Mobile-Menu

Prognozowanie czasów retencji w chromatografii cieczowej Kiedy cząsteczka opuści kolumnę?

Źródło: komunikat prasowy Uniwersytet w Jenie | Tłumaczenie wykonane przez sztuczną inteligencję 3 min Czas czytania

Related Vendor

Friedrich-Schiller- Universität Jena

Naukowcy z Uniwersytetu w Jenie opracowali metodę opartą na sztucznej inteligencji, która pozwala dokładniej przewidywać czasy retencji. Dzięki temu można lepiej planować analizy, również w przypadku nowych systemów i nieznanych substancji. Narzędzie to jest dostępne do pobrania w Internecie.

Lepsze przewidywanie czasów retencji: pomocny ma być nowy model oparty na sztucznej inteligencji. Link do programu grupy badawczej z Jeny znajduje się na końcu tego artykułu. (Zdjęcie ilustracyjne)(Zdjęcie: khaw – stock.adobe.com)
Lepsze przewidywanie czasów retencji: pomocny ma być nowy model oparty na sztucznej inteligencji. Link do programu grupy badawczej z Jeny znajduje się na końcu tego artykułu. (Zdjęcie ilustracyjne)
(Zdjęcie: khaw – stock.adobe.com)

Niezależnie od tego, czy chodzi o poszukiwanie substancji czynnych, analitykę środowiskową czy metabolomikę: we wszystkich tych złożonych matrycach biologicznych chodzi o wykrywanie zawartych w nich cząsteczek. Naukowcy z Uniwersytetu im. Friedricha Schillera w Jenie we współpracy z partnerami z Centrum Helmholtza w Monachium oraz Politechniki w Monachium opracowali metodę opartą na sztucznej inteligencji do chromatografii cieczowej, która pozwala na bardziej wiarygodne przewidywanie czasów retencji małych cząsteczek.

Szczególnie w przypadku próbek biologicznych, takich jak krew, materiał komórkowy czy hodowle bakteryjne, złożoność próbki często stanowi przeszkodę w przeprowadzeniu rzetelnej analizy. Podczas gdy DNA i białka można obecnie stosunkowo dobrze analizować za pomocą sprawdzonych metod, różnorodność małych cząsteczek — tzw. metabolitów — jest szczególnie duża. Należą do nich produkty przemiany materii, substancje naturalne, toksyny, produkty rozkładu oraz wiele substancji leczniczych.

„Trudność polega na tym, że czasy retencji w dużym stopniu zależą od warunków eksperymentalnych: od zastosowanej kolumny, rozpuszczalnika, gradientu, wartości pH, temperatury, a nawet od pozornie niewielkich zmian technicznych”, mówi bioinformatyk prof. dr Sebastian Böcker, który kierował badaniem. „Jeśli na przykład wymieni się w urządzeniu wąż lub nowy wąż jest nieco dłuższy od starego, zmierzone czasy mogą ulec znacznym zmianom”.

Precyzyjne prognozy również dla nowych systemów LC

Dotychczasowe modele często wymagały szkolenia lub kalibracji przy użyciu danych pochodzących właśnie z tego systemu pomiarowego, na podstawie którego miały później generować prognozy. W praktyce oznacza to, że naukowcy musieliby najpierw dokonać pomiarów wielu substancji wzorcowych, zanim mogliby sensownie wykorzystać model. Jest to pracochłonne, kosztowne i w wielu zastosowaniach po prostu niemożliwe.

Nowe podejście opracowane przez zespół Böckera nie ogranicza się do jednego układu, lecz pozwala formułować prognozy nawet w odniesieniu do nowych układów i nieznanych cząsteczek. Metoda ta skupia się na najczęściej stosowanym rodzaju chromatografii cieczowej, czyli trybie „odwróconej fazy”, i przebiega w dwóch etapach:

  • W pierwszym etapie model uczenia maszynowego oblicza dla danej cząsteczki „wskaźnik kolejności retencji”. Wskaźnik ten nie określa bezpośrednio czasu, lecz pozycję cząsteczki w przewidywanej kolejności retencji.
  • W drugim etapie wskaźnik ten przekłada się na konkretne czasy retencji przy pomocy mniej znanych punktów odniesienia.

W opracowaniu tej metody znaczący udział miał Fleming Kretschmer, który pracował nad nią w ramach swojej pracy doktorskiej i jest współpierwszym autorem artykułu. „Kluczowym wynikiem naszych badań jest to, że nasza metoda przewyższa inne podejścia, które – w przeciwieństwie do naszej – wymagają najpierw czasochłonnego szkolenia na systemie docelowym” – podkreśla Kretschmer. „Nasze podejście umożliwia zatem precyzyjne prognozy od razu po uruchomieniu, nawet w przypadku nowych systemów”.

Narzędzie do prognozowania czasu retencji dostępne online

Podejście to może okazać się pomocne wszędzie tam, gdzie konieczne jest zidentyfikowanie nieznanych małych cząsteczek. Na przykład w badaniach nad substancjami naturalnymi naukowcy poszukują substancji pochodzących z bakterii, grzybów lub roślin, które mogłyby znaleźć zastosowanie jako nowe antybiotyki, leki przeciwnowotworowe lub substancje czynne w leczeniu innych chorób. Również w analityce środowiskowej, chemii żywności czy badaniach farmaceutycznych nieustannie pojawia się to samo pytanie: co zawiera złożona próbka — i czy zmierzony czas retencji odpowiada przypuszczalnej strukturze chemicznej?

Nowe narzędzie o nazwie „2-step” jest dostępna jako aplikacja internetowa oraz jako pakiet oprogramowania. Według naukowców metoda ta może w przyszłości zostać zintegrowana z wieloma programami analitycznymi, dzięki czemu będzie mogła być automatycznie wykorzystywana przez laboratoria stosujące chromatografię cieczową i spektrometrię masową.

Zapisz się do newslettera już teraz

Nie przegap naszych najlepszych treści

Klikając „Zapisz się do newslettera”, wyrażam zgodę na przetwarzanie i wykorzystywanie moich danych zgodnie z formularzem zgody (rozwiń, aby poznać szczegóły) i akceptuję warunki korzystania. Więcej informacji znajdziesz w naszej polityce prywatności. Wyrażenie zgody dotyczy w szczególności przesyłania biuletynów redakcyjnych drogą elektroniczną oraz łączenia danych w celach marketingowych z wybranymi partnerami reklamowymi (np. LinkedIn, Google, Meta).

Rozwiń, aby poznać szczegóły Twojej zgody

Oryginałpublikacja: Fleming Kretschmer, Eva-Maria Harrieder, Michael Witting i Sebastian Böcker: Czasy się zmieniają, ale porządek ma znaczenie: Przenoszalne przewidywanie czasów retencji małych cząsteczek w chromatografii cieczowej. Nature Methods 2026; DOI: 10.1038/s41592-026-03243-2,

Powiązane treści