Nature Methods· 2026Q1
Zamanlar değişiyor ama sıra önemli: küçük molekül sıvı kromatografisi alıkonma sürelerinin aktarılabilir tahmini
Times are changing but order matters: transferable prediction of small-molecule liquid chromatography retention times
- 6atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir iki adımlı yöntem olan '2-step', hedef sistem eğitim verisine ihtiyaç duymadan, farklı kromatografik koşullar ve bileşik sınıfları arasında küçük moleküllerin sıvı kromatografisi alıkonma sürelerinin aktarılabilir tahminini sağlıyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Sıvı kromatografisi alıkonma sürelerinin tahmini için iki adımlı '2-step' yöntemi tanıtılıyor.
- İlk adım, kromatografik koşulları dikkate alarak bir alıkonma sırası indeksi tahmin eder.
- İkinci adım, tahmin edilen indeksleri mutlak alıkonma sürelerine eşler.
- Hedef sistem eğitim verisi olmadan koşullar ve bileşik sınıfları arasında aktarılabilir tahmin sağlar.
- Hedef veri kümelerinde eğitilmiş olanlar da dahil olmak üzere mevcut yöntemlerden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Liquid chromatography is a predominant technology for the separation of small molecules. Hundreds of retention time prediction models have been published over the past decades, yet truly transferable prediction (requiring no training data from the target chromatographic system) remains an open challenge. Unfortunately, retention times may change massively, even for nominally identical chromatographic conditions. Retention order is considerably more conserved; but even retention order may change if chromatographic conditions vary. Here we present 2-step, a two-step method for the prediction of retention times in reversed-phase chromatography. In the first step, a machine-learning model predicts a retention order index, taking into account chromatographic conditions. In the second step, we map predicted indices to absolute retention times. Disentangling these two tasks finally enables transferable retention time prediction across chromatographic conditions and compound classes, without requiring any target-system training data. Our 2-step method outperforms existing methods that were trained on the target dataset. Finally, we systematically study what chromatographic conditions result in notable changes of retention order.
Yazarların özeti; kaynağından alınmıştır. Nature Methods, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Spektroskopi
SpectroscopyChemistry