Identification of Unknowns by GC-MS and LC-MS Using NIST Search with Commercial and User Libraries

Význam tématu

Identifikace neznámých sloučenin pomocí GC-MS a LC-MS je klíčová pro výzkum, vývoj, kontrolu kvality a řešení environmentálních událostí ve velkých chemických provozech. Rychlá a spolehlivá analýza usnadňuje detekci potenciálních znečišťujících látek, optimalizaci výrobních procesů a minimalizaci rizik spojených s nežádoucími úniky či únavou materiálu.

Cíle a přehled studie / článku

Prezentace popisuje implementaci softwaru NIST Search a vlastní korporační knihovny ve společnosti Eastman Chemical. Cílem je shrnout postupy při identifikaci neznámých vzorků, organizaci centralizované laboratoře MS expertů, školení uživatelů v pobočkách a kontinuální rozšiřování a validaci knihoven spekter.

Použitá metodika a instrumentace

Metodika spočívá v automatickém vyhledávání spekter EI a MS/MS proti komerčním (NIST20, Wiley) a uživatelským knihovnám (Eastman, MoNA). Klíčovými nástroji jsou:

• GC-MS a LC-MS přístroje (cca 50 analyzátorů síťově propojených po celém světě)
• Software NIST Search pro standardní i hybridní vyhledávání
• Moduly pro analýzu neutrálních úbytků a hybridní skóre
• Centrální MS laboratoř s možností přesného měření hmotnosti, chemické ionizace a pokročilých přípravných technik

Hlavní výsledky a diskuse

Velké korporační knihovny (>60 000 EI i >3 000 MS/MS spekter) doplňované denně uživatelskými přídavky významně rozšiřují šance na identifikaci nových nebo málo běžných látek. Hybridní vyhledávání spojuje standardní skóre s porovnáním neutrálních úbytků, odhaluje podobné modelové sloučeniny a vypočítává DeltaMass, což pomáhá při určování strukturálních modifikací. Uživatelé s menší praxí tak získávají rychlé a přesné návrhy identity i bez hluboké MS expertízy.

Přínosy a praktické využití metody

• Rychlá detekce a lokalizace zdrojů úniků či kontaminací ve výrobních areálech
• Školení a samoobsluha vzdálených laboratoří s podporou centrálních expertů
• Využití korporační knihovny jako pomůcky, nikoli absolutní pravdy – zvýšená flexibilita a adaptabilita
• Minimalizace nákladů na externí analýzy a zkrácení doby pro rozhodovací procesy

Budoucí trendy a možnosti využití

Další rozvoj směřuje k automatizovanému získávání spekter nových derivátů (Me, TFA, TMS atd.), podpoře infuzního MS/MS při různých energiích, aplikaci přesné hmotnostní analýzy pro lepší korelaci fragmentů ke struktuře a k využití umělé inteligence pro predikci a interpretaci spekter. Rozvoj crowdsourcingu (MoNA) a strojového učení přinese rychlejší rozšíření a validaci knihoven.

Závěr

Implementace NIST Search s komerčními i vlastními knihovnami přináší silný nástroj pro identifikaci neznámých látek, který kombinuje jednodušší použití pro méně zkušené operátory s pokročilými možnostmi hybridního vyhledávání pro MS experty. Pravidelné rozšiřování a školení zajišťuje vysokou úroveň služeb v celosvětové síti laboratoří.

Reference

1. Little J. Importance of NIST Search at Eastman.
2. Little J. Eastman General Approach for Unknown Identification.
3. Little J. Free Training Courses GC-MS and LC-MS Unknown Identification with NIST Search.
4. Stein S., Tchekhovskoi D. EI Hybrid Search Method.
5. Stein S., Mirokhin Y. Tandem Hybrid Search Method.
6. Moorthy A. NIST Pipeline for EI and MS/MS Library Improvement.
7. Howard A., Cleven C. MS Interpreter for EI Spectrum Correlation.
8. Howard A., Cleven C. MS Interpreter for MS/MS Spectrum Correlation.
9. Stein S. DeltaMass Table for Hybrid Search Values.
10. MoNA Consortium. MassBank of North America.