深度PFAS:通过深度学习实现 PFAS 的快速注释:通过光谱编码和潜在空间分析增强非目标选

科学领域:

• 环境化学环境化学
• 分析化学 分析化学
• 人工智能的人工智能

背景情况:

• 由于化学多样性,复杂的矩阵和微量水平,检测Per-和多基物质 (PFAS) 是一个挑战.
• 像LC-HRMS这样的现有方法面临着污染,劳动力,检测限制和数据处理等问题.
• 一种通用PFAS检测方法受到背景污染和大量化合物的阻碍.

研究的目的:

• 在复杂样本中开发一种快速有效的PFAS注释方法.
• 克服目前用于PFAS分析的LC-HRMS技术的局限性.
• 利用人工智能来简化大规模的非目标PFAS查.

主要方法:

• 开发了DeepPFAS,这是一种用于PFAS注释的深度学习方法.
• 采用了带有卷积和变压器架构的光谱编码器.
• 将原始的MS2光谱投射到化学结构特征的潜在空间中.

主要成果:

• 通过将潜伏表征与候选分子进行比较,DeePFAS使MS2光谱的有效注释成为可能.
• 该方法简化了大规模的非目标PFAS查.
• 减少了PFAS检测中的分析复杂性.

结论:

• 迪帕斯 (DeePFAS) 展示了人工智能在环境化学中的潜力,用于PFAS分析.
• 深度学习方法为PFAS识别提供了更快,更有效的替代方案.
• 这种方法可以帮助克服目前在PFAS检测和查方面的障碍.