克洛洛DBPFinder:来自非目标LC-HRMS分析的化消毒副产品的机器学习引导识别
Tingting Zhao1, Nicholas J P Wawryk2, Shipei Xing1
1Department of Chemistry, Faculty of Science, University of British Columbia, Vancouver Campus, 2036 Main Mall, Vancouver, British Columbia V6T 1Z1, Canada.
Analytical chemistry
|January 31, 2024
概括
一种新的机器学习方法准确地识别和量化水中的含消毒副产品 (Cl-DBPs). 这种方法增强了使用高分辨率质谱法 (HRMS) 分析复杂的环境样本的分析.
科学领域:
- 环境化学环境化学
- 分析化学 分析化学
- 计算化学的计算化学
背景情况:
- 高分辨率质谱仪 (HRMS) 对于鉴定化消毒副产品 (Cl-DBPs) 的特征至关重要.
- 传统方法在环境样本中对各种Cl-DBPs的HRMS数据的复杂性和可变性进行斗争.
研究的目的:
- 开发一种新的机器学习策略,用于准确识别和量化Cl-DBPs.
- 创建一个用户友好的R包,ChloroDBPFinder,用于处理LC-HRMS数据并识别含有Cl的化合物.
主要方法:
- 一个具有两个随机森林模型的层次机器学习框架:用于Cl检测的二进制分类器和用于Cl数注释的多类分类器.
- 模型训练使用PubChem的140万个分子公式和NIST20的14000多个独特分子公式的评估.
- 将训练模型集成到ChloroDBPFinder R包中,以简化LC-HRMS数据处理.
主要成果:
- 机器学习模型在识别含有Cl的分子公式方面达到93.3%的准确率,在注释原子数量方面达到92.9%的准确率.
- ChloroDBPFinder成功地从阿斯巴甜化数据中提取了159个含Cl的DBP特征,并暂时确定了10个Cl-DBP.
- 对化基物质的应用产生了79种高质量的Cl-DBPs,并对6种化合物进行了初步鉴定.
结论:
- 拟议的机器学习策略和ChloroDBPFinder为在非目标水样分析中识别含有Cl的化合物提供了先进的解决方案.
- 这种方法显著提高了复杂环境矩阵中Cl-DBP识别的准确性和效率.
- ChloroDBPFinder R包在GitHub上免费提供,促进了该领域的更广泛采用和研究.
更多相关视频
11:00Untargeted Metabolomics from Biological Sources Using Ultraperformance Liquid Chromatography-High Resolution Mass Spectrometry UPLC-HRMS
Published on: May 20, 2013
22.5K
05:46Identification of Pharmaceuticals in The Aquatic Environment Using HPLC-ESI-Q-TOF-MS and Elimination of Erythromycin Through Photo-Induced Degradation
Published on: August 1, 2018
13.1K
