การวิเคราะห์โครงสร้างของสารเติมแต่งและสารประกอบที่เกี่ยวข้องในไวนิลอะซิเตตโดยใช้ Py-GC-HRTOFMS และ msFineAnalysis AI [แอปพลิเคชัน GC-TOFMS]

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

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

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

เคมี

พลาสติก / โพลีเมอร์

รายการสินค้า ที่เกี่ยวข้อง

JMS-T2000GC AccuTOF™ GC-Alpha แก๊สโครมาโตกราฟีประสิทธิภาพสูง - แมสสเปกโตรมิเตอร์ไทม์ออฟไฟลท์

msFineAnalysis AI ซอฟต์แวร์วิเคราะห์โครงสร้างสารประกอบที่ไม่รู้จัก