Isotope modeling routines applied to empirical formula prediction

Význam tématu

Analýza přesné hmotnostní spektrometrie a predikce empirických vzorců je klíčová pro charakterizaci nových sloučenin v oblasti farmaceutického výzkumu, metabolitové identifikace a kvalitativní kontroly. Vysoká hmotnostní přesnost spolu s modelováním izotopových distribucí a fragmentačními informacemi MSn umožňuje výrazně zúžit počet kandidátních vzorců a zvýšit spolehlivost přiřazení.

Cíle a přehled studie

Hlavním cílem je představit nástroj pro predikci empirických vzorců, jenž kombinuje MS a MSn data s teoretickými izotopovými modely a sadou chemických pravidel. Studie demonstruje, jak přidání fragmentačních dat výrazně zvyšuje pravděpodobnost správného určení vzorce na příkladu farmaceutické knihovny sloučenin.

Použitá instrumentace

Analýzy byly provedeny na hybridním kvadrupólově-iontovém past-TOF hmotnostním spektrometru LCMS-IT-TOF (Shimadzu Corporation), který kombinuje kvadrupólový filtr, iontovou past pro MSn a TOF detektor pro vysokou hmotnostní přesnost a rozlišení.

Použitá metodika

Pro zpracování dat byly definovány tři etapy:

• Stage 1 – zpracování MS1 spektra: filtrace podle přesné hmotnosti, DBE, H/C poměru, pravidla N a dalších chemických filtrů.
• Stage 2 – zpracování MSn fragmentů: rekurzivní výpočet teoretických komplementových iontů a filtrování kandidatů na základě elementární skladby fragmentů.
• Stage 3 – izotopové přizpůsobení: least-squares porovnání experimentálních a teoretických izotopových profilů a výpočet iso skóre (0–100).

Hlavní výsledky a diskuse

Testování na malé knihovně farmaceutických sloučenin odhalilo, že použití pouze MS1 dat řadilo správný vzorec až na 16. pozici. Zapojením MSn fragmentačních dat se správný vzorec dostal na 1. místo. Výsledky potvrzují klíčovou roli vysoké hmotnostní přesnosti, kvality izotopového modelu a informační hodnoty fragmentačních iontů pro eliminaci falešných kandidátů.

Přínosy a praktické využití metody

Popisovaná metodika umožňuje:

• Výrazné zúžení seznamu možných vzorců.
• Zvýšení spolehlivosti identifikace empirického vzorce.
• Zrychlení analýzy nových chemických entit.

Je vhodná pro farmaceutické laboratoře, metabolomiku i QA/QC aplikace.

Budoucí trendy a možnosti využití

Očekává se širší integrace strojového učení pro pokročilou filtraci, rozšíření referenčních databází a využití ještě vyššího rozlišení FT-MS pro automatizovanou predikci empirických vzorců v komplexních matricích.

Závěr

Popsaný nástroj spojuje vysokou hmotnostní přesnost MS a MSn s izotopovým modelováním a chemickými pravidly, což vede k výraznému zvýšení pravděpodobnosti správné predikce empirického vzorce. Aplikace na farmaceutické příklady demonstruje jeho efektivitu a praktičnost.

Reference

• Ashton S., Gallagher R., Loftus N., Warrander J., Hirano I., Yamaguchi S., Mukai N. Isotope modeling routines applied to empirical formula prediction. Shimadzu Application Note C146-E090.