Classifying the pesticides in foods between GC-amenable and LC-amenable using the prediction model with molecular descriptors

Klasifikace pesticidů podle vhodnosti pro GC/MS a LC/MS pomocí QSPR a strojového učení

Význam tématu:
Analýza reziduí pesticidů v potravinách vyžaduje výběr mezi GC/MS a LC/MS.
Správná volba metody ovlivňuje citlivost, selektivitu a efektivitu analýzy.

Cíle a přehled studie:

• Vytvořit predikční model pro klasifikaci pesticidů podle jejich slučitelnosti s GC/MS nebo LC/MS.
• Využít kvantitativní vztahy struktura-vlastnost (QSPR) s molekulovými deskriptory.
• Použít 194 pesticidů z validačních studií FDA a EURL.

Použitá metodika a instrumentace:

• Sběr dat z validačních zpráv FDA (avokádo) a EURL (olivový olej) zahrnujících GC/MS i LC/MS.
• Generování 224 molekulových deskriptorů přes rcdk v R, po filtraci 176 deskriptorů.
• Strojové učení v prostředí R caret: 119 klasifikačních metod (SVM, náhodné lesy, boosting, bagging, spline aj.).
• Měření výkonnosti: přesnost klasifikace pomocí 10násobné křížové validace a doba výpočtu (System.time()).

Hlavní výsledky a diskuse:

• Průměrná přesnost napříč všemi metodami: 77 %.
• Metody bagEarth vykazují nízkou spolehlivost; boostingové metody (AdaBoost.M1) dosahují až 85,5 % přesnosti, ale s vyšší časovou náročností (~1,5 h).
• Nejlepší kompromis poskytují xgbTree (84,6 % přesnosti do 2 min) a xgbDART (85,0 % do 8,5 min).
• Významný vliv na výkon má volba algoritmu i doba výpočtu, klíčové pro praktické nasazení.

Přínosy a praktické využití metody:

• Rychlá a objektivní podpora volby analytické techniky pro rezidua pesticidů.
• Úspora nákladů a času v laboratořích díky prediktivnímu nástroji.
• Možnost rozšíření databáze o další sloučeniny a nové analytické schémata.

Budoucí trendy a možnosti využití:

• Integrace pokročilých popisovačů (3D deskriptory, kvantové parametry).
• Využití hlubokého učení pro zlepšení přesnosti a generalizace modelů.
• Implementace online platformy pro sdílení dat a modelů mezi laboratořemi.

Závěr:

• Predikční QSPR model umožňuje efektivní klasifikaci pesticidů pro GC/MS a LC/MS.
• Metoda xgbDART představuje nejlepší poměr přesnosti a doby výpočtu.
• Přístup usnadní rozhodování analytiků a zvýší produktivitu rutinních analýz.

Reference:

1. Z. Barganska, P. Konieczka, J. Namiesnik, Comparison of Two Methods for the Determination of Selected Pesticides in Honey and Honeybee Samples, Molecules 23:2582 (2018).
2. C. Anagnostopoulos, G.E. Miliadis, Development and validation of an easy multiresidue method for the determination of multiclass pesticide residues using GC–MS/MS and LC–MS/MS in olive oil and olives, Talanta 121:1-10 (2013).
3. Pesticide Analytical Manual Vol. I, Appendix II, Food and Drug Administration (1999).
4. N. Chamkasem et al., Analysis of 136 Pesticides in Avocado Using a Modified QuEChERS Method with LC/MS/MS and GC/MS/MS, J. Agric. Food Chem. 61:2315-2329 (2013).
5. EURL-FV(2012-M6) Validation Data of 127 Pesticides Using a Multiresidue Method by LC/MS/MS and GC/MS/MS in Olive Oil, EU Reference Laboratories for residues of pesticides (2012).
6. M. Kuhn, Building Predictive Models in R Using the caret Package, J. Statistical Software 28:1-26 (2008).