Comparison of High-Resolution Data Dependent MSMS Strategies for Best Precursor Coverage of Aqueous Film Forming Foam Formulations

Význam tématu

Aqueous film forming foam představuje klíčové hasivo proti požárům kapalných uhlovodíků. Obsahuje komplexní směs per- a polyfluorovaných látek (PFAS), jejichž identifikace a kvantifikace vyžaduje pokročilé analytické přístupy. Vysoké rozlišení hmotnostní spektrometrie s MSMS fragmentací zvyšuje důvěru v určení struktur PFAS a optimalizace akvizičních metod zlepšuje pokrytí a citlivost analýzy.

Cíle a přehled studie

Cílem studie bylo porovnat tři strategie akvizice MSMS založené na datově závislém sběru (DDA) pro dvě komerční formulace AFFF: starší F1 a novější F2. Testované přístupy zahrnovaly:

• iterativní vylučování (iterative exclusion) s až pěti injekcemi,
• chytrý předvolený seznam (smart preferred list) založený na rozsahu nominální hmotnosti a hmotnostního defektu pro jednorázovou injekci,
• kombinaci předvoleného seznamu a iterativního vylučování s pěti injekcemi.

Použitá metodika a instrumentace

Vzorky F1 a F2 byly naředěny 1:20 000 v poměru 70:30 voda:methanol. Separace probíhala na UHPLC sestavě se sorbentem Poroshell EC-C18 (2,1×100 mm) za použití gradientu methanolu a 5 mM amonného formiátu. Detekce se uskutečnila na hmotnostním spektrometru QTOF 6546 s rozlišením vysoké přesnosti. Pro zpracování dat byla využita aplikace Fluoromatch Flow ke skórování identifikací PFAS a porovnání s databází CompTox EPA.

Hlavní výsledky a diskuse

Iterativní vylučování poskytlo nejvyšší podíl identifikací s fragmentačními daty (přes 69 % kategorií A–C pro F1 při pěti injekcích) oproti 56 % u kombinované strategie a 50 % u jednorázového předvoleného seznamu. Pro formulaci F2 vykázalo pět iterativních injekcí 50 % identifikací >C, zatímco předvolený seznam dosáhl 36 %. Zlepšení bylo spojeno se schopností iterativního vylučování zacílit i na nízké intenzity a koelutující složky, které jednorázový seznam opomíjel kvůli užšímu rozsahu hmotnostního defektu.

Přínosy a praktické využití metody

Optimalizované DDA strategie umožňují laboratorním aplikacím zvýšit pokrytí PFAS v AFFF, zlepšit konfidenční hodnocení identifikací a snížit počet nutných reinjekcí. Iterativní vylučování je obzvláště užitečné tam, kde je složení neznámé a koncentrace jednotlivých složek výrazně variují.

Budoucí trendy a možnosti využití

Další směřování zahrnuje rozšíření kritérií pro generování předvolených seznamů PFAS, zdokonalení algoritmů pro automatické vylučování a integraci strojového učení při zpracování hmotnostních spekter. Využití širších databází a implementace nativních nástrojů pro úpravu akvizičních parametrů v reálném čase zvýší adaptabilitu metodiky.

Závěr

Iterativní vylučování datově závislého sběru MSMS prokázalo lepší pokrytí a konfidenci identifikace PFAS než jednorázový předvolený seznam. Kombinace obou přístupů může zlepšit výsledky, je však klíčové optimalizovat parametry fragmentace a rozsahy hmotnostního defektu.

Reference

• U.S. EPA Chemistry Dashboard PFASMASTER Chemicals, https://comptox.epa.gov/dashboard/chemical_lists (accessed 07/2021)
• Fluoromatch Flow v2.431 software, Innovative Omics, 2021
• Koelmel JP; Paige MK; Aristizabal-Henao JJ; Robey NM; Nason SL; Stelben PJ; Li Y; Kroeger NM; Napolitano MP; Savvaides T; Vasiliou PR; Garrett TJ; Lin E; Deigl C; Jobst K; Townsend TG; Pollitt KJG; Bowden JA Anal. Chem. 2020, 92, 11186–11194