机器学习预测和校准基于纤维素的固相提取性能通过水性矩阵的药品

科学领域:

• 环境化学环境化学
• 分析化学 分析化学
• 化学测量 化学测量 化学测量

背景情况:

• 基于纤维素的固体相提取 (SPE) 对复杂水样中的微量药物缩具有前景.
• 这些方法的跨实验室转移受到实验设计和矩阵效应的变化所阻碍.

研究的目的:

• 评估基于纤维素的微量药物的SPE机器学习模型的预测性能.
• 确定影响提取效率和检测极限的关键方法和矩阵描述符.
• 为可辩护的本地验证和方法转移提供指导.

主要方法:

• 来自36份报告 (2015-2025) 的637个实验的系统审查和元分析.
• 使用ElasticNet (EN),XGBoost (XGB) 和随机森林回归器 (RFR) 进行建模,具有29个方法/矩阵描述符.
• 嵌套交叉验证与符合性预测,以估计研究之外的性能和恢复的置信区间,矩阵恢复率 (MRR),丰富系数 (EF),检测限度 (LOD) 和量化限度 (LOQ).

主要成果:

• 弹性网络 (EN) 证明了对灵敏度终点的优异预测:EF (R2=0.99999),LOD (R2=0.99985),和LOQ (R2=0.99914).
• 随机森林 (RF) 显示了恢复和MRR的最强相关性,但预测能力仍然很弱 (R2 ≈-0.52和-1.03分别).
• 预测性能因矩阵类型而异,特别是对于废水和河流样本.

结论:

• 机器学习,特别是ElasticNet,可以准确地预测基于纤维素的SPE用于微量药物分析的性能.
• 方法和矩阵描述符对于可靠的预测和成功的方法转移至关重要.
• 从模型对比得出的决策地图为优化SPE协议和验证提供了实际指导.