KI SpotlightNewsKI-Methode sagt Retentionszeiten kleiner Moleküle systemübergreifend voraus
Forscher aus Jena, München und Garching veröffentlichen in Nature Methods eine zweistufige Architektur, die ohne systemspezifische Kalibrierung auskommt.
Mit KI erstellt◆ Fakten auf einen Blick
- Forscher der Friedrich-Schiller-Universität Jena, des Helmholtz Zentrums München und der TU München haben eine neue Machine-Learning-Methode zur Vorhersage von Retentionszeiten kleiner Moleküle entwickelt.
- Die Methode wurde in der Fachzeitschrift Nature Methods veröffentlicht.
- Die neue Methode verwendet eine zweistufige Architektur mit einem directional message-passing neural network und feed-forward layers, die chromatographische Parameter verarbeiten und einen Retention Order Index erzeugen.
- Traditionelle Modelle zur Retentionszeitvorhersage erforderten eine systemspezifische Kalibrierung mit Standardsubstanzen des Zielsystems; die neue Methode umgeht diese Einschränkung.
- Retentionszeiten in der Flüssigchromatographie hängen von Faktoren wie Säulenhardware, Lösungsmittelzusammensetzung, pH-Wert, Temperatur und Schlauchdimensionen ab.
- Es existieren bereits andere ML-Modelle zur Retentionszeitvorhersage, darunter ChemProp, AttentiveFP, XGBoost, DeepChem, Retip, OPERA-RT, ACD/ChromGenius und FUSE-RT.
Neue ML-Methode sagt Retentionszeiten systemübergreifend voraus
Forscher der Friedrich-Schiller-Universität Jena, des Helmholtz Zentrums München und der TU München haben eine neue Machine-Learning-Methode entwickelt, die chromatographische Retentionszeiten kleiner Moleküle systemübergreifend vorhersagt. Die in Nature Methods veröffentlichte Arbeit adressiert ein langjähriges Problem: Retentionszeiten hängen stark von Säulenhardware, Lösungsmittelzusammensetzung, pH-Wert und Temperatur ab, sodass bisherige Modelle eine aufwändige Kalibrierung mit Standardsubstanzen des jeweiligen Zielsystems benötigten.
Zweistufige Architektur umgeht Kalibrierung
Die Neuheit liegt in einer zweistufigen Architektur: Ein directional message-passing neural network kodiert die Molekülstruktur, während feed-forward layers chromatographische Parameter verarbeiten. Gemeinsam erzeugen sie einen Retention Order Index, der Moleküle relativ zueinander ordnet statt absolute Zeiten vorherzusagen. Da dieser Index unabhängig von systemspezifischen Schwankungen ist, entfällt die bisher notwendige Kalibrierung – die Methode ist damit direkt über verschiedene chromatographische Systeme hinweg einsetzbar.
