کروماتوگرافی گازی – طیف سنجی تحرک یونی (GC-IMS) نقش مهمی در هر دو تحلیل هدفمند و غیر هدفمند ایفا می کند. با این حال، رفتار غیرخطی IMS و شیمی یونی پیچیده آن، چالش هایی را برای یافتن شرایط بهینه آزمایشی با استفاده از روش های موجود ایجاد می کند. برای حل این مشکلات، ادغام استراتژی های یادگیری ماشین (ML) رویکردی امیدوارکننده ارائه می دهد. در این مطالعه، ما یک استراتژی ترکیبی را پیشنهاد می کنیم که طراحی آزمایش (DOE) و یادگیری ماشین (ML) را برای بهینه سازی شرایط GC-IMS در تجزیه و تحلیل غیر هدفمند ترکیبات فرار / عطر و طعم، با ترکیبات فرار زعفران به عنوان یک مطالعه موردی، ترکیب می کند. برای شروع، یک طرح مرکب مرکزی محاط شده چرخان (CCD) برای تعریف پنج عامل موثر GC-IMS از جمله مقدار نمونه، دمای فضای بالای سر، زمان انکوباسیون، حجم تزریق و نسبت تقسیم استفاده می شود. در ادامه، دو مدل ML مورد استفاده قرار می گیرند: رگرسیون خطی چندگانه (MLR) به عنوان یک مدل خطی و شبکه عصبی مصنوعی با تنظیم بیزی (BR-ANN) به عنوان یک مدل غیرخطی. این مدل ها برای پیش بینی متغیرهای پاسخ از جمله مساحت کل قله ها (PAs) و تعداد قله های شناسایی شده (PNs) در GC-IMS به کار گرفته می شوند. یافته ها نشان می دهد که بین عوامل در GC-IMS و PNs همبستگی مستقیم وجود دارد، که نشان می دهد MLR رویکرد مناسبی برای ساختن یک مدل در این طرح است. با این حال، PAs رفتار غیرخطی از خود نشان می دهد، که نشان می دهد BR-ANN برای درک این پیچیدگی مناسب تر است. قابل توجه است که تابع مطلوبیت Derringer برای ادغام PAs و PNs استفاده می شود و در این سناریو، MLR عملکرد رضایت بخشی در مدل سازی عوامل GC-IMS نشان می دهد.
- عنوان: متابولومیک فاز گازی فوق‌شارژ در سطح میزکار آزمایشگاه: چگونه طراحی آزمایش مبتنی بر یادگیری ماشین به بهینه‌سازی متابولومیک غیرهدفمند با کروماتوگرافی گازی-طیف‌سنجی تحرک یونی کمک می‌کند
- Title: Benchtop volatilomics supercharged: How machine learning based design of experiment helps optimizing untargeted GC-IMS gas phase metabolomics
- URL: https://www.sciencedirect.com/science/article/abs/pii/S003991402400167X?via%3Dihub
- DOI URL: https://doi.org/10.1016/j.talanta.2024.125788
- عنوان مقاله: ترکیبات شیمیایی
- محور مقاله: نوآوری در محصولات فناورانه
- افیلیشن نویسنده مسئول: Department of Chemistry, Sharif University of Technology, P.O. Box 11155-9516, Tehran, Iran - Institute for Instrumental Analytics and Bioanalytics, Mannheim University of Applied Sciences, 68163, Mannheim, Germany p.weller@hs-mannheim.de
- سال انتشار مقاله: 2024
- زبان: انگلیسی
- کشور: ایران
- کد مقاله: 18402
- کلمات کلیدی فارسی: طیف سنجی تحرک کروماتوگرافی گازی-یون (GC-IMS)، استراتژی های یادگیری ماشین (ML)، مطالعه موردی، فرار زعفران، شبکه عصبی منظم- مصنوعی بیزی (BR-ANN)
- کلمات کلیدی انگلیسی: Gas chromatography-ion mobility spectrometry (GC-IMS), machine learning (ML) strategies, case study, saffron volatiles, Bayesian regularized-artificial neural network (BR-ANN)
- لینک کوتاه: https://wikisaffron.org?p=18402