การวิเคราะห์โครงสร้างของสารเติมแต่งและสารประกอบที่เกี่ยวข้องในไวนิลอะซิเตตโดยใช้ Py-GC-HRTOFMS และ msFineAnalysis AI [แอปพลิเคชัน GC-TOFMS]
MSTips หมายเลข 390
บทนำ
อิเลคตรอนไอออไนเซชัน (EI) เป็นหนึ่งในวิธีไอออไนเซชันที่นิยมใช้มากที่สุดในแก๊สโครมาโตกราฟี-แมสสเปกโตรเมทรี (GC-MS) ดังนั้น โดยทั่วไปแล้ว สารประกอบจะถูกระบุโดยการค้นหาฐานข้อมูลแมสสเปกตรัมโดยใช้ EI แมสสเปกตรัม เนื่องจากไอออนของโมเลกุลมักจะอ่อนแอหรือไม่มีอยู่ในสเปกตรัมมวล 70 eV EI การระบุสิ่งแปลกปลอมอาจทำได้ยากด้วย EI เพียงอย่างเดียว ในกรณีเหล่านี้ ไอออนไนซ์แบบอ่อน (SI) จะมีประโยชน์อย่างมากสำหรับการผลิตและการระบุไอออนของโมเลกุล เมื่อเร็ว ๆ นี้ JEOL เริ่มพัฒนาเวิร์กโฟลว์การวิเคราะห์เชิงคุณภาพแบบบูรณาการที่รวมและตีความข้อมูลจากข้อมูล EI และ SI โดยอัตโนมัติ และในปี 2018 เราได้เปิดตัวซอฟต์แวร์การวิเคราะห์เชิงคุณภาพแบบบูรณาการ "msFineAnalysis" ซึ่งใช้ทั้งข้อมูล EI และ SI เพื่อปรับปรุงการระบุสารประกอบสำหรับแอปพลิเคชัน GC-MS
แม้ว่าข้อเท็จจริงที่ว่า msFineAnalysis จะสามารถระบุสูตรโมเลกุลและข้อมูลโครงสร้างบางส่วนได้โดยอัตโนมัติจากสูตรไอออนของแฟรกเมนต์ EI แต่สูตรโครงสร้างจริงยังคงต้องการการวิเคราะห์ด้วยตนเองโดยใช้องค์ประกอบทางเคมี เพื่อแก้ไขปัญหานี้ เราจึงพัฒนาชุดซอฟต์แวร์การวิเคราะห์โครงสร้างอัตโนมัติที่ชื่อว่า "msFineAnalysis AI" ซึ่งใช้ปัญญาประดิษฐ์ (AI) เพื่อทำนายสเปกตรัมมวล EI จากโครงสร้างทางเคมี เราใช้แบบจำลอง AI ที่พัฒนาขึ้นใหม่เพื่อสร้างฐานข้อมูลของสเปกตรัมมวล EI ที่ทำนายไว้สำหรับสารประกอบประมาณ 100 ล้านชนิด ในงานนี้ เราแนะนำแอปพลิเคชันวัสดุพอลิเมอร์ที่ใช้ msFineAnalysis AI สำหรับการวิเคราะห์โครงสร้าง
การวิเคราะห์โครงสร้าง AI
รูปที่ 1: เวิร์กโฟลว์สำหรับการวิเคราะห์โครงสร้างของสิ่งที่ไม่รู้จักโดยใช้ msFineAnalysis
เวิร์กโฟลว์การวิเคราะห์โครงสร้างของ AI แสดงในรูปที่ 1 ในวิธีนี้ เราใช้การเรียนรู้เชิงลึกเพื่อสร้างแบบจำลอง AI ที่สามารถทำนายสเปกตรัมมวลของ EI จากสูตรโครงสร้าง จากนั้นเราได้ส่งสูตรโครงสร้างแบบผสมประมาณ 100 ล้านสูตรไปยังแบบจำลอง AI ของเราเพื่อสร้างสเปกตรัมมวล EI ที่คาดการณ์ไว้ สูตรโครงสร้างและสเปกตรัมมวล EI ที่คาดการณ์ไว้ซึ่งเชื่อมโยงกับสารประกอบแต่ละชนิดรวมอยู่ในซอฟต์แวร์เป็นฐานข้อมูล "ห้องสมุด AI" ซึ่งรวมถึงฟังก์ชันการค้นหาฐานข้อมูลตามรูปแบบแมสสเปกตรัม นอกจากนี้ msFineAnalysis AI ยังใช้สูตรโมเลกุลที่กำหนดโดยเฉพาะในระหว่างการวิเคราะห์เชิงคุณภาพแบบบูรณาการโดยอัตโนมัติ เพื่อจำกัดสูตรโครงสร้างที่เป็นไปได้ให้แคบลง
จากนั้นจะใช้สเปกตรัมมวล EI ที่ทำนายไว้ซึ่งจำกัดให้แคบลงตามสูตรโมเลกุลและสเปกตรัมมวล EI จริงเพื่อคำนวณคะแนนจากความคล้ายคลึงกันของรูปแบบสเปกตรัม จากนั้นจึงแสดงสูตรโครงสร้างตัวเลือกตามลำดับความคล้ายคลึงสูงไปต่ำ
การทดลอง
ในการศึกษานี้ใช้เรซินไวนิลอะซิเตทที่มีจำหน่ายทั่วไปเป็นตัวอย่างทดสอบ เราทำการวัด Py-GC-HRTOFMS โดยใช้ทั้งโหมด EI และโหมด field ionization (FI) ที่มีแหล่งกำเนิดไอออน EI/FI รวมกัน การประมวลผลข้อมูลเชิงคุณภาพดำเนินการด้วย msFineAnalysis AI (JEOL) เงื่อนไขการวัดแสดงในตารางที่ 1
ตารางที่ 1: เงื่อนไขการวัดและการวิเคราะห์
สภาวะไพโรไลซิส | |
---|---|
ไพโรไลเซอร์ | EGA/PY-2020D (แล็บชายแดน) |
อุณหภูมิไพโรไลซิส | 600 ° C |
เงื่อนไข GC | |
แก๊สโครมาโตกราฟ | 7890 GC |
(Agilent เทคโนโลยี) | |
คอลัมน์ | DB-5msUI (เอจิเลนท์) |
15 ม. × 0.25 มม., 0.25 ไมครอน | |
อุณหภูมิเตาอบ | 50°C (1 นาที) - 30°C/นาที |
-330°C (1.7 นาที) | |
โหมดการฉีด | โหมดแยก (100:1) |
การไหลของผู้ให้บริการ | เขา: 1.5 มล. / นาที |
เงื่อนไข MS | |
---|---|
สเปกโตรมิเตอร์ | JMS-T200GC (บริษัท จอล จำกัด) |
แหล่งไอออน | แหล่งกำเนิดไอออนรวม EI/FI |
การทำให้เป็นละออง | EI+: 70 eV, 300 ไมโครเอ |
FI+: -10 kV, 6m A/10 มิลลิวินาที (Carbotec) | |
ช่วงมวล | ม./ซ 35 - 800 |
เงื่อนไขการประมวลผลข้อมูล | |
ซอฟต์แวร์ | msFineAnalysis AI (บริษัท JEOL จำกัด) |
ฐานข้อมูลห้องสมุด | NIST20, ห้องสมุด AI (JEOL Ltd.) |
ผลลัพธ์และการสนทนา
รูปที่ 2 แสดงโครมาโตแกรม TIC ที่ได้จากการวัด Py-GC-EI และ FI ตรวจพบไดเอทิลีนไกลคอลไดเบนโซเอตที่ใช้เป็นพลาสติไซเซอร์ที่ RT 8.45 นาที (ID [134]) นอกจากนี้ ตรวจพบสารประกอบที่สันนิษฐานว่าเป็นผลิตภัณฑ์ไพโรไลซิสของไดเอทิลีนไกลคอลไดเบนโซเอตใน RT 5.02 นาที (ID [085]), RT 5.98 นาที (ID [108]) และ RT 6.98 นาที (ID [127]) สารประกอบเหล่านี้ทั้งหมดไม่ได้ลงทะเบียนในฐานข้อมูลห้องสมุด NIST ดังนั้นเราจึงทำการวิเคราะห์โครงสร้างของ AI ในส่วนประกอบทั้งสามนี้ และเปรียบเทียบกับสูตรโครงสร้างของผลิตภัณฑ์ไพโรไลซิสที่คาดว่าจะสร้างขึ้นจากไดเอทิลีนไกลคอลไดเบนโซเอต
สเปกตรัมมวล EI ที่วัดได้ขององค์ประกอบทั้งสามนี้ (ด้านบน สีดำ) และสูตรโครงสร้างที่คาดการณ์ไว้ (ด้านขวาของสเปกตรัม) และสเปกตรัมมวล EI ที่คาดการณ์ไว้ (ด้านล่าง สีแดง) แสดงไว้ในรูปที่ 3 เกี่ยวกับไดเอทิลีนไกลคอลไดเบนโซเอต EI สเปกตรัมมวลที่ลงทะเบียนในฐานข้อมูลห้องสมุด NIST จะแสดงเป็นสีน้ำเงินที่ด้านล่าง ไม่ใช่สเปกตรัมมวล EI ที่คาดการณ์ไว้
รูปที่ 2: โครมาโตแกรม Py-GC-EI และ FI TIC สำหรับโพลี (ไวนิลอะซิเตต)
รูปที่ 3: แมสสเปกตรัม EI ที่วัดได้และทำนายสเปกตรัมมวล EI ของสูตรโครงสร้างที่เสนอสำหรับ ID[085], [108], [127], [134] ในรูปที่ 2
ผลการวิเคราะห์โครงสร้าง AI แสดงในตารางที่ 2 ในตาราง "คะแนน AI" คือคะแนน (สูงสุด 999) ที่คำนวณโดย msFineAnalysis AI ซึ่งแสดงถึงความคล้ายคลึงกันของโคไซน์ระหว่างสเปกตรัมมวล EI ที่วัดได้และที่คาดการณ์ไว้ "อันดับ" ระบุอันดับคะแนนของสูตรโครงสร้างที่แสดงอยู่ในรูปที่ 3 และ "รวม" ระบุจำนวนสูตรโครงสร้างตัวเลือก ส่วนประกอบทั้งสามที่วิเคราะห์ในการศึกษานี้ได้คะแนน 850 หรือสูงกว่า ซึ่งบ่งชี้ว่ามีความคล้ายคลึงกันในระดับสูง และไอออนของชิ้นส่วนที่สังเกตได้ในแมสสเปกตรัมที่วัดได้และแมสสเปกตรัมที่คาดการณ์ไว้อยู่ในข้อตกลงที่ดี จำนวนของสูตรโครงสร้างของตัวเลือกทั้งหมดเกิน 2,000 สำหรับแต่ละองค์ประกอบ ได้รับสูตรโครงสร้างที่สันนิษฐานว่าเป็นตัวเลือกที่หนึ่งหรือสองสำหรับส่วนประกอบทั้งสาม
ตารางที่ 2: ผลการวิเคราะห์โครงสร้าง AI
ผลลัพธ์ msFineAnalysis AI | ||||||
---|---|---|---|---|---|---|
ID | RT (นาที) | ชื่อ IUPAC | PubChem CID | คะแนน AI | อันดับ | รวม |
085 | 5.02 | 2-เอทินอกซีเอทิลเบนโซเอต | 21930739 | 858 | 1 | 4600 |
108 | 5.98 | 2-(2-ไฮดรอกซีเอทอกซี)เอทิลเบนโซเอต | 88603 | 857 | 2 | 4544 |
127 | 6.98 | 2-[2-(2-ไฮดรอกซีเอทอกซี)เอทอกซี]เอทิลเบนโซเอต | 89963 | 872 | 1 | 2433 |
สรุป
ใน MSTips นี้ เราแนะนำซอฟต์แวร์ msFineAnalysis AI ที่พัฒนาขึ้นใหม่ซึ่งมีฟังก์ชันการวิเคราะห์โครงสร้าง AI เพื่อปรับปรุงเวิร์กโฟลว์การวิเคราะห์เชิงคุณภาพ นอกจากนี้ยังนำเสนอการประยุกต์ใช้การวิเคราะห์โครงสร้างของสารเติมแต่งและสารประกอบที่เกี่ยวข้องในไวนิลอะซีเตตโดยใช้ msFineAnalysis AI
การวิเคราะห์โครงสร้างโดยใช้ AI ดำเนินการกับองค์ประกอบสามส่วนที่ไม่ได้ลงทะเบียนในฐานข้อมูลห้องสมุด NIST และผลลัพธ์ถูกเปรียบเทียบกับโครงสร้างของผลิตภัณฑ์ไพโรไลซิสที่คาดหวังจากไดเอทิลีนไกลคอลไดเบนโซเอต ในการเปรียบเทียบรูปแบบสเปกตรัม คะแนนความคล้ายคลึงกันของโคไซน์ทั้งหมดมีค่ามากกว่า 850 ซึ่งบ่งชี้ว่าแมสสเปกตรัมที่คาดการณ์โดย AI แสดงความคล้ายคลึงกันในระดับสูงกับแมสสเปกตรัมที่วัดได้ แม้ว่าจำนวนของสูตรโครงสร้างของตัวเลือกจะเกิน 2,000 สำหรับแต่ละองค์ประกอบ แต่ได้สูตรโครงสร้างที่สันนิษฐานว่าเป็นตัวเลือกแรกหรือที่สองสำหรับส่วนประกอบทั้งสาม การทำนายโดย AI แสดงความแม่นยำสูง ซึ่งบ่งชี้ว่าวิธีการนี้มีประสิทธิภาพสำหรับการวิเคราะห์โครงสร้างของผลิตภัณฑ์ไพโรไลซิสและสารเติมแต่ง
การวิเคราะห์เชิงคุณภาพของข้อมูล GC-MS สามารถช่วยได้มากโดยใช้ข้อมูล EI และ SI ร่วมกับ msFineAnalysis AI โดยเฉพาะอย่างยิ่งเมื่อพยายามระบุสารประกอบที่ไม่รู้จักในตัวอย่างที่ซับซ้อน
การแก้ปัญหาตามสาขา
รายการสินค้า ที่เกี่ยวข้อง
คุณเป็นผู้เชี่ยวชาญทางการแพทย์หรือบุคลากรที่เกี่ยวข้องกับการรักษาพยาบาลหรือไม่?
ไม่
โปรดทราบว่าหน้าเหล่านี้ไม่ได้มีวัตถุประสงค์เพื่อให้ข้อมูลเกี่ยวกับผลิตภัณฑ์แก่ประชาชนทั่วไป