Modelos de aprendizaje automático multicon dición para comprender los mecanismos de retención y predecir el tiempo de...

Área de la Ciencia:

• Química Analítica
• Cromatografía
• Espectrometría de Masas

Sus antecedentes:

• La cromatografía de fluidos supercríticos (SFC) ofrece separaciones rápidas y eficientes debido a las propiedades únicas de la fase móvil.
• Comprender los mecanismos de retención de SFC es crucial para el desarrollo de métodos y la identificación de compuestos en SFC/Espectrometría de Masas (SFC/MS).

Objetivo del estudio:

• Desarrollar modelos precisos de predicción del tiempo de retención (RT) para cromatografía de fluidos supercríticos (SFC) en diversas condiciones.
• Dilucidar los mecanismos de retención subyacentes en SFC utilizando un enfoque integral basado en datos.

Principales métodos:

• Se entrenaron modelos de gradient boosting (GB) utilizando los RT de 1217 compuestos y 2285 descriptores moleculares en 51 condiciones cromatográficas.
• Se introdujeron descriptores del sistema (fase estacionaria, modificador, gradiente) para integrar modelos individuales en modelos predictivos multicon dición.
• Se utilizó el método de mínimos cuadrados parciales (PLS) y el efecto de combinación normalizado (nCE) para la interpretación del mecanismo de retención.

Principales resultados:

• Se logró una alta precisión predictiva para los tiempos de retención (RT) con valores de R² de 0.951 (G1) y 0.923 (G2), y bajos errores absolutos medios (MAE).
• Se identificaron diferencias significativas en los mecanismos de retención entre modificadores de fase móvil neutros y ácidos.
• Se cuantificó la importancia de los descriptores y su impacto en la retención en diversas fases estacionarias y condiciones.

Conclusiones:

• Se establecieron modelos robustos de predicción de RT multicon dición para SFC incorporando descriptores del sistema.
• Se proporcionó una comprensión integral de los mecanismos de retención de SFC.
• Se desarrolló un marco práctico para optimizar las condiciones analíticas de SFC y mejorar la identificación de compuestos.