Příprava vzorků, Software, LC/MS, LC/MS/MS, LC/QQQ, HPLC, LC/Orbitrap, LC/HRMS
ZaměřeníŽivotní prostředí
VýrobceThermo Fisher Scientific
Význam tématu
PFAS (per- a polyfluorované alkylové látky) představují pro environmentální laboratoře dlouhodobě náročný analytický problém: nízké koncentrace v komplexních matricích, vysoká rizika kontaminace a rostoucí regulatorní požadavky. Robustní, škálovatelný a reprodukovatelný pracovní postup je klíčový pro spolehlivé monitorování životního prostředí a pro splnění legislativních limitů. Automatizace přípravy vzorků a minimalizace spotřeby organických rozpouštědel výrazně snižují variabilitu výsledků, náklady na provoz a environmentální zátěž.
Cíle a přehled studie / článku
Dokument popisuje kompletní workflow určené pro rutinní environmentální laboratoře zaměřené na analýzu PFAS. Hlavním cílem je nabídnout end-to-end řešení, které kombinuje automatizovanou přípravu vzorků (DLLME), flexibilní kapalinovou chromatografii (UHPLC) a volitelné detekční strategie (triple quadrupole nebo HRAM Orbitrap) včetně intuitivního softwaru pro řízení a zpracování dat. Důraz je kladen na snížení variability, rizika kontaminace a zjednodušení pracovních postupů tak, aby laboratoře mohly dosahovat shody s regulacemi a současně zvýšit produktivitu.
Použitá metodika a instrumentace
Metodika:
- Dispersive Liquid–Liquid Microextraction (DLLME) jako klíčová automatizovaná metoda extrakce, pre-koncentrace a dočištění analyzátů z komplexních matric. Princip: malé objemy extrakčního rozpouštědla rozptýlené v matrici pomocí disperzního rozpouštědla vytvářejí jemnou emulzi s velkou kontaktní plochou; cílové látky rychle přecházejí do extrakční fáze, která je následně oddělena a analyzována.
- Plně automatizovaný tok přípravy vzorku s minimem manuálních kroků, schopný zpracovat šarže od 2 do 54 vzorků; typicky dvě vzorky za ~18 minut.
- Ekologický přístup: velmi nízká spotřeba rozpouštědel, bez použití SPE cartridgí, integrace extrakce, dočištění a koncentrace v jednom kroku.
Instrumentace (uvedena samostatně):
- Thermo Scientific TriPlus RSH SMART Autosampler pro plně automatizovanou DLLME extrakci.
- Thermo Scientific Vanquish Duo UHPLC System pro flexibilní a rychlé chromatografické separace v režimech určených pro vysokou propustnost i potvrzovací analýzu.
- Thermo Scientific TSQ Altis Plus EFOX Edition Triple Quadrupole Mass Detector pro kvantitativní, citlivou a selektivní detekci v režimu MRM a pokročilých skenovacích módech.
- Thermo Scientific Orbitrap Exploris EFOX Mass Detector pro plnospektrální HRAM detekci umožňující retrospektivní analýzy a rychlé přizpůsobení se nově identifikovaným PFAS analytům.
- Thermo Scientific Chromeleon software pro řízení instrumentů, vedené pracovní postupy, zpracování dat a splnění požadavků na auditní stopu.
Hlavní výsledky a diskuse
Hlavní výstupy prezentovaného workflow lze shrnout následovně:
- Automatizovaná DLLME významně snižuje variabilitu způsobenou manuální přípravou, omezuje riziko křížové kontaminace a zvyšuje reprodukovatelnost výsledků.
- Metoda poskytuje efektivní extrakci, dočištění a předkoncentraci v jednom kroku, což eliminuje potřebu SPE cartridgí a snižuje čas i nároky na spotřební materiál.
- Díky vyčištěným extraktům lze používat agresivnější chromatografické podmínky a zkrácené běhy bez ztráty kvality separace, což zvyšuje propustnost laboratoře.
- Dvě navrhované detekční konfigurace (dual-column confirmation s triple quad a režim flexibility s HRAM Orbitrap) pokrývají potřebu regulované, kvantitativní analýzy i potřebu retrospektivního vyhledávání nových PFAS látek.
- Integrovaný software a jednotné datové soubory pro různé metody zjednodušují správu dat, snižují chybovost a podporují auditovatelnost výsledků.
Diskuse také zdůrazňuje, že masový spektrometr je detektor — klíčový význam má celkový workflow. Sama instrumentace nezaručí kvalitu bez stabilní, validované přípravy vzorku a kontrol kvality.
Přínosy a praktické využití metody
Praktické přínosy přijatého řešení zahrnují:
- Vyšší propustnost laboratoře při zachování nebo zlepšení kvality výsledků — vhodné pro rutinní monitoring povrchových i podzemních vod, pitné vody, odpadních vod a půdních výtažků.
- Snížení provozních nákladů díky minimalizaci spotřeby rozpouštědel a eliminaci cartridge pro SPE.
- Zvýšení obranyschopnosti dat při auditních kontrolách díky standardizovaným, automatizovaným pracovním postupům a integrovanému softwaru s řízeným zpracováním dat.
- Ekologický přínos — menší odpad a nižší spotřeba chemikálií, což podporuje udržitelné laboratorní praktiky.
Budoucí trendy a možnosti využití
Očekávané směry vývoje a aplikace této třídy workflow:
- Další rozšíření automatizace a robotizace přípravy vzorků, včetně adaptivních protokolů pro různé matice.
- Širší využití HRAM systémů pro retrospektivní screening nově identifikovaných PFAS a nestandardních metabolitů bez nutnosti nové analýzy vzorků.
- Integrace pokročilých algoritmů zpracování dat a umělé inteligence pro rychlejší identifikaci anomálií, prediktivní údržbu a optimalizaci metod.
- Další snižování spotřeby rozpouštědel a přechod na zelenější rozpouštědla či alternativní extrakční strategie.
- Šíření validovaných, standardizovaných workflow mezi laboratořemi za účelem srovnatelnosti dat v rámci regulačních sítí a mezi laboratorními sítěmi.
Závěr
Prezentovaný EFOX Series + DLLME workflow představuje pragmatické, škálovatelné a environmentálně orientované řešení pro rutinní analýzu PFAS v environmentálních laboratořích. Kombinuje výhody automatizované přípravy vzorků, flexibilní chromatografie, volitelné detekce pro kvantitativní i HRAM aplikace a softwarové řízení orientované na shodu s předpisy. Hlavní přínos spočívá v redukci variability, snížení rizika kontaminace a zvýšení kapacity laboratoře bez nutnosti kompromisů v kvalitě analytických výsledků.
Reference
Prezentované informace jsou shrnutím technického materiálu a produktového přehledu Thermo Fisher Scientific věnovaného řešení EFOX Series a DLLME pro analýzu PFAS (brožura Thermo Fisher Scientific, 2026).
Obsah byl automaticky vytvořen z originálního PDF dokumentu pomocí AI a může obsahovat nepřesnosti.