预测离子移动性碰撞截面,并通过结合传统和数据驱动建模来评估预测变化
Robbin Bouwmeester1, Keith Richardson2, Richard Denny2
1VIB-UGent Center for Medical Biotechnology, Ghent, Belgium; Department of Biomolecular Medicine, Ghent University, Ghent, Belgium.
Talanta
|April 15, 2024
概括
一种新的机器学习 (ML) 方法准确地预测小分子的碰撞横截面 (CCS) 值. 这种方法增强了复杂混合物中的分子识别,并提高了使用分子建模 (MM) 的预测准确性.
科学领域:
- 分析化学 分析化学
- 计算化学的计算化学
- 分子建模分子建模
背景情况:
- 来自离子流动性的碰撞横截面 (CCS) 值对于复杂混合物的分子表征至关重要.
- 准确的CCS预测有助于识别和区分类似分子,特别是同位素.
研究的目的:
- 开发一种基于机器学习 (ML) 的新方法来预测CCS值.
- 将分子建模 (MM) 与ML集成,以提高CCS预测的准确性.
- 改进复杂混合物中化合物的识别,特别是异基分析剂.
主要方法:
- 开发了一个新的机器学习 (ML) 模型,集成分子建模 (MM) 技术.
- 经过ML模型的训练和验证,该模型可以预测单充电小分子的CCS值.
- 研究了电荷定位,CCS预测准确度和气相质子亲和力之间的相关性.
主要成果:
- 基于ML的方法准确地预测了广泛的小分子的CCS值.
- 该模型与现有方法相比表现出更高的性能,改善了同位素分析物识别的排名和概率分配.
- 发现电荷定位与CCS预测准确性相关,这表明潜在的错误代理.
结论:
- 开发的ML方法为CCS值的准确计算预测提供了显著的进步.
- 这种方法提高了复杂分析样本中分子识别的可靠性.
- 这些发现为化学分析中计算衍生的CCS值的更广泛应用铺平了道路.
更多相关视频
16:40T-wave Ion Mobility-mass Spectrometry: Basic Experimental Procedures for Protein Complex Analysis
Published on: July 31, 2010
24.6K
11:04Ion Mobility-Mass Spectrometry Techniques for Determining the Structure and Mechanisms of Metal Ion Recognition and Redox Activity of Metal Binding Oligopeptides
Published on: September 7, 2019
9.2K
