通过GCxGC-HRT和机器学习辅助数据处理对消费品进行快速选

科学领域:

• 环境化学环境化学
• 分析化学 分析化学
• 毒理学 毒理学 毒理学

背景情况:

• 个人护理产品 (PCP) 是人类暴露于各种化学物质的重要来源.
• 评估PCP的化学物质暴露需要有效和准确的分析方法.
• 许多PCP中的潜在有害化合物在成分标签上没有完全披露.

研究的目的:

• 开发和应用一种高通量选方法,用于分析PCP中的化学成分.
• 在广泛的PCP中识别和量化令人担忧的化合物,包括刺激物,有毒物和内分泌干扰物.
• 评估机器学习 (ML) 化学分析程序的有效性,并将其与传统方法进行比较.

主要方法:

• 在五个类别中快速提取67个PCP.
• 使用二维气体染色学 (GCxGC) 高分辨率质谱法 (GCxGC-HRT) 选嫌疑人.
• 使用机器学习程序 (亮点) 进行自动化数据处理的分析,包括背景减去,对齐和代集成.
• 开发基于ML的算法,用于评估检测到的化合物的识别可靠性.

主要成果:

• 对67个PCP的分析确定了2,195个化合物组和43,713个个体检测.
• 确定了101种令人担忧的化合物,包括轻度刺激物 (29%),环境毒素/严重刺激物 (51%),内分泌干扰化学品/致癌物 (20%).
• 在69%的产品中发现了高风险化合物 (甲酸盐,帕拉宾,阿沃),只有7%的产品在标签上列出了它们.
• 机器学习程序Highlight检测到的个体检测比商业软件多5.3%,处理时间减少了97.4%.

结论:

• 使用GCxGC-HRT和ML分析的高通量选有效地识别了PCP中广泛的化学物质.
• 在检测到的危险化合物和标记的成分之间存在重大差异,表明潜在的消费者暴露风险.
• 开发的ML工具为化学暴露评估提供了分析效率和化合物检测灵敏度的大幅提高.