VYUŽITÍ MODERNÍCH VÝPOČTOVÝCH METOD A NEURONOVÝCH SÍTÍ K OPTIMALIZACI METODY PRO LC/MS/MS ANALÝZU VOJENSKY VÝZNAMNÝCH ORGANOFOSFOROVÝCH LÁTEK

Význam tématu

Analýza nervově paralytických organofosforových látek představuje klíčový úkol jak ve vojenské, tak ve forenzní praxi. Tradiční optimalizace LC/MS/MS metod je časově náročná a spotřebovává značné množství vzorku a chemikálií. Kombinace kvantově-chemických výpočtů (DFT) se strojovým učením otevírá cestu k rychlé identifikaci optimálních podmínek měření, úspoře času a zvýšení citlivosti detekční metody.

Cíle a přehled studie

Cílem práce bylo navrhnout a ověřit přístup, který využívá neuronové sítě trénované na datech získaných LC/MS/MS měřením standardních organofosforových látek (A-234, VX, R-33 a tributylfosfát). Neuronová síť měla na základě základních fyzikálně-chemických deskriptorů molekul (DFT) a nastavených parametrů chromatografie predikovat podmínky (obsah organiky, průtok, intenzitu plynu) vedoucí k maximálnímu signálu prekurzorového iontu.

Použitá metodika a instrumentace

DFT analýza:

• Výpočet energetické polohy orbit HOMO a LUMO, dipólového momentu a entropie.

Analytická instrumentace:

• Kapalinový chromatograf Ultimate 3000 (Thermo Scientific) s C18 kolonou Accucore 2,1 × 150 mm, 2,6 µm.
• Hmotnostní detektor LTQ XL s ESI ionizací.
• Mobilní fáze voda/acetonitril, modulátory: kyselina mravenčí, octová a trifluoroctová.

Neuronová síť:

• Implementace v MATLAB Deep Learning Toolbox.
• Topologie: 7 vstupů (3 chromatografické + 4 DFT deskriptory), jedna skrytá vrstva (50 neuronů), aktivační funkce tangens hyperbolický, výstupní jednotka intenzita signálu.
• Trénink Bayesovskou regulací na 396 experimentech, validace ≥ 98 % úspěšnosti.

Hlavní výsledky a diskuse

Model umožnil nastavit podmínky analýzy s jemným rozlišením interpolací, což vedlo ke klíčovým zjištěním:

• Zvýšení detekční citlivosti až o 1080 % proti rutinnímu nastavení.
• Mez stanovitelnosti na úrovni jednotek femtogramů na mikrolitr.
• Optimální parametry pro A-234: 33 % acetonitrilu, průtok 105 µl/min, ShGFR 28 arb.
• Vliv modifikace kyselinami: formiová +23 % signálu, octová +36 %, TFA −37 %.
• Kinetika hydrolýzy A-234 v mobilní fázi: poločas 4 h 49 min, vliv na analýzu zanedbatelný.
• Fragmentační mapování A-234 ověřilo shodu s literárními daty a umožnilo rozšířit knihovnu MS/MS spekter.

Přínosy a praktické využití metody

Navržený postup podporuje rychlou a systematickou optimalizaci LC/MS/MS metodik pro ultrastopovou detekci toxických organofosforů. Metoda je vhodná pro univerzální použití v polních i stacionárních laboratořích ozbrojených sil, forenzních centrech nebo v QA/QC laboratořích chemického průmyslu.

Budoucí trendy a možnosti využití

Další rozvoj lze očekávat v integraci pokročilých strojových algoritmů (hluboké neuronové sítě, reinforcement learning) s vysoce výkonnými kvantově-chemickými simulacemi. Rozšíření na jiné analytické platformy či reakční modelování otevře nové perspektivy v rychlém vývoji metodiky i ve výzkumu reaktivity a stability chemických zbraní.

Závěr

Prokázali jsme, že spojení DFT deskriptorů a strojového učení významně zrychluje a zpřesňuje optimalizaci LC/MS/MS metod pro vojákům relevantní organofosfáty. Přístup šetří vzorek i činidla, umožňuje ultra­citlivou detekci a lze jej snadno adaptovat pro další cílové látky.

Reference

1. Bajgar J.: Adv. Clin. Chem. 38, 151 (2004).
2. Lüllmann H., Mohr K., Wehling M.: Farmakologie a toxikologie. Grada Publishing, Praha (2002).
3. Středa L.: Fenomén jménem Novičok. Tribun EU, Praha (2022).
4. UN General Assembly Security Council: Report of the United Nations Mission to investigate allegations of the use of chemical weapons in the Syrian Arab Republic on 21 August 2013, A/67/997–S/2013/553 (2013).
5. OPCW: Report of the OPCW fact-finding mission in Syria regarding alleged incidents in Ltamenah, Ayrian Arab Republic 24–25 March 2017, S/1636/2018 (2018).
6. Stone R.: Science 359, 1314 (2018).
7. Vale J., Marrs A. T. C., Manynard R. L.: Clin. Toxicol. 56, 1093 (2018).
8. Nepovidomova E., Kuča K.: Arch. Toxicol. 93, 11 (2019).
9. Halámek E., Kobliha Z.: Chem. Listy 105, 323 (2011).
10. Hoenig S.: Compendium of Chemical Warfare Agents. Springer, New York (2007).
11. Ellison D. H.: Handbook of chemical and biological warfare agents, 2 vyd. CRC Press, Florida (2007).
12. Mirzayanov V. S.: Russian Chemical Weapons Program: An Insider's Chronicle. Outskirts Press, Denver (2009).
13. Carlsen L.: Mol. Inf. 38, 8 (2019).
14. Husaini M. A. B.: Int. J. Recent Technol. Engineering 8, 3706 (2019).
15. Üstün E. et al.: J. Organomet. Chem. 815, 16 (2018).
16. Pach C. et al.: Comput. Ind. 65, 706 (2014).
17. Atilgan A. et al.: J. Mol. Struct. 1161, 55 (2018).
18. Bhakhoa H., Rhyman L., Ramasami P.: R. Soc. Open Sci. 6, 2054 (2019).
19. Khalfa A. et al.: J. Phys. Chem. A 119, 10527 (2015).
20. Li X. et al.: J. Phys. Chem. A 113, 10335 (2015).
21. Oudejans L.: EPA/600/S-19/074. US EPA, Washington DC (2019).
22. Lee J. Y., Lee Y. H.: J. Anal. Chem. 69, 909 (2014).
23. Tsuchihashi H. et al.: J. Anal. Toxicol. 22, 383 (1998).
24. Katagi M. et al.: J. Chromatogr. B 698, 81 (1997).
25. Bryant P. J. R. et al.: J. Chem. Soc. 312, 1553 (1960).
26. Sega G. A. et al.: J. Chromatogr. A 790, 143 (1997).
27. Miki A. et al.: J. Anal. Toxicol. 32, 86 (1999).
28. Hook G. L. et al.: J. Chromatogr. A 992, 1 (2003).
29. Mirbabaei F. et al.: Anal. Bioanal. Chem. 414, 3429 (2022).
30. Hebb D. O.: The organization of behavior, J. Wiley, New York (1957).
31. Gasteiger J., Zupan J.: Angew. Chem. Int. Ed. Engl. 32, 503 (1993).
32. Röse P., Gasteiger J.: Anal. Chim. Acta 235, 163 (1990).
33. Tusar M. et al.: Mitteilungsbl. Ges. Dtsch. Chem. Fachgr. Chem.-Inf.-Comput. 19, 72 (1991).
34. Zupan J., Rius F. X.: Anal. Chim. Acta 239, 311 (1990).
35. Otto M. et al.: Software Dev. Chem. 4, 377 (1989).
36. Kulichenko M. et al.: J. Phys. Chem. Lett. 12, 6227 (2021).