GCxGC, GC/MSD, GC/TOF, SPME
ZaměřeníPotraviny a zemědělství
VýrobceJEOL
Význam tématu
Analýza aromatických sloučenin v koření je klíčová pro zajištění kvality, autentizace surovin a vývoj nových potravinářských produktů. Komplexní dvoudimenzionální plynová chromatografie spojená s TOF-MS v kombinaci s nástroji strojového učení umožňuje rychlé a spolehlivé určení vzorců a struktur i těch sloučenin, které chybí v běžných spektrometrických databázích.
Cíle a přehled studie
Studie se zaměřuje na vývoj a praktickou aplikaci dvou modelů strojového učení pro:
- Odhad molekulárního vzorce neznámých aroma sloučenin z měřených přesných hmotností a izotopových poměrů.
- Predikci a přiřazení strukturálních vzorců na základě předpovědí fragmentačních vzorců EI spekter.
Použitá metodika
Semi-kvantitativní extrakce aroma složek byla provedena SPME vláknem DVB/CAR/PDMS za 50 °C po dobu 30 minut. Vzorek byl analyzován na přístroji GCxGC-TOFMS se sekvenční modulátorem, chromatografickými kolunami BPX5 a Rxi-17Sil MS. Datová sada obsahovala jak elektronovou ionizaci (EI), tak měkkou ionizaci Field ionization (FI), což umožnilo získat přesné molekulové ionty a fragmentační vzorce. Surová data byla zpracována v softwaru msFineAnalysis AI (JEOL) a následně zpracována dvěma modely:
- ML1 – hodnocení pravděpodobnostního rozdělení počtu atomů každého prvku pro doporučení molekulárního vzorce.
- ML2 – generování predikovaných EI spekter pro strukturální kandidáty a škálování jejich shody s experimentem.
Použitá instrumentace
- SPME mikroextraktor DVB/CAR/PDMS, délka 20 mm, průměr 50/30 µm
- GCxGC rychlý TOFMS JMS-T2000GC (JEOL) se sekvenčním termálním modulátorem INSIGHT-Thermal
- Primární kolona BPX5 30 m × 0,25 mm, 0,25 µm a sekundární Rxi-17Sil MS 3,4 m × 0,15 mm, 0,15 µm
- Elektronová ionizace (EI) a Field ionizace (FI)
- Software msFineAnalysis AI pro chromatografickou a spektrometrickou dekonvoluci
Hlavní výsledky a diskuse
Zařízení detekovalo celkem 518 složek v extraktu kardamomu. Standardní vyhledávání v NIST databázi často vedlo k chybným přiřazením u sloučenin chybějících v databázi. Příklad sloučeniny A ilustruje tento problém: NIST vybral kandidáta Santolina triene (C10H16), nicméně přesná hmotnost získaná z FI odpovídala vzorci C10H16O. Model ML1 jednoznačně upřednostnil správný vzorec C10H16O, čímž zredukoval počet kandidátů a eliminoval nesprávné shody. Díky ML2 bylo možné ověřit strukturu na základě fragmentačních vzorců, což značně zrychlilo identifikaci neznámých monoterpenů.
Přínosy a praktické využití metody
Metoda významně zkracuje čas potřebný pro identifikaci neznámých aroma složek, zvyšuje spolehlivost výsledků a umožňuje pracovat se sloučeninami, které dosud nejsou v databázích. Praktický dopad se týká potravinářského průmyslu, kontroly jakosti, vývoje nových příchutí a auditu botanických surovin.
Budoucí trendy a možnosti využití
Integrace strojového učení s chromatografickou analýzou bude nadále růst. Předpokládá se rozšíření trénovacích datových sad, zlepšení predikčních algoritmů a nasazení do online monitorovacích systémů. Další potenciál spočívá ve spojení s jinými spektrometriemi a rozšíření aplikací mimo potravinářství do farmacie či životního prostředí.
Závěr
Popsané ML-based přístupy pro odhad molekulárního vzorce a strukturální elucidaci vzorců významně zlepšují identifikaci neznámých aroma sloučenin v GCxGC-TOFMS. Metoda nabízí rychlý, spolehlivý a škálovatelný postup vhodný pro široké spektrum analytických aplikací.
Reference
- Azusa Kubota, Ayumi Kubo, Masaaki Ubukata. Analysis of aroma compounds in spices by comprehensive two-dimensional gas chromatography/time-of-flight mass spectrometry with machine learning-based structure elucidation and molecular formula estimation. JEOL Ltd., Tokyo, Japan.
Obsah byl automaticky vytvořen z originálního PDF dokumentu pomocí AI a může obsahovat nepřesnosti.
