通过反相液态染色学的定量结构保留关系模型预测化合物的保留数据

科学领域:

• 分析化学 分析化学
• 计算化学计算化学

背景情况:

• 化合物在各种生物和工业应用中至关重要.
• 准确识别化合物往往依赖于复杂和昂贵的检测方法,如协同MS.
• 了解色谱中的保留行为是开发预测模型的关键.

研究的目的:

• 开发定量结构-保留关系 (QSRR) 模型,用于识别化合物.
• 探索紫外线检测与QSRR一起用于化合物识别的实用性.
• 建立能够减少对昂贵分析仪器的依赖的预测模型.

主要方法:

• 开发一种新的液态色谱 (LC) 方法,用于分离52种标准的化合物.
• 使用AlvaDesc软件计算每个化合物的5000多个分子描述符.
• 通过遗传算法选择相关的描述符来构建模型.
• 构建和验证部分最小方形 (PLS),多重线性回归 (MLR) 和PLS-人工神经网络 (PLS-ANN) 模型.
• 在真实世界样本 (贝加莫特果汁) 上测试模型的预测性.

主要成果:

• 通过使用精选的分子描述符和保留数据,成功构建了QSRR模型.
• 在PLS和PLS-ANN模型中,预测误差最小.
• PLS-ANN模型表现出在真实样本中识别化合物的卓越预测能力.
• 开发的模型有效地使用保留数据和紫外线检测来识别化合物,与MS检测相似.

结论:

• QSRR建模为基于色谱保留数据识别化合物提供了具有成本效益和强大的方法.
• 开发的PLS-ANN模型显示了常规分析的巨大潜力,减少了对先进质谱学的需求.
• 这种方法为研究人员和处理化合物分析的行业提供了宝贵的工具.