通过基于机器学习的保留时间预测,提高对嫌疑人和非目标查的复合信心

科学领域:

• 分析化学 分析化学
• 环境科学 环境科学
• 计算化学计算化学

背景情况:

• 在非向查 (NTS) 中,保留时间 (RT) 对于使用液态染色学高分辨率质谱法 (LC-HRMS) 识别新兴关注污染物 (CEC) 至关重要.
• 准确的RT预测有助于数据库匹配,并提高了CEC的NTS分析的可靠性.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测NTS分析中CEC的RTs.
• 在复杂的环境样本中提高CEC识别的可靠性和效率.

主要方法:

• 评估了多个ML模型,包括随机森林,XGBoost,支持向量回归 (SVR) 和人工神经网络 (ANN).
• 使用分子指纹和化学描述符进行模型培训,符合1051 CEC标准.
• 通过实验室NTS化合物表征和对废水处理厂样本的应用来验证最佳SVR模型.

主要成果:

• 使用化学描述符的SVR模型实现了高预测精度 (R2ext = 0.850,r2 = 0.925).
• 在废水样本中成功识别了40个S1和234个S2级CEC.
• 对S2化合物的预测RT,以高可靠性分类153 (ΔRT<2分钟).

结论:

• 开发的ML模型通过提供强大的RT预测,显著增强NTS分析.
• 这种工作流改善了复合信心水平的确定,有助于识别CEC.
• 技术技术预测模型是提高环境监测分析能力的宝贵工具.