Interactive Ion Peak Analysis and Differencing for Comparing Multidimensional Chromatography Data

Význam tématu

Analýza a porovnání iontových piků v multidimenzionálních chromatografických datech umožňuje detailní zjištění odlišností komplexních vzorků. Díky kombinaci vizualizace a algoritmů pro detekci je možné rychle identifikovat nové, chybějící nebo společné sloučeniny.

Cíle a přehled studie / článku

Cílem je představit dva přístupy pro srovnávání dat z 2D chromatografie: cílenou detekci iontových piků a párování piků na základě retenčního času a spektrálních kritérií. Aplikace jsou demonstrovány na úpravách LC-MS dat peptidů a komparaci GCxGC-TOFMS dat tmavé čokolády.

Použitá metodika a instrumentace

První přístup (cílená detekce) využívá prahovou toleranci 5 ppm pro m/z a fold change >5 pro nové detekce. Druhý přístup (párování piků) zajišťuje obousměrné spojení detekcí v obou chromatogramech pomocí kritérií RT tolerance a spektrální shody nad 750. Kombinací obou metod se dosahuje přesné vazby společných i unikátních piků.
Instrumentace:

• JEOL AccuTof GC+ spojený s Agilent 7890 GC pro GCxGC-TOFMS data.
• LC-MS systém využitý v rámci MAM Consortium pro analýzu NISTmAb RM 8671.

Hlavní výsledky a diskuse

V aplikaci na peptidová data byly úspěšně detekovány všechny předpokládané kalibranty spiked vs referenční a identifikovány nové i chybějící piky při pH stresu (173 nových, 53 chybějících). V GCxGC analýze byly identifikovány unikátní sloučeniny v mint-lime a orange vzorcích (např. decanal, eukalyptol, citral), přičemž vizualizace 2D chromatogramů a filtry SNR >150, fold change >200 % pomohly rychle odlišit významné rozdíly.

Přínosy a praktické využití metody

Interaktivní vizualizace poskytuje kvalitativní i kvantitativní přehled na úrovni jednotlivých piků, usnadňuje QA/QC procesy v průmyslu, podporuje objevování biomarkerů či kontrolu kvality biologik a potravinářských vzorků.

Budoucí trendy a možnosti využití

Očekává se integrace strojového učení pro automatizaci párování a predikci chování piků, rozšíření podpory dalších hyphenovaných technik (např. LCxLC), vyšší míra automatizace při analýze velkých datových sad a pokročilá interaktivní vizualizace v cloudových platformách.

Závěr

Předložené přístupy kombinující cílenou detekci a párování iontových piků významně zjednodušují porovnávání multidimenzionálních chromatografických dat, přinášejí zvýšenou přesnost a efektivitu v analytickém workflow.

Reference

• R. Rogers et al., MS in QC: A Single Multi-attribute Method for Quality Control and Release Testing of Biologics. CASSS MS 2013.
• B. Hollingsworth et al., Comparative Visualization for Comprehensive Two-Dimensional Gas Chromatography. J Chromatogr A. 2006;1105(1-2):51-8.
• Q. Tao et al., New Peak-Based Differencing Tools for Side-by-Side Comparison of Two Samples with GCxGC-MS. GCxGC Symposium 2018.
• T. Mouchahoir et al., New Peak Detection Performance Metrics from the MAM Consortium Interlaboratory Study. J. Am. Soc. Mass Spectrom. 2021;32(4):913–928.
• B. Weggler et al., Benchmark GCxGC Data, Chocolate. Harvard Dataverse. 2020.