ION MOBILITY-ENABLED LC-HRMS FOR THE ANALYSIS OF POLLUTANTS IN INDOOR DUST: IDENTIFICATION AND PREDICTIVE CAPABILITIES

Význam tématu

Vnitřní prostředí staveb hraje klíčovou roli ve zdraví obyvatel. Prach se v něm akumuluje a odráží expozici lidí širokému spektru xenobiotik – pesticidů, flame retardantů, PFAS či léčiv. Kombinace kapalinné chromatografie s vysokým rozlišením a iontovou mobilitou (LC-HRMS-IMS) poskytuje další rozměr separace v plynném stavu a hodnotu kolizní cross-section (CCS), která významně zvyšuje spolehlivost identifikace látek, zejména když chybí analytické standardy.

Cíle a přehled studie

Studie si klade za cíl demonstrovat využití LC-HRMS‐IMS pro analýzu prachu ze dvou průmyslových (e-waste) zařízení a domácího prachu. Přístupy zahrnují:

• Komparaci s dostupnými standardy (retence, přesná hmotnost, frag­menty, CCS).
• Rozšířený screening nad 400 pesticidů a dalších xenobiotik.
• Databázové vyhledávání po principal component analysis (PCA).
• Izotopickou selekci Cl/Br sloučenin.

Použitá metodika a instrumentace

Vzorky prachu extrahované dichlormethanem byly rekonstituovány v metanol:voda (1:1). Analýza proběhla na:

• LC systému Waters ACQUITY I-Class s kolonnou BEH C18 (2.1×50 mm, 1.7 µm), teplota 65 °C, gradient 8,5 min.
• IMS-QTof přístroji Vion (ESI+/-), driftový plyn N₂, kolizní energie 20–55 eV.

Data zpracována zahrnovala měření CCS pro všechny ionty a porovnání s predikcí z dvou ML modelů (SVR a vývojového modelu).

Hlavní výsledky a diskuse

Ve vzorcích bylo identifikováno 29 xenobiotik z kategorií organofosfátů, bromfenolů, pesticidů, PFAS a PPCPs. Naměřené CCS hodnoty měly opakovatelnost ~0,24 % RSD a u halogenovaných sloučenin byly pro dané m/z systematicky nižší, což odráží kompaktnější strukturu.
Porovnání predikčních modelů ukázalo lepší korelaci vývojového modelu (R²=0,977) proti SVR. Přibližně 68 % identifikací mělo odchylku predikce CCS < 2 %.

Přínosy a praktické využití metody

• CCS jako další ortogonální parametr zvyšuje důvěru v identifikaci bez dostupnosti standardů.
• Prediktivní modely CCS umožňují rozšířit ne‐cílené analýzy a urychlit screening většího spektra látek.
• LC-HRMS-IMS se jeví jako vhodný nástroj pro rutinní QA/QC a environmentální monitorování prachu.

Budoucí trendy a možnosti využití

• Rozšíření CCS knihoven a validace napříč třídami kontaminantů.
• Vylepšení ML predikčních modelů s většími trénovacími daty.
• Integrace IMS-HRMS do automatizovaných platforem pro ne‐cílené monitorování.
• Propojení s dalšími ortogonálními technikami (iontová chromatografie, NMR).

Závěr

Implementace iontové mobility v LC-HRMS společně s predikcí CCS výrazně posiluje identifikaci kontaminantů v prachu. Tento přístup umožňuje robustní screening a podporuje ne‐cílené studie tam, kde nejsou k dispozici autentické standardy.

Reference

1. Ouyang et al. Chemosphere (2017) 431–437
2. Rager et al. Environment International (2016) 269–280
3. Ubukata et al. Journal of Chromatography A (2015) 152–159
4. Hilton et al. Journal of Chromatography A (2010) 6851–6856
5. Moschet et al. Environmental Science and Technology (2018) 2878–2885
6. Rostkowski et al. Analytical and Bioanalytical Chemistry (2019) 1957–1977
7. Venier et al. Environmental Science and Technology (2018) 12997–13003
8. Guo et al. Environmental Science and Technology (2018) 3599–3607
9. Colby et al. Analytical Chemistry (2019) 4346–4356
10. Nguyen et al. Environment International (2019) 95–104
11. Melymuk et al. Environmental Science and Technology (2018) 9295–9303
12. Zheng et al. Analytica Chimica Acta (2018) 265–273
13. Tejada-Casado et al. Analytica Chimica Acta (2018) 52–63
14. Paglia et al. Analytical Chemistry (2014) 3985–3993