Automatic Optimization of Gradient Conditions Using AI Algorithm for LC Method Development with Functional Foods

Význam tématu

Automatizace vývoje metod v kapalinové chromatografii výrazně snižuje časovou i odbornou náročnost stanovení komplexních vzorků, jako jsou bioaktivní sloučeniny v potravinách. Využití umělé inteligence k optimalizaci gradientních podmínek přináší vyšší reproducibilitu a efektivitu laboratoří zabývajících se kvalitativní a kvantitativní analýzou funkčních komponent.

Cíle a přehled studie

Cílem práce bylo implementovat AI algoritmus v softwaru LabSolutions MD pro automatické vyhledávání optimálních gradientních podmínek separace patnácti sloučenin (deset katechinů, čtyři theaflaviny, kyselina galová) a ověřit výslednou metodu na zeleném a černém čaji. Studie dokumentuje princip automatického cyklu hledání podmínek a korekční analýzy, vyhovující kritériu minimálního rozlišení 1,5.

Použitá metodika a instrumentace

Pro automatickou optimalizaci byly použity tyto přístroje a podmínky

• Kapalinový chromatograf Nexera X3
• Kolona Shim-pack GISS C18 100 mm × 3,0 mm I.D., částice 1,9 μm
• Mobilní fáze A: 0,2 % kyselina fosforečná ve vodě
• Mobilní fáze B: acetonitril, gradient 15 → 45 % B v X minutách, návrat na 15 % v průběhu dalších 5 minut
• Teplota kolony 55 °C, průtok 0,6 mL/min
• Vstřik 5 μL, detekce při 242 nm (SPD-M40, UHPLC bunka)
• Softwarový modul LabSolutions MD s AI algoritmem pro iterativní optimalizaci gradientu

Hlavní výsledky a diskuse

Po úvodní analýze byly rozlišení mezi páry špiček C4/C5 a T3/T4 pod hranicí požadovaných 1,5. AI algoritmus opakovaně upravoval gradientní profil prostřednictvím cyklů vyhledávání a korekční analýzy, až bylo dosaženo rozlišení >1,5 pro všechny cílové páry. Konečný optimální profil zahrnoval izokratické vyplachování po 9. minutě, což umožnilo čisté rozdělení theaflavinů T3 a T4.
Metoda byla poté aplikována na nefermentovaný zelený čaj a fermentovaný černý čaj. Zelený čaj vykazoval vyšší obsah čtyř hlavních katechinů a dvou methylovaných katechinů, které mají protialergické vlastnosti. Černý čaj naopak obsahoval čtyři theaflaviny vzniklé fermentací.

Přínosy a praktické využití metody

• Zkrácení doby vývoje metod chromatografie díky automatizaci hledání gradientu
• Snížení závislosti na expertní znalosti chromatografie
• Zajištění jednotné kvality separace a snadné reprodukovatelnosti výsledků
• Možnost rychlé analýzy různých druhů čajů a rozšíření na další potravinové matice

Budoucí trendy a možnosti využití

Očekává se další rozšíření AI podporovaných nástrojů na optimalizaci komplexních separačních schémat, včetně vícefázových gradientů a výběru kolony. Integrace strojového učení pro predikci chování neznámých sloučenin a automatická validace metod by dále zvýšila efektivitu a spolehlivost industriálních a výzkumných laboratoří.

Závěr

Implementace AI algoritmu v LabSolutions MD pro automatickou optimalizaci gradientních podmínek úspěšně splnila stanovené kritérium rozlišení 1,5 pro patnáct cílových sloučenin. Výsledná metoda zkracuje čas a odbourává nutnost manuálního zásahu, což umožňuje efektivní kvantifikaci funkčních složek v čajích a potenciálně i v dalších potravinových či farmaceutických vzorcích.

Reference

1. Watabe Y., Tanigawa T., Fujisaki S., Terada H. Automatic Optimization of Gradient Conditions Using AI Algorithm for LC Method Development with Functional Foods. Shimadzu Corporation, Kyoto University.