Automatic Optimization of Separation Conditions by AI Algorithm

Význam tématu

Automatizace vývoje metod kapalinové chromatografie zvyšuje efektivitu laboratoří tím, že redukuje opakované ruční zásahy a potřebu vysoké odborné znalosti. Optimalizace separačních podmínek pod izokratickou elucí usnadňuje přenos metod mezi různými chromatografickými systémy a zrychluje přechod od gradientních k izokratickým režimům.

Cíle a přehled studie / článku

Cílem studie bylo ukázat schopnost softwaru LabSolutions MD s vestavěným AI algoritmem automaticky nalézt izokratické podmínky splňující kritéria minimální rozlišení 1,5 a čas posledního elučního píku do 5 minut. Modelovým vzorkem byla směs pěti nízkomolekulárních látek ve dvou variantách složení.

Použitá metodika a instrumentace

Metodika spočívala v iterativním cyklu „hledání podmínek” a „ověřovací analýze” pod kontrolou AI. Kritéria optimalizace:

• Minimální rozlišení dvou sousedních píků ≥1,5
• Čas posledního piku ≤5 minut

Instrumentace:

• Chromatografický systém Nexera X3
• Kolona Shim-pack Scepter C18-120 (100 × 3,0 mm, 1,9 µm)
• Pumpy: A (0,1 % kyselina mravenčí ve vodě), B (acetonitril)
• Detektor UV při 254 nm (SPD-M40, standardní kyveta)
• Teplota kolony 40 °C, průtok 0,7 mL/min, injekční objem 5 µL

Hlavní výsledky a diskuse

Po pěti počátečních analýzách ve gradientním režimu AI algoritmus upravil poměr organické fáze na 33 % pro vzorek 1 a na 45 % pro vzorek 2. V obou případech dosáhly všechny analyty rozlišení ≥1,5 a poslední pík eluoval dříve než za 5 minut. Diskuse ukazuje, že izokratické podmínky nejen splnily kritéria kvality separace, ale také významně zkrátily dobu analýzy a zjednodušily přenos mezi přístroji.

Přínosy a praktické využití metody

Automatická optimalizace výrazně snižuje čas a potřebu manuálního nastavování metod LC. Přechod na izokratické podmínky umožňuje rychlejší rutinní analýzy, snadnější validaci a přenos metod do jiných laboratoří či systémů, čímž se zvyšuje produktivita a spolehlivost QA/QC procesů.

Budoucí trendy a možnosti využití

Očekává se rozšíření AI-řízených nástrojů o modulární screening různých typů kolonn a mobilních fází, integraci s platformami analytické kvality (AQbD) a využití pokročilých modelů strojového učení pro predikci optimálních podmínek na základě struktury analyzovaných látek. Další možný směr zahrnuje automatickou robustnostní validaci a adaptivní řízení během sériových analýz.

Závěr

Studie prokázala, že LabSolutions MD s AI algoritmem dokáže automaticky nalézt izokratické separační podmínky splňující přísná kritéria kvality za výrazně kratší dobu a s minimální ruční intervencí. Tento přístup přispívá k efektivnějšímu vývoji a přenosu LC metod v průmyslovém i výzkumném prostředí.

Reference

• Technická zpráva „Efficient Method Development Based on Analytical Quality by Design with LabSolutions MD Software“ (C190-E284).