Automatización y Predicción Asistida por IA en Separaciones Cromatográficas

Área de la Ciencia:

• Química Analítica
• Química Computacional

Sus antecedentes:

• La cromatografía, incluyendo TLC, CC, GC y HPLC, es vital para las separaciones químicas pero a menudo depende de la optimización empírica, lo que dificulta la reproducibilidad.
• La integración de la automatización de laboratorio y la inteligencia artificial (IA) ofrece un camino para superar estas limitaciones.

Objetivo del estudio:

• Desarrollar un marco unificado para la cromatografía asistida por IA, permitiendo separaciones predictivas y programables.
• Demostrar la transformación de la cromatografía en una ciencia predictiva a través de la automatización, el aprendizaje automático y la transferencia entre métodos.

Principales métodos:

• Utilización de sistemas robóticos para la adquisición reproducible de datos en TLC y CC.
• Desarrollo de modelos de aprendizaje automático, incluidas redes neuronales gráficas para la enantioseparación, incorporando restricciones mecanicistas.
• Implementación de marcos multimodales para GC y cuantificación de la incertidumbre para HPLC.

Principales resultados:

• Creación de modelos predictivos transferibles que vinculan los valores R_f de TLC con los volúmenes de retención de CC.
• Predicción precisa de la retención en GC en condiciones dinámicas utilizando características moleculares y programas de calentamiento.
• Desarrollo de modelos conscientes de la quiralidad para la enantioseparación en HPLC, proporcionando probabilidades de separación.

Conclusiones:

• La cromatografía asistida por IA, que integra automatización y aprendizaje automático, mejora significativamente la precisión predictiva, la interpretabilidad y la transferibilidad entre métodos.
• Este marco unificado acelera el descubrimiento químico y mejora la reproducibilidad al permitir separaciones cromatográficas predictivas y programables.