted data acquisition experiments such as
MRM or PRM exhibit some restraints. One of the limitations of this approach is the number of
transitions monitored per peptide restricted by the duty cycle to keep an acceptable signal-to-noise
ratio. In addition, the development of large multiplexed assays becomes rather complex because of
the RT reliance or unwanted retention time shift due to sample matrix effects. More recently, a new
MRM-based targeted method, namely Scout-MRM has been proposed to increase the multiplexing
capability and the robustness of classic targeted approaches [45–47]. Briefly, Scout-MRM is based on
the successive monitoring of complex transition groups triggered by scout peptide signals distributed
along the chromatogram. This method is completely independent from RT and consequently of time
scheduling, thereby increasing the multiplexing capability and facilitating the analytical transfer
between laboratories.

Herein, we develop for the first time in aquatic ecotoxicology Scout-MRM for the high-throughput
quantitation of a list of key proteins resulting from a proteogenomics study in Gammarus fossarum,
an aquatic model organism used as sentinel to assess freshwater pollution [193,195]. Increasing
multiplexing capabilities is of great importance for the development of biomarkers in ecotoxicology
since it allows monitoring a broader list of candidate biomarkers and validating a higher number of
reliable surrogate peptide biomarkers for developing absolute quantification assays. If robust enough,
the simultaneous quantification of hundreds of peptides and proteins also allows performing shotgun-
like protein network and/or co-expression analysis, with the advantage of targeting a sub-proteome

87
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

covering only the functions of interest. The development and validation of Scout-MRM assay to
monitor a large panel of protein’s reported peptides from the emergent ecotoxicological model G.
fossarum is presented. We also demonstrate the interest of the methodology in ecotoxicological
studies through an application with active biomonitoring in an agricultural pollution context, followed
by a concise discussion around the advantages and innovations of this methodology for environmental
monitoring.

3.4. Materials and Methods

3.4.1. Reagents and chemicals

Water, acetonitrile (ACN) and methanol (MeOH) were obtained from Fisher Scientific (LC-MS grade,
Strasbourg, France). EDTA, triton X-100, iodoacetamide (IAM), dithiothreitol (DTT), formic acid, sodium
chloride, aprotinin, ammonium bicarbonate (AMBIC), leupeptin, trypsin (treated TPCK from bovine
pancreas), ethylic ether and absolute ethanol were obtained from Sigma Aldrich (St Quentin-Fallavier,
France). Isotopically labelled peptides containing either a C-terminal [15N2 and 13C6] lysine or arginine
were synthesized by Thermo Fisher Scientific (purity > 97 %) and stored at -20°C until use.

3.4.2. Collection and maintenance of G. fossarum organisms

Gammarids were collected by kick sampling from the Pollon river in France, and acclimatized to
laboratory conditions, as previously described [171,215,216,246]. This sampling site contains a
gammarid population frequently used as a source of organisms for active biomonitoring studies by the
laboratory of ecotoxicology in INRAe [246,247]. Before experiments, organisms were kept for two
weeks in 30 L tanks continuously supplied with drilled groundwater, which was adjusted with osmotic
water to the same conductivity and pH values as the sampling site. The temperature of the water was
maintained at 12 ± 1˚C, with 16/8h light/dark photoperiods. Organisms were fed ad libitum with water-
conditioned alder leaves (Alnus glutinosa) and tubifex were added once a week.

3.4.3. Sample preparation for shotgun proteomics

Whole-body of five male and five female gammarids were disrupted in extraction buffer (50 mM Tris-
Base, 100 mM NaCl, 1 mM EDTA, 0.1% v/v Triton X-100, 6 M Urea, protease inhibitor cocktail) with a
Tissue ruptor device (Qiagen). Homogenates were centrifuged at 10000g for 7 minutes, and the
supernatant transferred to a new tube. 30 μL of homogenate were subjected to a short SDS-PAGE
migration at 200 V (roughly 3 minutes). The whole protein content from each sample in the gel was
cut and processed with Trypsin Gold (Promega) and 0.011% ProteaseMax surfactant (Promega) as
previously described [248].

88
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

3.4.4. Sample preparation for Scout-MRM assay

Specimens (whole bodies) were homogenized in Tris buffer (Tris-HCL 50 mM, 100 mM NaCl, 1 mM
EDTA, Triton X100 0.1% v/v, adjusted to pH 7.8 plus 10 μg/mL of each leupeptin and aprotinin), in a
volume of 600 μL, with a bead homogenizer. All the homogenates were centrifuged at 10000 g at 4°C
for 15 min. A volume of 250 μL of clear supernatant was collected and delipidated by adding 750 μL of
ethanol/diethylether solution (1:1 ; v/v). The mixture was vortexed and kept on ice for 10 min. Then,
samples were centrifuged at 10000 g at 4 °C for 10 min. Clear supernatant was removed and the pellet
was resuspended with 250 μL Tris buffer. A volume of 3 mL of ammonium bicarbonate 50 mM and DTT
at a final concentration of 15 mM was added to the supernatant. Samples were incubated for 40 min
at 60°C. After cooling to room temperature, iodoacetamide was added (final concentration of 15 mM)
and the samples were placed in the dark at room temperature for 40 min. Then, 300 μg of trypsin was
added and samples were incubated for 1h at 37°C. Finally, 40 μL of formic acid was added to stop the
reaction. 10 μL of heavy peptides at 4 μg/mL and 10 μL of scout peptides at 5 μg/mL were then added.
Afterwards, a solid phase extraction was carried out using the 60 mg hydrophilic lipophilic balance
(HLB) cartridge Oasis from Waters (Millford, MA). Cartridges were preconditioned with 1 mL of
methanol and 1 mL of water acidified with 0.5% of formic acid. Samples (3 mL) were then deposed on
the cartridges. Afterwards, cartridges were rinsed with 1 mL of solution of water/methanol (95:5 ; v/v)
acidified at 0.5% of formic acid. The analytes were eluted using 1 mL of methanol acidified at 0.5% of
formic acid into an Eppendorf tube. 100 μL of MeOH/glycerol mixture (90:10 ; v/v) is added to the
sample. Then the solvent was evaporated under nitrogen flow until a volume of 10 μL, which was
diluted back with 90 μL of a H2O/ACN mixture (90:10 ; v/v) with 0.5% of formic acid, and centrifuged
at 12,000 rpm for 5 min at room temperature, before the LC-MS/MS analysis [50,237].

3.4.5. Standards (SIL peptides, scout peptides) preparation

Isotopically enriched peptide stock solution was prepared from lyophilized peptides dissolved in
H2O/ACN mixture (50:50 ; v/v) with 0.5% of formic acid to obtain a 400 μg/mL stock solution. Scout
peptides used in this study are stable isotope labelled peptides, selected to trigger the analysis of MRM
transition groups with Scout-MRM. Solutions containing isotopically enriched peptides were prepared
from stock solutions and diluted to obtain the desired concentrations. The list of the labelled peptides
and scout peptides are shown in supplementary information Table S1.

3.4.6. Nano LC-MS/MS analysis on high resolution mass spectrometry

Extracted and digested proteins were analysed through data-dependent acquisition mode on a Q-
Exactive HF mass spectrometer (Thermo Fisher) coupled to an Ultimate 3000 LC system (Dionex-LC
Packings). Tryptic peptides were first desalted on a reversed-phase PepMap 100 C18 μ-precolumn and

89
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

separated on a nanoscale PepMap 100 C18 nanoLC column (3 mm, 100 Å, 75 μm i.d. 50 cm, Thermo
Fisher Scientific) with a 90 min gradient of ACN with 0.1% formic acid, and a flow rate of 0.3 μL/min.
Full MS were acquired from 350 to 1800 m/z and the 20 most abundant precursor ions were selected
for fragmentation with 10 s dynamic exclusion time. Only ions with +2 or +3 charges were selected for
MS/MS analysis.

3.4.7. Liquid chromatography and targeted mass spectrometry

LC-MS/MS analysis was performed on an 1290 series HPLC device (Agilent Technologies, Waldbronn,
Germany) coupled to a QTRAP® 5500 LC-MS/MS System hybrid triple quadrupole/linear ion trap mass
spectrometer (Applied Biosystems / MDS Analytical Technologies, Foster City, CA, USA) equipped with
a Turbo V™ ion source. The LC separation of the 20 μL injected sample was carried out on an Xbridge
C18 column (100 mm × 2.1 mm, particle size 3.5 μm) with a symmetry C18 guard column (2.1 mm x 10
mm, particle size 3.5 μm) from Waters (Milford, MA, USA). Elution was performed at a flow rate of 300
μL/min with water containing 0.1% of formic acid as eluent A and acetonitrile containing 0.1% of formic
acid as eluent B, employing an isocratic gradient from the beginning at 5% B to for 2 min, followed by
a linear gradient from 5% B to 35% B in 36 min. Column was washed at 100% B for 5 min and re-
equilibrated at 5% B for 5 min. The injection duty cycle was 48 min, considering the column
equilibration time. Instrument control, data acquisition, and processing were performed using a
modified Analyst 1.6.2 software®. For academic research, Scout-MRM provisional software patch is
available on request from Sciex company (contact: [email protected]). MS analysis was
performed in positive ionization mode using an ion spray voltage of 5500 V. The curtain gas flows and
the nebulizer were set at 50 psi using nitrogen. The TurboV™ ion source was set at 550°C with the
auxiliary gas flow (nitrogen) set at 40 psi. The software Skyline v4.1 (MacCoss Lab Software, USA) was
used to product a list of suitable SRM transitions. The mass in Q1 and Q3 as well as the collision energy
(CE) and the declustering potential (DP) values were predicted using Skyline for endogenous peptides
when the associated heavy peptides were not available. The duty cycle is set at 1.52 s in order to attain
fifteen points per chromatographic peak for each MRM transition in one of the thirteen scout groups.
For peptides with corresponding associated heavy peptides, their mass parameters have been
optimized by direct infusion into the mass spectrometer. From the initial set of candidates SRM
transitions, three transitions by peptides were selected for the final assay. Details of parameters are
reported in Table S2.

3.4.8. MS/MS spectra interpretation from GFOSS database

MS/MS spectra were assigned to peptide sequences by searching against a customized RNAseq-
derived database GFOSS, which was previously published [220]. This database contains 1 311 444

90
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

putative protein sequences and 289 084 257 residues. The algorithm from the MASCOT Daemon v2.3.2
search engine (Matrix Science) was used for database search and spectral matching. The following
parameters were used: 5 ppm peptide tolerance and 0.02 Da MS/MS fragment tolerance, +2 or +3
peptide charge, a maximum of two missed cleavages, carbamidomethylation of cysteine as fixed
modification, oxidation of methionine as variable modification, and trypsin as proteolytic enzyme.
Mascot results were parsed with IRMa 1.31.1c software [249]. Peptide-spectrum matches presenting
a MASCOT peptide score with a p-value of < 0.05 were filtered and assigned to a protein according to
the parsimony principle. The data have been uploaded to the ProteomeXchange Consortium via the
PRIDE partner repository with the dataset identifier PXD017017 (https://doi.org/10.6019/PXD017017)
[250].

3.4.9. Candidate list for Scout-MRM assay development

From the peptide and protein lists obtained in the DDA mode, peptides that did not match the
requirements needed for the targeted approach were filtered out of the final list of candidates. At the
precursor level, the parameters chosen for selection were the following: idotp > 0.92 (isotope dot
product), mass error ± 4 ppm, ≥ 4 peptides per protein. Only the four most intense precursors (based
on MS peak area) per protein were kept. At the MS/MS level, all product ions with m/z higher than
1050 were eliminated, and a maximum of 4 product ions per precursor were kept (the most intense
ones). The list was further reduced by removing proteins with whose functional annotations suggested
little interest to be used as toxicity biomarkers (mostly housekeeping and orphan proteins). A final list
of 2942 transitions, 919 peptides, and 263 proteins was obtained (Table S3).

3.4.10. Method validation for Scout-MRM assay

Verification of MRM transitions free from interferences and the correlation of peptide ratios were
performed using a correlation study of transition ratios per peptide. The correlation study was carried
out on 46 male and 24 female gammarids at different stages of reproduction. A peptide measured with
three MRM transitions is considered as non-interfered if at least one of the transition ratios has a RSD
< 20%. The remaining analytical parameters were performed from a mixture of male and female G.
fossarum in order to have samples containing the same amount of protein digest as background
matrix. The repeatability of the method including SPE, evaporation under nitrogen flow and MS
measurement were evaluated by performing analyses of independent G. fossarum samples (n=3)
spiked with 500 ng/mL of heavy peptides. The repeatability of the entire analytical protocol including
the digestion step for endogenous peptides was evaluated by analysing independent samples (n=10)
from the same gammarid pool. Matrix effects, SPE recoveries and evaporation recoveries were
evaluated by preparing G. fossarum sample spiked with heavy peptides at different protocol steps at

91
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

a concentration of 500 ng/mL (n=3). The different recoveries (after SPE and evaporation) and matrix
effect are calculated according to the following formulas:

x SPE recovery (%) = (Heavy peptide area add before SPE / Heavy peptide area add after SPE) x 100

x Evaporation recovery (%) = (Heavy peptide area add after SPE / Heavy peptide area add after
evaporation) x 100

x Matrice effect (%) = [(Heavy peptide area in matrix / Heavy peptide area add in solvent)-1] x 100

In order to carry out the linearity study of heavy peptides, as well as the evaluation of detection limits
(LOD) and quantification limits (LOQ), 9 pools of G. fossarum peptide solutions were spiked with an
increasing quantity of heavy peptides from 1 to 10000 ng/mL. Each calibration curve has at least 5
levels of concentration (between 1 and 10000 ng/mL, 10 levels of concentrations were investigated)
with an accuracy between 80 and 120%. In addition, a weighted least-square linear regression was
used (1/x²). To determine the LOD, we measured the signal-to-noise ratio in the detection area of the
chromatographic peak and considered the 3:1 ratio as acceptable to define it. The LOQ is defined as
being equal to three times the LOD. Protein extraction and digestion kinetics in G. fossarum have
already been optimized and described in a previous publication [50].

3.4.11. Data analysis

The integration of chromatographic peaks and data reprocessing was performed with MultiQuant™
software (version 2.1.1, Sciex®). Peak areas for each peptide were log2 transformed to perform
multivariate analyses. In order to identify possible outliers, sample clustering was performed using the
hierarchical clustering function implemented in the lumi R package [251]. Principal Component
Analysis (PCA) was used to analyse and identify the variables explaining the maximum variance
associated to the proteomic data in male gammarids caged in the contaminated or the reference sites.
Differential protein abundance analysis was performed using linear models and empirical Bayes
methods implemented in the limma R package [252,253]. Peptides showing differences with a BH
adjusted p-value (FDR) < 0.1 are considered significantly different. Targeted proteomics data have
been uploaded to the PeptideAtlas SRM Experiment Library (PASSEL) under dataset identifier
PASS01501.

3.4.12. Application of the assay

3.4.12.A. Selection and exposure of organisms

For each experiment, organisms were collected from the water tanks at specific reproductive stages.
For method validation, mature male and female organisms were sampled based on visual observation

92
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

of couples having a female in an advanced stage of the reproductive cycle (well-developed embryos in
the brood pouch as described in [195]). For the field studies, couples of G. fossarum were sorted in
with female in the final molting stages D2 and placed by 7 in punctured polypropylene cylinders with
alder leaves as food supply. The day after, four cages of 7 couples were deployed in each study site
during three weeks following the reproductive bioassay protocol described in [254]. The organisms
were then brought back to the laboratory in water from the study site. Seven males by sites were
weighted and directly frozen in liquid nitrogen and stored at -80°C for the proteomic analysis.

3.4.12.B. Study sites

Organisms were caged in four distinct study sites in the “Jura” region in France for a three week
exposure. Three sites (A, I, Av) were localized along the river « La Madeleine » (N 46°42'15''; E 5°31'9'')
which drains a mixed agricultural watershed (wine, corn and wheat crops) before joining drinking
water catchments of the City of Lons-le-Saunier. According to the pesticide program commissioned by
the water authorities of Lons-le-Saunier between 2011 and 2017, this watershed is at risk for pesticide
contamination. A fourth study site situated upstream of the “Seille” river (N 46°42'58"; E 5°37'54") was
used as a reference site. This station is located at less than 10 km of the east of the “Madeleine”
watershed and is in a good chemical and ecological status among the National Reference Network
implemented for the European Water Framework Directive.

3.5. Results and discussion

3.5.1. Selection of proteins of interest from proteogenomics and DDA analysis

In the shotgun experiment, an average of 46068 MS/MS spectra were recorded per sample, from which
27-29% were attributed to peptide sequences after querying the GFOSS proteogenomics database.
These peptide-to-spectrum matches (PSMs) allowed the identification of 5298 protein sequences,
which were functionally annotated through BLAST searches and used as the starting point for the
selection of the candidates for the targeted assay. The in silico mining of this large list of proteins
allowed to select a panel of 263 proteins according to the criteria described in section 3.4.9. These
proteins are involved in key physiological functions such as reproduction, immunity, homeostasis, and
detoxification / defence mechanisms, and are therefore susceptible to be disrupted by exposure to
toxic compounds. The list of the proteins is shown in Table S3.

3.5.2. Reporter peptide identification and MS optimization in targeted MS approach

The list of 263 proteins was used to develop the Scout-MRM method on a triple quadrupole mass
spectrometer. This type of acquisition method is more suitable for quantification because it provides
more robustness. The specificity and sensitivity of targeted-based assays depend on the suitable
93
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

selection of the proteotypic peptides. For the unambiguous peptide identification in low resolution
targeted MS, four MRM transitions corresponding to the most intense MS/MS fragment ion peptides
were selected from proteogenomic experiments, which correspond to 3676 transitions among 27
MRM methods. The chromatographic conditions of the proteogenomic study and the Scout-MRM
method are different. Indeed, nano-LC configuration was not used for the development of Scout-MRM
method. It was therefore necessary to redefine the retention times (RT) of each peptide. RT
information was used as a reference for peptide detection in our system. A retention time was assigned
to a peptide, when the monitored transitions were perfectly aligned.

As shown in figure n°42 A, the extracted ion chromatograms showed four overlapped and identical
MRM transitions for GTLAVIPVQNR and for their corresponding heavy peptide GTLAVIPVQNR*. Figure
n°42 B shows extracted ion chromatogram of LQQEQVADYK at 8.1 min with the 4 overlapped
transitions that confirms the elution time of this peptide. In certain cases, difficulties can be
encountered for the determination of the RT of a proxy peptide that exhibits 4 aligned transitions when
an interference occurred and the corresponding labelled peptide is not available. As shown in figure
n°42 C, the extracted ion chromatogram exhibits several peaks for which the 4 transitions for
TDLSITLAER are perfectly aligned. To overcome this problem i.e. to correctly identify the RT area of the
target peptides, we established a correlation curve between peptide RT obtained in targeted-MRM
based assay and high-resolution-MS² based experiment (Figure n°43 and table S4).

Figure 42 : Identification of endogenous peptides from G. fossarum by MRM and selection of transitions. (A) Detection of
endogenous peptides when labelled peptides are available. Retention times and transition ratios must be identical. (B)
Detection of endogenous peptides when isotopically enriched peptides are not available. The four MRM transitions must be
aligned. (C) Detection and selection of peptide with an isobaric interference also having an alignment of the four MRM
transitions. The RT area in MRM mode was predicted based on proteogenomics data.
94
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

Figure 43 : Correlation curve plotting the retention time of peptides identified by proteogenomics to the peptide retention
time obtained in MRM. Retention times of 66 peptides obtained in nanoLC-MS/MS (reversed-phase PepMap 100 C18 μ-
precolumn, nanoscale PepMap 100 C18 nanoLC column, 3 mm, 100 Å, 75 μm i.d. 50 cm and Q-Exactive HF) and LC-MS/MS
(symmetry C18 guard column, 2.1 mm x 10 mm, particle size 3.5 μm, Xbridge C18 LC column, 2.1 mm, 10 cm, particle size 3.5
μm and Qtrap 5500) have been reported (Table S4).

Even if peptide separation conditions were very different (nanoLC versus microLC configuration,
different stationary phase), the RT of the target peptides have been easily identified from other
interfering isobaric compounds by using the formula of the regression curve. For 187 peptides, we had
also to corroborate our results by performing additional MRM runs by adding supplemental
transitions, i.e. 1879 transitions. Finally, after the optimization of the precursor and transition
selection, 341 peptides proxy of 182 proteins have been perfectly identified on the QTrap system.

3.5.3. Improvement of multiplexing capacity

In a second step, we evaluated the capacity to configure a 182-plex MRM protein assay. This assay
requires following 1155 transitions including 44 heavy labelled peptides (up to 3 peptides per protein,
at least 3 transitions per peptides). Considering the large number of transitions, it was not possible to
develop a single MRM method. To solve this problem, an acquisition method capable of segmenting
the chromatogram is needed to focus the mass spectrometer on specific areas associated with
retention time of compounds of interest. For this purpose, we can use a single time fragmentation
method (called Scheduled MRM®, Time MRM® or Dynamic MRM® according to the MS supplier).

3.5.3.A. Principle and limitations of MRM methods with time window.

To guarantee a constant acquisition setting of 10-15 points per chromatographic peak in time window
scheduling experiment, MRM transitions of each peptide are centered on their expected retention
times. A constant cycle time is maintained with the simultaneous adjustment of the dwell time
according to the number of peptides co-eluted in the same window. To ensure highly multiplexed

95
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

analysis, RT scheduling methods must monitor the transitions across small time segments. However,
any unexpected RT shift out of the scheduled RT window (modification in chromatographic conditions,
change of volume delay with distinct pumping systems during a method transfer, injection overload of
the column due to samples with different protein contents) can compromise assay robustness and its
implementation for large-scale analysis. As shown in figure n° 44 A, an artificial modification in HPLC
conditions, i.e. decrease of the isocratic step at the beginning of the gradient, leads as expected to a
RT shift of QFQYTWR peptide during retention time scheduling method. The chromatographic peak is
truncated, and the quantification is difficult to achieve. In this case, reducing the RT window detection
proves to be detrimental to the multiplexed analysis. In some cases, peptides may no longer be
detected because they are outside the detection windows.

Figure 44 : Effects of RT shifts for targeted peptides monitored by Scheduled-MRM® versus Scout-MRM method. (A) When
the chromatographic conditions change (decrease in the isocratic level at the beginning of the gradient) a RT shift occurs and
induces an offsetting of the chromatographic peak from the detection window. (B) If any RT shift occurs in Scout-MRM
method, scout peptides automatically realigns the detection window.

3.5.3.B. Principle and advantages of Scout-MRM

To avoid partial or no peak detection, we introduced a new mode of targeted data acquisition called
Scout-MRM in order to rationalize the development of targeted proteomics assay and to facilitate
dissemination of ready-to-use methods [45,47]. Scout-MRM relies on the monitoring of complex
transitions successively triggered under the detection of scout peptides. Compared with scheduled
methods, the acquisition was triggered by scout peptides for each segment, instead of by pre-defined
scheduled time windows (here in this case, segment of 1.5 min). No extra adjustment for acquisition
windows is needed. As we observed, the peptide is correctly eluted during chromatographic variations
96
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

(Figure n°44 B). In practice, the scout peptides chosen in this study are 12 stable isotope labelled
peptides that can be used for relative quantification (Table S1). Scout peptides triggering groups of
transitions (13 groups), are regularly dispatched all along the chromatogram (Figure n°45). When the
intensity of the MRM transition of the first scout exceeds a defined threshold, the monitoring of a
transition group is triggered. The follow-up of the group stops when the second scout peptide is
detected and consequently the second group is triggered and so on [45,47] (Figure n°45).

Figure 45 : Scout-MRM concept. This acquisition mode consists in the detection of a first compound called scout. When the
intensity of the scout MRM transition exceeds a threshold defined by the operator, the monitoring of an unordered transition
group as well as the monitoring of a new scout transition and so on until the last group is triggered by scout n. The triggering
of a new group ends the follow-up of the previous one.

Any incidental RT shift is completely without consequence on the target detection of peptides. To
ensure highly multiplexed analysis, RT scheduling method monitors the transitions across large
segments generally set to less than 1 min that ensures a compromise between multiplexing capacity
and robustness of the method [45]. In Scout-MRM it is sufficient to distribute scouts with an interval
of less than one minute to have a higher gain in multiplexing capacity without loss of robustness. To
increase multiplexing capacity for future analysis, it is therefore enough to increase the number of
scout groups in the method.

97
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

3.5.4. Scout-MRM method optimisation

3.5.4.A. Biological validation of MRM transitions

To ensure that the selected MRM transitions were not interfered in the different biological conditions,
we verified that transition ratios from a specific peptide are constant. In order to be most relevant
several samples need to be analysed. From the sample available at the laboratory at the time of the
study, 46 adult male sampled from different locations and 24 adult female organisms at distinct
reproductive stages were used to include as much variability as possible. MRM transitions were
considered as non-interfered when the ratio between 3 transitions remains constant regardless the
sample. From our data we have performed transition area ratio calculation for all samples and
estimation of relative standard deviation values for each peptide. A threshold above 20% of MRM ratio
is considered as interfered. As shown in figure n°46, the peptide CQLFNDPSDR exhibits different
transition ratios between y8/y7, ions with a RSD > 20%, in two different biological conditions (different
male gammarids from different sites). On the contrary, the tryptic peptide SLVNLGDVQEGK conserves
the transition ratio between the different ions y9/y8, y8/y7 and y9/y7 with a RSD < 20% [255]. After
evaluation of all the MRM ratio transitions (341 peptides proxy for 182 proteins), we kept 277 peptides
proxy for 157 proteins (Table S2). As a result, some proteins are only reported by one or two peptides
in the method. More precisely, 67 proteins with 1 peptide, 42 proteins with 2 peptides and 30 proteins
with 3 peptides were followed in male gammarids. For female gammarids, 76 proteins with 1 peptide,
47 protein with 2 peptides and 25 proteins with 3 peptides per protein were monitored.

Figure 46 : Correlation study between 3 MRM transitions of the same peptide. (A) Non-constant transition ratio obtained
for the 3 MRM transitions of CQLFNDPSDR peptide under two different biological conditions. (B) Constant transition ratio
obtained for 3 MRM transitions the peptide SLVNLGDVQEGK under two different biological conditions. (C) RSD obtained for
the mean transition ratios of CQLFNDPSDR and SLVNLGDVQEGK peptides in 46 different male G.fossarum samples. Only the
3 transitions of the peptide SLVNLGDVQEGK are considered as non-interfered (RSD < 20%).

98
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

3.5.4.B. Biological validation of peptides

A second study between the different peptides of the same protein was carried out in male and female
G. fossarum. Indeed, peptides from the same protein must have constant area ratios between the
different samples analysed, as shown in figure n°47. This ratio is calculated from the most intense and
least interfering transition areas determined in the first correlation study. If the ratios are not
respected, this may be due for example to the presence of a modification on one of the peptides of
the protein or different matrix effects. Peptide ratios for the same protein are more uncertain than
transition ratios of a peptide. Indeed, the different transitions of the same peptide will undergo the
same matrix effects because they are eluted at the same retention time while the peptides of the same
protein will have different retention times and can therefore undergo different matrix effects between
different samples. This criterion was therefore not used to remove a transition from the method.
Rather, it has been used as an indicative value to know which peptides within the protein correlate
best with each other.

Figure 47 : Area ratio between 3 peptides of the same protein. Peptide area ratio between different peptides of the same
protein, aspartate aminotransferase and cytosolic malate dehydrogenase, in 46 different male G. fossarum samples. For the
aspartate aminotransferase, the correlation of the 3 peptides shows good results (RSD < 20%) and for the cytosolic malate
dehydrogenase protein, the peptide area ratios show a lower correlation (RSD > 40%).

The results obtained for our correlation study between the different peptides of the same protein are
summarized in figure n°48. These results show that for most proteins we have a good correlation
between the different peptides.

99
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

Figure 48 : Assessment of the correlation study of peptide ratios for the same protein. For each gender are represented the
percentages of protein that have at least one peptide ratio with the indicated correlation coefficient. The orange and blue
curves represent the cumulative protein percentages in function of peptide area ratios.

3.5.5. Analytical performance evaluation of the assay for quantification

As the multiplexed protein assay will be used to support future ecotoxicology studies, the analytical
performances of the assay for quantification were assessed. With our Scout-MRM method, an absolute
or relative quantification can be considered. Absolute quantitation is achieved with incorporation for
each peptide of isotopically labelled synthetic peptide internal standards. Disposing of all the peptides
labelled with high purity results in substantial costs that are often incompatible with the financial
means of ecotoxicological studies. In a first step, a relative quantification is performed. Only 44 labelled
peptides have been synthesized and will be used for performance evaluation. Since relative
quantification method is based on sample comparison, it must first be ensured that the analytical
protocol is repeatable. Therefore, a repeatability study was carried out.

3.5.5.A. Repeatability
Intraday repeatability was assessed by spiking heavy peptides to a pool of gammarids at a
concentration of 500 ng/mL. All the results are presented in Table S1 as supplementary data. The
relative standard deviations (RSD) for this repeatability study is between 1 and 12% that shows good
repeatability. However, since we do not have the counterparts marked for each peptide, we have
carried out another repeatability study by analysing endogenous peptides from ten independent
extractions to consider all the peptides. Furthermore, this study also takes into account the
reproducibility of protein digestion into peptides. All the results are presented in Table S5 as
supplementary data. Figure n°49 shows that 90.2% of MRM transitions have an RSD of less than 20%.
This threshold represents the limit values that have been set to define whether a transition is
repeatable. The RSD obtained for all previously selected qualifying MRM transitions are less than or
equal to 20%. When the RSD is greater than 20%, this corresponds to the lowest MRM transitions that
generate more difficult integrations and are more easily interfered. These results indicate that the
digestion step and extraction step are controlled and reproducible.
100
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

Figure 49 : Repeatability of endogenous peptides : Average intensity of the MRM transitions presents in the Scout-MRM
method according to their repeatability. Results obtained after independent extraction from the same pool of male and
female G. fossarum (n=10). The repeatability validation criterion is set at 20% which corresponds to 90.2% of the MRM
transitions of the method. The entire protocol method is therefore well repeatable. When the criterion is not satisfied, this
corresponds to the least intense MRM transition not used as a qualifying transition (more easily interferable and more difficult
to integrate) (Table S5).

3.5.5.B. Extraction recoveries

It was shown in a previous paper that peptides can be lost during evaporation [237]. Therefore, this
step was also specifically evaluated in addition to the SPE extraction recovery. To estimate extraction
recoveries, digested protein extracts from gammarids were spiked with labelled peptides before and
after SPE, and after evaporation at a concentration of 500 ng/mL (n=3) and compared. The results are
presented in Table S1. It can be observed that SPE recoveries are between 72 and 122% with an
average of 96% for the 44 heavy peptides. Evaporation recovery range from 67 to 106% with an
average of 94% for the 44 heavy peptides. These results showed a good extraction recovery.

3.5.5.C. Matrix effect evaluation

Matrices effects in MS correspond to the influence of co-eluted compounds during their simultaneous
introduction into the source due to ionization competition. This can result in an increase or a decrease
of their intensity. To measure these matrix effects, sample extracts were spiked with heavy peptides
added just before injection at a concentration of 500 ng/mL (n=3) which were compared to samples
containing the same quantity of heavy peptides spiked in reconstitution solvent (n=3). The results are
presented in Table S1. The 44 heavy peptides undergo matrix effects that induce a loss or gain of the

101
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

signal between -67% and 51% with an average loss of 28%. As expected, matrix effects occur. However,
the case presented here illustrates the most extreme case where a very complex mixture is compared
to compounds in solution. The analysis of heavy peptides spiked at the same concentration in
biologically different G. fossarum extracts showed that even if matrix effects affect the peptides
analysed, these effects are comparable from one sample to another. Indeed, the results presented in
figure n°50. obtained from the data in table S6 show that for 93% of heavy peptides the RSD are less
than 20%. To correct different matrix effects between different samples, internal standards (heavy
peptides) similar to endogenous peptides must be used, which will undergo the same matrix effects as
the compounds of interest. In our case, we do not have all the heavy peptides corresponding to the
277 peptides selected in the method. Our study aims to highlight trends by identifying potential
biomarkers. Once the candidates have been found, it will be necessary to have their counterparts
marked to carry out the most accurate quantification possible, considering the matrix effects. This
correction of matrix effects will also allow to get peptide ratios for the same protein as precise as
possible.

Figure 50 : Variation of the areas of heavy peptides spiked in different gammarid extracts. RSD (%) performed on areas of
42 heavy peptides that were spiked before SPE in biologically different male G. fossarum extracts to assess whether the matrix
effects for the same peptide between different samples are variable (Table S6).

3.5.5.D. Linearity and limit of quantification (LOQ)

Although this study is based on a relative quantification, we have determined the linearity domains
and LOQ of our heavy peptides in order to evaluate the performance of the method. A weighted least-
square linear regression (1/x²) was used for the calibration. All calibration curves corresponding to
heavy peptides spiked into the G. fossarum matrix at different levels of concentration confirmed the
high degree of linearity (0.991< r² <0.999) (Table S1 and figure n°51). The LOD was determined to be 3
times greater than the background noise (S/N=3) and the LOQ is determined as 3 times the LOD. The
LOQ are between 1.12 pmol/mL and 113 pmol/mL (Table S1).

102
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

Figure 51 : Example of calibration curves for 4 isotopically enriched peptides. All calibration curves corresponding to heavy
peptides spiked into the G. fossarum matrix at different level of concentration with an accuracy between 80 and 120%. In
addition, a weighted least-square linear regression was used (1/x²).

Finally, the method developed with Scout-MRM enabled to monitor 157 proteins in male and female
species of G. fossarum following the validation criteria (157 proteins, 277 peptides, and 831 MRM
transitions) among the targeted 263 proteins considered initially.

3.5.6. Application of Scout-MRM assay : comparative proteomic analysis using active

biomonitoring in an agriculture watershed

We applied Scout-MRM method to assess its interest and feasibility in the context of active
biomonitoring in freshwater streams. Twenty-eight calibrated male gammarids (7 from a non-
contaminated reference site, 7 from each of the three contaminated sites) were used for the
proteomics analysis. Two hundred sixty-five peptides were detected for each male organism.

To compare the global proteomes of the organisms caged in the contaminated sites or the reference
site, we performed clustering and principal component analyses. The cluster analysis identified three
organisms as potential outliers, based on their distance with the rest of the samples (Figure n°52 A).
These outliers (an organism in the reference site, R3 ; and two organisms in two different contaminated
sites, A CE3 and AV CE10) were excluded from the following analyses. The PCA analysis showed that
organisms are quite dispersed, even though there is a tendency of the organisms caged in the
reference site to cluster more closely than those clustered in the contaminated sites (Figure n°52 B).

In order to identify peptides whose abundance is able to distinguish the organisms caged in the
different type of sites, and thus could be identified as potential biomarkers of exposure to agriculture
pollutants, a differential analysis was performed. The differential analysis identified 10 peptides as
differently expressed (FDR<0.1) (Figure n°52 C). The peptide DIDAAFLVGAMPR, annotated as cytosolic
103
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

malate dehydrogenase or malic enzyme (ME) was the most upregulated in organisms exposed in the
contaminated sites (logFC=1.38, FDR=0.038) (Figure n°52 D). The Drosophila ME activity can be
induced by the juvenile hormone (JH) by both a direct effect on the enzyme in the short term and the
activation of its gene (Men) transcription [256]. Since JH analogs are among the most used insecticides
in agriculture, the increased expression of a homolog of ME in G. fossarum might suggest a response
of these non-target organisms to JH analogs contamination in the observed sites. Among the
downregulated peptides, the most significant was QIDNPDYK (logFC=-0.86, FDR=7.9x10-5) (Figure n°52
D), belonging to a homolog of calreticulin. Calreticulin is a highly conserved endoplasmic reticulum
protein of the lectin family. It is involved in osmoregulation, molecular chaperoning and immune
response in crustaceans, with most data available from decapods models [257–259]. Calreticulin has
been reported as a general stress biomarker in in vitro and vertebrate models [260] and its
downregulation may thus suggest a stress effects in amphipods caged in the contaminated sites.

Among the downregulated peptides found in organisms caged in the contaminated site, we found 2
peptides belonging to an homolog of endochitinase (EAFDTVGR, logFC=-0.61, FDR=0.059; LVLGIPFYGR,
logFC=-0.55, FDR=0.072) and 2 peptides belonging to a protein annotated as endoglucanase (or
cellulase A). (SAMNVALIAFK logFC=-0.76, FDR=0.063; AADLGLDSTNNR, logFC=-1.28, FDR=0.06).
Chitinases are key enzymes for successfully complete molting cycle in arthropods [261]. We have
previously observed its decreased detection in G. fossarum exposed to contaminated sites [216].
Similarly, other crustacean chitinases have been reported as sensitive biomarker to insecticides and
fungicides [261]. Cellulases are essential for digestion in G. fossarum and their decreased activity
and/or abundances may affect its reproductive capacity [259]. Moreover, cellulase activity were
reported to be very sensitive to insecticides and fungicides [259]. Overall, these results suggest that
multiple protein biomarkers in G. fossarum are useful to detect a biological response to a
contamination of agricultural origin. The limited number of modulated peptides in the contaminated
sites might suggest a certain specificity of the impact of the chemicals present in the aquatic
environment to which the gammarids were exposed. However, due to the limited number of
investigated sites, it will be crucial to extend the use of these multiplexed protein biomarker approach
to a larger spatial scale with contrasted contamination profiles.

104
Figure 52 : Comparative proteomic analysis using active biomonitoring in an agriculture watershed. Analyses were performed using log2 transformed peak areas for each peptide identified in
caged organisms. (A) Hierarchical clustering samples over the red line show a higher distance compared with the rest of the organisms, thus they were excluded from the datasets. (B) Principal
Component Analysis. Samples caged in the reference site (green) tend to cluster together. (C) Heatmap of differentially expressed proteins in male gammarids caged for three weeks in a
reference site (R) and three sites under agriculture pressure (A, I, Av). Colours represent abundance fold changes (orange over detection and blue down regulation). (D) Boxplot representing
the differential expression of the most deregulated peptides (DIDAAFLVGAMPR; QIDNPDYK).

105
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

3.6. Conclusion
A robust LC-MS/MS method for the simultaneous analysis of many potential protein biomarkers in the
sentinel species G. fossarum has been successfully developed and validated. We applied a new
acquisition mode called Scout-MRM recently developed in our laboratory to significantly increase the
multiplexing capacity through the implementation of a 157-protein multiplex (277 peptides, 831 MRM
transitions) in adult gammarids. Scout-MRM provides a more robust method than acquisition mode
using time window scheduling. Scout-MRM is free from retention times, thus limiting the loss of
information due to potential RT shifts. The RT independency of Scout-MRM opens up the perspective
to build large multiplex by adding more scout peptides and MRM transitions if one wants to follow
more proteins of interest in the future. Indeed, since G. fossarum genome is still not fully characterized,
new discovered proteins can be implemented.

The first application of our method for biomonitoring key proteins to assess freshwater pollution from
different agricultural sites demonstrated the potential value of this methodology in ecotoxicology
studies. Indeed, the detection of protein reporter peptides with modulation in response to stress
shows that the Scout-MRM method is a relevant method to detect biological responses due to
contamination. Further studies will allow to identify reference values for the investigated peptides and
eventually fine-tuning the choice of more specific reporter peptides of proteins related with different
mode of actions involved in the adverse outcome observed in the ecotoxicological bioassays used in
the field [254,262]. In conclusion, Scout-MRM streamlines the development of targeted proteomics
method in an ecotoxicology study and simplifies dissemination of ready-to-use assays as they are easily
transferable from one laboratory to another.

3.7. Supplementary material of the first publication

The additional data are too voluminous for this manuscript so additional data documents are available
by following the link below : https://doi.org/10.1016/j.jprot.2020.103901

Table S1: Results of the validation steps of Scout-MRM assay performed on heavy peptides.

Table S2: Transitions list of endogenous and heavy peptides that has been validated and followed in
Scout-MRM method.

Table S3: Final list of 263 proteins selected after shotgun proteomics.

Table S4: Correlation curve plotting the retention time of peptides identified by proteogenomics to the
peptide retention time obtained in MRM.

106
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

Table S5: Tables representing the average areas of endogenous peptides as a function of measurement
repeatability (n=10).

Table S6: Tables representing the areas of heavy peptides spiked before SPE in biologically different
male G. fossarum extracts to assess whether the matrix effects for the same peptide between different
samples are variable.

Table S7: Final Scout-MRM method.

3.8. Application de la méthode multiplexée pour l’analyse de

cohortes d’échantillons dans le cadre d’études écotoxicologiques
3.8.1. Transfert de la méthode de dosage protéique appliquée à G. fossarum entre le
laboratoire Anabio-MS et l’INRAe

Les études permettant d'affiner le choix des peptides liés aux différents modes d'action impliqués dans
les bio-essais écotoxicologiques ainsi que leurs valeurs de références seront conduites par le
laboratoire Écotoxicologie de l’INRAe-Villeurbanne. De ce fait, il est nécessaire de réaliser un transfert
de méthode entre leur laboratoire et celui de l’équipe Anabio-MS.

Actuellement, la méthodologie Scout-MRM n’est possible que sur les instruments de la société Sciex®
(Brevet « Sentinel signal for adaptive retention time in targeted method »). Toutefois, les transitions
sélectionnées pour l’analyse de protéines chez G. fossarum peuvent être utilisées sur n’importe quel
spectromètre de masse de type triple quadripôle en MRM classique ou avec fenêtres de temps en
acceptant une limitation des capacités de multiplexage. Ainsi, le transfert de méthode a été réalisé
avec succès sur le QQQ 6495 (Agilent®) de l’équipe Écotoxicologie de l’INRAe-Villeurbanne dirigée par
Arnaud Chaumot en optant pour un mode analogue à la sMRM (nommé dynamic-MRM). Lors de ce
transfert de méthode, il a fallu adapter les paramètres de masse (énergie de collision et paramètres
d’ionisation) et revérifier les fenêtres d’acquisition du fait d’un volume de délais différent entre les
deux systèmes LC. Ainsi, de nouvelles fenêtres de temps ont pu être mises en place. Cela n’aurait pas
été nécessaire si le mode d’acquisition Scout-MRM avait été disponible sur les appareils Agilent. La
méthode transférée fonctionne en routine depuis plus d’un an et a permis d’acquérir de nombreuses
données. Cela démontre que la quantification multiplexée de protéines est envisageable en routine
pour l’écotoxicologie.

Ces nombreuses séries d’analyses réalisées sur des périodes importantes ont soulevé des questions
sur la normalisation des données pour la comparaison d’échantillons dans le temps lorsque des effets
de lots sont rencontrés.

107
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

3.8.2. Mise en évidence d’effets de lots lors d’études comparatives avec des
approches protéomiques
Les résultats présentés sur la figure n°53 correspondent à l’analyse de 275 échantillons de G. fossarum
mâles encagés dans 55 sites différents. Cette étude a été réalisée par l’équipe Écotoxicologie de
l’INRAe-Villeurbanne dans le but d’identifier des biomarqueurs potentiels de contamination
environnementale sur des espèces sentinelles encagées. Au total, 23 séries d’analyses ont été réalisées
sur une durée de 48 jours. À partir de ces données, il a été mis en évidence des variations de mesures
d’abondances peptidiques entre séries d’analyses qui perturbent la comparaison d’échantillon dans le
temps. Les diagrammes en boite indiquent plusieurs données statistiques, dont la médiane (centre des
rectangles colorés). Cette valeur sépare la moitié inférieure de la moitié supérieure de l’ensemble des
intensités peptidiques (log 2) pour chaque échantillon.

Figure 53 : Mise en évidence de l’effet de lots. Analyse de 275 échantillons de G. fossarum par LC-MS/MS provenant de 55
sites différents (n=5). La médiane globale issue de la réponse de l’ensemble des peptides de la méthode est représentée pour
chaque échantillon. La réponse en intensité pour chaque peptide est transformée en log2.

Chaque lot correspond à une série d’échantillons analysés le même jour. Les lots n°16, 17 et 18
présentent un effet de lot qui se traduit par une forte augmentation du signal MS global par rapport
aux autres séries d’analyses (augmentation de la valeur de la médiane). Les gammares proviennent de
nombreux sites avec des conditions expérimentales différentes et chaque lot analysé correspond à une

108
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

répartition aléatoire de ces organismes. Il est peu envisageable que l’ensemble des gammares d’un
même lot présente une augmentation de signal global, d’autant plus que la méthode comprend de
nombreuses protéines impliquées dans des processus biologiques différents. Ainsi, la probabilité est
faible qu’une variation environnementale agisse sur l’ensemble des fonctions biologiques des individus
au même moment. La cause de cette variabilité n’est donc pas liée à des variations biologiques. Il est
plus probable que cela soit dû à l’instabilité du spectromètre de masse. Cette constatation soulève la
question de la normalisation des données afin de comparer des résultats entre eux lors de l’analyse de
grande cohorte d’échantillons.

Pour résoudre ces problèmes d’effets de lots, plusieurs types de normalisation des données en
protéomiques sont en cours d’application pour évaluer leurs avantages et inconvénients. Le premier
type de normalisation envisagé est basé sur le signal global avec notamment la normalisation par la
médiane [263,264]. Elle utilise l'ensemble des données mesurées pour chaque échantillon afin de
déterminer une médiane moyenne. L’utilisation de cette médiane moyenne est soustraite à la médiane
spécifique de chaque échantillon pour normaliser les données [265–268]. Bien que ce type de
normalisation soit la plus simple à mettre en place, elle suppose que la distribution globale du signal
MS est similaire entre les échantillons. Cette normalisation n’est donc pas compatible avec les études
quantifiant exclusivement des biomarqueurs puisque la définition même d’un biomarqueur est de
présenter une variation lorsque l’on change de conditions expérimentales. Elle ne peut être appliquée
que sur des jeux de données exhaustives permettant la découverte de biomarqueurs parmi un nombre
de composés important où l'on s'attend à ce que la plupart d'entre eux ne présentent pas de variabilité.
Le deuxième type de normalisation utilise un ou plusieurs composés spécifiques dont la concentration
ne varie pas, quelle que soit la variation biologique étudiée telle que des protéines/peptides
isotopiquement enrichies ainsi que des protéines de ménages. En biologie moléculaire, les protéines
de ménage sont issues généralement des gènes constitutifs qui sont nécessaires au maintien de la
fonction cellulaire de base (rôle structural, énergétique, etc.) et qui sont exprimées à des taux
relativement stables dans l’organisme [269,270]. Ces composés corrigent l’ensemble des variations
issues de la préparation d’échantillon et de l’analyse par spectrométrie de masse. Toutefois, la
normalisation des données permettra de corriger seulement les variations associées aux étapes
ultérieures à l’ajout des étalons internes. Les protéines de ménage corrigent l’intégralité de la
procédure analytique, car ils sont présents nativement dans l’échantillon. Les protéines et les peptides
isotopiquement enrichis corrigent respectivement les variations après l’étape de broyage et après
l’étape de digestion. Ces travaux donneront lieu à de futures publications sous la direction de l’équipe
d’Arnaud Chaumot (INRAe).

109
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

Dans le futur, si l’on souhaite rajouter des protéines et n’avoir qu’une seule méthode d’analyse, il
faudra réaliser les expérimentations sur les instruments de la société Sciex®. En effet, seule la
méthodologie Scout-MRM permet d’atteindre ces plus grandes capacités de multiplexages en une
seule analyse. Lors de l’élaboration de méthodes Scout-MRM nous avons utilisé comme scout des
peptides marqués de protéines d’intérêts (cf. 3.5.3.B). Il est également possible d’utiliser comme scout
des peptides synthétiques, exogènes et non marqués ou isotopiquement enrichis. Dans ce cas, comme
décrit dans le paragraphe suivant, cela permet non seulement de construire de grands multiplexes,
mais également de faciliter un transfert rapide entre les approches shotgun de découverte et la
protéomique ciblée par MRM.

3.9. Méthode de transfert rapide entre les approches shotgun et

ciblée via l’utilisation du Scout-MRM
Le développement de méthodes de dosages protéomiques appliquées à des espèces sentinelles dont
le génome n’est pas séquencé est souvent réalisé en deux étapes [86] : (i) identification des protéines
d’intérêts grâce à des analyses DDA en haute résolution (ii) suivie par la mise en place de méthodes
quantitatives de ces molécules par spectrométrie de masse ciblée. Comme démontré précédemment
[86], l’élaboration d’une méthode hautement multiplexée en mode MRM à partir de données issues
de la haute résolution en mode DDA n’est pas immédiate et peut être chronophage. En effet, les
paramètres LC entre les deux configurations peuvent être différents du fait des chimies des phases
stationnaires et des dimensionnements des colonnes. La nano LC est classiquement utilisée lors des
approches globales alors que la micro LC est plus souvent utilisée pour les approches ciblées pour des
raisons de robustesse. Dans le cas de l’élaboration de la méthode Scout-MRM chez l’espèce sentinelle
G. fossarum, il a été nécessaire de réaliser 27 méthodes MRM pour pouvoir étudier les 263 protéines
issues de notre base de données [86]. Ce transfert aurait pu être plus rapide si les peptides scouts
avaient été ajoutés lors de la phase d’identification par protéogénomique. Ainsi, Maxime Lepretre,
doctorant en cotutelle entre le laboratoire Anabio-MS et le laboratoire SEBIO, a pu bénéficier dans le
cadre de son doctorat de notre recul et notre expertise du Scout-MRM. Cela a permis l’élaboration
d’une stratégie permettant le transfert rapide de méthodes entre les approches shotgun et ciblées
grâce à l’utilisation du Scout-MRM. Ces travaux dans lesquels j’ai été impliqué ont été publiés dans le
journal Analytical and Bioanalytical Chemistry en août 2020 [271] et sont présentés dans l’annexe n°1.

Comme discuté précédemment, le Scout-MRM est un mode d’acquisition indépendant des temps de
rétention. Cette indépendance dans la programmation de fenêtres temporelles rend cette
méthodologie particulièrement attractive pour faciliter le développement de méthodes ciblées basées
sur des données de protéomique shotgun. D’autant plus lorsque différentes configurations de
chromatographie liquide sont utilisées. Le but de cet article est de proposer une nouvelle application
110
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

du Scout-MRM pour le développement de méthodes protéomiques hautement multiplexées à partir

de données issues de la spectrométrie de masse de haute résolution. Cette stratégie a été développée
pour la quantification de biomarqueurs protéiques relatifs au système immunitaire de l’espèce
sentinelle Dreissena polymorpha. Toutefois, elle pourrait être appliquée facilement à d’autres espèces
sentinelles comme G. fossarum.

Pour réaliser ce transfert de méthode rapide, il faut introduire dans un premier temps les peptides
scouts dans les échantillons analysés lors de l’étape de découverte en HRMS comme indiqué dans la
figure n°54.

Figure 54 : Stratégie pour convertir une méthode de quantification en protéomique shotgun vers de la protéomique ciblée,
en utilisant la méthodologie Scout-MRM. (1) Des composés scouts sont ajoutés dans les échantillons et analysés par
protéomique shotgun et ciblée. (2) Protein Prospector est utilisé pour extraire les trois ions fragments les plus intenses et le
temps de rétention des peptides rapporteurs afin d'établir les transitions MRM et de définir des groupes de peptides
rapporteurs encadrés par des scouts. (3) Les transitions MRM des peptides scouts sont analysées pour définir les seuils de
détection. (4) Les transitions MRM des peptides rapporteurs sont recherchées dans différents groupes (N, N+1, N-1, et autres)
pour leur quantification en protéomique ciblée [271].

Les peptides scouts sélectionnés doivent avoir une séquence en acides aminés unique. Ils doivent
n’appartenir à aucune séquence connue à ce jour dans les différentes bases de données pour éviter
de polluer les échantillons à analyser. Une première analyse en haute résolution (Shotgun) est réalisée
pour obtenir le temps de rétention des peptides scouts par rapport aux peptides d’intérêts. Cela
permet d’établir les différents groupes scouts dans lesquels placer les transitions MRM cibles. La
présence des composés scouts dans l’échantillon analysé en HRMS permet d’utiliser le Scout-MRM
sans l’étude au préalable des temps de rétention des peptides endogènes. Dans une deuxième analyse,
les composés scouts enrichis dans la matrice sont détectés selon l’approche MRM classique. Cette

111
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

étape permet de déterminer les seuils de déclenchement de l’ensemble des groupes scouts dans les
nouvelles conditions associées au mode ciblé. Pour finir, une analyse est ensuite réalisée en Scout-
MRM sur la matrice enrichie pour identifier les peptides endogènes à partir de la protéomique par
spectrométrie de masse ciblée.

Des variations de sélectivité lors du passage du système LC utilisé en approche shotgun à celui du mode
ciblé peuvent entrainer des changements de groupe scout pour certains composés. De ce fait,
certaines transitions risquent de ne pas être détectées. Il faut donc réaliser une injection
supplémentaire en ajoutant les composés non détectés dans les groupes scouts N+1 et N-1.

Dans le cas de la publication High-multiplexed monitoring of protein biomarkers in the sentinel

Gammarus fossarum by targeted Scout-MRM assay [86], l’application de cette stratégie pour la mise
en place de la méthode Scout-MRM aurait été limitée à 2 ou 3 analyses au lieu de 27.

4. Conclusion générale du chapitre

Dans ce chapitre, nous avons démontré que la quantification hautement multiplexée de protéines est
désormais possible grâce au dosage de 157 protéines en simultané. Ce dosage hautement multiplexé
de protéines est à ce jour le plus grand proposé dans le domaine de l’écotoxicologie. Le mode
d’acquisition Scout-MRM est un outil performant non seulement pour des études de biosurveillances
environnementales, mais également pour le transfert rapide de méthodes de la protéomique de
découverte vers la protéomique quantitative. En effet, il offre d’excellentes performances analytiques
en termes de robustesse, de répétabilité, de transférabilité et de multiplexage. Grâce à l’approche
Scout-MRM, il est envisageable de suivre l’état de santé d’organismes non modèles en dosant
simultanément plusieurs centaines de protéines. La protéomique environnementale peut être ainsi
envisagée dans le futur comme un outil supplémentaire de biosurveillance.

L’ajout de peptides scouts supplémentaires donne la possibilité de construire des multiplexes de plus
en plus grands en implémentant de nouvelles transitions MRM si l’on souhaite étudier de nouvelles
protéines d’intérêts. En effet, comme le génome de G. fossarum n’est pas encore complètement
caractérisé et que les connaissances sur cet organisme progressent de jour en jour, de nouvelles
protéines pourront être ajoutées dans la méthode.

Grâce à la méthodologie Scout-MRM nous avons repoussé les limites des capacités de multiplexage en
MRM. Cela ouvre de nouvelles perspectives de recherche comme la possibilité de faire de la
« découverte ciblée » à partir de grands jeux de données in silico et de la construction de grandes listes
de transitions MRM. Tout en conservant l’idée de proposer de nouveaux outils au service de la biologie
des systèmes, nous avons souhaité explorer cette approche dans le cadre de l’analyse de lipides. Bien

112
Chapitre 2 : Scout-MRM, un mode d’acquisition pour augmenter les capacités de multiplexage

que les transitions MRM peuvent être déterminées à partir des bases de données et que des règles de
fragmentation sont disponibles, la connaissance des temps de rétention est toujours un prérequis
indispensable pour la construction des méthodes. Il est nécessaire de connaitre le temps de rétention
d’un composé par rapport à ceux des scouts pour savoir dans quel groupe placer les transitions MRM
issues de la base de données. Nous allons montrer dans le chapitre suivant que la lipidomique se prête
particulièrement bien à la possibilité de réaliser de la découverte ciblée avec le Scout-MRM. En effet,
de nombreuses approches existent pour prédire les temps de rétention des lipides (ex. modèles des
nombres de carbones équivalents [272]) et pour aider à la construction des groupes. De plus, il existe
à ce jour peu de méthodes MRM capables d’analyser et quantifier précisément de nombreux lipides.
C’est pour cela que le 3ème chapitre de ce manuscrit traitera du développement d’une méthode
d’analyse ciblée unique pour un profilage rapide de lipidomes par RPLC-MS/MS utilisant le Scout-MRM.

113
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Chapitre 3 : Profilage rapide de lipidome par

Scout-MRM et modélisation des temps de rétention

1. Contexte de l’étude
La caractérisation exhaustive du lipidome chez des organismes non modèles est le plus souvent
réalisée en approche globale par spectrométrie de masse haute résolution (HRMS). À l’inverse,
l'approche par spectrométrie de masse ciblée est la technique de choix pour une quantification précise
en raison d'une meilleure sensibilité et reproductibilité [29]. Afin de maintenir un rapport signal/bruit
et un nombre de points par pic chromatographique acceptable, le temps de cycle de l’appareil impose
le suivi d’un nombre limité de composés. Comme démontré dans le chapitre précédent, l’utilisation du
mode d’acquisition Scout-MRM a permis de repousser les limites en capacité de multiplexage [86,271].
Ainsi, il est possible de réaliser des expériences de découverte en mode ciblé. Cela implique la
construction de méthodes avec de grandes listes de transitions MRM issues de bases de données in
silico qui seront recherchées au sein d’échantillons. Le gain en capacité de multiplexage de l’approche
Scout-MRM par rapport à la MRM classique permet de réduire drastiquement le nombre de méthodes
nécessaires pour l’identification de composés potentiellement présents dans la matrice à caractériser.
Nous avons donc souhaité explorer tout le potentiel de cette approche en lipidomique. Lors de la
construction d’une méthode Scout-MRM, il est nécessaire de connaitre l’ordre d’élution des composés
à analyser par rapport aux composés scouts responsables du déclenchement des groupes de
transitions MRM. Cependant, la détermination de l’ordre d’élution des lipides nécessiterait l’utilisation
de standards lipidiques de référence pour chaque composé. Ceci n’est pas envisageable au vu du grand
nombre de lipides pouvant être présents au sein d’une matrice biologique et du nombre limité de
standards disponibles. Il est donc primordial d’avoir des outils de prédiction pour déterminer l’ordre
d’élution des composés tout au long du gradient chromatographique. On retrouve dans la littérature,
en lipidomique, différents outils permettant de prédire les temps de rétention comme l’utilisation des
coefficients de partage [273,274] ou de modèles basés sur le nombre de carbones équivalents
[272,275,276].

Dans le cadre de ce 3ème chapitre de thèse, nous avons développé des modèles de prédiction à partir
du modèle des nombres de carbones équivalents (ECN) pour concevoir une base de données qui
référence les ordres d’élution de centaines de lipides. Cette base de données pourra ainsi être utilisée
dans l’élaboration de méthodes Scout-MRM lors d’études de caractérisation exhaustive en mode ciblé.
Pour que l’utilisation de cette base de données soit pertinente, il faudra démontrer qu’elle est

114
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

compatible avec des conditions chromatographiques très diverses. En effet, il n’est pas concevable de
développer une nouvelle base de données en ordre d’élution dès lors qu’une variation dans le
processus analytique est observée (changement de matrices, de phases mobiles, de gradient ou de
colonne chromatographique, etc.). C’est pour cela que la méthode Scout-MRM s’avère être l’outil de
prédilection pour rendre la base de données compatible avec les variations analytiques
susmentionnées. Nous avons donc évalué les changements de sélectivité rencontrés lors d’une analyse
lipidomique en faisant varier la nature de la phase stationnaire tout en conservant la même méthode
Scout-MRM. Les lipides sont classés en 8 catégories présentant une grande diversité structurale. On
dénombre 25220 lipides annotés dans la base de données Lipid Maps [277]. Cela impacte
considérablement les capacités de multiplexage d’une méthode ciblée. C’est pour cela que nous avons
défini des règles de sélection lors du choix des transitions MRM à ajouter dans la méthode Scout-MRM.
Pour finir, nous avons évalué les performances analytiques de la méthode Scout-MRM (répétabilité,
limite de quantification et domaine de linéarité) pour prouver que la méthodologie que nous avons
mise en place permet de réaliser de façon simultanée la caractérisation et la quantification des lipides
détectés.

2. Matériels et méthodes
2.1. Réactifs et produits chimiques
L'eau, l'acétonitrile (ACN), le méthanol (MeOH), l'isopropanol (IPA) ont été obtenus auprès de Fisher
Scientific (qualité LC-MS, Strasbourg, France). L'EDTA, le triton X-100, le formiate d'ammonium, le
dichlorométhane (DCM), le tert-butyl méthyl éther (MTBE), l'acide formique et le chlorure de sodium
ont été achetés auprès de Sigma Aldrich (St Quentin-Fallavier, France). Les standards internes
lipidiques (PC 11:0/11:0, LPC 13:0, PE 12:0/13:0, PG 12:0/13:0, PS 12:0/13:0, PI 17:0/14:1, DG
17:0/17:0 d5, TG 17:0/17:1/17:0 d5, Cer d18:1/12:0 et SM d18:1/18:1 d9) ont été obtenus auprès de
Sigma Aldrich (St Quentin-Fallavier, France, pureté > 99%). Le mélange de standards SPLASH
LIPIDOMIX® mass spec a été acheté auprès de Sigma Aldrich (St Quentin-Fallavier, France).

2.2. Préparation des composés scouts

Pour le développement de la méthode Scout-MRM, des standards lipidiques synthétiques achetés
auprès de Avanti Polar Lipids Inc. (Alabaster, AL) ont été utilisés comme composés scouts. Ils sont au
nombre de 9 lipides scouts en mode ion positif et 5 lipides scouts en mode ion négatif (cf. tableau n°3).
10 μL du mélange scout ont été ajoutés à l'échantillon (Vtotal = 100 μL) juste avant l'injection dans le
système LC-MS/MS.

115
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Mode Numéro des Concentration finale dans

Lipide Référence (Avanti)
d’ionisation scouts l’échantillon injecté (μg/mL)

Scout-1 PC 9:0/9:0 850320P-25MG 0.012

Scout-2 PC 12:0/13:0 LM1000-1EA 0.019
Scout-3 PC 14:0/14:0 d4 860341P-10MG 0.015
Scout-4 PC 15:0/15:0 850350P-25MG 0.012
Positif Scout-5 Cer d18:1/17:0 860517P-5MG 0.05
Scout-6 PC 19:0/19:0 850367C-25MG 0.023
Scout-7 TG 14:0/16:1/14:0 d5 860900C-1mg 0.019
Scout-8 TG 15:0/18:1/15:0 d5 860901P-1mg 0.017
Scout-9 TG 16:0/18:0/16:0 d5 860902P-1mg 0.06
Scout-1 PC 9:0/9:0 850320P-25MG 0.15
Scout-2 PC 12:0/13:0 LM1000-1EA 0.15
Négatif Scout-3 PC 14:0/14:0 d4 860341P-10MG 0.15
Scout-4 PC 15:0/15:0 850350P-25MG 0.15
Scout-5 Cer d18:1/17:0 860517P-5MG 0.15
Tableau 3 : Liste des lipides scouts utilisés dans la méthode.

2.3. Préparation des échantillons

Extraction des lipides du plasma humain : Des échantillons de plasma humain provenant de
volontaires ont été collectés par aphérèse auprès de l'Établissement Français du Sang (EFS). Les
échantillons de plasma sont conservés à -80°C avant utilisation. Pour la préparation de ce type
d’échantillon, 20 μL de plasma sont dilués avec 280 μL d'eau (4°C) puis dopés avec 10 μL de standards
internes. 360 μL de méthanol (4°C) sont ajoutés à l'échantillon de plasma dilué et agités pendant 60
min à 4°C. Ensuite, 1200 μl de MTBE (4°C) sont ajoutés et le mélange est agité pendant 10 minutes à
4°C avant d'être séparé par centrifugation (10000 g, 5 minutes, 4°C). Après centrifugation, 1240 μL de
la phase organique supérieure sont recueillis. Les extraits lipidiques sont séchés sous un flux d'azote
pour ensuite être reconstitués dans 20 μL de DCM/MeOH (1:1, v/v) et 180 μL d'IPA/ACN/H2O (2:1:1,
v/v/v). L'échantillon est dilué 5 fois pour l'analyse en mode ESI (-) et 50 fois pour l'analyse ESI (+) avec
le mélange de solvants d'injection.

Extraction des lipides de Gammarus fossarum : La collecte et l'entretien des organismes de G.

fossarum avant l'extraction des lipides sont effectués selon la méthode rapportée précédemment
[50,237]. Pour la préparation de ce type d’échantillon, un gammare adulte entier est homogénéisé
dans 600 μL de tampon de lyse (Tris-base 50 mM, EDTA 1 mM, Triton X-100 0.1% v/v, NaCl 100 mM et
pH ajusté à 7.8) avec une bille en acier inoxydable (diamètre 4 mm). Ensuite, 360 μL de méthanol (4°C)
et 10 μL de mélange de standards internes sont ajoutés à 300 μL d'homogénat de gammares. Après
agitation pendant 60 min à 4°C, 1200 μL de MTBE (4°C) sont ajoutés. Le mélange est agité pendant 10
minutes à 4°C avant d'être séparé par centrifugation à 10000 g pendant 5 minutes à 4°C. Après
centrifugation, 1240 μL de la phase organique supérieure sont recueillis. Les extraits lipidiques sont
séchés sous un flux d'azote puis reconstitués dans 20 μL de DCM/MeOH (1:1, v/v) et 180 μL

116
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

d'IPA/ACN/H2O (2:1:1, v/v/v). L'échantillon est dilué 10 fois pour l'analyse en mode ESI (-) et 100 fois
pour l'analyse en mode ESI (+) avec le mélange de solvants d'injection.

Extraction des lipides de la drosophile : Les souches de Drosophila melanogaster Oregon-RS (#4269)
(Bloomington Stock Center, Indiana, IN) ont été élevées à 25°C avec un cycle lumière/obscurité de
12/12 h sur un milieu à base de farine de maïs et de levure. Les mouches âgées de 5 jours ont été
collectées, congelées dans de l’azote liquide et stockées à -80°C avant utilisation. Pour la préparation
de ce type d’échantillon, les drosophiles (n=3) sont homogénéisées dans 450 μL de tampon de lyse
comme décrit ci-dessus, avec 30 billes de verre (diamètre 0.5 mm). 360 μL de méthanol (4°C) et 10 μL
de mélange de standards internes sont ajoutés à 300 μL d'homogénat de mouche. Après agitation
pendant 60 min à 4°C, 1200 μL de MTBE (4°C) sont ajoutés. Le mélange est agité pendant 10 minutes
à 4°C avant d'être séparé par centrifugation à 10000 g pendant 5 minutes à 4°C. Après centrifugation,
1240 μL de la phase organique supérieure sont recueillis. Les extraits lipidiques sont séchés sous un
flux d'azote puis reconstitués dans 20 μL de DCM/MeOH (1:1, v/v) et 180 μL d'IPA/ACN/H2O (2:1:1,
v/v/v). L'échantillon est dilué 5 fois pour l'analyse en mode ESI (-) et 20 fois pour l'analyse en mode ESI
(+) avec le mélange de solvants d'injection.

2.4. Analyse lipidomique par LC-MS/MS

L'analyse LC-MS/MS a été réalisée sur un spectromètre de masse hybride triple quadripôle/piège à
ions linéaire du système QTRAP® 5500 LC-MS/MS (Sciex, Foster City, CA, USA) équipé d'une source
d'ions Turbo V™ couplée à un dispositif HPLC de la série 1290 (Agilent Technologies, Waldbronn,
Allemagne). La séparation LC des lipides a été réalisée sur une colonne de phase inverse Xselect CSH
C18 (100 mm × 2.1 mm, taille des particules 3.5 μm) avec un volume d'injection de 5 μL. L'élution a été
réalisée à un débit de 500 μL/min avec H2O/ACN (60:40, v/v) contenant 0.1 mM de formiate
d'ammonium et 0,1 % d'acide formique comme éluant A et IPA/ACN/H2O (90:9.5:0.5, v/v/v) contenant
10 mM de formiate d'ammonium et 0.1 % d'acide formique en tant qu’éluant B. Un gradient linéaire a
été utilisé de 1 % à 99% de B en 24 min. La colonne a été rincée avec 99% de B pendant 2 min et
rééquilibrée à 1% de B pendant 3 min. Compte tenu du temps d'équilibrage de la colonne, le cycle
d'injection était de 30 min.

Pour la détection par spectrométrie de masse, la tension de pulvérisation d'ions a été fixée à 5500 V
pour l’ionisation positive et à -4500 V pour l’ionisation négative. Le nébuliseur et le débit de gaz rideau
ont été réglés respectivement à 25 et 50 psi en utilisant de l'azote. La source d'ions TurboV™ a été
réglée à 450 °C avec le débit de gaz auxiliaire (azote) réglé à 40 psi. L'acquisition des données est
réalisée avec le mode Scout-MRM. Les transitions MRM ainsi que les valeurs du potentiel de
déclusterisation (DP) et de l'énergie de collision (CE) ont été optimisées par infusion directe dans le

117
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

spectromètre de masse à partir du SPLASH® LIPIDOMIX® qui contient un standard par famille de lipides
(PC, PE PS, PG, PI, LPC, LPE, LPS, DG, TG, SM). Les paramètres de masse des céramides ont été optimisés
avec le standard Cer d18:1/12:0. Le temps de cycle est fixé à 1.6 seconde afin d'atteindre dix points
par pic chromatographique pour chaque transition MRM.

2.5. Comparaison des modes Scheduled-MRM versus Scout-MRM

2.5.1. Variation du gradient chromatographique

Condition 1 : Les lipides ont été séparés à l'aide d'une colonne Xselect CSH C18 (100 mm × 2.1 mm,
taille des particules 3.5 μm). Les solvants de la phase mobile sont constitués de formiate d'ammonium
à 10 mM et d'acide formique à 0.1 % dans H2O/ACN (60:40, v/v) (A) et de formiate d'ammonium à 10
mM et d'acide formique à 0,1 % dans IPA/ACN/H2O (90:9.5:0.5, v/v/v) (B). Un gradient linéaire a été
utilisé de 1 à 99% de B pendant 24 min. La colonne a été rincée à 99% de B pendant 2 min et
rééquilibrée à 1% de B pendant 3 min. Le débit a été réglé à 500 μL/min.

Condition 2 : Les lipides ont été séparés à l'aide d'une colonne Xselect CSH C18 (100 mm × 2.1 mm,
taille des particules 3.5 μm). Les solvants de la phase mobile sont constitués de formiate d'ammonium
à 10 mM et d'acide formique à 0,1% dans H2O/ACN (60:40, v/v) (A) et de formiate d'ammonium à 10
mM et d'acide formique à 0,1% dans IPA/ACN/H2O (90:9.5:0.5, v/v/v) (B). Une séparation isocratique
a été appliquée pendant 1 min à 1% de B et un gradient linéaire a été réalisé de 1 à 99% de B en 24
min. La colonne a été rincée à 99% de B pendant 2 min et rééquilibrée à 1% de B pendant 3 min. Le
débit a été réglé à 500 μL/min.

2.5.2. Modification de la composition de la phase mobile B

Condition 1 : Les lipides ont été séparés à l'aide d'une colonne Xselect CSH C18 (100 mm × 2.1 mm,
taille des particules 3.5 μm). Les solvants de la phase mobile sont constitués de formiate d'ammonium
à 10 mM et d'acide formique à 0.1 % dans H2O/ACN (60:40, v/v) (A) et de formiate d'ammonium à 10
mM et d'acide formique à 0,1 % dans IPA/ACN/H2O (90:9.5:0.5, v/v/v) (B). Un gradient linéaire a été
utilisé de 1 à 99% de B pendant 24 min. La colonne a été rincée à 99% de B pendant 2 min et
rééquilibrée à 1% de B pendant 3 min. Le débit a été réglé à 500 μL/min.

Condition 2 : Les lipides ont été séparés à l'aide d'une colonne Xselect CSH C18 (100 mm × 2.1 mm,
taille des particules 3.5 μm). Les solvants de la phase mobile sont constitués de formiate d'ammonium
à 10 mM et d'acide formique à 0,1 % dans H2O/ACN (40:60, v/v) (A) et de formiate d'ammonium 10
mM et d'acide formique 0,1 % dans IPA/ACN/H2O (90:9.5:0.5, v/v/v) (B). Un gradient linéaire a été
utilisé de 1 à 99% de B pendant 24 min. La colonne a été rincée à 99% de B pendant 2 min et
rééquilibrée à 1% de B pendant 3 min. Le débit a été réglé à 500 μL/min.
118
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

2.5.3. Étude du dwell time et du nombre de points par pic chromatographique en

fonction de la répétabilité de mesure
L'évaluation de la variation du dwell time et du nombre de points par pic chromatographique en
fonction de la répétabilité de mesure a été réalisée sur un mélange de standards lipidiques. Les
concentrations de ces standards ont été fixées de manière à ce que les transitions MRM représentent
une large gamme de S/B représentative d'un échantillon réel (4.8 < S/B < 466). La liste des standards
lipidiques et les concentrations utilisées sont indiquées dans le tableau n°4.

Six conditions ont été étudiées (n=3) : dwell time = 5 ms et nombre de points / pic = 10 ; dwell time =
5 ms et nombre de points / pic = 8 ; dwell time = 3 ms et nombre de points / pic = 10 ; dwell time = 3
ms et nombre de points / pic = 8 ; dwell time = 1 ms et nombre de points / pic = 10 et dwell time = 1
ms et nombre de points / pic = 8.

Standards lipidiques Concentration (μg/ml) Standards lipidiques Concentration (μg/ml)

LPC 13:0 0,005 PC 9:0/9:0 0,0025
TG 17:0/17:1/17:0 d5 0,0025 PC 19:0/19:0 0,0025
LPS 13:0 0,01 TG 14:0/16:1/14:0 d5 0,0025
SM d18 :1/18 :1 d9 0,0025 PC 12:0/13:0 0,0025
LPE 17:1 0,01 PC 15:0/15:0 0,0025
PE 12:0/13:0 0,005 TG 15:0/18:1/15:0 d5 0,0025
PI 17:0/14:1 0,01 TG 16:0/18:0/16:0 d5 0,005
PS 12:0/13:0 0,005 PC 14:0/14:0 d4 0,0025
Cer d18:1/12:0 0,0025 Cer (35:1) 0,0025
PC 11:0/11:0 0,0025
Tableau 4 : Liste et concentrations des standards lipidiques utilisés pour l'étude du nombre de points par pic et du dwell
time en fonction de la répétabilité de mesure en Scout-MRM.

2.6. Balayage de perte de neutre pour l’analyse des triacylglycérols

L’évaluation des chaines d’acides gras majoritaires au sein des triacylglycérols a été réalisée sur un
extrait lipidique contenant du plasma humain, des drosophiles et du G. fossarum (n=3). L'analyse LC-
MS/MS a été réalisée sur un spectromètre de masse hybride triple quadripôle/piège à ions linéaire du
système QTRAP® 5500 LC-MS/MS (Sciex, Foster City, CA, USA) équipé d'une source d'ions Turbo V™
couplée à un dispositif HPLC de la série 1290 (Agilent Technologies, Waldbronn, Allemagne). Les
conditions chromatographiques décrites dans la partie 2.4. ont été utilisées. Pour la détection par
spectrométrie de masse, la tension de pulvérisation d'ions a été fixée à 5500 V en ionisation positive.
Le nébuliseur et le débit de gaz rideau ont été réglés respectivement à 25 et 50 psi en utilisant de
l'azote. La source d'ions TurboV™ a été réglée à 450 °C avec le débit de gaz auxiliaire (azote) réglé à 40
psi. L'acquisition des données est réalisée avec le mode de balayage de perte de neutre. La gamme de
masse en Q1 a été fixée de 600 à 1050 Da avec des pertes de masse qui sont décrites dans le tableau
n°5. La vitesse de balayage a été fixée à 1000 Da/s, le potentiel de déclusterisation (DP) à 50 eV et

119
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

l'énergie de collision (CE) à 36 eV. Les chromatogrammes ont été intégrés de 20 min à 23 min pour
l’ensemble des pertes de neutre considérées.

Perte de neutre (Da) Chaine d’acide gras Perte de neutre (Da) Chaine d’acide gras
245.24 AG 14:0 295.26 AG 18:3
243.22 AG 14:1 323.25 AG 20:3
273.27 AG 16:0 321.27 AG 20:4
271.25 AG 16:1 319.25 AG 20:5
269.24 AG 16:2 349.3 AG 22:4
301.3 AG 18:0 347.28 AG 22:5
299.28 AG 18:1 345.27 AG 22:6
297.27 AG 18:2
Tableau 5 : Liste des pertes de neutre lors de l’analyse des triacylglycérols.

2.7. Validation de la méthode Scout-MRM

La validation de la méthode Scout-MRM a été réalisée dans des matrices plasma, drosophiles et
gammares, en mode d’ionisation positif et négatif. La linéarité, la limite de quantification (LOQ), la
répétabilité et l’étude de sélectivité ont été évaluées en se référant aux « guidelines » de la Food and
Drug administration (FDA) pour la validation des méthodes bioanalytiques.

Linéarité : La linéarité a été évaluée pour 11 standards lipidiques dopés dans l'homogénat de
gammares à 16 niveaux de concentration (cf. annexe n°2) après extraction des lipides. Chaque niveau
de concentration a été préparé en triplicat. Une régression linéaire pondérée en 1/x² ou 1/x a été
utilisée. Un niveau de concentration est validé si l’exactitude se situe entre 80 et 120% et si l'écart
entre les triplicats est inférieur à 20%. Le coefficient de détermination (R²) mesuré pour chaque courbe
d'étalonnage doit être supérieur à 0,99.

Sélectivité : L'étude des changements de sélectivité des lipides en RPLC a été réalisée sur 5 colonnes
RPLC différentes. La colonne Xselect CSH C18 2.1x100 mm 3.5μm (Waters), la colonne Zorbax eclipse
plus C18 2.1x100 mm 3.5 μm (Agilent), la colonne Accucore C18 2.1x100 mm 2.6 μm (Fisher scientific),
la colonne Xselect HSS T3 2.1x150 mm 2.5 μm (Waters) et la colonne Xbridge BEH premier 2.1x100 2.5
μm (Waters). Cette étude a été réalisée en utilisant les mêmes extraits lipidiques de G. fossarum, de
drosophiles et de plasma humain analysés avec la même méthode LC-MS/MS en mode Scout-MRM.

Répétabilité : La répétabilité de la méthode, comprenant la préparation d’échantillon et la mesure MS,

a été évaluée en analysant des échantillons indépendants (n=10) provenant d’un mélange de plasma
humain, de drosophiles et de G. fossarum. La réponse obtenue pour chaque lipide est corrigée grâce
à l'étalon interne ajouté avant l'étape de LLE pour chaque famille de lipides (cf. tableau n°6). Le critère
de répétabilité fixé dans cette étude est CV < 20%.

120
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Masse ajoutée durant l’étape de

Lipide Référence (Avanti)
LLE (pg)
LPC 13:0 855476C 3.08
TG 17:0/17:1/17:0 d5 860903P 1.64
SM d18:1/18:1 d9 860740L 1.11
LPE 17:1 856707C 50
PE 12:0/13:0 LM1100-1EA 8.89
PS 12:0/13:0 LM1300-1EA 13.89
Cer d18:1/12:0 860512P 2.35
DG 17:0/17:0 d5 800854P 233.33
PI 17:0/14:1 LM1504-1EA 28.24
PC 11:0/11:0 850330P 1.11
Tableau 6 : Liste des standards lipidiques utilisés lors de l’étude de répétabilité.

2.8. Acquisition et retraitement des données

Le retraitement, l'acquisition des données et le contrôle de l'instrument ont été effectués à l'aide du
logiciel Analyst 1.6.3 modifié. Les fichiers « .wiff » ont été traités avec le logiciel MultiQuant 2.1.1. Pour
la recherche universitaire, le patch provisoire du logiciel Scout-MRM est disponible sur demande
auprès de la société Sciex (contact : [email protected]).

3. Résultats
Les règles de nomenclature utilisées lors de la mise en place de la base de données sont décrites dans
la première partie des résultats. En effet, les lipides présentent une grande diversité structurale
pouvant générer un nombre important de combinaisons possibles ce qui nécessite une codification
stricte.

3.1. Nomenclature et profils de fragmentation des lipides dans la

base de données associée à la méthode Scout-MRM
3.1.1. Nomenclature des lipides

Les lipides sont des composés qui possèdent une nomenclature codifiée où chaque élément a une
signification bien précise en fonction du niveau de précision souhaité. Liebisch et al. ont uniformisé les
règles d’écritures qui ont été adoptées dans la base de données Lipid Maps [278]. La figure n°55
résume l’ensemble des règles nécessaires pour comprendre la nomenclature utilisée dans ce
manuscrit. La structure de chaque famille de lipides est présentée dans l’annexe n°3.

121
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 55 : Règles de nomenclature des lipides en accord avec celles utilisées par la base de données Lipid maps [278]. Deux
exemples illustrés à partir d’un triglycéride et d’un céramide permettent de mettre en application cette nomenclature en
fonction des différents niveaux de précision. LCB indique la longue chaine de base de la sphingosine qui a servi à former le
céramide et sn est l’abréviation de numérotation stéréospécifique.

Les lipides tels que les glycérolipides, les glycérophospholipides et les sphingolipides sont des
composés présentant un très grand nombre de combinaisons structurales. Cette complexité est
d’autant plus importante qu’elle résulte de la prise en compte de lipides isomères différant par la
position et la composition des chaînes d’acides gras (AG ou FA pour fatty acid) ou de la stéréochimie
des doubles liaisons (ex. doubles liaisons cis et trans). Les différentes structures de PC 34:1 présentées
dans la figure n°56 illustrent cette diversité moléculaire avec 3 combinaisons d’acides gras possibles
pour les deux chaines carbonées.

122
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 56 : Diversité moléculaire du phospholipide PC 34:1 [279].

L'analyse directe en infusion par spectrométrie de masse (MS simple) ne permet pas de différencier
les molécules ayant le même nombre d'atomes de carbone et de doubles liaisons pour une même
famille de lipides. Chacun des signaux obtenus représente un groupe de lipides isobariques avec des
AG différents où il n’est pas possible de différencier un PC 16:0/18:1 d’un PC 18:1/16:0 et d’un PC
20:1/14:0 par exemple. L'identification et la quantification d'espèces moléculaires particulières
comme les PC 18:1_16:0 et les PC 20:1_14:0, nécessitent des analyses par spectrométrie de masse en
tandem (MS/MS). Cela permet de différencier les d'acides gras de manière individuels et de déterminer
leurs compositions au sein de la structure du lipide.

3.1.2. Fragmentation des lipides

L’analyse par spectrométrie de masse en tandem avec l’utilisation d’une cellule de collision induit des
fragments permettant la caractérisation structurale des lipides en tant qu’espèce individuelle et non
plus par famille. Dans le cas des phospholipides, deux types de fragmentations majoritaires peuvent
être détectés en mode ESI (+). La fragmentation des PC contenant une tête polaire choline donne lieu
à un fragment caractéristique de cette famille de lipides avec un m/z = 184 correspondant au
groupement phosphocholine (cf. figure n°57 A). Dans le cas des autres familles de phospholipides (PE,
PS, PI et PG), la fragmentation en mode ESI (+) conduit à des fragments majoritaires résultant de la
perte de neutre du groupement associé à la tête polaire (PE [M+H-141], PS [M+H-185], PI [M+H-260]
et PG [M+H-172]) comme indiqué sur la figure n°57 B. La fragmentation en mode d’ionisation positive
de ces espèces permet l’obtention d'informations caractéristiques de la classe lipidique [280,281].
Pour l’ensemble des familles de phospholipides (PC, PE, PS, PI, PG et PA) la fragmentation en mode ESI
(-) conduit à la formation de fragments correspondant aux acides gras qui composent le lipide (cf.
figure n°57 C). La fragmentation en mode d’ionisation négative de ces espèces permet l’obtention
123
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

d'informations structurelles concernant la composition des chaines d’acides gras [280,281]. Les
variantes lyso de ces phospholipides (une seule chaine d’acide gras) suivent les mêmes règles de
fragmentation.

Figure 57 : Schémas de fragmentation des lipides. (A) Fragmentation des PC en ESI (+)[281]. (B) Fragmentation des
phospholipides (PE, PI, PS, PG et PA) autre que PC en ESI (+) [281]. (C) Fragmentation des phospholipides (PC, PE, PI, PS, PG
et PA) en ESI (-) [281]. (D) Fragmentation des SM en ESI (+) [282]. (E) Fragmentation des SM en ESI (-). (F) Fragmentation des
Cer d18:1/X:Y en ESI (+) [282]. (G) Fragmentation des TG en ESI (+).

Les sphingomyélines se fragmentent majoritairement en un fragment de m/z = 184 qui correspond au

groupement de la tête phosphocholine en mode d’ionisation positive (cf. figure n°57 D) [282]. Les
sphingomyélines peuvent être analysées en mode ESI (-), avec la formation de fragments majoritaires
associés à la perte d’un groupement CH3 [M-H-15] ou à l’apparition d’un fragment correspondant à la
tête phosphocholine et d’une perte du groupement CH3 (m/z = 168) (cf. figure n°57 E). Que ce soit en
mode d’ionisation positif ou négatif, il n’est pas possible de remonter à l’information de la composition
de la LCB et de l’AG qui compose les SM. En mode ESI (+), les céramides possèdent un fragment
caractéristique de la composition de la longue chaine de base (LCB) du sphingosine qui a servi à leur
124
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

formation (perte de l’acide gras accompagnée de la perte des deux fonctions alcools pour former une
base de sphingosine doublement déshydratée ; m/z = 264 pour les Cer d18:1 [282] ; cf. figure n°57 F).
Les sphingomyélines et les céramides sont majoritairement analysés en mode d’ionisation positive, car
leur sensibilité est beaucoup plus faible en mode d’ionisation négative.

Les triacylglycérols (squelette glycérol avec 3 chaines d’acides gras) sont des lipides neutres non
ionisables en mode d’ionisation positive qui nécessitent la présence d’un contre-ion pour être détectés
en mode ESI (+) (ex. [M+NH4+]). Lors de la fragmentation des TG, il y a une perte de neutre
correspondant à l’un des acides gras (cf. figure n°57 G) et du contre-ion ce qui permet d’obtenir un
fragment correspondant à un ion diacylglycérols (squelette glycérol avec 2 chaines d’acides gras). La
différence de masse entre l'ion précurseur [M+NH4+] et l'ion produit permet d’identifier la chaine
d’acide gras perdue à partir du nombre total d'atomes de carbone et de doubles liaisons [283]. Cette
règle de fragmentation est également valable pour les diacylglycérols qui se fragmentent en ions
monoacylglycérols (squelette glycérol avec 1 chaine d’acide gras) [283]. Les triacylglycérols ne sont pas
analysables en ESI (-), car ils ne sont pas ionisables en mode négatif. Les diacylglycérols sont
majoritairement analysés en mode d’ionisation positive, car leur sensibilité est beaucoup plus faible
en mode d’ionisation négative.

Il est important de noter que les schémas de fragmentation présentés sur la figure n°57 ne permettent
pas d’identifier la position de la double liaison sur les chaines d’acides gras ainsi que la position de
chacune des chaines d’acides gras dans la structure du lipide.

À partir des schémas de fragmentation décrits précédemment il est possible de créer les listes de
transitions MRM correspondant aux couples d’ions précurseurs et d’ions produits caractéristiques
utilisés lors de l’élaboration de la méthode Scout-MRM. Par exemple pour le PE 18:1/18:1, de masse
743.5 Da, nous avons ajouté la transition MRM du couple 744.6/603.5 en ESI (+) pour le fragment issu
de la perte de neutre de la tête polaire [M+H-141]. En ESI (-), nous avons ajouté le couple 742.5/281.2
qui correspond au fragment de l’AG 18:1 (m/z = 281.2).

Les principaux paramètres du spectromètre de masse (potentiel de désolvatation, DP, et de l'énergie

de collision, CE) ont été optimisés par infusion directe du mélange SPLASH® LIPIDOMIX® contenant un
standard par famille de lipides (PC, PE, PS, PG, PI, PG, PA, LPC, LPE, DG, TG, SM). Les paramètres de
masse des céramides ont été optimisés avec le standard Cer 30:1. Ces valeurs optimisées sont
indiquées dans l’annexe n°4.

Une fois l’optimisation des transitions MRM réalisée, il a fallu optimiser les conditions
chromatographiques pour la mise en place de la méthode Scout-MRM en lipidomique. En effet, pour
l’analyse des lipides, il existe de nombreuses interférences isobariques qu’il est essentiel de séparer
125
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

par chromatographie. Par exemple, les transitions des PC peuvent interférer sur celle des SM puisqu’ils
possèdent le même fragment (m/z = 184) et présentent un recouvrement de leurs massifs isotopiques
lors de la détection de l’ion précurseur en ESI (+) (cf. 3.2.2).

3.2. Optimisation du gradient chromatographique

3.2.1. Choix de la phase stationnaire et des phases mobiles

Comme indiqué dans le 1er chapitre de ce manuscrit, deux types de chromatographies sont
envisageables pour l’analyse des lipides : RPLC et HILIC. Cependant, ces deux types de phases
stationnaires ne séparent pas les lipides selon les mêmes critères. En HILIC, les lipides ne possédant
pas de tête polaire tels que les DG, les TG et les Cer ne sont pas retenus sur la phase stationnaire à
interaction hydrophile et sont élués au temps mort. Ceux ayant une tête polaire sont élués par familles
lipidiques. En effet, les têtes polaires ne varient pas au sein d’une même famille et la phase stationnaire
HILIC induit peu de séparation selon la longueur des chaines d’acide gras [58]. Ainsi, dans ce mode de
séparation, l‘ensemble des lipides issus d’une même classe sont élués à des temps de rétention très
proche. Du fait de son manque de résolution entre l’ensemble des lipides appartenant à une même
famille de composés, la chromatographie HILIC n’a pas été retenue.

Les phases stationnaires des colonnes C18 ont des capacités de séparation beaucoup plus importantes
que la HILIC (cf. chapitre 1 partie 3.2). Ainsi, tous les lipides vont être répartis tout au long du
chromatogramme ce qui permet d’analyser plus de lipides lors de la mise en place de méthodes
hautement multiplexées en limitant les co-élutions entre lipides. C’est pour cela que la méthode Scout-
MRM a été développée en mode de chromatographie de phase inverse. D’autant plus que la RP est la
phase stationnaire la plus utilisée pour la séparation des lipides [55,58,284,285].

De nombreuses publications [51,55,123,286] utilisent comme phase mobile A un mélange

acétonitrile/H2O (60:40 ; v/v) contenant 10 mmol/L de formiate d’ammonium et 0.1% d’acide
formique. La phase mobile B contient un mélange Isopropanol/ACN (90:10 ; v/v) avec 10 mmol/L de
formiate d’ammonium et 0.1% d’acide formique. Les lipides sont des composés très apolaires. Donc
pour avoir des phases mobiles suffisamment éluantes, la phase A contient initialement une forte
proportion d’ACN et la phase B de l’isopropanol qui est un solvant plus éluant que l’ACN. Il est
nécessaire d’ajouter des sels dans les phases mobiles afin d’ioniser les lipides neutres comme les TG
en formant des adduits (ex. [M+NH4+]). Cependant, cette phase mobile A (H2O/ACN ; 40/60 ; v/v) ne
permet pas d’obtenir une séparation optimale pour les lysophospholipides dont font partie les LPC qui
éluent en début de chromatogramme. Ces conditions ne différencient pas les deux isomères
concernant la position de l’unique chaine d’acide gras sur le squelette glycérol (cf. figure n°58 et 59 A)
[287,288].
126
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 58 : Différence de structures entre sn-2 et sn-1 pour les LPC.

Figure 59 : Séparation des LPC en chromatographie de phase inverse avec deux conditions chromatographiques
différentes. Les compositions des phases mobiles sont différentes mais les pentes sont indiques. sn est l’abréviation de
numérotation stéréospécifique.

Afin d’effectuer cette séparation, il a été nécessaire d’inverser les proportions du mélange qui
constituent la phase mobile A en utilisant 60% d’eau et 40% d’acétonitrile comme indiqué dans la
figure n°59 B. Ainsi, nous observons la séparation entre les LPC dont la chaine d’acide gras est
positionnée en sn1, des LPC dont la chaine d’acide gras est positionnée en sn2.

3.2.2. Validation du gradient chromatographique

Lors de la mise en place d’une méthode de séparation chromatographique en lipidomique, il est
nécessaire que la méthode permette de séparer les composés qui ne diffèrent que d’une seule double
liaison. En effet, comme la résolution des spectromètres de masse de type triple quadripôles est faible,
il y a un risque important d’avoir de nombreuses transitions interférées du fait de recouvrement des
massifs isotopiques entre les masses monoisotopiques et les contributions des carbones 13 de ces
lipides. Cela peut provoquer des biais de quantification [289] comme représentés dans la figure n°60.
127
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 60 : Problèmes d’interférences isobariques entre deux lipides qui ne diffèrent que d’une insaturation. La
contribution isotopique à M+2 du TG 54:4 induit une co-élution avec le pic monoisotopique du TG 54:3 qui est non résolu en
spectrométrie de masse de basse résolution.

Par exemple, la transition MRM d’un TG 54:3 peut être co-éluée avec la contribution isotopique de la
transition MRM d’un TG 54:4 à M+2, car la masse de ces deux TG ne diffère que de 2 Da (cf. figure
n°61). Lorsqu'on utilise un spectromètre de masse dont la résolution en masse est trop faible (dans
l’exemple de la figure n°60, R ≥ 285000) pour lever l’interférence isobarique ou que la résolution
chromatographique est insuffisante, une correction isotopique est nécessaire pour limiter les biais de
quantification des composés qui ne diffèrent que d’une seule double liaison [289].

128
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 61 : Recouvrement du massif isotopique du TG 54:3 et du TG 54:4.

Les recouvrements de massifs isotopiques sont observés au sein des composés de même classe de
lipides. Toutefois, ils peuvent être également rencontrés entre différentes familles de lipides. Par
exemple, l’ensemble des PC et des SM possèdent le même ion précurseur lors de leur fragmentation
en ionisation positive (tête phosphocholine ; m/z =184). Dès lors que les masses des précurseurs PC et
SM sont proches, des recouvrements isotopiques peuvent survenir et provoquer des interférences
isobariques entre le pic monoisotopique du PC X:Y et le pic correspondant à l’abondance isotopique à
[M+1] du SM X+4:Y-1. (ex. PC 34:2 → 758.56/184 et SM 38:1 → 759.63/184).

Dans le but d’éviter les recouvrements de massif isotopique, les paramètres chromatographiques
(composition des phases mobiles, gradient, débit, etc.) ont été optimisés. Afin de conserver des
capacités analytiques convenables en termes de nombre d’échantillons analysés, le temps total de

129
 Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

l’analyse ne devait pas dépasser 30 minutes. Les conditions après optimisation sont référencées dans
le tableau n°7 ci-dessous. Ces conditions permettent d’obtenir la séparation des composés lipidiques
de l’espèce sentinelle G. fossarum comme représentée sur la figure n°62. On peut observer sur ce
chromatogramme 3 zones d’élutions. La 1ère représente la zone des lysophospholipides, la 2ème la zone
des phospholipides, sphingomyélines, céramides et diacylglycérols. La 3ème zone est celle des
triacylglycérols.

Colonne XSelect CSH C18 2.1x100 mm, 3.5 μm (taille de particule)

Température de colonne,
70°C, 500 μL/min et 5 μl injecté
débit et volume d’injection
Phase mobile A H2O/ACN (60/40 ; v/v) + 10 mM formiate d'ammonium + 0.1% acide formique
Phase mobile B IPA/ACN/H2O (90/9.5/0.5 ; v/v/v) + 10 mM formiate d'ammonium + 0.1% acide formique
Solvant d'injection IPA/ACN/H2O (2/1/1 ; v/v/v)

100
% de B

50
Gradient
0
0 5 10 15 20 25 30
Temps (min)

Tableau 7 : Paramètres chromatographiques utilisés pour le développement de la méthode Scout-MRM pour l’analyse
lipidique.

Figure 62 : Séparation chromatographique de lipides de G. fossarum selon les conditions chromatographiques décrites
dans le tableau n°7.

130
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

La zone du chromatogramme la plus critique lors des recouvrements isotopiques est celle des
triacylglycérols, car il s’agit des composés présentant le plus de rétention et qui sont les moins bien
séparés au sein de la même famille lipidique. Dans notre cas, les conditions chromatographiques (cf.
tableau n°7) permettent d’obtenir une résolution suffisante entre deux TG qui ne diffèrent que d’une
insaturation puisqu’aucune co-élution n’est observée comme le montre la figure n°63. La séparation
chromatographique issue de notre optimisation permet d’éviter les recouvrements des profils
isotopiques pour chacune des familles lipidiques comprises dans notre méthode.

Figure 63 : Exemple de séparation chromatographique de TG de G. fossarum selon les conditions chromatographiques

décrites dans le tableau n°7.

Le gradient chromatographique décrit dans le tableau n°7 ne possède pas de palier isocratique qui est
d’ordinaire utilisé pour corriger de possible volume de délais. En effet, cela n’est plus nécessaire
lorsque le mode d’acquisition Scout-MRM est utilisé puisqu’il est indépendant des variations en temps
de rétention (cf. chapitre 2 partie 3.5.3.B).

Une fois que les conditions chromatographiques ont été définies et optimisées, nous nous sommes
focalisés sur la construction de la méthode Scout-MRM en débutant par le choix des composés scouts.

3.3. Construction de la méthode Scout-MRM

La première étape de la construction de la méthode Scout-MRM est de sélectionner les composés
scouts qui déclenchent les différents groupes. Le choix de ces composés est une étape cruciale dans le
développement d’une méthode Scout-MRM. Pour cela, il est nécessaire de respecter un certain
nombre de critères afin de développer une méthode robuste avec un très haut degré de multiplexage.
131
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

3.3.1. Critères de sélection d’un scout idéal

Afin d’avoir la méthode scout-MRM optimale, il est nécessaire que les composés scouts soient répartis
tout le long du gradient chromatographique pour maximiser le nombre de groupes scout et donc le
nombre maximum de transitions MRM dans la méthode. Pour remplir ce critère, il est conseillé
d’utiliser des composés scouts qui ont des structures chimiques de même nature que les composés
d’intérêt. Cela assure une comptabilité entre les conditions chromatographiques et les composés
scouts (rétention sur la phase stationnaire, pas de précipitation en contact des phases mobiles, etc.).

Pour rappel, un groupe de transitions est déclenché si et seulement si l’ensemble des transitions du
scout associé dépasse un seuil fixé par l’expérimentateur au même moment. Cela a pour but d’éviter
que des groupes ne se déclenchent de manière prématurée. De plus, un scout « n » ne peut être
déclenché que si le scout « n-1 » a déjà été déclenché au préalable. Ainsi, la zone d’interférence durant
laquelle un scout « n » peut être déclenché prématurément est fortement réduite (domaine
d’interférence → [RT scout « n-1 » à RT scout « n »]). Dans l’exemple de la figure n°64, le scout 2 est
déclenché normalement, car son interférent est élué avant le scout 1. Le scout 3 en revanche est
déclenché trop tôt, car son interférent est dans sa zone d’interférence (entre le scout 2 et le scout 3).
Le déclenchement d’un groupe de manière anticipée a pour conséquence l’arrêt prématuré du groupe
« n-1 » pour commencer l’acquisition du groupe « n » plus tôt que prévu. L’autre difficulté qui peut
être rencontrée est que si un groupe ne se déclenche pas, les autres qui le suivent ne le seront pas non
plus. Dans l’exemple de la figure n°64, les scouts 5 et 6 ne sont pas déclenchés même s’ils dépassent
les seuils fixés, car le scout 4 n’a pas rempli les conditions de déclenchement.

Figure 64 : Fonctionnement du déclenchement des groupes scouts en fonction de l’intensité des scouts et de la présence
d’interférents. Les pics représentés avec la même couleur sont issus de la même transition MRM. Le scout 1 est bien
déclenché, car le signal de ce scout dépasse le seuil fixé. Le scout 2 se déclenche au bon moment, car il dépasse le seuil fixé
et que l’interférent issus du scout 2 est élué avant le scout 1. Le scout 3 est déclenché trop tôt, car un interférent présent
dans la zone d’interférence du scout 3 dépasse le seuil fixé. Le groupe 4 n’est pas déclenché, car le seuil fixé n’est pas atteint.
Les groupes 5 et 6 ne sont pas déclenchés, car le groupe 4 avant eux ne s’est pas déclenché. « T » représente le seuil des
scouts (threshold).
132
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Pour limiter les problèmes cités ci-dessus, il est préférable de choisir des scouts exogènes afin de les
ajouter dans la matrice à une forte concentration et ainsi être certain de dépasser les seuils fixés. Cela
permet également de fixer des seuils plus importants diminuant le risque qu’un interférent déclenche
un groupe prématurément. Dans le cas où les scouts sont des composés exogènes, il est nécessaire de
s’assurer au préalable qu’ils ne soient pas présents dans l’échantillon.

3.3.2. Choix des composés scouts en lipidomique

Dans le cas des analyses lipidomiques il n’est pas obligatoire d’avoir une répartition des scouts tout le
long du gradient chromatographique (cf. figure n°65) puisque comme indiqué dans la figure n°62, peu
de lipides sont élués en début d’analyse. Dans cette portion de chromatogramme ne figurent que les
lysophospholipides qui sont moins nombreux que les autres classes de lipides du fait qu’ils n’ont qu’un
seul acide gras et donc un nombre de possibilités isomériques plus limité. Le besoin en capacité de
multiplexage est donc moins important que pour la zone d’élution des phospholipides (milieu du
chromatogramme) et des glycérolipides (fin du chromatogramme).

Lors du choix de la nature des composés scouts, nous avons sélectionné des standards de lipides. Afin
d’être certains qu’ils ne soient pas présents nativement dans la matrice analysée, nous avons choisi
des lipides isotopiquement enrichis (deutérés). Toutefois, tous les lipides isotopiquements enrichis ne
sont pas disponibles commercialement. Dans ce cas de figure, les lipides scouts peuvent être choisis
parmi les lipides à chaines d’acides gras impaires, car ces lipides sont très peu présents dans les
échantillons biologiques. Les lipides scouts sélectionnés dans notre méthode Scout-MRM en
lipidomique sont référencés sur la figure n°65. Deux transitions MRM par composés scouts sont
utilisées pour le déclenchement des groupes.

Figure 65 : Distribution des lipides scouts le long du gradient chromatographique. Les scouts PC 9:0/9:0, PC 12:0/13:0, PC
14:0/14:0 d4, PC 15:0/15:0 et Cer d18:1/17:0 sont utilisés en ESI (+) et en ESI (-). Les scouts PC 19:0/19:0, TG 14:0/16:1/14:0
d5, TG 15:0/18:1/15:0 d5, TG 16:0/18:0/16:0 d5 ne sont utilisés qu’en ESI (+).
133
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

3.3.3. Attribution des composés aux différents groupes de scouts

Pour ajouter les transitions MRM dans les différents groupes de scouts, il est nécessaire de connaitre
l’ordre d’élution des composés d’intérêts et des composés scouts pour savoir dans quel groupe placer
les transitions MRM. Lorsqu’une transition est placée dans le mauvais groupe, cela entraine la non-
détection de ce composé (cf. figure n°66 A et B).

Figure 66 : Remplissage des groupes scouts avec les transitions MRM d'intérêts selon la présence ou l'absence d'une co-
élution avec un composé scout. (A) Situation où la transition MRM du lipide est bien positionnée. Si RT scout M+1 > RT lipide
> RT scout M, il faut placer le lipide dans le groupe M. (B) Situation où la transition MRM du lipide est mal positionnée. Si un
lipide est placé dans le mauvais groupe (M-1 au lieu de M), il n'est pas détecté. (C) Situation où le pic chromatographique est
tronqué, car la transition MRM du lipide est co-éluée avec celle du scout. (D) Situation où le pic chromatographique n'est pas
tronqué, car la transition MRM du lipide est placée dans les 2 groupes scouts (par exemple M-1 et M) lorsqu’elle est co-éluée
avec un scout.

Lorsqu’une transition MRM est co-éluée avec un composé scout, il est nécessaire de placer cette
transition dans les deux groupes (avant et après le scout coélué) pour éviter que le pic
chromatographique ne soit tronqué (cf. figure n°66 C et D). Ce phénomène de troncature peut avoir
deux origines expliquées ci-dessous :

x Cas où le lipide est co-élué avec le scout et que RT lipide < RT scout co-élué :

Cette troncature a lieu lors de l’arrêt de la détection du groupe auquel le composé d’intérêt appartient
et le début de la détection du groupe suivant alors que le pic d’intérêt n’est pas encore revenu à la
ligne de base (cf. figure n°66 C).
134
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

x Cas où le lipide est co-élué avec le scout et que RT lipide > RT scout co-élué :

Cette troncature a lieu puisque la détection de la transition MRM du lipide d’intérêt débute alors que
le composé a déjà commencé à être élué.

L’ajout d’une même transition dans deux groupes scouts différents a pour conséquence de diminuer
les capacités de multiplexage de la méthode Scout-MRM.

3.3.4. Quelles sont les limites de la capacité de multiplexage en Scout-MRM ?

Les conditions chromatographiques associées à la méthode Scout-MRM que nous avons développée
permettent d’obtenir une largeur de pic moyenne de 16 secondes. Dans le cas où nous souhaitons
avoir 10 points par pic chromatographique pour assurer une intégration répétable de l’aire de ce pic,
il est nécessaire d’avoir un temps de cycle de 1.6 seconde soit 1600 ms. Le nombre de transitions par
groupe scout sera donc dicté par le dwell time appliqué sur chaque transition MRM et le temps de
repos entre deux transitions MRM. Dans le cas de notre Qtrap 5500, Sciex® conseille de maintenir un
dwell time et un temps de repos minimum de 5 ms pour assurer un rapport S/B de qualité. Dans le cas
où le dwell time est de 5 ms, il est possible de placer 160 transitions MRM par groupe scout. Deux de
ces transitions seront réservées au scout déclenchant le groupe suivant. De ce fait, dans notre
configuration nous pouvons placer au maximum 158 transitions MRM par groupe. Sachant que nous
avons 9 composés scouts, cela représente 10 groupes (le premier étant déclenché à t = 0 min) soit
1580 potentielles transitions MRM qui peuvent être ajoutées dans notre méthode. Pour améliorer
davantage les capacités de multiplexage, il suffit d’ajouter de nouveaux composés scouts dans la
méthode pour ainsi augmenter le nombre de groupes. Toutefois, il n’est pas possible d’augmenter ce
nombre de composés scouts indéfiniment. En effet, avoir des composés scouts avec des différences
de temps de rétention trop faible entrainerait trop de transitions MRM co-éluées avec celles des scouts
(cf. 3.3.3). Le gain en capacité de multiplexage dû à l’ajout de ces très nombreux scouts ne serait pas
pertinent, puisque la majorité des transitions MRM seraient dédoublées dans ces conditions.

Si l’on souhaite augmenter davantage les capacités de multiplexage de la méthode Scout-MRM sans
ajouter de nouveaux composés scouts ou si l’un des groupes est complet, il faut diminuer le dwell time
et/ou le nombre de points par pic pour ajouter de nouvelles transitions (cf. tableau n°8 ; cf. chapitre 1
partie 2.3.2). Par exemple, à nombre de points identiques, si l’on diminue le dwell time de 5 à 3 ms on
augmente de 25% les capacités de multiplexage. Si l’on souhaite conserver le même dwell time et avoir
25 % de capacité de multiplexage en plus, cela se fait avec un compromis de 2 points d’acquisition en
moins pour décrire le pic chromatographique.

135
 Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

DT = 5 ms DT = 5 ms DT = 3 ms DT = 3 ms DT = 1 ms DT = 1 ms
Points/pic = 10 Points/pic = 8 Points/pic = 10 Points/pic = 8 Points/pic = 10 Points/pic = 8
Transitions / groupe 160 200 200 250 266 332
Gain en nombre de
Référence 25% 25% 56% 66% 108%
transitions

Tableau 8 : Variation du nombre de transitions/groupe scout en fonction du dwell time (DT = 5 ms ou 3 ms ou 1 ms) et du
nombre de points/pic chromatographique (10 ou 8 points) dans le cas de pic chromatographique d’une largeur moyenne
de 16 secondes.

Cependant, ce gain en capacité de multiplexage s’accompagne d’une perte de répétabilité de

l’intégration des aires des pics chromatographiques comme indiqué sur la figure n°67. En effet, en
diminuant le nombre de points, on décrit moins bien le profil gaussien du pic chromatographique et
cela conduit à des différences d’aires. De même, la diminution du dwell time conduit à une
augmentation du bruit de fond analytique et donc également du risque d’une mauvaise intégration
des pics chromatographiques.

Figure 67 : Impact de la diminution du dwell time et du nombre de points par pic chromatographique sur la répétabilité de
l’intégration des aires d'une transition en Scout-MRM. Cette étude est basée sur la réponse en aire du signal de 19 standards
et 37 transitions MRM avec une large gamme de sensibilité (4.8 < S/B < 466) et 3 réplicats par expérimentation. Le RSDle plus
important pour chaque condition est respectivement 28%, 49%, 66%, 73%, 64% et 55%.

Il est également important de souligner que les résultats sont répétables aussi bien sur les aires que
les hauteurs des pics chromatographiques (cf. figure n°67 et 68). Ainsi, il est possible de quantifier sur
les aires ou les hauteurs. En quantifiant sur les hauteurs, il n’est donc plus nécessaire de se soucier des
co-élutions entre composés lipidiques et les scouts. L’obtention d’un pic partiel est acceptable du
moment que l’on détecte l’apex de ce pic. Ainsi, la capacité de multiplexage ne sera plus impactée par
l’obligation de placer des transitions identiques dans deux groupes différents.

136
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 68 : Impact de la diminution du dwell time et du nombre de points par pic chromatographique sur la répétabilité de
l’intensité du signal d'une transition en Scout-MRM. Cette étude est basée sur la réponse en intensité du signal de 19
standards et 37 transitions MRM avec une large gamme de sensibilité (4.8 < S/B < 466) et 3 réplicats par expérimentation. Le
RSD le plus important pour chaque condition est respectivement 26%, 47%, 62%, 73%, 62% et 56%.

Les lipides présentent une grande diversité structurale ce qui implique que le nombre de composés à
suivre dans la méthode Scout-MRM doit être conséquent, puisque plus de 25220 structures lipidiques
sont référencées dans la base de données Lipid Maps. Même si le mode d’acquisition Scout-MRM
permet de très grandes capacités de multiplexage, il n’est pas possible de tendre vers l’analyse en
simultanée de dizaines de milliers de lipides. D’autant plus qu’ils ne présentent pas tous un intérêt
biologique.

3.4. Règles de sélection des transitions MRM à ajouter dans la

méthode Scout-MRM
En fonction des matrices biologiques considérées, certaines combinaisons n’ont aucune pertinence
biologique. En effet, dans la nature la majorité des acides gras, liés ou libres, possèdent un nombre
pair de carbones. Ceci résulte du mode de synthèse de ces composés qui consiste en la condensation
successive d’unités de deux carbones [290]. Dans le cas du lipidome humain, plus de 99% de la
concentration plasmatique totale en acide gras présente des chaines paires de carbones [291,292].
Toutefois, cette hypothèse du nombre pair de carbones peut ne pas être vérifiée notamment dans le
lipidome des bactéries et des protozoaires. Par exemple, les acides gras à chaine impaire du lipidome
des bactéries et des protozoaires au sein du rumen de vaches représentent respectivement 16.5% et
11% des acides gras totaux [293]. La diversification en nombre de carbones et de doubles liaisons en
lipidomique n’est pas aussi importante que l’on pourrait l’imaginer puisque les matrices biologiques
sont majoritairement constituées des 15 chaines d’acides gras suivantes : AG 14:0, AG 14:1, AG 16:0,
AG 16:1, AG 18:0, AG 18:1, AG 18:2, AG 18:3, AG 20:2, AG 20:3, AG 20:4, AG 20:5, AG 22:4, AG 22:5
et AG 22:6 [198,294–298]. Cette liste d’acides gras est appelée liste majoritaire de référence dans la
suite de cette thèse. Dans le cadre de notre approche de découverte en mode ciblé, nous conseillons

137
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

donc de mettre en priorité dans la méthode Scout-MRM les lipides avec des combinaisons en acide
gras citées précédemment. Ainsi, cela limite le champ des possibilités en réduisant le nombre de
transitions MRM pour être compatible avec les capacités de multiplexages de la méthode Scout-MRM.

3.4.1. Choix des transitions pour les lysophospholipides et les sphingomyélines

Lorsque l’on souhaite investiguer le lipidome des lysophospholipides, il n’est pas nécessaire de tenir
compte des règles susmentionnées. En effet, ces lipides ne possèdent qu’une seule chaine d’acide gras
ce qui représente peu de transitions MRM à ajouter dans la méthode pour chaque LPL suivi. Par
exemple, il faut ajouter dans la méthode la transition MRM associée à la tête polaire en ESI (+) et la
transition MRM associée à l’unique chaine d’acide gras en ESI (-) pour chaque LPC.

Les sphingomyélines se trouvent dans le même cas de figure que les lysophospholipides. Comme
indiqué précédemment (cf. 3.1.2), il n’est pas possible de déterminer la composition de la LCB et de la
chaine d’acides gras des sphingomyélines. Ainsi, il existe une seule combinaison possible de transition
MRM pour chacune des sphingomyélines (SM X:Y) avec les fragments associés à la tête polaire
phosphocholine dans les deux modes d’ionisation (m/z = 184 en ESI (+) et 168 en ESI (-)).

Ces deux familles nécessitent peu de transitions MRM par lipide pour pouvoir être analysées. Ainsi, il
n’est pas nécessaire de limiter le nombre de composés à suivre puisque ce ne sont pas ces classes
lipidiques qui limiteront les capacités de multiplexage en lipidomique. Toutefois, ce n’est pas le cas des
autres familles de lipides

3.4.2. Choix des transitions pour les phospholipides, les céramides et les
glycérolipides autres que les triacylglycérols.

Pour l’analyse des phospholipides en ESI (+), une seule transition MRM est possible pour chaque
structure, car le fragment associé est issu de la tête polaire. Par exemple, pour le PE 36:1, il faudra
utiliser le fragment 746.6/605.6 correspondant au couple [M+H+]/[M+H-141]. Pour les mêmes raisons
énoncées précédemment, les règles de sélection peuvent être ignorées.

Lorsque l’on recherche des phospholipides en ESI (-) ou des diacylglycérols en ESI (+), il est nécessaire
d’ajouter deux transitions MRM par lipide issues de la présence des deux chaines d’acides gras dans la
structure des lipides. Dans le cas où aucune donnée n’est disponible concernant la composition de ces
deux chaines d’acides gras, il faut ajouter dans la méthode toutes les combinaisons possibles pour ces
lipides. Par exemple, pour le PE 36:3, il faut ajouter les transitions MRM associées aux PE 16:1_20:2,
PE 16:0_20:3, PE 18:1_18:2, PE 19:1_17:2, etc. En tout, cela représente 53 combinaisons de chaines
d’acides gras différentes pour le PE 36 :3 soit 106 transitions MRM à ajouter dans la méthode. Dans
nos conditions de multiplexage optimales (dwell time = 1ms et nombre de points par pic = 8) il est

138
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

possible de suivre 332 transitions MRM par groupe. Ainsi, il n’est pas envisageable de réaliser une telle
étude, car 30% des capacités de multiplexage d’un groupe scout seraient occupées par un seul lipide.
Les règles de sélection prennent ici tous leurs sens, car cela ramène le nombre de combinaisons à 6
(soit 12 transitions MRM) : PE 18:0_18:3, PE 18:1_18:2, PE 16:0_20:3, PE 16:1_20:4, PE 14:0_22:3 et
PE 14:1_22:2.

Pour les céramides, une seule transition MRM en ESI (+) est nécessaire pour caractériser leur structure.
En effet, à partir du fragment caractéristique de la LCB, on peut remonter à l’information de la
composition de leur AG. Par exemple, si un signal est détecté pour le Cer 34:1 avec la transition
536.5/264 [M+H+]/[fragment caractéristique LCB d18:1], on peut en déduire que la chaine d’acides
gras est l’AG 16:0. Comme pour les PL et DG, un même Cer 34:1 possède plusieurs combinaisons de
LCB et de chaine d’acide gras. Par exemple on peut avoir des Cer d18:1/16:0, Cer d16:0/18:1, etc.
Toutefois, les céramides sont essentiellement formés d’une LCB d18:1. Ainsi, nous proposons d’utiliser
les combinaisons correspondant à la LCB d18:1 et des acides gras qui composent la liste des AG
majoritaires.

3.4.3. Choix des transitions pour les triacylglycérols

Les triacylglycérols sont un cas particulier lorsqu’aucune donnée n’est disponible concernant leur
composition en acide gras au sein de leurs chaines carbonées. En effet, ce sont des lipides qui
possèdent trois chaines d’acides gras et il n’est pas envisageable de rechercher la totalité des
combinaisons. Pour un TG 54:1, cela représente 1014 combinaisons de chaines d’acides gras
différentes soit environ 3000 transitions MRM. Même l’utilisation de la liste des AG majoritaires ne
permettrait pas de diminuer suffisamment ce nombre de combinaisons tant les possibilités sont
importantes dans un système à 3 chaines carbonées.

Pour résoudre cette problématique, nous proposons la solution suivante qui consiste à trouver dans
un premier temps la composition de l’une des chaines d’acides gras pour obtenir un système à deux
chaines carbonées inconnues plutôt que trois :

Pour cela, nous avons évalué parmi la liste des chaines d’acides gras majoritaires celles étant les plus
répandues au sein des triglycérides. Ainsi des analyses en mode balayage de perte de neutre ont été
réalisées sur des extraits lipidiques de plasma humain, drosophile et G. fossarum. Ces matrices ont été
sélectionnées pour obtenir un grand nombre de TG de structures différentes afin d’être
représentatives d’un panel de TG pouvant être retrouvés dans une matrice biologique. Les résultats
obtenus ont indiqué que l’AG 16:0 est présent dans 26.7% des cas, l’AG 18:1 dans 16.8% des cas,
l’AG 18:0 dans 16.5% des cas, l’AG 14:0 dans 14.1% des cas et l’AG 16:1 dans 13% des cas (cf. figure
n°69).
139
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 69 : Proportion des acides gras les plus souvent retrouvés dans la composition des TG. Analyse en mode balayage de
perte de neutre (NL, pour neutral loss) pour un extrait protéique contenant du plasma humain, de la drosophile et du G.
fossarum.

Cela nous a permis de définir la liste des 5 chaines d’acides gras majoritaires spécifiques aux
triglycérides : AG 16:0, l’AG 18:1, l’AG 18:0, AG 14:0 et l’AG 16:1.

Lorsqu’une étude de caractérisation est réalisée en Scout-MRM pour l’analyse des TG, nous conseillons
d’ajouter pour chaque TG X:Y à suivre, les transitions MRM associées à la liste des 5 AG majoritaires
spécifiques au TG. Ainsi, si le TG X:Y est bien présent dans la matrice, la probabilité qu’il contienne au
moins l’un de ces 5 AG majoritaires est élevée. L’obtention d’un signal pour l’une de ces 5 transitions
permet de caractériser l’une des chaines d’acides gras du TG détecté et d’obtenir un système non plus
à 3 chaines d’acides gras inconnues, mais à 2. Cette analyse permet également de déterminer les AG
majoritaires absents du TG à caractériser. Cette information est nécessaire pour la suite de
l’identification des structures du TG.

Suite à l’identification d’un premier AG constituant le TG, il est possible de déduire les combinaisons
probables des deux AG inconnus. En effet, la somme des carbones et insaturations des 3 AG doit
correspondre à la structure du TG à caractériser. Les AG les plus répandus sont répertoriés dans la liste
des 15 AG majoritaires de référence. Il est donc possible de déterminer les deux derniers AG
constituant le TG permettant d’obtenir le bon nombre d’insaturations et de carbones à partir de cette
liste. Il faut ensuite confirmer ces déductions par une seconde analyse Scout-MRM permettant de
suivre les transitions spécifiques aux AG envisagés. Un exemple détaillé de la méthode à appliquer
pour étudier le TG 54:1 est présenté ci-dessous :

140
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

x Pour l’étude du TG 54:1, il faut ajouter dans la première méthode Scout-MRM les transitions
associées à une perte de l’AG 16:0, l’AG 18:1, l’AG 18:0, AG 14:0 et l’AG 16:1 soit 5 transitions
MRM issues de la liste des 5 AG majoritaires spécifiques des TG.

x Suite à cette analyse, un signal est obtenu seulement pour la perte de l’AG 18:0, l’AG 18:1 et
l’AG 16:0. Cela indique que les TG 54:1 présents dans l’échantillon doivent posséder au moins
un de ces acides gras (AG 18:0, AG 18:1 et AG 16:0). L’autre information que l’on peut tirer de
cette analyse est que les TG 54:1 ne possèdent pas les chaines d’acides gras AG 14:0 et AG
16:1.

x Il faut ensuite déduire les compositions des deux derniers AG à partir de la liste des 15 AG
majoritaires de référence. La somme des carbones et des insaturations doit correspondre aux
caractéristiques du TG étudié. De plus, la première analyse en Scout-MRM a permis de
déterminer l’absence de deux AG majoritaires AG 14:0 et AG 16:1 qu’il faudra enlever des
combinaisons probables. D’après les informations disponibles, on peut déduire des structures
probables pour les TG 54:1. Par exemple : TG 18:1_18:0_18:0, du TG 16:0_20:1_18:0 et du TG
16:0_20:0_18:1. Les déductions sont ensuite confirmées par une seconde analyse en Scout-
MRM. Pour cela il faut ajouter les transitions associées à une perte de l’AG 16:0, l’AG 18:0, l’AG
18:1, l’AG 20:0 et l’AG 20:1 soit 5 transitions MRM.

La méthodologie décrite dans ce chapitre de thèse est qualifiée d’étude de découverte en mode ciblé
et non pas d’étude de découverte au sens d’approche globale. En effet, certaines hypothèses sont
incontournables comme le nombre pair de carbones par chaine d’acide gras et la liste des AG
majoritaires pour la composition des chaines carbonées de chaque lipide. Sans ces règles, le nombre
de combinaisons par lipide serait trop important, et cela malgré les grandes capacités de multiplexage
de l’approche Scout-MRM. Il n’est pas possible de couvrir toutes les possibilités, en revanche nous
sommes capables d’en cibler un très grand nombre et surtout celles qui ont le plus de probabilité d’être
présentes au sein de nos échantillons.

En termes de caractérisation d’échantillon complexe, la spectrométrie de masse de haute résolution

reste l’outil de prédilection pour l’analyse d’échantillon sans a priori. Toutefois, la méthodologie Scout-
MRM en lipidomique peut être une bonne alternative dans le cas où l’on n’a pas accès à la HRMS
puisqu’elle augmente considérablement les capacités de multiplexage et le nombre de lipides ciblés.
D’autant plus qu’à ce jour les appareils de types triple quadripôles sont déjà implantés dans la plupart
des laboratoires.

Les études de découverte en mode ciblé nécessitent d’être capable d’analyser un grand nombre de
composés au sein d’un échantillon. C’est pour cela que nous avons envisagé le mode d’acquisition
Scout-MRM pour ces grandes capacités de multiplexage réduisant de ce fait le nombre de méthodes.

141
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Toutefois, dans le cadre d’échantillon inconnu, l’un des verrous rencontrés en Scout-MRM est de savoir
dans quel groupe placer un composé pour lequel nous n’avons aucune information préalable sur son
élution par rapport aux scouts sélectionnés. L’un des intérêts en lipidomique est que les différences
de nombre de carbones et de doubles liaisons au sein d’une même famille changent la polarité de
façon homogène permettant de créer des modèles de rétention et de définir facilement les ordres
d’élution.

3.5. Construction d’une base de données à l’aide des modèles de

rétention
3.5.1. Modèle du nombre de carbones équivalents (ECN)

Afin de prédire le temps de rétention des composés d’intérêts, nous avons sélectionné le modèle du
nombre de carbones équivalents (ECN) [272]. Grâce à ces modèles, il est possible de prédire par
rapport à un jeu de données les temps de rétention d’autres lipides. Pour l’élaboration des groupes
scouts il n’est pas nécessaire de prédire les temps de rétention avec une extrême précision puisque
l’information qui nous intéresse est l’élution d’un composé relative aux scouts. Ce modèle repose sur
la corrélation entre les propriétés de rétention des composés d’une même famille lipidique et le
nombre de carbones au sein des chaines d’acides gras. En effet, la courbe de corrélation du nombre
de carbones en fonction du RT des lipides X:Y, où X représente la somme variable des atomes de
carbone et Y le nombre fixe de double liaisons se traduit par une fonction polynomiale d’ordre 2 (cf.
figure n°70 avec l’exemple des PC X:0).

Figure 70 : Exemples de courbes de corrélation correspondant au nombre de carbones en fonction du temps de rétention
et au nombre de doubles liaisons en fonction du temps de rétention pour des lipides d’une même famille. L'exemple de
courbe de corrélation correspondant au nombre de carbones (à gauche) est réalisé pour le PC X:0 où X représente la somme
des atomes de carbone qui composent les chaînes d'acides gras du PC. L'exemple de courbe de corrélation correspondant au
nombre de doubles liaisons (à droite) est réalisé pour le PE 38:Y où Y représente la somme des doubles liaisons qui composent
les chaînes d'acides gras du PE.

Cette fonction permet de corréler de la même façon le nombre de doubles liaisons et le RT des lipides
X:Y, où X représente le nombre de carbones fixe et Y la somme des doubles liaisons variables qui
142
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

composent les chaines d’acide gras (cf. figure n°70 avec l’exemple des PE 38:Y). Ce phénomène est
observé pour l’ensemble des familles lipidiques et grâce à ces équations issues des fonctions
polynomiales d’ordre 2, il est très facile et rapide de prédire le temps de rétention des lipides. La
multiplication de ces courbes de corrélation permet la mise en place de bases de données lipidiques
dans lesquelles figurent des temps de rétention expérimentaux et théoriques issus des modèles de
prédiction.

3.5.2. Développement de la base de données

Pour mettre en place cette base de données, il a été nécessaire de déterminer les temps de rétention
de nombreux lipides. D’une matrice à une autre, la composition du lipidome peut être très variable.
C’est pour cela que nous avons utilisé les matrices G. fossarum, plasma humain et drosophile pour
détecter un grand nombre de lipides et ainsi obtenir une base de données la plus exhaustive. En tout,
plus de 400 lipides différents ont été détectés dans l’ensemble de nos trois matrices parmi les familles
lipidiques suivantes : PC, PE, PI, PS, LPC, LPE, SM, Cer, DG et TG (cf. annexe n°5). Les familles des PA,
PG et MG ne figurent pas dans notre base de données, car ils étaient détectés en trop faible quantité
dans les matrices considérées (plasma humain, drosophile et G. fossarum).

L’obtention des temps de rétention expérimentaux de ces lipides par rapport aux composés scouts
nous a permis d’obtenir deux niveaux d’informations appelés V.0 et V.1.1 qui composent notre base
de données (cf. tableau n°9). Le niveau V.0 consiste à identifier à quel groupe scout appartient le
composé d’intérêt (ex. RTscout 5 < RT(DG 14:0_16:1) et RT(DG 14:1_16:0) < RTscout 6). Cette information est
valable pour plusieurs conditions chromatographiques de phase inverse. Le niveau d’information V.1.1
de notre base de données répertorie les valeurs chiffrées des temps de rétention expérimentaux (ex.
dans les conditions LC V1.1 : RTscout 5 = 16.19 min < RT(DG 14:0_16:1) = 17.16 min et RT(DG 14:1_16:0) = 17.21
min < RTscout 6 = 17.68 min). Ces temps de rétention sont valables uniquement dans des conditions
chromatographiques spécifiques.

1er niveau d’informations V.0 2ème niveau d’informations V.1.1

Lipides Composition AG Groupe scout Moyenne RT isomères (min) RT lipides (min)
DG 14:0_16:1 17,16
DG 30:1 Groupe 5 17,18
DG 14:1_16:0 17,21

Tableau 9 : Exemple de base de données en temps de rétention pour les DG. Le niveau V.0 indique dans quel groupe scout
placer le lipide. Le niveau V.1.1 indique une valeur chiffrée de RT pour un lipide dans les conditions LC V1.1. La moyenne des
RT des isomères est la valeur qui est utilisée dans les modèles de prédiction.

Par la suite, les modèles de prédiction ont été établis grâce aux courbes de corrélation pour permettre
la prédiction des temps de rétention de lipides non détectés dans nos 3 matrices. Les valeurs de temps
de rétention prédites peuvent être directement implémentées dans la base de données en ajoutant

143
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

les RT théoriques dans le niveau d’information V.1.1 et en indiquant à quel groupe scout appartient
théoriquement le composé issu de la prédiction dans le niveau V.0.

Une fois la prédiction des temps de rétention obtenue il a fallu leur associer une incertitude de mesure
qui dépend de la façon dont les modèles de prédiction ont été conçus.

3.5.3. Incertitude associée à la séparation d’isomères

Les conditions chromatographiques utilisées lors de l’analyse des matrices G. fossarum, plasma
humain et drosophile lors de la mise en place de la base de données permettent la séparation
d’isomères d’un même lipide. Par exemple, il est possible de séparer le PE 18:1_18:3 du PE 18:2_18:2
et du PE 16:0_20:4 (cf. figure n°71 A).

Figure 71 : Impact de la séparation de composés isomères sur la prédiction des temps de rétention. (A) Les conditions RPLC
sont capables de séparer les isomères au sein d'une même famille de lipides grâce à leur composition en AG (ex. PE 18:2_18:2,
PE 18:1_18:3 et PE 16:0_20:4). (B) Modèles de prédiction issus du RT des isomères indépendants avec une mauvaise
corrélation. (C) Modèles de prédiction issus du RT moyen de l’ensemble des isomères avec une excellente corrélation. (D)
L’utilisation des RT moyens issus de l’ensemble des isomères, nécessite que les RT théoriques moyens des lipides prédits à
partir des modèles de prédiction soient associés d'une incertitude appelée ∆RT(isomères).

144
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Cependant, si on utilise le temps de rétention de chacun des isomères pour la construction des
modèles de rétention on observe une mauvaise corrélation des données (R² = 0.969) comme indiqué
sur la figure n°71 B. Pour améliorer cette corrélation, nous avons utilisé un temps de rétention moyen
pour chacun des isomères détectés. Cela permet d’obtenir le modèle de rétention décrit sur la figure
n°71 C qui présente une meilleure corrélation des données (R² = 0.999) que sur la figure n°71 B. Les
temps de rétention utilisés pour l’élaboration des modèles de prédiction sont donc des moyennes
obtenues pour l’ensemble des lipides isomériques détectés. De ce fait, les temps de rétention issus
des modèles de prédiction doivent être associés à des incertitudes appelées ∆RT(isomères) (cf. figure
n°71 D). Les ∆RT(isomères) sont calculés à partir de la différence maximale entre les temps de rétention
de deux isomères pour une même famille lipidique. Ces valeurs sont référencées dans le tableau n°10.

∆RT(isomères)
PC ± 0.3 min
PE ± 0.3 min
PI ± 0.4 min
PC ± 0.3 min
PS ± 0.25 min
TAG, DAG, Cer et SM Pas de variation de RT observée pour les différents isomères
LPC et LPE Pas de ∆RT(isomères), car qu’une seule chaine d’acide gras

Tableau 10 : ∆RT(isomères) associée à chaque famille de lipides.

3.5.4. Incertitude en dehors des modèles de prédiction

Une deuxième incertitude de mesure peut être associée à la prédiction d’un temps de rétention à
travers le ∆RT(courbe) qui doit être ajouté à l’incertitude ∆RT(isomères) (cf. figure n°72 A). Pour éviter que
l’incertitude ne soit trop grande et que des transitions MRM issues de prédictions soient placées dans
plusieurs groupes scouts diminuant le degré de multiplexage, il faut éviter de réaliser des prédictions
en dehors des modèles.

Le ∆RT(courbe) correspond à l’incertitude de mesure associée à la différence entre le RT expérimental

(points noirs sur la figure n°72 B, C et D) et le RT théorique (points rouges sur la figure n°72 B, C et D).
Lorsque la prédiction du temps de rétention est réalisée sur des lipides présents au sein de la courbe
de corrélation, aucune dérive n’est observée et la prédiction est précise (cf. figure n°72 B). En revanche,
dans le cas où la prédiction est réalisée en extrapolant en dehors de la courbe de corrélation (cf. figure
n°72 C et D), une dérive entre la droite polynomiale d’ordre 2 et le temps de rétention expérimental
est observée. Plus l’extrapolation sera importante, plus cette dérive le sera également. Il est difficile
de donner une valeur chiffrée à l’incertitude ∆RT(courbe), car elle est dépendante de l’alignement des
points expérimentaux qui ont servi à construire la fonction polynomiale d’ordre 2.

145
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 72 : Incertitudes associées à la prédiction des temps de rétention. (A) L'extrapolation en dehors du modèle de
prédiction implique une incertitude supplémentaire appelée ∆RT (courbe). (B) Cette figure met en évidence les RT théoriques
(rouge) calculés à partir du modèle de prédiction (bleu) lorsque les lipides prédits sont à l'intérieur des courbes. Les RT en
noir correspondent aux RT expérimentaux pour ces mêmes lipides prédits. (C et D) La figure D (nombre de carbones) et E
(nombre d'insaturations) mettent en évidence les RT théoriques (rouge) calculés à partir du modèle de prédiction (bleu)
lorsque les lipides prédits sont à l'extérieur des courbes. Les RT en noir correspondent aux RT expérimentaux pour ces mêmes
lipides prédits.

Puisqu’il n’est pas recommandé de réaliser des prédictions en dehors des domaines de corrélation, il
est nécessaire d’analyser d’autres matrices que celles qui ont été employées pour enrichir la base de
données. Cela permettra de détecter de nouveaux lipides qui pourront être ajoutés à la base de
données afin d’améliorer les modèles prédictifs en agrandissant les domaines de corrélation.

3.6. Méthodologie pour améliorer la base de données

Afin d’ajouter de nouveaux lipides dans la base de données en temps de rétention deux méthodologies
peuvent être utilisées. La 1ère méthode est plus contraignante à mettre en place, car elle impose des
conditions chromatographiques particulières, mais permet d’améliorer de manière significative la base
de données par rapport à la 2ème méthode.

146
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

3.6.1. 1ère méthodologie : Amélioration de la base de données en temps de rétention

à partir de conditions LC imposées
La 1ère méthodologie pour implémenter de nouveaux lipides et améliorer la base de données en temps
de rétention consiste à réaliser les étapes suivantes qui sont décrites dans la figure n°73 :

x Dans un premier temps, il faut ajouter les composés scouts dans l’extrait lipidique à analyser qui
contient les nouveaux lipides à ajouter dans la base de données (cf. figure n°73 A). Les conditions
chromatographiques pour analyser l’extrait lipidique doivent être les mêmes que celles qui ont
servi à développer la base de données V.1.1 (cf. figure n°73 B). Par exemple, si la colonne Xselect
CSH C18 (2.1x100 mm, 3.5 μm) a été utilisée avec des phases mobiles et un gradient spécifique
pour la mise en place de la base de données V1.1, il faudra se placer dans les mêmes conditions.
Le mode d’acquisition MS/MS utilisé doit être le mode MRM classique, car aucune information
concernant les temps de rétention de ces nouveaux lipides n’est disponible (ils ne sont pas dans
notre base de données).

Figure 73 A et B : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidiques en temps de
rétention lorsque les conditions chromatographiques utilisées sont les mêmes que celles employées pour son élaboration.

x La détection des nouveaux lipides (ex. PC 36:3 et PC 36:6) et des composés scouts permet
d’améliorer la base de données V.0 (cf. figure n°73 C). En effet, la comparaison des temps de
rétention des nouveaux lipides par rapport aux scouts permet de savoir dans quel groupe scout
placer ces nouveaux lipides (cf. figure n°73 D). Dans l’exemple, la détection du PC 36:3 permet
également de valider des informations théoriques issues d’une précédente prédiction.

Figure 73 C et D : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidiques en temps de
rétention lorsque les conditions chromatographiques utilisées sont les mêmes que celles employées pour son élaboration.

147
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

x Même si les conditions analytiques sont les mêmes que celles employées pour élaborer la base de
données V1.1, il n’est pas possible d’ajouter directement les valeurs chiffrées des temps de
rétention des nouveaux lipides analysés. Des variations en temps de rétention peuvent être
observées lors du transfert de méthode issue des paramètres LC de la base de données V.1.1. Ces
variations peuvent être dues à des effets matrices issus de la nature de l’échantillon analysé, à des
volumes de délais différents, des numéros de lots de colonnes chromatographiques différents, etc.
Il est donc indispensable de normaliser les nouveaux temps de rétention avant de les ajouter à la
base de données. Pour cela il faut comparer les temps de rétention des scouts de la base de
données à ceux obtenus expérimentalement. Il faut ensuite réaliser une droite de corrélation entre
les temps de rétention des scouts issus de la base de données V1.1 en fonction des temps de
rétention des scouts dans la nouvelle analyse. Grâce à l’équation de cette droite, il est possible de
normaliser les temps de rétention des nouveaux lipides détectés dans le référentiel de la base de
données V1.1 (cf. figure n°73 E).

Figure 73 E : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidiques en temps de
rétention lorsque les conditions chromatographiques utilisées sont les mêmes que celles employées pour son élaboration.

x L’ajout des RT des nouveaux lipides dans la base de données V1.1 entraine le passage de la version
V1.1 à la version V1.2 (cf. figure n°73 F).

Figure 73 F : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidiques en temps de
rétention lorsque les conditions chromatographiques utilisées sont les mêmes que celles employées pour son élaboration.

x Suite à l’ajout des nouveaux lipides dans les modèles, les prédictions des temps de rétention
peuvent être mises à jour.. Cela permet d’améliorer la précision de ces modèles et de prédire le
temps de rétention de nouveaux lipides (cf. figure n°73 G). Amélioration de la base de données
V1.2 en ajoutant les temps de rétention issus des modèles de prédiction (cf. figure n°73 H).
148
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 73 G et H : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidiques en temps de
rétention lorsque les conditions chromatographiques utilisées sont les mêmes que celles employées pour son élaboration.

3.6.2. 2ème méthodologie : Amélioration de la base de données en temps de rétention

à partir de conditions LC variables
La 2ème méthodologie pour implémenter de nouveaux lipides et améliorer la base de données en temps
de rétention consiste à réaliser les étapes suivantes qui sont décrites dans la figure n°74 :

x Dans un premier temps, il faut ajouter les composés scouts dans l’extrait lipidique à analyser qui
contient les nouveaux lipides à ajouter dans la base de données (cf. figure n°74 A). Les conditions
chromatographiques pour analyser l’extrait lipidique sont différentes de celles qui ont servi à
développer la base de données V.1.1 (cf. figure n°74 B). Le mode d’acquisition MS/MS utilisé doit
être le mode MRM classique, car aucune information concernant les temps de rétention de ces
lipides n’est disponible (ils ne sont pas dans notre base de données).

Figure 74 A et B : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidique en temps de
rétention lorsque les conditions chromatographiques utilisées sont différentes de celles employées pour son élaboration.

x La détection des nouveaux lipides (ex. PC 36:3 et PC 36:6) et des composés scouts permet
d’améliorer la base de données V.0 (cf. figure n°74 C). En effet, la comparaison des temps de
rétention des nouveaux lipides par rapport aux scouts permet de savoir dans quel groupe scout
placer ces nouveaux lipides (cf. figure n°74 D). Dans l’exemple, la détection du PC 36:3 permet
également de valider des informations théoriques issues d’une précédente prédiction. Puisque les
conditions chromatographiques sont différentes de celles employées pour l’élaboration de la base
de données V1.1, il n’est pas possible d’utiliser cette base de données. Toutefois, les PC 36:1, PC
36:3, PC 36:4 et PC 36:6 sont détectés dans la matrice lipidique. Cela permet de créer une nouvelle
base de données nommée V.2.1 en répertoriant les nouveaux temps de rétention de ces lipides
149
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

(cf. figure n°74 D). Les bases de données V.2.1 et V.1.1 sont complémentaires, car elles fournissent
des informations pour compléter la base de données V.0.

Figure 74 C et D : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidique en temps de
rétention lorsque les conditions chromatographiques utilisées sont différentes de celles employées pour son élaboration.

x Grâce aux temps de rétention répertoriés dans la base de données V.2.1, il est possible d’élaborer
de nouveaux modèles de prédiction et de déterminer le temps de rétention de nouveaux lipides
(cf. figure n°74 E). La base de données V2.1 peut être améliorée en ajoutant les temps de rétention
issus des nouveaux modèles de prédiction (cf. figure n°74 F).

Figure 74 E et F : Méthodologie pour implémenter de nouveaux lipides dans la base de données lipidique en temps de
rétention lorsque les conditions chromatographiques utilisées sont différentes de celles employées pour son élaboration.

La 1ère méthodologie est plus contraignante à mettre en place que la 2ème car les conditions
chromatographiques sont imposées, mais en contrepartie elle permet d’améliorer des modèles de
prédictions déjà existants. De manière générale, plus la méthodologie Scout-MRM sera utilisée par la
communauté des lipidomistes pour analyser de nouvelles matrices plus la base de données pourra être
améliorée grâce à l’ajout de nouveaux lipides. L’enrichissement de la base de données a pour
conséquence l’amélioration des capacités de découverte en mode ciblé de notre approche Scout-MRM
en permettant de rechercher plus de lipides dans les échantillons non caractérisés.

À ce stade, nous avons démontré que nous avons à disposition une méthode à haut degré de
multiplexage qui peut être utilisée pour réaliser des études de découverte ciblées sur des échantillons
inconnus pour détecter la présence de composés issus de notre base de données. Toutefois, cette base
de données a été obtenue à partir de conditions chromatographiques particulières qui sont décrites

150
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

dans la partie 2.4 du matériels et méthodes. Pour que cette méthodologie de découverte en mode
ciblé puisse être pertinente, il faut que la base de données puisse être utilisée, quelles que soient les
conditions LC.

3.7. Transférabilité du Scout-MRM

3.7.1. Indépendance des temps de rétention de la méthodologie Scout-MRM

Pour pouvoir présenter un réel intérêt, les méthodes de découverte en mode ciblé doivent être
facilement déployées en fonction des paramètres chromatographiques. Elles doivent présenter un
caractère « prêt à l’emploi » aussi qualifié de « plug and play ». C’est-à-dire que la technologie
développée doit permettre une mise en œuvre rapide et requérant un minimum d’intervention de la
part de l’utilisateur. En Scout-MRM appliqué à la lipidomique, cela se traduit par l’utilisation d’une
même méthode d’acquisition en spectrométrie de masse compatible avec une multitude de
configurations chromatographiques de phase inverse différentes : Variation des lots de colonnes, des
phases mobiles, des gradients, etc.

Il ne faut pas que les potentiels décalages en temps de rétention dus à des variations de paramètres
analytiques impactent la détection des transitions MRM (pic tronqué ou pic non détecté) comme cela
peut être le cas en sMRM (cf. chapitre 2 partie 3.5.3.A). Par exemple, si le gradient ou les phases
mobiles diffèrent, les temps de rétention des composés varient et peuvent conduire à la détection
partielle (pic tronqué) ou à la non-détection de pics chromatographiques lorsqu’ils se retrouvent en
dehors des fenêtres de temps (cf. figure n°75 A). De plus, les méthodes de découverte en mode ciblé
ont pour vocation d’être employées sur des échantillons de natures très diverses. Le passage d’un type
d’échantillon à un autre entraine souvent des effets matrices qui modifient les temps de rétention des
composés lipidiques comme indiqué sur la figure n°75 B. Dans ce cas de figure, la méthode Scout-MRM
est un outil de prédilection, car les composés scouts subissent les mêmes décalages en temps de
rétention et corrigent automatiquement les fenêtres de détection lors de la variation des conditions
analytiques (cf. figure n°75 C). La méthode Scout-MRM peut donc être employée pour des matrices et
des conditions chromatographiques très diverses traduisant ainsi le caractère plug and play de la
méthodologie de découverte en mode ciblé que nous avons développée.

151
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 75 : Impact des décalages en temps de rétention des lipides lors d’une analyse en sMRM et en Scout-MRM. (A) La
variation de la pente du gradient d'élution et le changement de la phase mobile B (ACN/H 20 40/60 v/v à ACN/H20 60/40 v/v)
impliquent un décalage du temps de rétention en dehors des fenêtres temporelles, ce qui entraîne une perte d'information
en sMRM (pic tronqué, disparition du pic). (B) Ces décalages de temps de rétention peuvent également se produire lors du
changement de matrice (plasma à G. fossarum). (C) Les mêmes variations que lors des analyses sMRM impliquent un décalage
en temps de rétention qui a également un impact sur les composés scouts. En conséquence, les composés scouts corrigent
automatiquement la position des fenêtres de détection.

Le Scout-MRM présente bien des avantages concernant son adaptabilité aux changements de
paramètres LC (changement de matrice, de débit, de gradient, de phases mobiles, etc.). Le Scout-MRM
corrige automatiquement les fenêtres de détection lors des variations analytiques. Toutefois, cette
correction dynamique peut présenter des limites lorsque les variations de temps induisent des
changements de sélectivité entre un composé d’intérêt et un scout. La conséquence est que le
composé change de groupe conduisant ainsi à sa non-détection. Ces changements de sélectivité
peuvent survenir lorsque l’on modifie la nature de la phase stationnaire des colonnes
chromatographiques.

3.7.2. Changement de phase stationnaire et potentiels changements de sélectivité

en Scout-MRM
Afin de nous assurer que notre méthodologie est compatible avec différentes phases stationnaires de
type RPLC, nous avons évalué les changements de sélectivité des lipides par rapport aux composés
152
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

scouts. Pour cela, nous avons analysé le même extrait lipidique issu des matrices plasma humain,
drosophile et G. fossarum avec la même méthode Scout-MRM, mais avec 5 colonnes de phase inverse
différentes. Les 5 colonnes RPLC sélectionnées sont couramment référencées dans la littérature en
lipidomique [55,299–301]. La 1ère colonne est la XSelect CSH C18 (2.1x100 mm, 3.5 μm de taille de
particule) qui possède une phase apolaire chargée positivement. Il s’agit de notre colonne de référence
qui a été utilisée pour développer la méthode Scout-MRM. Les 2ème et 3ème colonne sont la Zorbax
eclipse plus C18 (2.1x100 mm, 3.5 μm de taille de particule) et l’Accucore C18 (2.1x100 mm, 2.6 μm de
taille de particule) qui ont des phases apolaires neutres. La 4ème colonne est la Xbridge BEH C18 premier
(2.1x100 mm, 2.5 μm de taille de particule) qui a une phase apolaire neutre. La BEH premier adopte la
technologie MaxPeak High Performance Surface qui réduit considérablement les interactions
indésirables entre l'analyte et la surface de la colonne qui peuvent entraîner un élargissement des pics
chromatographiques et des pertes d'intensité du signal. La 5ème colonne est la XSelect HSS T3 (2.1x150
mm, 2.5 μm de taille de particule) qui a une phase stationnaire plus hydrophobe que les phases
C18 classiques comme la CSH XSelect C18.

Lors du passage de la colonne de référence (CSH C18) à une autre colonne de phase inverse, 5 cas
différents peuvent être observés comme indiqué dans la figure n°76 :

x (A) Un lipide élué entre deux scouts est toujours élué entre ces mêmes scouts lors du changement
de colonne.
x (B) Un lipide co-élué avec un scout est toujours co-élué avec le même scout lors du changement de
colonne.
x (C) Un lipide co-élué avec un scout n'est plus co-élué avec ce scout lors du changement de colonne.
x (D) Inversion entre le temps de rétention d'un composé scout et le temps de rétention d'un lipide
d'intérêt non co-élué avec ce scout lors du changement de colonne.
x (E) Un lipide non co-elué avec un scout devient co-elué avec un scout lors du changement de
colonne.

Les conditions (A) et (B) ne présentent aucun désavantage, car elles n’entrainent aucune perte
d’information (pas de transition MRM non détectée ni de pic chromatographique tronqué) et aucune
diminution de capacité de multiplexage par rapport à la condition de référence. La condition (C) ne
présente aucune perte d’information. Toutefois, les capacités de multiplexage sont diminuées, car la
transition MRM est placée dans deux groupes scouts successifs alors que cela n’est plus nécessaire. Il
n’y a plus de co-élution entre le lipide et le composé scout lors du changement de colonne. La condition
(D) est la plus problématique, car il y a une perte d’information suite à l’absence de détection d’un
lipide. Ce cas de figure peut compromettre une étude de découverte en mode ciblé, car lors de
l’absence de détection, il n’y a aucun indice qui indique que le composé est réellement présent dans
l’échantillon, mais que sa transition MRM est placée dans le mauvais groupe scout. La condition (E) est
153
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

problématique, car il y a une perte d’information suite à l’obtention d’un pic chromatographique
tronqué. Cependant, ce cas de figure est moins compromettant que le cas (D), car la visualisation d’une
partie du pic indique que le composé est bien présent, mais qu’il manque une partie de l’information.
Suite à cette observation, il suffit de placer la transition MRM dans les deux groupes scouts pour
récupérer l’information manquante.

Figure 76 : Différents cas rencontrés lors de l’évaluation des changements de sélectivité en Scout-MRM lors du passage
d’une colonne de phase inverse à une autre. La figure A montre le cas où un lipide élue entre deux scouts et élue toujours
entre ces mêmes scouts lors du changement de colonne. La figure B montre le cas où un lipide co-élue avec un scout et co-
élue toujours avec le même scout lors du changement de colonne. La figure C montre le cas où un lipide co-élué avec un scout
n'est plus co-élué avec le même scout lors du changement de colonne. La figure D montre le cas où il y a une inversion entre
le temps de rétention d'un composé scout et le temps de rétention d'un lipide d'intérêt lors du changement de colonne. La
figure E montre le cas où un lipide non co-élué avec un scout devient co-élué avec un scout lors du changement de colonne.

Les résultats obtenus pour chacune des colonnes suite à l’analyse de 311 lipides issus de 10 familles
(PC / PE / PS / PI / LPC / LPE / SM / Cer / DG / TG) présents dans notre extrait lipidique (plasma,
drosophile et G. fossarum) sont présentés dans la figure n°77. Les données présentées indiquent des
résultats similaires lors des changements de colonne pour l’ensemble des configurations testées. En
154
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

moyenne, le cas (A) est obtenu pour 80% des lipides de l’étude, le cas (B) pour 10%, le cas (C) pour 4%,
le cas (D) pour 1% et le cas (E) pour 5%. En résumé dans 94% des cas ((A) + (B) + (C)), les lipides se
retrouvent toujours dans le même groupe. De plus, le cas de figure (D) qui est le plus problématique
ne représente que 1% des lipides.

Figure 77 : Résultats de l'étude concernant l’évaluation des changements de sélectivité en Scout-MRM pour 4 colonnes en
phase inverse par rapport à une colonne de référence. Les quatre colonnes étudiées sont la colonne Zorbax eclipse plus C18
(2.1x100 mm, 3.5 μm), la colonne Accucore C18 (2.1x100 mm, 2.6 μm), la colonne XSelect HSS T3 (2.1x150 mm, 2.5 μm) et la
colonne Xbridge BEH premier (2.1x100 mm, 2.5 μm). La colonne XSelect CSH C18 (2.1x100 mm, 3.5 μm) est la colonne de
référence avec laquelle la méthode Scout-MRM a été développée. L'étude a été réalisée sur 311 lipides issus de 10 familles
de lipides (PC / PE / PS / PI / LPC / LPE / SM / Cer / DG / TG). Les cas A, B, C, D et E font référence aux différents cas possibles
présentés dans la figure n°76.

Ainsi, nous pouvons conclure qu’il y a peu de changement de sélectivité entre un lipide et un composé
scout lipidique lors des analyses lipidomiques en RPLC. La méthodologie Scout-MRM pour la
découverte ciblée de composés en lipidomique est donc pertinente grâce à son caractère plug and
play qui a été prouvé expérimentalement. En effet, le Scout-MRM a rempli son rôle en corrigeant
automatiquement les fenêtres de détection lors de la variation des conditions analytiques par le
changement de colonne de phase inverse.

Cette étude a également permis d’obtenir les modèles de rétention pour l’ensemble de nos lipides
avec les 5 colonnes décrites précédemment. De ce fait, nous disposons de plusieurs niveaux
d’information dans notre base de données ( V1.1 pour la colonne CSH C18, V2.1 pour la colonne HSS
T3, V3.1 pour la colonne zorbax C18, etc.).

Avant d’être un outil de découverte en mode ciblé, le Scout-MRM est avant tout un mode d’acquisition
spécialisé dans les études de quantification. L’approche Scout-MRM lipidomique développée au cours
de cette thèse pose la question sur la capacité de réaliser à la fois des études de caractérisation et de
quantification de manière simultanée.

155
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

3.8. Évaluation du Scout-MRM en tant que méthode de

caractérisation et de quantification simultanée pour l’analyse de
lipides
La mise en place de méthodes de quantification en lipidomique par spectrométrie de masse nécessite
de prendre en considération la variation de la réponse analytique des lipides d’intérêt qui peuvent être
considérablement influencés par l’environnement d’ionisation (composition de la phase mobile et
phénomène de suppression d’ion). L’ajout de standards de lipides isotopiquement enrichis corrige la
variation du signal en spectrométrie masse puisque ces étalons réagiront de la même manière que
leurs analogues qui diffèrent par leurs propriétés physiques (m/z), mais pas par leurs propriétés
chimiques (rétention, ionisation, fragmentation)[302,303]. La mise en place d’un étalonnage interne
avec ajout de standards pendant le protocole analytique confère également l’avantage de corriger les
pertes d’échantillon notamment lors de l’extraction liquide/liquide. Toutefois, la mise en place de cette
méthodologie est limitée en lipidomique à cause de la faible diversité des standards lipidiques
disponibles commercialement. C’est pour cela que les études en lipidomique utilisent un standard par
famille de lipides [53,289].

Afin de démontrer les performances analytiques de la méthode Scout-MRM, nous avons réalisé
plusieurs études pour évaluer la répétabilité, les domaines de linéarité et les limites de quantification
(LOQ).

3.8.1. Répétabilité de la méthode Scout-MRM

Dans le but d’évaluer la répétabilité de la méthode Scout-MRM nous avons analysé les lipides
endogènes de 10 extractions indépendantes d’une matrice contenant du plasma humain, de la
drosophile et du G. fossarum. Un standard lipidique par famille de lipides a été ajouté dans chacun des
échantillons. La figure n°78 indique que la majorité des transitions MRM ont un coefficient de variation
(CV) inférieur à 20%. Les résultats sont similaires dans le cas où la réponse MS est obtenue à partir de
l’aire des pics chromatographiques ou de l’intensité du signal de ces mêmes pics. Ce seuil de 20%
représente la valeur limite pour laquelle une transition MRM est estimée répétable. Les données pour
lesquelles le CV est supérieur à 20% correspondent aux transitions MRM les moins intenses qui
impliquent des intégrations plus difficiles et qui sont plus facilement interférées. Ces résultats
indiquent que l'étape d’extraction et l’analyse en Scout-MRM sont reproductibles.

156
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Figure 78 : Répétabilité des lipides endogènes en fonction de l’aire ou de l’intensité du signal. Résultats obtenus après 10
extractions indépendantes réalisées à partir du même mélange de G. fossarum, de plasma humain et de drosophile avec un
standard interne pour chaque famille de lipides. Le critère de validation de la répétabilité est fixé à 20%.

3.8.2. Domaine de linéarité et LOQ de la méthode Scout-MRM

Afin de déterminer les domaines de linéarité pour chacun des standards lipidiques (un par famille de
lipide) des régressions linéaires (pondération 1/x ou 1/x² en fonction des standards) ont été réalisées
à partir de courbes d'étalonnage en triplicat. Ces courbes respectent des critères stricts pour définir
les domaines de linéarité (au minimum 5 niveaux de concentration, CV < 20%, R² > 0.99 et 80% <
exactitude < 120%). Toutes les courbes d'étalonnage correspondant aux standards de lipides dopés
dans des extraits lipidiques de G. fossarum à différents niveaux de concentration ont confirmé le haut
degré de linéarité de la méthode Scout-MRM (0.99 < R² <0.999 en aire et 0.989 < R² < 0.999 en
intensité ; cf. tableau n°11). Les domaines de linéarité pour chacun des standards sont indiqués dans
le tableau n°11. La LOQ a été déterminée comme étant le niveau le plus bas du domaine de linéarité
pour lequel le CV est inférieur à 20%. Les LOQ répertoriées dans le tableau n°11 démontrent
l’excellente sensibilité de la quantification de lipides par Scout-MRM puisque ces standards lipidiques
peuvent être quantifiés à de très faibles concentrations au sein de matrices complexes (de l’ordre du
ng/mL au pg/mL). Les résultats obtenus pour les domaines de linéarité et les LOQ sont similaires dans
le cas où la réponse MS est obtenue à partir de l’aire des pics chromatographiques ou de l’intensité du
signal de ces mêmes pics.

157
 Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

POS NEG
Area Height Area Height

Linearity range LOQ Linearity range LOQ Linearity range LOQ Linearity range LOQ
Lipid
(ng/mL) (ng/mL) (ng/mL) (ng/mL) (ng/mL) (ng/mL) (ng/mL) (ng/mL)
0.005 – 30 0.005 – 30 2.9 - 435.16 2.9 - 435.16
PC 11:0/11:0 0.005 0.005 2.9 2.9
R² = 0.990 ; (1/x²) R² = 0.990 ; (1/x²) R² = 0.999 ; (1/x) R² = 0.999 ; (1/x)
1.51 - 225.24 1.51 - 225.24 1.25 – 750 1.25 – 750
PE 12:0/13:0 1.51 1.51 1.25 1.25
R² = 0.993 ; (1/x) R² = 0.992 ; (1/x) R² = 0.998 ; (1/x) R² = 0.993 ; (1/x²)
3.02 - 449.46 3.02 - 449.46 3 - 900.43 6 - 900.43
PS 12:0/13:0 3.02 3.02 3 6
R² = 0.990 ; (1/x²) R² = 0.989 ; (1/x²) R² = 0.997 ; (1/x) R² = 0.997 ; (1/x)
11.99 - 119.95 11.99 - 119.95 3 - 599.33 3 - 599.33
PG 12:0/13:0 11.99 11.99 3 3
R² = 0.992 ; (1/x) R² = 0.991 ; (1/x) R² = 0.997 ; (1/x) R² = 0.997 ; (1/x)
15.05 - 300.1 15.05 - 300.1 22.53 - 4499.89 22.53 - 4499.89
PI 17:0/14:1 15.05 15.05 22.53 22.53
R² = 0.994 ; (1/x) R² = 0.994 ; (1/x) R² = 0.991 ; (1/x²) R² = 0.990 ; (1/x²)
0.22 - 53.61 0.22 - 53.61 0.6 - 899.37 0.6 - 899.37
2-LPC 13:0 0.22 0.22 0.6 0.6
R² = 0.991 ; (1/x²) R² = 0.990 ; (1/x²) R² = 0.997 ; (1/x) R² = 0.997 ; (1/x)
7.86 - 975.23 9.1 - 1128.74 2.6 - 519.89 2.6 - 519.89
2-LPE 17:1 7.86 9.81 2.6 2.6
R² = 0.991 ; (1/x) R² = 0.991 ; (1/x) R² = 0.996 ; (1/x) R² = 0.996 ; (1/x)
0.46 - 135.16 0.46 - 135.16 10.04 - 301.26 10.04 - 301.26
Cer d18:1/12:0 0.46 0.46 10.04 10.04
R² = 0.996 ; (1/x) R² = 0.996 ; (1/x) R² = 0.995 ; (1/x) R² = 0.994 ; (1/x)
0.15 - 45.05 0.15 - 45.05
SM d18:1/18:1 d9 0.15 0.15
R² = 0.997 ; (1/x) R² = 0.997 ; (1/x²)
101.22 - 6007.32 101.22 - 6007.32
DG 17:0/17:0 d5 101.22 101.22
R² = 0.993 ; (1/x) R² = 0.993 ; (1/x)
0.76 - 37.57 0.76 - 37.57
TG 17:0/17:1/17:0 d5 0.76 0.76
R² = 0.990 ; (1/x²) R² = 0.990 ; (1/x²)

Tableau 11 : Domaines de linéarité et limites de quantification (LOQ) pour chaque standard lipidique en ESI (+) et ESI (-)
obtenues grâce à l’aire ou l’intensité des signaux détectés.

Les résultats obtenus lors des études de répétabilité, de linéarité et de limite de quantification mettent
en évidence les qualités de la méthodologie Scout-MRM en tant que méthode de quantification. Les
performances analytiques dans ces trois études sont très similaires, que l’on utilise l’aire ou l’intensité
des pics chromatographiques. Cela confirme que le retraitement des données selon la hauteur du
signal est réalisable en Scout-MRM et que dans ce cas de figure il est possible de gagner en capacité
de multiplexage puisque les co-élutions entre un lipide d’intérêt et un scout ne sont plus un problème
(cf. 3.3.3 et 3.3.4).

À travers les résultats présentés dans ce chapitre de thèse, la méthodologie Scout-MRM en

lipidomique permet de réaliser des études de caractérisation d’échantillons complexes. Dans le cas où
au moins un standard interne par famille de lipide est introduit dans l’échantillon lors de cette étape
de découverte ciblée, il est possible de quantifier directement chacun des lipides découverts lors de
cette même analyse. Le passage d’une approche de découverte à une étude de quantification est
instantané. De plus, l’adaptabilité du Scout-MRM en fonction des paramètres chromatographiques
facilite le transfert de méthodes entre laboratoires et donc la propagation rapide de méthodes de
quantification.

158
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

3.9. Conclusion
Le développement de nouveaux outils innovants comme le mode d’acquisition Scout-MRM a ouvert
de nouvelles perspectives de recherche comme la possibilité de réaliser des études de découverte en
mode ciblé. Ainsi, nous avons exploré cette approche dans le cadre des analyses de lipides pour
proposer de nouveaux outils au service de la biologie des systèmes. L’association du haut degré de
multiplexage de la méthodologie Scout-MRM à l’utilisation de bases de données en temps de rétention
autorise l’analyse en simultané d’un grand nombre de lipides pour la caractérisation d’échantillons
inconnus.

Ces études de découverte en mode ciblé ne permettent pas de caractériser les échantillons avec le
même niveau d’information que les approches sans a priori par HRMS. En effet, certaines hypothèses
concernant la composition des chaines d’acides gras sont incontournables pour limiter la liste des
composés potentiels à rechercher dans un échantillon inconnu. Sans cela les capacités de multiplexage
de la méthode Scout-MRM ne pourraient pas couvrir l’ensemble des structures envisagées. Toutefois,
la méthodologie Scout-MRM en lipidomique peut être une bonne alternative dans le cas où l’on n’a
pas accès à la HRMS pour obtenir rapidement des informations sur un lipidome complexe.

L’ajout de scouts dans les échantillons à analyser permet à la méthode d’être employée sur des
matrices et des conditions RPLC variées puisqu’ils assurent le recalibrage automatique de la méthode
en la rendant indépendante des variations de temps de rétention. Cela traduit le caractère plug and
play de notre approche Scout-MRM qui garantit le bon fonctionnement de notre base de données en
ordre d’élution dans des conditions autres que celles qui ont été employées pour sa réalisation.

Cette base de données est en perpétuelle évolution puisque plus la méthodologie Scout-MRM sera
utilisée par la communauté des lipidomistes, plus il sera possible d’implémenter de nouveaux lipides
(ajout de nouveaux RT expérimentaux et amélioration des modèles de prédiction). Cela permettra de
réaliser des caractérisations de plus en plus complètes en augmentant la quantité de composés
lipidiques pouvant être recherchés dans divers échantillons.

Ces travaux en lipidomique ont permis de mettre en évidence un nouveau type d’approche en Scout-
MRM en démontrant la faisabilité de méthodes de caractérisation. Toutefois, ce mode d’acquisition a
été développé avant tout pour réaliser des quantifications performantes (robustesse, linéarité et
sensibilité). Cela signifie que la méthodologie Scout-MRM appliquée à l’analyse de lipides permet de
réaliser en simultané l’étude de découverte en mode ciblé et la quantification des éléments constitutifs
du système.

159
Chapitre 3 : Profilage rapide de lipidome par Scout-MRM et modélisation des temps de rétention

Dans le cadre de cette thèse, la méthodologie Scout-MRM a été appliquée avec succès aux domaines
de la protéomique et de la lipidomique. Afin de compléter le panel de méthodes à haut degré de
multiplexage dans le cadre des analyses omiques, une méthode Scout-MRM est en cours de
développement dans le laboratoire pour l’analyse des métabolites polaires.

À l’issue du chapitre 2 et 3, il a été démontré la possibilité d’analyser en simultané plusieurs centaines

de composés grâce à la technologie Scout-MRM tout en facilitant le transfert de méthode entre
laboratoires grâce à l’indépendance aux variations en temps de rétention. L’optimisation de ce mode
d’acquisition en MRM a ainsi résolu la première problématique de ces travaux qui était de savoir
comment augmenter les capacités de multiplexage en LC-MS/MS sans sacrifier la robustesse de la
méthode. Concernant la problématique de réduction des effets matrices, tout en limitant les variations
biologiques, l’utilisation du spectromètre de masse seul ne sera pas suffisant. C’est pour cela que nous
avons envisagé d’optimiser l’étape de préparation d’échantillon en développant une extraction multi-
omique capable d’extraire simultanément les protéines, les lipides et les métabolites à partir d’une
prise d’essai unique.

160
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Chapitre 4 : Développement d'une méthode

d'extraction multi-omique en écotoxicologie

1. Contexte de l’étude
Le développement des sciences omiques a pris de l'importance dans toutes les facettes des sciences
de la vie, et notamment en écotoxicologie. En effet, l'approche omique introduit de nouveaux outils
pour analyser les impacts des contaminants sur un écosystème. Parmi les omiques, la protéomique est
une science qui analyse et quantifie l'abondance des protéines dans un organisme biologique en
réponse à des facteurs de stress externes tels que les maladies, l'exposition à des contaminants ou des
déséquilibres nutritionnels. Par rapport à la génomique, la protéomique peut fournir des informations
fonctionnelles puisque seule une quantité limitée d'ARNm est traduite en protéines [18]. Toutefois, les
protéines ne représentent pas l’ultime niveau de la cascade des omiques puisqu’il s’agit des
métabolites. Ainsi, pour établir un lien plus étroit avec les processus physiologiques fonctionnels, il
faut utiliser la métabolomique [304], qui est le domaine scientifique qui caractérise les biomolécules
endogènes et exogènes de faible poids moléculaire appelées métabolites (inférieur à 1 KDa) dans un
organisme. En effet, ces petites molécules sont dérivées des activités des protéines et sont essentielles
aux processus de régulation cellulaire. La lipidomique est une sous-discipline de la métabolomique qui
étudie plus spécifiquement les métabolites apolaires appelés lipides [18]. L'utilisation d'approches
omiques complémentaires (protéomique, métabolomique et lipidomique) améliore l’acquisition
d’informations essentielles en corrélant des données issues de plusieurs classes de molécules [24].
Cela assure une meilleure compréhension du phénotype exprimé grâce à des hypothèses fondées sur
des analyses multi-omiques fiables. Les données protéiques, lipidiques ou métaboliques peuvent
combler un manque d’information dans l’une de ces omiques pour valider ou non une hypothèse lors
d’une contamination environnementale [25].

La compréhension globale de l'impact des contaminants environnementaux et/ou de l'état de santé

des espèces sentinelles nécessite des interprétations complexes de variations moléculaires à des
niveaux multiples tels que le protéome, le métabolome et le lipidome. Les approches multi-omiques,
de par leur capacité à étudier un phénomène biologique dans son ensemble, ont la capacité
d'améliorer la compréhension du flux d'informations pour identifier et relier les réseaux moléculaires.
Ainsi, elles permettent de mieux prédire les résultats en écotoxicologie et de mieux comprendre les
aspects mécanistiques des effets chimiques [305,306]. Ces approches multi-omiques au sein de la
biologie des systèmes sont sous-exploitées dans le domaine de l'écotoxicologie, bien que l’acquisition

161
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

de données résultant de l'analyse d’une seule omique a été améliorée (analyse à haut débit, sensibilité,
répétabilité, etc.), ce qui rend les études multi-omiques réalisables. Cependant, comme l'ont
mentionné Robert Haas et al. [307], la combinaison d'ensembles de données issues d’une seule
omique s'est avérée jusqu'à présent être un défi, et la découverte de nouvelles informations
biologiques est en retard sur les attentes actuelles. L'une des raisons est que les expériences menées
dans différents laboratoires ne peuvent généralement pas être combinées sans restriction.
Deuxièmement, l'interprétation d'ensembles de données multi-omiques représente un défi important
par nature, car les ensembles de données biologiques sont hétérogènes, non seulement pour des
raisons techniques, mais aussi pour des raisons biologiques, chimiques et physiques [307]. Idéalement,
les protocoles d'extractions multi-omiques doivent être réalisés à partir d’un échantillon unique afin
de minimiser les variations interindividuelles. Cela permettra une meilleure corrélation des résultats,
car les réponses analytiques ne seront pas lissées par un ensemble de réplicats d’expositions destinées
à chacune des omiques. Les autres avantages de la mise en place d’une procédure d’extraction multi-
omique unique sont la réduction du coût des solvants, des consommables et du temps de manipulation
des échantillons [158], ce qui augmente les analyses à haut débit.

Dans ce 4ème chapitre sera décrite la procédure d'extraction multi-omique que nous avons développée
pour l'extraction simultanée de composés polaires (protéines, métabolites) et apolaires (lipides) à
partir d'un échantillon biologique unique. Le modèle d’étude, à partir duquel l’extraction multi-omique
a été développée, est l’espèce sentinelle G.fossarum. Il s’agit d’une espèce sensible à un large éventail
de polluants [193] qui a suscité un intérêt pour les études de biosurveillance basées sur les sciences
omiques au cours de la dernière décennie [65,168,198,215,216,227,308]. En effet, Gouveia et al. [168]
ont récemment mis en évidence le potentiel de cette espèce sentinelle pour les applications en
écotoxicoprotéomique [168]. Par exemple, les réponses moléculaires dues à une exposition aux
perturbateurs endocriniens [210,211] ou aux métaux [212] ont été rapportées et ont donné lieu à la
découverte de biomarqueurs potentiels liés à des processus physiologiques clés. La métabolomique a
également été utilisée pour étudier les changements moléculaires chez les gammares en réponse à
l'exposition aux produits pharmaceutiques pour l’identification d’altérations possibles des voies
métaboliques [66,235]. De plus, la composition lipidique chez le gammare femelle a été récemment
caractérisée, élargissant ainsi notre compréhension des changements biochimiques pendant le
développement embryonnaire [309].

Dans le but de prouver que notre méthodologie est capable de fournir une caractérisation exhaustive
d’un échantillon à un niveau multi-échelle, l’extraction multi-omique à partir d’un échantillon unique
a été appliquée pour l'étude des différents stades de reproduction de l'amphipode femelle G.

162
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

fossarum. Des analyses statistiques multivariées (PLS-DA) et factorielle multiple (AFM), ont été
utilisées pour l'intégration des données dans le but de différencier les différents stades.

Les résultats présentés dans ce chapitre sont issus de la publication intitulée « Development of a multi-
omics extraction method for ecotoxicology: in depth investigation of the reproductive cycle of G.
fossarum » soumis dans le journal Talanta.

2. Publication n°2
Development of a multi-omics extraction method for ecotoxicology:
in depth investigation of the reproductive cycle of Gammarus
fossarum

Julien Faugerea,1, Thomas Alexandre Bruneta,1, Yohann Clémenta, Anabelle Espeyteb, Olivier Geffardb,
Jérôme Lemoinea, Arnaud Chaumotb, Davide Degli-Espostib, Sophie Ayciriexa,1 and Arnaud Salvadora,1*

a
Université de Lyon, Université Claude Bernard Lyon 1, Institut des Sciences Analytiques, CNRS UMR
5280, 5 rue de la Doua, F-69100 Villeurbanne, France.

b
INRAE, UR RiverLy, Laboratoire d'écotoxicologie, F-69625 Villeurbanne, France

1
These authors contributed equally to this work

*
Correspondence may be addressed to [email protected]

2.1. Abstract
Omics study exemplified by proteomics, lipidomics or metabolomics, provides the opportunity to get
insight of the molecular modifications occurring in living organisms in response to contaminants or in
different physiological conditions. However, individual omics discloses only a single layer of
information leading to a partial image of the biological complexity. Multiplication of samples
preparation and processing can generate analytical variations resulting from several extractions and
instrumental runs. To get all the -omics information at the proteins, metabolites and lipids level coming
from a unique sample, a specific sample preparation must be optimized. In this study, we streamlined
a biphasic extraction procedure based on a MTBE/Methanol mixture to provide the simultaneous
extraction of polar (proteins, metabolites) and apolar compounds (lipids) for multi-omics analyses from
a unique biological sample by a liquid chromatography (LC)/mass spectrometry (MS)/MS-based
targeted approach. We applied the methodology for the study of female amphipod Gammarus
fossarum during the reproductive cycle. Multivariate data analyses including Partial Least Squares

163
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Discriminant Analysis and multiple factor analysis were applied for the integration of the multi-omics
data sets and highlighted molecular signatures, specific to the different stages.

Keywords

Proteomics, Lipidomics, Metabolomics, extraction, LC-MS/MS, multi-omics, data integration, Partial

Least Squares Discriminant Analysis (PLS-DA), Multiple Factor Analysis (MFA).

Highlights

x Optimization of MTBE/MeOH biphasic extraction procedure for multi-omics analysis

x The cuticles affect the extraction efficiency of proteins
x Application of the multi-omics protocol to characterize gammarid reproductive stage
x 152 proteins, 290 lipid species and 79 metabolites were monitored by MRM approach
x PLS-DA identified proteins, lipids, and metabolites changes along ovarian maturation
x MFA was applied for the unsupervised integration of the multi-omics data sets

2.2. Introduction
The development of omics technologies is gaining prominence in all aspects of life science, especially
in ecotoxicology. Indeed, omics give the opportunity to get a qualitative and quantitative overview of
the cellular processes and to monitor in a high throughput manner the molecular changes occurring in
living organisms in response to contaminants [6,18,216,304,310–312]. Among the omics panel in
ecotoxicology, proteomics is of particular interest since it involves large-scale study of proteins,
reflecting direct biological change of the organism’s response towards micro-pollutants toxicity
[310,313,314]. Applications of proteomics in ecotoxicology, also referred to Ecotoxicoproteomics,
were emphasized in several research studies performed mainly in aquatic species, establishing the
bases for new-generation proteomics in ecotoxicology [216]. Among the broad panel of sentinel
species used in aquatic ecotoxicology, freshwater amphipods, such as Gammarus fossarum or
Gammarus pulex, arouse interest in the last decade in biomonitoring studies. These organisms are
recognized species widely used to monitor aquatic pollution in proteomics research studies
[50,216,251,315–317]. Molecular responses to endocrine disruptor or metal exposures were reported
revealing potential protein biomarkers associated with key physiological processes [210,211,315,318].
Proteomics was successfully applied in field condition experiments to assess quickly and quantitatively
the health status of the animals by the simultaneous measurement of a set of proteins and for
physiological studies [86,216]. However, these studies revealed only a single layer of information
providing a skewed picture of the biological effects induced by different environmental conditions. To
gain in-depth insights into the functional physiological processes, a complete examination demands a
parallel coverage of a broad spectrum of molecules at other molecular levels such as metabolites and
164
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

lipids exemplified by metabolomics and lipidomics, respectively [198,227,319]. With the tremendous
progress and improvement of sample preparation and mass spectrometry methods, thousands of
proteins, metabolites, and lipids can be extracted and monitored [86,198,316]. However, various
sample collection, preparation and processing are usually required for single comprehensive -omics
study, leading to numerous caveats arising from the multiplication of experimental extractions and
instrumental run. Thus, it would be highly meaningful to get most information at the proteins,
metabolites and lipids level coming from the same sample. Multi-omics experiments settled from a
unique sample will drive to a better correlation of results as the analytical responses will not be
smoothed out by a mixture of samples. Other significant benefits are the conservation of critical
samples, reduction of organic solvents, consumables cost and the reduction of sample handling time
increasing the throughput of the analyses.

In ecotoxicoproteomics studies applied in wild organisms such as G. fossarum, the first step of sample
preparation is the homogenization of individuals for protein extraction in presence of lysis buffer
containing non-ionic detergent. A delipidation step employing ethanol/diethylether mixture (1/1, v:v)
is then performed to remove lipid interference prior to reduction/alkylation and tryptic digestion steps
[50,86,222,271,316]. This solvent combination has not been designed for lipid analysis but only for
their removal. In a multi-omics context, the lipid extraction step is a key step and must be optimized.
Several studies assessed the use of lipid extraction procedure based on chloroform/methanol
extraction derived from gold standard protocol such as Folch [143] or Bligh and Dyer [320] recipes, or
methyl-tert-butyl ether (MTBE)/methanol mixture [145] to perform multi-omics analysis from a unique
biological sample [158,159,321]. The core principle relies on the analysis of the three layers obtained
from these biphasic organic extractions: the organic phase (apolar metabolites, mostly lipids), the
aqueous phase (polar metabolites) and the non-extractable insoluble matrix (precipitated proteins,
DNA, and RNA). In the Folch or Bligh and Dyer procedure, a chloroform/methanol mixture is
supplemented to samples resuspended in water or aqueous buffer, or directly to sample that contain
enough water content like biofluids for instance [143,320]. In this two-phase partitioning system, the
lipids and hydrophobic metabolites are mostly enriched in the lower organic phase because of the
higher density of chloroform; the hydrophilic metabolites are contained in the upper aqueous phase.
The interphase composed of a precipitated protein disk separates the two layers. The major bottleneck
of the protocol resides in the collection of the chloroform fraction through the disk interphase that can
eventually pollute the lower organic fraction of insoluble compounds. Conversely, the MTBE protocol
is a simple and quick procedure in which the organic phase forms the upper layer because of the low-
density of the MTBE solvent [145]. The collection of lipid extracts is greatly streamlined, and drip losses
are reduced.

165
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Since this extraction is adapted for high throughput analysis, we rationalized the MTBE procedure
including the homogenization step conditions to provide the simultaneous extraction of proteins,
metabolites, and lipids for ensuing multi-omics analyses from unique gammarid sample. As a case
study, we integrated proteomics, lipidomics, and metabolomics analyses in the study of the
reproductive cycles of female G. fossarum, using a liquid chromatography (LC)/mass spectrometry
(MS)/MS-based targeted approach. Multivariate data analysis including unsupervised analysis
(Principal Component Analysis, PCA) and supervised classification method (Partial Least Squares
Discriminant Analysis, PLS-DA) were applied and highlighted molecular signatures specific to
reproductive stages. Finally, a multiple factor analysis was applied for the integration of the multi-
omics data sets to identify the link between the different biological features.

2.3. Materials and methods

2.3.1. Reagents and chemicals

Water, acetonitrile (ACN) methanol (MeOH), isopropanol (IPA) solvents, ethylic ether and trypsin
(TPCK-treated from bovine pancreas) were obtained from Fisher Scientific (LC-MS grade, Strasbourg,
France). EDTA, Trizma® hydrochloride, sodium hydroxide, glycerol, Triton X-100, iodoacetamide,
ammonium formate, dichloromethane (DCM), tert-Butyl methyl ether (MTBE), dithiothreitol, formic
acid (FA), sodium chloride, aprotinin, ammonium bicarbonate, and leupeptin hydrochloride were
obtained from Sigma Aldrich (St Quentin-Fallavier, France). Absolute ethanol was obtained from
CARLO ERBA (Val de Reuil, France). Isotopically labelled peptides containing either a C-terminal [15N2
and 13C6] lysine or arginine were synthesized by Thermo Fisher Scientific (purity > 97 %) and stored at
-20°C until use. Isotopically labelled lipids were obtained from Sigma Aldrich (St Quentin-Fallavier,
France, purity > 99%). Splash® lipidomix® mass spec standard, 1,2-diundecanoyl-sn-glycero-3-
phosphocholine (11:0/11:0 PC), 1-tridecanoyl-sn-glycero-3-phosphocholine (LPC 13:0), 1-dodecanoyl-
2-tridecanoyl-sn-glycero-3-phosphoethanolamine (12:0/13:0 PE), 1-dodecanoyl-2-tridecanoyl-sn-
glycero-3-phospho-(1ʹ-rac-glycerol) (12:0/13:0 PG), 1-dodecanoyl-2-tridecanoyl-sn-glycero-3-
phospho-L-serine (12:0/13:0 PS), 1-heptadecanoyl-2-(9Z-tetradecenoyl)-sn-glycero-3-phospho-(1ʹ-
myo-inositol) (17:0/14:1 PI), 1,3-diheptadecanoyl-glycerol (d5) (17:0/17:0-d5 DG), N-lauroyl-D-
erythro-sphingosine (Cer d18:1/12:0), N-oleoyl(d9)-D-erythro-sphingosylphosphorylcholine (SM
d18:1/18:1-d9), 1,3(d5)-diheptadecanoyl-2-(10Z-heptadecenoyl)-glycerol (17:0/17:1/17:0-d5 TG),
1,3(d5)-dipentadecanoyl-2-(9Z-octadecenoyl)-glycerol (15:0/18:1/15:0-d5 TG) were obtained from
Sigma Aldrich (St Quentin-Fallavier, France). Albumin from human serum (purity > 96 %) and Bradford
reagent were obtained from Sigma Aldrich (St Quentin-Fallavier, France). Standard metabolites such
as amino acids, nucleosides, nucleotides, sugars, amines, and organic acids were obtained from Sigma
Aldrich (St Quentin-Fallavier, France, purity > 90-99%). QReSS kit containing labelled metabolites
166
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

(stable isotope-labelled molecules), deuterated L-arginine (4,4,5,5-d4, purity 97%) and L-serine (2,3,3-
d3, purity 98%) were obtained from Cambridge Isotope Laboratories Inc. (Tewksbury, Massachusetts,
USA).

2.3.2. Biological sample collection

Collection and maintenance of G. fossarum organisms used for this study were performed according
to previous published works [86,198,216]. Briefly, female gammarids were collected and kept in 30L
tanks supplied with continuous drilled groundwater under constant aeration and without food supply.
The temperature was kept at 12±1°C. After 24h, female gammarids were sorted out at specific
reproductive stages according to morphological criteria (n=5 per stage): A/B, C1, C2, D1 and D2 stages
[195]. All the organisms were washed with deionized water, weighted, snap freezing in liquid nitrogen
and stored at -80°C until use.

2.3.3. Evaluation of homogenization conditions

Different conditions were tested to evaluate the best homogenization procedure. The homogenization
step was performed either in presence of methanol, lysis buffer with or without a centrifugation step,
prior to lipid extraction with MTBE/MeOH.

Entire adult gammarids (n=20, ~0,55 g of crude homogenate) were grinded without solvent with one
stainless steel bead (Ø 4 mm) and sample tubes were transferred on ice.

Methanol - crude homogenate (~28 mg) were homogenized with 360 μL of cold methanol with one
steel bead per organism (Ø 4 mm).

Lysis buffer without centrifugation – crude homogenates (~28 mg) were homogenized in 300 μL of lysis
buffer (Tris HCl 50 mM, 1mM EDTA, Triton X-100 0.1%, 100 mM NaCl, 10 μg/mL leupeptin and
aprotinin, pH adjusted to 7.8) with one steel bead per organism (Ø 4 mm).

Lysis buffer with centrifugation – crude homogenates (~28 mg) were homogenized in 600 μL of lysis
buffer (Tris HCl 50 mM, 1mM EDTA, Triton X-100 0.1%, 100 mM NaCl, 10 μg/mL leupeptin and
aprotinin, pH adjusted to 7.8) with one steel bead per organism (Ø 4 mm). The homogenate was
centrifuged at 10,000 g at 4°C during 15 min and 300 μL of the supernatant was used for the two-step
extraction with MTBE/MeOH.

For all the conditions, cold MeOH or cold water was added to have a final volume of 660 μL MeOH/H2O
with a ratio of 2:1.6 (v/v). The samples were agitated for 10 min at 4°C. 1 200 μL of MTBE were added
to all the samples and mixed for 10 min at 4°C. After centrifugation at 10 000 g during 5 min at 4°C,
the different fractions were prepared as described below.
167
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Lipid analysis - 1 260 μL of the upper organic phase were collected, dried under nitrogen flow.

The dried lipid film was resuspended with 20 μL of DCM/MeOH (1:1, v/v) and afterwards with 180 μL
of IPA/ACN/H2O (2:1:1, v/v/v). Lipid-containing fractions were diluted 20-fold for negative ion mode
and 200-fold for positive ion mode with IPA/ACN/H2O (2:1:1, v/v/v). For the tested condition (lysis
buffer with centrifugation), the lipid—containing fractions were diluted 10-fold for negative ion mode
and 100-fold for positive ion mode with IPA/ACN/H2O (2:1:1, v/v/v).

Metabolites analysis - 200 μl of lower phase (aqueous) were collected and diluted 12.3-fold with
H2O/ACN (10:90, v/v) prior to LC-MS/MS analysis. For the tested condition (lysis buffer with
centrifugation), metabolite-containing fractions were diluted 6.15-fold with H2O/ACN (10:90, v/v)
prior to LC-MS/MS analysis.

Protein analysis - the pellet was resuspended in 250 μL of Tris buffer (Tris HCl 50 mM, 1mM EDTA, 100
mM NaCl, pH adjusted to 7.8, supplemented with leupeptin and aprotinin at 10 μg/mL). For the tested
condition (methanol and lysis buffer with centrifugation), half of the protein extract was recovered in
Tris buffer to perform the protein digestion step and the rest of the proteomics protocol. For the tested
condition (lysis buffer without centrifugation), the totality of the protein extract was kept for
proteomics.

2.3.4. Reference protocol for proteomics sample preparation

Proteins from whole gammarids were extracted according to previous published works [50,86,237].
After a SPE clean-up and evaporation, sample was resuspended with 90 μL of a H2O/ACN mixture
(90:10, v/v) with 0.5% FA, and centrifuged at 12 000 rpm for 5 min at RT, before the LC-MS/MS analysis.

2.3.5. Evaluation of protein fraction after dual protein precipitation procedure

After MTBE/MeOH, the upper organic phase was removed. 1200 μL of cold MeOH were added to the
remaining lower phase to get a ratio of 4:1 (v/v) MeOH/H2O and the samples were incubated for 1h
at -20°C. Samples were centrifuged at 10 000g during 12 min at 4°C. The supernatant was removed.
The remaining pellet was solubilized with 250 μL of Tris buffer (Tris HCl 50 mM, 1mM EDTA, 100 mM
NaCl, pH adjusted to 7.8) for further proteomics experiments (protein-containing fraction) as
previously mentioned.

2.3.6. Reference protocol for metabolomics sample preparation

A single gammarid was homogenized with 800 μL of cold MeOH/H2O (9:1, v/v) with one stainless steel
bead (Ø 4 mm) during two cycles (4 m/s for 25 sec) [66]. After a centrifugation step (13 300g, 25 min,
4°C), the supernatant was diluted 5-fold before injection.

168
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

2.3.7. Recovery and repeatability evaluation during multi-omics extraction

procedure
Recovery and repeatability during the multi-omics extraction step was evaluated. Gammarids
homogenate (32,5 μL) were spiked with 2 μL of the metabolomics QReSS™ Kit to obtain a 100-fold
dilution factor before MTBE/MeOH extraction (n=5).

‫ܧܮܮ݁ݎ݋݂ܾ݁݀݀ܽܽ݁ݎܽܦܶܵܫ‬
ܴ݁ܿ‫ݕݎ݁ݒ݋‬ሺΨሻ ൌ ሺ ሻ ൈ ͳͲͲ
‫ܧܮܮݎ݁ݐ݂ܽ݀݀ܽܽ݁ݎܽܦܶܵܫ‬
Repeatability was evaluated during the extraction, and the MS measurement by the analysis of
independent samples from the same gammarid pool (n=15 for metabolite, n=7 for protein, n=10 for
lipid). Endogenous peptides, lipids and metabolites were monitored. For lipid analysis, one
representative lipid standard per lipid class from an internal standards mix (PC 11:0/11:0, LPC 13:0, PE
12:0/13:0, PG 12:0/13:0, PS 12:0/13:0, PI 17:0/14:1, DG 17:0/17:0-d5, TG 17:0/17:1/17:0-d5, Cer
d18:1/12:0 and SM d18:1/18:1-d9) was added to the sample before the extraction step.

2.3.8. Multi-omics extraction procedure for the biological application

Gammarids were homogenized in 600 μL of lysis buffer (Tris HCl 50 mM, 1mM EDTA, Triton X-100 0.1%,
100 mM NaCl, 10μg/mL leupeptin and aprotinin, pH adjusted to 7.8) with one steel bead per organism
(Ø 4 mm). Protein determination assay from the homogenates was performed with BCA protein assay.
The homogenate was centrifuged at 10 000 g at 4°C during 15 min and 300 μL of the supernatant was
used for the liquid-liquid extraction step (MTBE/MeOH). 360 μL of cold MeOH and 5 μL of deuterated
L-serine (120 μg/mL), deuterated L-arginine (6,4 mg/mL) and PC 11:0/11:0-d5 (40 μg/mL) were added
and the sample was mixed for 1h at 4°C. Then, 1 200μL of cold MTBE were added and the sample was
mixed for 10 min at 4°C. After centrifugation at 10 000 g during 5 min at 4°C, 1 260 μL of the upper
organic phase were collected dried under nitrogen flow, resuspended with 20 μL of DCM/MeOH (1:1,
v/v) and afterwards with 180 μL of IPA/ACN/H2O (2:1:1, v/v/v). Lipid-containing fractions were diluted
10-fold for negative ion mode and 100-fold for positive ion mode with IPA/ACN/H2O (2:1:1, v/v/v).

For metabolites analysis, 200 μL of lower phase (aqueous) were collected and diluted 6.15-fold with
H2O/ACN (10:90, v/v) prior to LC-MS/MS analysis.

For protein analysis, the pellet was resuspended in 250 μL of Tris buffer (Tris HCl 50 mM, 1mM EDTA,
100 mM NaCl, pH adjusted to 7.8, supplemented with leupeptin and aprotinin at 10 μg/mL). Proteins
were chemically modified (reduction and alkylation) according to previous published works
[50,86,237]. After tryptic digestion, 10 μL of heavy labelled peptides from a stock solution of 4 μg/mL
were added. After SPE clean-up, samples were resuspended with 90 μL of a H2O/ACN (90:10, v/v) with
0.5% FA, and centrifuged at 12 000 rpm for 5 min at room temperature [86].
169
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

2.3.9. Liquid chromatography - Multiple Reaction Monitoring- mass spectrometry

(LC-MRM-MS)
For protein analysis, LC-MS/MS analysis was performed on a 6495B Triple Quad LC/MS equipped with
a Jet Stream Technology ion source coupled to a 1290 Infinity II series HPLC device (Agilent
Technologies, Waldbronn, Germany). The LC separation was carried out on an Xbridge C18 column
(100 mm x 2.1 mm, particle size 3.5 μm) from Waters (Milford, MA, USA) with an injection volume of
20 μL. Elution was performed at a flow rate of 300 μL/min with H2O containing 0.1% formic acid as
eluent A and ACN containing 0.1% formic acid as eluent B, employing an isocratic gradient from the
beginning at 5% B for 2 min, followed by a linear gradient from 5% B to 35% B in 36 min. Column was
washed at 100% B for 5 min and re-equilibrated at 5% B for 5 min. The injection duty cycle was 48 min,
considering the column equilibration time. During the analysis, the column is heated to 40°C.
Processing, data acquisition and instrument control were performed using MassHunter software®. MS
analysis was performed in positive ionization mode using a capillary voltage of 4500 V and a nozzle
voltage of 0V. The iFunnel parameters, high- and low-pressure RF were set to 145 V and 115 V
respectively. The nebulizer was set at 40 psi. The gas flow and the sheath gas flow were set at 17 and
12 L/min respectively using nitrogen. The gas temperature and the sheath gas temperature were set
at 210°C and 250°C respectively. The acquisition mode is the dynamic MRM mode with time windows
between 2 and 4.57 min. The mass-to-charge ratio in Q1 and Q3 as well as the collision energy (CE)
values were predicted using Skyline for endogenous peptides. The duty cycle is set at 1.5 s to get ten
data points per chromatographic peak for each MRM transition.

For lipid analysis, LC-MS/MS analysis was performed on a QTRAP® 5500 LC-MS/MS System hybrid triple
quadrupole/linear ion trap mass spectrometer (Sciex) equipped with a Turbo V™ ion source coupled
to an 1290 series HPLC device (Agilent Technologies, Waldbronn, Germany). The LC separation was
carried out on an XSelect CSH C18 column (100 mm × 2.1 mm, particle size 3.5 μm) with an injection
volume of 5 μL (Waters, Milford, MA, USA). Elution was performed at a flow rate of 500 μL/min with
H2O/ACN (60:40, v/v) containing 0.1 mM of ammonium formate and 0.1% formic acid as eluent A and
IPA/ACN/H2O (90:9.5:0.5, v/v/v) containing 10 mM of ammonium formate and 0.1% formic acid as
eluent B, employing a linear gradient from 1% B to 100% B in 24 min. Column was washed at 100% B
for 2 min and re-equilibrated at 1% B for 3 min. Taking into consideration the column equilibration
time, the injection duty cycle was 30 min. The column was heated to 70°C. MS analysis was performed
in positive ionization mode using an ion spray voltage of 5500 V and in negative ionization mode using
an ion spray voltage of -4500 V. The nebulizer and the curtain gas flow were set at 25 and 50 psi
respectively using nitrogen. The TurboV™ ion source was set at 450°C with the auxiliary gas flow
(nitrogen) set at 40 psi. The mass in Q1 and Q3 as well as the declustering potential (DP) and the

170
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

collision energy (CE) values have been optimized by direct infusion into the mass spectrometer carried
out from Splash® Lipidomics®. The duty cycle is set at 1s to get 15 data points per chromatographic
peak for each MRM transition.

For metabolite analysis, LC-MS/MS analysis was performed on a QTRAP® 5500 LC-MS/MS System
hybrid triple quadrupole/linear ion trap mass spectrometer (Sciex) equipped with a Turbo V™ ion
source coupled to an 1290 series HPLC device (Agilent Technologies, Waldbronn, Germany). The LC
separation was carried out on an XBridge BEH amide column (100 mm × 2.1 mm, particle size 2.5 μm;
Waters) with an injection volume of 5 μL in ESI+ and 10 μL in ESI-. Elution was performed at a flow rate
of 300 μL/min with H2O containing 10 mM of ammonium formate and 0.15% formic acid as eluent A
and ACN:H2O (90:10, v/v) containing 10 mM of ammonium formate and 0.15% formic acid as eluent
B, employing a linear gradient from 0% A to 55.6% A in 11 min. Column was washed at 55.6% A for 2
min and re-equilibrated at 1% B for 6 min. Taking into account the column equilibration time (4 min),
the injection duty cycle was 23 min. MS analysis was performed in positive ionization mode using an
ion spray voltage of 5500 V and in negative ionization mode using an ion spray voltage of -4500 V. The
nebulizer and the curtain gas flow were set at 25 and 50 psi respectively using nitrogen. The TurboV™
ion source was set at 450 °C with the auxiliary gas flow (nitrogen) set at 40 psi. Scheduled MRM mode
was performed with time windows of 4 min in positive mode and 6 min in negative mode. The duty
cycle is set at 0,8 s to get twelve points per chromatographic peak for each MRM transition. Processing,
data acquisition and instrument control were performed using Analyst 1.6.3 software®.

2.3.10. Data analysis

MRM data processing for lipid and metabolites analyses were performed with MultiQuant™ analysis
software (vs 2.1.1., Sciex). Targeted proteomics data were processed with MassHunter Quantitative
Analysis software (vs B.09.00, Agilent).

Data were analyzed using function on ropls package for statistical analyses under R program [322].
Principal Components Analyses (PCA) were performed an all samples from the different omics dataset
to visualize difference among the different sample condition. For data normalization, EigenMS was
used [323]. Models were calculated using Partial Least Square Discriminant Analysis (PLS-DA). Variable
selection was performed using VIP scores and S-plot. Statistical significance of models was assessed
using confusion matrix and by permuting the validation set. Significance of variables was calculated by
multiple testing correction of the p-values (Benjamini-Hochberg False Discovery Rate). Multiple Factor
Analysis (MFA) was applied to all the matrices to determine the differences and similarities between
the groups, the variables, and individuals. MFA was performed using the R package FactoMineR.

171
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

2.4. Results and discussion

To routinely perform multi-omics analysis in sentinel species widely used in ecotoxicology
experiments, we evaluated and adapted the two-step liquid-liquid extraction protocol using
MTBE/MeOH mixture, commonly used in lipidomics, to analyse the proteins, lipids, and metabolites
fraction in a sentinel species G. fossarum. In this procedure, we carefully examined and optimized
crucial step including homogenization step to extract the maximum of proteins, lipids, and metabolites
in the presence or not of gammarid exoskeleton.

2.4.1. Comparison of protein extraction methods

One crucial point to evaluate in the multi-omics protocol is firstly the homogenization step and more
specifically the protein extraction condition. Indeed, gammarids are crustacean amphipods protected
by an exoskeleton composed of complex polysaccharide called chitin, and calcium. This exoskeleton
confers hardness properties requiring the use of mechanical disruption and buffer containing
detergent. After mechanical disruption, cuticle residues are mixed in the grinding raw materials and
can interfere with proteins after their denaturation and precipitation with organic solvents.

We investigated three conditions prior to the two-step lipid extraction protocol (MeOH/MTBE/H20)
(Figure n°79). Gammarids were homogenized directly (i) in presence of methanol (MeOH) or (ii) in a
lysis buffer supplemented with a non-ionic detergent with or without a centrifugation step prior to
lipid extraction procedure. MeOH is an amphiprotic solvent commonly used for lipids and metabolites
extraction [320,322]. The lysis buffer is composed of Tris buffer supplemented with Triton X-100 largely
used in proteomics sample preparation [50,86,222,271,316]. In presence of MeOH during the
homogenization step, the proteins are denatured, precipitate and thus mixed with non-solubilized
residues. We have evaluated the impact of keeping or removing the cuticle residues on the molecules
(proteins, lipids, metabolites) yield (Figure n°79).

172
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Figure 79 : Workflow of the different proteins, lipids, and metabolites extraction conditions from Gammarus fossarum.
The first condition corresponds to the gammarid homogenization with methanol (A), followed by water and MTBE extraction
(two-step lipid extraction). The second condition corresponds to the sample homogenization with lysis buffer (B) followed by
the addition of MTBE and methanol. The last condition (C) corresponds to the homogenization of the organism in lysis buffer
followed by a centrifugation step prior to lipid extraction (MTBE/MeOH).

At the end of the three conditions, the protein fraction was firstly analyzed using a liquid
chromatography/mass spectrometry (MS)/MS-based targeted proteomics method corresponding to
the selective monitoring of 263 reporter peptides corresponding to 152 proteins of gammarids that
have been validated in previous studies [50,86,222]. As shown in the heat map obtained from the
peptide areas comparison (Figure n°80), the sample homogenization in a lysis buffer including a
centrifugation step produced better results for protein extraction which is reflected by the number of
monitored peptides. A poor extraction condition was noticed with the use of methanol and lysis buffer
without centrifugation step (Appendix n°6). For only 10% of the reporter peptides, the sample
homogenization in lysis buffer including a centrifugation step appeared to be less efficient for protein
extraction (Appendix n°6). For 17% of the reporter peptides, this protocol allowed the extraction up to
5 times more reporter peptides and in consequence more proteins. In 73% of cases, the area ratio was
greater than 5, and this ratio exceeded a factor of 50 in 18% of the cases. As expected, methanol is not
the most efficient method as it precipitates the proteins together with cell residues including
exoskeleton.

173
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Figure 80 : Heatmap view of peptides monitored by Scheduled-MRM according to the different protein extraction
conditions: (A) methanol (MeOH), lysis buffer including (C) or not a centrifugation step after the extraction (B). Yellow color
indicates a higher abundance level. Dark blue indicates a lower abundance level. Displayed data are log10 transformed. Three
biological replicate per condition have been analyzed. The monitored peptides are listed on the right.

174
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

For efficient protein extraction, the centrifugation step is required to get rid of gammarid residues or
insoluble materials and for a better solubilization of proteins. A prolonged agitation didn’t help to
extract more proteins. In conclusion, the procedure with lysis buffer together with a centrifugation
step was preferred. The impact of this procedure on the main gammarid lipid class was further
evaluated.

2.4.2. Evaluation of homogenization condition on lipids

Targeted LC-MS/MS analysis in positive and negative ionization mode was performed on the organic
phase (lipid fraction) to evaluate the best condition for lipid extraction recovery. The main lipid classes
i.e. phosphatidylcholine (PC), phosphatidylethanolamine (PE), lysophosphatidylcholine (LPC),
lysophosphatidylethanolamine (LPE), phosphatidylinositol (PI), phosphatidylserine (PS),
sphingomyelin (SM), diacylglycerol (DG), triacylglycerol (TG) were targeted by Scheduled-MRM
including 290 lipid species (429 MRM transitions in positive ion mode and 294 MRM transitions in
negative ion mode) based on their different fatty acid moieties or polar head group. The list has been
established based on shotgun lipidomics data [198]. As illustrated in figure n°81, the following species
PC 34:2, PI 38:5, PE 36:2, PS 38:6, SM 36:1 as well as DG 38:6 were similarly extracted regardless the
homogenization conditions. This result was representative of the studied lipid species within a given
class.

Figure 81 : Comparison of the homogenization conditions on the lipid extraction yield. After homogenization of entire
gammarids in methanol, lysis buffer with or without centrifugation, lipids were extracted according to the MTBE/MeOH
protocol. The reconstituted lipid extracts were analyzed by LC-MS/MS (scheduled-MRM acquisition mode) and peak area for
each lipid species was extracted. Data were expressed as % peak area ratio.

Unsurprisingly, methanol proved to be suitable for lipids solubilization. The lysis buffer containing
Triton X-100 improved the extraction of lysophospholipids (LPC 18:1, LPE 18:1). However, a slight
decrease was observed when the lipid extraction was performed on a clear homogenate without chitin
residues. Higher amount of triacylglycerols (TG 54:5) was recovered after homogenization in lysis
buffer followed by a centrifugation step. To verify this observation, synthetic lipid standards mix
containing PC 22:0 (PC 11:0/11:0) and TG 51:1-d5 (TG 17:0/17:1/17:0-d5) were spiked to the gammarid
175
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

homogenates in presence or absence of gammarid residues after the MTBE/MeOH extraction process
(Appendix n°7). Our assumption is that during the liquid-liquid extraction, TG species can adsorb onto
the cuticle residues leading to bad recovery. No significant signal variation was observed for PC
standard. On the contrary, the signal of the synthetic TG standard and the TG lipid species was
increased.

2.4.3. Evaluation of the metabolite fraction

We further explore the homogenization conditions on the analysis of the metabolite fraction (aqueous
phase). 79 endogenous metabolites including labelled metabolites were specifically targeted in
positive (247 MRM transitions) and negative (108 MRM transitions) ion mode, representing 10
categories of metabolites (Appendix n°8). 76 metabolites were detected among the samples.
Depending on their physicochemical properties, some metabolites were efficiently extracted with
MeOH or lysis buffer. About 47% of metabolites corresponding to polar metabolites such as
acylcarnitine, amines, amino acids, indoles, nucleotides, and nucleosides, were more abundant in lysis
buffer with a centrifugation step. Methanol and lysis buffer without centrifugation procedure
exhibited extraction efficiency for about 32% and 21%, respectively. Concerning methanol extraction,
32% corresponded to apolar metabolites: fatty acids, carbohydrates, vitamins, and some low polar
amines, amino acids and nucleotides/nucleosides. The signal decrease for 21% of the metabolites in
favor of the protocol without centrifugation, that can be solely due to the additional centrifugation
step where some of the compounds are lost when the gammarid residues are removed. We can
speculate that some metabolites were adsorbed on the chitin surface.

A more detailed comparison (Figure n°82) between methanol and lysis buffer with centrifugation
condition showed that the procedure with methanol is significantly better for only 24% of the
metabolites (gain > 20%). Whereas for 76% of the metabolites, the extraction is similar (31%) or higher
(45%) regarding the lysis buffer with centrifugation procedure. 88% of the metabolites were recovered
in the lysis buffer condition including or not a centrifugation step. Only 12 % of metabolites were
affected by the presence of the residues. From these results and the conclusion drawn on the proteins
and lipids data, the lysis buffer condition including a centrifugation step before the two-step
extraction, was retained for the rest of the study.

176
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Figure 82 : Comparison of protocol “lysis buffer with centrifugation” (C) versus protocol “MeOH” (A) and “lysis buffer
without centrifugation” (B) in metabolite analysis.

2.4.4. Comparison of multi-omics extraction method versus single omics

To explore whether the biphasic extraction procedure based on a MTBE/MeOH mixture was
compatible with proteins and metabolites analyses applied on G. fossarum, we compared classical
protocols that we used routinely for proteomics and metabolomics with MTBE/MeOH multi-omics
procedure.

2.4.4.A. Protein’s fraction

We measured the concentration of total proteins after MTBE/MeOH extraction and our reference
protocol used for proteomics, using a dye-binding method based on Bradford assay. Briefly, after
protein extraction with lysis buffer containing Triton X-100, a delipidation step with
ethanol/diethylether mixture (1:1, v/v) is usually performed before denaturation, cysteine reduction
and alkylation, and tryptic digestion. The composition solvent mixture is not optimal for accurate lipid
analysis but only for rough lipid elimination.

1.78 mg/mL of total protein was estimated in the reference protocol compared to 1.32 mg/mL with
the MTBE/MeOH extraction, corresponding to approximately 26% less proteins than the reference
(Appendix n°9).

Although the amount of protein extracted is lower, a precise inspection is mandatory at the peptide
levels. Indeed, the biphasic extraction process with MTBE/MeOH is more advanced reducing matrix
effects and interference. We performed the extraction and analysis on the same pool of gammarid
samples with both protocols, with the same scheduled-MRM analysis as aforementioned. The results
indicated that 49% of the peptides areas didn’t show any significant area variation between both
protocols (± 20%) (Figure n°83 A). For 31% of peptides, a decrease of the signal variation was between
177
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

20 and 30%. For 15% of peptides, the signal decrease ranged from 30 and 50%. Only 5% of peptides
exhibited a decrease of the signal by a factor 2 (> 50%) using MTBE/MeOH mixture (Figure n°83 A).

Signal variation (%)

Signal variation (%)

Figure 83 : Signal variations of peptides by LC-MS/MS when switching from the classical proteomic protocol to the multi-
omic protocol. The purple curve indicates the cumulative % of peptide. (A) multi-omic vs classical proteomic. (B) multi-omic
with dual precipitation vs classical proteomic.

To improve the amount of protein extracted, a second precipitation step with methanol was evaluated.
Briefly, after the organic phase extraction, cold methanol was added to a final ratio of MeOH/H2O (4:1,
v/v) and allowed a precipitation step during 1h at -20°C. The methanolic phase was centrifuged,
evaporated for at least 5h and used for metabolites analysis. A total protein amount of 1.57 mg/mL
was measured (12% less than our classical proteomics protocol). As reported in figure n°83 B, we
observed that 79% of peptide exhibited similar or higher area. The gain in signal areas was not
negligible since 37% of peptides exhibited a signal increase between 20% and 500% compared to our
conventional protocol. The dual precipitation procedure together with MTBE/MeOH seems to

178
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

eliminate more interferences probably due to a more efficiency extraction of apolar compounds,
alleviating matrix effects during electrospray ionization. Since additional precipitation step followed
by sample evaporation lengthens the procedure, we did not pursue in this study.

Even if less proteins were extracted with MTBE/MeOH extraction protocol in comparison to the
classical proteomics sample preparation, multi-omics procedure remains suitable for high throughput
proteins analysis.

2.4.4.B. Metabolite’s fraction

Likewise, we evaluated the influence of the multi-omics protocol on the metabolite’s extraction.

Depending on their polarities and partition coefficient, some of the targeted metabolites could
distribute between the aqueous phase and the organic phase. To verify this hypothesis, labelled
metabolites with different polarities were added before or after the extraction step. The recoveries
results are presented in table n°12. Except, for two metabolites (Thymine 15N2 and Vitamin B3 13C6),
the yields are satisfactory.

Intraday precision Recovery

Metabolite Metabolite chemical class (HMDB/KEGG) LogP
(RSD %) (RSD %)
Ethanolamine D4 Amines and derivatives 17 98 -1,31
13
Putrescine C4 Amines and derivatives 18 109 -0,70
Alanine 13C3 Amino acids, derivatives and peptides 16 76 -2,85
Creatinine D3 Amino acids, derivatives and peptides 3 86 -1,76
13
Leucine C6 Amino acids, derivatives and peptides 7 81 -1,52
Phenylalanine 13C6 Amino acids, derivatives and peptides 3 76 -1,38
13
Tryptophan C11 Amino acids, derivatives and peptides 5 62 -1,05
Tyrosine 13C6 Amino acids, derivatives and peptides 8 82 -2,26
Indole-3-acetic acid
13
Indoles and derivatives 7 116 1,41
C6
Guanosine 15N5 Nucleotides, nucleosides and derivatives 18 89 -1,90
13
Hypoxanthine C5 Nucleotides, nucleosides and derivatives 4 61 -1,11
Thymine 15N2 Nucleotides, nucleosides and derivatives 5 40 -1,00
13
Vitamin B3 C6 Vitamins and derivatives 4 42 -0,40

Tableau 12 : Evaluation of QRESS metabolites recovery and extraction efficiency. RSD, Relative Standard Deviation. HMDB,
Human Metabolome Data Base. KEGG, KEGG compound database.

As previously described, the same pool of gammarids was used and extracted either with the multi-
omics protocol or the classical metabolomics protocol. 76 metabolites were detected and certified by
LC-MS/MS criteria. 72% of the metabolites exhibited equal or higher peak area with the MTBE/MeOH
protocol (Figure n° 84). Among the metabolites showing an increased signal, 37% of them pointed an
increase of at least 50% to over 200% for 13% of them. Only 28 % showed a significant decrease in
intensity (more than 20%) with only 5% of them displaying a decrease between 50% and 80%.

179
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Regardless of these results, less intense compounds were still measurable such as 6-phosphogluconic
acid and docosahexaenoic acid which exhibited the most significant loss (approximately ~33-fold
decrease). On the other hand, the sensitivity was increased for a significant number of metabolites
such as serine, anserine and arginine which exhibited 6 to 9-fold increase. For less intense metabolites,
our procedure will not completely supplant classical metabolomics extraction. However, this multi-
omics protocol allows the collection of a relevant metabolomics profiles along with the proteomics
and lipidomics ones from the same biological sample.

Figure 84 : Signal variations of metabolites by LC-MS/MS when switching from the classical metabolomic protocol to the
multi-omic protocol. The purple curve indicates the cumulative % of metabolites.

2.4.5. Repeatability

Assessing the repeatability of the whole analytical workflow (extraction, MS measurement) is a critical
first step for improving the reliability of downstream analyses of targeted multi-omics experiments.
The repeatability was evaluated by evaluating independent samples from the same pool of gammarids
performed and using endogenous peptides, lipids, and metabolites from G. fossarum (Figure n°85). In
the case of lipids, only one synthetic lipid standard per lipid class was added before the extraction step.
As shown in figure n°85, the repeatability of most of the MRM transitions for peptides, lipids and
metabolites were categorized acceptable since the % RSD is less than 20%. When the criterion is not
met, the MRM transitions areas with RSD > 20% were considered as qualifier and not quantifier
transition. These MRM transitions are more easily interfered and therefore more difficult to integrate.

180
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Figure 85 : Evaluation of repeatability by the measurement of endogenous peptides (A), lipids (B), and metabolites (C) from
G. fossarum.

2.4.6. Multi-omics method application

We investigated our multi-omics procedure to observe molecular differences during the reproductive
stage of female gammarids. The general sequence of reproductive events in G. fossarum is well known
and has been described by Geffard et al. [195]. Briefly, the reproductive and molting cycles in female
gammarids are closely synchronized [194–196]. Six molt stages defined as postmolt (A, B), intermolt
(C1, C2), and premolt (D1, D2) have been characterized. After sample collection of female gammarids
at specific reproductive cycle, we applied our multi-omics procedure followed by targeted proteomics,
lipidomics and metabolomics LC-ESI-MS/MS analysis (scheduled-MRM approach).

The omics data sets were processed under R using the ropls package for the multivariate data analysis.
Before establishing quantitative model using Partial Least Square Discriminant Analysis (PLS-DA),
descriptive method like Principal Component Analysis (PCA) was used to get information among
samples such as sample clustering, differences, or outliers. As depicted by figure n°86, four PCA score
plots were obtained by the different omics data sets. For proteomics, the PCA score plot revealed five
clusters corresponding to the separation of the different A/B, C1, C2, D1 and D2 stages. Same trends
were obtained for ESI(+) in lipidomics and ESI(-) in lipidomics and metabolomics. No striking differences
among groups AB versus D2, have been obtained for metabolites in ESI(+) while clear separations were
observed for the other groups (Figure n°87).

181
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Figure 86 : PCA score scatter plots based from the multi-omics data set, namely proteomics data set acquired in ESI(+)
(dynamic-MRM) (A), from metabolomics data set acquired in ESI(- ) (B), from lipidomics data set acquired in ESI(+) (C), and
ESI(-) (D) by LC-ESI-MS/MS (scheduled-MRM). Each dot represents a gammarid organism sample at a specific reproductive
stage (AB stage in red, C1 in dark green, C2 in light green, D1 in blue and D2 in purple). The dot distribution shows clustering
in each group.

Figure 87 : PCA score scatter plot from metabolomics data set acquired in ESI(+) by LC-ESI-MS/MS (scheduled MRM). Each
dot represents a gammarid organism sample at a specific reproductive stage (AB stage in red, C1 in dark green, C2 in light
green, D1 in blue and D2 in purple). The dot distribution shows clustering in each group. Group AB and D2 exhibits sample
overlap. On the contrary, C1 and D1 exhibits clear separation. The PCA score plot corresponding to the first two principal
components PC shows that PC1 and PC2 explain 38.8 and 13.2% of the dataset total variance, respectively.
182
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

To get the pertinent variables responsible for the separation, PLS-DA models were constructed. The
quality of the models was assessed by bootstrap resampling. R2 values represents goodness-fit-
measure and Q2 values estimated the predictive ability of the model. These values were used to assess
model performance and to select the optimal number of principal components (PCs). Therefore, four
PLS-DA models were built (Figure n°88).

Figure 88 : PLS-DA score scatter plots from the multivariate analysis of the multi-omics data sets: proteomics ESI(+) (A),
metabolomics ESI(-) (B), lipidomics ESI(+) (C) and ESI(-) data sets (D). Score plots show significant separation between the
different reproductive stage and among the different multi-omics data (p<0.05). The ellipse for each group represented
Hotelling’s T2 95% confidence interval.

The performance of the models using two PCs was assessed by examining the R2 values ranging from
0.73 to 0.95, and their corresponding Q2 values ranging from 0.31 to 0.59. According to the paired
comparison, the separation between the five groups was clear. The R2X, R2Y, Q2Y and RMSEE values
in the PLS-DA models are listed in table 13.

Data set R²X R²Y Q²Y RMSEE*

Proteomics (ESI+) 0.883 0.377 0.307 0.337
Metabolomics (ESI-) 0.731 0.539 0.358 0.296
Lipidomics (ESI+) 0.949 0.839 0.594 0.189
Lipidomics (ESI-) 0.74 0.499 0.379 0.309

Tableau 13 : Summary of the PLS-DA models performance parameters. *RMSEE stands for Root Mean Square Error of
Estimation
183
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Variable Importance in Projection (VIP) score derived from PLS-DA was used for the selection of
variables responsible of the developmental stage separation. VIP values greater than one within each
data set, were used as variable selection criterion. The list of the VIP and the discriminant variables are
listed in table 14-17. A list of 109 features were obtained (13 for proteomics, 24 for metabolomics and
72 for lipidomics).

13 discriminant peptides were reporter-peptides for clottable protein (6 peptides), vitellogenin-like

protein (2 peptides), arginine kinase (2 peptides), tubulin α-3 chain (1 peptide) and sarcoplasmic
calcium binding protein (1 peptide) and a protein with an unknown function (1 peptide) (Table n°14,
appendix n°10). These proteins are most likely involved in the female reproductive process since most
of them are protein members of the large lipid transfer protein superfamily like vitellogenins and
clottable proteins. These proteins are structural scaffolds for the assembly of lipoproteins and binds a
variety of lipid species. These results are in perfect agreement with previous proteomics studies
[213,220,251].

P value Proteins ID
Peptides VIP P value Function
adjusted GFOSS DB
ISPLINSPSDLPK 10.7 1.13E-06 1.27E-06 39606_fr3 Clotting protein precursor
-19 -18
LVSGVEQIEK 7.3 2.78E 3.33E 14404_fr1 Arginine kinase
-08 -07
AAIETAFVNHLK 6.3 9.42E 1.08E 206469_fr3 Clotting protein precursor
-06 -06
IFNVLQPIAESK 5.5 1.67E 1.82E 17046_fr6 Hemolymph clottable protein
ELIEEAR 3.1 6.40E-08 7.37E-08 30490_fr1 Vitellogenin-like protein precursor
TSEVFLPLTNELYQQTK 2.8 1.20E-06 1.33E-06 17046_fr6 Hemolymph clottable protein
-19 -18
LGFLTFCPTNLGTTIR 2.3 6.21E 6.62E 14404_fr1 Arginine kinase
LQAIQGLSK 2.2 1.05E-06 1.18E-06 17421_fr1 Hemolymph clottable protein
IIYPAEALTIVIEK 1.5 2.92E-05 2.99E-05 276_fr4 Hemolymph clottable protein
-06 -06
SSALINLSTLIR 1.4 2.83E 3.02E 18251_fr1 unknown
LIGQIVSSITASLR 1.4 1.33E-16 4.60E-16 9002_fr1 Tubulin alpha-3 chain (Alpha-III tubulin)
TFISSTFK 1.4 3.86E-13 6.31E-13 38781_fr1 Sarcoplasmic calcium-binding protein
-05 -05
GPISVTR 1.1 1.08E 1.13E 277_fr1 vitellogenin

Tableau 14 : List of peptides and their corresponding proteins with PLS-DA VIP scores (>1) together with its p-value and p-
value-adjusted.

Among the 8 metabolites discriminating the different reproductive stages, 3 metabolites are involved
in pyrimidine metabolism (uridine diphosphate glucose, orotidine monophosphate, uracil), 2
metabolites in purine metabolism (urate, guanine), 1 in vitamin B3 metabolism (nicotinic acid), 1 in
tyrosine and phenylalanine metabolism (cinnamoylglycine) and 1 in eicosanoid and resolving
metabolism (13S-hydroxyoctadecadienoic acid) (Table n°15, appendix n°11). Further investigations
must be undertaken to better understand the link between the metabolic variations and the ovarian
cycle in gammarids.

184
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Metabolites Biological pathway VIP p-value p-value adjusted

-18
Guanine Purine metabolism 1.34 2.29E 1.83E-17
Nicotinic acid Vitamin B3 metabolism 1.33 3.29E-17 1.98E-16
Uridine diphosphate glucose Pyrimidine metabolism 1.28 4.32E-07 4.94E-07
Orotidine monophosphate Pyrimidine metabolism 1.24 2.61E-05 2.72E-05
Uracil Pyrimidine metabolism 1.22 3.39E-11 7.40E-11
Tyrosine and phenylalanine
Cinnamoylglycine 1.14 2.75E-08 3.89E-08
metabolism
13S-hydroxyoctadecadienoic Eicosanoid and resolvin
1.08 1.74E-13 4.63E-13
acid metabolism
Uric acid Purine metabolism 1.05 2.29E-14 7.84E-14

Tableau 15 : List of metabolites with PLS-DA VIP scores (>1) together with its p-value and p-value-adjusted.

As depicted in table n°16 and 17, 46 discriminant lipids in positive ion mode and 26 lipids in negative
ion mode were identified. 8 lipid class variables (TG, SM, PC, PE, PI, PS LPC, LPE) were accounted to
significant contribution (VIP score greater than 1) and can be used to differentiate the different
reproductive time points. TG class is the most predominant lipid class in this amphipod [198]. During
the reproductive cycle of female gammarids, oocytes mobilize energy and consequently require
substantial amount of lipids to accomplish the vitellogenesis process [324–326]. TG serve as energy
storage reservoir i.e., fatty acid store, that can be quickly mobilize on request during vitellogenesis
[327]. Membrane lipids increase such as glycerophospholipids (PC, PE, PI and PS), lysophospholipids
(LPC, LPE) and sphingolipids (SM) with long-chain polyunsaturated fatty acid, occurred at the end of
ovarian maturation. These observations are in perfect agreement with previously published results
[198].

Lipid species MRM fragments Molecular species VIP p-value p-value adjusted
-15
TG 52:2 NL 18:1 16:0-18:1-18:1 6.94 6.52E 3.82E-14
-13
TG 54:3 NL 18:1 18:1-18:1-18:1 6.20 6.09E 2.16E-12
LPC 18:1 HG 0:0/18:1 4.13 1.02E-09 1.58E-09
TG 50:1 NL 16:0 18:1-16:0-16:0 3.89 5.40E-09 7.20E-09
-12
TG 52:2 NL 16:0 16:0-18:1-18:1 3.83 3.57E 1.08E-11
TG 52:3 NL 18:1 16:1-18:1-18:1 3.26 5.44E-19 4.15E-17
TG 54:4 NL 18:1 18:1-18:1-18:2 3.26 9.69E-12 2.64E-11
-19
TG 52:3 NL 18:1 16:0-18:2-18:1 3.17 1.67E 1.70E-17
LPC 18:1 Phosphate 0:0/18:1 3.04 1.49E-09 2.25E-09
TG 54:6 NL 20:5 20:5-18:1-16:0 2.75 1.05E-09 1.61E-09
TG 52:3 NL 18:2 16:0-18:2-18:1 2.75 4.94E-12 1.43E-11
TG 50:2 NL 18:1 18:1-16:1-16:0 2.62 4.37E-17 7.85E-16
LPC 16:0 HG 0:0/16:0 2.48 2.64E-10 4.63E-10
TG 50:2 NL 18:1 18:1-18:1-14:0 2.41 1.97E-17 4.64E-16
-09
TG 52:4 NL 18:2 16:1-18:1-18:2 2.34 1.43E 2.18E-09
TG 52:4 NL 18:2 16:0-18:2-18:2 2.23 9.83E-10 1.54E-09
TG 52:4 NL 18:1 16:0-18:1-18:3 1.83 4.76E-17 8.06E-16
-10
LPC 16:0 Phosphate 0:0/16:0 1.83 9.87E 1.54E-09
185
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

TG 54:5 NL 18:2 18:1-18:2-18:2 1.81 9.66E-07 1.02E-06

SM 36:1 HG d18:1/18:0 1.78 2.37E-16 3.28E-15
LPC 18:2 HG 0:0/18:2 1.75 1.86E-08 2.25E-08
TG 52:6 NL 20:5 20:5-16:1-16:0 1.70 3.24E-10 5.52E-10
LPC 16:0 HG 16:0/0:0 1.69 4.57E-09 6.20E-09
TG 52:3 NL 16:0 16:0-18:2-18:1 1.68 7.91E-14 3.50E-13
TG 54:4 NL 18:2 18:1-18:1-18:2 1.60 6.19E-11 1.36E-10
-16
TG 50:2 NL 16:1 18:1-16:1-16:0 1.56 5.39E 6.58E-15
TG 54:5 NL 18:1 18:1-18:1-18:3 1.56 2.38E-17 4.65E-16
-10
TG 50:1 NL 18:1 18:1-16:0-16:0 1.48 2.26E 4.09E-10
TG 52:4 NL 18:1 16:1-18:1-18:2 1.46 1.11E-17 3.76E-16
TG 54:5 NL 18:1 18:1-18:2-18:2 1.45 2.44E-17 4.65E-16
-11
LPC 18:1 HG 18:1/0:0 1.44 4.43E 1.00E-10
TG 50:2 NL 16:0 18:1-16:1-16:0 1.43 7.88E-16 8.90E-15
TG 48:1 NL 16:0 16:1-16:0-16:0 1.42 2.34E-11 5.71E-11
TG 48:1 NL 16:0 18:1-16:0-14:0 1.41 1.38E-11 3.54E-11
TG 54:7 NL 20:5 16:1-18:1-20:5 1.40 1.99E-10 3.70E-10
TG 54:2 NL 18:1 18:1-18:1-18:0 1.22 7.92E-09 1.01E-08
TG 52:5 NL 18:2 16:1-18:2-18:2 1.22 1.59E-10 3.00E-10
TG 52:4 NL 18:3 16:0-18:1-18:3 1.21 2.77E-12 8.52E-12
-09
TG 54:2 NL 18:1 20:1-18:1-16:0 1.18 1.64E 2.44E-09
SM 36:2 HG d18:1/18:1 1.14 1.67E-15 1.54E-14
LPC 18:1 NL HG 0:0/18:1 1.10 2.18E-09 3.19E-09
-10
LPC 20:5 HG 0:0/20:5 1.10 4.89E 8.06E-10
TG 52:3 NL 16:1 16:1-18:1-18:1 1.08 1.20E-17 3.76E-16
-10
TG 48:1 NL 14:0 18:1-16:0-14:0 1.07 5.02E 8.24E-10
TG 52:4 NL 16:0 16:0-18:1-18:3 1.04 6.80E-15 3.91E-14
TG 52:4 NL 16:0 16:0-18:2-18:2 1.03 4.14E-15 2.74E-14
Tableau 16 : List of lipids with PLS-DA VIP scores (>1) together with its p-value and p-value-adjusted. The variables were
obtained in positive ion mode. NL, neutral loss. HG, Head group loss (for LPC and PC, m/z 184.2)

p-value
Lipid species MRM fragments Molecular species VIP p-value
adjusted
LPE 18:1 18:1 0:0/18:1 6.70 4.18E-12 5.15E-12
PC 34:1 16:0 16:0-18:1 6.44 5.38E-26 7.02E-24
PC 36:2 18:1 18:1-18:1 6.43 5.33E-16 1.29E-15
PC 36:3 18:2 18:2-18:1 4.84 2.31E-13 3.30E-13
PC 36:4 18:2 18:2-18:2 3.84 2.64E-07 2.72E-07
PC 34:1 18:1 18:1-16:0 3.15 3.29E-26 7.02E-24
PC 36:4 18:3 18:3-18:1 3.05 5.18E-16 1.26E-15
PC 36:3 18:1 18:1-18:2 2.47 6.01E-13 7.92E-13
PC 34:2 18:2 18:2-16:0 2.46 7.53E-16 1.77E-15
PC 34:2 16:0 16:0-18:2 2.34 2.05E-16 5.70E-16
PC 38:6 20:5 20:5-18:1 2.23 1.32E-22 2.87E-21
PE 36:3 18:2 18:2-18:1 2.08 9.75E-14 1.56E-13
PE 36:2 18:1 18:1-18:1 2.06 1.09E-20 1.23E-19
PC 38:6 18:1 18:1-20:5 2.02 1.79E-22 3.58E-21
PE 38:6 20:5 20:5-18:1 1.98 1.20E-24 7.84E-23
PC 34:3 18:3 18:3-16:0 1.91 3.82E-15 7.98E-15

186
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

PE 38:6 18:1 18:1-20:5 1.74 1.26E-23 4.70E-22

PC 34:2 18:1 18:1-16:1 1.50 6.34E-15 1.25E-14
PS 38:5 18:1 18:1-20:4 1.30 3.03E-19 2.03E-18
PC 36:4 18:1 18:1-18:3 1.27 3.34E-16 8.55E-16
PI 38:5 18:1 18:1-20:5 1.23 4.52E-17 1.64E-16
PC 38:7 20:5 20:5-18:2 1.21 7.96E-16 1.84E-15
PS 38:6 18:1 18:1-20:5 1.19 1.92E-24 1.00E-22
PE 38:5 20:4 20:4-18:1 1.17 3.15E-18 1.61E-17
PC 34:2 16:1 16:1-18:1 1.08 1.52E-15 3.26E-15
PC 34:3 16:0 16:0-18:3 1.08 6.95E-18 3.12E-17
Tableau 17 : List of lipids with PLS-DA VIP scores (>1) together with its p-value and p-value-adjusted. The variables were
obtained in negative ion mode.

To deepen the data integration and interpretation, we performed a multi-block data analysis, more
precisely, a multiple factor analysis (MFA) on the different omics data (Figure n°89 A and B) [328]. MFA
was applied on normalized matrices and calculated from 5 components. The two first factorial axes
were principally explained by the proteomics data (contribution matrix) and by the metabolomics data
(negative) (Figure n°89 A). Lipidomics data (positive and negative) explained the 3rd and 4th factorial
axes respectively. The representation of the groups revealed that the proteomics and metabolomics
data were correlated, providing similar information. Lipidomics matrices were correlated. The
representation of individuals with the five matrices (proteomics, metabolomics in positive and
negative ion mode, and lipidomics in positive and negative ion mode) displayed a discrimination
between the different reproductive stages on the two first axis (56.5%) (Figure n°89 B).

187
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

Figure 89 : Multiple factor analysis (MFA) unveils proteomics, lipidomics and metabolomics variation during the different
reproductive stage in female gammarid. (A) Partial axes – MFA scatter plot. The partial axis representation reveals the link
between the first two principal components of the MFA and those of each individual group. The red arrow represents the
lipidomics data in ESI(-); the light green arrow represents the lipidomics data in ESI(+); the blue arrow represents the
proteomics data; the pink arrow represents the metabolomics data in ESI(-) and the yellow arrow represents the
metabolomics data in ESI(+). The scatter plot exhibits a reflection of the variables as regards their correlation with the factor
axes. The arrows indicate the directions of growth of the variables in the factor space, which allows us to identify which omics
table have the most weight in each component. The center of the circle of correlations represents the mean of all variables.
(B) Individual factor map. MFA highlights a good separation between female gammarids sampled at different reproductive
stages (A/B in red, C1 in yellow, C2 in green, D1 in blue, and D2 in purple). Organisms are presented by colored dots according
to the reproductive stage on the scatter plot created with the first two main dimensions of MFA. Confidence ellipses for a
95% interval are plotted for each group to visualize the range of variability.

188
Chapitre 4 : Développement d’une méthode d’extraction multi-omique en écotoxicologie

The LG-coefficient indicated that all the blocks are necessary for the interpretation from a global and
individual point of view (Appendix n°12). The RV-coefficient highlighted that the data from
metabolomics (negative) and proteomics provided most of the information for the reproductive stage
differences (Appendix n°13).

3. Conclusion
This study reports the development and optimization of a robust multi-omics extraction method
applied in the freshwater amphipod G. fossarum. Our multi-omics procedure allows simultaneously
extraction of proteins, lipids and metabolites from a unique sample, followed by a multiplex targeted
approach (scheduled-MRM monitoring). We examined the influence of exoskeleton residues on the
extraction efficiency. We applied the protocol to investigate the reproductive cycle of female
gammarids at different stages. Molecular signatures were highlighted by multivariate data analysis
(PCA, PLS-DA) and multiblock approach (MFA) revealing a concomitant increase of specific proteins
involved in ovarian maturation, a lipid storage mobilization, and variations in specific metabolic
pathways. To our knowledge, this is the first study that combines a multi-omics extraction method in
conjunction of multivariate statistical analysis on a unique sample, to describe in detail the
reproductive stage of female gammarids. Our study opens interesting perspectives for future
ecotoxicology studies since analysis can be performed on a unique individual, reducing the number of
exposures and therefore the number of samples to collect while allowing an exhaustive
characterization of the sample at a multi-scale level.

189
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Chapitre 5 : Apport de la chromatographie

bidimensionnelle pour la lipidomique

1. Pourquoi développer des méthodes bidimensionnelles en

lipidomique ?
Réaliser les différentes études multi-omiques à partir d’un même échantillon permet de s’affranchir
des variations biologiques que nous observons lorsqu'une expérience (ex. effet de l’exposition à un
contaminant) est répétée sur plusieurs individus. Ainsi, une meilleure corrélation des informations
entre les omiques sera observée [155]. De plus, cela permet d’avoir suffisamment de matériel
biologique pour réaliser les différentes omiques. Comme nous l’avons vu dans le chapitre 4, cette
préparation d’échantillon multi-omiques, bien que réduisant la complexité de l’échantillon, impose de
faire des concessions en optant pour des conditions d’extraction compatibles entre les différentes
omiques. Ainsi, le fractionnement de l’échantillon n’est pas aussi performant que si l’on avait envisagé
les différentes omiques séparément. Les extraits sont donc plus complexes et peuvent être sujets aux
phénomènes de suppression d’ions, également appelés effets matrices. Ces phénomènes, peuvent
induire une diminution de la sensibilité lorsque des échantillons trop complexes sont analysés en LC-
MS/MS avec les sources d’ionisation électrospray [62]. La présence de composés isobariques génère
également des interférences spectrales. Le seul moyen de diminuer les effets matrices et/ou les
interférences spectrales est de rajouter une étape de séparation entre la préparation d’échantillons et
la détection. Même si la chromatographie permet de les diminuer, elle demeure limitée en termes de
capacité de séparation pour les échantillons complexes [91,92]. De nos jours, de nouveaux outils de
séparation plus avancés sont disponibles, comme la chromatographie liquide bidimensionnelle (2D-
LC) qui dispose de deux dimensions de séparations orthogonales. Le dernier objectif de cette thèse est
donc d’évaluer l’apport de la 2D-LC par rapport à la chromatographie monodimensionnelle (1D-LC)
lors des analyses omiques.

L’état de l’art sur l’analyse des lipides a montré des besoins en termes de séparation. Par exemple, la
chromatographie HILIC, qui utilise une phase stationnaire hydrophile, sépare les composés en fonction
de leurs polarités. Dans le cas des lipides, cette séparation est due à la présence des têtes polaires qui
sont communes à chaque famille lipidique. Cela implique une bonne séparation par classe de lipides,
avec peu de séparation entre les lipides qui diffèrent uniquement par leurs chaines d’acides gras
(nombre de carbone et/ou d’insaturation) [329]. La phase inverse présente des mécanismes de
séparations orthogonaux et complémentaires à la HILIC puisque la séparation se fait en fonction de
l’hydrophobicité des composés. Dans le cas des lipides, cette hydrophobicité est due à la présence des
190
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

chaines d’acides gras, saturés ou non, avec des nombres de carbones plus ou moins importants. Cela
implique une bonne séparation entre les différents lipides d’une même famille, mais peut engendrer
des co-élutions entre lipides de classes différentes, notamment pour les familles de phospholipides qui
sont co-élués entre elles [329]. Lorsqu’elles sont utilisées indépendamment l’une de l’autre, ni la RPLC,
ni la HILIC ne peuvent séparer l’ensemble des lipides. Toutefois, l’association de ces deux modes de
chromatographie présentant des mécanismes de rétention orthogonaux devrait améliorer la
séparation en lipidomique. C’est pour cette raison qu’une approche chromatographique
bidimensionnelle couplée à la spectrométrie de masse a été envisagée pour l’analyse des lipides.

Comme il a été souligné dans le chapitre 1, plusieurs critères doivent être pris en considération si l’on
souhaite obtenir une méthode analytique 2D-LC idéale avec les limites de détection les plus faibles
possibles et un minimum d’interférences spectrales :

x La méthode doit être capable d’augmenter les capacités de séparation par rapport aux méthodes
1D-LC afin de limiter les effets matrices et les interférences isobariques. Pour cela, le système
bidimensionnel doit séparer les classes lipidiques entre elles, mais aussi tous les lipides d’une
même famille.
x Cette augmentation du pouvoir de séparation ne doit pas être accompagnée d’un temps d’analyse
global trop important.
x L’approche 2D doit combiner des séparations chromatographiques orthogonales avec des phases
mobiles compatibles afin d’éviter l’usage d’étapes d’évaporation entre les deux dimensions.
x Le passage entre les deux dimensions doit être totalement automatisable.
x Pour éviter la perte d’informations, la totalité des fractions issues de la 1ère dimension doit être
envoyée dans la 2ème dimension.
x La méthode 2D doit être compatible avec la totalité des spectromètres de masse, que ce soit en
haute résolution (TOF, Orbitrap) ou en basse résolution (QQQ).
x Le retraitement de données doit être le plus simple possible.

À ce jour, aucune configuration n’est capable de remplir la totalité de ces critères afin d’obtenir la
méthode 2D-LC idéale pour l’analyse de lipides.

La configuration RPLCxHILIC décrite par Holcapek et al. [133] et Xu et al. [123] est celle qui s’en
rapproche le plus. Pour rappel, le mode comprehensive (LCxLC) permet d’analyser l’ensemble des
fractions issues de la 1ère dimension dans la 2ème dimension, ce qui limite la perte d’informations. Ce
système est également automatisable, tout en permettant de séparer les lipides entre classes et à
l’intérieur des familles lipidiques. Cela a pour effet d’augmenter la capacité de pic par rapport aux
méthodes 1D. Les études de Holcapek et al. [133] et de Xu et al. [123] ont également mis en évidence

191
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

que la RPLCxHILIC présente un meilleur pouvoir de séparation que la HILICxRPLC lors d’une analyse
lipidique. Cette différence peut être expliquée par le fait que la RPLC ne permet pas d’atteindre des
capacités de séparation suffisantes pour la séparation des lipides en utilisant des temps de gradient
inférieurs à la minute en seconde dimension, ce qui est le cas en mode HILIC [133].

Les travaux qui seront présentés dans ce chapitre se sont principalement intéressés au développement
d’une méthode alternative au mode RPLCxHILIC. Cette méthode devra conserver les avantages de la
LCxLC en termes d’automatisation, de qualité de séparation (diminution des effets matrices) et de
quantité d’informations collectées (nombre de lipides détectés). Le premier choix que nous avons dû
faire a été de sélectionner le type de phase stationnaire pour chacune des dimensions. Bien que les
études précédentes [123,133] ont démontré de meilleurs résultats avec la phase RPLC en 1ère
dimension et la phase HILIC en 2ème dimension, nous avons choisi d’inverser ces deux dimensions de
séparation. Cela nous permettra de mettre en évidence de nouvelles possibilités, telles que la sélection
d’une ou plusieurs familles de lipides à envoyer dans la 2ème dimension, afin d’utiliser la 1ère dimension
HILIC comme une « chromatographie préparatrice ». Ainsi, il sera possible d’isoler les fractions
minoritaires et d’injecter des extraits de différentes concentrations en fonction des différentes familles
de lipides pour gagner en sensibilité.

Les premières expérimentations présentées dans ce chapitre évalueront et confirmeront les résultats
de Holcapek et al. [133] et de Xu et al. [123] concernant la faible performance de la RPLC en tant que
2ème dimension dans la configuration HILICxRPLC lors d’analyses lipidomiques. Cela nous permettra
d’observer et d’identifier la principale limitation de cette configuration : un temps de modulation très
rapide entre les deux dimensions, qui impose un temps de gradient trop court en 2ème dimension pour
effectuer une séparation chromatographique efficace en RPLC. Pour pouvoir conserver la colonne
HILIC comme 1ère dimension nous montrerons que le mode multiple heart cut (LC-LC) est mieux adapté.

Les avantages et inconvénients de cette approche multiple heart cut HILIC-RPLC-MS seront comparés
à l’approche comprehensive RPLCxHILIC-MS à travers l’évaluation (i) du temps d’analyse global, (ii) de
la qualité du fractionnement entre les deux dimensions (nombre de fractions et effets à l’injection lors
du passage de la 1ère à la 2ème dimension), (iii) de la compatibilité avec les spectromètres de masse et
(iv) la facilité du retraitement des données.

Afin d’avoir la plus grande diversité de lipides, la méthode a été développée à partir d’extraits de deux
matrices biologiques différentes : du plasma humain et l’organisme entier G. fossarum. Ainsi nous
avons à disposition l’ensemble des familles lipidiques couramment rencontrées dans la littérature,
avec une grande diversité au sein de ces familles (PC / PI / PE / PS / SM / Cer / DG / TG / LPE / LPC).

192
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

2. Matériels et méthodes
Les expérimentations visant à optimiser la méthode et les analyses 2D-LC en mode hors ligne ont été
réalisées sur un spectromètre de masse de type triple quadripôles (Qtrap 5500 de chez Sciex®) utilisant
le mode MRM pour des raisons de disponibilités d’appareillage. Les analyses 2D-LC en mode en ligne
ont ensuite été réalisées sur un IM-QTOF 6560 de chez Agilent®. Ce système possède la mobilité
ionique (IM), mais cette technologie n’a pas été utilisée pour ces travaux.

2.1. Réactifs et produits chimiques

L'eau, l'acétonitrile (ACN), le méthanol (MeOH), l'isopropanol (IPA) ont été obtenus auprès de Fisher
Scientific (qualité LC-MS, Strasbourg, France). L'EDTA, le triton X-100, le formiate d'ammonium, le
dichlorométhane (DCM), le tert-butyl méthyl éther (MTBE), l'acide formique et le chlorure de sodium
ont été achetés auprès de Sigma Aldrich (St Quentin-Fallavier, France). Les lipides marqués
isotopiquements (PC 12:0/13:0, PC 11:0/11:0, LPC 13:0, PE 12:0/13:0, PG 12:0/13:0, PS 12:0/13:0, PI
12:0/13:0, DG 17:0/17:0, TG 15:0/18:1/15:0 d5, TG 17:0/17:1/17:0 d5, Cer d18:1/12:0 et SM
d18:1/18:1 d9) ont été obtenus auprès de Sigma Aldrich (St Quentin-Fallavier, France, pureté > 99%).
Le mélange de standards SPLASH LIPIDOMIX® mass spec a été acheté auprès de Sigma Aldrich (St
Quentin-Fallavier, France).

2.2. Collecte des échantillons

Les organismes de G. fossarum ont été prélevés à l'aide d'un filet à La Tour du Pin (Isère, France), en
amont de la rivière La Bourbre (centre est de la France), et transportés rapidement au laboratoire
(INRAe, Villeurbanne) dans de l'eau douce provenant de la station de collecte à température ambiante.
Les organismes ont été maintenus pendant une période d'acclimatation d'au moins 10 jours dans des
cuves de 30 L alimentées en continu par de l'eau souterraine ajustée à la conductivité du site
d'échantillonnage (600 μS.cm-1) et sous aération constante. Une photopériode lumière/obscurité de
16/8 heures a été maintenue, ainsi qu’une température de 12 ± 1 °C. Les organismes ont été nourris
ad libitum avec des feuilles d'aulne (Alnus glutinosa). Les feuilles ont été conditionnées dans l'eau
pendant au moins 6 ± 1 jours. Des vers Tubifex ont été donnés comme compléments alimentaires deux
fois par semaine. Tous les organismes choisis ont été pesés et immédiatement congelés dans de l'azote
liquide pour être stockés à 80 °C jusqu'à extraction [171,215,216,246]. Le plasma humain a été collecté
par l'établissement français du sang par aphérèse. Après la collecte, le plasma est aliquoté puis stocké
dans un congélateur à -80°C.

193
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

2.3. Extraction des lipides

2.3.1. Broyage et extraction liquide-liquide

L’échantillon entier de G. fossarum a été broyé dans 600 μL de tampon d'extraction (Tris HCL 50 mM,
1mM EDTA, Triton X-100 0.1%, 100 mM NaCl, pH ajusté à 7.8) en utilisant un broyeur à billes. Après
avoir retiré les billes d'acier de 4 mm, l'échantillon est centrifugé pendant 15 min à 4°C et 10000g.
Après centrifugation, 300 μL de surnageant ont été prélevés pour réaliser l'extraction liquide-liquide
(LLE). Dans le cas du plasma, 50 μL de plasma sont prélevés et complétés avec 250 μL d'eau. Ensuite,
360 μL de MeOH froid (4°C) sont ajoutés et l'échantillon est agité pendant 60 minutes. Dans une
deuxième étape, 1200 μL de MTBE froid (4°C) sont ajoutés et l'échantillon est agité une deuxième fois
pendant 10 minutes. Une séparation de phases a lieu pour séparer la phase organique de la phase
aqueuse. Après centrifugation de l'échantillon à 4°C pendant 5 minutes à 10000g, 1260 μL de la phase
organique contenant les lipides (phase supérieure) sont récupérés.

2.3.2. Évaporation et dilution avant injection

Après la LLE, la fraction lipidique est évaporée à sec sous flux d'azote. Finalement, l'échantillon est
resuspendu avec 20 μL de DCM/MeOH (1:1 ; v/v) pour solubiliser les lipides avant d'ajouter 180 μL
d’IPA/ACN/H2O (2:1:1 ; v/v/v), qui correspond au solvant d’injection en RPLC. Dans le cas des analyses
HILIC, 180 μL d’ACN/H2O/MeOH sont ajoutés comme solvant d’injection. Pour les analyses ESI (+)
l’échantillon de gammare est dilué par 100 et par 10 en ESI (-). Pour les analyses ESI (+), l’échantillon
de plasma est dilué par 50 et par 5 en ESI (-).

2.4. Étude des effets à l’injection en RPLC-HILIC hors ligne

L’étude des phénomènes de breakthrough avec la configuration RPLC en 1ère dimension (D1) et HILIC
en 2ème dimension (D2) a été évaluée à partir d’un mélange de standards. Les standards de lipides sont
mis en solution avec une composition correspondant à leur temps de rétention lors de la séparation
chromatographique avec la colonne de type RPLC (prise en compte du temps de délais et du temps
mort) et les conditions suivantes : utilisation d’une colonne Xselect CSH C18 (100 mm × 2.1 mm, taille
des particules 3.5 μm) avec un volume d'injection de 5 μL et une température de colonne de 70°C.
L'élution est réalisée à un débit de 500 μL/min avec H2O/ACN (60/40 ; v/v) contenant 0,1 mM de
formiate d'ammonium et 0,1 % d'acide formique comme éluant A. La phase B contient un mélange
IPA/ACN/H2O (90/9.5/0.5 ; v/v/v) contenant 10 mM de formiate d'ammonium et 0,1 % d'acide
formique. Le gradient appliqué dans la colonne RPLC commence avec une augmentation de 1% à 99%
de B en 24 minutes puis à 99% de B pendant 2 min. Pour finir, la colonne est rééquilibrée à 1% de B
pendant 3 minutes.

194
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Les analyses LC-MS/MS de chacun des standards de lipides mis en solution selon les compositions de
séparation précédentes ont été réalisées sur un spectromètre de masse hybride triple
quadripôles/piège à ions linéaire du système QTRAP® 5500 LC-MS/MS (Applied Biosystems / MDS
Analytical Technologies, Foster City, CA, USA). Ce système est équipé d'une source d'ions Turbo V™
couplée à un dispositif HPLC de la série 1290 (Agilent Technologies, Waldbronn, Allemagne). La
séparation LC a été réalisée sur une colonne BEH HILIC (100 mm x 2.1 mm 1.7 μm) qui est utilisée
comme 2ème dimension. La phase mobile A est constituée de H2O avec 0.1% d’acide formique et 10
mM de formiate d’ammonium. La phase mobile B est constituée d’ACN/H2O (95/5 ; v/v) avec 0.1%
d’acide formique et 10 mM de formiate d’ammonium. Le gradient appliqué en D2 est le suivant : 1% à
20% de A en 6.3 minutes puis augmentation de 20% à 50% de A en 2 minutes. Le % de A est maintenu
à 50% pendant 2 minutes puis il diminue à 1% de A en 1 minute. Pour finir, le gradient est maintenu à
1% de A pendant 3.5 minutes. Le débit en D2 est fixé à 600 μl/min avec une température de colonne
de 40°C. Le volume injecté en 1ère dimension varie de 1 μL à 20 μL.

2.5. Utilisation du collecteur de fractions pour les analyses HILIC-

RPLC en mode hors ligne
La collecte de fractions a été réalisée avec une chaine chromatographique Acquity UPLC class 1 de chez
Waters® équipée d’un collecteur de fractions automatique. Ce système a permis de récolter les
fractions issues de la séparation chromatographique d’un extrait lipidique de gammare et de plasma,
à partir de la colonne BEH HILIC (100 mm x 4.6 mm 3.5 μm) qui est utilisée comme 1ère dimension. La
phase mobile A est constituée de H2O avec 0.1% d’acide formique et 10 mM de formiate d’ammonium.
La phase mobile B est constituée d’ACN/H2O (95/5 ; v/v) avec 0.1% d’acide formique et 10 mM de
formiate d’ammonium. Le gradient appliqué en D1 est le suivant : 1% à 20% de A en 13.9 minutes suivi
d’un deuxième gradient linéaire jusqu’à 50% de A en 4.4 min. Ensuite, le pourcentage de phase A est
maintenu à 50% pendant 4.4 min suivi d’une diminution du gradient à 1% de A en 2.2 min. Pour finir,
le gradient est maintenu à 1% de A pendant 7.7 min. Le débit en D1 est fixé à 1.3 mL/min avec une
température de colonne de 40°C. Le volume injecté en 1ère dimension est de 5 μL. Chaque collecte dure
0.3 min, ce qui permet de récupérer 390 μL de solution dans des flacons. Dans le cas des essais en
mode hors ligne, le volume injecté en 2ème dimension varie de 5 à 40 μL. Les analyses LC-MS/MS de
chacune des fractions issues de la séparation en HILIC ont été réalisées sur un spectromètre de masse
hybride triple quadripôles/piège à ions linéaire du système QTRAP® 5500 LC-MS/MS (Applied
Biosystems/ MDS Analytical Technologies, Foster City, CA, USA) équipé d'une source d'ions Turbo V™
couplée à un dispositif HPLC de la série 1290 (Agilent Technologies, Waldbronn, Allemagne). La
séparation LC a été réalisée sur une colonne Xselect CSH C18 (100 mm × 2.1 mm, taille des particules
3.5 μm) avec une température de colonne de 70°C. L'élution a été réalisée à un débit de 500 μL/min

195
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

avec H2O/ACN (60/40 ; v/v) contenant 0,1 mM de formiate d'ammonium et 0,1 % d'acide formique
comme éluant A et IPA/ACN/H2O (90/9.5/0.5 ; v/v/v) contenant 10 mM de formiate d'ammonium et
0,1 % d'acide formique comme éluant B. Le gradient appliqué en D2 dans le cas des essais contenant
les lysophospholipides est le suivant : 1% à 99% de B en 24 minutes. La colonne a ensuite été lavée à
99% de B pendant 2 min et rééquilibrée à 1% de B pendant 3 minutes. Le gradient appliqué pour les
PL et les SM est le suivant : 1% à 55% de B en 1.3 minute puis 55% à 80% de B en 6.2 minutes. Pour
terminer le pourcentage% de B augmente de 80% à 99% en 1 minute. La colonne a ensuite été
maintenue à 99% de B pendant 2.4 minutes et rééquilibrée à 1% de B pendant 3 minutes. Le gradient
appliqué pour les TG, DG et Cer en 2D est le suivant : 1% à 60% de B en 1.4 minute puis 60% à 99% de
B en 9.6 minutes. La colonne a ensuite été maintenue à 99% de B pendant 2.4 minutes et rééquilibrée
à 1% de B pendant 3 minutes.

2.6. Paramètres de masse des analyses réalisées sur le système Qtrap

5500
Le traitement, l'acquisition des données et le contrôle de l'instrument ont été effectués à l'aide du
logiciel Analyst® 1.6.3. L'analyse par spectrométrie de masse a été réalisée en mode d'ionisation
positive avec une tension de spray de 5500 V et en mode d'ionisation négative avec une tension de
spray de -4500 V. Le nébuliseur et le flux de gaz du rideau ont été réglés à 25 et 50 psi respectivement
avec de l'azote. La source d'ions TurboV™ a été réglée à 450 °C avec le débit de gaz auxiliaire (azote)
réglé à 40 psi. Le temps de cycle est fixé à 1 seconde afin d'atteindre quinze points par pic
chromatographique pour chaque transition MRM.

2.7. 2D-LC comprehensive et spectrométrie de masse (QTOF)

Les analyses LCxLC en mode comprehensive ont été réalisées avec un IM-QTOF 6560 couplé à un
système 2D-LC 1290 infinity 2 de chez Agilent®. Le spectromètre de masse est équipé d’une source
d’ionisation électrospray Jetstream. L’interface qui connecte les deux dimensions est constituée d’une
vanne 8 voies possédant 2 positions et équipée de deux boucles de 20 μl (cf. figure n°90).

196
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Figure 90 : Interface pour la chromatographie bidimensionnelle en mode compréhensive (LCxLC) [121].

Afin de diminuer la dispersion, la vanne a été configurée en mode contre-courant (backflush) pour que
la vanne se charge dans un sens puis que l’élution soit réalisée dans le sens contraire. Une jonction en
« T » est placée entre les deux dimensions (1:10) et à l’entrée du spectromètre de masse (1:3). La
colonne BEH HILIC (50 mm x 2.1 mm et 3.5 μm de taille de particule) est utilisée comme 1ère dimension.
La phase mobile A est constituée de H2O avec 0.1% d’acide formique et 10 mM de formiate
d’ammonium. La phase mobile B est constituée d’ACN/H2O (95/5 ; v/v) avec 0.1% d’acide formique et
10mM de formiate d’ammonium. Le gradient appliqué en D1 est le suivant : 1% à 50% de A en 45
minutes puis diminution du gradient à 1% de A en 2.1 minutes. Pour finir, le gradient est maintenu à
1% de A pendant 2.4 minutes. La colonne Acquity C18 (30 mm x 2.1 mm 1.7 μm) est utilisée comme
2ème dimension. La phase mobile A est constituée de H2O avec 0.1% d’acide formique et 10 mM de
formiate d’ammonium. La phase mobile B est constituée d’IPA/ACN/H2O (90/9.5/0.5 ; v/v/v) avec 0.1%
d’acide formique et 10mM de formiate d’ammonium. Le gradient appliqué en D2 est le suivant : 40%
à 99% de B en 0.41 minute puis diminution du gradient à 40% de B en 0.04 minute. Pour finir, le
gradient est maintenu à 40% de B pendant 0.02 minute. Le débit en D1 est fixé à 50 μl/min et à 1.5
mL/min en D2. La température de colonne en D1 est fixée à 30°C et à 80°C en D2. Le volume injecté
en 1ère dimension est de 5 μL. Les données QTOF ont été acquises de 400 m/z à 1000 m/z avec un taux
d'acquisition de 20 spectres/s. La tension du nébuliser, du skimmer, de l’octopole RF et du nozzel ont
été fixés à 20, 65, 750 et 500 V respectivement. Le débit de sheat gas et de gaz séchant ont été fixés à
12 et 10 psi respectivement. La température de gaz séchant et de sheat gas ont été fixées à 200 et
350°C respectivement. Pour les analyses en mode ESI (+) la tension de capillaire est fixée à 3500 V et à
-3000 V en mode ESI (-).

197
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

2.8. 2D-LC multiple heart cut en ligne et spectrométrie de masse

(QTOF)
Les analyses LC-LC en mode multiple heart cut ont été réalisées avec un IM-QTOF 6560 couplé à un
système 2D-LC 1290 infinity 2 de chez Agilent®. Le spectromètre de masse est équipé d’une source
d’ionisation électrospray Jetstream. L’interface qui connecte les deux dimensions est constituée d’une
vanne 8 voies possédant 2 positions et équipée de deux decks possédant chacun 6 boucles de 120 μl
(cf. figure n°91). Afin de diminuer les phénomènes de dispersion, la vanne a été configurée en
mode backflush. Une jonction en « T » est placée entre les deux dimensions (1:5).

Figure 91 : Interface pour la chromatographie bidimensionnelle en mode multiple heart cut (LC-LC) [121].

La colonne BEH HILIC (100 mm x 2.1 mm et 1.7 μm de taille de particule) est utilisée comme 1ère
dimension. La phase mobile A est constitué de H2O avec 0.1% d’acide formique et 10 mM de formiate
d’ammonium. La phase mobile B est constituée d’ACN/H2O (95/5 ; v/v) avec 0.1% d’acide formique et
10 mM de formiate d’ammonium. Le gradient appliqué en D1 est le suivant : 1% à 20% de A en 6.3
minutes puis augmentation de 20% à 50% de A en 2 minutes. Le % de A est maintenu à 50% pendant
2 minutes puis il diminue à 1% en 1 minute. Pour finir, le gradient est maintenu à 1% de A jusqu’à la
fin de l’analyse de l’ensemble des fractions dans la 2ème dimension. La fraction commune des TG, DG
et Cer est collectée à 0.35 minute pendant 20 secondes. La fraction des PE est collectée à 2 minutes
pendant 20 secondes. La fraction des PI est collectée à 2.35 minutes pendant 13 secondes. La fraction

198
 Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

des PC est collectée à 2.57 minutes pendant 20 secondes. La fraction des PS est collectée à 3 minutes
pendant 25 secondes. La fraction des SM est collectée à 3.39 minutes pendant 30 secondes. La colonne
Xselect CSH C18 (100 mm x 2.1 mm et 3.5 μm de taille de particule) est utilisée comme 2ème dimension.
La phase mobile A est constituée de H2O/ACN (60/40 ; v/v) avec 0.1% d’acide formique et 10 mM de
formiate d’ammonium. La phase mobile B est constituée d’IPA/ACN/H2O (90/9.5/0.5 ; v/v/v) avec 0.1%
d’acide formique et 10 mM de formiate d’ammonium. Le gradient appliqué pour les PL et SM en 2D
est le suivant : 1% à 55% de B en 1.3 minute puis augmentation de 55% à 80% de B en 6.2 minutes
suivie par une deuxième augmentation de 80% à 99% de B en 1 minute. Le pourcentage de B est
maintenu à 99% pendant 2.4 minutes puis il diminue à 1% en 0.5 minute. Pour finir, le gradient est
maintenu à 1% de B pendant 3 minutes. Le gradient appliqué pour les TG, DG et Cer en 2D est le
suivant : 1% à 60% de B en 1.4 minute puis augmentation de 60% à 99% de B en 9.65 minutes. Le
pourcentage de B est maintenu à 99% pendant 2.4 minutes puis il diminue à 1% en 0.5 minute. Pour
finir, le gradient est maintenu à 1% de B pendant 3 minutes. Le débit en D1 est fixé à 600 μl/min et à
500 μl/min en D2. La température de colonne en D1 est fixée à 40°C et à 70°C en D2. Le volume injecté
en 1ère dimension est de 5μL. Les données QTOF ont été acquises de 400 m/z à 1000 m/z à un taux
d'acquisition de 20 spectres/s. Le nébuliseur, le sheat gas et le gaz séchant sont fixés respectivement
à 20, 12 et 11 psi. La température du sheat gas et du gaz séchant est fixée respectivement à 300 et
200°C.

Les tensions optimisées pour chacune des fractions sont indiquées dans le tableau n°18. Lorsque
l’ensemble des fractions d’un deck ont fini d’être analysées, la boucle de passage est nettoyée avec
100% de la phase B et un volume correspondant à 10 fois le volume de la boucle.

TG / DG / Cer PG PE PI PC PS SM
Polarité de l'ionisation (+) (+) (-) (+) (-) (+) (-) (+) (-) (+) (-) (+)
Tension du nozzel (V) 1500 2000 -500 2000 -500 2000 -500 250 -1000 2000 -1000 500
Tension du capillaire (V) 5000 5000 -4000 5500 -4000 5000 -4000 4000 -4000 5000 -4500 5000
Énergie de collision (eV) 20 5 -30 10 -25 5 -45 20 -30 10 -35 30

Tableau 18 : Tensions appliquées pour les analyses en LC-LC pour chaque famille de lipides en fonction de la polarité
d’ionisation.

2.9. Acquisition et retraitement des données 2D

Le contrôle des appareils et l’acquisition des données en LCxLC et LC-LC ont été réalisés avec le logiciel
Agilent Openlab® pour la 2D-LC et le logiciel MassHunter® pour la partie spectrométrie de masse. Le
retraitement des données a été réalisé avec le logiciel MassHunter qualitative analysis®.

199
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

3. Résultats et discussion
3.1. Avantage de la chromatographie HILIC en tant que 1ère
dimension lors des analyses 2D-LC pour la lipidomique
Placer la colonne HILIC en 2ème dimension n’est pas la condition idéale, car les temps d’équilibrage des
phases stationnaires HILIC sont importants (2 à 4 fois plus long que la RPLC [73]). Cela est un
désavantage lorsque l’on cherche à avoir un gradient le plus rapide possible dans la dernière
dimension.

De plus, contrairement aux approches où la HILIC est placée en première position, la configuration
comprehensive RPLCxHILIC ne permet pas d’isoler les fractions de famille de lipides minoritaires à
l’issue de la 1ère dimension en éliminant des portions de chromatogramme. Il est donc impossible de
préconcentrer les échantillons injectés en fonction des familles de lipides minoritaires sélectionnées
pour pouvoir gagner en sensibilité. Ce sont les familles lipidiques majoritaires (ex. TG et PC) qui fixent
la quantité maximale de matrices injectables pour éviter de saturer et d’encrasser prématurément le
détecteur. Les capacités d’isolation des classes lipidiques en fonction de l’ordre des dimensions lors
des analyses bidimensionnelles avec une colonne HILIC et RPLC sont illustrées dans la figure n°92. Dans
le cas où la colonne HILIC est placée en 1ère dimension, comme dans la figure n°92 A, la séparation
entre classes de lipides intervient avant la séparation des lipides d’une même famille. Par exemple, les
familles de composés PE, PC et SM sont totalement séparées les unes des autres lors de la séparation
effectuée en 1ère dimension. Il n’y a pas de superposition entre classes de lipide lors de la projection
sur l’axe horizontal. Cela conduit à l’obtention de chromatogrammes dans lesquels se trouve une seule
famille de lipides à l’issue des séparations dans les deux dimensions. Dans le cas où la colonne HILIC
est placée en 2ème dimension, la séparation entre classes de lipides intervient après la séparation des
différents lipides d’une même famille (cf. figure n°92 B). Par exemple, les familles de composés PE, PC
et SM ne sont séparées les unes des autres que lors de la séparation effectuée en 2ème dimension. Lors
de l’analyse en 1ère dimension, ces trois familles sont co-éluées, puisqu’il y a superposition des classes
de lipides lors de la projection sur l’axe horizontal. Cela conduit à l’obtention de chromatogrammes
dans lesquels figurent plusieurs familles de lipides à l’issue des séparations dans les deux dimensions.

C’est pour l’ensemble de ces raisons que nous avons choisi de conserver la colonne HILIC comme 1 ère
dimension et la colonne RPLC comme 2ème dimension. Une fois que le type de chromatographie a été
sélectionné (HILIC ou RPLC) pour chacune des dimensions, il faut définir la nature précise des phases
stationnaires.

200
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Figure 92 : Capacité d’isolation des classes lipidiques en fonction de l’ordre des dimensions lors des analyses
bidimensionnelles avec une colonne HILIC et RPLC. Le rectangle rouge représente l’illustration d’un chromatogramme
obtenu à un instant « t » après la séparation d’une fraction à l’issue de la D2. (A) Représentation schématisée de la séparation
d’un échantillon contenant des SM, PC et PE avec un système HILICxRPLC. (B) Représentation schématisée de la séparation
d’un échantillon contenant des SM, PC et PE avec un système RPLCxHILIC.

3.2. Choix de la phase stationnaire en 1ère dimension et 2ème

dimension
Afin de couvrir au maximum l’espace de séparation, il est souhaitable d’avoir la plus grande
orthogonalité entre les deux dimensions. Pour cela, des mécanismes de séparations différents et
complémentaires permettent d’augmenter les capacités de séparation. Le degré d’orthogonalité
correspond donc aux différences de sélectivité entre les deux dimensions. Il peut être évalué comme
étant l’espace bidimensionnel occupé par les pics sur le diagramme de composition à l’élution (cf.
figure n°93). Plus l’espace est occupé, plus le système chromatographique aura de chance de séparer
des composés co-élués en 1ère dimension (D1). L’analyse des lipides par chromatographie hydrophile
(HILIC) est souvent réalisée sur des colonnes micropores de 100 à 150 mm de longueur pour une taille
de particules de 1.7 à 5 μm, possédant comme phase stationnaire de la silice vierge ou de la silice
greffée. Les silices greffées changent la sélectivité des colonnes HILIC : elles en modifient la nature des
interactions de la phase stationnaire avec les analytes, en accentuant l’affinité avec les liaisons
hydrogènes ou en engendrant des interactions électrostatiques fortes [330]. Cette modification de la
silice peut être réalisée grâce à des fonctions amides ou diols, comme c’est le cas dans les colonnes
chromatographiques Atlantis HILIC Silica, Acquity UPLC BEH amide, Nucleosil 100-5 OH et Spherisorb
Si [55]. Afin de sélectionner le type de phase HILIC et ainsi confirmer les travaux de Holcapek et al.
[133] et de Xu et al. [123], nous avons testé deux colonnes dont les propriétés physicochimiques
correspondent à leurs études. Ces colonnes sont la colonne BEH Amide (silice greffée) pour les travaux
de Xu et al. [123] et la colonne BEH HILIC (silice non greffée) du même type de phases que les travaux
201
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

2D-LC de Holcapek et al. [133]. Pour la phase stationnaire de type inverse qui sera en 2ème dimension
(D2) nous avons sélectionné une phase Acquity C18, très utilisée pour les analyses lipidiques globales
[55]. Afin de sélectionner la meilleure phase HILIC et d’évaluer le degré d’orthogonalité, nous avons
comparé les pourcentages de composition à l’élution des 3 phases stationnaires. Ce pourcentage
correspond à la quantité nécessaire de solvant possédant un pouvoir éluant élevé (phase aqueuse en
HILIC et phase organique en RPLC) pour entrainer un composé hors de la colonne chromatographique.
Les compositions à l’élution obtenues avec les phases HILIC en analyse monodimensionnelle ont été
corrélées à celles obtenues en RPLC pour former le diagramme des compositions à l’élution présenté
sur la figure n°93.

Figure 93 : Compositions à l’élution de composés lipidiques en HILIC en fonction des compositions à l’élution de ces mêmes
composés en RPLC. Les analyses en HILIC ont été obtenues à partir d’analyses 1D-LC réalisées à partir de deux colonnes
différentes : BEH HILIC (2.1x100 1.7μm) et BEH Amide (2.1x100 3.5μm). L’analyse en RPLC a été obtenue à partir d’analyse
1D-LC réalisé avec la colonne Acquity C18 (2.1x100 1.7μm). Les gradients chromatographiques sont normalisés en fonction
des dimensions de colonnes.

Cette figure nous montre que nous avons une très mauvaise séparation des composés pour une même
famille en chromatographie HILIC puisque tous les lipides d’une même classe se retrouvent élués avec
le même pourcentage de phase aqueuse (alignement sur l’axe des ordonnées). Ce qui n’est pas le cas
en RPLC où les différents lipides d’une même famille sont élués à des pourcentages de phase organique
différents (répartition sur l’axe des abscisses). Lorsque l’on observe les différentes classes, on
remarque qu’elles sont bien réparties par rapport à l’axe des ordonnées, ce qui indique une bonne
séparation en HILIC. En revanche, cela n’est pas le cas sur l’axe des abscisses avec la superposition des
différentes classes de phospholipides (PC, PE, PI, PS et PG). Ainsi la chromatographie de phase inverse
202
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

ne permet pas d’avoir une bonne séparation entre classes lipidiques. Comme attendu, ces résultats
indiquent une orthogonalité de séparation entre les deux dimensions, car l’association des deux
colonnes permet de séparer des composés co-élués lors de l’utilisation d’une seule dimension.

Les deux colonnes HILIC présentent des variations de sélectivités par rapport aux différentes familles
de lipides, puisque les familles de composés ne sont pas éluées dans le même ordre et avec la même
composition à l’élution (pourcentages de phase aqueuse différents). Nous avons sélectionné la
colonne BEH HILIC à base de silice vierge, car elle présente plus de rétention. En effet, les compositions
à l’élution pour chaque famille de lipides sont de manière générale plus importantes avec la colonne
en silice non greffée (ex. LPC colonne BEH amide = 11% < LPC colonne BEH HILIC = 16%). Cette
constatation est intéressante, car cela permet d’obtenir des compositions d’élution moins riches en
phases organiques. Ainsi la phase mobile présente plus de compatibilité entre les dimensions. Lorsque
l’on souhaite réaliser des analyses 2D-LC en ligne, il est nécessaire de prendre en considération les
compatibilités de solvants entre chaque dimension (cf. chapitre 1 partie n°4.2.1). Même si la HILIC et
la RPLC utilisent les mêmes solvants, ceux-ci ont des affinités contraires. En HILIC, la phase aqueuse
est le solvant fort par rapport aux phases organiques, ce qui n’est pas le cas en RPLC. Donc plus le
composé sera élué avec un pourcentage de phase organique élevé en HILIC, plus il y aura de risques
que le composé subisse des effets de breakthrough dans la colonne de phase inverse. Pour rappel, le
breakthrough se traduit par des déformations de pics chromatographiques. Cela est dû à une partie
des composés qui sont entrainés plus rapidement par le solvant provenant de la 1ère dimension [114]
comme défini dans le chapitre 1.

Lors des analyses 2D en ligne qui rencontrent ce problème de déséquilibre de la force du solvant, il est
nécessaire de diminuer la force d’élution de la phase mobile qui provient de la 1 ère dimension. Pour
cela, il faut limiter la quantité de solvant transféré dans la 2ème dimension en divisant le débit avec un
split, ou en diluant les fractions issues de la 1ère dimension en introduisant un co-solvant avec un
pouvoir éluant plus faible entre les deux dimensions [114]. Plus le phénomène de breakthrough sera
important, plus il faudra diviser le débit ou diluer l’échantillon avant injection, ce qui diminuera la
sensibilité de la méthode. Étant donné sa simplicité de mise en place, nous avons sélectionné dans
notre étude la jonction avec un « T » pour diviser le débit en sortie de 1ère dimension afin de ne
récupérer qu’une partie de l’éluat. Nous avons donc par la suite évalué le meilleur ratio de split à
appliquer pour éviter le phénomène de breakthrough tout en limitant la baisse de sensibilité.

3.3. Étude des effets à l’injection et mise en place du split

Afin d’évaluer l’intérêt de placer la colonne HILIC en 1ère dimension et la colonne RPLC en 2ème
dimension, les effets de breakthrough ont été comparés selon les configurations RPLC-HILIC et HILIC-
RPLC.
203
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

3.3.1. RPLC en 1ère dimension et HILIC en 2ème dimension

Pour pouvoir évaluer les phénomènes de breakthrough, il est nécessaire de récupérer chaque lipide
dans un solvant correspondant à leur composition à l’élution issue de la séparation
chromatographique de 1ère dimension. Cette étape peut être réalisée à l’aide d’un collecteur de
fractions. Dans le cas où la RPLC est utilisée en 1ère dimension, l’ensemble des lipides d’une même
classe lipidique est élué avec des pourcentages de compositions à l’élution différents. Ainsi, l’utilisation
d’une matrice biologique dans le cadre de cette étude nécessiterait autant de collectes qu’il y a de
lipides dans l’échantillon, ce qui est très complexe à mettre en place. Pour simplifier cette
expérimentation et avoir une idée des effets de breakthrough, un standard par famille de lipides a été
mis en solution avec une composition de phases correspondant à leur élution en phase inverse. Chaque
fraction a ensuite été injectée dans un système HILIC-MS/MS en faisant varier le volume injecté de 1
μL à 10 μL (0.5%, 1%, 2.5% et 5% du volume mort de la colonne) comme présenté dans les figures n°94
et 95.

Figure 94 : Évaluation du phénomène de breakthrough pour les standards PC et LPC obtenus par RPLC-HILIC hors ligne en
faisant varier les volumes d’injection dans la 2ème dimension. Les volumes investigués sont 1 μl (0.5% du volume mort), 2 μl
(1% du volume mort), 5 μL (2.5% du volume mort) et 10 μL (5% du volume mort).

204
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Figure 95 : Évaluation du phénomène de breakthrough pour les standards PE, PG, PS, DG, TG et Cer obtenus par RPLC-HILIC
hors ligne en faisant varier les volumes d’injection dans la 2ème dimension. Les volumes investigués sont 2 μl (1% du volume
mort), 5 μl (2.5% du volume mort), 10 μL (5% du volume mort) et 20 μL (10% du volume mort).

Les déformations de pic pour la configuration RPLC en D1 et HILIC en D2 commencent à partir de (i)
1% du volume mort pour les PG et les PE, (ii) 2.5% pour les LPC et PS, (iii) 5% pour les PC, Cer, DG et
TG.

205
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

3.3.2. HILIC en 1ère dimension et RPLC en 2ème dimension

Dans le but d’évaluer le phénomène de breakthrough dans la configuration inverse, nous avons injecté
un extrait d’échantillon de matrice lipidique de G. fossarum dans un système chromatographique avec
une colonne BEH HILIC équipée d’un collecteur de fractions. La matrice de gammare a été utilisée afin
d’avoir un mélange complexe contenant de nombreux lipides de familles différentes. Cette
expérimentation nous a permis de récupérer chaque famille lipidique dans un solvant qui correspond
à la composition à l’élution issue de la séparation chromatographique de 1ère dimension. Chaque
fraction a été ensuite injectée dans un système RPLC-MS/MS en faisant varier le volume injecté de 5
μL à 40 μL (2.5%, 5%, 10%, 15% et 20% du volume mort de la colonne). Les seules familles impactées
sont les lysophospholipides dont font partie les LPC. Ils commencent à subir des effets de breakthrough
de manière significative à partir de 10% du volume mort injecté comme indiqué sur la figure n°96. Ces
effets se traduisent par une déformation à l’avant des pics chromatographiques et d’une diminution
de la sensibilité d’environ 35% pour les LPC. Lorsque la quantité injectée est doublée entre le passage
de 2.5% à 5% du volume mort, le signal augmente bien proportionnellement au volume injecté. Cela
n’est plus le cas entre le passage de 5% à 10% du volume mort.

Figure 96 : Évaluation du phénomène de breakthrough pour la famille des LPC obtenu par HILIC-RPLC hors ligne en faisant
varier les volumes d’injection dans la 2ème dimension. Les fractions injectées en RPLC (D2) ont été obtenues grâce à un
collecteur de fractions à l’issue de la séparation en HILIC (D1). Les volumes injectés en D2 sont de 5 μl (2.5% du volume mort),
10 μl (5% du volume mort) et 20 μL (10% du volume mort).

206
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Pour le reste des familles testées (Cer, DG, TG, PG, PE, PC, PI, PS et SM), les volumes représentant
jusqu’à 20% du volume mort n’entrainent aucune déformation de pic chromatographique (cf. figures
annexes n°14 et 15).

Ce phénomène impactant particulièrement les LPC est expliqué par le fait qu’ils font partie des lipides
les plus polaires. Ils ont besoin d’un plus faible pourcentage de phase organique pour être retenus en
phase inverse. Les 84 % d’acétonitriles transférés de la 1ère dimension HILIC (cf. figure n°93) influencent
donc plus fortement leurs rétentions. Les lysophospholides sont ainsi plus sensibles au phénomène de
breakthrough.

Dans la configuration RPLC en D1 et HILIC en D2, la limite du volume mort injectable est inférieure ou
égale à 5%. Dans le cas de la configuration HILIC en D1 et RPLC en D2, la limite du volume mort
injectable est de 5% pour les LPC et 20% pour les autres familles de lipides. Ces résultats impliquent
que les configurations RPLC en D1 et HILIC en D2 doivent avoir un split plus important entre les deux
dimensions que pour les configurations inverses. Cela conforte notre choix d’utiliser la HILIC en 1 ère
dimension afin de diminuer le split et ainsi conserver une meilleure sensibilité.

Le split entre la 1ère dimension HILIC et la 2ème dimension RPLC devra limiter la quantité de solvant
arrivant en 2ème dimension. Le volume injecté devra être inférieur ou égal à 5% du volume mort injecté
si l’on souhaite conserver les lysophospholipides, dont font partie les LPC. Si on écarte les
lysophospholipides, ce pourcentage peut être augmenté jusqu’à 20%, voire même au-delà comme
aucune déformation n’a été observée à ce pourcentage. Il serait judicieux de refaire ces analyses en
augmentant davantage le volume injecté (Vinjecté > 40μL) en 2ème dimension. Faute de temps cela n’a
pas été réalisé.

3.4. Étude du mode comprehensive pour des applications

lipidomiques selon la configuration HILICxRPLC-MS/MS
3.4.1. Présentation du système envisagé

Les premières analyses en mode 2D-LC en ligne ont été réalisées en mode comprehensive selon la
configuration HILICxRPLC. Ces expérimentations ont pour objectif d’évaluer les limitations rencontrées
en phase inverse lorsque celle-ci est employée en tant que 2ème dimension dans le cadre d’études en
lipidomique. Ces informations nous indiqueront les verrous scientifiques qu’il faudra surmonter pour
maintenir la phase HILIC en 1ère dimension, en rendant compatible la RPLC avec une utilisation en 2ème
dimension.

Le schéma du montage HILICxRPLC mis en place est présenté dans la figure n°97. Un split est placé
entre les deux dimensions pour limiter les effets de breakthrough, comme cela a été étudié dans le
207
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

paragraphe précédent. Le débit en D1 est de 50 μL/min avec un temps de gradient total de 50 minutes.
Le temps de gradients en D2 est de 0.47 minute. Ce temps correspond également au temps de collecte
de chaque fraction en D1. Ainsi, le volume collecté par fraction est de 23.5 μL. Sachant que le volume
mort de la colonne en D2 a été évalué à 62 μL, le volume maximal pour respecter le critère des 5% du
volume mort injecté, induit par les lysophospholipides, est de 3.1 μL. Le split appliqué entre les deux
dimensions a donc un ratio de 1:10 ce qui permet d’envoyer 2.34 μL en D2 en accord avec les résultats
précédents. Le débit dans la 2ème dimension est de 1.5 mL/min, ce qui oblige l’ajout d’un second split
en amont du détecteur en masse. Le ratio appliqué est 1:3 afin d’avoir un débit de 500 μL/min
compatibles avec la source d’ionisation électrospray.

Figure 97 : Système HILICxRPLC-QTOF. Cette configuration possède un split (1:10) entre les deux dimensions et un split (1:3)
entre la D2 et le détecteur.

Pour maintenir la résolution obtenue dans la 1ère dimension, lors du passage dans la dimension
suivante, il est important de fractionner plusieurs fois le chromatogramme de 1ère dimension dans la
largeur des pics chromatographique [331]. Murphy et al. ont montré qu’avec trois à quatre fractions
par pic de 1ère dimension, la résolution obtenue en première dimension était maintenue [331]. Nos
conditions chromatographiques nous permettent d’obtenir 4 fractions par pic chromatographique de
1ère dimension (cf. figure n°98 C).

Les pics chromatographiques de 2ème dimension en mode comprehensive ont des largeurs de pics de
l’ordre de la seconde, ce qui impose d’avoir un détecteur possédant une vitesse d’acquisition
importante pour obtenir entre 10 et 15 points par pic afin de bien les définir. De ce fait, le spectromètre
de masse utilisé est l’IM-QTOF 6560 de chez Agilent®. Le dimensionnement des conditions
chromatographiques (calcul des pentes de gradient, débit, etc.) a été réalisé grâce au logiciel non
commercial développé par l’équipe chromatographie et techniques couplées dirigée par Sabine
Heinisch au sein de l’Institut des Sciences Analytiques (ISA).

208
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Après avoir choisi les deux colonnes chromatographiques ainsi que les splits à appliquer, nous avons
réalisé les analyses comprehensives HILICxRPLC en ligne pour la matrice G. fossarum.

3.4.2. Mise en évidence d’un manque de résolution en 2ème dimension lors de la

configuration HILICxRPLC

Afin d’évaluer la configuration HILICxRPLC, un extrait lipidique de l’espèce G. fossarum a été analysé.
Une attention particulière a été accordée à la séparation entre deux classes lipidiques et à la séparation
entre deux lipides d’une même famille qui ne diffèrent que d’une insaturation. Un exemple de
séparation des composés PC 34:1, PC 34:2, PE 38:5 et PE 38:6 obtenus par chromatographie
bidimensionnelle HILICxRPLC a été comparé à des analyses monodimensionnelles 1D-HILIC et 1D-RPLC
dans la figure n°98.

Figure 98 : Comparaison de la séparation (A) HILIC-MS/MS versus (B) RPLC-MS/MS versus (C) HILICxRPLC-MS/MS lors de
l’analyse de 4 lipides (PE 38:6, PE 38:5, PC 34:1, PC 34:2) provenant de deux familles lipidiques différentes.

Comme on peut s’y attendre, la colonne HILIC utilisée comme 1ère dimension permet bien de séparer
les différentes classes lipidiques lors de la séparation bidimensionnelle (cf. figures 98 A et 98 C) puisque

209
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

la famille des PE est bien séparée des PC. Les résultats en HILIC et HILICxRPLC sont identiques. L’analyse
en chromatographie classique 1D-RPLC (cf. figure n°98 B) permet une bonne séparation des lipides
d’une même famille. Par contre, lorsque la RPLC est utilisée comme 2ème dimension, on observe une
mauvaise résolution puisqu’il n’y a pas de séparation entre les lipides d’une même classe (cf. figure
n°98 C). Cela indique que le temps de gradient appliqué dans la 2ème dimension n’est pas assez long
pour pouvoir séparer des lipides qui ne diffèrent que d’une insaturation lors d’une séparation en RPLC.
Cette étude nous a permis de confirmer les résultats de Xu et al. [123] ainsi que l’affirmation formulée
par Holcapek et al. [133] concernant les mauvaises performances des colonnes RPLC en tant que 2ème
dimension lors des analyses LCxLC pour les lipides.

Afin de conserver la HILIC en tant que 1ère dimension, il est nécessaire d’allonger le temps de gradient
dans la 2ème dimension RPLC. Ainsi, il n’est plus envisageable de rester en mode comprehensive (LCxLC).
Pour cela, nous avons décidé de changer de mode de chromatographie bidimensionnelle en utilisant
le mode multiple heart cut (LC-LC). Contrairement au mode comprehensive, ce mode ne sélectionne
que les fractions d’intérêt de la D1 qui sont transférées dans la D2 (cf. chapitre 1 partie 4.1.2.A). Cette
configuration possède de nombreuses boucles qui permettent de stocker l’ensemble des fractions
contenant les familles lipidiques. Cela permet de ne plus avoir de contrainte de temps dans la 2 ème
dimension. Le temps de gradient en D2 pourra être choisi indépendamment de la D1. Toutefois, le
changement du mode LCxLC pour le mode LC-LC soulève la question de la perte d’informations,
puisque la totalité des fractions ne subit pas la séparation en 2ème dimension et n’est pas envoyée dans
le spectromètre de masse. Avant de réaliser le changement de mode 2D-LC, la problématique
concernant l’analyse des lysophospholipides (LPL) en chromatographie HILIC en 1 ère dimension a dû
être prise en considération.

3.5. Problématiques rencontrées lors de l’analyse des

lysophospholipides en chromatographie HILIC de 1ère dimension
Avant de développer la méthode HILIC-RPLC-MS/MS, nous nous sommes concentrés sur le cas
particulier des lysophospholipides dont font partie les LPC et les LPE, puisqu’il s’agit des familles
présentant le plus de désavantages lors de leurs analyses en mode 2D. En effet, comme nous l’avons
montré, ils subissent le plus d’effet à l’injection lors du passage de la HILIC vers la RPLC. De plus, comme
indiqué sur la figure n°99, les LPC et LPE possèdent de larges fenêtres de fractionnement à cause du
dédoublement de chaque pic chromatographique. Cela est dû notamment à la présence d’isomères
de position correspondant aux deux positions possibles pour l’unique chaine d’acide gras sur leur
squelette glycérol (cf. chapitre 3 partie 3.2.1). Ce cas de figure en HILIC n’a pas été rencontré pour les
autres familles de lipides en dehors des lysophospholipides.

210
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Figure 99 : Mise en évidence de larges fenêtres de fractionnement pour les familles de lysophospholipides (ex. LPE et LPC)
lors de leur analyse en HILIC-MS/MS.

La colonne RPLC (2.1x100 mm et 3.5 μm de taille de particule) utilisée en 2 ème dimension possède un
volume mort de 208 μL. Pour préserver la forme des pics, le volume injecté dans la D2 ne doit pas
excéder les 5% du volume mort de la colonne, soit 10.4 μL. Ainsi, avec un débit de 600 μL/min en D1
associé à des fractions larges de 0.4 min pour les LPC et 0.34 min pour les LPE (cf. figure n°99), cela
correspond à des fractions respectives de 240 μL et 204 μL. Pour respecter le volume maximal à injecter
dans la D2, il faudrait mettre en place un split supérieur au ratio 1:20. Cela n’est pas souhaitable et
risque d’affecter considérablement la sensibilité. De plus, d’un point de vue pratique il est difficile de
mettre en place un split supérieur au facteur 10 avec une grande précision. L’autre solution serait de
mettre en place un split moins important, mais en fractionnant plusieurs fois au sein des familles de
lysophospholipides. Cette option n’a pas été retenue, car cela demanderait trop de temps d’analyse.
En effet, en appliquant un split de ratio de 1:10, il sera nécessaire de subdiviser la famille des LPC en 3
fractions et la famille des LPE en 2 fractions. Dans le cas où le gradient de 2ème dimension (RPLC) dure
30 minutes (cf. chapitre 3 partie 3.2.1), cela rajouterait 90 minutes d’analyses. L’analyse des LPC et des
LPE en mode 2D-LC induit trop de contraintes. Par ailleurs, leur séparation est satisfaisante lors de
l’analyse en 1D-HILIC et 1D-RPLC puisqu’ils sont élués en dehors de la zone d’élution des
phospholipides et des glycérolipides, limitant les effets matrices entre les différentes familles de
lipides. De plus, la HILIC ainsi que la RPLC permettent de séparer les isomères de positions au sein des
lysophospholipides. Dans le cas de notre méthode 2D-LC, les lysophospholipides ne seront pas
considérés et ils seront analysés avec des méthodes 1D classiques indépendantes. Cela permettra
d’utiliser un split moins important entre les deux dimensions, car les effets à l’injection sont moins
importants pour les autres familles lipidiques.
211
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

3.6. Optimisation de la méthode multiple heart cut HILIC-RPLC-

MS/MS
3.6.1. Présentation du système envisagé

Théoriquement, le passage du mode LCxLC au mode LC-LC ne fait pas perdre d’information lors des
analyses lipidomiques puisque l’utilisation de la colonne HILIC en tant que 1ère dimension permet de
regrouper l’ensemble des lipides d’une même famille sous un seul pic chromatographique. Ainsi la
récupération des lipides est facilitée en récoltant une fraction (ou cut) par famille lipidique. Cela
permet de réaliser des analyses pouvant être assimilées à du mode comprehensive, où les cuts ne
contenant pas de lipides ne sont pas analysés. Toutefois, ce changement de mode 2D s’accompagne
d’une augmentation du temps d'analyse, puisque cette fois-ci le temps total correspond au temps
d’analyse de la 1ère dimension accompagné de la somme des temps d’analyse de chaque fraction
envoyée en 2ème dimension. Le système mis en place pour les analyses multiple heart cut est présenté
sur la figure n°100. Il possède deux decks qui contiennent chacun cinq boucles de stockages, pouvant
récolter jusqu’à 120 μL d’échantillon, et une boucle de passage. Le rôle de cette boucle de passage est
de laisser passer les portions de chromatogramme qui ne présentent pas d’intérêt. Il est donc possible
de récupérer jusqu’à 10 fractions en une seule injection.

Figure 100 : Système HILIC-RPLC/IM-QTOF. Cette configuration possède un split (1:5) entre les deux dimensions. Les 2 decks
possèdent chacune 5 boucles de stockages et 1 de boucle de passage pouvant stocker jusqu’à 120 μL.

Comme nous allons le voir, il y a à ce jour un certain nombre de contraintes concernant le pilotage du
logiciel 2D-LC qui perturbent la collecte des fractions et le gradient de 1ère dimension.

212
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

3.6.2. Mise au point du gradient HILIC en 1ère dimension

3.6.2.A. Fonctionnement de la collecte des fractions et application à l’approche HILIC-

RPLC pour l’analyse lipidomique

Les conditions chromatographiques que nous avions initialement mises au point pour la 2D en mode
comprehensive peuvent être réoptimisées pour la 2D-LC en mode mutiple heart cut. En effet, le mode
LCxLC utilisait un gradient de 50 minutes avec un faible débit (50 μL/min) qui induisait des pics assez
larges d’environ 1.8 minute (cf. 3.4.1). Dans le cas des approches multiple heart cut il est nécessaire
d’avoir des pics plus fins pour faciliter la récolte des fractions. Avant d’optimiser les conditions
chromatographiques de la 1ère dimension, les conditions de fractionnement ont été étudiées,
notamment avec le fonctionnement des decks et des boucles de stockages. L’exemple détaillé ci-
dessous va expliquer le fonctionnement des decks de stockages via l’utilisation du logiciel de pilotage
2D Openlab de chez Agilent®. Dans le cas du fractionnement envisagé pour les lipides, il sera réalisé
avec une fraction unique par classe de lipides et une pause entre chaque fraction (temps pendant
lequel aucune fraction n’est collectée), comme présenté sur l’exemple de la figure n°101.

Figure 101 : Fonctionnement du fractionnement en LC-LC lorsque trois fractions uniques sont séparées par une pause.

Il serait possible de supprimer ces pauses entre chaque fraction en réalisant un fractionnement
continu, pour avoir un mode multiple heart cut pouvant s’apparenter à un mode comprehensive avec
des fenêtres de fractionnement larges. Toutefois, le logiciel de pilotage 2D impose le même gradient
en 2ème dimension pour l’ensemble des fractions issues d’une même injection. Ainsi le temps d’analyse
en D2 des fractions correspondant aux familles lipidiques et celles se situant entre ces classes de lipides
seraient identiques. L’analyse des fractions se situant entre 2 familles de lipides engendrerait des

213
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

analyses en 2ème dimension inutiles, puisqu’aucun lipide d’intérêt n’est collecté, tout en augmentant
drastiquement le temps d’analyse. De plus, le nombre de fractions collectées simultanément est limité
à 10 boucles, ce qui conduirait à une saturation prématurée des boucles, empêchant le stockage de
fractions ultérieures. Cette solution n’a pas été retenue pour la suite du développement de la méthode
HILIC-RPLC, et les pauses entre les fractions lipidiques ont été maintenues.

La programmation du logiciel pilotant la vanne de fractionnement considère qu’un deck est complet
dès que l’ensemble des boucles sont remplies ou qu’une pause entre deux collectes est appliquée. De
plus, les analyses en 2ème dimension ne peuvent commencer que lorsqu’un deck est rempli.

Lorsque 3 fractions sont récoltées avec deux decks possédant chacun 5 boucles de stockage et 1 boucle
de passage (cf. figure n°101), le pilotage des vannes est réalisé de la façon suivante :

x (1) la 1ère fraction est récoltée dans la boucle 1 du deck 1.

x (2) Dès que la 1ère fraction est collectée, son analyse dans la 2ème dimension débute
directement puisqu’une pause entre deux fractionnements est rencontrée. Le deck 1 est
considéré occupé tant que l’analyse dans la D2 n’est pas terminée.
x (2’) En parallèle de l’analyse de la 1ère fraction dans la D2, la 2ème fraction est collectée dans la
boucle de stockage 1 du deck 2 en attendant d’être analysée.
x (3) Lorsque la fraction stockée dans le deck 1 a été analysée, une procédure de nettoyage de
la boucle de passage du deck 1 est réalisée.
x (3’) En parallèle de ce nettoyage, la 2ème fraction stockée dans le deck 2 est analysée dans la
D2. Le deck 2 est considéré occupé tant que l’analyse dans la D2 n’est pas terminée.
x (4) Lorsque la 2ème fraction stockée dans le deck 2 a été analysée, une procédure de nettoyage
de la boucle de passage du deck 2 est effectuée.
x (4’) En parallèle, la 3ème fraction est collectée dans la boucle de stockage 1 du deck 1 en
attendant d’être analysée.
x (5) Dès que la 3ème fraction est collectée, son analyse dans la D2 débute puis lorsque la fraction
a été analysée, une procédure de nettoyage de la boucle de passage du deck 1 est réalisée.

Dans les conditions où une pause est rencontrée entre chaque collecte, une seule boucle est utilisable
par deck, ce qui limite drastiquement le nombre de fractions à collecter. D’autant plus que la 3ème
fraction ne peut être collectée que si son temps de début du fractionnement est supérieur au temps
de fin d’analyse de la 1ère fraction dans la 2ème dimension, auquel il faut associer le temps de nettoyage
de la boucle de passage du deck 1. Avant de collecter dans une nouvelle boucle, il faut être sûr qu’elle
soit de nouveau disponible, comme expliquée dans l’exemple de la figure n°101.

214
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Dans notre étude, le temps de gradient total de la 2ème dimension doit être supérieur à 10 minutes,
pour laisser suffisamment de temps aux lipides d’une même classe qui ne diffèrent que d’une
insaturation d’être résolus (cf. chapitre 3 partie 3.3.2). Cependant, la séparation entre deux familles
de lipides dans la D1 est bien inférieure au temps de gradient global de la D2. Ainsi le premier deck ne
sera pas disponible lors de l’élution de la 3ème fraction ainsi que pour les fractions suivantes.

Pour pallier à ce problème de programmation de la vanne de fractionnement, nous avons choisi

d’utiliser une 1ère dimension extrêmement rapide pour réaliser des injections multiples. Chaque
injection permettra de collecter une ou deux fractions au maximum, qui seront analysées en D2. Il
faudra donc plusieurs injections pour analyser la totalité des fractions en 2ème dimension. Grâce au
gradient rapide en D1, le temps d’analyse global ne sera pas trop allongé comparé à l’injection unique.
Toutefois, cette stratégie ne sera pas compatible avec les échantillons « précieux », où l’on a de faibles
quantités à disposition.

3.6.2.B. Mise en place du gradient de séparation rapide en 1ère dimension

Afin de réduire le temps d’analyse en 1ère dimension, les conditions chromatographiques de la colonne
BEH HILIC (2.1x100 mm et 1.7μm de taille de particules) utilisée lors de l’approche LCxLC, ont été
optimisées (débit et pente du gradient). Les nouveaux paramètres (pente de 1% et débit de 600
μL/min) permettent de séparer les différentes classes de lipides avec un gradient d’élution de 15
minutes, équilibrage compris. Ces conditions sont compatibles avec notre stratégie de multiples
injections puisque la totalité des lipides est éluée en moins de 4 minutes (cf. figure n°102).

215
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Figure 102 : Séparation des différentes familles lipidiques dans la 1ère dimension en mode HILIC lors de l’analyse d’un extrait
de G. fossarum.

Même si les LPL (ex. LPC et LPE) ne sont plus considérés dans notre stratégie analytique, il est important
de vérifier qu’ils n’interfèrent pas avec le fractionnement des autres classes lipidiques. Comme on peut
le voir sur la figure n°102, les familles des TG, DG et Cer ne présentent pas de rétention, comme
attendu puisqu’ils n’ont pas de tête polaire. Ils seront donc récoltés dans la même fraction. Chacune
des autres fractions pourra être récoltée indépendamment les unes des autres, sauf pour les PS et LPE
qui devront être récoltés dans la même fraction. La superposition des familles de TG, DG et Cer ainsi
que la superposition des LPE et PS n’est pas problématique puisque la RPLC qui est utilisée en 2ème
dimension est capable de les séparer.

Pour la suite de ces travaux, il est également important de s’assurer que tous les lipides appartenant à
une même classe (nombre de carbones et d’insaturations différents) sont bien élués sous un seul et
même pic chromatographique.

3.6.2.C. Influence du nombre de carbone sur les chaines d’acides gras des lipides lors
de la séparation en chromatographie HILIC

Dans le cadre des essais réalisés sur G. fossarum, l’ensemble des lipides d’une même famille, composée
d’une combinaison d’acides gras compris entre 14 et 20 carbones, sont élués dans la même zone
d’élution lors de leurs séparations en HILIC. La littérature en lipidomique conforte ces résultats, car il

216
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

est référencé qu’en HILIC il est possible d’avoir un seul standard interne (ISTD) par famille, puisque
l’ensemble des lipides d’une même classe est élué dans la même zone d’élution avec le même
environnement d’ionisation [53,58]. Cependant, il faut nuancer cette affirmation, étant donné que
cela est vrai seulement pour une certaine gamme de lipides qui présentent un certain nombre de
carbones. Par exemple, lors de l’analyse de la matrice de gammare enrichie avec des standards de
lipides à chaine courte (combinaison de chaine d’acides gras inférieurs à 14 carbones), une différence
de temps de rétention non négligeable par rapport à la zone d’élution attendue a été observée.
Comme on peut le voir sur la figure n°103, les standards de lipide possédant des chaines d’acide gras
plus courtes, représentés en couleurs, ne sont pas élués dans la zone correspondant à leur famille
lipidique, dans laquelle se trouvent les lipides endogènes représentés en noir et blanc. Des co-élutions
entre familles sont observées, avec par exemple le standard PE 25:0 co-élué avec la famille des PC et
le standard PC 25:0 co-élué avec la famille des LPE.

Figure 103 : Séparation des différentes familles lipidiques du gammare dans la première dimension en mode HILIC avec
ajout de standards à chaine d’acides gras courts par classe de lipides. Composition des standards lipidiques : DG 17:0/17:0,
TG 17:0/17:1/17:0 d5, Cer d18:1/12:0, PE 12:0/13:0, PI 12:0/13:0, PC 11:0/11:0, PS 12:0/13:0, SM d18:1/18:1 d9.

Ce phénomène pourrait être une véritable limitation pour l’approche 2D-LC que nous développons. En
effet, si l’échantillon présente des lipides avec des nombres de carbones très différents pour une
même famille, on risque de ne plus les retrouver dans la même fraction. Ils seront co-élués avec
d’autres classes de lipides. Néanmoins, cette diversification en nombre de carbone au sein d’une
même famille lipidique n’est pas couramment rencontrée, puisque les matrices biologiques sont

217
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

majoritairement constituées de lipides à chaine d’acides gras comportant entre 14 et 22 atomes de

carbone [198,294–298].

En conclusion, ces résultats montrent que les standards internes doivent être judicieusement
sélectionnés pour être élués dans la même fraction que les lipides endogènes de la même classe
lipidique. Par exemple, il faut choisir des ISTD possédant des longueurs de chaine « standard »
comprises entre 14 et 22 carbones. Il faut également que ce soit des ISTD isotopiquement enrichies
(ex. PC 18:0-18:0 d9) ou des lipides avec au moins une chaine d’acides gras possédant un nombre
impair d’atomes de carbone (ex. PC 17:0-17:0), puisque dans la nature les chaines d’acides gras paires
sont prédominantes [290].

Après avoir optimisé la 1ère dimension de séparation HILIC, nous avons optimisé les séparations
chromatographiques de la 2ème dimension ainsi que les paramètres du spectromètre de masse.

3.6.3. Mise au point du gradient RPLC en 2ème dimension

L’un des désavantages de l’approche multiple heart cut comparé aux approches comprehensives est le
temps d’analyse, qui est drastiquement augmenté en multipliant le nombre de fractions analysées en
2ème dimension. Pour réduire le temps global, le gradient de 2ème dimension a été optimisé et adapté à
chaque classe de lipides. Initialement, le gradient utilisé était le même que la méthode Scout-MRM (cf.
chapitre 3). Il avait pour but d’étudier l’ensemble des classes lipidiques en une seule analyse. Le temps
total était de 30 minutes comme rappelé sur la figure n°104. Il est important de noter que le logiciel
d’acquisition (Agilent® Openlab 2D), permettant le pilotage des méthodes bidimensionnelles, oblige
l’utilisation d’un seul et même gradient d’élution pour l’ensemble des fractions collectées lors d’une
même injection dans la 1ère dimension. Toutefois, comme décrit précédemment (cf. partie 3.6.2), la
méthode LC-LC développée dans cette étude utilisera une approche avec injections multiples. Ainsi
cette limitation sera surmontée en adaptant le gradient pour chaque injection correspondant à une
fraction spécifique. De plus, les LPL n’étant plus considérés dans cette approche 2D, il sera possible de
gagner en temps d’analyse, car le gradient d’élution pourra démarrer avec un pourcentage de solvant
éluant plus important.

218
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Figure 104 : Séparation chromatographique d’origine pour les familles lipidiques (LPL / PL / SM / Cer / DG / TG) avec la
méthode RPLC-MS/MS en mode ESI (+). Le tracé en bleu représente le gradient chromatographique avec le pourcentage de
phase B (IPA/H2O/ACN 90/9.5/0.5 ; v/v/v + 0.1% acide formique + 10 mM formiate d’ammonium) au cours du temps. La phase
A est constitué du mélange H2O/ACN 60/40 ; v/v + 0.1% acide formique + 10 mM formiate d’ammonium.

Deux gradients types avec un temps total inférieur à 15 minutes ont été mis en place. Le 1 er gradient
possède une pente allant de 55% à 80% de phase B pour les phospholipides et pour les
sphingomyélines (cf. figure n°105).

Figure 105 : Séparation chromatographique optimisée pour les familles lipidiques (PL / SM) avec la méthode RPLC-MS/MS
utilisée en deuxième dimension en mode ESI (-). Le tracé en bleu représente le gradient chromatographique avec le
pourcentage de phase B (IPA/H2O/ACN 90/9.5/0.5 ; v/v/v + 0.1% acide formique + 10 mM formiate d’ammonium) au cours
du temps. La phase A est constitué du mélange H2O/ACN 60/40 ; v/v + 0.1% acide formique + 10 mM formiate d’ammonium.

219
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Le deuxième gradient a une pente allant de 60% à 99% de phase B pour les triglycérides, diglycérides
et les céramides (cf. figure n°106).

Figure 106 : Séparation chromatographique optimisée pour les familles lipidiques (TG / DG / Cer) avec la méthode RPLC-
MS/MS utilisée en deuxième dimension en mode ESI (+). Le tracé en bleu représente le gradient chromatographique avec
le pourcentage de phase B (IPA/H2O/ACN 90/9.5/0.5 ; v/v/v + 0.1% acide formique + 10 mM formiate d’ammonium) au cours
du temps. La phase A est constituée du mélange H2O/ACN 60/40 ; v/v + 0.1% acide formique + 10 mM formiate d’ammonium.

Les deux gradients ont les mêmes compositions initiales et finales en phase B afin de faciliter le passage
de l’un à l’autre sans temps d’équilibrage supplémentaire. Les nouveaux gradients utilisés pour la
séparation des composés dans la 2ème dimension respectent les critères listés dans le chapitre 3 partie
3.2.2 de ce manuscrit, à savoir la bonne séparation entre deux composés d’une même famille qui
diffèrent d’une insaturation.

3.6.4. Optimisation des paramètres de masse du QTOF

Le système permettant de réaliser les analyses multiple heart cut en ligne est couplé à un spectromètre
de masse de type QTOF (IM-QTOF 6560 de chez Agilent®). Cet instrument étant récent au laboratoire,
une étude rapide des conditions d’ionisation et de fragmentation a été nécessaire. Les paramètres du
spectromètre de masse pour chacune des familles de lipides ont été optimisés. Pour cela, un mélange
de standards a été injecté dans le spectromètre de masse avec le système chromatographique en
mode FIA (flow injection analysis), c’est-à-dire sans colonne chromatographique. Le débit est fixé à 500
μL/min comme pour les conditions de 2ème dimension. Les résultats pour l’ensemble des paramètres
de masse sont représentés sur les figures n°107 et 108.

220
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Figure 107 : Optimisation des paramètres de masse (Nébuliseur, débit de sheat gas et de gaz séchant, température du
sheat gas et du gaz séchant, tension du nozzel en mode ESI (+) et (-), tension du capillaire en mode ESI (+) et ESI (-) par
famille lipidique sur un système IM-QTOF 6560 de chez Agilent® avec un débit de 500 μL/min lors de l’ionisation (n=3).

221
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

Figure 108 : Optimisation des énergies de collision en mode ESI (+) et ESI (-) par famille lipidique sur un système IM-QTOF
6560 de chez Agilent® avec un débit de 500 μL/min lors de l’ionisation (n=3). Les indications entre parenthèses indiquent le
type de fragment.

Comme cela est illustré, les valeurs optimales pour chacun de ces paramètres peuvent être très
différentes d’une famille lipidique à une autre. Il n’existe aucune condition unique qui soit favorable à
l’ensemble des lipides. Par exemple, l’augmentation de la tension du nozzel voltage entre 1500 V et
2000 V en ESI (+) permet d’améliorer la sensibilité pour la majorité des lipides, et notamment celles
des DG qui gagnent 70% du signal par rapport à la condition 250V. Toutefois, cela se fait au détriment
des PC et des TG qui perdent 40% de leur signal par rapport à leur condition optimale, qui est de 250V.
Ces résultats démontrent le besoin d’optimiser les paramètres de masse pour chacune des classes
lipidiques pour atteindre les meilleures sensibilités. De la même manière que la mise en place du
gradient d’élution, le logiciel de pilotage du système 2D oblige l’expérimentateur à utiliser une
méthode de masse unique pour l’ensemble des fractions analysées par injection. L’approche utilisant
les injections multiples permet de surmonter le problème des gradients d’élution uniques, mais aussi
d’adapter les paramètres de masse pour chaque fraction collectée. Les paramètres de masse utilisés
pour la mise en place de la méthode multiple heart cut HILIC-RPLC-QTOF en ligne sont résumés dans
le tableau n°19.

222
 Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

TG / DG / Cer PG PE PI PC PS SM
Polarité de l'ionisation (+) (+) (-) (+) (-) (+) (-) (+) (-) (+) (-) (+)
Nébuliseur (psi) 20
Débit du sheat gas (psi) 12
Débit du gaz séchant (psi) 11
Température du sheat gas (°C) 300
Température du gaz séchant (°C) 200
Tension du nozzel (V) 1500 2000 -500 2000 -500 2000 -500 250 -1000 2000 -1000 500
Tension du capillaire (V) 5000 5000 -4000 5500 -4000 5000 -4000 4000 -4000 5000 -4500 5000
Énergie de collision (eV) 20 5 -30 10 -25 5 -45 20 -30 10 -35 30
Tableau 19 : Paramètres de masse pour les analyses en LC-LC pour chaque famille de lipide en fonction de la polarité
d’ionisation.

3.7. Application de la méthode LC-LC en ligne

Afin de vérifier l’automatisation des analyses utilisant la méthode HILIC-RPLC-QTOF selon le système
présenté dans la figure n°100, des essais ont été réalisés pour s’assurer du bon fonctionnement de la
programmation des différents cuts. Pour cela, la fraction TG/DG/Cer a été récupérée entre 0.35 min et
0.68 min. La fraction des PE entre 2 min et 2.33 min. La fraction des PI entre 2.35 min et 2.56 min. La
fraction des PC entre 2.57 min et 2.9 min. La fraction des PS entre 3 min et 3.38 min. Pour finir, la
fraction SM a été récupérée entre 3.39 min et 3.89 min. Chacune des fractions a été récupérée sans
rencontrer de problème et sans effet de breakthrough. Un exemple pour la famille des PC est présenté
sur la figure n°109.

Figure 109 : Analyse de la fraction des PC avec l’approche classique RPLC-MS versus multiple heart cut HILIC-RPLC-MS.
L’échantillon analysé en 1D-LC est dilué par un facteur 5 pour tenir compte de split de ratio 1:5 placé entre les deux
dimensions en 2D-LC. Les chromatogrammes sont constitués de la superposition des SIM (single ion monitoring) extraits pour
chaque PC contenu dans l’échantillon de plasma/gammare en ESI (+).

La comparaison des chromatogrammes des PC obtenus en RPLC-MS et HILIC-RPLC-MS en ligne

présente des profils identiques puisque l’ensemble des lipides détectés en mode 1D le sont également
en 2D et dans le même ordre d’élution. Cela indique que la programmation du fractionnement des

223
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

familles lipidiques est un succès. La différence de temps de rétention observée entre les deux
chromatogrammes n’est pas due à une différence de gradient ou de volume de délai. En effet, les
analyses en mode 2D comprennent les temps de rétention des lipides en 2ème dimension, auxquels il
faut ajouter le temps de rétention de la fin de la collecte de la famille lipidique associée dans la 1 ère
dimension (2.9 min pour les PC).

Un premier essai a été réalisé afin de démontrer les capacités de décomplexification d’un échantillon
grâce à une approche 2D par rapport à une approche classique. Pour cela, un même échantillon a été
analysé sur les deux systèmes afin de comparer la sensibilité de la réponse en masse pour chaque
famille lipidique. Dans le cas des analyses 1D, l’échantillon a été dilué par un facteur 5 pour tenir
compte du split 1:5 placé entre les deux dimensions en 2D. De manière générale, un léger gain de
sensibilité en 2D par rapport aux analyses 1D est observé en ESI (+). Par exemple, pour la famille des
PC le gain moyen est de 25%. Cependant, ce résultat reste à confirmer, car des résultats opposés sont
obtenus en ESI (-) avec une diminution du signal moyen de 24%. Cette tendance est observée pour
l’ensemble des familles lipidiques. Cette différence entre les deux modes pourrait provenir de la
stabilité du split lors des analyses successives des différentes fractions. Dans le cas où une partie du
système, placée après le split, subit une augmentation de pression, à cause d’un raccord qui se bouche
par exemple, cela a une incidence sur le ratio du split appliqué et donc sur la quantité de lipides
transférés de la 1ère dimension vers la 2ème dimension. À cause d’un manque de temps lié au contexte
sanitaire du COVID 19, ces essais n’ont pas été reconduits et devront être réalisés lors d’une prochaine
étude.

L’optimisation de la méthode multiple heart cut HILIC-RPLC en ligne avec un système d’injection
multiple rapide permet d’obtenir une méthode LC-LC présentant de nombreux avantages et quelques
inconvénients par rapport aux méthodes LCxLC rencontrées en lipidomique, qui seront détaillés ci-
dessous.

3.8. Bilan de l’approche LC-LC en lipidomique comparée à l’approche

LCxLC
3.8.1. Inconvénients du mode LC-LC vis-à-vis du mode LCxLC

3.8.1.A. Nombre de fractions analysées en 2ème dimension

L’un des inconvénients du mode multiple heart cut vis-à-vis du mode comprehensive est la perte
d’informations possible du fait que seule une partie de l’échantillon est analysée en 2ème dimension.
Pour limiter cette perte d’informations, il faut utiliser la chromatographie de phase HILIC en 1ère
dimension, qui possède une affinité pour les composés polaires afin de regrouper chaque famille

224
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

lipidique sous un seul pic chromatographique, facilitant la récupération de la totalité des lipides.
Cependant, ce constat n’est vrai que pour les lipides possédant un nombre de carbones total du même
ordre de grandeur. Bien que dans la nature le nombre de carbones composant les chaines d’acides
gras des lipides est majoritairement compris entre 14 et 22 carbones [198,294–298], il n’est pas
impossible que des lipides à chaine courte soient présents. Les portions non collectées du
chromatogramme en D1, entre chaque fraction lipidique, peuvent donc comprendre des composés
d’intérêts limitant ainsi la quantité d’informations pouvant être acquises. De plus, la méthode
développée ne prend pas en compte la famille des lysophospholipides (LPL).

3.8.1.B. Temps d’analyse global

L’autre inconvénient de l’approche LC-LC comparé à l’approche LCxLC est le temps d’analyse qui est
plus important pour ce premier mode. Cela est dû au temps d’analyse global qui correspond à la
somme des temps d’analyse de chacune des fractions envoyées dans la 2ème dimension pour le mode
multiple heart cut, comme rappelé dans les équations suivantes :

¾ Temps d’analyse global (LC-LC) = temps de collecte de la 1ère fraction en D1 + (temps de gradient
en D2) x nombre de fraction
¾ Temps d’analyse global (LCxLC) = temps de gradient en D1

Pour diminuer le temps d’analyse global de la méthode LC-LC, nous avons optimisé le gradient
d’élution en D1 pour permettre d’éluer l’ensemble des lipides en moins de 4 minutes. En effet, il faut
attendre 0.6 minute après l’injection pour collecter la fraction des TG/DG/Cer, 1.7 minute pour celle
des PG, 2.2 minutes pour celle des PE, 2.5 minutes pour celle des PI, 2.8 minutes pour celle des PC, 3.2
minutes pour celle des PS et 3.8 minutes pour celle des SM (cf. figure n°102). Cela permet de réaliser
des analyses avec des injections multiples sans perdre de temps. Ces injections multiples rendent
possible l’optimisation du gradient en D2 pour chaque fraction analysée, diminuant ainsi le temps
d’analyse (temps de gradient fraction TG/DG/Cer = 15.5 min et temps de gradient pour les autres
fractions = 13 min). De plus, la capacité à isoler les fractions dans la première dimension permet d’avoir
une méthode à façon où il est possible d’analyser seulement les familles lipidiques d’intérêt, diminuant
ainsi le temps d’analyse global.

Dans le cas de la méthode développée dans cette étude, l'analyse des familles TG, DG, Cer, PG, PE, PI,
PC, PS et SM en HILIC-RPLC possède un temps d’analyse global de 110.3 minutes, comme indiqué dans
l’équation suivante qui tient compte des injections multiples.

225
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

¾ Temps d’analyse global = Ʃ (temps de collecte d’une fraction en D1 + temps de gradient en D2)

= (0.6+15.5) + (1.7+13) + (2.2+13) + (2.5+13) + (2.8+13) + (3.2+13) + (3.8+13)

= 110.3 min

Cela est plus faible que le temps d’analyse des méthodes RPLCxHILIC développé par Xu et al. [123] et
Holcapek et al. [133] qui est de 160 minutes. Toutefois, le temps d’analyse de ces deux méthodes
compréhensives est à nuancer, car contrairement à notre méthodologie, elles prennent en
considération l’ensemble des lipides, dont les LPL.

La possibilité d’avoir une méthode à façon permet également de sélectionner directement le mode
d’ionisation, ESI (+) ou ESI (-), le plus favorable à chaque famille lipidique. Dans le cas du mode
RPLCxHILIC, il faut réaliser deux analyses en fonction de la polarité, ce qui double le temps global. Le
changement de polarité alternée pourrait être utilisé en RPLCxHILIC, mais cela diminuera par deux le
nombre de points par pic.

Un autre inconvénient de l’approche multiple heart cut à injections multiples est l’analyse
d’échantillons « précieux », qui est rendue complexe à cause de la quantité d’échantillons nécessaire
pour réaliser de nombreuses injections.

3.8.2. Avantage du mode LC-LC en lipidomique

3.8.2.A. Élimination du split avant le détecteur

Lors de la mise en place d’une méthode LCxLC, toutes les fractions issues de la 1ère dimension sont
envoyées dans la 2ème dimension, ce qui implique que le temps d’analyse en 2ème dimension doit être
plus court que le temps de remplissage de la boucle de stockage. Ce temps est inférieur à la minute.
Pour remplir ce critère, il est nécessaire d’utiliser des débits importants dans la 2 ème dimension,
pouvant dépasser plusieurs millilitres par minute. Ces débits nécessitent de réaliser un split en amont
du détecteur. En LC-LC, le débit utilisé en seconde dimension est moins important (inférieurs ou égaux
à 500 μL/min). Ce qui permet d’éliminer ce split placé avant le détecteur (cf. figure n°97 vs figure
n°100). L’élimination de ce split permet d’éviter une potentielle perte d’intensité supplémentaire.

3.8.2.B. Compatibilité des spectromètres de masse

L’autre conséquence de la mise en place d’un gradient d’élution rapide en 2ème dimension est que les
pics chromatographiques sont plus fins avec des largeurs de pic inférieures à 5 secondes, comme le
montre la figure n°98. En effet, la largeur de pic obtenu en HILICxRPLC pour le lipide PE (38:6) est de
3.6 secondes contre 15 secondes en HILIC-RPLC. L’augmentation des largeurs de pics
chromatographiques n’oblige plus l’utilisation d’analyseurs ultra rapides comme le TOF pour obtenir

226
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

une quinzaine de points par pic dans le cas de méthode hautement multiplexée. Il est maintenant
possible d’envisager les expériences MS/MS en 2D-LC, à la fois avec un TOF et avec un QQQ utilisant
le mode MRM lorsque l’approche multiple heart cut est utilisée (cf. annexe n°16). Cette augmentation
des largeurs de pics permettant d’obtenir des temps de cycle plus important autorise également plus
d’expériences en MS/MS avec les TOF.

3.8.2.C. Retraitement des données

Les données obtenues en mode comprehensive sont complexes à interpréter puisqu’elles se trouvent
sous la forme de données tridimensionnelles avec le temps de rétention en D1, le temps de rétention
en D2 et l’intensité. De plus, les pics chromatographiques larges issus de la 1ère dimension sont
fractionnés en plusieurs pics en 2ème dimensions. Ces données peuvent devenir encore plus complexes
si l’on rajoute une 4ème dimension avec la fragmentation des composés. Ainsi, il est nécessaire d’utiliser
des logiciels spécifiques à l’analyse 2D permettant de représenter les données sous forme de
cartographie à 3 dimensions. Dans le cas des analyses en mode multiple heart cut traitées dans cette
étude, le retraitement des données est facilité, car il s’effectuera de la même manière que pour les
analyses 1D. En effet, les données obtenues sont exprimées par une succession de chromatogrammes
de type 1D puisqu’il n’est pas nécessaire de faire intervenir le temps de rétention de la séparation en
1ère dimension.

3.8.2.D. Optimisation individuelle de chaque famille de lipides

Que ce soit en mode LC-LC ou LCxLC, le logiciel de pilotage de l’appareillage 2D impose d’utiliser le
même gradient d’élution en 2ème dimension et les mêmes paramètres de masse pour l’ensemble des
fractions analysées lors d’une même injection. Ce problème est surmonté avec le gradient rapide qui
est mis en place dans la 1ère dimension de notre méthode, car il permet d’éluer l’ensemble des fractions
lipidiques en moins de 4 minutes. Cela permet de réaliser des injections multiples afin d’optimiser le
gradient et les paramètres de masses individuellement pour chaque fraction de lipides sans faire de
compromis.

3.8.2.E. Préconcentration des familles minoritaires avec moins de risques

d’encrassement du spectromètre de masse

L’utilisation d’une séparation chromatographique très rapide en 1ère dimension, associée à la capacité
de sélectionner une ou plusieurs familles de lipides à envoyer dans la 2ème dimension, nous a permis
d’utiliser la colonne HILIC comme chromatographie préparatrice. Les avantages qui en découlent sont
qu’il est désormais possible d’isoler les fractions minoritaires, et de faire varier la concentration des
échantillons en fonction des familles de lipides considérées pour pouvoir gagner en sensibilité.
L’élimination des familles majoritaires (ex. PC, TG, etc.) lors de la préconcentration des familles
227
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

minoritaire (ex. PI) permet d’éviter un encrassement précoce du détecteur. En comparaison, le mode
LCxLC avec la configuration RPLCxHILIC impose d’analyser l’ensemble des fractions issues de la 1 ère
dimension, sans séparation des familles lipidiques en amont du détecteur. Ainsi, ce sont les familles
de lipides majoritaires qui fixeront la quantité maximale injectable dans le système afin d’éviter la
saturation du signal (cf. 3.1).

4. Conclusion et perspectives
L’état de l’art de l’analyse des lipides avait montré un besoin d’amélioration de la séparation
chromatographique afin de limiter les effets matrices au sein et entre classes lipidiques. C’est pour
cette raison que la chromatographie bidimensionnelle a été envisagée. À travers ces travaux de thèses,
les limitations en termes de temps de séparation dans la 2ème dimension avec la configuration
HILICxRPLC ont pu être vérifiées. Pour résoudre ce problème, le système 2D-LC en mode multiple
heart-cut a été sélectionné, car il permet de conserver dans des boucles de stockage certaines fractions
cibles éluées de la 1ère dimension. Cela laisse davantage de temps pour séparer les composés analysés
dans la 2ème dimension. Cette méthodologie rend plus adaptée l’utilisation de la colonne HILIC en tant
que 1ère dimension dans un système 2D totalement automatisable (HILIC-RPLC-MS/MS) et compatible
avec tous types de spectromètres de masse.

Après avoir obtenu des résultats en mode hors ligne très encourageants, le développement de la
méthode en ligne a été initié. Certaines familles de lipides ne supportent pas le passage de la phase
HILIC vers la phase inverse. De ce fait, les phénomènes de breakthrough ont été évalués et un split a
été mis en place pour contrebalancer ces effets. Chacune des dimensions chromatographiques a été
optimisée pour réduire le temps d’analyse globale. L’optimisation de la 1ère dimension a rendu le
fractionnement des familles lipidiques compatible avec le fonctionnement des boucles grâce au
gradient rapide, permettant de réaliser des injections multiples sans perte de temps. Ces injections
multiples permettent d’optimiser la quantité injectée, le gradient et les paramètres de masse
individuellement pour chaque fraction de lipides. Cette optimisation peut être réalisée sans faire de
compromis, en surmontant les limitations du logiciel de pilotage de l’appareillage 2D qui impose des
paramètres uniques pour l’ensemble des fractions analysées lors d’une même injection. Cette capacité
à adapter les concentrations de lipides injectés est un véritable avantage en lipidomique puisqu’il
existe une gamme dynamique de concentrations lipidiques importante entre les différentes classes. À
ce jour, la méthodologie mise en place a été automatisée avec succès, mais des paramètres restent
encore à optimiser. En effet, faute de temps la méthode 2D-LC n’a pas pu être finalisée à l’issue de
cette thèse qui a été impactée par les conditions sanitaires exceptionnelles.

228
Chapitre 5 : Apport de la chromatographie bidimensionnelle pour la lipidomique

En perspective, des étalons internes éluants dans les zones de fractionnement associées à leur classe
lipidique respective en HILIC devront être sélectionnés. De plus, il faut évaluer à partir de quel nombre
de carbones un lipide n’est plus élué dans la zone de fractionnement correspondant à sa classe
lipidique en HILIC. Des investigations plus poussées devront être réalisées pour résoudre ce problème
de co-élution entre classes lipidiques due à la variabilité des longueurs de chaine des acides gras. Par
exemple, la réalisation de tests sur différents types de phases HILIC qui seraient moins résolutives au
sein d’une même classe lipidique pourrait être une solution. Il serait également judicieux de refaire le
test des effets à l’injection lors du passage de la D1 à la D2 en évaluant des volumes supérieurs à 20%
du volume mort injecté en D2. Cela permettra de vérifier s’il est possible de mettre en place un split
moins important entre les deux dimensions pour augmenter la sensibilité de la méthode. Le total
breakthrough pourrait être une solution pour se passer de l’utilisation d’un split, mais cela représente
un très grand risque concernant la perte en sensibilité. D’autres paramètres liés à la robustesse de la
méthode devront être vérifiés, comme la robustesse du split et la répétabilité du fractionnement des
lipides dans la 1ère dimension. Il est courant, lors des analyses 2D-LC, de placer un détecteur UV non
destructifs entre les deux dimensions. Cela permet de s’assurer que chaque fraction est bien collectée
en vérifiant le temps de rétention des composés en 1ère dimension. Les lipides ne présentant aucune
réponse avec ce type de détecteur, il n’est pas possible d’utiliser cette méthodologie. Pour surmonter
cette problématique, il faudrait rajouter dans l’échantillon un ou plusieurs composés qui soient
détectables en UV et qui soient compatibles avec les conditions chromatographiques utilisées en
lipidomique. Pour finir certaines performances analytiques sont à évaluer, notamment le gain de
sensibilité grâce à la limitation des effets matrices intra et extra famille associée à la modulation de la
quantité maximale injectée par classe lipidique. Ce gain de sensibilité devra être supérieur à la quantité
de lipides perdus à cause du split placée entre les deux dimensions pour que l’utilisation de cette
approche 2D-LC soit pertinente par rapport aux approches 1D-LC. Actuellement, on ne peut pas encore
conclure sur la diminution des effets matrices apportée par la 2D-LC.

Bien que les perspectives de la chromatographie bidimensionnelle soient très attractives, les
applications dans un contexte d’analyses de routines sont encore peu nombreuses à ce jour. Cela est
probablement lié au développement des approches 2D-LC puisqu’il s’agit d’un exercice long et délicat.
De nombreux paramètres sont à prendre en considération, notamment pour le dimensionnement des
colonnes et les effets à l’injection entre les deux dimensions, etc. Cette technologie est probablement
encore trop complexe à mettre en œuvre pour être appréhendée facilement par des non-initiés et
transférée dans des laboratoires d’analyses en écotoxicologie. Des développements technologiques,
notamment sur le logiciel de pilotage 2D-LC, sont encore nécessaires pour démocratiser et propager
la chromatographie bidimensionnelle en dehors des laboratoires de recherche en chimie analytique.
De plus, les aspects quantitatifs ont à ce jour été peu étudiés pour les approches 2D-LC en lipidomique.
229
Conclusion générale

Conclusion générale
Cette thèse avait pour objectifs de développer de nouveaux outils analytiques dans le cadre d’analyses
multi-omiques afin d’améliorer l’acquisition de données multi-échelles pour mieux caractériser de
façon exhaustive un échantillon biologique. Les travaux décrits dans ce manuscrit se sont concentrés
principalement sur des développements analytiques en chromatographie liquide couplée à la
spectrométrie de masse pour des analyses ciblées en protéomique, lipidomique et/ou métabolomique
pour l’étude de l’espèce sentinelle G. fossarum. Cette espèce d’intérêt en écotoxicologie est étudiée
depuis plusieurs années au sein de notre laboratoire en étroite collaboration avec l’équipe
Écotoxicologie de l’INRAe-Villeurbanne. La réglementation dans le cadre de la directive cadre sur l’eau
préconise l’utilisation d’espèces vivantes pour le suivi de la contamination environnementale via
l'utilisation de bio-essais. Mes travaux vont permettre dans le futur de répondre à cette demande en
transférant ces nouveaux outils analytiques aux différents acteurs du domaine de l’écotoxicologie.

Dans un premier temps, à travers l’étude bibliographique réalisée dans le 1er chapitre de ce manuscrit,
différents verrous analytiques ont été relevés.

Le premier verrou analytique était de savoir comment augmenter le nombre de composés à analyser
de façon simultanée dans une méthode LC-MS/MS ciblée sans avoir à sacrifier sa robustesse. Afin de
construire une méthode hautement multiplexée en protéomique, un mode d’acquisition Scout-MRM,
a été développé et appliqué pour le dosage simultané de 157 protéines en tant que potentiels
biomarqueurs d’expositions chez G. fossarum. À ce jour, il s’agit du plus grand multiplexe en
écotoxicologie. L’utilisation de la méthodologie Scout-MRM va faciliter le transfert de méthodes entre
laboratoires en proposant des méthodes prêtes à l'emploi, car indépendantes des variations en temps
de rétention et des configurations chromatographiques.

Grâce à ce mode d’acquisition ciblé hautement multiplexé et adaptatif, il est possible de surmonter les
limitations des capacités de multiplexage des méthodes MRM classiques. Cela offre de nouvelles
possibilités de recherche en proposant une approche de «découverte ciblée» via la construction de
grandes listes de transitions MRM issues de bases de données. L’augmentation des capacités de
multiplexage avec le Scout-MRM diminue drastiquement le nombre de méthodes et d’injections pour
une caractérisation exhaustive d’un échantillon en mode ciblé. La méthodologie Scout-MRM peut être
une alternative aux approches globales par HRMS lorsque des instruments de haute résolution ne sont
pas accessibles. La lipidomique est une science omique qui se prête bien à ces approches, car il est
possible de modéliser le temps de rétention des lipides et de réaliser des modèles de prédiction. Cela
permet d’avoir accès à une base de données conséquente permettant la construction facilitée de
230
Conclusion générale

méthodes Scout-MRM. C’est pour cela que le 3ème chapitre de ce manuscrit a décrit le développement
d’une méthode d’analyse ciblée pour un profilage rapide de lipidomes par RPLC-MS/MS utilisant le
Scout-MRM. La prédiction des temps de rétention développée lors de ces travaux de thèse a été basée
sur le modèle du nombre de carbones équivalent (ECN) et a permis d'élaborer une base de données
comportant plus de 400 lipides. Ce nombre devrait rapidement augmenter dans le futur. En effet, plus
la méthode Scout-MRM sera utilisée par d’autres chercheurs et dans d’autres domaines d’application,
plus il sera possible de rajouter de nouveaux composés et d’affiner les modèles de prédiction pour de
nouveaux lipides. Ainsi, la qualité de cette base de données ne peut qu’augmenter au fil du temps.
L’adaptabilité du Scout-MRM, grâce à sa faculté à corriger les variations en temps de rétention,
autorise l’application de cette méthodologie sur n’importe quel extrait lipidique ou système
chromatographique à condition d’utiliser une colonne chromatographique de phase inverse. Pour finir,
en plus de l’utilisation de l’approche Scout-MRM en tant qu’outil de découverte ciblée pour des études
exploratoires, un transfert vers un mode de quantification ciblée est instantané.

Pour compléter le panel d’outils à disposition pour l’étude des différentes omiques (protéomique et
lipidomique), une méthode Scout-MRM appliquée au domaine de la métabolomique est en cours de
développement dans le cadre de la thèse de Thomas Brunet au sein de l’équipe Anabio-MS. Cette
méthode compte déjà plusieurs centaines de métabolites.

Les 2ème et 3ème chapitres de cette thèse ont prouvé que l’on est désormais capable d’utiliser des
méthodes hautement multiplexées pour chacune des omiques. Toutefois, avant de pouvoir réaliser
ces analyses, il faut être capable d’extraire et de fractionner ces différentes classes de biomolécules à
partir du même échantillon.

Le deuxième verrou identifié était de rendre compatible la préparation d’échantillon avec l’ensemble
des omiques cibles. De plus, il était nécessaire que l’extraction de chaque omique ne se fasse pas au
détriment des autres. Ainsi, une méthode d’extraction multi-omique a été développée dans le 4ème
chapitre de cette thèse. La procédure mise en place avait également pour but de limiter les variations
biologiques en diminuant le nombre de réplicats d’exposition pour chacune des omiques. C’est
pourquoi l’extraction a été conçue à partir d’une prise d’essai unique et d’une méthodologie capable
de récupérer simultanément les protéines, lipides et métabolites. Cette extraction a été adaptée pour
l’analyse de matrices complexes solides comme l’espèce sentinelle G. fossarum à travers l’optimisation
des conditions d’homogénéisation de l’échantillon. Les différentes expérimentations ont montré que
l’utilisation de tampon d’extraction aqueux est obligatoire si l’on souhaite conserver des rendements
d’extraction acceptables en protéomique. Il a été montré que les résidus solides lors de l’étape de
broyage avaient une grande importance sur les rendements d’extraction en protéomique. Nous avons
également démontré que le tampon aqueux contenant du triton-X nécessaire à l’extraction des
231
Conclusion générale

protéines était compatible pour l’extraction des autres omiques (lipides et métabolites). Afin de
démontrer le potentiel de notre protocole multi-omique, une étude du cycle reproductif des
gammares femelles a été réalisée. Cela a mis en évidence des signatures moléculaires révélant une
augmentation de l’expression de protéines spécifiques impliquées dans la maturation ovarienne. Cette
augmentation en protéomique est en corrélation avec la mobilisation du stockage des lipides et des
variations observées dans des voies métaboliques spécifiques. Ces résultats ouvrent la voie à de
futures études écotoxicologiques puisque l'analyse peut être réalisée sur un organisme unique,
réduisant le nombre de réplicats d’exposition et donc le nombre d'échantillons à collecter tout en
permettant une caractérisation exhaustive de l'échantillon à un niveau multi-échelle.

L’extraction multi-omique implique de faire des compromis en adoptant une procédure compatible
avec toutes les familles omiques considérées. Ainsi, la décomplexification de l’échantillon n’est pas
aussi importante qu’elle ne le serait si une seule omique avait été étudiée. Cela peut engendrer des
effets matrices pouvant perturber la détection, notamment avec les interférences isobariques et les
phénomènes de suppression d’ions qui peuvent se produire dans la source électrospray. Afin de
solutionner cela, il peut être intéressant d’employer une dimension de séparation supplémentaire en
amont de la source d’ionisation. Cela peut être réalisé grâce à l’apport de la chromatographie liquide
bidimensionnelle (2D-LC) qui présente des capacités de séparation plus importantes que les méthodes
monodimensionnelles (1D-LC).

Le troisième verrou analytique de cette thèse concernait l’évaluation des outils chromatographiques
avancés tels que la 2D-LC pour l’analyse d’extraits multi-omiques complexes. Ainsi, le développement
d’une méthode 2D-LC a été initié pour analyser les lipides. Suite à l’étude bibliographique, il avait été
démontré des besoins en termes de séparation chromatographique pour cette famille de composés.
L’approche multiple heart cut (HILIC-RPLC-MS/MS) décrit dans le 5ème et dernier chapitre de cette thèse
a été préférée à l’approche comprehensive. La mise au point d’un gradient extrêmement rapide dans
la 1ère dimension HILIC a permis de surmonter les problèmes de pilotage du logiciel d’acquisition 2D
lors de la récolte des fractions d’intérêts grâce aux injections multiples. Cette multiplication des
injections permet de faire varier la quantité injectée, le gradient et les paramètres de masses
individuellement pour chaque fraction de lipides. La capacité à adapter les concentrations injectées
par classe de lipides est un avantage en lipidomique puisqu’il existe une gamme dynamique de
concentrations lipidiques importante entre les différentes classes. Cela a été rendu possible grâce à la
conservation de la colonne HILIC comme 1ère dimension. Ce qui n’était pas envisageable en mode
comprehensive. À ce jour, la méthodologie a été automatisée avec succès. Cependant des paramètres
restent encore à évaluer. Notamment le gain de sensibilité grâce à la limitation des effets matrices au
sein et entre familles de lipides associée à la modulation de la quantité maximale injectée par classe

232
Conclusion générale

lipidique. Ce gain de sensibilité devra être supérieur à la quantité de lipides perdus lors de la division
du débit qui est placée entre les deux dimensions dans le but de contrebalancer le phénomène de
breakthrough. Il est capital que ce critère soit respecté pour que l’utilisation de cette approche 2D-LC
soit pertinente par rapport aux approches 1D-LC.

233
Annexes

Annexes
Annexe 1 : Publication “from shotgun to targeted proteomics: rapid Scout-MRM assay development for monitoring
potential immunomarkers in Dreissena polymorpha”.

234
Annexes

235
Annexes

236
Annexes

237
Annexes

238
Annexes

239
Annexes

240
Annexes

241
Annexes

242
Annexes

243
Annexes

244
Annexes

245
Annexes

246
Annexes

247
Annexes

248
 Annexes

Annexe 2 : Concentrations des ISTD utilisés pour réaliser la gamme de linéarité en mode ESI (+) et ESI (-).

point 1 point 2 point 3 point 4 point 5 point 6 point 7 point 8

ISTD
(μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL)
LPC 13:0 0,000025 0,00005 0,000125 0,00025 0,000375 0,0005 0,00125 0,0025
TAG 51:1 0,000015 0,00003 0,000075 0,00015 0,000225 0,0003 0,00075 0,0015
SM 36:2 0,000015 0,00003 0,000075 0,00015 0,000225 0,0003 0,00075 0,0015
LPE 17:1 0,000450 0,0009 0,00225 0,0045 0,00675 0,009 0,0225 0,045
PE 25:0 0,000075 0,00015 0,000375 0,00075 0,001125 0,0015 0,00375 0,0075
PS 25:0 0,000150 0,0003 0,00075 0,0015 0,00225 0,003 0,0075 0,015
Cer 30:1 0,000045 0,00009 0,000225 0,00045 0,000675 0,0009 0,00225 0,0045
DG 34:0 0,002000 0,004 0,01 0,02 0,03 0,04 0,1 0,2
PI 31:1 0,001500 0,003 0,0075 0,015 0,0225 0,03 0,075 0,15
PC 22:0 0,000010 0,00002 0,00005 0,0001 0,00015 0,0002 0,0005 0,001
PG 25:0 0,000600 0,0012 0,003 0,006 0,009 0,012 0,03 0,06

point 9 point 10 point 11 point 12 point 13 point 14 point 15 point 16

ISTD
(μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL)
LPC 13:0 0,00375 0,005 0,0125 0,025 0,0375 0,05 0,0625 0,075
TAG 51:1 0,00225 0,003 0,0075 0,015 0,0225 0,03 0,0375 0,045
SM 36:2 0,00225 0,003 0,0075 0,015 0,0225 0,03 0,0375 0,045
LPE 17:1 0,0675 0,09 0,225 0,45 0,675 0,9 1,125 1,35
PE 25:0 0,01125 0,015 0,0375 0,075 0,1125 0,15 0,1875 0,225
PS 25:0 0,0225 0,03 0,075 0,15 0,225 0,3 0,375 0,45
Cer 30:1 0,00675 0,009 0,0225 0,045 0,0675 0,09 0,1125 0,135
DG 34:0 0,3 0,4 1 2 3 4 5 6
PI 31:1 0,225 0,3 x x x x x x
PC 22:0 0,0015 0,002 0,005 0,01 0,015 0,02 0,025 0,03
PG 25:0 0,09 0,12 0,3 0,6 0,9 1,2 1,5 1,8

point 1 point 2 point 3 point 4 point 5 point 6 point 7 point 8

ISTD
(μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL)
LPC 13:0 0,00035 0,0007 0,00175 0,0035 0,00525 0,007 0,0175 0,035
SM 36:2 0,0035 0,007 0,0175 0,035 0,0525 0,07 0,175 0,35
LPE 17:1 0,0002 0,0004 0,001 0,002 0,003 0,004 0,01 0,02
PE 25:0 0,00025 0,0005 0,00125 0,0025 0,00375 0,005 0,0125 0,025
PS 25:0 0,0006 0,0012 0,003 0,006 0,009 0,012 0,03 0,06
Cer 30:1 0,0002 0,0004 0,001 0,002 0,003 0,004 0,01 0,02
PI 31:1 0,0015 0,003 0,0075 0,015 0,0225 0,03 0,075 0,15
PC 22:0 0,00029 0,00058 0,00145 0,0029 0,00435 0,0058 0,0145 0,029
PG 25:0 0,0002 0,0004 0,001 0,002 0,003 0,004 0,01 0,02

point 9 point 10 point 11 point 12 point 13 point 14 point 15 point 16

ISTD
(μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL) (μg/mL)
LPC 13:0 0,0525 0,07 0,175 0,35 0,525 0,7 0,875 1,05
SM 36:2 0,525 0,7 1,75 3,5 5,25 7 8,75 10,5
LPE 17:1 0,03 0,04 0,1 0,2 0,3 0,4 0,5 0,6
PE 25:0 0,0375 0,05 0,125 0,25 0,375 0,5 0,625 0,75
PS 25:0 0,09 0,12 0,3 0,6 0,9 1,2 1,5 1,8
Cer 30:1 0,03 0,04 0,1 0,2 0,3 0,4 0,5 0,6
PI 31:1 0,225 0,3 0,75 1,5 2,25 3 3,75 4,5
PC 22:0 0,0435 0,058 0,145 0,29 0,435 0,58 0,725 0,87
PG 25:0 0,03 0,04 0,1 0,2 0,3 0,4 0,5 0,6

249
Annexe 3 : Structures des lipides.

250
 Annexes

Annexe 4 : Masse en Q1, Q3, DP et CE en fonction du mode d’ionisation pour les transitions MRM au sein de la méthode
Scout-MRM.

m/z du DP CE
Lipide Précurseur Type de fragment Structure du fragment
fragment (eV) (eV)

[M+H+] Tête polaire 184 191 39

PC

[M+HCOO-] Acide gras Variable -175 48

[M+H+] Perte de la tête polaire M-184 46 27

PS

[M-H+] Acide gras Variable -65 -53

[M+H+] Perte de la tête polaire M-140 91 29

PE

[M-H+] Acide gras Variable -115 -44

[M+H+] Perte de la tête polaire M-259 40 33

PI

[M-H+] Acide gras Variable -55 -59

[M+H+] Perte de la tête polaire M-171 181 23

PG

[M-H+] Acide gras Variable -20 -43

Tête polaire 184 96 33

[M+H+]
Fragmentation de la tête
104 96 29
polaire

LPC
Acide gras Variable -50 -38

[M-H+]
Perte de la tête polaire 224 -50 -38

251
 Annexes

Perte de la tête polaire M-140 56 17

[M+H+]

Perte de OH M-17 56 25

LPE
Acide gras Variable -30 -36

[M-H+]
Perte de la tête polaire 196 -30 -36

[M+H+] Tête polaire 184 116 33

SM Perte de CH3 M-17 -100 -60

[M+HCOO-]

Fragmentation de la tête
168 -100 -36
polaire

Perte d’un acide gras Variable 116 16

DG [M+NH4+]
Perte de OH M-17 ? ?

TG [M+NH4+] Perte d’un acide gras Variable 50 36

Perte de l’acide gras et

264 46 37
de 2 OH

[M+H+]

Perte de OH M-17 46 15
CER d18:1

Perte du squelette
[M-H+] M-257,4 -240 -38
sphingosine

252
 Annexes

Annexe 5 : Base de données en temps de rétention pour l’élaboration de méthode Scout-MRM en lipidomique.

Composés scouts RT Lipide V1.1 (min)

SCOUT PC 9:0/9:0 7,59
SCOUT PC 12:0/13:0 13,50
SCOUT PC 14:0/14:0 d4 15,22
SCOUT PC 15:0/15:0 16,19
SCOUT Cer d18:1/17:0 17,68
SCOUT PC 19:0/19:0 19,19
SCOUT TG 14:0/16:1/14:0 d5 20,94
SCOUT TG 15:0/18:1/15:0 d5 21,71
SCOUT TG 16:0/18:0/16:0 d5 22,33

ISTD lipidique Groupe scout ESI (+) Groupe scout ESI (-) RT Lipide V1.1 (min)
PI 17:0/14:1 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 15,03
PE 12:0/13:0 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 13,74
PS 12:0/13:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 12,56
PC 11:0/11:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 11,36
1-LPC 13:0 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 3,21
2-LPC 13:0 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 3,75
1-LPE 17:1 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,99
2-LPE 17:1 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 7,48
SM d18:1:18:1 d9 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,34
Cer d18:1:12:0 Groupe 4 (PC 28:0) x 15,39
DG 17:0/17:0 d5 Groupe 7 (PC 38:0) x 19,27
TG 17:0/17:1/17:0 d5 Groupe 9 (TG 48:1) x 22,18

Moyenne RT RT lipides
Lipides Composition AG Groupe scout ESI (+) V0 Groupe scout ESI (-) V0
isomères V1.1 (min) V1.1 (min)
PC 26:0 PC 12:0_14:0 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,15 14,15
PC 28:0 PC 14:0_14:0 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,21 15,21
Groupe 3 (PC 25:0) Groupe 4 (PC 28:0)
PC 30:0 PC 14:0_16:0 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,18 16,18
PC 14:1_16:0 Groupe 4 (PC 28:0) 15,46
PC 30:1 Groupe 4 (PC 28:0) 15,44
PC 14:0_16:1 Groupe 4 (PC 28:0) 15,41
PC 16:0_16:0 Groupe 5 (PC 30:0) 17,05
PC 32:0 Groupe 5 (PC 30:0) 17,05
PC 14:0_18:0 Groupe 5 (PC 30:0) 17,05
PC 16:0_16:1 Groupe 5 (PC 30:0) 16,36
PC 32:1 Groupe 5 (PC 30:0) 16,35
PC 14:0_18:1 Groupe 5 (PC 30:0) 16,34
PC 16:1_16:1 Groupe 4 (PC 28:0) 15,55
PC 32:2 Groupe 4 (PC 28:0) 15,60
PC 14:0_18:2 Groupe 4 (PC 28:0) 15,64
PC 32:3 PC 14:0_18:3 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 15,01 15,01
PC 34:0 PC 16:0_18:0 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 17,83 17,83
PC 16:0_18:1 Groupe 5 (PC 30:0) 17,18
PC 34:1 Groupe 5 (PC 30:0) 17,20
PC 16:1_18:0 Groupe 5 (PC 30:0) 17,22
PC 16:1_18:1 Groupe 5 (PC 30:0) 16,52 16,47
PC 34:2 Groupe 5 (PC 30:0)
PC 16:0_18:2 Groupe 5 (PC 30:0) 16,52 16,57
PC 16:0_18:3 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,00
PC 34:3 PC 16:1_18:2 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) Groupe 4 (PC 28:0) 15,89 15,81
PC 16:2_18:1 Groupe 4 (PC 28:0) 15,88
PC 16:1_18:3 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,18
PC 16:0_18:4 Groupe 4 (PC 28:0) 15,56
PC 34:4 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,31
PC 16:2_18:2 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,14
PC 16:3_18:1 Groupe 4 (PC 28:0) 15,34
PC 16:1_18:4 Groupe 3 (PC 25:0) 14,70
PC 34:5 Groupe 3 (PC 25:0) 14,84
PC 14:0_20:5 Groupe 3 (PC 25:0) 14,97
PC 36:0 PC 18:0_18:0 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 18,51 18,51
PC 18:0_18:1 Groupe 6 (Cer 35:1) 17,94
PC 36:1 PC 16:0_20:1 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 17,92 17,86
PC 16:1_20:0 Groupe 6 (Cer 35:1) 17,97

253
 Annexes

PC 18:1_18:1 Groupe 5 (PC 30:0) 17,28

PC 18:0_18:2 Groupe 5 (PC 30:0) 17,40
PC 36:2 Groupe 5 (PC 30:0) 17,31
PC 16:1_20:1 Groupe 5 (PC 30:0) 17,24
PC 16:0_20:2 Groupe 5 (PC 30:0) 17,31
PC 18:0_18:3 Groupe 5 (PC 30:0) 16,89
PC 18:1_18:2 Groupe 5 (PC 30:0) 16,69
PC 36:3 Groupe 5 (PC 30:0) 16,76
PC 16:0_20:3 Groupe 5 (PC 30:0) 16,84
PC 16:1_20:2 Groupe 5 (PC 30:0) 16,61
PC 16:1_20:3 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,08
PC 18:1_18:3 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,15
PC 36:4 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,19
PC 16:0_20:4 Groupe 5 (PC 30:0) 16,48
PC 18:2_18:2 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,05
PC 16:0_20:5 Groupe 4 (PC 28:0) 15,94
PC 36:5 PC 18:2_18:3 Groupe 4 (PC 28:0) Groupe 4 (PC 28:0) 15,70 15,43
PC 16:1_20:4 Groupe 4 (PC 28:0) 15,72
PC 36:6 PC 18:3_18:3 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,76 14,76
PC 18:2_20:0 Groupe 6 (Cer 35:1) 18,14
PC 18:1_20:1 Groupe 6 (Cer 35:1) 17,99
PC 38:2 Groupe 6 (Cer 35:1) 18,06
PC 18:0_20:2 Groupe 6 (Cer 35:1) 18,06
PC 16:0_22:2 Groupe 6 (Cer 35:1) 18,07
PC 18:1_20:3 Groupe 5 (PC 30:0) 16,93
PC 18:0_20:4 Groupe 5 (PC 30:0) 17,32
PC 38:4 Groupe 5 (PC 30:0) 17,05
PC 18:2_20:2 Groupe 5 (PC 30:0) 16,87
PC 16:0_22:4 Groupe 5 (PC 30:0) 17,09
PC 18:0_20:5 Groupe 5 (PC 30:0) 16,81
PC 18:1_20:4 Groupe 5 (PC 30:0) 16,63
PC 38:5 Groupe 5 (PC 30:0) 16,58
PC 18:2_20:3 Groupe 5 (PC 30:0) 16,32
PC 16:0_22:5 Groupe 5 (PC 30:0) 16,57
PC 18:1_20:5 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,06
PC 38:6 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,00
PC 18:2_20:4 Groupe 4 (PC 28:0) 15,95
PC 38:7 PC 18:2_20:5 Groupe 4 (PC 28:0) Groupe 4 (PC 28:0) 15,39 15,39
PC 40:3 PC 18:2_22:1 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 18,12 18,12
PC 40:4 PC 18:0_22:4 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 17,86 17,86
PC 40:5 PC 18:0_22:5 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,40 17,40
PC 18:0_22:6 Groupe 5 (PC 30:0) 17,16
PC 40:6 PC 20:1_20:5 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,91 16,88
PC 18:1_22:5 Groupe 5 (PC 30:0) 16,69
PC 20:3_20:4 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,21
PC 40:7 PC 18:1_22:6 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,22 16,42
PC 18:2_22:5 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,04
PC 20:3_20:5 Groupe 4 (PC 28:0) 15,63
PC 40:8 PC 18:3_22:5 Groupe 4 (PC 28:0) Groupe 4 (PC 28:0) 15,61 15,43
PC 18:2_22:6 Groupe 4 (PC 28:0) 15,78

Moyenne RT
RT lipides
Lipides Composition AG Groupe scout ESI (+) V0 Groupe scout ESI (-) V0 isomères V1.1
V1.1 (min)
(min)
PE 26:0 PE 12:0_14:0 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,40 14,40
PE 28:0 PE 14:0_14:0 Groupe 4 (PC 28:0) Groupe 4 (PC 28:0) 15,48 15,48
PE 30:0 PE 14:0_16:0 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,44 16,44
PE 14:0_16:1 Groupe 4 (PC 28:0) 15,65
PE 30:1 Groupe 4 (PC 28:0) 15,69
PE 14:1_16:0 Groupe 4 (PC 28:0) 15,74
PE 30:2 PE 14:0_16:2 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,01 15,01
PE 14:0_18:0 Groupe 5 (PC 30:0) 17,27
PE 32:0 Groupe 5 (PC 30:0) 17,27
PE 16:0_16:0 Groupe 5 (PC 30:0) 17,28
PE 16:1_16:0 Groupe 5 (PC 30:0) 16,57
PE 32:1 Groupe 5 (PC 30:0) 16,54
PE 18:1_14:0 Groupe 5 (PC 30:0) 16,50
PE 16:0_16:2 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,04
PE 32:2 PE 16:1_16:1 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) Groupe 4 (PC 28:0) 15,89 15,79
PE 14:1_18:1 Groupe 4 (PC 28:0) 15,84

254
 Annexes

PE 14:0_18:2 Groupe 4 (PC 28:0) 15,90

PE 16:1_16:2 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,20
PE 32:3 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,23
PE 14:0_18:3 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,26
PE 34:0 PE 18:0_16:0 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 18,03 18,03
PE 18:1_16:0 Groupe 5 (PC 30:0) 17,37
PE 34:1 Groupe 5 (PC 30:0) 17,39
PE 18:0_16:1 Groupe 5 (PC 30:0) 17,40
PE 14:0_20:2 Groupe 5 (PC 30:0) 16,68
PE 34:2 PE 18:1_16:1 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,71 16,66
PE 18:2_16:0 Groupe 5 (PC 30:0) 16,79
PE 16:2_18:1 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,14
PE 34:3 PE 16:1_18:2 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,14 16,03
PE 18:3_16:0 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,25
PE 16:2_18:2 Groupe 4 (PC 28:0) 15,44
PE 34:4 PE 16:1_18:3 Groupe 4 (PC 28:0) Groupe 4 (PC 28:0) 15,56 15,42
PE 16:0_18:4 Groupe 4 (PC 28:0) 15,81
PE 16:1_20:0 Groupe 6 (Cer 35:1) 18,14
PE 36:1 PE 16:0_20:1 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 18,11 18,08
PE 18:1_18:0 Groupe 6 (Cer 35:1) 18,12
PE 16:0_20:2 Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,51
PE 16:1_20:1 Groupe 6 (Cer Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,43
PE 36:2 Groupe 5 (PC 30:0) 17,50
PE 18:1_18:1 35:1) Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,47
PE 18:0_18:2 Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,60
PE 16:1_20:2 Groupe 5 (PC 30:0) 16,81
PE 18:3_18:0 Groupe 5 (PC 30:0) 17,09
PE 36:3 Groupe 5 (PC 30:0) 16,96
PE 18:2_18:1 Groupe 5 (PC 30:0) 16,90
PE 20:3_16:0 Groupe 5 (PC 30:0) 17,04
PE 18:2_18:2 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,26
PE 36:4 PE 18:1_18:3 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,44 16,36
PE 20:4_16:0 Groupe 5 (PC 30:0) 16,72
PE 18:2_18:3 Groupe 4 (PC 28:0) 15,66
PE 18:1_18:4 Groupe 4 (PC 28:0) 15,91
PE 36:5 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 15,92
PE 16:1_20:4 Groupe 4 (PC 28:0) 15,97
PE 20:5_16:0 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,15
PE 18:3_18:3 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,00
PE 36:6 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,17
PE 16:1_20:5 Groupe 4 (PC 28:0) 15,34
PE 38:1 PE 18:1_20:0 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 18,75 18,75
PE 18:2_20:0 Groupe 6 (Cer 35:1) 18,30
PE 38:2 Groupe 6 (Cer 35:1) 18,22
PE 18:1_20:1 Groupe 6 (Cer 35:1) 18,15
PE 18:3_20:0 Groupe 6 (Cer 35:1) 17,83
PE 18:1_20:2 Groupe 6 (Cer Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,58
PE 38:3 Groupe 5 (PC 30:0) 17,71
PE 18:0_20:3 35:1) Groupe 6 (Cer 35:1) 17,80
PE 18:2_20:1 Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,63
PE 18:3_20:1 Groupe 5 (PC 30:0) 17,12
PE 18:2_20:2 Groupe 5 (PC 30:0) 17,03
Groupe 6 (Cer
PE 38:4 PE 20:3_18:1 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,23 17,16
35:1)
PE 20:4_18:0 Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,52
PE 16:0_22:4 Groupe 5 (PC 30:0) 17,31
PE 18:2_20:3 Groupe 5 (PC 30:0) 16,48
PE 18:3_20:2 Groupe 5 (PC 30:0) 16,48
PE 38:5 PE 16:0_22:5 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,71 16,78
PE 20:5_18:0 Groupe 5 (PC 30:0) 17,02
PE 20:4_18:1 Groupe 5 (PC 30:0) 16,80
PE 18:1_20:5 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,26
PE 18:3_20:3 Groupe 4 (PC 28:0) 15,92
PE 38:6 Groupe 4 (PC 28:0) 16,22
PE 16:0_22:6 Groupe 5 (PC 30:0) 16,52
PE 20:4_18:2 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,16
PE 18:2_20:5 Groupe 4 (PC 28:0) 15,57
PE 38:7 Groupe 4 (PC 28:0) 15,56
PE 18:3_20:4 Groupe 4 (PC 28:0) 15,55
PE 38:8 PE 18:3_20:5 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,93 14,93

255
 Annexes

PE 40:4 PE 18:0_22:4 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 18,03 18,03
Groupe 6 (Cer
PE 40:5 PE 18:0_22:5 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,55 17,55
35:1)
PE 18:1_22:5 Groupe 5 (PC 30:0) 17,16
PE 40:6 PE 20:1_20:5 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,19 17,06
PE 18:0_22:6 Groupe 5 (PC 30:0) 17,35
PE 20:2_20:5 Groupe 5 (PC 30:0) 16,43
PE 40:7 Groupe 5 (PC 30:0) 16,54
PE 18:1_22:6 Groupe 5 (PC 30:0) 16,64
PE 18:2_22:6 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 15,99
PE 40:8 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 15,91
PE 20:3_20:5 Groupe 4 (PC 28:0) 15,83
PE 18:3_22:6 Groupe 4 (PC 28:0) 15,39
PE 40:9 Groupe 4 (PC 28:0) 15,42
PE 20:4_20:5 Groupe 4 (PC 28:0) 15,45

Moyenne RT RT lipides
Lipides Composition AG Groupe scout ESI (+) V0 Groupe scout ESI (-) V0
isomères V1.1 (min) V1.1 (min)
PI 16:1_16:0 Groupe 4 (PC 28:0) 15,45
PI 32:1 Groupe 4 (PC 28:0) 15,42
PI 18:1_14:0 Groupe 4 (PC 28:0) 15,39
PI 34:0 PI 18:0_16:0 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,99 16,99
PI 18:1_16:0 Groupe 5 (PC 30:0) 16,32
PI 34:1 Groupe 5 (PC 30:0) 16,33
PI 18:0_16:1 Groupe 5 (PC 30:0) 16,35
PI 18:1_16:1 Groupe 4 (PC 28:0) 15,58
PI 34:2 Groupe 4 (PC 28:0) 15,64
PI 18:2_16:0 Groupe 4 (PC 28:0) 15,69
PI 36:0 PI 18:0_18:0 Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,73 17,73
PI 36:1 PI 18:1_18:0 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,12 17,12
PI 18:1_18:1 Groupe 5 (PC 30:0) 16,44
PI 36:2 Groupe 5 (PC 30:0) 16,50
PI 18:0_18:2 Groupe 5 (PC 30:0) 16,56
PI 18:1_18:2 Groupe 4 (PC 28:0) 15,81
PI 36:3 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 15,90
PI 20:3_16:0 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 15,99
PI 18:1_18:3 Groupe 4 (PC 28:0) 15,26
PI 36:4 PI 18:2_18:2 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,36 15,18
PI 20:4_16:0 Groupe 4 (PC 28:0) 15,64
PI 20:5_16:0 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,10
PI 36:5 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,01
PI 20:4_16:1 Groupe 3 (PC 25:0) 14,92
PI 38:2 PI 18:0_20:2 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,25 17,25
PI 38:3 PI 18:0_20:3 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,80 16,80
PI 20:3_18:1 Groupe 4 (PC 28:0) 15,75
PI 38:4 PI 20:4_18:0 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,18 16,51
PI 16:0_22:4 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,28
PI 20:5_18:0 Groupe 4 (PC 28:0) 15,96
PI 38:5 PI 20:4_18:1 Groupe 4 (PC 28:0) Groupe 4 (PC 28:0) 15,81 15,74
PI 16:0_22:5 Groupe 4 (PC 28:0) 15,72
PI 20:5_18:1 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,20
PI 38:6 PI 20:4_18:2 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,27 15,12
PI 22:6_16:0 Groupe 4 (PC 28:0) 15,47
PI 20:5_18:2 Groupe 3 (PC 25:0) 14,56
PI 38:7 Groupe 3 (PC 25:0) 14,54
PI 20:4_18:3 Groupe 3 (PC 25:0) 14,53
PI 40:4 PI 18:0_22:4 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,07 17,07
PI 22:5_18:1 Groupe 4 (PC 28:0) 15,81
PI 40:6 PI 18:0_22:6 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,05 16,34
PI 20:1_20:5 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,00
PI 22:6_18:1 Groupe 4 (PC 28:0) 15,57
PI 40:7 Groupe 4 (PC 28:0) 15,47
PI 20:2_20:5 Groupe 4 (PC 28:0) 15,38

Moyenne RT RT lipides
Lipides Composition AG Groupe scout ESI (+) V0 Groupe scout ESI (-) V0
isomères V1.1 (min) V1.1 (min)
PS 30:1 PS 14:0_16:1 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,59 14,59
PS 32:0 PS 16:0_16:0 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,33 16,33
PS 16:0_16:1 Groupe 4 (PC 28:0) 15,59
PS 32:1 Groupe 4 (PC 28:0) 15,58
PS 14:0_18:1 Groupe 4 (PC 28:0) 15,57
PS 32:2 PS 16:1_16:1 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,81 14,81

256
 Annexes

PS 34:1 PS 16:0_18:1 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,42 16,42
PS 16:0_18:2 Groupe 4 (PC 28:0) 15,80
PS 34:2 Groupe 4 (PC 28:0) 15,75
PS 16:1_18:1 Groupe 4 (PC 28:0) 15,71
PS 16:0_18:3 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,23
PS 34:3 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,13
PS 16:1_18:2 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,03
PS 18:0_18:1 Groupe 5 (PC 30:0) 17,20
PS 36:1 Groupe 5 (PC 30:0) 17,23
PS 16:1_20:0 Groupe 5 (PC 30:0) 17,26
PS 18:1_18:1 Groupe 5 (PC 30:0) 16,55
PS 36:2 Groupe 5 (PC 30:0) 16,61
PS 18:0_18:2 Groupe 5 (PC 30:0) 16,67
PS 18:0_18:3 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,13
PS 36:3 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,03
PS 18:1_18:2 Groupe 4 (PC 28:0) 15,93
PS 18:1_18:3 Groupe 4 (PC 28:0) 15,34
PS 36:4 Groupe 4 (PC 28:0) 15,30
PS 18:2_18:2 Groupe 4 (PC 28:0) 15,25
PS 18:2_18:3 Groupe 3 (PC 25:0) 14,66
PS 36:5 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 14,91
PS 20:5_16:0 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,16
PS 36:6 PS 18:3_18:3 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,02 14,02
PS 38:1 PS 18:1_20:0 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 17,92 17,92
PS 20:5_18:0 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,09
PS 38:5 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 15,98
PS 20:4_18:1 Groupe 4 (PC 28:0) 15,86
PS 20:5_18:1 Groupe 4 (PC 28:0) 15,30
PS 38:6 Groupe 4 (PC 28:0) 15,25
PS 20:4_18:2 Groupe 4 (PC 28:0) 15,19
PS 40:6 PS 20:1_20:5 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,13 16,13
PS 22:6_18:1 Groupe 4 (PC 28:0) 15,68
PS 40:7 Groupe 4 (PC 28:0) 15,58
PS 20:2_20:5 Groupe 4 (PC 28:0) 15,48
PS 40:8 PS 20:3_20:5 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,85 14,85
PS 40:9 PS 20:4_20:5 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,44 14,44
PS 40:10 PS 20:5_20:5 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 13,81 13,81

Lipides Groupe scout ESI (+) V0 Groupe scout ESI (-) V0 RT lipides V1.1 (min)
1-LPC 14:0 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 4,38
2-LPC 14:0 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 4,97
1-LPC 16:0 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 7,25
2-LPC 16:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 7,79
1-LPC 16:1 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 5,27
2-LPC 16:1 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 5,80
1-LPC 18:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 9,68
2-LPC 18:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 10,11
1-LPC 18:1 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 7,93
2-LPC 18:1 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 8,39
1-LPC 18:2 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,26
2-LPC 18:2 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,75
1-LPC 18:3 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 4,74
2-LPC 18:3 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 5,26
1-LPC 20:2 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 8,58
2-LPC 20:2 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 9,01
1-LPC 20:3 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 7,25
2-LPC 20:3 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 7,69
1-LPC 20:4 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,29
2-LPC 20:4 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,71
1-LPC 20:5 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 4,87
2-LPC 20:5 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 5,30
1-LPC 22:4 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 8,23
2-LPC 22:4 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 8,59
1-LPC 22:5 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,90
2-LPC 22:5 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 7,30
1-LPC 22:6 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,20
2-LPC 22:6 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,59

257
Annexes

Lipides Groupe scout ESI (+) V0 Groupe scout ESI (-) V0 RT lipides V1.1 (min)
1-LPE 16:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 7,43
2-LPE 16:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 7,96
1-LPE 16:1 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 5,34
2-LPE 16:1 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 5,87
1-LPE 18:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 9,92
2-LPE 18:0 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 10,34
1-LPE 18:1 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 8,13
2-LPE 18:1 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 8,56
1-LPE 18:2 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,43
2-LPE 18:2 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,88
1-LPE 18:3 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 4,77
2-LPE 18:3 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 5,28
1-LPE 20:4 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,45
2-LPE 20:4 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,85
1-LPE 20:5 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 4,88
2-LPE 20:5 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 5,35
1-LPE 22:5 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 7,07
2-LPE 22:5 Groupe 2 (PC 18:0) Groupe 2 (PC 18:0) 7,45
1-LPE 22:6 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,34
2-LPE 22:6 Groupe 1 (T=0 min) Groupe 1 (T=0 min) 6,73

Lipides Groupe scout ESI (+) V0 Groupe scout ESI (-) V0 RT lipides V1.1 (min)
SM 32:1 Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) Groupe 3 (PC 25:0) Groupe 4 (PC 28:0) 15,06
SM 32:2 Groupe 3 (PC 25:0) Groupe 3 (PC 25:0) 14,13
SM 34:1 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,09
SM 34:2 Groupe 4 (PC 28:0) Groupe 4 (PC 28:0) 15,28
SM 36:1 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,03
SM 36:2 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,30
SM 36:3 Groupe 4 (PC 28:0) Groupe 4 (PC 28:0) 15,55
SM 38:1 Groupe 6 (Cer 35:1) Groupe 7 (PC 38:0) Groupe 6 (Cer 35:1) 17,82
SM 38:2 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,18
SM 38:3 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 16,37
SM 40:1 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 18,53
SM 40:2 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 17,90
SM 40:3 Groupe 5 (PC 30:0) Groupe 5 (PC 30:0) 17,20
SM 42:1 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 19,16
SM 42:2 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 18,59
SM 42:3 Groupe 6 (Cer 35:1) Groupe 6 (Cer 35:1) 17,95

Lipides Composition AG Groupe scout ESI (+) V0 Moyenne RT isomères V1.1 (min) RT lipides V1.1 (min)
DG 38:6 DG 18:1_20:5 Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,61 17,61
DG 26:0 DG 12:0_14:0 Groupe 4 (PC 28:0) Groupe 5 (PC 30:0) 16,13 16,13
DG 28:0 DG 14:0_14:0 Groupe 5 (PC 30:0) 17,03 17,03
DG 28:1 DG 14:0_14:1 Groupe 5 (PC 30:0) 16,32 16,32
DG 28:2 DG 14:0_14:2 Groupe 4 (PC 28:0) 15,86 15,86
DG 30:0 DG 14:0_16:0 Groupe 6 (Cer 35:1) 17,84 17,84
DG 14:0_16:1 17,16
DG 30:1 Groupe 5 (PC 30:0) 17,18
DG 14:1_16:0 17,21
DG 30:2 DG 14:1_16:1 Groupe 5 (PC 30:0) 16,43 16,43
DG 16:0_16:0 18,57
DG 32:0 Groupe 6 (Cer 35:1) 18,58
DG 14:0_18:0 18,59
DG 16:0_16:1 17,96
DG 32:1 Groupe 6 (Cer 35:1) 17,94
DG 18:1_14:0 17,93
DG 16:1_16:1 17,26
DG 32:2 DG 18:2_14:0 Groupe 5 (PC 30:0) 17,30 17,33
DG 14:1_18:1 17,31
DG 16:1_16:2 16,72
DG 32:3 Groupe 5 (PC 30:0) 16,73
DG 14:1_18:2 16,69

258
Annexes

DG 14:0_18:3 16,78
DG 34:0 DG 18:0_16:0 Groupe 7 (PC 38:0) 19,21 19,21
DG 18:1_16:0 18,66
DG 34:1 Groupe 6 (Cer 35:1) 18,66
DG 16:1_18:0 18,67
DG 18:2_16:0 18,13
DG 34:2 Groupe 6 (Cer 35:1) 18,09
DG 16:1_18:1 18,04
DG 16:0_18:3 17,62
DG 34:3 Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,54
DG 16:1_18:2 17,46
DG 16:1_18:3 16,90
DG 34:4 Groupe 5 (PC 30:0) 16,90
DG 16:2_18:2 16,90
DG 36:0 DG 18:0_18:0 Groupe 7 (PC 38:0) 19,78 19,78
DG 36:1 DG 18:1_18:0 Groupe 7 (PC 38:0) 19,28 19,28
DG 18:1_18:1 18,71
DG 36:2 Groupe 6 (Cer 35:1) 18,76
DG 18:0_18:2 18,81
DG 18:0_18:3 18,37
DG 36:3 Groupe 6 (Cer 35:1) 18,29
DG 18:2_18:1 18,21
DG 18:1_18:3 17,74
DG 36:4 Groupe 5 (PC 30:0) Groupe 6 (Cer 35:1) 17,69
DG 18:2_18:2 17,63
DG 36:5 DG 18:2_18:3 Groupe 5 (PC 30:0) 17,09 17,09
DG 36:6 DG 18:3_18:3 Groupe 5 (PC 30:0) 16,55 16,55

Lipide Groupe scout ESI (+) V0 RT lipides V1.1 (min)

TG 40:0 Groupe 7 (PC 38:0) 20,51
TG 40:1 Groupe 7 (PC 38:0) 20,06
TG 40:2 Groupe 7 (PC 38:0) 19,70
TG 42:0 Groupe 7 (PC 38:0) Groupe 8 (TG 44:1) 20,94
TG 42:1 Groupe 7 (PC 38:0) 20,54
TG 42:2 Groupe 7 (PC 38:0) 20,13
TG 42:3 Groupe 7 (PC 38:0) 19,86
TG 44:0 Groupe 8 (TG 44:1) 21,34
TG 44:1 Groupe 7 (PC 38:0) Groupe 8 (TG 44:1) 20,94
TG 44:2 Groupe 7 (PC 38:0) 20,57
TG 44:3 Groupe 7 (PC 38:0) 20,22
TG 46:0 Groupe 8 (TG 44:1) Groupe 9 (TG 48:1) 21,69
TG 46:1 Groupe 8 (TG 44:1) 21,34
TG 46:2 Groupe 7 (PC 38:0) Groupe 8 (TG 44:1) 20,98
TG 46:3 Groupe 7 (PC 38:0) 20,65
TG 46:4 Groupe 7 (PC 38:0) 20,33
TG 48:0 Groupe 9 (TG 48:1) 21,99
TG 48:1 Groupe 8 (TG 44:1) Groupe 9 (TG 48:1) 21,69
TG 48:2 Groupe 8 (TG 44:1) 21,37
TG 48:3 Groupe 8 (TG 44:1) 21,05
TG 48:4 Groupe 7 (PC 38:0) Groupe 8 (TG 44:1) 20,74
TG 48:5 Groupe 7 (PC 38:0) 20,47
TG 49:1 Groupe 9 (TG 48:1) 21,85
TG 50:0 Groupe 9 (TG 48:1) Groupe 10 (TG 50:0) 22,30
TG 50:1 Groupe 9 (TG 48:1) 22,01
TG 50:2 Groupe 8 (TG 44:1) Groupe 9 (TG 48:1) 21,72
TG 50:3 Groupe 8 (TG 44:1) 21,41
TG 50:4 Groupe 8 (TG 44:1) 21,11
TG 50:5 Groupe 7 (PC 38:0) Groupe 8 (TG 44:1) 20,79
TG 50:6 Groupe 7 (PC 38:0) 20,50
TG 50:9 Groupe 7 (PC 38:0) 19,57
TG 51:0 Groupe 10 (TG 50:0) 22,43
TG 51:1 Groupe 9 (TG 48:1) 22,15
TG 51:2 Groupe 9 (TG 48:1) 21,88
TG 52:1 Groupe 9 (TG 48:1) Groupe 10 (TG 50:0) 22,31
TG 52:2 Groupe 9 (TG 48:1) 22,03
TG 52:3 Groupe 8 (TG 44:1) Groupe 9 (TG 48:1) 21,76

259
Annexes

TG 52:4 Groupe 8 (TG 44:1) 21,46

TG 52:5 Groupe 8 (TG 44:1) 21,16
TG 52:6 Groupe 7 (PC 38:0) Groupe 8 (TG 44:1) 20,88
TG 53:2 Groupe 9 (TG 48:1) Groupe 10 (TG 50:0) 22,16
TG 54:1 Groupe 10 (TG 50:0) 22,60
TG 54:2 Groupe 9 (TG 48:1) Groupe 10 (TG 50:0) 22,33
TG 54:3 Groupe 9 (TG 48:1) 22,05
TG 54:4 Groupe 9 (TG 48:1) 21,78
TG 54:5 Groupe 8 (TG 44:1) 21,49
TG 54:6 Groupe 8 (TG 44:1) 21,20
TG 54:7 Groupe 7 (PC 38:0) Groupe 8 (TG 44:1) 20,97
TG 56:1 Groupe 10 (TG 50:0) 22,84
TG 56:2 Groupe 10 (TG 50:0) 22,60
TG 56:3 Groupe 9 (TG 48:1) Groupe 10 (TG 50:0) 22,32
TG 56:4 Groupe 9 (TG 48:1) 22,08
TG 56:7 Groupe 8 (TG 44:1) 21,46
TG 58:1 Groupe 10 (TG 50:0) 23,06
TG 58:2 Groupe 10 (TG 50:0) 22,81
TG 58:3 Groupe 10 (TG 50:0) 22,58
TG 58:4 Groupe 9 (TG 48:1) Groupe 10 (TG 50:0) 22,35
TG 60:2 Groupe 10 (TG 50:0) 23,06
TG 60:3 Groupe 10 (TG 50:0) 22,82
TG 60:4 Groupe 10 (TG 50:0) 22,59
TG 60:5 Groupe 9 (TG 48:1) Groupe 10 (TG 50:0) 22,40

Annexe 6 : Evaluation of the protein extraction protocols on the peptide’s abundance. Comparison of area ratios between
the different conditions (methanol, lysis buffer with and without centrifugation). The experiments were performed in
triplicate. For more readability, the different conditions have been annotated and shortened as follows: A- methanol, B- lysis
buffer without centrifugation and C- lysis buffer with centrifugation.

260
Annexes

Annexe 7 : Comparison of the homogenization conditions on TG 51:1-d5 and PC 11:0/11:0 internal standard (A) and TG
species before and after normalization (B).

261
Annexes

Annexe 8 : Comparison of the different homogenization conditions on gammarid metabolites.

262
Annexes

263
Annexes

Annexe 9: Determination of protein concentration using Bradford assay with classical Proteomics protocol, multi-omics
with dual protein precipitation and multi-omics protocol. Total amount of protein from entire gammarids was determined
by Bradford assay calibration curve. BSA (Bovine Serum Albumin) standard curve recorded at 595 nm by spectrophotometry.
Calibration curve: absorbance in function of BSA concentrations (mg/L).

264
Annexes

Annexe 10 : Comparison of peak area of the peptides with PLS-DA VIP scores (VIP >1) according to the different
reproductive stages of female gammarids.

Annexe 11 : Comparison of peak area of metabolites with PLS-DA VIP scores (VIP >1) according to the different
reproductive stages of female gammarids.

Annexe 12 : Lg factors for MFA.

Lipidomics Lipidomics Metabolomics Metabolomics

Proteomics MFA
(ESI-) (ESI+) (ESI-) (ESI+)
Lipidomics (ESI-) 2.09 1.13 0.90 0.66 0.62 1.53
Lipidomics (ESI+) 1.13 2.00 0.76 0.88 0.85 1.59
Proteomics 0.90 0.76 1.31 0.51 0.61 1.16
Metabolomics (ESI-) 0.66 0.88 0.51 1.09 0.64 1.07
Metabolomics (ESI+) 0.62 0.85 0.61 0.64 1.26 1.13
MFA 1.53 1.59 1.16 1.07 1.13 1.83

265
 Annexes

Annexe 13 : RV factors for MFA.

Lipidomics Lipidomics Metabolomics Metabolomics

Proteomics MFA
(ESI-) (ESI+) (ESI-) (ESI+)
Lipidomics (ESI-) 1.00 0.55 0.55 0.44 0.38 0.78
Lipidomics (ESI+) 0.55 1.00 0.47 0.60 0.54 0.83
Proteomics 0.55 0.47 1.00 0.43 0.48 0.75
Metabolomics (ESI-) 0.44 0.60 0.43 1.00 0.55 0.76
Metabolomics (ESI+) 0.38 0.54 0.48 0.55 1.00 0.74
MFA 0.78 0.83 0.75 0.76 0.74 1.00

266
Annexe 14 : Évaluation du phénomène de breakthrough pour les familles lipidiques (SM, Cer, TG, PC, DG et PE) obtenues par HILIC-RPLC hors ligne en faisant varier les volumes d’injection
de 5μL à 40μL dans la 2ème dimension, partie 1.

267
Annexes

Annexe 15 : Évaluation du phénomène de breakthrough pour les familles lipidiques (PI, PS et PG) obtenues par HILIC-RPLC
hors ligne en faisant varier les volumes d’injection de 5μL à 40μL dans la 2ème dimension, partie 2.

268
Annexe 16 : Évaluation de la compatibilité de la spectrométrie de masse en mode ciblé avec les systèmes LCxLC et LC-LC.

269
Bibliographie

Références bibliographiques
1. D’Adamo, C.R., D’Urso, A., Ryan, K.A., Yerges-Armstrong, L.M., Semba, R.D., Steinle, N.I., Mitchell, B.D.,
Shuldiner, A.R., and McArdle, P.F. (2016). A common variant in the SETD7 gene predicts serum lycopene
concentrations. Nutrients 8, 82.

2. Watson, J.D., and Crick, F.H. (1953). Molecular structure of nucleic acids; a structure for deoxyribose nucleic
acid. Nature 171, 737–738.

3. Barbier Saint Hilaire, P. (2020). Utilisation de la métabolomique pour l’étude de l’encéphalopathie

hépatique et développement de nouvelles approches pour l’acquisition de données par spectrométrie de
masse.

4. Velculescu, V.E., Zhang, L., Zhou, W., Vogelstein, J., Basrai, M.A., Bassett, D.E., Hieter, P., Vogelstein, B., and
Kinzler, K.W. (1997). Characterization of the yeast transcriptome. Cell 88, 243–251.

5. Wasinger, V.C., Cordwell, S.J., Cerpa-Poljak, A., Yan, J.X., Gooley, A.A., Wilkins, M.R., Duncan, M.W., Harris,
R., Williams, K.L., and Humphery-Smith, I. (1995). Progress with gene-product mapping of the Mollicutes:
Mycoplasma genitalium. Electrophoresis 16, 1090–1094.

6. Garcia-Reyero, N., and Perkins, E.J. (2011). Systems biology: leading the revolution in ecotoxicology.
Environ. Toxicol. Chem. 30, 265–273.

7. Patterson, S.D., and Aebersold, R.H. (2003). Proteomics: the first decade and beyond. Nat. Genet. 33 Suppl,
311–323.

8. Gregorich, Z.R., Chang, Y.-H., and Ge, Y. (2014). Proteomics in heart failure: top-down or bottom-up?
Pflugers Arch. 466, 1199–1209.

9. Wright, E.P., Partridge, M.A., Padula, M.P., Gauci, V.J., Malladi, C.S., and Coorssen, J.R. (2014). Top-down
proteomics: enhancing 2D gel electrophoresis from tissue processing to high-sensitivity protein detection.
Proteomics 14, 872–889.

10. Chait, B.T. (2006). Chemistry. Mass spectrometry: bottom-up or top-down? Science 314, 65–66.

11. Catherman, A.D., Durbin, K.R., Ahlf, D.R., Early, B.P., Fellers, R.T., Tran, J.C., Thomas, P.M., and Kelleher, N.L.
(2013). Large-scale top-down proteomics of the human proteome: membrane proteins, mitochondria, and
senescence. Mol. Cell. Proteomics 12, 3465–3473.

12. Catherman, A.D., Skinner, O.S., and Kelleher, N.L. (2014). Top Down proteomics: facts and perspectives.
Biochem. Biophys. Res. Commun. 445, 683–693.

13. Ntai, I., LeDuc, R.D., Fellers, R.T., Erdmann-Gilmore, P., Davies, S.R., Rumsey, J., Early, B.P., Thomas, P.M.,
Li, S., Compton, P.D., et al. (2016). Integrated Bottom-Up and Top-Down Proteomics of Patient-Derived
Breast Tumor Xenografts. Mol. Cell. Proteomics 15, 45–56.

14. Holmes, E., Wilson, I.D., and Nicholson, J.K. (2008). Metabolic phenotyping in health and disease. Cell 134,
714–717.

15. Junot, C., Fenaille, F., Colsch, B., and Bécher, F. (2014). High resolution mass spectrometry based techniques
at the crossroads of metabolic pathways. Mass Spectrom. Rev. 33, 471–500.

16. Wishart, D.S., Tzur, D., Knox, C., Eisner, R., Guo, A.C., Young, N., Cheng, D., Jewell, K., Arndt, D., Sawhney,
S., et al. (2007). HMDB: the human metabolome database. Nucleic Acids Res. 35, D521-6.

17. Fahy, E., Subramaniam, S., Brown, H.A., Glass, C.K., Merrill, A.H., Murphy, R.C., Raetz, C.R.H., Russell, D.W.,
Seyama, Y., Shaw, W., et al. (2005). A comprehensive classification system for lipids. J. Lipid Res. 46, 839–
861.

18. Sepúlveda, M.S., Ralston-Hooper, K.J., Sanchez, B.C., Hopf-Jannasch, A., Baker, S.D., Diaz, N., and Adamec,
J. (2009). Use of proteomic and metabolomic techniques in ecotoxicological research. In General, applied

270
Bibliographie

and systems toxicology, B. Ballantyne, T. C. Marrs, T. Syversen, D. A. Casciano, and S. C. Sahu, eds.
(Chichester, UK: John Wiley & Sons, Ltd).

19. Lankadurai, B.P., Nagato, E.G., and Simpson, M.J. (2013). Environmental metabolomics: an emerging
approach to study organism responses to environmental stressors. Environ. Rev. 21, 180–205.

20. Vidal, M. (2009). A unifying view of 21st century systems biology. FEBS Lett. 583, 3891–3894.

21. Potters, G. (2010). Systems Biology of the Cell. Nature Education.

22. Rodrigo, A., Bertels, F., Heled, J., Noder, R., Shearman, H., and Tsai, P. (2008). The perils of plenty: what are
we going to do with all these genes? Philos. Trans. R. Soc. Lond. B Biol. Sci. 363, 3893–3902.

23. Cavazzana-Calvo, M., and Debiais, D. (2011). Les biomédicaments (Presses Universitaires de France).

24. Odenkirk, M.T., Reif, D.M., and Baker, E.S. (2021). Multiomic big data analysis challenges: increasing
confidence in the interpretation of artificial intelligence assessments. Anal. Chem. 93, 7763–7773.

25. Kopczynski, D., Coman, C., Zahedi, R.P., Lorenz, K., Sickmann, A., and Ahrends, R. (2017). Multi-OMICS: a
critical technical perspective on integrative lipidomics approaches. Biochim. Biophys. Acta Mol. Cell Biol.
Lipids 1862, 808–811.

26. Arrigoni-Martelli, E., and Caso, V. (2001). Carnitine protects mitochondria and removes toxic acyls from
xenobiotics. Drugs Exp. Clin. Res. 27, 27–49.

27. Reddy, J.K., and Hashimoto, T. (2001). Peroxisomal beta-oxidation and peroxisome proliferator-activated
receptor alpha: an adaptive metabolic system. Annu. Rev. Nutr. 21, 193–230.

28. Ciocan-Cartita, C.A., Jurj, A., Buse, M., Gulei, D., Braicu, C., Raduly, L., Cojocneanu, R., Pruteanu, L.L., Iuga,
C.A., Coza, O., et al. (2019). The Relevance of Mass Spectrometry Analysis for Personalized Medicine
through Its Successful Application in Cancer “Omics”. Int. J. Mol. Sci. 20.

29. Ludwig, C., Gillet, L., Rosenberger, G., Amon, S., Collins, B.C., and Aebersold, R. (2018). Data-independent
acquisition-based SWATH-MS for quantitative proteomics: a tutorial. Mol. Syst. Biol. 14, e8126.

30. Venable, J.D., Dong, M.-Q., Wohlschlegel, J., Dillin, A., and Yates, J.R. (2004). Automated approach for
quantitative analysis of complex peptide mixtures from tandem mass spectra. Nat. Methods 1, 39–45.

31. Hu, A., Noble, W.S., and Wolf-Yadlin, A. (2016). Technical advances in proteomics: new developments in
data-independent acquisition. [version 1; peer review: 3 approved]. F1000Res. 5.

32. Lam, H., and Aebersold, R. (2011). Building and searching tandem mass (MS/MS) spectral libraries for
peptide identification in proteomics. Methods 54, 424–431.

33. Fortin, T., Salvador, A., Charrier, J.P., Lenz, C., Bettsworth, F., Lacoux, X., Choquet-Kastylevsky, G., and
Lemoine, J. (2009). Multiple reaction monitoring cubed for protein quantification at the low
nanogram/milliliter level in nondepleted human serum. Anal. Chem. 81, 9343–9352.

34. Gallien, S., Duriez, E., Crone, C., Kellmann, M., Moehring, T., and Domon, B. (2012). Targeted proteomic
quantification on quadrupole-orbitrap mass spectrometer. Mol. Cell. Proteomics 11, 1709–1723.

35. Gallien, S., Bourmaud, A., Kim, S.Y., and Domon, B. (2014). Technical considerations for large-scale parallel
reaction monitoring analysis. J. Proteomics 100, 147–159.

36. Schiffmann, C., Hansen, R., Baumann, S., Kublik, A., Nielsen, P.H., Adrian, L., von Bergen, M., Jehmlich, N.,
and Seifert, J. (2014). Comparison of targeted peptide quantification assays for reductive dehalogenases by
selective reaction monitoring (SRM) and precursor reaction monitoring (PRM). Anal. Bioanal. Chem. 406,
283–291.

37. Ronsein, G.E., Pamir, N., von Haller, P.D., Kim, D.S., Oda, M.N., Jarvik, G.P., Vaisar, T., and Heinecke, J.W.
(2015). Parallel reaction monitoring (PRM) and selected reaction monitoring (SRM) exhibit comparable
linearity, dynamic range and precision for targeted quantitative HDL proteomics. J. Proteomics 113, 388–
399.

271
Bibliographie

38. Hoffman, M.A., Fang, B., Haura, E.B., Rix, U., and Koomen, J.M. (2018). Comparison of quantitative mass
spectrometry platforms for monitoring kinase ATP probe uptake in lung cancer. J. Proteome Res. 17, 63–
75.

39. Rougemont, B. (2016). Quantification de protéines dans des matrices complexes par spectrométrie de
masse : nouveaux outils et apllications.

40. Zhou, J., Liu, H., Liu, Y., Liu, J., Zhao, X., and Yin, Y. (2016). Development and Evaluation of a Parallel Reaction
Monitoring Strategy for Large-Scale Targeted Metabolomics Quantification. Anal. Chem. 88, 4478–4486.

41. Andrews, G.L., Simons, B.L., Young, J.B., Hawkridge, A.M., and Muddiman, D.C. (2011). Performance
characteristics of a new hybrid quadrupole time-of-flight tandem mass spectrometer (TripleTOF 5600).
Anal. Chem. 83, 5442–5446.

42. Cajka, T., and Fiehn, O. (2016). Toward Merging Untargeted and Targeted Methods in Mass Spectrometry-
Based Metabolomics and Lipidomics. Anal. Chem. 88, 524–545.

43. Tang, H., Fang, H., Yin, E., Brasier, A.R., Sowers, L.C., and Zhang, K. (2014). Multiplexed parallel reaction
monitoring targeting histone modifications on the QExactive mass spectrometer. Anal. Chem. 86, 5526–
5534.

44. Yu, D., Rupasinghe, T.W.T., Boughton, B.A., Natera, S.H.A., Hill, C.B., Tarazona, P., Feussner, I., and Roessner,
U. (2018). A high-resolution HPLC-QqTOF platform using parallel reaction monitoring for in-depth lipid
discovery and rapid profiling. Anal. Chim. Acta 1026, 87–100.

45. Ayciriex, S., Carrière, R., Bardet, C., Blanc, J.C.Y.L., Salvador, A., Fortin, T., and Lemoine, J. (2020).
Streamlined Development of Targeted Mass Spectrometry-Based Method Combining Scout-MRM and a
Web-Based Tool Indexed with Scout Peptides. Proteomics 20, e1900254.

46. Salvador, A., Carrière, R., Ayciriex, S., Margoum, C., Leblanc, Y., and Lemoine, J. (2020). Scout-multiple
reaction monitoring: A liquid chromatography tandem mass spectrometry approach for multi-residue
pesticide analysis without time scheduling. J. Chromatogr. A 1621, 461046.

47. Rougemont, B., Bontemps Gallo, S., Ayciriex, S., Carrière, R., Hondermarck, H., Lacroix, J.M., Le Blanc, J.C.Y.,
and Lemoine, J. (2017). Scout-MRM: Multiplexed Targeted Mass Spectrometry-Based Assay without
Retention Time Scheduling Exemplified by Dickeya dadantii Proteomic Analysis during Plant Infection. Anal.
Chem. 89, 1421–1426.

48. Schilling, B., MacLean, B., Held, J.M., Sahu, A.K., Rardin, M.J., Sorensen, D.J., Peters, T., Wolfe, A.J., Hunter,
C.L., MacCoss, M.J., et al. (2015). Multiplexed, Scheduled, High-Resolution Parallel Reaction Monitoring on
a Full Scan QqTOF Instrument with Integrated Data-Dependent and Targeted Mass Spectrometric
Workflows. Anal. Chem. 87, 10222–10229.

49. Burgess, M.W., Keshishian, H., Mani, D.R., Gillette, M.A., and Carr, S.A. (2014). Simplified and efficient
quantification of low-abundance proteins at very high multiplex via targeted mass spectrometry. Mol. Cell.
Proteomics 13, 1137–1149.

50. Charnot, A., Gouveia, D., Armengaud, J., Almunia, C., Chaumot, A., Lemoine, J., Geffard, O., and Salvador,
A. (2017). Multiplexed assay for protein quantitation in the invertebrate Gammarus fossarum by liquid
chromatography coupled to tandem mass spectrometry. Anal. Bioanal. Chem. 409, 3969–3991.

51. Zhou, J., Liu, C., Si, D., Jia, B., Zhong, L., and Yin, Y. (2017). Workflow development for targeted lipidomic
quantification using parallel reaction monitoring on a quadrupole-time of flight mass spectrometry. Anal.
Chim. Acta 972, 62–72.

52. Weir, J.M., Wong, G., Barlow, C.K., Greeve, M.A., Kowalczyk, A., Almasy, L., Comuzzie, A.G., Mahaney, M.C.,
Jowett, J.B.M., Shaw, J., et al. (2013). Plasma lipid profiling in a large population-based cohort. J. Lipid Res.
54, 2898–2908.

53. Züllig, T., Trötzmüller, M., and Köfeler, H.C. (2020). Lipidomics from sample preparation to data analysis: a
primer. Anal. Bioanal. Chem. 412, 2191–2209.

54. Quehenberger, O., Armando, A.M., Brown, A.H., Milne, S.B., Myers, D.S., Merrill, A.H., Bandyopadhyay, S.,
Jones, K.N., Kelly, S., Shaner, R.L., et al. (2010). Lipidomics reveals a remarkable diversity of lipids in human
plasma. J. Lipid Res. 51, 3299–3305.

272
Bibliographie

55. Cajka, T., and Fiehn, O. (2014). Comprehensive analysis of lipids in biological systems by liquid
chromatography-mass spectrometry. Trends Analyt. Chem. 61, 192–206.

56. González-Domínguez, R., Jáuregui, O., Queipo-Ortuño, M.I., and Andrés-Lacueva, C. (2020).
Characterization of the Human Exposome by a Comprehensive and Quantitative Large-Scale Multianalyte
Metabolomics Platform. Anal. Chem. 92, 13767–13775.

57. Yuan, M., Breitkopf, S.B., and Asara, J.M. (2017). Serial-omics characterization of equine urine. PLoS ONE
12, e0186258.

58. Züllig, T., and Köfeler, H.C. (2020). High resolution mass spectrometry in lipidomics. Mass Spectrom. Rev.

59. Cajka, T., Smilowitz, J.T., and Fiehn, O. (2017). Validating Quantitative Untargeted Lipidomics Across Nine
Liquid Chromatography-High-Resolution Mass Spectrometry Platforms. Anal. Chem. 89, 12360–12368.

60. Antignac, J.-P., de Wasch, K., Monteau, F., De Brabander, H., Andre, F., and Le Bizec, B. (2005). The ion
suppression phenomenon in liquid chromatography–mass spectrometry and its consequences in the field
of residue analysis. Anal. Chim. Acta 529, 129–136.

61. King, R., Bonfiglio, R., Fernandez-Metzler, C., Miller-Stein, C., and Olah, T. (2000). Mechanistic investigation
of ionization suppression in electrospray ionization. J. Am. Soc. Mass Spectrom. 11, 942–950.

62. Simon, R. (2012). La quantification ciblée de protéines et peptides par chromatographie liquide couplée à
la spectrométrie de masse en tandem : développements analytiques et applications.

63. Koistinen, K.M., Suoniemi, M., Simolin, H., and Ekroos, K. (2015). Quantitative lysophospholipidomics in
human plasma and skin by LC-MS/MS. Anal. Bioanal. Chem. 407, 5091–5099.

64. Gika, H.G., Theodoridis, G.A., Plumb, R.S., and Wilson, I.D. (2014). Current practice of liquid
chromatography-mass spectrometry in metabolomics and metabonomics. J. Pharm. Biomed. Anal. 87, 12–
25.

65. Bonnefoy, C., Fildier, A., Buleté, A., Bordes, C., Garric, J., and Vulliet, E. (2019). Untargeted analysis of
nanoLC-HRMS data by ANOVA-PCA to highlight metabolites in Gammarus fossarum after in vivo exposure
to pharmaceuticals. Talanta 202, 221–229.

66. Sheikholeslami, M.N., Gómez-Canela, C., Barron, L.P., Barata, C., Vosough, M., and Tauler, R. (2020).
Untargeted metabolomics changes on Gammarus pulex induced by propranolol, triclosan, and nimesulide
pharmaceutical drugs. Chemosphere 260, 127479.

67. Cui, L., Lu, H., and Lee, Y.H. (2018). Challenges and emergent solutions for LC-MS/MS based untargeted
metabolomics in diseases. Mass Spectrom. Rev. 37, 772–792.

68. Liu, Z., Tu, M.-J., Zhang, C., Jilek, J.L., Zhang, Q.-Y., and Yu, A.-M. (2019). A reliable LC-MS/MS method for
the quantification of natural amino acids in mouse plasma: Method validation and application to a study
on amino acid dynamics during hepatocellular carcinoma progression. J. Chromatogr. B Analyt. Technol.
Biomed. Life Sci. 1124, 72–81.

69. Li, K., Naviaux, J.C., Bright, A.T., Wang, L., and Naviaux, R.K. (2017). A robust, single-injection method for
targeted, broad-spectrum plasma metabolomics. Metabolomics 13, 122.

70. Jiang, P., and Lucy, C.A. (2016). Coupling normal phase liquid chromatography with electrospray ionization
mass spectrometry: strategies and applications. Anal. Methods 8, 6478–6488.

71. Tang, D.-Q., Zou, L., Yin, X.-X., and Ong, C.N. (2016). HILIC-MS for metabolomics: An attractive and
complementary approach to RPLC-MS. Mass Spectrom. Rev. 35, 574–600.

72. Buszewski, B., and Noga, S. (2012). Hydrophilic interaction liquid chromatography (HILIC)--a powerful
separation technique. Anal. Bioanal. Chem. 402, 231–247.

73. Periat, A.C. (2015). Utilisation de la chromatographie d’interaction hydrophile pour l’analyse de composés
d’intérêt pharmaceutique. Université de Genève.

273
Bibliographie

74. Heaton, J.C., Russell, J.J., Underwood, T., Boughtflower, R., and McCalley, D.V. (2014). Comparison of peak
shape in hydrophilic interaction chromatography using acidic salt buffers and simple acid solutions. J.
Chromatogr. A 1347, 39–48.

75. McCalley, D.V. (2007). Is hydrophilic interaction chromatography with silica columns a viable alternative to
reversed-phase liquid chromatography for the analysis of ionisable compounds? J. Chromatogr. A 1171, 46–
55.

76. Gallego, S.F., Hermansson, M., Liebisch, G., Hodson, L., and Ejsing, C.S. (2018). Total Fatty Acid Analysis of
Human Blood Samples in One Minute by High-Resolution Mass Spectrometry. Biomolecules 9.

77. Topolska, M., Martínez-Montañés, F., and Ejsing, C.S. (2020). A Simple and Direct Assay for Monitoring Fatty
Acid Synthase Activity and Product-Specificity by High-Resolution Mass Spectrometry. Biomolecules 10.

78. Carrasco-Pancorbo, A., Navas-Iglesias, N., and Cuadros-Rodríguez, L. (2009). From lipid analysis towards
lipidomics, a new challenge for the analytical chemistry of the 21st century. Part I: Modern lipid analysis.
TrAC Trends in Analytical Chemistry 28, 263–278.

79. Holcapek, M., Jandera, P., Fischer, J., and Prokes, B. (1999). Analytical monitoring of the production of
biodiesel by high-performance liquid chromatography with various detection methods. J. Chromatogr. A
858, 13–31.

80. Mal, M., and Wong, S. (2011). Application Note: A HILIC-Based UPLC/MS Method for theSeparation of Lipid
Classes from Plasma. .

81. Sandra, K., Moshir, M., D’hondt, F., Verleysen, K., Kas, K., and Sandra, P. (2008). Highly efficient peptide
separations in proteomics Part 1. Unidimensional high performance liquid chromatography. J. Chromatogr.
B Analyt. Technol. Biomed. Life Sci. 866, 48–63.

82. Köcher, T., Swart, R., and Mechtler, K. (2011). Ultra-high-pressure RPLC hyphenated to an LTQ-Orbitrap
Velos reveals a linear relation between peak capacity and number of identified peptides. Anal. Chem. 83,
2699–2704.

83. Foreman, R.E., George, A.L., Reimann, F., Gribble, F.M., and Kay, R.G. (2021). Peptidomics: A review of
clinical applications and methodologies. J. Proteome Res. 20, 3782–3797.

84. Lardeux, H., Duivelshof, B.L., Colas, O., Beck, A., McCalley, D.V., Guillarme, D., and D’Atri, V. (2021).
Alternative mobile phase additives for the characterization of protein biopharmaceuticals in liquid
chromatography - Mass spectrometry. Anal. Chim. Acta 1156, 338347.

85. Nshanian, M., Lakshmanan, R., Chen, H., Loo, R.R.O., and Loo, J.A. (2017). Enhancing sensitivity of liquid
chromatography–mass spectrometry of peptides and proteins using supercharging agents. Int. J. Mass
Spectrom.

86. Faugere, J., Gouveia, D., Ayciriex, S., Chaumot, A., Almunia, C., François, A., Armengaud, J., Lemoine, J.,
Geffard, O., Degli-Esposti, D., et al. (2020). High-multiplexed monitoring of protein biomarkers in the
sentinel Gammarus fossarum by targeted scout-MRM assay, a new vision for ecotoxicoproteomics. J.
Proteomics 226, 103901.

87. Simon, R., Enjalbert, Q., Biarc, J., Lemoine, J., and Salvador, A. (2012). Evaluation of hydrophilic interaction
chromatography (HILIC) versus C₁₈ reversed-phase chromatography for targeted quantification of peptides
by mass spectrometry. J. Chromatogr. A 1264, 31–39.

88. Jones, J.L., Dongre, A.R., Somogyi, A., and Wysocki, V.H. (1994). Sequence Dependence of Peptide
Fragmentation Efficiency Curves Determined by Electrospray Ionization/Surface-Induced Dissociation Mass
Spectrometry. J. Am. Chem. Soc. 116, 8368–8369.

89. Tang, X.J., Thibault, P., and Boyd, R.K. (1993). Fragmentation reactions of multiply-protonated peptides and
implications for sequencing by tandem mass spectrometry with low-energy collision-induced dissociation.
Anal. Chem. 65, 2824–2834.

90. Burlet, O., Orkiszewski, R.S., Ballard, K.D., and Gaskell, S.J. (1992). Charge promotion of low-energy
fragmentations of peptide ions. Rapid Commun. Mass Spectrom. 6, 658–662.

274
Bibliographie

91. Guiochon, G., Marchetti, N., Mriziq, K., and Shalliker, R.A. (2008). Implementations of two-dimensional
liquid chromatography. J. Chromatogr. A 1189, 109–168.

92. Matos, J.T.V., Duarte, R.M.B.O., and Duarte, A.C. (2012). Trends in data processing of comprehensive two-
dimensional chromatography: state of the art. J. Chromatogr. B Analyt. Technol. Biomed. Life Sci. 910, 31–
45.

93. Giddings, J.C. (1987). Concepts and comparisons in multidimensional separation. J. High Resol. Chromatogr.
10, 319–323.

94. Iguiniz, M., and Heinisch, S. (2017). Two-dimensional liquid chromatography in pharmaceutical analysis.
Instrumental aspects, trends and applications. J. Pharm. Biomed. Anal. 145, 482–503.

95. Giddings, J.Calvin. (1967). Maximum number of components resolvable by gel filtration and other elution
chromatographic methods. Anal. Chem. 39, 1027–1028.

96. Horvath, C.G., and Lipsky, S.R. (1967). Peak capacity in chromatography. Anal. Chem. 39, 1893–1893.

97. Stoll, D.R., Li, X., Wang, X., Carr, P.W., Porter, S.E.G., and Rutan, S.C. (2007). Fast, comprehensive two-
dimensional liquid chromatography. J. Chromatogr. A 1168, 3–43; discussion 2.

98. Guiochon, G. (2006). The limits of the separation power of unidimensional column liquid chromatography.
J. Chromatogr. A 1126, 6–49.

99. Gilar, M., Daly, A.E., Kele, M., Neue, U.D., and Gebler, J.C. (2004). Implications of column peak capacity on
the separation of complex peptide mixtures in single- and two-dimensional high-performance liquid
chromatography. J. Chromatogr. A 1061, 183–192.

100. Karger, B.L., 1939- (1973). An Introduction To Separation Science 1st ed. (New York: Wiley).

101. Giddings, J.C. (1984). Two-dimensional separations: concept and promise. Anal. Chem. 56, 1258A-1270A.

102. Guiochon, G., Beaver, L.A., Gonnord, M.F., Siouffi, A.M., and Zakaria, M. (1983). Theoretical investigation
of the potentialities of the use of a multidimensional column in chromatography. Journal of
Chromatography A 255, 415–437.

103. Xing, Q., Liang, T., Shen, G., Wang, X., Jin, Y., and Liang, X. (2012). Comprehensive HILIC × RPLC with mass
spectrometry detection for the analysis of saponins in Panax notoginseng. Analyst 137, 2239–2249.

104. Di Palma, S., Stange, D., van de Wetering, M., Clevers, H., Heck, A.J.R., and Mohammed, S. (2011). Highly
sensitive proteome analysis of FACS-sorted adult colon stem cells. J. Proteome Res. 10, 3814–3819.

105. Schoenmakers, P., Marriott, P., and Beens, J. (2003). Nomenclature and conventions in comprehensive
multidimensional chromatography. LC•GC Europe.

106. Wang, X., Buckenmaier, S., and Stoll, D. (2017). The growing role of two-dimensional LC in the
biopharmaceutical industry. J. Appl. Bioanal. 3, 120–126.

107. D’attoma, A. (2014). Développement de méthodes bidimensionnelles en ligne LCxLC-MS pour l’analyse de
composés chargés.

108. Sommella, E., Cacciola, F., Donato, P., Dugo, P., Campiglia, P., and Mondello, L. (2012). Development of an
online capillary comprehensive 2D-LC system for the analysis of proteome samples. J. Sep. Sci. 35, 530–533.

109. Beelders, T., Kalili, K.M., Joubert, E., de Beer, D., and de Villiers, A. (2012). Comprehensive two-dimensional
liquid chromatographic analysis of rooibos (Aspalathus linearis) phenolics. J. Sep. Sci. 35, 1808–1820.

110. D’Attoma, A., and Heinisch, S. (2013). On-line comprehensive two dimensional separations of charged
compounds using reversed-phase high performance liquid chromatography and hydrophilic interaction
chromatography. Part II: application to the separation of peptides. J. Chromatogr. A 1306, 27–36.

111. Stevenson, P.G., Bassanese, D.N., Conlan, X.A., and Barnett, N.W. (2014). Improving peak shapes with
counter gradients in two-dimensional high performance liquid chromatography. J. Chromatogr. A 1337,
147–154.

275
Bibliographie

112. Chen, Y., Vu, J., Thompson, M.G., Sharpless, W.A., Chan, L.J.G., Gin, J.W., Keasling, J.D., Adams, P.D., and
Petzold, C.J. (2019). A rapid methods development workflow for high-throughput quantitative proteomic
applications. PLoS ONE 14, e0211582.

113. Stoll, D.R., Harmes, D.C., Staples, G.O., Potter, O.G., Dammann, C.T., Guillarme, D., and Beck, A. (2018).
Development of Comprehensive Online Two-Dimensional Liquid Chromatography/Mass Spectrometry
Using Hydrophilic Interaction and Reversed-Phase Separations for Rapid and Deep Profiling of Therapeutic
Antibodies. Anal. Chem. 90, 5923–5929.

114. Chapel, S., Rouvière, F., and Heinisch, S. (2020). Pushing the limits of resolving power and analysis time in
on-line comprehensive hydrophilic interaction x reversed phase liquid chromatography for the analysis of
complex peptide samples. J. Chromatogr. A 1615, 460753.

115. Montero, L., Herrero, M., Ibáñez, E., and Cifuentes, A. (2014). Separation and characterization of
phlorotannins from brown algae Cystoseira abies-marina by comprehensive two-dimensional liquid
chromatography. Electrophoresis 35, 1644–1651.

116. Willemse, C.M., Stander, M.A., Tredoux, A.G.J., and de Villiers, A. (2014). Comprehensive two-dimensional
liquid chromatographic analysis of anthocyanins. J. Chromatogr. A 1359, 189–201.

117. Zheng, X.-X., Du, Y., Xu, B.-J., Wang, T.-Y., Zhong, Q.-Q., Li, Z., Ji, S., Guo, M.-Z., Yang, D.-Z., and Tang, D.-Q.
(2019). Off-line two-dimensional liquid chromatography coupled with diode array detection and
quadrupole-time of flight mass spectrometry for the biotransformation kinetics of Ginkgo biloba leaves
extract by diabetic rat liver microsomes. J. Chromatogr. B Analyt. Technol. Biomed. Life Sci. 1109, 1–9.

118. Bruins, A.P. (1998). Mechanistic aspects of electrospray ionization. Journal of Chromatography A 794, 345–
357.

119. Manisali, I., Chen, D.D.Y., and Schneider, B.B. (2006). Electrospray ionization source geometry for mass
spectrometry: past, present, and future. TrAC Trends in Analytical Chemistry 25, 243–256.

120. Nguyen, D.T.-T., Guillarme, D., Heinisch, S., Barrioulet, M.-P., Rocca, J.-L., Rudaz, S., and Veuthey, J.-L.
(2007). High throughput liquid chromatography with sub-2 microm particles at high pressure and high
temperature. J. Chromatogr. A 1167, 76–84.

121. Agilent (2019). Simplify Complex Separations. Fast.

122. Grübner, M., Dunkel, A., Steiner, F., and Hofmann, T. (2021). Systematic Evaluation of Liquid
Chromatography (LC) Column Combinations for Application in Two-Dimensional LC Metabolomic Studies.
Anal. Chem. 93, 12565–12573.

123. Xu, M., Legradi, J., and Leonards, P. (2020). Evaluation of LC-MS and LC×LC-MS in analysis of zebrafish
embryo samples for comprehensive lipid profiling. Anal. Bioanal. Chem. 412, 4313–4325.

124. Holcapek, M., Velínská, H., Lísa, M., and Cesla, P. (2009). Orthogonality of silver-ion and non-aqueous
reversed-phase HPLC/MS in the analysis of complex natural mixtures of triacylglycerols. J. Sep. Sci. 32,
3672–3680.

125. Lísa, M., Cífková, E., and Holčapek, M. (2011). Lipidomic profiling of biological tissues using off-line two-
dimensional high-performance liquid chromatography-mass spectrometry. J. Chromatogr. A 1218, 5146–
5156.

126. Nie, H., Liu, R., Yang, Y., Bai, Y., Guan, Y., Qian, D., Wang, T., and Liu, H. (2010). Lipid profiling of rat peritoneal
surface layers by online normal- and reversed-phase 2D LC QToF-MS. J. Lipid Res. 51, 2833–2844.

127. Li, M., Tong, X., Lv, P., Feng, B., Yang, L., Wu, Z., Cui, X., Bai, Y., Huang, Y., and Liu, H. (2014). A not-stop-flow
online normal-/reversed-phase two-dimensional liquid chromatography-quadrupole time-of-flight mass
spectrometry method for comprehensive lipid profiling of human plasma from atherosclerosis patients. J.
Chromatogr. A 1372C, 110–119.

128. Ling, Y.S., Liang, H.-J., Lin, M.-H., Tang, C.-H., Wu, K.-Y., Kuo, M.-L., and Lin, C.Y. (2014). Two-dimensional
LC-MS/MS to enhance ceramide and phosphatidylcholine species profiling in mouse liver. Biomed.
Chromatogr. 28, 1284–1293.

276
Bibliographie

129. Sun, C., Zhao, Y.-Y., and Curtis, J.M. (2014). Elucidation of phosphatidylcholine isomers using two
dimensional liquid chromatography coupled in-line with ozonolysis mass spectrometry. J. Chromatogr. A
1351, 37–45.

130. Li, M., Feng, B., Liang, Y., Zhang, W., Bai, Y., Tang, W., Wang, T., and Liu, H. (2013). Lipid profiling of human
plasma from peritoneal dialysis patients using an improved 2D (NP/RP) LC-QToF MS method. Anal. Bioanal.
Chem. 405, 6629–6638.

131. Dugo, P., Fawzy, N., Cichello, F., Cacciola, F., Donato, P., and Mondello, L. (2013). Stop-flow comprehensive
two-dimensional liquid chromatography combined with mass spectrometric detection for phospholipid
analysis. J. Chromatogr. A 1278, 46–53.

132. Wang, S., Li, J., Shi, X., Qiao, L., Lu, X., and Xu, G. (2013). A novel stop-flow two-dimensional liquid
chromatography-mass spectrometry method for lipid analysis. J. Chromatogr. A 1321, 65–72.

133. Holčapek, M., Ovčačíková, M., Lísa, M., Cífková, E., and Hájek, T. (2015). Continuous comprehensive two-
dimensional liquid chromatography-electrospray ionization mass spectrometry of complex lipidomic
samples. Anal. Bioanal. Chem. 407, 5033–5043.

134. Lovric, J. (2011). Introducing Proteomics: From Concepts to Sample Separation, Mass Spectrometry and
Data Analysis 1st ed. (Chichester, West Sussex: Wiley).

135. Dupree, E.J., Jayathirtha, M., Yorkey, H., Mihasan, M., Petre, B.A., and Darie, C.C. (2020). A Critical Review
of Bottom-Up Proteomics: The Good, the Bad, and the Future of this Field. Proteomes 8.

136. Feist, P., and Hummon, A.B. (2015). Proteomic challenges: sample preparation techniques for microgram-
quantity protein analysis from biological samples. Int. J. Mol. Sci. 16, 3537–3563.

137. Kim, B., Araujo, R., Howard, M., Magni, R., Liotta, L.A., and Luchini, A. (2018). Affinity enrichment for mass
spectrometry: improving the yield of low abundance biomarkers. Expert Rev. Proteomics 15, 353–366.

138. ten Have, S., Boulon, S., Ahmad, Y., and Lamond, A.I. (2011). Mass spectrometry-based immuno-
precipitation proteomics - the user’s guide. Proteomics 11, 1153–1159.

139. Aebersold, R., and Mann, M. (2003). Mass spectrometry-based proteomics. Nature 422, 198–207.

140. Olsen, J.V., Ong, S.-E., and Mann, M. (2004). Trypsin cleaves exclusively C-terminal to arginine and lysine
residues. Mol. Cell. Proteomics 3, 608–614.

141. Gershon, P.D. (2014). Cleaved and missed sites for trypsin, lys-C, and lys-N can be predicted with high
confidence on the basis of sequence context. J. Proteome Res. 13, 702–709.

142. Siepen, J.A., Keevil, E.-J., Knight, D., and Hubbard, S.J. (2007). Prediction of missed cleavage sites in tryptic
peptides aids protein identification in proteomics. J. Proteome Res. 6, 399–408.

143. Folch, J., Lees, M., and Sloane Stanley, G.H. (1957). A simple method for the isolation and purification of
total lipides from animal tissues. J. Biol. Chem. 226, 497–509.

144. Bligh, E.G., and Dyer, W.J. (1959). A rapid method of total lipid extraction and purification. Can. J. Biochem.
Physiol. 37, 911–917.

145. Matyash, V., Liebisch, G., Kurzchalia, T.V., Shevchenko, A., and Schwudke, D. (2008). Lipid extraction by
methyl-tert-butyl ether for high-throughput lipidomics. J. Lipid Res. 49, 1137–1146.

146. Zhou, B., Xiao, J.F., Tuli, L., and Ressom, H.W. (2012). LC-MS-based metabolomics. Mol. Biosyst. 8, 470–481.

147. Pinu, F.R., Villas-Boas, S.G., and Aggio, R. (2017). Analysis of Intracellular Metabolites from Microorganisms:
Quenching and Extraction Protocols. Metabolites 7.

148. de Koning, W., and van Dam, K. (1992). A method for the determination of changes of glycolytic metabolites
in yeast on a subsecond time scale using extraction at neutral pH. Anal. Biochem. 204, 118–123.

149. Navarro-Reig, M., Jaumot, J., Piña, B., Moyano, E., Galceran, M.T., and Tauler, R. (2017). Metabolomic
analysis of the effects of cadmium and copper treatment in Oryza sativa L. using untargeted liquid

277
Bibliographie

chromatography coupled to high resolution mass spectrometry and all-ion fragmentation. Metallomics 9,
660–675.

150. Jorge, T.F., Mata, A.T., and António, C. (2016). Mass spectrometry as a quantitative tool in plant
metabolomics. Philos. Transact. A Math. Phys. Eng. Sci. 374.

151. D’Alessandro, A. ed. (2019). High-Throughput Metabolomics: Methods and Protocols (New York, NY:
Springer New York).

152. Khamis, M.M., Adamko, D.J., and El-Aneed, A. (2017). Mass spectrometric based approaches in urine
metabolomics and biomarker discovery. Mass Spectrom. Rev. 36, 115–134.

153. Fernández-Peralbo, M.A., and Luque de Castro, M.D. (2012). Preparation of urine samples prior to targeted
or untargeted metabolomics mass-spectrometry analysis. TrAC Trends in Analytical Chemistry 41, 75–85.

154. Stevens, V.L., Hoover, E., Wang, Y., and Zanetti, K.A. (2019). Pre-Analytical Factors that Affect Metabolite
Stability in Human Urine, Plasma, and Serum: A Review. Metabolites 9.

155. Villaret-Cazadamont, J., Poupin, N., Tournadre, A., Batut, A., Gales, L., Zalko, D., Cabaton, N.J., Bellvert, F.,
and Bertrand-Michel, J. (2020). An optimized dual extraction method for the simultaneous and accurate
analysis of polar metabolites and lipids carried out on single biological samples. Metabolites 10.

156. Zhang, J., Hong, Y., Jiang, L., Yi, X., Chen, Y., Liu, L., Chen, Z., Wu, Y., and Cai, Z. (2020). Global Metabolomic
and Lipidomic Analysis Reveal the Synergistic Effect of Bufalin in Combination with Cinobufagin against
HepG2 Cells. J. Proteome Res. 19, 873–883.

157. Wawrzyniak, R., Kosnowska, A., Macioszek, S., Bartoszewski, R., and Jan Markuszewski, M. (2018). New
plasma preparation approach to enrich metabolome coverage in untargeted metabolomics: plasma protein
bound hydrophobic metabolite release with proteinase K. Sci. Rep. 8, 9541.

158. Nakayasu, E.S., Nicora, C.D., Sims, A.C., Burnum-Johnson, K.E., Kim, Y.-M., Kyle, J.E., Matzke, M.M., Shukla,
A.K., Chu, R.K., Schepmoes, A.A., et al. (2016). MPLEx: a Robust and Universal Protocol for Single-Sample
Integrative Proteomic, Metabolomic, and Lipidomic Analyses. mSystems 1.

159. Coman, C., Solari, F.A., Hentschel, A., Sickmann, A., Zahedi, R.P., and Ahrends, R. (2016). Simultaneous
metabolite, protein, lipid extraction (SIMPLEX): A combinatorial multimolecular omics approach for systems
biology. Mol. Cell. Proteomics 15, 1453–1466.

160. Nicora, C.D., Burnum-Johnson, K.E., Nakayasu, E.S., Casey, C.P., White, R.A., Roy Chowdhury, T., Kyle, J.E.,
Kim, Y.-M., Smith, R.D., Metz, T.O., et al. (2018). The MPLEx Protocol for Multi-omic Analyses of Soil
Samples. J. Vis. Exp.

161. Burnum-Johnson, K.E., Kyle, J.E., Eisfeld, A.J., Casey, C.P., Stratton, K.G., Gonzalez, J.F., Habyarimana, F.,
Negretti, N.M., Sims, A.C., Chauhan, S., et al. (2017). MPLEx: a method for simultaneous pathogen
inactivation and extraction of samples for multi-omics profiling. Analyst 142, 442–448.

162. Rampler, E., Abiead, Y.E., Schoeny, H., Rusz, M., Hildebrand, F., Fitz, V., and Koellensperger, G. (2021).
Recurrent Topics in Mass Spectrometry-Based Metabolomics and Lipidomics-Standardization, Coverage,
and Throughput. Anal. Chem. 93, 519–545.

163. López-Bascón, M.A., Calderón-Santiago, M., Sánchez-Ceinos, J., Fernández-Vega, A., Guzmán-Ruiz, R.,
López-Miranda, J., Malagon, M.M., and Priego-Capote, F. (2018). Influence of sample preparation on
lipidomics analysis of polar lipids in adipose tissue. Talanta 177, 86–93.

164. León, I.R., Schwämmle, V., Jensen, O.N., and Sprenger, R.R. (2013). Quantitative assessment of in-solution
digestion efficiency identifies optimal protocols for unbiased protein analysis. Mol. Cell. Proteomics 12,
2992–3005.

165. Hentschel, A., Zahedi, R.P., and Ahrends, R. (2016). Protein lipid modifications--More than just a greasy
ballast. Proteomics 16, 759–782.

166. Medina, J., van der Velpen, V., Teav, T., Guitton, Y., Gallart-Ayala, H., and Ivanisevic, J. (2020). Single-Step
Extraction Coupled with Targeted HILIC-MS/MS Approach for Comprehensive Analysis of Human Plasma
Lipidome and Polar Metabolome. Metabolites 10.

278
Bibliographie

167. Vorreiter, F., Richter, S., Peter, M., Baumann, S., von Bergen, M., and Tomm, J.M. (2016). Comparison and
optimization of methods for the simultaneous extraction of DNA, RNA, proteins, and metabolites. Anal.
Biochem. 508, 25–33.

168. Gouveia, D., Almunia, C., Cogne, Y., Pible, O., Degli-Esposti, D., Salvador, A., Cristobal, S., Sheehan, D.,
Chaumot, A., Geffard, O., et al. (2018). Ecotoxicoproteomics: A decade of progress in our understanding of
anthropogenic impact on the environment. J. Proteomics 198, 66–77.

169. Cogne, Y. (2019). Bioinformatique pour l’exploration de la diversité inter-espèce et inter-populations:

hétérogénéité et données multi-omiques.

170. Trapp, J. (2014). Approches protéomiques pour le développement de biomarqueurs chez l’amphipode
d’eau douce Gammarus fossarum : découverte, caractérisation et quantification de protéines impliquées
dans la fonction reproductrice .

171. Besse, J.-P., Coquery, M., Lopes, C., Chaumot, A., Budzinski, H., Labadie, P., and Geffard, O. (2013). Caged
Gammarus fossarum (Crustacea) as a robust tool for the characterization of bioavailable contamination
levels in continental waters: towards the determination of threshold values. Water Res. 47, 650–660.

172. Castilhos Ghisi, N. de (2012). Relationship between biomarkers and pesticide exposure in fishes: A review.
In Pesticides - Advances in Chemical and Botanical Pesticides, R. P. Soundararajan, ed. (InTech).

173. Depledge, M.H. (1994). The rational basis for the use of biomarkers as ecotoxicological tools.
In Nondestructive biomarkers in vertebrates, M. C. Fossi and C. Leonzio, eds. (Lewis Publishers), pp. 261–
285.

174. McCarthy, J.F., and Shugart, L.R. (1990). Biomarkers of environmental contamination (Lewis Publishers).

175. Lagadic, L. (2002). Biomarkers: Useful tools for the monitoring of aquatic environments. Revue de medecine
veterinaire 153, 581–588.

176. Garric, J., Morin, S., and Vincent-Hubert, F. (2010). Les biomarqueurs en écotoxicologie : définition, intérêt,
limite, usage. IRSTEA.

177. García-Fernández, A.J., Espín, S., Gómez-Ramírez, P., Martínez-López, E., and Navas, I. (2020). Wildlife
sentinels for human and environmental health hazards in ecotoxicological risk assessment. In
Ecotoxicological QSARs Methods in pharmacology and toxicology., K. Roy, ed. (New York, NY: Springer US),
pp. 77–94.

178. Beck, A.C., Lash, E.M., and Hack, J.B. (2020). Environmental toxic exposures using companion animals as an
indicator of human toxicity: A case report and discussion. J. Emerg. Med. 59, e1–e7.

179. Fossi, M.C., and Panti, C. (2017). Sentinel species of marine ecosystems. In Oxford research encyclopedia of
environmental science (Oxford University Press).

180. Kennish, M.J. (2018). Estuaries: Anthropogenic Impacts. In Encyclopedia of engineering geology
Encyclopedia of earth sciences series., P. Bobrowsky and B. Marker, eds. (Cham: Springer International
Publishing), pp. 1–9.

181. Godard-Codding, C.A.J., Clark, R., Fossi, M.C., Marsili, L., Maltese, S., West, A.G., Valenzuela, L., Rowntree,
V., Polyak, I., Cannon, J.C., et al. (2011). Pacific Ocean-wide profile of CYP1A1 expression, stable carbon and
nitrogen isotope ratios, and organic contaminant burden in sperm whale skin biopsies. Environ. Health
Perspect. 119, 337–343.

182. M Cristina Fossi And Letizia Marsili (1997). The use of non destructive biomarkers in the study of marine
mammals. Biomarkers 2, 205–216.

183. Fossi, M.C., and Depledge, M.H. (2014). Exploring the potential of large vertebrates as early warning
sentinels of threats to marine ecosystems, human health and wellbeing. Mar. Environ. Res. 100, 1–2.

184. Schwacke, L.H., Gulland, F.M., and White, S. (2013). Sentinel species in oceans and human health. In
Environmental Toxicology, E. A. Laws, ed. (New York, NY: Springer New York), pp. 503–528.

185. Depledge, M.H., and Fossi, M.C. (1994). The role of biomarkers in environmental assessment (2).
Invertebrates. Ecotoxicology 3, 161–172.

279
Bibliographie

186. Bjørnstad, A., Larsen, B.K., Skadsheim, A., Jones, M.B., and Andersen, O.K. (2006). The potential of
ecotoxicoproteomics in environmental monitoring: biomarker profiling in mussel plasma using ProteinChip
array technology. J. Toxicol. Environ. Health Part A 69, 77–96.

187. Knigge, T., Monsinjon, T., and Andersen, O.-K. (2004). Surface-enhanced laser desorption/ionization-time
of flight-mass spectrometry approach to biomarker discovery in blue mussels (Mytilus edulis) exposed to
polyaromatic hydrocarbons and heavy metals under field conditions. Proteomics 4, 2722–2727.

188. Dumas, T., Courant, F., Almunia, C., Boccard, J., Rosain, D., Duporté, G., Armengaud, J., Fenet, H., and
Gomez, E. (2021). An integrated metabolomics and proteogenomics approach reveals molecular alterations
following carbamazepine exposure in the male mussel Mytilus galloprovincialis. Chemosphere 286, 131793.

189. Dumas, T. (2020). Les approches –omiques, métabolomique et protéomique, pour l’étude de la relation de
cause à effet entre contaminants émergents, produits pharmaceutiques et organismes marins, Mytilus
galloprovincialis.

190. Karaman, G.S., and Pinkster, S. (1977). Freshwater Gammarus Species from Europe, North Africa and
Adjacent Regions of Asia (Crustacea-Amphipoda). BTD 47, 1–97.

191. Marković, Z., and Živić, I. (2007). Distribution of the species Gammarus balcanicus and Gammarus fossarum
on the territory of Serbia (central part of the Balkan peninsula). Crustaceana 80, 67–76.

192. Barnard, J.L., and Barnard, C.M. (1983). Freshwater Amphipoda of the world, I. Evolutionary patterns and
II. Handbook and bibliography. Hayfield Associates, Mt. Vermon, Virgina.

193. Kunz, P.Y., Kienle, C., and Gerhardt, A. (2010). Gammarus spp. in aquatic ecotoxicology and water quality
assessment: toward integrated multilevel tests. Rev. Environ. Contam. Toxicol. 205, 1–76.

194. Chaumot, A., Coulaud, R., Adam, O., Quéau, H., Lopes, C., and Geffard, O. (2020). In Situ Reproductive
Bioassay with Caged Gammarus fossarum (Crustacea): Part 1-Gauging the Confounding Influence of
Temperature and Water Hardness. Environ. Toxicol. Chem. 39, 667–677.

195. Geffard, O., Xuereb, B., Chaumot, A., Geffard, A., Biagianti, S., Noël, C., Abbaci, K., Garric, J., Charmantier,
G., and Charmantier-Daures, M. (2010). Ovarian cycle and embryonic development in Gammarus fossarum:
application for reproductive toxicity assessment. Environ. Toxicol. Chem. 29, 2249–2259.

196. Schirling, M., Triebskorn, R., and Köhler, H.-R. (2004). Variation in stress protein levels (hsp70 and hsp90)
in relation to oocyte development in Gammarus fossarum (Koch 1835). Invertebr. Reprod. Dev. 45, 161–
167.

197. Jubeaux, G., Simon, R., Salvador, A., Quéau, H., Chaumot, A., and Geffard, O. (2012). Vitellogenin-like
proteins in the freshwater amphipod Gammarus fossarum (Koch, 1835): functional characterization
throughout reproductive process, potential for use as an indicator of oocyte quality and endocrine
disruption biomarker in males. Aquat. Toxicol. 112–113, 72–82.

198. Fu, T., Knittelfelder, O., Geffard, O., Clément, Y., Testet, E., Elie, N., Touboul, D., Abbaci, K., Shevchenko, A.,
Lemoine, J., et al. (2021). Shotgun lipidomics and mass spectrometry imaging unveil diversity and dynamics
in Gammarus fossarum lipid composition. iScience 24, 102115.

199. Calzolai, L., Ansorge, W., Calabrese, E., Denslow, N., Part, P., and Lettieri, T. (2007). Transcriptomics and
proteomics. Applications to ecotoxicology. Comp. Biochem. Physiol. Part D Genomics Proteomics 2, 245–
249.

200. Monsinjon, T., and Knigge, T. (2007). Proteomic applications in ecotoxicology. Proteomics 7, 2997–3009.

201. Lemos, M.F.L., Soares, A.M.V.M., Correia, A.C., and Esteves, A.C. (2010). Proteins in ecotoxicology - how,
why and why not? Proteomics 10, 873–887.

202. Sanchez, B.C., Ralston-Hooper, K., and Sepúlveda, M.S. (2011). Review of recent proteomic applications in
aquatic toxicology. Environ. Toxicol. Chem. 30, 274–282.

203. Shepard, J.L., Olsson, B., Tedengren, M., and Bradley, B.P. (2000). Protein expression signatures identified
in Mytilus edulis exposed to PCBs, copper and salinity stress. Mar. Environ. Res. 50, 337–340.

280
Bibliographie

204. Gouveia, D.D. (2017). Approches moléculaires pour la découverte, le développement et l’application de
biomarqueurs de toxicité chez les gammaridés .

205. Unlü, M., Morgan, M.E., and Minden, J.S. (1997). Difference gel electrophoresis: a single gel method for
detecting changes in protein extracts. Electrophoresis 18, 2071–2077.

206. Borgatta, M., Hernandez, C., Decosterd, L.A., Chèvre, N., and Waridel, P. (2015). Shotgun
ecotoxicoproteomics of Daphnia pulex: biochemical effects of the anticancer drug tamoxifen. J. Proteome
Res. 14, 279–291.

207. Jobling, S., and Tyler, C.R. (2003). Endocrine disruption in wild freshwater fish. Pure Appl. Chem. 75, 2219–
2234.

208. Chen, Y.-T., Chen, H.-W., Wu, C.-F., Chu, L.J., Chiang, W.-F., Wu, C.-C., Yu, J.-S., Tsai, C.-H., Liang, K.-H., Chang,
Y.-S., et al. (2017). Development of a Multiplexed Liquid Chromatography Multiple-Reaction-Monitoring
Mass Spectrometry (LC-MRM/MS) Method for Evaluation of Salivary Proteins as Oral Cancer Biomarkers.
Mol. Cell. Proteomics 16, 799–811.

209. Hoofnagle, A.N., Becker, J.O., Oda, M.N., Cavigiolio, G., Mayer, P., and Vaisar, T. (2012). Multiple-reaction
monitoring-mass spectrometric assays can accurately measure the relative protein abundance in complex
mixtures. Clin. Chem. 58, 777–781.

210. Trapp, J., Armengaud, J., Pible, O., Gaillard, J.-C., Abbaci, K., Habtoul, Y., Chaumot, A., and Geffard, O. (2015).
Proteomic investigation of male Gammarus fossarum, a freshwater crustacean, in response to endocrine
disruptors. J. Proteome Res. 14, 292–303.

211. Trapp, J., Gouveia, D., Almunia, C., Pible, O., Degli Esposti, D., Gaillard, J.-C., Chaumot, A., Geffard, O., and
Armengaud, J. (2018). Digging Deeper Into the Pyriproxyfen-Response of the Amphipod Gammarus
fossarum With a Next-Generation Ultra-High-Field Orbitrap Analyser: New Perspectives for Environmental
Toxicoproteomics. Front. Environ. Sci. 6.

212. Gismondi, E., Thomé, J.P., Urien, N., Uher, E., Baiwir, D., Mazzucchelli, G., De Pauw, E., Fechner, L.C., and
Lebrun, J.D. (2017). Ecotoxicoproteomic assessment of the functional alterations caused by chronic metallic
exposures in gammarids. Environ. Pollut. 225, 428–438.

213. Simon, R., Jubeaux, G., Chaumot, A., Lemoine, J., Geffard, O., and Salvador, A. (2010). Mass spectrometry
assay as an alternative to the enzyme-linked immunosorbent assay test for biomarker quantitation in
ecotoxicology: application to vitellogenin in Crustacea (Gammarus fossarum). J. Chromatogr. A 1217, 5109–
5115.

214. Sumpter, J.P., and Jobling, S. (1995). Vitellogenesis as a biomarker for estrogenic contamination of the
aquatic environment. Environ. Health Perspect. 103 Suppl 7, 173–178.

215. Jubeaux, G., Simon, R., Salvador, A., Lopes, C., Lacaze, E., Quéau, H., Chaumot, A., and Geffard, O. (2012).
Vitellogenin-like protein measurement in caged Gammarus fossarum males as a biomarker of endocrine
disruptor exposure: inconclusive experience. Aquat. Toxicol. 122–123, 9–18.

216. Gouveia, D., Chaumot, A., Charnot, A., Almunia, C., François, A., Navarro, L., Armengaud, J., Salvador, A.,
and Geffard, O. (2017). Ecotoxico-Proteomics for Aquatic Environmental Monitoring: First in Situ
Application of a New Proteomics-Based Multibiomarker Assay Using Caged Amphipods. Environ. Sci.
Technol. 51, 13417–13426.

217. Jubeaux, G., Audouard-Combe, F., Simon, R., Tutundjian, R., Salvador, A., Geffard, O., and Chaumot, A.
(2012). Vitellogenin-like proteins among invertebrate species diversity: potential of proteomic mass
spectrometry for biomarker development. Environ. Sci. Technol. 46, 6315–6323.

218. Nesvizhskii, A.I. (2014). Proteogenomics: concepts, applications and computational strategies. Nat.
Methods 11, 1114–1125.

219. Armengaud, J., Trapp, J., Pible, O., Geffard, O., Chaumot, A., and Hartmann, E.M. (2014). Non-model
organisms, a species endangered by proteogenomics. J. Proteomics 105, 5–18.

220. Trapp, J., Geffard, O., Imbert, G., Gaillard, J.-C., Davin, A.-H., Chaumot, A., and Armengaud, J. (2014).
Proteogenomics of Gammarus fossarum to document the reproductive system of amphipods. Mol. Cell.
Proteomics 13, 3612–3625.

281
Bibliographie

221. Trapp, J., Armengaud, J., Gaillard, J.-C., Pible, O., Chaumot, A., and Geffard, O. (2016). High-throughput
proteome dynamics for discovery of key proteins in sentinel species: Unsuspected vitellogenins diversity in
the crustacean Gammarus fossarum. J. Proteomics 146, 207–214.

222. Gouveia, D., Chaumot, A., Charnot, A., Queau, H., Armengaud, J., Almunia, C., Salvador, A., and Geffard, O.
(2017). Assessing the relevance of a multiplexed methodology for proteomic biomarker measurement in
the invertebrate species Gammarus fossarum: A physiological and ecotoxicological study. Aquat. Toxicol.
190, 199–209.

223. Dreier, D.A., Bowden, J.A., Aristizabal-Henao, J.J., Denslow, N.D., and Martyniuk, C.J. (2020). Ecotoxico-
lipidomics: An emerging concept to understand chemical-metabolic relationships in comparative fish
models. Comp. Biochem. Physiol. Part D Genomics Proteomics 36, 100742.

224. Melvin, S.D., Lanctôt, C.M., Doriean, N.J.C., Bennett, W.W., and Carroll, A.R. (2019). NMR-based lipidomics
of fish from a metal(loid) contaminated wetland show differences consistent with effects on cellular
membranes and energy storage. Sci. Total Environ. 654, 284–291.

225. Greer, J.B., Magnuson, J.T., Hester, K., Giroux, M., Pope, C., Anderson, T., Liu, J., Dang, V., Denslow, N.D.,
and Schlenk, D. (2019). Effects of Chlorpyrifos on Cholinesterase and Serine Lipase Activities and Lipid
Metabolism in Brains of Rainbow Trout (Oncorhynchus mykiss). Toxicol. Sci.

226. Marqueño, A., Blanco, M., Maceda-Veiga, A., and Porte, C. (2019). Skeletal muscle lipidomics as a new tool
to determine altered lipid homeostasis in fish exposed to urban and industrial wastewaters. Environ. Sci.
Technol. 53, 8416–8425.

227. Arambourou, H., Fuertes, I., Vulliet, E., Daniele, G., Noury, P., Delorme, N., Abbaci, K., and Barata, C. (2018).
Fenoxycarb exposure disrupted the reproductive success of the amphipod Gammarus fossarum with
limited effects on the lipid profile. PLoS ONE 13, e0196461.

228. Ayciriex, S., Djelti, F., Alves, S., Regazzetti, A., Gaudin, M., Varin, J., Langui, D., Bièche, I., Hudry, E., Dargère,
D., et al. (2017). Neuronal Cholesterol Accumulation Induced by Cyp46a1 Down-Regulation in Mouse
Hippocampus Disrupts Brain Lipid Homeostasis. Front. Mol. Neurosci. 10, 211.

229. Carvalho, M., Sampaio, J.L., Palm, W., Brankatschk, M., Eaton, S., and Shevchenko, A. (2012). Effects of diet
and development on the Drosophila lipidome. Mol. Syst. Biol. 8, 600.

230. Guan, X.L., Cestra, G., Shui, G., Kuhrs, A., Schittenhelm, R.B., Hafen, E., van der Goot, F.G., Robinett, C.C.,
Gatti, M., Gonzalez-Gaitan, M., et al. (2013). Biochemical membrane lipidomics during Drosophila
development. Dev. Cell 24, 98–111.

231. Knittelfelder, O., Traikov, S., Vvedenskaya, O., Schuhmann, A., Segeletz, S., Shevchenko, A., and
Shevchenko, A. (2018). Shotgun Lipidomics Combined with Laser Capture Microdissection: A Tool To
Analyze Histological Zones in Cryosections of Tissues. Anal. Chem. 90, 9868–9878.

232. Wang, Y., Hinz, S., Uckermann, O., Hönscheid, P., von Schönfels, W., Burmeister, G., Hendricks, A.,
Ackerman, J.M., Baretton, G.B., Hampe, J., et al. (2020). Shotgun lipidomics-based characterization of the
landscape of lipid metabolism in colorectal cancer. Biochim. Biophys. Acta Mol. Cell Biol. Lipids 1865,
158579.

233. Viant, M.R., and Sommer, U. (2013). Mass spectrometry based environmental metabolomics: a primer and
review. Metabolomics 9, 144–158.

234. Viant, M.R., Bundy, J.G., Pincetich, C.A., de Ropp, J.S., and Tjeerdema, R.S. (2005). NMR-derived
developmental metabolic trajectories: an approach for visualizing the toxic actions of trichloroethylene
during embryogenesis. Metabolomics 1, 149–158.

235. Gómez-Canela, C., Miller, T.H., Bury, N.R., Tauler, R., and Barron, L.P. (2016). Targeted metabolomics of
Gammarus pulex following controlled exposures to selected pharmaceuticals in water. Sci. Total Environ.
562, 777–788.

236. Mouton, N. (2020). Développement d’une nouvelle approche par spectrométrie de masse ciblé e pour
la caractérisation de la virulence et des résistances aux antibiotiques chez les bactéries.

237. Charnot, A., Gouveia, D., Ayciriex, S., Lemoine, J., Armengaud, J., Almunia, C., Chaumot, A., Geffard, O., and
Salvador, A. (2018). On-Line Solid Phase Extraction Liquid Chromatography-Mass Spectrometry Method for

282
Bibliographie

Multiplexed Proteins Quantitation in an Ecotoxicology Test Specie: Gammarus fossarum. J. Appl. Bioanal.
4, 81–101.

238. Lafontaine, A., Baiwir, D., Joaquim-Justo, C., De Pauw, E., Lemoine, S., Boulangé-Lecomte, C., Forget-Leray,
J., Thomé, J.-P., and Gismondi, E. (2017). Proteomic response of Macrobrachium rosenbergii
hepatopancreas exposed to chlordecone: Identification of endocrine disruption biomarkers? Ecotoxicol.
Environ. Saf. 141, 306–314.

239. Schmidt, W., Rainville, L.-C., McEneff, G., Sheehan, D., and Quinn, B. (2014). A proteomic evaluation of the
effects of the pharmaceuticals diclofenac and gemfibrozil on marine mussels (Mytilus spp.): evidence for
chronic sublethal effects on stress-response proteins. Drug Test. Anal. 6, 210–219.

240. Dowling, V.A., and Sheehan, D. (2006). Proteomics as a route to identification of toxicity targets in
environmental toxicology. Proteomics 6, 5597–5604.

241. Silvestre, F., Dierick, J.-F., Dumont, V., Dieu, M., Raes, M., and Devos, P. (2006). Differential protein
expression profiles in anterior gills of Eriocheir sinensis during acclimation to cadmium. Aquat. Toxicol. 76,
46–58.

242. Allen, T.E.H., Goodman, J.M., Gutsell, S., and Russell, P.J. (2014). Defining molecular initiating events in the
adverse outcome pathway framework for risk assessment. Chem. Res. Toxicol. 27, 2100–2112.

243. Hu, W., Tedesco, S., McDonagh, B., and Sheehan, D. (2010). Shotgun redox proteomics in sub-proteomes
trapped on functionalised beads: Identification of proteins targeted by oxidative stress. Mar. Environ. Res.
69 Suppl, S25-7.

244. Leprêtre, M., Almunia, C., Armengaud, J., Salvador, A., Geffard, A., and Palos-Ladeiro, M. (2019). The
immune system of the freshwater zebra mussel, Dreissena polymorpha, decrypted by proteogenomics of
hemocytes and plasma compartments. J. Proteomics 202, 103366.

245. Martyniuk, C.J., Kroll, K.J., Doperalski, N.J., Barber, D.S., and Denslow, N.D. (2010). Environmentally relevant
exposure to 17alpha-ethinylestradiol affects the telencephalic proteome of male fathead minnows. Aquat.
Toxicol. 98, 344–353.

246. Ciliberti, A., Chaumot, A., Recoura-Massaquant, R., Chandesris, A., François, A., Coquery, M., Ferréol, M.,
and Geffard, O. (2017). Caged Gammarus as biomonitors identifying thresholds of toxic metal bioavailability
that affect gammarid densities at the French national scale. Water Res. 118, 131–140.

247. Alric, B., Geffard, O., Chandesris, A., Ferréol, M., François, A., Perceval, O., Piffady, J., Villeneuve, B., and
Chaumot, A. (2019). Multisubstance Indicators Based on Caged Gammarus Bioaccumulation Reveal the
Influence of Chemical Contamination on Stream Macroinvertebrate Abundances across France. Environ.
Sci. Technol. 53, 5906–5915.

248. Hartmann, E.M., Allain, F., Gaillard, J.-C., Pible, O., and Armengaud, J. (2014). Taking the shortcut for high-
throughput shotgun proteomic analysis of bacteria. Methods Mol. Biol. 1197, 275–285.

249. Dupierris, V., Masselon, C., Court, M., Kieffer-Jaquinod, S., and Bruley, C. (2009). A toolbox for validation of
mass spectrometry peptides identification and generation of database: IRMa. Bioinformatics 25, 1980–
1981.

250. Vizcaíno, J.A., Côté, R.G., Csordas, A., Dianes, J.A., Fabregat, A., Foster, J.M., Griss, J., Alpi, E., Birim, M.,
Contell, J., et al. (2013). The PRoteomics IDEntifications (PRIDE) database and associated tools: status in
2013. Nucleic Acids Res. 41, D1063-9.

251. Degli Esposti, D., Almunia, C., Guery, M.-A., Koenig, N., Armengaud, J., Chaumot, A., and Geffard, O. (2019).
Co-expression network analysis identifies gonad- and embryo-associated protein modules in the sentinel
species Gammarus fossarum. Sci. Rep. 9, 7862.

252. Kammers, K., Cole, R.N., Tiengwe, C., and Ruczinski, I. (2015). Detecting significant changes in protein
abundance. EuPA Open Proteom. 7, 11–19.

253. Smyth, G.K. (2004). Linear models and empirical bayes methods for assessing differential expression in
microarray experiments. Stat. Appl. Genet. Mol. Biol. 3, Article3.

283
Bibliographie

254. Lopes, C., Chaumot, A., Xuereb, B., Coulaud, R., Jubeaux, G., Quéau, H., François, A., and Geffard, O. (2020).
In Situ Reproductive Bioassay with Caged Gammarus fossarum (Crustacea): Part 2-Evaluating the Relevance
of Using a Molt Cycle Temperature-Dependent Model as a Reference to Assess Toxicity in Freshwater
Monitoring. Environ. Toxicol. Chem. 39, 678–691.

255. Percy, A.J., Chambers, A.G., Yang, J., and Borchers, C.H. (2013). Multiplexed MRM-based quantitation of
candidate cancer biomarker proteins in undepleted and non-enriched human plasma. Proteomics 13, 2202–
2215.

256. Farkas, R., Danis, P., Medved’ová, L., Mechler, B.M., and Knopp, J. (2002). Regulation of cytosolic malate
dehydrogenase by juvenile hormone in Drosophila melanogaster. Cell Biochem. Biophys. 37, 37–52.

257. Duan, Y., Liu, P., Li, J., Wang, Y., Li, J., and Chen, P. (2014). Molecular responses of calreticulin gene to Vibrio
anguillarum and WSSV challenge in the ridgetail white prawn Exopalaemon carinicauda. Fish Shellfish
Immunol. 36, 164–171.

258. Huang, Y., Hui, K., Jin, M., Yin, S., Wang, W., and Ren, Q. (2016). Two endoplasmic reticulum proteins
(calnexin and calreticulin) are involved in innate immunity in Chinese mitten crab (Eriocheir sinensis). Sci.
Rep. 6, 27578.

259. Moshtaghi, A., Rahi, M.L., Mather, P.B., and Hurwood, D.A. (2017). Understanding the Genomic Basis of
Adaptive Response to Variable Osmotic Niches in Freshwater Prawns: A Comparative Intraspecific RNA-Seq
Analysis of Macrobrachium australiense. J. Hered. 108, 544–552.

260. Groebe, K., Hayess, K., Klemm-Manns, M., Schwall, G., Wozny, W., Steemans, M., Peters, A.K., Sastri, C.,
Jaeckel, P., Stegmann, W., et al. (2010). Protein biomarkers for in vitro testing of embryotoxicity. J.
Proteome Res. 9, 5727–5738.

261. Muthukrishnan, S., Merzendorfer, H., Arakane, Y., and Yang, Q. (2019). Chitin organizing and modifying
enzymes and proteins involved in remodeling of the insect cuticle. Adv. Exp. Med. Biol. 1142, 83–114.

262. Coulaud, R., Geffard, O., Xuereb, B., Lacaze, E., Quéau, H., Garric, J., Charles, S., and Chaumot, A. (2011). In
situ feeding assay with Gammarus fossarum (Crustacea): Modelling the influence of confounding factors to
improve water quality biomonitoring. Water Res. 45, 6417–6429.

263. Chang, C.-Y., Picotti, P., Hüttenhain, R., Heinzelmann-Schwarz, V., Jovanovic, M., Aebersold, R., and Vitek,
O. (2012). Protein significance analysis in selected reaction monitoring (SRM) measurements. Mol. Cell.
Proteomics 11, M111.014662.

264. Chung, L.M., Colangelo, C.M., and Zhao, H. (2014). Data Pre-Processing for Label-Free Multiple Reaction
Monitoring (MRM) Experiments. Biology (Basel) 3, 383–402.

265. Bolstad, B.M., Irizarry, R.A., Astrand, M., and Speed, T.P. (2003). A comparison of normalization methods
for high density oligonucleotide array data based on variance and bias. Bioinformatics 19, 185–193.

266. Smyth, G.K., and Speed, T. (2003). Normalization of cDNA microarray data. Methods 31, 265–273.

267. Ballman, K.V., Grill, D.E., Oberg, A.L., and Therneau, T.M. (2004). Faster cyclic loess: normalizing RNA arrays
via linear models. Bioinformatics 20, 2778–2786.

268. Yang, Y.H., Dudoit, S., Luu, P., Lin, D.M., Peng, V., Ngai, J., and Speed, T.P. (2002). Normalization for cDNA
microarray data: a robust composite method addressing single and multiple slide systematic variation.
Nucleic Acids Res. 30, e15.

269. Hu, X., Du, S., Yu, J., Yang, X., Yang, C., Zhou, D., Wang, Q., Qin, S., Yan, X., He, L., et al. (2016). Common
housekeeping proteins are upregulated in colorectal adenocarcinoma and hepatocellular carcinoma,
making the total protein a better “housekeeper”. Oncotarget 7, 66679–66688.

270. Ferguson, R.E., Carroll, H.P., Harris, A., Maher, E.R., Selby, P.J., and Banks, R.E. (2005). Housekeeping
proteins: a preliminary study illustrating some limitations as useful references in protein expression studies.
Proteomics 5, 566–571.

271. Leprêtre, M., Palos-Ladeiro, M., Faugere, J., Almunia, C., Lemoine, J., Armengaud, J., Geffard, A., and
Salvador, A. (2020). From shotgun to targeted proteomics: rapid Scout-MRM assay development for
monitoring potential immunomarkers in Dreissena polymorpha. Anal. Bioanal. Chem. 412, 7333–7347.

284
Bibliographie

272. Ovčačíková, M., Lísa, M., Cífková, E., and Holčapek, M. (2016). Retention behavior of lipids in reversed-
phase ultrahigh-performance liquid chromatography-electrospray ionization mass spectrometry. J.
Chromatogr. A 1450, 76–85.

273. Lin, J.-T., Snyder, L.R., and McKeon, T.A. (1998). Prediction of relative retention times of triacylglycerols in
non-aqueous reversed-phase high-performance liquid chromatography. Journal of Chromatography A 808,
43–49.

274. Tsugawa, H., Ikeda, K., Tanaka, W., Senoo, Y., Arita, M., and Arita, M. (2017). Comprehensive identification
of sphingolipid species by in silico retention time and tandem mass spectral library. J. Cheminform. 9, 19.

275. Holcapek, M., Jandera, P., Zderadicka, P., and Hrubá, L. (2003). Characterization of triacylglycerol and
diacylglycerol composition of plant oils using high-performance liquid chromatography-atmospheric
pressure chemical ionization mass spectrometry. J. Chromatogr. A 1010, 195–215.

276. Lísa, M., and Holcapek, M. (2008). Triacylglycerols profiling in plant oils important in food industry, dietetics
and cosmetics using high-performance liquid chromatography-atmospheric pressure chemical ionization
mass spectrometry. J. Chromatogr. A 1198–1199, 115–130.

277. LIPID MAPS LIPID MAPS® Structure Database (LMSD). lipidmaps. Available at:
https://www.lipidmaps.org/databases/lmsd/overview [Accessed February 7, 2022].

278. Liebisch, G., Fahy, E., Aoki, J., Dennis, E.A., Durand, T., Ejsing, C.S., Fedorova, M., Feussner, I., Griffiths, W.J.,
Köfeler, H., et al. (2020). Update on LIPID MAPS classification, nomenclature, and shorthand notation for
MS-derived lipid structures. J. Lipid Res. 61, 1539–1555.

279. Shevchenko, A., and Simons, K. (2010). Lipidomics: coming to grips with lipid diversity. Nat. Rev. Mol. Cell
Biol. 11, 593–598.

280. Ivanova, P.T., Milne, S.B., Byrne, M.O., Xiang, Y., and Brown, H.A. (2007). Glycerophospholipid identification
and quantitation by electrospray ionization mass spectrometry. In Lipidomics and bioactive lipids: mass-
spectrometry–based lipid analysis Methods in Enzymology. (Elsevier), pp. 21–57.

281. Pi, J., Wu, X., and Feng, Y. (2016). Fragmentation patterns of five types of phospholipids by ultra-high-
performance liquid chromatography electrospray ionization quadrupole time-of-flight tandem mass
spectrometry. Anal. Methods 8, 1319–1332.

282. Sullards, M.C., Liu, Y., Chen, Y., and Merrill, A.H. (2011). Analysis of mammalian sphingolipids by liquid
chromatography tandem mass spectrometry (LC-MS/MS) and tissue imaging mass spectrometry (TIMS).
Biochim. Biophys. Acta 1811, 838–853.

283. Krank, J., Murphy, R.C., Barkley, R.M., Duchoslav, E., and McAnoy, A. (2007). Qualitative analysis and
quantitative assessment of changes in neutral glycerol lipid molecular species within cells. Meth. Enzymol.
432, 1–20.

284. Wörmer, L., Lipp, J.S., Schröder, J.M., and Hinrichs, K.-U. (2013). Application of two new LC–ESI–MS
methods for improved detection of intact polar lipids (IPLs) in environmental samples. Org. Geochem. 59,
10–21.

285. Abreu, S., Solgadi, A., and Chaminade, P. (2017). Optimization of normal phase chromatographic conditions
for lipid analysis and comparison of associated detection techniques. J. Chromatogr. A 1514, 54–71.

286. Peng, B., Weintraub, S.T., Coman, C., Ponnaiyan, S., Sharma, R., Tews, B., Winter, D., and Ahrends, R. (2017).
A Comprehensive High-Resolution Targeted Workflow for the Deep Profiling of Sphingolipids. Anal. Chem.
89, 12480–12487.

287. Furukawa, T., Fuda, H., Miyanaga, S., Watanabe, C., Chiba, H., and Hui, S.-P. (2016). Rapid tin-mediated
access to a lysophosphatidylethanolamine (LPE) library: Application to positional LC/MS analysis for hepatic
LPEs in non-alcoholic steatohepatitis model mice. Chem. Phys. Lipids 200, 133–138.

288. Fang, N., Yu, S., and Badger, T.M. (2003). LC-MS/MS analysis of lysophospholipids associated with soy
protein isolate. J. Agric. Food Chem. 51, 6676–6682.

285
Bibliographie

289. Wang, M., Wang, C., and Han, X. (2016). Selection of internal standards for accurate quantification of
complex lipid species in biological extracts by electrospray ionization mass spectrometry-What, how and
why? Mass Spectrom. Rev.

290. Nelson, D.L., and Cox, M.M. (2008). Lehninger Principles of Biochemistry 5th ed. (New York: W. H. Freeman).

291. Hodson, L., Skeaff, C.M., and Fielding, B.A. (2008). Fatty acid composition of adipose tissue and blood in
humans and its use as a biomarker of dietary intake. Prog. Lipid Res. 47, 348–380.

292. Khaw, K.-T., Friesen, M.D., Riboli, E., Luben, R., and Wareham, N. (2012). Plasma phospholipid fatty acid
concentration and incident coronary heart disease in men and women: the EPIC-Norfolk prospective study.
PLoS Med. 9, e1001255.

293. Or-Rashid, M.M., Odongo, N.E., and McBride, B.W. (2007). Fatty acid composition of ruminal bacteria and
protozoa, with emphasis on conjugated linoleic acid, vaccenic acid, and odd-chain and branched-chain fatty
acids. J. Anim. Sci. 85, 1228–1234.

294. Zhukova, N. (1995). Fatty acid composition of 15 species of marine microalgae. Phytochemistry 39, 351–
356.

295. Tanakol, R., Yazici, Z., Sener, E., and Sencer, E. (1999). Fatty acid composition of 19 species of fish from the
Black Sea and the Marmara Sea. Lipids 34, 291–297.

296. Prato, E., and Biandolino, F. (2012). Total lipid content and fatty acid composition of commercially
important fish species from the Mediterranean, Mar Grande Sea. Food Chem. 131, 1233–1239.

297. Rocquelin, G., Guenot, L., Justrabo, E., Grynberg, A., and David, M. (1985). Fatty acid composition of human
heart phospholipids: data from 53 biopsy specimens. J. Mol. Cell. Cardiol. 17, 769–773.

298. Nussbaum, J.L., Neskovic, N., and Mandel, P. (1971). The fatty acid composition of phospholipids and
glycolipids in Jimpy mouse brain. J. Neurochem. 18, 1529–1543.

299. Tarazona, P., Feussner, K., and Feussner, I. (2015). An enhanced plant lipidomics method based on
multiplexed liquid chromatography-mass spectrometry reveals additional insights into cold- and drought-
induced membrane remodeling. Plant J. 84, 621–633.

300. Huynh, K., Barlow, C.K., Jayawardana, K.S., Weir, J.M., Mellett, N.A., Cinel, M., Magliano, D.J., Shaw, J.E.,
Drew, B.G., and Meikle, P.J. (2019). High-Throughput Plasma Lipidomics: Detailed Mapping of the
Associations with Cardiometabolic Risk Factors. Cell Chem. Biol. 26, 71-84.e4.

301. Lange, M., and Fedorova, M. (2020). Evaluation of lipid quantification accuracy using HILIC and RPLC MS on
the example of NIST® SRM® 1950 metabolites in human plasma. Anal. Bioanal. Chem. 412, 3573–3584.

302. Krautbauer, S., Büchler, C., and Liebisch, G. (2016). Relevance in the Use of Appropriate Internal Standards
for Accurate Quantification Using LC-MS/MS: Tauro-Conjugated Bile Acids as an Example. Anal. Chem. 88,
10957–10961.

303. Kauhanen, D., Sysi-Aho, M., Koistinen, K.M., Laaksonen, R., Sinisalo, J., and Ekroos, K. (2016). Development
and validation of a high-throughput LC-MS/MS assay for routine measurement of molecular ceramides.
Anal. Bioanal. Chem. 408, 3475–3483.

304. Kim, H.M., and Kang, J.S. (2021). Metabolomic studies for the evaluation of toxicity induced by
environmental toxicants on model organisms. Metabolites 11.

305. Cavill, R., Jennen, D., Kleinjans, J., and Briedé, J.J. (2016). Transcriptomic and metabolomic data integration.
Brief. Bioinformatics 17, 891–901.

306. Santos, E.M., Ball, J.S., Williams, T.D., Wu, H., Ortega, F., van Aerle, R., Katsiadaki, I., Falciani, F., Viant, M.R.,
Chipman, J.K., et al. (2010). Identifying health impacts of exposure to copper using transcriptomics and
metabolomics in a fish model. Environ. Sci. Technol. 44, 820–826.

307. Haas, R., Zelezniak, A., Iacovacci, J., Kamrad, S., Townsend, S., and Ralser, M. (2017). Designing and
interpreting “multi-omic” experiments that may change our understanding of biology. Current Opinion in
Systems Biology 6, 37–45.

286
Bibliographie

308. Cogne, Y., Degli-Esposti, D., Pible, O., Gouveia, D., François, A., Bouchez, O., Eché, C., Ford, A., Geffard, O.,
Armengaud, J., et al. (2019). De novo transcriptomes of 14 gammarid individuals for proteogenomic analysis
of seven taxonomic groups. Sci. Data 6, 184.

309. Fu, T., Oetjen, J., Chapelle, M., Verdu, A., Szesny, M., Chaumot, A., Degli-Esposti, D., Geffard, O., Clément,
Y., Salvador, A., et al. (2020). In situ isobaric lipid mapping by MALDI-ion mobility separation-mass
spectrometry imaging. J. Mass Spectrom. 55, e4531.

310. Liang, X., Martyniuk, C.J., and Simmons, D.B.D. (2020). Are we forgetting the “proteomics” in multi-omics
ecotoxicology? Comp. Biochem. Physiol. Part D Genomics Proteomics 36, 100751.

311. Ebner, J.N. (2021). Trends in the application of “omics” to ecotoxicology and stress ecology. Genes (Basel)
12.

312. Simões, T., Novais, S.C., Natal-da-Luz, T., Devreese, B., de Boer, T., Roelofs, D., Sousa, J.P., van Straalen,
N.M., and Lemos, M.F.L. (2018). An integrative omics approach to unravel toxicity mechanisms of
environmental chemicals: effects of a formulated herbicide. Sci. Rep. 8, 11376.

313. Guo, H., Wang, L., Deng, Y., and Ye, J. (2021). Novel perspectives of environmental proteomics. Sci. Total
Environ. 788, 147588.

314. Armengaud, J. (2016). Next-generation proteomics faces new challenges in environmental biotechnology.
Curr. Opin. Biotechnol. 38, 174–182.

315. Koenig, N., Almunia, C., Bonnal-Conduzorgues, A., Armengaud, J., Chaumot, A., Geffard, O., and Esposti,
D.D. (2021). Co-expression network analysis identifies novel molecular pathways associated with cadmium
and pyriproxyfen testicular toxicity in Gammarus fossarum. Aquat. Toxicol. 235, 105816.

316. Gouveia, D., Cogne, Y., Gaillard, J.-C., Almunia, C., Pible, O., François, A., Degli-Esposti, D., Geffard, O.,
Chaumot, A., and Armengaud, J. (2019). Shotgun proteomics datasets acquired on Gammarus pulex animals
sampled from the wild. Data Brief 27, 104650.

317. Cogne, Y., Almunia, C., Gouveia, D., Pible, O., François, A., Degli-Esposti, D., Geffard, O., Armengaud, J., and
Chaumot, A. (2019). Comparative proteomics in the wild: Accounting for intrapopulation variability
improves describing proteome response in a Gammarus pulex field population exposed to cadmium. Aquat.
Toxicol. 214, 105244.

318. Cosio, C., Degli-Esposti, D., Almunia, C., Gaillet, V., Sartelet, H., Armengaud, J., Chaumot, A., Geffard, O.,
and Geffard, A. (2021). Subcellular Distribution of Dietary Methyl-Mercury in Gammarus fossarum and Its
Impact on the Amphipod Proteome. Environ. Sci. Technol. 55, 10514–10523.

319. Arambourou, H., Vulliet, E., Daniele, G., Noury, P., Delorme, N., Abbaci, K., Forcellini, M., Tutundjian, R., and
Barata, C. (2019). Comparison in the response of three European Gammarid species exposed to the growth
regulator insecticide fenoxycarb. Environ. Sci. Pollut. Res. Int. 26, 11496–11502.

320. Bligh, E.G., and Dyer, W.J. (1959). A rapid method of total lipid extraction and purification. Can J Biochem
Physiol 37.

321. Borgmeyer, M., Coman, C., Has, C., Schött, H.-F., Li, T., Westhoff, P., Cheung, Y.F.H., Hoffmann, N.,
Yuanxiang, P., Behnisch, T., et al. (2021). Multiomics of synaptic junctions reveals altered lipid metabolism
and signaling following environmental enrichment. Cell Rep. 37, 109797.

322. Rohart, F., Gautier, B., Singh, A., and Lê Cao, K.-A. (2017). mixOmics: An R package for ’omics feature
selection and multiple data integration. PLoS Comput. Biol. 13, e1005752.

323. Karpievitch, Y.V., Taverner, T., Adkins, J.N., Callister, S.J., Anderson, G.A., Smith, R.D., and Dabney, A.R.
(2009). Normalization of peak intensities in bottom-up MS-based proteomics using singular value
decomposition. Bioinformatics 25, 2573–2580.

324. Alava, V.R., Quinitio, E.T., de Pedro, J.B., Priolo, F.M.P., Orozco, Z.G.A., and Wille, M. (2007). Lipids and fatty
acids in wild and pond-reared mud crab Scylla serrata (Forsskål) during ovarian maturation and spawning.
Aquac. Res. 38, 1468–1477.

325. Lee, R.F., and Walker, A. (1995). Lipovitellin and lipid droplet accumulation in oocytes during ovarian
maturation in the blue crab,Callinectes sapidus. J. Exp. Zool. 271, 401–412.

287
Bibliographie

326. Ravid, T., Tietz, A., Khayat, M., Boehm, E., Michelis, R., and Lubzens, E. (1999). Lipid accumulation in the
ovaries of a marine shrimp penaeus semisulcatus (de haan). J. Exp. Biol. 202 (Pt 13), 1819–1829.

327. Subramoniam, T. (2011). Mechanisms and control of vitellogenesis in crustaceans. Fish. Sci. 77, 1–21.

328. Lê, S., Josse, J., and Husson, F. (2008). FactoMineR : An R package for multivariate analysis. J. Stat. Softw.
25.

329. Buré, C., Ayciriex, S., Testet, E., and Schmitter, J.-M. (2013). A single run LC-MS/MS method for
phospholipidomics. Anal. Bioanal. Chem. 405, 203–213.

330. Beuvier, L. (2015). Développement d’une méthode de séparation chromatographique couplée aux
spectrométries de masse à source d’ionisation électrospray (ESI-MS) et à source plasma à couplage inductif
(ICP-MS): application à l’analyse de spéciation des lanthanides.

331. Murphy, R.E., Schure, M.R., and Foley, J.P. (1998). Effect of Sampling Rate on Resolution in Comprehensive
Two-Dimensional Liquid Chromatography. Anal. Chem. 70, 1585–1594.

288