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 AccuTOF^TM GC-อัลฟ่า

msFineAnalysis AI เวอร์ชัน 2

ดาวน์โหลดแคตตาล็อก

msFineAnalysis AI ซอฟต์แวร์วิเคราะห์โครงสร้างสารประกอบที่ไม่รู้จักแบบอัตโนมัติ

การใช้งาน

การใช้งาน GC-TOFMS: การวิเคราะห์เชิงคุณภาพของสิ่งเจือปนในตัวทำละลายสำหรับการผลิตเซมิคอนดักเตอร์โดยใช้ msFineAnalysis AI

การใช้งาน GC-TOFMS: การวิเคราะห์เชิงคุณภาพของส่วนประกอบทางเคมีในยาสมุนไพร

แอปพลิเคชัน GC-TOFMS: msFineAnalysis AI ซอฟต์แวร์การวิเคราะห์เชิงคุณภาพแบบใหม่สำหรับ JMS-T2000GC พร้อมการวิเคราะห์โครงสร้าง AI

แอปพลิเคชัน GC-TOFMS: การแนะนำฟังก์ชันการวิเคราะห์โครงสร้าง AI ในซอฟต์แวร์การวิเคราะห์โครงสร้างอัตโนมัติ msFineAnalysis AI

การประยุกต์ใช้ GC-TOFMS: การวิเคราะห์โครงสร้างของอะคริลิกเรซินโอลิโกเมอร์โดยใช้ Py-GC-HRTOFMS และ msFineAnalysis AI

การประยุกต์ใช้ GC-TOFMS: การวิเคราะห์โครงสร้างของสารเติมแต่งและสารประกอบที่เกี่ยวข้องใน Vinyl Acetate โดยใช้ Py-GC-HRTOFMS และ msFineAnalysis AI

การประยุกต์ใช้ GC-TOFMS: การวิเคราะห์โครงสร้างของฟิล์มโพลีเอทิลีนเทเรฟทาเลตโดยใช้ Py-GC-HRTOFMS และ msFineAnalysis AI

สินค้าที่เกี่ยวข้อง

JMS-T2000GC AccuTOF™ GC-Alpha แก๊สโครมาโตกราฟีประสิทธิภาพสูง - แมสสเปกโตรมิเตอร์ตามเวลาของเที่ยวบินอัลฟ่า – การเริ่มต้นใหม่

Alpha นำคุณไปสู่โลกใหม่ของแมสสเปกโตรเมตรี
ขอแนะนำ JMS-T2000GC "AccuTOF™ GC-Alpha" สุดยอด GC-MS พร้อมประสิทธิภาพที่เหนือกว่าและใช้งานง่าย

ข้อมูลเพิ่มเติม