Investigation of a Deep Learning-Assisted Workflow for the Analysis of Per-And Polyfluoroalkyl Substances in Environmental Matrices

Význam tématu

Per- a polyfluoroalkylové látky (PFAS) patří mezi vysoce perzistentní organické polutanty, které se kumulují v životním prostředí (voda, půda, vzduch) i v potravinách. Jejich detekce a kvantifikace v stopových koncentracích je klíčová pro ochranu zdraví a dodržení regulačních limitů. Konvenční chromatografické techniky spojené s hmotnostní spektrometrií (LC-MS/MS, GC-MS/MS) disponují vysokou citlivostí, avšak manuální integrace chromatografických píků zůstává časově náročná a citlivá na chyby.

Cíle a přehled studie

Cílem prezentované studie bylo navrhnout a otestovat workflow, které kombinuje tradiční LC-MS/MS analýzu PFAS s modely hlubokého učení (CNN, transformer). Výzkum zahrnoval:

• Shromáždění dvou interních datových sad podle metodiky EPA 1633 a AOAC SMPR 2023.003.
• Implementaci tréninkového a predikčního režimu v softwaru Agilent MassHunter Quantitative Analysis.
• Srovnání výkonnosti klasické manuální integrace vs. automatizované integrace asistované hlubokým učením.

Použitá metodika a instrumentace

Datové sady zahrnovaly vzorky vody, půdy a biotických matric analyzované na LC-MS/MS přístrojích Agilent Infinity III 1290 UHPLC spojeném s 6495D Triple Quadrupole MS v režimu MRM. Workflow bylo rozděleno na dva režimy:

1. Trénink: Analýza a manuální integrace pomocí MassHunter Quantitative Analysis (v. 12.1), extrakce metadat (posun retenčních časů, korelace kvantifikátor-kvalifikátor).
2. Predikce: Aplikace natrénovaných CNN a transformer modelů lokálně bez nutnosti manuálního zásahu.

Hlavní výsledky a diskuse

Nově bylo zavedeno označení AI flag, které indikuje způsob integrace píku (vestavěný integrátor, model, manuálně) a AI confidence score pro hodnocení spolehlivosti na úrovni každého analyzovaného PFAS.

Modely dosáhly vysoké přesnosti integrace:

• F1 skóre, PPV a NPV stabilně nad 0,95 po 20 tréninkových epochách.
• Schopnost správně integrovat komplikované píky u raně eluujících látek, izomerů a ve vzorcích s vysokou úrovní rušení maticí.

Výkonnostní testy prokázaly dramatické zkrácení doby revize dat:

• Průměrný čas predikce: 5–6 s na vzorek oproti 60–120 s při konvenční manuální integraci.

Přínosy a praktické využití metody

Automatizované asistované integrace pomocí hlubokého učení:

• Výrazně zkracují dobu analýzy a zvyšují laboratorní propustnost.
• Zajišťují konzistentní a reprodukovatelné výsledky nezávisle na operátorovi.
• Minimalizují riziko chyb vznikajících při manuální kontrole.

Budoucí trendy a možnosti využití

Další rozvoj se zaměří na:

• Integraci modelů do laboratorních informačních systémů (LIMS) pro plně automatizovaný provoz.
• Rozšíření přístupu na jiné třídy analytů (pesticidy, farmaka, metabolity).
• Využití federovaného učení pro sdílení modelů mezi laboratořemi bez výměny citlivých dat.
• Real-time zpracování dat přímo během běhu chromatografu.

Závěr

Studie prokázala, že asistované workflow s hlubokými neuronovými sítěmi významně redukuje manuální zásahy při analýze PFAS v režimu LC-MS/MS MRM. Modely dosahují vysoké přesnosti integrace, snižují dobu zpracování až desetinásobně a přinášejí reprodukovatelnost výsledků na expertní úrovni.

Reference

1. United States Environmental Protection Agency. Method 1633: Analysis of Per- and Polyfluoroalkyl Substances in Aqueous, Solid, Biosolids, and Tissue Samples by LC-MS/MS; 4th draft, December 2024.
2. AOAC International. Standard Method Performance Requirements for Per- and Polyfluoroalkyl Substances in Produce, Beverages, Dairy Products, Eggs, Seafood, Meat Products, and Feed (SMPR 2023.003); 2023.
3. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks. arXiv:1505.04597; 2012.
4. Dosovitskiy A. et al. An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale. arXiv:1910.11162; 2020.
5. Perslev M. et al. U-Net for Multi-Species Single-Fish Tracking. npj Digital Medicine, 4, 72 (2021).
6. Baltrušaitis T. et al. Multimodal Machine Learning: A Survey and Taxonomy. arXiv:1803.01271; 2018.
7. Zhou Y. et al. Self-Supervised Learning for Audio-Visual Data. arXiv:2105.15203; 2021.