การพัฒนาวิธีการสกัดจุดสูงสุดจากสเปกตรัมมวล MALDI-TOF ที่มีความละเอียดสูงโดยการเรียนรู้ของเครื่องโดยเน้นที่รูปร่างจุดสูงสุด และการประยุกต์ใช้ในการวิเคราะห์โพลีเมอร์สังเคราะห์ [แอปพลิเคชัน MALDI]

แมสสเปกโตรมิเตอร์แมสสเปกโตรมิเตอร์แบบไทม์ออฟไฟลต์ที่ใช้เลเซอร์ช่วยกำจัด/ไอออไนเซชัน (MALDI-TOFMS) เป็นเครื่องมือที่มีประสิทธิภาพในการวิเคราะห์โพลิเมอร์ MALDI-TOFMS ความละเอียดสูงช่วยอำนวยความสะดวกในการระบุชุดพอลิเมอร์โดยองค์ประกอบองค์ประกอบของหน่วยซ้ำและกลุ่มสุดท้าย และช่วยให้การคำนวณการกระจายน้ำหนักโมเลกุลของพอลิเมอร์จากการกระจายความเข้มของไอออนิก ในการวิเคราะห์วัสดุทางอุตสาหกรรมจริง จะมีการวิเคราะห์ส่วนผสมของพอลิเมอร์ที่มีการกระจายน้ำหนักโมเลกุลและกลุ่มสุดท้ายที่แตกต่างกัน และการวิเคราะห์ Kendrick Mass Defect (KMD) ซึ่งช่วยให้เห็นภาพรวมของแมสสเปกตรัมที่ซับซ้อนได้ถูกนำมาใช้ การวิเคราะห์ KMD สามารถแสดงภาพจำนวนและจำนวนสัมพัทธ์ของอนุกรมพอลิเมอร์ที่มีอยู่ในสเปกตรัมมวลเชิงซ้อน เนื่องจากอนุกรมของพอลิเมอร์ถูกแสดงภาพเป็นเส้นตรงบนไดอะแกรมที่เรียกว่า KMD plot คุณสมบัติอีกประการหนึ่งคืออำนวยความสะดวกในการค้นหาส่วนประกอบการติดตาม เนื่องจากแผนภาพ KMD ถูกสร้างขึ้นโดยการแยกพีคออกจากสเปกตรัมมวล จึงเป็นสิ่งสำคัญที่จะต้องแยกความแตกต่างระหว่างพีคที่จะวิเคราะห์กับพีคของสัญญาณรบกวนอย่างเหมาะสม แมสสเปกตรัมของ MALDI-TOFMS มักจะแสดงจุดรบกวนซึ่งความเข้มของไอออนลดลงแบบทวีคูณเมื่อเพิ่มขึ้น ม./ซ. ยอดเขาเหล่านี้กว้าง มีรูปร่างบิดเบี้ยว และไม่สามารถทำซ้ำได้ไม่ดี ในสเปกตรัมมวลที่วัดโดยใช้ซีรีส์ MALDI-TOFMS JMS-S3000 “SpiralTOF™” ที่มีความละเอียดสูง พีคที่จะวิเคราะห์มีความกว้างพีคที่แคบ ทำให้สามารถแยกความแตกต่างจากพีคที่ไม่ให้ข้อมูลได้ อย่างไรก็ตาม การดำเนินการระบุสเปกตรัมมวลทั้งหมดและรวมถึงจุดสูงสุดรองลงมานั้นใช้เวลานานและไม่มีประสิทธิภาพ ในการกำหนดพีคอัตโนมัติทั่วไป ค่าพีคของพื้นที่จะถูกใช้เป็นความเข้มของอิออน ดังนั้น เมื่อพีคของสัญญาณรบกวนแบบกว้างมีความสูงเท่ากับพีคที่จะวิเคราะห์ อาจเป็นเรื่องยากที่จะแยกแยะออกด้วยค่าเกณฑ์มาตรฐานอย่างสม่ำเสมอ เนื่องจากความเข้มของไอออนจะสูงขึ้น รูปที่ 1 แสดงสเปกตรัมมวลโปรไฟล์และพีคที่จะวิเคราะห์และพีคของสัญญาณรบกวนหลังจากการหาพีคทั่วไป ในรายการพีค พีคที่ต้องวิเคราะห์จะเป็นสีแดง และพีคสัญญาณรบกวนเป็นสีเขียว สังเกตจุดสูงสุดของสัญญาณรบกวนที่อ่อนแอทุกๆ 1 u ในสเปกตรัมโปรไฟล์ ในโปรไฟล์สเปกตรัม จุดสูงสุดที่จะวิเคราะห์สามารถระบุได้ตามความกว้างของจุดสูงสุด แต่หลังจากการตรวจจับจุดสูงสุด ความเข้มของไอออน (พื้นที่จุดสูงสุด) ของจุดรบกวนจะมีขนาดค่อนข้างใหญ่ ทำให้ยากต่อการระบุจุดสูงสุดที่จะวิเคราะห์ . เพื่อแก้ปัญหานี้ รายงานนี้จะอธิบายถึงการพัฒนาวิธีการในการระบุว่าพีคในสเปกตรัมมวลคือพีคเป้าหมายในการวิเคราะห์หรือพีคที่มีสัญญาณรบกวนโดยใช้แมชชีนเลิร์นนิงกับข้อมูลที่มีการควบคุมซึ่งเน้นที่รูปร่างพีค

การทดลอง

เพื่อสร้างข้อมูลสำหรับแมชชีนเลิร์นนิง โพลิเอทิลีนไกลคอล (PEG) ที่มีน้ำหนักโมเลกุลเฉลี่ย 400, 600, 1000 และ 2000 ถูกเตรียมที่ 10 มก./มล. แล้วผสมกับ 1:1:2:4 (v/v/v/ v) อัตราส่วน (ส่วนผสมของ PEG) นอกจากนี้ ของผสม PEG ที่เจือจาง 100 เท่าถูกเตรียมเป็นของผสม PEG ที่มีความเข้มข้นต่ำ 。DCTB (10 มก./มล.) ถูกใช้เป็นเมทริกซ์ และโซเดียม ไตรฟลูออโรอะซีเตต (1 มก./มล.) ถูกใช้เป็นสารให้ประจุบวก สเปกตรัมมวลได้มาโดยใช้ JMS-S3000 “SpiralTOF™-plus” ในโหมดไอออนบวก SpiralTOF มีการใช้ denoising การเรียนรู้ของเครื่องใน msPeakFinder การวิเคราะห์ KMD ดำเนินการด้วย msRepeatFinder

รูปที่ 1 โปรไฟล์สเปกตรัมมวลของ MALDI-TOFMS ความละเอียดสูง (a) และสเปกตรัมรายการพีคโดยใช้วิธีการตรวจจับพีคแบบดั้งเดิม

วิธีการเรียนรู้ของเครื่อง

สำหรับแมชชีนเลิร์นนิง เราใช้ Conditional Generative Adversarial Network (cGAN) เนื่องจากเอาต์พุต cGAN สร้างข้อมูลตามข้อมูลเงื่อนไขอินพุต จึงถือได้ว่าเป็นการแปลงจากข้อมูลเงื่อนไขเป็นข้อมูลที่สร้างขึ้น วิธีการนี้ขึ้นอยู่กับแนวคิดของการป้อนสเปกตรัมมวลที่สังเกตได้และเอาต์พุตสเปกตรัมมวลหลอกโดยลบจุดพีคของสัญญาณรบกวนออก และนำไปใช้กับการกำจัดพีคสัญญาณรบกวน รูปที่ 2 แสดงผังงานของขั้นตอนการสร้างโมเดลแมชชีนเลิร์นนิงสำหรับวิธีนี้ ในแผนภูมิลำดับงาน พื้นหลังสีเหลืองคือการแทรกแซงของมนุษย์ และสีเขียวคือการทำงานอัตโนมัติ ขั้นแรก เราได้รับสเปกตรัมจำนวนมากของส่วนผสม PEG สำหรับข้อมูลการฝึกอบรม (รูปที่ 3a) หลังจากที่สเปกตรัมมวลที่ได้มาได้รับการตรวจหาค่าพีคด้วยวิธีทั่วไปและสร้างรายการพีคแล้ว พีคที่จะวิเคราะห์ถูกกำหนดและสกัดโดยผู้เชี่ยวชาญตามรูปร่างพีค (รูปที่ 3b ลูกศรสีแดง) จุดสูงสุดที่จะวิเคราะห์ถูกตั้งค่าเป็นความสูงคงที่โดยไม่คำนึงถึงความเข้มของไอออนที่สังเกตได้ และรูปร่างของจุดสูงสุดถูกสร้างขึ้นด้วยการกระจายแบบเกาส์เซียนเพื่อสร้างสเปกตรัมมวลหลอก (รูปที่ 3c) ในวิธีนี้ สเปกตรัมมวลที่ได้มาและสเปกตรัมมวลหลอกจะถูกจับคู่และใช้เป็นข้อมูลดั้งเดิมสำหรับข้อมูลการฝึกอบรม ตอนนี้ต้องใช้เวลาและความพยายามในการรับแมสสเปกตรัมจำนวนมากเพื่อเพิ่มจำนวนข้อมูลการฝึกอบรม ดังนั้นเราจึงสร้างข้อมูลการฝึกทั้งหมด 1,600 คู่จากข้อมูลเดิม 1,024 ข้อมูล โดยนำข้อมูลเดิมมาหารทุกๆ 4 จุด และเปลี่ยนจุดเริ่มต้นของการแบ่ง XNUMX ครั้ง โมเดลแมชชีนเลิร์นนิงถูกสร้างขึ้นโดยใช้ข้อมูลการฝึกอบรมที่สร้างขึ้นด้วยวิธีนี้ รูป. XNUMX แสดงแผนภาพความคิด สเปกตรัมมวลที่ได้มาจะถูกแปลงเป็นสเปกตรัมมวลหลอกโดยเครื่องกำเนิดไฟฟ้า คุณภาพของเครื่องกำเนิดไฟฟ้าได้รับการปรับปรุงโดยการแยกแยะการรวมกันของสเปกตรัมมวลที่วัดได้นี้และสเปกตรัมมวลหลอกที่แปลงผ่านเครื่องกำเนิด และการรวมกันของสเปกตรัมมวลที่วัดได้และสเปกตรัมมวลหลอกของข้อมูลการฝึกด้วยเครื่องจำแนก

รูปที่ 4 รูปแบบการสร้างโมเดลการเรียนรู้ของเครื่องโดยใช้ cGAN

การตรวจสอบความถูกต้องและการประยุกต์ใช้โมเดลการเรียนรู้ของเครื่อง

ถัดไป ขั้นตอนสำหรับการกำจัดเสียงรบกวนจริงโดยใช้แบบจำลองการเรียนรู้ของเครื่องที่สร้างขึ้นจะแสดงขึ้น (รูปที่ 5) ในแผนภูมิลำดับงาน พื้นหลังสีเหลืองคือการแทรกแซงของมนุษย์ และสีเขียวคือการทำงานอัตโนมัติ สเปกตรัมมวลที่ได้มานั้นอยู่ภายใต้การตรวจจับพีคโดยวิธีทั่วไป และควบคู่ไปกับสิ่งนี้ จะถูกแบ่งออกเป็น 1,024 จุดและแปลงเป็นแมสสเปกตรัมเทียมโดยใช้โมเดลแมชชีนเลิร์นนิงของพีคที่กำหนดโดยวิธีทั่วไป เฉพาะพีคที่ตรงกัน ตำแหน่งสูงสุดของสเปกตรัมมวลหลอกจะถูกทิ้งไว้ และรายการพีคที่ลบสัญญาณรบกวนจะถูกสร้างขึ้น กล่าวอีกนัยหนึ่งว่า ม./ซ และความเข้มของไอออนของรายการพีคที่สกัดด้วยวิธีนี้เป็นของวิธีทั่วไป ที่นี่ เราพยายามลบจุดรบกวนออกจากสเปกตรัมมวลผสม PEG ซึ่งใช้ในการสร้างข้อมูลการฝึกอบรม ผลลัพธ์สรุปไว้ในตารางที่ 1 ตรวจพบพีคทั้งหมด 4,390 พีคจากสเปกตรัมมวลของสารผสม PEG โดยวิธีทั่วไป ในหมู่พวกเขา 1,265 พีคที่ด้านบนซ้ายและ 3,105 พีคที่ด้านล่างขวา (99.5% ของทั้งหมด) ตรงกับผลการตัดสินที่ทำโดยโมเดลแมชชีนเลิร์นนิงกับการตัดสินด้วยตนเองเมื่อสร้างข้อมูลการฝึกอบรม พีค 14 จุดทางขวาบนถูกกำหนดให้เป็นพีคที่จะวิเคราะห์เมื่อสร้างโมเดลแมชชีนเลิร์นนิง แต่โมเดลแมชชีนเลิร์นนิงถูกกำหนดให้เป็นพีคเสียงรบกวน ได้รับการยืนยันว่ารูปร่างของยอดเหล่านี้บิดเบี้ยวเล็กน้อยและยากแก่การตัดสินโดยผู้เชี่ยวชาญ จุดสูงสุดหกจุดทางด้านซ้ายล่างถูกกำหนดให้เป็นจุดสูงสุดของสัญญาณรบกวนเมื่อสร้างข้อมูลการฝึกอบรม แต่ถูกกำหนดให้เป็นจุดสูงสุดที่โมเดลแมชชีนเลิร์นนิงจะวิเคราะห์ ได้รับการยืนยันแล้วว่าสิ่งเหล่านี้เกิดจากความผิดพลาดของมนุษย์ในการเตรียมข้อมูลการฝึกอบรม หลังจากนั้น แมชชีนเลิร์นนิงได้ดำเนินการอีกครั้งด้วยข้อมูลการฝึกอบรมที่แก้ไขข้อผิดพลาดนี้ เราเชื่อว่าการตรวจสอบโมเดลโดยใช้แมสสเปกตรัมที่ใช้ในการสร้างโมเดลแมชชีนเลิร์นนิงนั้นมีประสิทธิภาพ สุดท้าย การแยกพีคถูกดำเนินการโดยใช้แมสสเปกตรัมของ PEG ที่มีความเข้มข้นต่ำ และผลลัพธ์ที่พัฒนาเป็นแผนภาพ KMD แสดงในรูปที่ 6 รูปที่ 6a คือสเปกตรัมมวลที่วัดได้ และรูปที่ 6b คือแผนภาพ KMD จุดสีแดงในแผนภาพ KMD ถูกกำหนดให้เป็นพีคที่จะวิเคราะห์โดยการเรียนรู้ของเครื่อง และจุดสีเขียวถูกกำหนดให้เป็นพีคของสัญญาณรบกวน จากผลลัพธ์นี้ จะเห็นได้ว่าซีรีส์ PEG นั้นแสดงภาพได้ดีโดยการขจัดสัญญาณรบกวน โดยเฉพาะในบริเวณ ม./ซ <1,500.

สรุป

ดังที่อธิบายไว้ข้างต้น เราสามารถแสดงให้เห็นว่าการวิเคราะห์ KMD สามารถทำได้อย่างมีประสิทธิภาพมากขึ้นโดยการลบจุดรบกวนที่มักพบในช่วงความถี่ต่ำม./ซ ภูมิภาคจากข้อมูล MALDI-TOFMS ที่มีความละเอียดสูงโดยใช้โมเดลแมชชีนเลิร์นนิง

รูปที่ 6 สเปกตรัมมวลของส่วนผสม PEG ความเข้มข้นต่ำ (a) และพล็อต KMD ของรายการพีคที่แยกออกมา (สีแดง) และรายการเสียงรบกวน (สีเขียว) คั่นด้วยโมเดลแมชชีนเลิร์นนิง

การแก้ปัญหาตามสาขา

เคมี

พลาสติก / โพลีเมอร์

ผลิตภัณฑ์อื่นๆ