新的 MS/MS 技術改進了化合物表徵
Purdue University的研究人員開發了一種將機器學習概念應用於串聯質譜 (MS/MS) 過程的新方法,以改進許多領域中復雜混合物的表徵,包括蛋白質組學和藥物發現。
“質譜在藥物發現和開發中發揮著不可或缺的作用,”上週發表在《化學科學》上的一篇論文的高級作者高拉夫喬普拉說 。“這裡介紹的帶有少量正面和負面訓練數據的自舉機器學習的具體實施將為成為化學家自動表徵化合物的日常活動的主流鋪平道路。”
喬普拉 表示,用於化學科學的機器學習領域存在兩個主要問題。所使用的方法不提供對算法做出的決策的化學理解,並且新方法通常不用於進行盲目實驗測試,以查看所提出的模型在化學實驗室中使用是否準確。“我們已經解決了這兩個項目的方法,該方法具有異構體選擇性,並且在化學科學中非常有用,可以表徵複雜混合物、識別化學反應和藥物代謝物,以及蛋白質組學和代謝組學等領域,”喬普拉說。
Purdue University的研究人員創建了統計上穩健的機器學習模型,以使用較少的訓練數據——一種對藥物發現有用的技術。該模型著眼於一種常見的中性試劑——稱為 2-甲氧基丙烯 (MOP)——並預測化合物如何在串聯質譜儀中與 MOP 相互作用,以獲得化合物的結構信息。
“這是第一次將機器學習與診斷氣相離子分子反應相結合,這是一個非常強大的組合,引領了對有機化合物進行全自動質譜鑑定的道路,”合著者 Hilkka Kenttämaa 說. “我們現在正在向這種方法中引入許多新試劑。”