Predicting Linear Operating Range for Charged Aerosol Detection Using an Inverse Power Function Framework

Význam tématu

Použití kapalinové chromatografie v kombinaci s detektorem Charged Aerosol Detection (CAD) je zásadní pro kvantitativní analýzu látek bez silných chromoforů, například lipidů, surfaktantů, sacharidů a některých nečistot. CAD poskytuje univerzální, hmotnostně závislou detekci, avšak jeho signál vykazuje inherentní nelineární chování v důsledku aerosolové formace a distribuce velikosti částic. Schopnost objektivně definovat lineární provozní rozsah a optimalizovat nastavení škálování (Power Function Value, PFV) má přímý dopad na přesnost, robustnost a efektivitu vývoje metod v akademii i v regulovaných výrobních laboratořích.

Cíle a přehled studie

Cílem prezentovaného postupu je ukázat modelově‑řízený přístup k predikci lineárního pracovního rozsahu CAD pomocí transformačního rámce založeného na inverzní power‑funkci. Hlavní myšlenka je charakterizovat intrinsickou odpověď detektoru na základě jedné referenční kalibrace (PFV = 1.00) a pomocí statistického modelu dopředu simulovat chování při alternativních PFV hodnotách. To umožňuje objektivně odhadnout rozsahy PFV, které linearizují odpověď, a tím zrychlit vývoj metod a snížit experimentální zatížení.

Použitá metodika a instrumentace

Popis metodiky:

• Kalibrační data získaná při PFV = 1.00 jsou modelována pomocí obyčejné lineární regrese na transformovaných datech s inverzní power‑funkcí (1/p).
• Model odhaduje intrinsický exponent (p) popisující power‑law vztah mezi množstvím analytu a signálem; PFV se interpretuje jako 1/p.
• Pro hodnocení důvěryhodných rozsahů se používá forward‑simulace signálu při různých PFV a Monte Carlo simulace (95% intervaly) založené na odhadnutém rozptylu reziduí.
• Diagnostika linearity zahrnuje R2, chování reziduí a volbu váhování regrese (porovnání unweighted, 1/x, 1/x^2), přičemž 1/x bylo identifikováno jako kompromis u zkoumaných dat.

Použitá instrumentace:

• LC systém: ACQUITY Premier System (BSM)
• Detekce: Charged Aerosol Detector (CAD) – Sampling rate 10 Hz, Time constant: Normal, Ion trap 20 V, Evaporation temperature 35 °C
• Další detekce: TUV (λ = 200 / 280 nm), FC = 5mm Ti, 1Hz
• Kolona: Waters GTxResolve Lipid Phenyl‑Hexyl+ RP, SPP 1.6 µm, 230 Å, 2.1 x 50 mm
• Mobilní fáze: A = 0.1% formiová kyselina ve vodě; B = 50:50 MeOH:MeCN s 0.1% formiovou kyselinou; průtok 0.400 mL/min; teplota kolony 50 °C; injektovaný objem 3 µL
• Softwarová část: Empower Chromatography Data System pro akvizici a zpracování, Microsoft Excel pro implementaci a simulace

Hlavní výsledky a diskuse

• CAD signál lze dobře popsat power‑law funkcí (signal ∝ množství^p). Kalibrace získaná při PFV = 1.00 odráží tuto intrinsickou nelinearitu.
• Inverzní power‑funkcí (aplikací 1/p) lze data matematicky linearizovat; odhadnuté p z PFV = 1.00 umožňuje predikci PFV, která přibližuje exponent k hodnotě 1.0.
• Při praktické aplikaci na čtyři komponenty lipidových nanopartikelů (SM‑102, cholesterol, DSPC, DMG‑PEG 2000) model identifikoval PFV rozsahy cca 1.14–1.34 jako poskytující předvídatelnou linearitu.
• Pro zkoumaná data bylo váhování 1/x nejvhodnější: unweighted regrese vykazovala heteroskedasticitu (rostoucí rozptyl reziduí při vyšších koncentracích), 1/x^2 vedlo k nadměrnému „přepnutí“ na nízké koncentrace. 1/x přineslo přibližně konstantní standardizovanou odchylku napříč rozsahem.
• Experimentálně pořízená data při PFV = 1.30 korelovala se simulovanými výsledky (simulace od PFV = 1.00 s 1/p = 1.30); rozdíly v optimalitě PFV byly ≤ 0.08, což potvrzuje validitu prediktivního modelu.
• Metodika integruje odhad variance do modelu, což umožňuje objektivní výběr váhování regrese a lepší kvantitativní spolehlivost než pouhé spoléhání se na R2.

Přínosy a praktické využití metody

• Významné zrychlení vývoje metod díky omezení potřeby opakovaných kalibrací při různých PFV; snížení experimentálního zatížení a nákladů.
• Objektivní a kvantitativně podložené stanovení provozního rozsahu a nastavení CAD, vhodné pro přenos metod do výrobních a regulovaných prostředí.
• Možnost integrace do Empower CDS pro sledovatelnost, auditovatelnost a kompatibilitu s požadavky na datovou integritu v GMP prostředí.
• Model poskytuje kritéria pro výběr správného váhování regrese, což zlepšuje přesnost určení množství v širokém dynamickém rozsahu.

Budoucí trendy a možnosti využití

• Automatizace workflow: plná integrace prediktivního modelu do CDS umožní automatické doporučení PFV při akvizici kalibrace a reportování zvolených nastavení s auditní stopou.
• Rozšíření na další aerosolové detektory nebo matice: rámec lze adaptovat pro jiné non‑UV detektory a složitější vícerozsahové kalibrace.
• Lepší propagace nejistot: pokročilejší metody kvantifikace nejistot (bayesovské či bootstrap přístupy) mohou zlepšit rozhodování o pracovním rozsahu a limitech kvantifikace.
• Strojové učení: u rozsáhlých souborů kalibrací by ML mohl identifikovat vzorce závislosti PFV na povaze analytu, matici a chromatografických podmínkách a navrhovat adaptivní škálování.
• Víceanalytní a komplexní směsi: rozšíření modelu na současné hodnocení heterogenních směsí s rozdílnými exponenty p pro různé analyty.

Závěr

Inverse power‑function rámec založený na kalibraci při PFV = 1.00 poskytuje praktickou a ověřitelnou strategii pro předpověď lineárního provozního rozsahu CAD bez potřeby opakovaných experimentálních běhů. Metoda zlepšuje objektivitu výběru PFV, podporuje optimální volbu váhování regrese (v popsaném případě 1/x) a lze ji integrovat do existujících CDS workflow pro zajištění sledovatelnosti a souladu s regulačními požadavky. Tato datově řízená strategie přispívá k robustnější a efektivnější kvantitativní analýze látek obtížně detekovatelných UV metodami.

Reference

1. Han D., DeLaney K., Alden B., Birdsall R., Yu Y. Lipid Nanoparticle Analysis: Leveraging MS to Reduce Risk. Waters Application Note; 2022.
2. Fekete S., et al. Challenges and emerging trends in liquid chromatography–based analyses of mRNA pharmaceuticals. Journal of Pharmaceutical and Biomedical Analysis. 2023;224:115174.
3. Han D., Birdsall R., Simeone J., Fogwill M., Yu Y. Comparing ELSD and CAD Performance on Polysorbate Quantification in Infliximab Drug Products. Waters Application Note; 2022.
4. Maziarz M., Harden S., Rainville P. Determination of Fatty Acid Composition in Polysorbate 80 using HPLC with Charged Aerosol Detection. Waters Application Note; 2026.
5. Birdsall R., Du X., Bigos P., Han D., Bhiwankar N. Automating Charged Aerosol Detection (CAD) Analysis with Empower CDS Software Using a Single‑Vendor Integrated LC Platform. Waters Application Note; 2026.
6. International Council for Harmonisation (ICH). ICH Q2(R2): Validation of Analytical Procedures. ICH; 2023.