Agilent AI integrace píků v GC/MS analýze ftalátů

Analýza dat je v plynové chromatografii ve spojení s hmotnostní spektrometrii (GC/MS) často manuální, časově náročná a závislá na lidském faktoru. I když jsou k dispozici různé automatické algoritmy pro integraci dat, někdy musí chemik korigovat integrační parametry.

Tato aplikační poznámka demonstruje pracovní postup využívající umělou inteligenci (AI) během procesu GC/MS analýzy dat pro ftaláty. Model strojového učení (ML) je na míru vycvičen během běžného pracovního postupu analýzy dat uživatelem, kterého ruční integrační činnosti sleduje. Poté nahradí manuální integraci píků pomocí umělé inteligence, která se pak dále průběžně učí.

Automatická integrace píků pomocí umělé inteligence pro kvantitativní analýzu v softwaru MassHunter tak poskytuje reprodukovatelné a přesné výsledky. Rovněž výrazně zkracuje dobu analýzy dat.

Úvod

Jedním z časově nejnáročnějších procesů v analytických laboratořích je manuální integrace během analýzy dat, která zahrnuje korekci základní linie, kombinaci nebo rozdělení píků a eliminaci falešně pozitivních/negativních píků. Existuje také mnoho důvodů, proč může být manuální integrace nutná, například kontaminace, vliv matrice, nedostatečná separace, negaussovský tvar píku (fronting/tailing) a povaha analytů.

Příkladem obzvláště obtížného analytu jsou ftaláty. Ftaláty nebo estery kyseliny ftalové se často používají jako změkčovadla. Lze je nalézt v mnoha různých výrobcích, jako jsou hračky, parfémy, elektrická a elektronická zařízení. Vzhledem k jejich potenciálním zdravotním rizikům je jejich koncentrace ve spotřebitelských výrobcích/potravinách celosvětově regulována.¹ V případě analýzy ftalátů vedou izomerní sloučeniny, jako je diisononylftalát (DINP) a diisodecylftalát (DIDP), k širokým, nepravidelně tvarovaným píkům, které obvykle vyžadují dodatečnou manuální integraci.²

V této aplikační poznámce demonstrujeme nový pracovní postup analýzy ftalátů pomocí GC/MS, kde je manuální integrace nahrazena modulem Agilent AI Peak Integration pro software Agilent MassHunter Quantitative Analysis.

Experimentální část

Vybavení a software

K získání dat byly použity přístroje Agilent GC/MSD. Data byla získána v synchronním režimu SIM/Scan. Agilent Software pro kvantitativní analýzu MassHunter (verze 10.2) posloužil k analýze dat.

Získaná data byla nejprve zpracována pomocí bezparametrového integrátoru v MassHunter Quantitative Analysis. Výsledky integrace získané z tohoto integrátoru byly použity jako základ pro model strojového učení (machine learning model (ML)). Poté byly výsledky nahrány do cloudové databáze AI Peak Integration prostřednictvím modulu MassHunter kvantitativní analýza.

Model strojového učení

Pro použití modelu strojového učení Agilent AI Peak Integration je třeba nejdříve natrénovat ML model pro konkrétní aplikaci. Správné trénování vyžaduje vysoce kvalitní reálná data. Kromě toho má způsob, jakým uživatel model trénuje, obrovský vliv na přesnost modelu. Technický přehled pro AI Peak Integration zahrnuje následující aspekty:³

• Klíčové vlastnosti AI Peak Integration
• Vývoj a trénování AI Peak Integration
• Kontrola kvality a přesnosti AI Peak Integration

Pro tuto aplikační poznámku byl vyvinut ML model pro analýzu ftalátů ve spotřebitelských výrobcích. K tréninku tohoto modelu při detekci a kvantifikaci ftalátů byla použita data z více než 1000 vzorků.

Altium International: Obrázek 1. Pracovní postup pro analýzu dat v softwaru MassHunter Quantitative Analysis s asistencí Agilent AI Peak Integration

Pracovní postup analýzy dat

Pracovní postup analýzy dat Obrázek 1 znázorňuje obecný pracovní postup v softwaru MassHunter Quantitative Analysis s AI Peak Integration. Po úspěšné autentizaci uživatele připraví uživatel batch vzorků tak, jak by to obvykle udělal bez AI Peak Integration ve svém standardním pracovním postupu. To zahrnuje přidání vzorků a načtení kvantifikační metody. Jakmile je batch vzorků připravena, což znamená, že dávka je analyzována a píky integrovány vestavěným integrátorem, může uživatel zahájit predikci kliknutím na tlačítko "Process" (Zpracovat) v uživatelském rozhraní. Vytrénovaný model v cloudu předpoví správné integrace a aktualizuje výsledky v softwaru MassHunter Quantitative Analysis. V ideálním případě může uživatel tuto batch s předpovězenými výsledky přímo uložit.

Jednou z klíčových funkcí systému AI Peak Integration je průběžné učení. Volitelný krok ručního nastavení (obrázek 1) je navržen tak, aby zachytil všechny změny, které uživatel provedl v pících. Model se tak může průběžně zlepšovat a rychle se přizpůsobovat nové sadě dat.

Výsledky a diskuse

Reprodukovatelnost modelu

Reprodukovatelnost je další klíčovou vlastností AI Peak Integration. Obrázek 2 ukazuje výsledky integrace kvantifikačního iontu (m/z = 307) DIDP ve stejném vzorku, který byl opakovaně analyzován pomocí AI Peak Integration s pevnou verzí modelu. Všech 5 předpovědí vedlo k dobře integrovanému píku s plochou píku 1050 pro DIDP při 0,4 ppm.

Tato vlastnost AI Peak Integration je mimořádně důležitá. Ještě důležitější je pro analýzu ftalátů obsahujících izomerní sloučeniny, jako jsou DINP a DIDP, ve složitých matricích.² Díky této funkci mohou uživatelé zpětně přezkoumat předchozí výsledky nebo ověřit výsledky, které jsou předpovězeny modelem se známou verzí modelu.

Altium International: Obrázek 2. Chromatogramy SIM pro diisodecylftalát (DIDP, m/z = 307), stejný vzorek z 5 různých šarží. Výsledky předpovězené programem Agilent AI Peak Integration při použití stejného režimu

Rychlost zpracování modelu

Jak již bylo zmíněno v úvodu, u některých aplikací (např. u analýzy ftalátů) tráví analytici většinu času kontrolou a úpravou základní integrace, která byla automaticky vypočtena softwarem pro analýzu dat. Manuální úkony během analýzy dat jsou spojeny s korekcí základní linie, sloučním nebo rozdělením píků a eliminací falešně pozitivních/negativních píků. Doba kontroly analýzy dat pro každý vzorek závisí na typu aplikace, počtu analytů a složitosti matrice vzorku.

Výsledky rychlosti zpracování pro batch se 2, 5, 10, 25, 50 a 100 vzorky jsou shrnuty na obrázku 3. Průměrná doba zpracování jednoho vzorku byla přibližně 12 sekund.

Pro tuto analýzu ftalátů za ideálních podmínek se zkušeným analytikem vyžaduje kontrolu dat a provedení manuální integrace v průměru 60 až 120 sekund na vzorek (znázorněno na obrázku 3, oranžová oblast). Integrace píků pomocí umělé inteligence tak přináší významnou úsporu času a produktivitu, zejména s rostoucím počtem vzorku.

Altium International: Obrázek 3. Rychlost zpracování Agilent AI Peak Integration v závislosti na počtu vzorků v batch (n = 3). (zleva), Obrázek 4. Přesnost pro kvantifikační ion každého analytu v 576 vzorcích z 18 batch (zprava)

Přesnost modelu

Schopnost poskytovat spolehlivé a přesné předpovědi je rozhodující vlastností vyškoleného ML modelu. Díky této úrovni kvality může ML model v konečném důsledku zkrátit celkovou dobu analýzy dat a ušetřit firmě peníze a zároveň zvýšit výkonnost laboratoře. Přesnost modelu se vypočítá pomocí ML-předpovědi a ručně integrované plochy píku. K vyhodnocení přesnosti modelu se používá několik metrik, včetně průměrné chyby, mediánu chyby, maximální chyby a směrodatné odchylky chyby.³

Obrázek 4 ukazuje vynikající přesnost modelu pro kvantifikační ion každého ftalátu. Natrénovaný ML model zpracoval více než 550 vzorků z 18 batch. Bylo dosaženo průměrné přesnosti modelu přes 98 %.

Natrénovaný ML model dokáže správně integrovat nejen kvantifikátor každého ftalátu, ale také odpovídající kvalifikační ion(y). To je někdy náročné u některých specifických ftalátů, jako jsou DIDP a DINP. Ty částečně koelují i při optimalizovaných metodách akvizice a existují jako směsi polohových izomerů. Výsledky integrace píků pomocí integrátoru v sw Masshunter a AI Peak Integration jsou porovnány na obrázku 5. Jak kvantifikátor (m/z = 293), tak kvalifikátor (m/z = 149) iontu DINP při 0,3 ppm byly dokonale integrovány pomocí ML modelu.

Dobře vycvičený ML model by měl být schopen správně předpovědět nejen základní linii píku, a tedy jeho plochu při dané koncentraci, ale i píky v celém kalibračním rozsahu nebo někdy i pod mezí stanovitelnosti (LOQ). Na obrázku 6 jsou zobrazeny výsledky integrace píků AI pro kvantifikační ion (m/z = 293) DINP v koncentracích 0,1, 0,2, 0,3, 0,4, 0,5, 1, 2, 5, 10 a 20 ppm. Obrázek 7 ukazuje kalibrační křivku (0,5 až 20 ppm) DINP s plochou píku každého kalibračního bodu předpovězenou ML modelem. V celém zkoumaném rozsahu koncentrací a zejména při nižších koncentracích (0,1 až 0,5 ppm) odvedl vyškolený ML model vynikající práci při předpovídání správné základní linie. Tím se výrazně snížilo množství ručních úprav, a tedy i doba analýzy dat.

Další schopností dobře vyškoleného modelu je korekce falešně pozitivní nebo negativní integrace provedené vestavěným sw integrátorem. V technickém článku Agilent AI Peak Integration for MassHunter jsou podrobně vysvětleny metriky správnosti screeningu píků.³ Stručně řečeno, falešně pozitivní pík znamená, že pík je nesprávně identifikován jako pozitivní, zatímco falešně negativní pík znamená, že pík je nesprávně identifikován jako negativní (vynulován nebo nesprávně integrován).

... další data naleznete v aplikačním listu...

Závěr

V této aplikační poznámce jsme Vám představili AI Peak Integration řešení od společnosti Agilent pro tradiční manuální integraci při GC/MS analýze ftalátů. Natrénovaný model strojového učení generoval reprodukovatelné výsledky při zpracování stejného vzorku. Zpracování jednoho vzorku trvalo v průměru pouze 12 sekund, zatímco zkušenému analytikovi to zabere 60 až 120 sekund. Natrénovaný model poskytl spolehlivé a přesné předpovědi pro kvantifikující i kvalifikující ionty cílových ftalátů v různých koncentracích.