Identification of Unknowns by GC-MS and LC-MS Using NIST Search with Commercial and User Libraries

Význam tématu

Identifikace neznámých analytických látek pomocí GC-MS a LC-MS je zásadní pro průmyslovou i akademickou sféru. Umožňuje rychlé odhalení nežádoucích vedlejších produktů, kontaminantů či nečekaných látek v procesech výroby, environmentálních vzorcích či výzkumných projektech.

Cíle a přehled studie / článku

Tento příspěvek popisuje implementaci a využití softwaru NIST Search v Eastman Chemical Company k identifikaci neznámých sloučenin. Hlavní body:

• Nasazení NIST Search na více než 50 GC-MS a LC-MS přístrojích v distribuovaných laboratořích.
• Vytváření a automatická distribuce interní korporátní knihovny spekter.
• Využití hybridního vyhledávání kombinujícího standardní spektrum a neutrální ztráty.

Použitá metodika a instrumentace

Pro identifikace byly využity následující nástroje:

• Agilent GC-MSD a LC-MS přístroje, síťově propojené pro sdílení dat.
• Softwarový balík NIST Search s komerčními knihovnami (NIST20, Wiley) a uživatelskou korporátní knihovnou (Eastman).
• Hybridní vyhledávání: standardní shoda spektra doplněná o analýzu neutrálních ztrát a výpočet DeltaMass.
• Infuzní MS/MS analýza při více energiích pro zvýšení kvality dat.
• MS Interpreter pro korelaci přesné hmotnosti iontů se substrukturami.

Hlavní výsledky a diskuse

Implementace hybridního vyhledávání vedla k výraznému nárůstu úspěšnosti identifikací:

• Více než 30 000 EI a 500 MS/MS hledání prokázalo schopnost objevit podobné modelové sloučeniny.
• DeltaMass výrazně usnadňuje odhad modifikací analyzovaného molekulového vzorce.
• Interní korporátní knihovna obsahuje cca 60 000 EI a 3 000 MS/MS spekter, automaticky distribuovaných denně.
• Různá kvalita uživatelů kompenzována centrální podporou MS expertů.

Přínosy a praktické využití metody

Metoda podporuje řadu praktických aplikací:

• Okamžitá indikace zdrojů úniků nebo havárií ve výrobních a vodárenských provozech.
• Podpora vývojových (R&D) a QA/QC procesů ve výrobě chemikálií.
• Zvýšení efektivity práce méně zkušených analytiků díky přístupu k rozsáhlým knihovnám a expertní podpoře.

Budoucí trendy a možnosti využití

Směry dalšího rozvoje:

• Cílené rozšiřování knihovny nových spekter (NIST pipeline).
• Integrace přesné hmotnosti, strojového učení a AI pro automatizované vyhledávání a interpretaci.
• Využití crowdsourcingových databází (MoNA) a dalších uživatelských vstupů pro obohacení znalostí.

Závěr

NIST Search se ukazuje jako robustní a flexibilní nástroj pro identifikaci neznámých látek pomocí GC-MS a LC-MS. Díky hybridnímu vyhledávání, rozsáhlým komerčním i uživatelským knihovnám a podpoře expertů přináší rychlé a spolehlivé výsledky ve výzkumu i průmyslu.

Reference

1. Importance of NIST Search at Eastman
2. Eastman General Approach for Unknown Identification
3. Free Training Courses GC-MS and LC-MS Unknown Identification with NIST Search
4. EI Hybrid Video
5. EI Hybrid Handout
6. Tandem Hybrid Video
7. Tandem Hybrid Handout
8. NIST Pipeline for Improving EI and Tandem Libraries
9. MS Interpreter Correlating Structure to EI Spectrum Video
10. MS Interpreter Correlating Structure to EI Spectrum Handout
11. MS Interpreter Correlating Structure to MSMS Spectrum Video
12. MS Interpreter Correlating Structure to MSMS Spectrum Handout
13. Delta Mass Table of Values
14. MoNA (MassBank of North America)
15. Handout Describing MoNA