ИИ научили предсказывать время удерживания молекул в хроматографии без предварительной калибровки

Проблема: почему хроматография «плывёт»

Жидкостная хроматография — основной метод разделения сложных смесей в фармацевтике, экологии, метаболомике и пищевой химии. Вещество проходит через колонку, и каждая молекула удерживается в ней разное время. Это время — время удерживания — ключевой параметр для идентификации вещества.

Но есть нюанс. Время удерживания зависит не только от самой молекулы, но и от условий эксперимента: типа колонки, растворителя, градиента, pH, температуры. Даже замена трубки в приборе на чуть более длинную может сдвинуть результаты.

Профессор Себастьян Бёкер, руководитель исследования, поясняет:

«Сложность в том, что времена удерживания сильно зависят от экспериментальных условий. Если, например, заменить трубку в аппарате или если новая трубка чуть длиннее старой, измеренные времена могут значительно сместиться».

Из-за этого предыдущие модели приходилось обучать или донастраивать на данных той же самой системы, на которой они потом должны были делать предсказания. На практике это означало: сначала измерь десятки стандартов — потом используй модель. Долго, дорого, а для многих задач просто невозможно.

Решение: два шага вместо калибровки

Новый подход команды Бёкера работает в два этапа и не привязан к конкретной системе.

Шаг 1. Индекс порядка удерживания.
Модель машинного обучения рассчитывает для молекулы так называемый retention order index (ROI) — это не время, а позиция молекулы в ожидаемой последовательности выхода из колонки.

Шаг 2. Пересчёт в реальное время.
Индекс конвертируется в конкретные времена удерживания с использованием всего нескольких известных референсных точек.

Метод ориентирован на наиболее распространённый режим жидкостной хроматографии — обращённо-фазовый (reversed-phase).

Ключевой результат

Флеминг Кречмер, соавтор работы, подчёркивает:

«Ключевой вывод нашей работы в том, что наш метод превосходит другие подходы, которые, в отличие от нашего, сначала должны интенсивно обучаться на целевой системе. Наш подход обеспечивает точные предсказания „из коробки“, даже для новых систем».

Это означает: лаборатории могут использовать инструмент без длительной предварительной калибровки под своё оборудование. Для аналитических лабораторий это сокращение времени на рутину и снижение затрат на стандарты.

Где это нужно

Метод востребован везде, где нужно идентифицировать неизвестные малые молекулы:

• Поиск лекарств. Анализ биологических образцов, метаболомика.
• Природные соединения. Поиск новых антибиотиков, противоопухолевых препаратов из бактерий, грибов и растений.
• Экологический анализ. Определение загрязнителей и продуктов разложения.
• Пищевая химия и фармацевтика. Контроль состава сложных смесей.

Доступность инструмента

Инструмент, получивший название «2-step», доступен как программный пакет и как веб-приложение. По словам разработчиков, метод может быть интегрирован в аналитические программы, что позволит лабораториям использовать его автоматически при работе с жидкостной хроматографией и масс-спектрометрией.

Что это значит для промышленного контроля качества

Для предприятий, которые закупают сырьё и проводят входной контроль, этот метод открывает практическую перспективу:

1. Ускорение идентификации примесей. Если в партии реагента что-то «не то», хроматографический анализ с ИИ-поддержкой быстрее покажет, что именно.
2. Снижение зависимости от стандартов. Меньше затрат на дорогостоящие референсные вещества для калибровки.
3. Переносимость между приборами. Результаты, полученные на одном оборудовании, легче интерпретировать на другом.
4. Контроль подлинности. Для растворителей, кислот и других продуктов, где важна чистота, точность анализа — это защита от подделок.

Если ваше предприятие проводит входной контроль сырья или сталкивается с задачами идентификации примесей, наши специалисты готовы обсудить, как современные аналитические подходы могут быть интегрированы в ваши процессы.