基于预测毒性类别的未知LC-HRMS特征的优先级

科学领域:

• 环境化学环境化学
• 分析化学是一种分析化学.
• 毒理学 毒理学 毒理学

背景情况:

• 液体染色学与高分辨率质谱学 (LC-HRMS) 结合,可以对复杂的环境样本进行非目标分析 (NTA).
• 鉴定NTA中的单个成分是具有挑战性的,因为大量的检测特征.
• 优先级策略对于在环境样本分析中专注于相关特征至关重要.

研究的目的:

• 为环境样本分析制定新的优先级策略,直接将碎片化和染色学数据与水生毒性类别联系起来.
• 为了绕过对个体化合物进行毒性评估的完全识别的需要.
• 从LC-HRMS数据创建可靠的模型来预测水生有毒性类别.

主要方法:

• 开发了一个随机森林分类 (RFC) 模型,使用MS1,保留和碎片化数据 (累积中性损失 - CNLs) 进行毒性预测,当碎片化数据可用时.
• 开发了一个核心密度估计 (KDE) 模型,在缺少碎片化信息的情况下,仅使用保留时间和MS1数据.
• 在茶叶提取物中的农药混合物上使用LC-HRMS评估模型性能.

主要成果:

• 无论是RFC还是KDE模型,都表现出与基于结构的预测方法可比的准确性.
• 基于CNL的RFC模型在现实应用中实现了0.76的准确性.
• 在KDE模型取得0.61的准确性,证明其实用性,当碎片化数据是有限的.

结论:

• 开发的优先级策略有效地将LC-HRMS数据与水生有毒性类别联系起来,而不需要化合物识别.
• 这些模型提供了一种强大而有效的方法,用于环境样本分析中优先考虑特征.
• 这些模型在实际应用中表现出强的性能,增强了对复杂环境矩阵的研究.