msFineAnalysis AI เวอร์ชัน 2
สารประกอบที่ไม่รู้จัก
ซอฟต์แวร์วิเคราะห์โครงสร้าง
เปิดใช้งานเทคโนโลยี AI ขั้นสูง
การวิเคราะห์โครงสร้างของสารประกอบที่ไม่รู้จัก
msFineAnalysis AI นำเสนอเครื่องมือวิเคราะห์โครงสร้างใหม่สำหรับสิ่งที่ไม่รู้จักซึ่งออกแบบมาโดยเฉพาะสำหรับ JEOL JMST2000GC "AccuTOF™ GC-Alpha" ซอฟต์แวร์รุ่นถัดไปนี้เพิ่มความสามารถในการวิเคราะห์โครงสร้างนี้เพื่อปรับปรุงฟังก์ชันการวิเคราะห์เชิงคุณภาพโดยอัตโนมัติโดยรวมซึ่งมีอยู่แล้วใน msFineAnalysis รุ่นก่อนหน้าของเรา
ใหม่ "การวิเคราะห์เชิงบูรณาการ" รวมข้อมูลความละเอียดสูง GC/EI ข้อมูลความละเอียดสูง GC/soft ionization และ "การวิเคราะห์โครงสร้าง" โดยใช้ AI สองตัว (AI หลัก, AI สนับสนุน) เทคโนโลยี AI ขั้นสูงเหล่านี้ช่วยให้ msFineAnalysis AI สามารถให้ความสามารถในการวิเคราะห์โครงสร้างอัตโนมัติที่ไม่เหมือนใครซึ่งก่อนหน้านี้ไม่พร้อมใช้งานสำหรับการวิเคราะห์เชิงคุณภาพ GC-MS
คุณสมบัติ
#1 การวิเคราะห์โครงสร้าง AI
การพัฒนาโซลูชันที่เป็นนวัตกรรม: ตั้งแต่การประมาณค่าสูตรโมเลกุลไปจนถึงการทำนายสูตรโครงสร้างสำหรับสารประกอบที่ไม่รู้จัก
สำหรับสารประกอบที่ไม่รู้จักซึ่งไม่ได้ลงทะเบียนในฐานข้อมูลห้องสมุด (▼) อัลกอริธึม msFineAnalysis แบบเดิมจะแนะนำสูตรโมเลกุลโดยอัตโนมัติ เพื่อก้าวไปอีกขั้น msFineAnalysis AI ช่วยให้สามารถคาดการณ์โครงสร้างโดยอัตโนมัติสำหรับส่วนประกอบที่ตรวจพบทั้งหมด
ความจำเป็นในการทำให้เป็นไอออนแบบอ่อน: การได้มาซึ่งข้อมูลสูตรโมเลกุลที่เชื่อถือได้เป็นขั้นตอนแรกในการวิเคราะห์โครงสร้าง!
สเปกตรัมจำนวนมากของส่วนประกอบที่ไม่ได้ลงทะเบียนในไลบรารี
ข้อมูลสเปกตรัมมวล EI ใช้สำหรับฐานข้อมูลห้องสมุด ดังนั้นวิธีการ EI จึงถูกนำมาใช้กันอย่างแพร่หลายสำหรับการวิเคราะห์เชิงคุณภาพของตัวอย่าง GC-MS อย่างไรก็ตาม เนื่องจาก EI เป็นวิธีการไอออไนเซชันแบบแข็ง จึงมีการสังเกตไอออนของชิ้นส่วนจำนวนมาก และในหลายกรณี ไม่ใช่เรื่องแปลกที่จะสังเกตสัญญาณน้อยที่สุดหรือไม่มีเลยสำหรับไอออนของโมเลกุล
นอกจากนี้ สำหรับสารที่ไม่รู้จักซึ่งไม่ได้ลงทะเบียนในฐานข้อมูลของห้องสมุด เป็นการยากที่จะแยกความแตกต่างโดยใช้แมสสเปกตรัม EI เพียงอย่างเดียว ไม่ว่าจะเป็นสารที่ใหญ่ที่สุดที่สังเกตได้หรือไม่ ม./ซ แท้จริงแล้วคือไอออนของโมเลกุลหรือเพียงแค่แฟรกเมนต์ไอออน ในกรณีเหล่านี้ วิธีไอออไนเซชันแบบอ่อนเป็นเครื่องมือที่มีประสิทธิภาพในการกำหนดข้อมูลนี้
ด้วย AccuTOF™ GC-Alpha วิธีการไอออไนเซชันแบบอ่อนที่หลากหลายรวมถึง FI, PI และ CI สามารถเลือกใช้กับระบบได้ เทคนิคเหล่านี้สามารถช่วยในการจำแนกไอออน (เช่น ไอออนของโมเลกุลและโมเลกุลที่มีโปรตอน) ซึ่งจะให้ข้อมูลน้ำหนักโมเลกุลที่ทำให้สามารถระบุข้อมูลสูตรโมเลกุลของส่วนประกอบที่ไม่รู้จักได้อย่างแม่นยำ
เนื่องจากข้อมูลสูตรโมเลกุลเป็นจุดเริ่มต้นที่สำคัญสำหรับการวิเคราะห์โครงสร้าง AI ไอออนไนซ์แบบอ่อนจึงมีความสำคัญอย่างยิ่งต่อการระบุสารประกอบที่ไม่รู้จัก
การวิเคราะห์โครงสร้างด้วยตนเองโดยนักวิเคราะห์ที่มีทักษะเทียบกับการวิเคราะห์โครงสร้างอัตโนมัติของ AI
※ วัดด้วยพีซีการกำหนดค่ามาตรฐาน JMS-T2000GC
เวลาที่จำเป็นสำหรับการวิเคราะห์โครงสร้างถูกเปรียบเทียบสำหรับสารประกอบที่สังเกตได้ในเรซินอะคริลิกที่วัดโดย Py-GC-TOFMS และไม่ได้ลงทะเบียนในฐานข้อมูลห้องสมุด NIST
แม้แต่นักวิเคราะห์ที่มีประสบการณ์ด้านแมสสเปกโตรเมตรีมากกว่า 30 ปี ประมาณ 2 ชั่วโมงสำหรับการวิเคราะห์โครงสร้างของ 4 องค์ประกอบซึ่งก็คือ 30 นาทีต่อส่วนประกอบหนึ่ง ในทางกลับกัน การวิเคราะห์โครงสร้าง AI เสร็จสิ้น ส่วนประกอบ 100 รายการในเวลาน้อยกว่า 7 นาทีซึ่งก็คือ 4 วินาทีต่อส่วนประกอบ
คะแนนการวิเคราะห์โครงสร้าง AI (ความคล้ายคลึง) ระหว่างสูตรโครงสร้างที่ประเมินโดยนักวิเคราะห์ที่มีทักษะและถูกต้อง
สูตรโครงสร้างแสดงว่าสูตรโครงสร้างทำนายได้ใกล้เคียงกันดี
การวิเคราะห์โครงสร้างอัตโนมัติโดยใช้ AI สองตัว:
การวิเคราะห์โครงสร้างที่เสถียรโดยไม่ต้องใช้สภาพแวดล้อมออนไลน์
msFineAnalysis AI มีฟังก์ชันการวิเคราะห์โครงสร้างอัตโนมัติ
จากข้อมูลสูตรโครงสร้างของสารประกอบอินทรีย์มากกว่า 100 ล้านชนิดที่รู้จักในโลกและการคำนวณโดยใช้โมเดล AI ที่พัฒนาขึ้นใหม่ XNUMX โมเดล ทำให้ได้สูตรโครงสร้างที่เป็นตัวเลือกสำหรับส่วนประกอบที่ไม่ได้ลงทะเบียนในฐานข้อมูลของห้องสมุด
วิวัฒนาการของเทคโนโลยีหลัก “การวิเคราะห์โครงสร้าง AI”
msFineAnalysis AI Ver.2 ปรับปรุงความสามารถในการวิเคราะห์โครงสร้างอย่างมาก
แบบจำลองการทำนายสเปกตรัมมวล EI โดยใช้ Graph Convolutional Networks มี
ได้รับการขัดเกลาเพิ่มเติม ทั้งความคล้ายคลึงและความแม่นยำได้รับการปรับปรุงอย่างมากจาก
เวอร์ชัน 1 เพื่อให้ผลลัพธ์ที่แม่นยำยิ่งขึ้นสำหรับการวิเคราะห์โครงสร้างอัตโนมัติ
※โมเดล AI ไม่รวมอยู่ในผลิตภัณฑ์ ห้องสมุด AI ที่สร้างขึ้นด้วยโมเดล AI และโครงสร้างล่าสุด
รวมฟังก์ชันการกรองสูตรไว้ด้วย
จำนวนสารประกอบที่ลงทะเบียนในห้องสมุด AI ได้ขยายเป็น 120
ล้านสารประกอบ มีห้องสมุดในซิลิโกสองแห่งรวมอยู่ด้วย เพื่อขยายขอบเขตของ
การประยุกต์ในการวิเคราะห์วัสดุและเมแทบอลิซึม
AI คาดการณ์ดัชนีการเก็บรักษา (RI) จากสูตรโครงสร้างและที่คาดการณ์ไว้
และค่า RI ที่วัดได้จะถูกนำมาใช้เพื่อจำกัดสูตรโครงสร้างของผู้สมัครให้แคบลง
ฟังก์ชันนี้ช่วยจำกัดสูตรโครงสร้างที่ถูกต้องให้แคบลงอย่างรวดเร็ว
※ฟังก์ชันนี้ใช้ได้เฉพาะเมื่อประเภทคอลัมน์เป็น "Standard Non-Polar" หรือ "Semi-Standard Non-Polar"
ไม่มี "Standard Polar"
แอปพลิเคชันการวิเคราะห์โครงสร้าง AI
การวิเคราะห์โครงสร้างของสารประกอบที่ไม่รู้จักในอาหาร
วิเคราะห์ส่วนประกอบของรสชาติในหอยนางรมโดยใช้ HS-SPME GC/MS ร่วมกัน การวิเคราะห์โครงสร้าง AI ขององค์ประกอบที่ไม่รู้จักซึ่งก่อนหน้านี้ระบุเป็น 1,5-Octadien-3-ol1) ให้ผลลัพธ์สูตรโครงสร้างที่เป็นตัวเลือก 2,560 สูตร ซึ่งแคบลงเหลือ 1,031 รายการโดยใช้ตัวกรองโครงสร้างย่อย "OH"
สูตรโครงสร้างที่เสนอโดยกระดาษตีครั้งที่ 4 ด้วยคะแนน AI 875 ซึ่งค่อนข้างสูง
1) เคนจิ อุเอดะ, โคคิ ยาฮิโระ, โยชิฮิโกะ อาคาคาเบะ, เจ. โอเลโอ ไซอิ 72, (7) 725-732 (2023)
หน้าต่างผลลัพธ์การวิเคราะห์โครงสร้างของ AI ของส่วนประกอบรสชาติในหอยนางรม
JMS-T2000GC พร้อมเครื่องเก็บตัวอย่างอัตโนมัติ HS-SPME (เฮดสเปซ – การแยกไมโครเฟสโซลิด)
การวิเคราะห์โครงสร้างของสารประกอบที่ไม่รู้จักซึ่งเกิดจากการอัปไซเคิลของโพลีสไตรีนที่เป็นของเสีย (MSTips No.456)
ปฏิกิริยาเร่งปฏิกิริยาของพอลิสไตรีนของเสีย2) ซึ่งใช้กันทั่วไปสำหรับกระบวนการอัพไซเคิลได้ดำเนินการ และวิเคราะห์วัสดุที่ได้โดยใช้การวิเคราะห์โครงสร้าง AI สารประกอบลักษณะเฉพาะที่ตรวจพบในกระบวนการย่อยสลายโพลีสไตรีนของเสียนั้นประมาณว่าเป็น (2-ฟีนิลไซโคลเฮกซิล) เบนซีน การวิเคราะห์เชิงคุณภาพที่แม่นยำสำหรับสารประกอบที่สร้างขึ้นของปฏิกิริยาตัวเร่งปฏิกิริยาให้ความรู้ที่เป็นประโยชน์สำหรับการประเมินปฏิกิริยาตัวเร่งปฏิกิริยาและปฏิกิริยาการเพิ่มขนาด การวิเคราะห์โครงสร้าง AI มีประโยชน์ในการกำหนดสูตรโครงสร้างสำหรับการประมวลผลโพลีเมอร์ประเภทนี้
2) Zhen Xu, Fuping Pan, Mengqi Sun, Jianjun Xu, Nuwayo Eric Munyaneza, Zacary L. Croft, Gangshu (George) Cai และ Guoliang Liu PNAS, 2022, เล่ม 119,No.34,1-8. https://doi.org/10.1073/pnas.2203346119
หน้าต่างการวิเคราะห์โครงสร้าง AI สำหรับสารประกอบลักษณะเฉพาะที่ตรวจพบในกระบวนการย่อยสลาย
รูปแบบการสังเคราะห์สำหรับทั้งกระบวนการย่อยสลายและกระบวนการอัพไซเคิล และภาพถ่ายตัวอย่าง
#2 การวิเคราะห์เป้าหมาย
ค้นหาสารประกอบที่รู้จักอย่างรวดเร็ว
ฟังก์ชันการวิเคราะห์เป้าหมายจะค้นหาสารประกอบตามสูตรองค์ประกอบโดยอัตโนมัติ ม./ซ มูลค่า และ CAS#
มีรายการการวิเคราะห์เป้าหมายที่ตั้งไว้ล่วงหน้า นอกจากนี้ คุณสามารถสร้างและปรับแต่งรายการที่ผู้ใช้กำหนดสำหรับตัวอย่างและการวิเคราะห์ที่สนใจได้ นอกจากนี้ยังมีการวิเคราะห์แบบผสมผสานและการวิเคราะห์โครงสร้างของ AI ของสารประกอบที่ตรวจพบโดยการวิเคราะห์เป้าหมายอีกด้วย
การวิเคราะห์เป้าหมายของรสชาติและส่วนประกอบที่ไม่ปรุงรสในอาหาร
msFineAnalysis AI ไม่เพียงรองรับการวิเคราะห์ที่ไม่ใช่เป้าหมายเท่านั้น แต่ยังสนับสนุนการวิเคราะห์เป้าหมายด้วย มันจะค้นหาสารประกอบเป้าหมายโดยอัตโนมัติตามสูตรองค์ประกอบ ม./ซ มูลค่าและหมายเลข CAS
สำหรับข้อมูลส่วนประกอบของสารแต่งกลิ่นในน้ำมะนาว สารประกอบ 10 รายการถูกสกัดเมื่อวิเคราะห์ด้วยรายการเป้าหมายของส่วนประกอบที่ไม่มีกลิ่น 498 รายการ หน้าต่างผลลัพธ์ที่มุมขวาล่างแสดงผลการวิเคราะห์โดยละเอียดของ Citral ในองค์ประกอบทั้ง 10 รายการ
รายการเป้าหมายของส่วนประกอบที่ไม่มีรสชาติ 498 รายการ
การวิเคราะห์โดยละเอียดของ Citral ที่มีอยู่ในน้ำมะนาว
#3 การตรวจจับเดคอนโวลูชัน
Chromatographic peak deconvolution สามารถตรวจจับส่วนประกอบร่องรอยที่อาจไม่ชัดเจนใน TICC เนื่องจากการรวมตัวกันของส่วนประกอบต่างๆ
EI: เส้นทึบสีดำ: TICC ยอดเขาสีเทา: ยอดเดคอนโวลูชัน (สีน้ำเงิน: เลือกอยู่ในปัจจุบัน)
FI: เส้นทึบสีเขียว: TICC, พีคสีเทา: พีคการบิดเบี้ยว (สีน้ำเงิน: ที่เลือกอยู่ในปัจจุบัน)
ขั้นตอนนี้ทำให้กระบวนการวิเคราะห์ข้อมูลง่ายขึ้นโดยการกำหนดว่าไอออนใดเข้ากับสารประกอบแต่ละชนิด และขจัดความจำเป็นในการสร้างไอออนโครมาโตแกรม (EICs) ที่แยกออกมา
ดัชนีการกักเก็บ (RI) เป็นค่าดัชนีสัมพัทธ์ตามเวลาการกักเก็บ (RT) สำหรับของผสมมาตรฐาน n-alkane
#4 การเปรียบเทียบสองตัวอย่าง (การวิเคราะห์ความแตกต่าง)
ฟังก์ชันนี้ใช้ความสามารถในการทำซ้ำของค่า p บนแกนตั้งและพล็อตภูเขาไฟซึ่งระบุอัตราส่วนความเข้มระหว่างสองตัวอย่างบนแกนนอน
การวิเคราะห์โดยละเอียด - แผนภาพภูเขาไฟ
(A: สินค้าอ้างอิง, B: สินค้ามีตำหนิ)
ข้อมูลนี้ช่วยให้สามารถยืนยันส่วนประกอบที่แตกต่างกันระหว่างสองตัวอย่างได้ด้วยภาพ ตัวอย่างเช่น เป็นไปได้ที่จะยืนยันว่าส่วนประกอบเพิ่มขึ้นหรือลดลงเมื่อเปรียบเทียบผลิตภัณฑ์อ้างอิงกับผลิตภัณฑ์ที่มีข้อบกพร่อง หรือเพื่อระบุส่วนประกอบที่มีลักษณะเฉพาะในวัสดุใหม่โดยเปรียบเทียบกับวัสดุที่มีอยู่ สำหรับการเปรียบเทียบสองตัวอย่าง คุณสามารถตั้งค่า n=1, 3, 5 สำหรับจำนวนการวัดสำหรับแต่ละตัวอย่างได้
ข้อบ่งชี้จำเพาะ
ข้อมูลจำเพาะที่สำคัญ
JMS-T2000GC AccuTOFTM GC-อัลฟ่า
มติมวล | 30,000@ ม./ซ 614 |
---|---|
ความแม่นยำของมวล | 1 ppm @ แหล่งไอออนมาตรฐาน EI |
วิธีการไอออไนเซชัน | EI、CI、PI、FI、FD、DEI、DCI |
msFineAnalysis AI เวอร์ชัน 2
ข้อบ่งชี้จำเพาะ | ・ตรวจจับจุดสูงสุดและสร้างสเปกตรัมมวลโดยอัตโนมัติ |
---|---|
・การสร้างสเปกตรัมมวลโดยการตรวจจับจุดสูงสุดด้วยตนเอง | |
・การสร้างสเปกตรัมมวลโดยการประมวลผลแบบดีคอนโวลูชั่น | |
・วิเคราะห์ส่วนประกอบที่เหมือนกันของรายการข้อมูลการวัดสองรายการ | |
・วิเคราะห์ไอออนของโมเลกุลตามสเปกตรัมมวล 2 ชนิด | |
・การวิเคราะห์องค์ประกอบความแปรปรวน | |
・แสดงผลการวิเคราะห์โดยใช้ดัชนีการเก็บรักษา | |
・แสดงผลการค้นหาฐานข้อมูล NIST | |
・แสดงผลการคำนวณมวลที่แน่นอน | |
・แสดงผลการวิเคราะห์รูปแบบไอโซโทป | |
・แสดงเงื่อนไขการวัด | |
・อินเทอร์เฟซผู้ใช้: อังกฤษ | |
・การวิเคราะห์โครงสร้าง AI | |
・การวิเคราะห์เป้าหมาย |
ดาวน์โหลดแคตตาล็อก
msFineAnalysis AI ซอฟต์แวร์วิเคราะห์โครงสร้างสารประกอบที่ไม่รู้จักแบบอัตโนมัติ
การใช้งาน
การใช้งาน GC-TOFMS: การวิเคราะห์เชิงคุณภาพของส่วนประกอบทางเคมีในยาสมุนไพร
สินค้าที่เกี่ยวข้อง
JMS-T2000GC AccuTOF™ GC-Alpha แก๊สโครมาโตกราฟีประสิทธิภาพสูง - แมสสเปกโตรมิเตอร์ตามเวลาของเที่ยวบินอัลฟ่า – การเริ่มต้นใหม่
Alpha นำคุณไปสู่โลกใหม่ของแมสสเปกโตรเมตรี
ขอแนะนำ JMS-T2000GC "AccuTOF™ GC-Alpha" สุดยอด GC-MS พร้อมประสิทธิภาพที่เหนือกว่าและใช้งานง่าย
ข้อมูลเพิ่มเติม
คุณเป็นผู้เชี่ยวชาญทางการแพทย์หรือบุคลากรที่เกี่ยวข้องกับการรักษาพยาบาลหรือไม่?
ไม่
โปรดทราบว่าหน้าเหล่านี้ไม่ได้มีวัตถุประสงค์เพื่อให้ข้อมูลเกี่ยวกับผลิตภัณฑ์แก่ประชาชนทั่วไป