通过在线全面的二维液态染色学-四极点飞行时间质谱学,加上逐步获取工作流程和多变量数据挖掘,系统地对州化囊进行多元组件分析

科学领域:

• 分析化学 分析化学
• 计算化学计算化学
• 自然产品化学 自然产品化学

背景情况:

• 描述复杂的自然产品需要先进的分析技术.
• 传统方法可能缺乏全面分析的灵敏度和吞吐量.
• 州化囊 (XRC) 是一种复杂的传统医药,需要详细的化学分析.

研究的目的:

• 开发和验证深度学习辅助的工作流程,用于复杂的自然产品的系统化学表征.
• 使用2D-LC-Q-TOF-MS.提高化学成分分析的效率,灵敏度和吞吐量.
• 为了全面描述州破裂囊 (XRC) 的化学成分.

主要方法:

• 优化二维液态色谱 (2D-LC) 系统,以获得最大的正交度和峰值容量.
• 开发一个深度学习质量缺陷过器 (MDF),用于生成首选离子列表 (PIL).
• 实施由PILs指导的逐步数据依赖采集 (DDA) 和多窗口数据独立采集 (DIA) 模式.
• 利用分子网络来可视化和分类已识别的化合物.

主要成果:

• 在XRC中初步识别了191种化合物,包括类,黄类,酸和类.
• 成功应用深度学习用于智能分类和生成首选离子列表.
• 通过逐步获取策略和排除技术实现了更高的灵敏度和吞吐量.
• 通过多窗口 DIA 获取来促进低和高丰度离子的全面覆盖.

结论:

• 开发的深度学习辅助工作流 (DPM) 提供了一种高效,强大的方法来获取和详细描述复杂的自然产品.
• 这种方法显著改善了像XRC.这样的传统药物中化学成分的系统分析.
• 深度学习,引导获取和分子网络的整合为自然产品研究提供了强大的工具.