Molecular networking has become a key method to visualize and annotate the chemical space in non-targeted mass spectrometry data. We present feature-based molecular networking (FBMN) as an analysis method in the Global Natural Products Social Molecular Networking (GNPS) infrastructure that builds on chromatographic feature detection and alignment tools. FBMN enables quantitative analysis and resolution of isomers, including from ion mobility spectrometry. Feature-based molecular networking allows the generation of molecular networks for mass spectrometry data that can recognize isomers, incorporate relative quantification and integrate ion mobility data.

Feeding a growing world population amidst climate change requires optimizing the reliability, resource use, and environmental impacts of food production. One way to assist in achieving these goals is to integrate beneficial plant microbiomes—i.e., those enhancing plant growth, nutrient use efficiency, abiotic stress tolerance, and disease resistance—into agricultural production. This integration will require a large-scale effort among academic researchers, industry researchers, and farmers to understand and manage plant-microbiome interactions in the context of modern agricultural systems. Here, we identify priorities for research in this area: (1) develop model host–microbiome systems for crop plants and non-crop plants with associated microbial culture collections and reference genomes, (2) define core microbiomes and metagenomes in these model systems, (3) elucidate the rules of synthetic, functionally programmable microbiome assembly, (4) determine functional mechanisms of plant-microbiome interactions, and (5) characterize and refine plant genotype-by-environment-by-microbiome-by-management interactions. Meeting these goals should accelerate our ability to design and implement effective agricultural microbiome manipulations and management strategies, which, in turn, will pay dividends for both the consumers and producers of the world food supply.

Molecular networking has become a key method used to visualize and annotate the chemical space in non-targeted mass spectrometry-based experiments. However, distinguishing isomeric compounds and quantitative interpretation are currently limited. Therefore, we created Feature-based Molecular Networking (FBMN) as a new analysis method in the Global Natural Products Social Molecular Networking (GNPS) infrastructure. FBMN leverages feature detection and alignment tools to enhance quantitative analyses and isomer distinction, including from ion-mobility spectrometry experiments, in molecular networks.

The confident high-throughput identification of small molecules remains one of the most challenging tasks in mass spectrometry-based metabolomics. SIRIUS has become a powerful tool for the interpretation of tandem mass spectra, and shows outstanding performance for identifying the molecular formula of a query compound, being the first step of structure identification. Nevertheless, the identification of both molecular formulas for large compounds above 500 Daltons and novel molecular formulas remains highly challenging. Here, we present ZODIAC, a network-based algorithm for the de novo estimation of molecular formulas. ZODIAC reranks SIRIUS' molecular formula candidates, combining fragmentation tree computation with Bayesian statistics using Gibbs sampling. Through careful algorithm engineering, ZODIAC's Gibbs sampling is very swift in practice. ZODIAC decreases incorrect annotations 16.2-fold on a challenging plant extract dataset with most compounds above 700 Dalton; we then show improvements on four additional, diverse datasets. Our analysis led to the discovery of compounds with novel molecular formulas such as C24H47BrNO8P which, as of today, is not present in any publicly available molecular structure databases.