Automatic Optimization of Gradient Conditions by AI Algorithm on Synthetic Peptide and Impurities

Význam tématu

Automatizace vývoje kapalinové chromatografie pomocí umělé inteligence významně zkracuje čas a snižuje potřebu hlubokých odborných znalostí v oblasti chromatografie. Pro syntetické peptidy a jejich nečistoty je kritické dosáhnout vysokého rozlišení, což tradičně vyžaduje opakované testování gradientních podmínek a manuální vyhodnocování výsledků.

Cíle a přehled studie / článku

Cílem bylo ukázat schopnost softwaru LabSolutions MD automaticky optimalizovat gradientní podmínky pro oddělení modelového peptidu beta-Melanotropin (FLP) a tří souvisejících nečistot. Klíčovým kritériem byla dosažená hodnota rozlišení větší než 2,0.

Použitá metodika a instrumentace

Metodika:

• Příprava směsi obsahující FLP a nečistoty (p.A1_K3del, p.A1_D5del, Met(O2)).
• Automatická optimalizace gradientu: opakované vyhledávání a korekce podmínek AI algoritmem, nastavení kritérií pro rozlišení a retenční čas posledního píku.
• Detekce pomocí UV při 220 nm a hmotnostní spektrometrie.

Instrumentace:

• Kapalinový chromatograf Nexera X3 se sloupcem Shim-pack Scepter C8-120 (100×3,0 mm, 1,9 μm).
• Mobilní fáze A: 0,1 % TFA ve vodě; B: acetonitril; teplota kolony 80 °C; tok 0,6 mL/min; injekční objem 2 μL.
• Hmotnostní spektrometr LCMS-2050, ionizace ESI/APCI v pozitivním režimu, sken m/z 300–2000, dekonvoluce spektra pro stanovení hmotnosti.

Hlavní výsledky a diskuse

Po třech cyklech AI korekcí byly nalezeny gradientní podmínky splňující kritérium rozlišení (>2,0) mezi FLP a nejbližší nečistotou. V prvních dvou analýzách byla separace nedostatečná (Rs ~1,1). Algoritmus následně doporučil částečně isokratickou fázi, která vedla k rozlišení Rs 3,4. Dekonvoluce MS spektra potvrdila správné určení hmotnosti FLP (2660) i nečistot.

Přínosy a praktické využití metody

• Výrazná úspora času a snížení počtu pokusů při vývoji metody.
• Možnost použití i méně zkušenými uživateli díky automatickému hledání a vyhodnocení.
• Spolehlivá optimalizace podpořená kombinací chromatografie a hmotnostní spektrometrie.

Budoucí trendy a možnosti využití

• Rozšíření AI optimalizace na širší spektrum analytických metod a typů sloupců.
• Integrace s dalšími hmotnostními analyzátory a detektory pro komplexní metodologické workflow.
• Využití strojového učení pro predikci chování sloupců a návrh experimentů předem.

Závěr

LabSolutions MD s implementovaným AI algoritmem úspěšně automatizovalo optimalizaci gradientních podmínek pro analytiku syntetických peptidů, přičemž dosáhlo požadovaného rozlišení a prokázalo potenciál výrazného zjednodušení a zrychlení vývoje metod v praxi.

Reference

V textu nejsou uvedeny žádné publikované literární zdroje.