Automated Data-Driven Optimization of MRM Transitions and CollisionEnergies in LC–MS/MS

Význam tématu

Cílené LC–MS/MS metody postavené na režimu multiple reaction monitoring (MRM) jsou klíčové pro kvantitativní analýzy v oblasti farmacie, environmentální chemie, toxikologie a kontroly kvality. Optimalizace MRM parametrů (volba produktových iontů a optimální kolizní energie, CE) významně ovlivňuje citlivost, selektivitu a reprodukovatelnost analýzy. Tradiční přístup k vývoji MRM metod je časově náročný, vyžaduje opakované injekce a odborné zásahy, což omezuje škálovatelnost a průchodnost v high‑throughput provozech. Automatizované, datově řízené postupy mohou výrazně zkrátit dobu vývoje metod, snížit spotřebu vzorku a omezit operátorskou závislost.

Cíle a přehled studie / článku

Cílem prezentované práce bylo vyvinout plně automatizovanou, datově řízenou strategii pro generování a optimalizaci MRM přechodů a kolizních energií bez nutnosti předchozí znalosti prekurzorových iontů. Koncept kombinuje ultra‑rychlé průzkumné (survey) skeny, plánování podle retenční doby a adaptivní optimalizační algoritmy s cílem minimalizovat počet injekcí a rychle vytvořit vysokou konfidenční MRM tabulku vhodnou pro kvantitativní analýzy.

Použitá metodika a instrumentace

Ultrarychlá datově řízená optimalizace byla implementována v Pythonu 3.1 a v prostředí Tune‑Calibration‑Diagnosis (TCD). Experimentální ověření bylo provedeno na standardní směsi sulfonamidů (Agilent Sulfa drug standard) s použitím kapalinové chromatografie Agilent 1290 Infinity spojené s triple kvadrupólem Agilent 6495D vybaveným inteligentním onboard počítačem. Postup zahrnoval kombinaci následujících kroků:

• Volitelná injekce blanku pro sestavení seznamu vyloučených m/z.
• Rychlý survey sken za účelem filtrování prekurzorových m/z a hrubého určení retenčních časů a počátečních CE hodnot.
• Kompletní optimalizace MRM s rampováním CE v zadaném okně a krokové velikosti pro finální nastavení optimálních přechodů.
• Reference‑normalizace: dělení produktu‑iontového signálu odpovídajícím prekurzorovým signálem v daném čase pro odstranění chromatografických a ionizačních vlivů a objektivní porovnání fragmentačních průběhů.

Hlavní výsledky a diskuse

Automatizovaná workflow výrazně snížila počet nezbytných injekcí ve srovnání s tradičním přístupem. U testované směsi sulfonamidů tradiční optimalizace vyžadovala typicky 4+2 injekce (identifikace RT a fragmentů následovaná CE optimalizací), zatímco datově řízený přístup dosáhl kompletního výsledku s pouze dvěma povinnými injekcemi (hrubý průzkum a následné rampování CE), přičemž blank byl volitelný.
Klíčové body výsledků:

• Reference‑normalizace umožnila dekonvoluci fragmentačních profilů od kolísání chromatografie a ionizace – výsledkem jsou CE optimalizační křivky, které objektivně porovnávají relativní produktové abundace napříč prekurzory a časy akvizice.
• Zjištěné optimální CE pro analyty ve směsi se pohybovaly přibližně v rozsahu -7 V až -31 V, přičemž relativní výšky signálu (normalized relative abundance) pro vybrané produktové ionty ukázaly variabilitu vhodnou pro výběr nejcitlivějších přechodů.
• Kombinace multiplexingu a adaptivních algoritmů minimalizovala počet nutných skenů a injekcí, přičemž algoritmus iterativně upravoval akviziční parametry tak, aby maximalizoval analytický signál bez zbytečného průzkumu spektra.

Diskuse zdůrazňuje, že postup není závislý na předchozích znalostech složení vzorku, čímž se otevírá možnost aplikace na neznámé nebo složité matricové soubory. Dále se ukázalo, že použití referenční normalizace je zvláště přínosné při multiplexovaném sběru dat, protože umožňuje přímé porovnání fragmentací různých prekurzorů za měnících se ionizačních podmínek.

Přínosy a praktické využití metody

• Výrazné zkrácení doby vývoje MRM metod a snížení počtu injekcí, což šetří čas i spotřebu vzorku.
• Snížení závislosti na zkušenostech operátora díky plné automatizaci workflow a algoritmickému rozhodování.
• Vhodnost pro high‑throughput laboratoře, screeningové aplikace a situace s omezeným množstvím vzorku nebo omezeným časem na vývoj metody.
• Možnost integrace výsledných MRM tabulek přímo do kvantitativních metod a do systémů pro plánování akvizice (retention‑time scheduling), což zvyšuje efektivitu následných běžných analýz.

Budoucí trendy a možnosti využití

• Rozšíření adaptivních algoritmů o strojové učení k predikci optimálních CE pro nové třídy sloučenin a ke zlepšení robustness při variabilních matricích.
• Integrace s vysokorozlišovacími hmotnostními analyzátory a s technikami iontové mobility pro další zvýšení selektivity a selektivního výběru fragmentů.
• Automatizovaná validace a QA/QC kroků pro průmyslové nasazení, včetně standardizovaných kritérií pro přijetí MRM přechodů v regulovaných laboratořích.
• Rozvoj databází optimálních CE a MRM přechodů získaných datově‑řízenými postupy, které by šetřily čas při vývoji metod pro podobné analytické třídy.

Závěr

Datově řízená automatizovaná optimalizace MRM přechodů a kolizních energií představuje efektivní alternativu k tradičnímu, manuálně náročnému přístupu. Umožňuje rychlé vytvoření kvalitních MRM tabulek bez předchozí znalosti složení vzorku, s výrazným snížením počtu injekcí a pracovní náročnosti. Implementace v Pythonu a v prostředí TCD na platformě Agilent 1290/6495D demonstrovala praktickou proveditelnost metody na standardní směsi sulfonamidů. Tento přístup má potenciál zrychlit vývoj metod v širokém spektru aplikací a je slučitelný s budoucím rozšířením o AI/ML komponenty a vyšší úroveň automatizace.

Reference

• Prezentovaná data a výsledky pocházejí z posteru ASMS 2026, TP 299, Auto‑mated Data‑Driven Optimization of MRM Transitions and Collision Energies in LC–MS/MS, Agilent Technologies, 2026.
• Experimentální instrumentace: Agilent 1290 Infinity LC a Agilent 6495D triple quadrupole LC/MS; implementace software: Python 3.1 a Tune‑Calibration‑Diagnosis (TCD).