msFineAnalysis AIซอฟต์แวร์วิเคราะห์โครงสร้างสารประกอบที่ไม่รู้จัก | สินค้า

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

#2 การตรวจจับเดคอนโวลูชัน

#3 การวิเคราะห์เชิงคุณภาพดัชนีการคงอยู่

#4 การเปรียบเทียบสองตัวอย่าง (การวิเคราะห์ความแตกต่าง)

#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) ระหว่างสูตรโครงสร้างที่ประเมินโดยนักวิเคราะห์ที่เชี่ยวชาญกับสูตรโครงสร้างที่ถูกต้อง ซึ่งบ่งชี้ว่าสูตรโครงสร้างนั้นคาดการณ์ไว้ด้วยความคล้ายคลึงกันที่ดี

การวิเคราะห์โครงสร้างอัตโนมัติโดยใช้ AI สองตัว:
การวิเคราะห์โครงสร้างที่เสถียรโดยไม่ต้องใช้สภาพแวดล้อมออนไลน์

msFineAnalysis AI มีฟังก์ชันการวิเคราะห์โครงสร้างอัตโนมัติ
จากข้อมูลสูตรโครงสร้างของสารประกอบอินทรีย์มากกว่า 100 ล้านชนิดที่รู้จักในโลกและการคำนวณโดยใช้โมเดล AI ที่พัฒนาขึ้นใหม่ XNUMX โมเดล ทำให้ได้สูตรโครงสร้างที่เป็นตัวเลือกสำหรับส่วนประกอบที่ไม่ได้ลงทะเบียนในฐานข้อมูลของห้องสมุด

ความแม่นยำในการทำนายการวิเคราะห์โครงสร้าง AI

ฐานข้อมูลห้องสมุด NIST20 ถูกใช้โดย AI หลักที่ใช้ในการวิเคราะห์โครงสร้าง AI เพื่อการเรียนรู้และการประเมินผล
การทดสอบความแม่นยำในการทำนายยืนยันว่าโครงสร้างที่ถูกต้องอยู่ใน 1% แรกสำหรับ 73% ของสารประกอบ และใน 10% แรกสำหรับ 93% ของสารประกอบ

แก้ไขการจัดลำดับสูตรโครงสร้างใน
14681 สารประกอบ

โครงสร้างที่มีสูตรองค์ประกอบเดียวกันกับสารประกอบเป้าหมาย (สารประกอบ 14581 ชนิด) ถูกเตรียมจาก PubChem ลำดับตำแหน่งของโครงสร้างที่ถูกต้องได้รับการตรวจสอบระหว่างพวกเขา

จากการตรวจสอบสารประกอบ 14581 รายการ ได้รับโครงสร้างที่ถูกต้องภายในลำดับสูงสุด 1% ใน 73% (สารประกอบ 10644 รายการ)

จากนั้น วิเคราะห์สารประกอบที่รู้จัก 6 ชนิดที่ไม่ได้ลงทะเบียนในฐานข้อมูลห้องสมุด NIST20 และโครงสร้างที่ถูกต้องได้รับการจัดอันดับสูงสุดสำหรับสารประกอบสามชนิด สำหรับสารประกอบที่เหลือ โครงสร้างด้านบนที่แสดงรายการในการวิเคราะห์โครงสร้างจะมีลักษณะที่คล้ายคลึงกันทั้งหมดโดยใช้สูตรที่ถูกต้อง

แอปพลิเคชันการวิเคราะห์โครงสร้าง AI

ผลการวิเคราะห์โครงสร้าง AI สำหรับเรซินอะคริลิกที่วัดโดย Py-GC-HRTOFMS แสดงไว้ด้านล่าง สำหรับสารประกอบ 20 ชนิดที่มีโครงสร้างซึ่งไม่สามารถยืนยันได้ด้วยฐานข้อมูลห้องสมุด NIST20 นั้น การวิเคราะห์โครงสร้างด้วย AI ได้ดำเนินการหลังจากกำหนดสูตรโมเลกุลผ่านการวิเคราะห์แบบผสมผสาน

สารประกอบเหล่านี้ทั้งหมดมีโครงสร้างที่รวมถึงเมทิลเอสเทอร์ (สะท้อนถึงโครงสร้างอะคริลิกเรซินโมโนเมอร์) ซึ่งแสดงให้เห็นความเป็นไปได้ในอันดับที่สูงขึ้น ข้อมูลนี้ช่วยให้เราประเมินได้ว่าสารประกอบทั้งหมดที่เป็นเป้าหมายสำหรับการวิเคราะห์โครงสร้างคือผลิตภัณฑ์จากการสลายตัวด้วยความร้อนของอะคริลิกเรซิน

#2 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

#3 การวิเคราะห์เชิงคุณภาพดัชนีการคงอยู่

ดัชนีการกักเก็บ (RI) เป็นค่าดัชนีสัมพัทธ์ตามเวลาการกักเก็บ (RT) สำหรับของผสมมาตรฐาน n-alkane

หน้าจอสร้างดัชนีการเก็บรักษา

ฟังก์ชันการวิเคราะห์เชิงคุณภาพนี้ดำเนินการโดยการแปลง RT ขององค์ประกอบเป้าหมายเป็น RI แล้วเปรียบเทียบกับค่า RI ที่แสดงในฐานข้อมูล เป็นต้น ด้วย msFineAnalysis AI ทำให้สามารถจำกัดผลการวิเคราะห์เชิงคุณภาพให้แคบลงได้โดยใช้ ร.ฟ.ท.

#4 การเปรียบเทียบสองตัวอย่าง (การวิเคราะห์ความแตกต่าง)

ฟังก์ชันนี้ใช้ความสามารถในการทำซ้ำของค่า p บนแกนตั้งและพล็อตภูเขาไฟซึ่งระบุอัตราส่วนความเข้มระหว่างสองตัวอย่างบนแกนนอน

การวิเคราะห์โดยละเอียด - แผนภาพภูเขาไฟ
(A: สินค้าอ้างอิง, B: สินค้ามีตำหนิ)

ข้อมูลนี้ช่วยให้สามารถยืนยันส่วนประกอบที่แตกต่างกันระหว่างสองตัวอย่างได้ด้วยภาพ ตัวอย่างเช่น เป็นไปได้ที่จะยืนยันว่าส่วนประกอบเพิ่มขึ้นหรือลดลงเมื่อเปรียบเทียบผลิตภัณฑ์อ้างอิงกับผลิตภัณฑ์ที่มีข้อบกพร่อง หรือเพื่อระบุส่วนประกอบที่มีลักษณะเฉพาะในวัสดุใหม่โดยเปรียบเทียบกับวัสดุที่มีอยู่ สำหรับการเปรียบเทียบสองตัวอย่าง คุณสามารถตั้งค่า n=1, 3, 5 สำหรับจำนวนการวัดสำหรับแต่ละตัวอย่างได้