Automated Gradient Optimization based on AI Algorithm for LC Method Development

Význam tématu

Liquidní chromatografie s gradientním elucí je zásadní nástroj pro separaci komplexních směsí biologicky aktivních látek. Optimalizace gradientu je obvykle náročný proces vyžadující opakované spouštění analýz a odbornou interpretaci, což zvyšuje časovou i pracovnou náročnost metodického vývoje.

Cíle a přehled studie / článku

Článek představuje případovou studii použití softwaru LabSolutions MD vybaveného AI algoritmem pro automatickou optimalizaci gradientních podmínek. Hlavní cíl spočívá v demonstrování automatizovaného nastavení gradientu pro simultánní analýzu 15 funkčních sloučenin (katechiny, theaflaviny a kyselina galová) bez nutnosti průběžného zásahu uživatele.

Použitá metodika a instrumentace

Pro experimenty byl použit systém Nexera X3 se sekvenčním podáváním mobile fáze A (0,2 % fosforečná kyselina ve vodě) a B (acetonitril), kolona Shim-pack GISS C18 (100 × 3,0 mm, 1,9 µm), teplota 55 °C, průtok 0,6 mL/min a objem injekce 5 µL. Detekce probíhala v rozsahu 240–280 nm. LabSolutions MD provádí počáteční nastavení pěti verzí lineárních gradientů (6–14 min), stanoví kritéria rozlišení (min. Rs = 1,5) a následně iteruje mezi měřením a automatickou úpravou profilu gradientu na základě AI algoritmu.

Hlavní výsledky a diskuse

Po úvodní analýze byly rozlišení mezi páry špiček C4/C5 a T3/T4 nedostatečná (Rs < 0,8). Algoritmus provedl čtyři korekční cykly, postupně upravil gradientní profily a nakonec dosáhl požadovaného rozlišení Rs > 1,5, dokonce až Rs > 2,9. Klíčovým krokem bylo zařazení isokratické fáze po 9 minutách, která umožnila separaci problematických párů špiček bez ručního zásahu.

Přínosy a praktické využití metody

• Zrychlení vývoje metodí zaměňující opakovanou ruční optimalizaci za automatickou iteraci.
• Snížení závislosti na expertních znalostech – i méně zkušení analytici mohou získat optimální separaci.
• Zvýšení konzistence a reprodukovatelnosti výsledků eliminací subjektivních rozhodnutí operátora.

Budoucí trendy a možnosti využití

• Využití pokročilého strojového učení pro predikci optimálních gradientů na základě rozsáhlých datových množin.
• Online optimalizace v reálném čase v rámci procesní analytické technologie (PAT) pro průmyslové výrobní linky.
• Rozšíření automatizace na jiné režimy chromatografie (HILIC, iontová chromatografie) a kombinace s hmotnostní spektrometrií.
• Vývoj ekologicky šetrných gradientů a minimalizace spotřeby organických rozpouštědel (green chromatografie).

Závěr

Automatizovaná AI optimalizace gradientu v LabSolutions MD významně zjednodušuje a urychluje vývoj chromatografických metod tím, že eliminuje potřebu kontinuálního expertního zásahu. Výsledkem jsou rychlejší, reprodukovatelné a konzistentní analytické postupy.

Reference

Žádné dostupné bibliografické odkazy.