《Plants》：Natural Compounds for Controlling Plant Pathogens
José Sebastián Dambolena and
Virginia Lara Usseglio
编辑推荐：
本研究旨在解决传统大麻素化学分类法过度依赖THC/CBD比例、忽略次要大麻素贡献的问题。研究人员对36个商业化大麻品种的9种大麻素进行了定量分析，并结合主成分分析、偏最小二乘判别分析和层次聚类等多变量方法进行研究。结果发现，次要大麻素CBC、CBGA和CBG具有与THC、CBD相当甚至正交的判别力，可区分THC优势品种内的亚型。研究证实大麻化学型存在于代谢连续谱上，而非离散类别，并提出基于PC1/PC2评分的“代谢坐标”系统，为大麻品种鉴定、质量控制和精准育种提供了量化、可重复的新框架。
在蓬勃发展的药用大麻领域，科学家、育种者和监管机构面临一个核心困境：我们该如何科学地定义和区分种类繁多的大麻品种？长久以来，业内依赖一个看似简洁的二分法——根据Δ9-四氢大麻酚（THC）和大麻二酚（CBD）的含量比例，将大麻划分为I型（THC优势）、II型（中间型）和III型（CBD优势）化学型。这套分类体系在监管和遗传学研究中沿用数十年，但它真的捕捉到了大麻的全部化学多样性吗？越来越多证据表明，除了THC和CBD这对“明星分子”，大麻中还存在众多“次要”大麻素，如大麻萜酚（CBG）、大麻色烯（CBC）等，它们虽含量较低，却可能具有独特的药理活性。然而，在传统分类框架中，这些次要大麻素的价值被严重低估，甚至被完全忽略。这就像仅凭身高和体重来给人分类，却忽视了血型、指纹等同样独特的标识。这种简化处理，是否导致我们错过了大麻品种内部更精细的化学结构？又是否阻碍了基于特定化学成分（如高CBC或高CBG）的精准育种和药物开发？为了回答这些问题，由José Sebastián Dambolena和Virginia Lara Usseglio等研究人员开展了一项深入研究，旨在全面评估包括次要大麻素在内的完整大麻素指纹图谱，在化学分类学中的价值。他们的研究成果发表在学术期刊《Plants》上，为大麻的科学分类与应用开辟了新视角。
为了系统回答上述问题，研究人员采用了一套严谨的分析流程。首先，他们获取了36个具有商业和药用价值的大麻品种（包括I、II、III型）的样本，这些样本在受控室内条件下统一栽培，以最小化环境变异。研究的技术核心在于使用经过验证的高效液相色谱法，精确量化了九种关键大麻素：包括酸性前体（如四氢大麻酚酸THCA、大麻二酚酸CBDA、大麻萜酚酸CBGA）、其中性脱羧形式（THC、CBD、CBG）以及其他次要大麻素（CBC、大麻二酚V CBDV、大麻酚CBN）。获得精准的定量数据后，研究团队没有止步于简单描述，而是运用了三种多变量统计分析方法层层深入：无监督的主成分分析（PCA）用于探索数据内在的方差结构；有监督的偏最小二乘判别分析（PLS-DA）用于评估大麻素指纹预测已知化学型分类的能力并找出关键判别变量；最后，层次聚类分析结合热图可视化，用于揭示不同品种和大麻素之间的协同丰度模式与生物合成关联。
2.1. 九种大麻素的定量分析
研究人员对36个大麻品种进行了定量HPLC（高效液相色谱）分析。结果显示，大麻素含量存在巨大异质性。例如，THC优势品种如El Patron的总THC含量高达15.64%，而CBD优势品种如Charlotte’s Angel某些类型的总CBD含量可达12.32%。值得注意的是，作为通用前体的大麻萜酚酸（CBGA）在所有样品中均有检出，但其浓度范围很广（0.05% 至 0.91%），且与THC或CBD的优势度无严格关联，表明下游转化效率存在品种差异。例如，同为THC优势型，Sour Diesel和Cinderella Jack富含CBC（约0.1%），而Mother Gorilla和Auto Lemon Kix则富含CBGA。CBDV在13个品种中被检出，CBN则在约三分之一的样品中以痕量存在。这些数据初步揭示，次要大麻素的分布模式可能提供额外的分类信息。
2.2. 主成分分析
主成分分析结果表明，前两个主成分（PC1和PC2）共同解释了总方差的62.7%。PC1（贡献率37.6%）主要反映了THCA与CBDA/CBD之间的“极性轴”，清晰地将THC优势型（负值区）和CBD优势型（正值区）分开，中间型品种位于原点附近。这证实了传统化学分类所依赖的主要代谢分流。然而，更有趣的发现来自PC2（贡献率25.1%），其方差主要由次要大麻素驱动，其中CBC的载荷最高（0.417），其次是CBGA（0.314）和CBG（0.258）。这意味着，在THC/CBD这一主要分类轴之外，还存在一个独立的、由次要大麻素定义的化学变异维度。例如，富含CBC的品种（如Sour Diesel）在PC2上得分较高，而富含CBGA的品种（如Mother Gorilla）得分较低。分析还发现，得分图上没有出现自然的断裂或离散的集群，化学表型呈现从THC优势到CBD优势的连续渐变，这挑战了化学型是离散类别的传统观念，转而支持“代谢连续谱”模型。
2.3. 偏最小二乘判别分析
为了评估大麻素指纹对已知化学型标签的预测能力，研究人员进行了有监督的偏最小二乘判别分析。所建立的模型仅使用九种大麻素变量，就在预测化学型类别上实现了94.2%的交叉验证准确率和100%的测试集准确率，证明了仅凭大麻素指纹就具有强大的分类能力。变量重要性投影分析显示，除了预期中的THCA和CBDA，CBC被识别为第三重要的判别变量，其VIP值达到1.34，CBGA的VIP值也达1.21。这从统计学上确证了次要大麻素，特别是CBC，具有与传统主要大麻素相当的分类学判别力，而非无关紧要的痕量物质。
2.4. 层次聚类与热图可视化
层次聚类热图直观地展示了品种与大麻素之间的关联模式。品种树状图解析出三个主要分支：分支I包含所有CBD优势品种；分支II包含中间型品种及少数具有高CBGA或CBC的THC优势品种；分支III则包含了大多数THC优势品种，并可进一步细分为两个子簇：一个富含CBC，另一个富含CBGA。这种亚结构在传统的THC:CBD比率分类中是无法看到的。大麻素树状图则揭示了三个共调控代谢物集群：集群A（THCA–THC–CBN）、集群B（CBDA–CBD）和集群C（CBGA–CBG–CBC）。值得注意的是，CBGA并未始终与THCA或CBDA集群关联，其定位取决于品种的主导合酶，这可视化地证实了CBGA作为通用但未定前程体的生物化学角色。
研究的结论与讨论部分对上述发现进行了整合与深化，并阐述了其多重重要意义。首先，研究强有力地证明，次要大麻素（特别是CBC、CBGA和CBG）拥有与传统THC和CBD相当甚至正交的判别力。三种独立的多变量分析方法（PCA、PLS-DA、层次聚类）均支持这一结论。CBC被确定为第三重要的判别变量，其VIP值高达1.34，这挑战了“低浓度即无价值”的旧有观念，表明分类学价值由遗传变异而非绝对浓度决定。其次，研究结果支持大麻化学型存在于一个“代谢连续谱”上，而非离散的类别。PCA得分图显示的连续性表明，任何基于THC/CBD比率的分类割点都是人为施加在连续分布上的。此外，在THC优势分支内部发现CBC富集和CBGA富集两种亚型，揭示了传统“I型”类别下存在有意义的化学亚结构，这为精准育种提供了新方向。
在实践应用层面，研究证实仅基于九种HPLC可分析大麻素的指纹图谱，就能实现高精度的品种分类，这对于许多拥有HPLC但无气相色谱-质谱联用仪（用于萜烯分析）的质量控制实验室而言，是一个实用且强大的解决方案。作者建议国际药典将必需的大麻素检测面板从THC和CBD扩展至包括CBC、CBGA和CBG，以大幅提升判别能力。在育种和临床意义上，该研究为靶向特定次要大麻素（如高CBC或高CBG）的育种计划提供了明确的筛选依据。同时，研究强调THC:CBD比率仅能解释37.6%的总化学方差，这意味着具有相同THC:CBD比率的不同产品，其次要大麻素谱可能差异巨大，从而可能产生不同的药理效应。因此，作者倡导对所有药用大麻产品进行完整大麻素面板标注，这对于实现精准的个性化 cannabinoid therapy 至关重要。
最后，研究提出了一个概念性转变：从传统的离散型I/II/III分类法，转向基于“代谢坐标”（即PCA的PC1和PC2评分）的多变量、连续化学分类系统。这个系统能定量、可重复地表征大麻品种的化学特征，并保留区分CBC富集型和CBGA富集型等亚型的信息。该框架为品种认证、质量控制和药用大麻产品标准化奠定了实证基础。当然，研究也存在一定局限性，如未包含罕见的IV型（CBG优势）和V型（几乎不含大麻素）化学型，仅使用了单一生境和收获时间点的样本，且未分析萜烯。未来需要在更广泛的样本集和多环境试验中进行验证，并整合萜烯数据以构建更完善的分级化学分类框架。尽管如此，这项研究无疑推动了大麻化学分类学向更精细、更科学的方向迈进了一大步。
