绕过识别:MS2从MS2数据中使用非目标LC-HRMS检测到的化学品的度估计量
Helen Sepman1,2, Louise Malm1, Pilleriin Peets1
1Department of Materials and Environmental Chemistry, Stockholm University, Svante Arrhenius väg 16, 106 91 Stockholm, Sweden.
新的机器学习模型MS2Quant从质谱数据中预测污染物度. 该工具量化未识别的环境化学品,改善危险物质的风险评估和监测.
科学领域:
- 环境化学环境化学
- 分析化学 分析化学
- 计算化学计算化学
背景情况:
- 使用液体染色学高分辨率质谱法 (LC-HRMS) 的非目标分析对于检测环境污染物至关重要.
- 一个重大挑战是评估新发现的化学品的风险,因为大多数仍然未被确定.
- 准确的风险评估依赖于了解化学结构,这往往缺乏检测到的特征.
研究的目的:
- 开发一种机器学习模型,MS2Quant,用于从质谱 (MS2) 谱中预测化学度.
- 通过非目标查检测到的未识别化学品的量化.
- 改善环境污染物的风险评估和监测.
主要方法:
- 开发了MS2Quant,这是一个基于xgbTree的回归模型,用于1191种化学品的电离效率数据进行训练.
- 来自SMILES或MS2光谱的结构指纹的预测电离效率,使用SIRIUS+CSI:FingerID.
- 对39种环境污染物进行了验证的MS2Quant,将其性能与结构依赖模型进行比较.
主要成果:
- MS2Quant在训练和测试集上分别实现了0.55 (3.5×) 和0.80 (6.3×) 的日志单位的根平均平方误差.
- 该模型在验证污染物上显示了7.4×的平均预测误差,超过了结构依赖方法.
- MS2Quant允许提取以前未识别的化学品的暴露信息.
结论:
- MS2Quant有效量化了通过LC-HRMS检测到的未识别化学物质,克服了环境风险评估的一个主要限制.
- 该模型为发现和监测潜在的危险环境污染物提供了有价值的工具.
- MS2Quant可以作为一个R包,促进在环境科学中更广泛的应用.
更多相关视频
08:53Quantitative and Qualitative Method for Sphingomyelin by LC-MS Using Two Stable Isotopically Labeled Sphingomyelin Species
Published on: May 7, 2018
11:09An HS-MRM Assay for the Quantification of Host-cell Proteins in Protein Biopharmaceuticals by Liquid Chromatography Ion Mobility QTOF Mass Spectrometry
Published on: April 17, 2018
相关概念视频
2D NMR: Heteronuclear Single-Quantum Correlation Spectroscopy (HSQC)
High-Resolution Mass Spectrometry (HRMS)
Mass Spectrometry: Complex Analysis
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
High-Performance Liquid Chromatography: Types of Detectors
