Comprehensive Characterization of E-Cigarette Liquids

Význam tématu

Charakterizace e-liquidů je kritická pro hodnocení kvality výrobků, posouzení expozice uživatelů a dodržování předpisů. E-liquidy obsahují hlavní nosiče (propylene glycol, glycerin), široké spektrum aromatických látek a množství stopových nečistot, vedlejších produktů nebo aditiv, které mohou ovlivnit aerosoly při vape. Schopnost provést jak neřízené (untargeted) vyhledávání, tak specifické potvrzení cílových látek z jediné analýzy šetří čas, materiál a zvyšuje důvěru v identifikace v komplexních matricích.

Cíle a přehled studie / článku

Studie si klade za cíl demonstrovat, že jedna plnospektrální (full-scan) GC/MS akvizice může současně sloužit k rozsáhlému objevení neznámých složek e-liquidu a zároveň ke konfirmačnímu ověření vybraných analytů. Autorka použila komerční e-liquid( y ) z japonského trhu, vzorky byly zředěny dichlormethanem a do části byl přidán menthol a nikotin jako referenční standardy pro ověření cílené konfirmační pracovní postupy.

Použitá metodika a instrumentace

Vzorkování a příprava:

• Vzorky: dva komerční e-liquidy získané v Japonsku.
• Rozřeďování: 1:10 (v/v) dichlormethanem.
• Spikování: menthol a nikotin přidány do vzorku (~10 µg/mL) pro ověření cílené konfirmační analýzy.

Instrumentace a provozní podmínky:

• Souprava: Agilent 8890 GC spojený s Agilent 5977C GC/MSD v režimu full-scan (m/z 30–400).
• Kolona: Agilent J&W DB-624 UI, 30 m × 0,32 mm, 1,8 µm.
• Nosné plyn: helium, průtok ~1,8 mL/min; injekce 1 µL, split 20:1; inlet teplota 250 °C.
• Program pece: 50 °C (2 min), 10 °C/min do 240 °C, držení 10 min; transfer line/ion source 250 °C; kvadrupól 150 °C.

Softwarové zpracování dat:

• Agilent MassHunter Unknowns Analysis pro automatizovanou detekci komponent, spektrální dekonvoluci a vyhledávání v knihovně (NIST23).
• Agilent MassHunter Quantitative Analysis – funkce Target Deconvolution pro cílené potvrzení známých analytů na základě porovnání dekonvoluovaného spektra s databází.

Hlavní výsledky a diskuse

Profil složení:

• TIC ukázal dominantní špičky odpovídající propylenglykolu a glycerinu jako hlavním nosičům.
• Vedlejší, ale identifikovatelné složky zahrnovaly široké spektrum aromatických látek: menthol a další menthol‑příbuzné alkoholy, D‑carvone, eukalyptol, DL‑isopulegol, D‑limonene, vanilin, triacetin a benzyl benzoate jako fixační látka.

Možnosti dekonvoluce a identifikace:

• MassHunter Unknowns Analysis úspěšně extrahoval komponenty v chromatograficky přeplněných oblastech, generoval dekonvoluovaná spektra a zlepšil shodu při prohledávání knihovny ve srovnání s přímou TIC analýzou.
• Ukázalo se, že i stopové a koelutující sloučeniny jsou detekovatelné díky algoritmu dekonvoluce, který rekonstruuje specifické iontové vzory jednotlivých složek.

Konfirmační analýza cílových látek:

• Target Deconvolution byl aplikován na stejný full‑scan dataset a potvrdil přítomnost mentholu a nikotinu v fortifikovaných vzorcích. Shody se standardními spektry byly velmi vysoké (přibližně 99,8 % pro menthol a ~94,6 % pro nikotin), což ilustruje spolehlivost metody i v přítomnosti komplexního matrice.
• Tento přístup eliminuje nutnost samostatných SIM metod nebo opakovaných injekcí pro konfirmační analýzy.

Praktické poznámky:

• Rozdílné vzorky vykazovaly odlišné profilové „otisky“ (např. jeden vzorek spíše byl herbální/čajový, druhý spíše mentolový), což zdůrazňuje užitečnost metody pro rozlišení obchodních formulací a forensic analýzy.

Přínosy a praktické využití metody

Hlavní přínosy integrovaného workflow:

• Jedna full‑scan GC/MS akvizice poskytuje současně data pro neřízené objevování i cílené potvrzení.
• Zrychlení analytického procesu a snížení počtu reinjekcí, úspora vzorku a spotřebního materiálu.
• Vysoká jistota identifikací v případě koelucí díky dekonvoluci – výhodné pro QC, vývoj produktů, vyšetřování nelegálních nebo dovážených produktů (např. kontrola nikotinu) a toxikologická hodnocení.

Budoucí trendy a možnosti využití

Očekávané směry rozvoje a aplikace:

1. Další vylepšení algoritmů dekonvoluce a nasazení strojového učení pro lepší rozlišení a automatickou klasifikaci aromatických směsí.
2. Rozšíření a kurace spektrálních knihoven (včetně proprietárních knihoven aerosolových produktů) pro přesnější a rychlejší identifikace.
3. Integrace s vysokorozlišujícími (HRMS) technikami pro strukturální verifikaci neznámých sloučenin a přesnější stanovování stopových úrovní.
4. Automatizovaná kvantifikace přímo z dekonvoluovaných spekter a validace workflow pro rutinní použití v regulačních laboratořích.
5. Využití workflow při sledování transformací v průběhu skladování a při simulaci aerosolizace (hodnocení degradace a vzniklých produktů při zahřátí).

Závěr

Studie ukazuje, že kombinace Agilent MassHunter Unknowns Analysis a Target Deconvolution z jediného GC/MS full‑scan souboru umožňuje komplexní zmapování složení e‑liquidů a simultánní konfirmační ověření důležitých cílových látek bez potřeby samostatných cílených metod. Metoda zvyšuje efektivitu laboratorní práce, zlepšuje detekci koelujících a stopových složek a poskytuje robustní nástroj pro účely kontroly kvality, regulace a bezpečnostních studií.

Reference

• Anegawa A. Comprehensive Characterization of E-Cigarette Liquids: Identifying e-liquid sample constituents using GC/MS with Agilent MassHunter Unknowns Analysis and Target Deconvolution. Agilent Technologies Japan, Ltd.; 2026. Dokument DE-016940 (5994-9436EN).