积极学习改善了非目标LC/HRMS中的电离效率预测和量化.
Wei-Chieh Wang1, Nahid Amini2, Carolin Huber3
1Department of Chemistry, Stockholm University, Svante Arrhenius väg 16, 114 18 Stockholm, Sweden.
积极学习 (AL) 提高了利用机器学习进行化学定量化的电离效率 (IE) 预测. AL策略增强了数据采集,大大减少了预测错误,提高了复杂自然产品分析的准确性.
科学领域:
- 分析化学 分析化学
- 计算化学的计算化学
背景情况:
- 液体染色学电喷离子化高分辨率质谱学 (LC/ESI/HRMS) 对于非目标查 (NTS) 至关重要.
- 由于有限的化学标准和可变的化学反应,解释LC/ESI/HRMS数据具有挑战性.
- 机器学习 (ML) 模型可以预测化学定量化的电离效率 (IE),但在训练集之外的数据中遇到困难.
研究的目的:
- 评估积极学习 (AL) 策略,以改善ML模型中的IE预测.
- 通过优化数据采集,提高NTS中化学量化的准确性.
- 探索在有限的标签预算内有效扩展培训数据集的方法.
主要方法:
- 四种AL方法 (基于集群,基于不确定性,混合,反集群) 和随机基线被用于IE预测.
- 该研究的重点是获取信息数据点,以扩大ML模型的培训集.
- 在AL驱动的培训集扩张之前和之后,对Alpinia officinarum中的自然产品进行了量化准确性的评估.
主要成果:
- 在一次AL代后,观察到IE预测的根平均平方误差 (RMSE) 显著下降 (高达0.3日志单位).
- 基于集群的AL显示了最小的RMSE减少,而基于不确定性的AL在每次代更大的样本大小下不太实用.
- 通过AL扩大化学空间,自然产品的量化精度从4.13×的折叠误差提高到2.94×.
结论:
- 积极学习对于有效的化学空间探索和改进基于ML的IE预测至关重要.
- 选择AL策略会影响数据采集效率和预测准确度.
- 更新培训组化学空间覆盖对于提高复杂样本的量化准确性至关重要.
更多相关视频
06:20Irradiator Commissioning and Dosimetry for Assessment of LQ α and β Parameters, Radiation Dosing Schema, and in vivo Dose Deposition
Published on: March 11, 2021
09:08Enhancing Efficiency and Radiolabeling Yields of Carbon-11 Radioligands for Clinical Research Using the Loop Method
Published on: December 20, 2024
相关概念视频
Atomic Emission Spectroscopy: Lab
Inductively Coupled Plasma-Mass Spectrometry (ICP-MS): Interferences
Mass Analyzers: Common Types
Inductively Coupled Plasma Atomic Emission Spectroscopy: Principle
The ions and electrons produced interact with the fluctuating magnetic field created by a water-cooled...
Inductively Coupled Plasma–Mass Spectrometry (ICP–MS): Overview
Atomic Absorption Spectroscopy: Radiation and Light Sources
Two common narrow-range 'line' sources used in AAS are hollow-cathode lamps (HCLs) and...
