De Novo PFAS Annotation and Classification Using Highly Accurate Formula Prediction and Kaufmann Algorithms Embedded in FluoroMatchSuite

Význam tématu

Perfluorované alkylované látky (PFAS) představují vážný environmentální a zdravotní problém vzhledem k jejich perzistenci a bioakumulaci. Neznačková analýza PFAS v komplexních vzorcích vyžaduje spolehlivé a citlivé metody, které dokážou detekovat nové či neznámé sloučeniny bez nutnosti referenčních standardů. Metody založené pouze na MS1 spektrech doplňují tradiční MS/MS přístupy tam, kde kvalitní hmotnostní fragmentace chybí nebo je nízká kvalita spekter.

Cíle a přehled studie

Cílem práce bylo vyvinout a validovat algoritmy v rámci softwarového balíku FluoroMatch Suite, které:

• Predikují elementární vzorce PFAS z MS1 dat s vysokou přesností.
• Rozlišují PFAS a ne-PFAS sloučeniny pomocí Kaufmannovy analýzy.

Validace proběhla na standardech NIST A a na půdním extraktu obsahujícím AFFF pěnu (NIST C).

Použitá metodika a instrumentace

Pro získání dat byla použita LC-HRMS/MS instrumentace s následujícími přístupy:

• Režimy DDA, DIA a full-scan na jakémkoli výrobci
• Software pro výběr špiček: MassHunter Explorer, MZMine 4
• FluoroMatch Suite: MS1-only algoritmy pro predikci vzorců a Kaufmannovu klasifikaci
• Databáze a knihovny fragmentů a homologních řad

Post-processing zahrnoval filtrace prázdných běhů, odstraňování artefaktů a detekci homologních řad.

Hlavní výsledky a diskuse

Predikce vzorců bez použití homologních řad vykazovala falešné pozitivní sazby 17–26 %, zatímco s hlasováním řad klesly na 0 %. Falešná negativa se u NIST C snížila z 30 % na 6 %. Kaufmannova analýza klasifikovala PFAS s 4 % falešnou pozitivitou a 6 % falešnou negativitou v případě NIST C. Část vzorků bez detekce M+1 izotopu zůstala nevyhodnocena (15 %).

Přínosy a praktické využití metody

Nové algoritmy umožňují spolehlivou neznakovou analýzu PFAS v komplexních matricích bez nutnosti MS/MS spekter. Výsledky poskytují:

• Vysokou selektivitu a citlivost v prostředích s nízkou kvalitou fragmentace.
• Možnost rozšíření screeningových workflow v laboratořích QA/QC a výzkumu.
• Automatizaci a škálovatelnost díky integraci do FluoroMatch Suite.

Budoucí trendy a možnosti využití

Očekává se další rozvoj algoritmů strojového učení pro predikci vzorců, rozšíření databází PFAS a integrace s ion mobility spektrometrií. Dále se otevírá prostor pro real-time screening a online monitorování kontaminantů v životním prostředí.

Závěr

Vyvinuté MS1-only algoritmy v FluoroMatch Suite výrazně zlepšují schopnost detekce a klasifikace PFAS bez spolehlivých MS/MS spekter. Validace na reálných vzorcích potvrdila vysokou přesnost formule prediction i Kaufmannovy analýzy, což posiluje potenciál této metody v environmentální a průmyslové analytice.

Reference

• Koelmel J. et al. De Novo PFAS Annotation and Classification Using Highly Accurate Formula Prediction and Kaufmann Algorithms Embedded in FluoroMatch Suite. ASMS 2025, Poster WP 113.