Classifying the pesticides in foods between GC-amenable and LC-amenable using the prediction model with molecular descriptors

Význam tématu

Správný výběr chromatografické techniky (GC/MS či LC/MS) je zásadní pro spolehlivou analýzu reziduí pesticidů v potravinových vzorcích. Žádná z metod nedokáže pokrýt celý rozsah látek, proto je důležité předem odhadnout, která skupina pesticidů je lépe „GC-amenabilní“ a která „LC-amenabilní“. Modely QSPR založené na molekulových destriptorech umožňují tento výběr automatizovat a zvýšit efektivitu laboratorních postupů.

Cíle a přehled studie / článku

Cílem studie bylo vytvořit predikční model klasifikace 194 pesticidů podle jejich vhodnosti pro analýzu metodou GC/MS nebo LC/MS. Vzorky a výsledky pocházejí z dvou validačních studií – FDA seznam 136 pesticidů v avokádu a EURL seznam 127 pesticidů v olivovém oleji. Na základě spolehlivých dat vznikla trénovací množina pro strojové učení.

Použitá metodika a instrumentace

Pro každý pesticid byl získán kanonický SMILES z PubChem. Pomocí balíčku rcdk v jazyce R bylo vypočítáno 224 molekulových destriptorů; po eliminaci těch s nulovou variancí jich zůstalo 176. Hodnoty byly standardizovány Z-skórem. Klasifikace mezi GC-amenabilní a LC-amenabilní třídu proběhla v rámci balíčku caret, s využitím 119 různých metod strojového učení (např. SVM, rozhodovací stromy, neuronové sítě, ensemble postupy, boosting). Všechny modely byly hodnoceny pomocí 10násobné křížové validace (CV10), přičemž klíčovými metrikami byly přesnost (accuracy) a doba výpočtu (execution time).

Hlavní výsledky a diskuse

Průměrná přesnost napříč všemi 119 metodami byla 77 %. Nejvyšší přesnosti dosáhly metody z kategorie ensemble decision tree, zejména AdaBoost.M1 (85,5 %) a xgbDART (85,0 %). Model xgbTree nabídnul přibližně 84,6 % přesnost při krátké době běhu (~2 minuty). Naopak metody bagEarth a bagEarthGCV vykázaly nízkou úspěšnost (27 % a 16 %). Nejpomalejší metodou byla glmStepAIC s dobou přibližně 3 hodiny 41 minut.

Přínosy a praktické využití metody

• Automatizovaný systém doporučení chromatografické techniky zjednodušuje rozhodování analytiků a zkracuje dobu přípravy metody.
• Zavedení spolehlivého predikčního modelu umožňuje optimalizovat náklady na instrumentaci a reagovat na rostoucí počet analyzovaných pesticidů.
• Flexibilní škálování díky volbě různých algoritmů podle požadavku na přesnost či dobu výpočtu.

Budoucí trendy a možnosti využití

Modely QSPR lze rozšířit o další destriptory (např. 3D-tvarové), nové třídy pesticidů či další analytické techniky (např. kapilární elektroforézu). Dále se otevírá prostor pro online nástroje přístupné z laboratorních informačních systémů a pro kombinaci s chemometrickými přístupy.

Závěr

Predikční model klasifikace pesticidů mezi GC-amenabilní a LC-amenabilní metodou byl úspěšně implementován na datech z validačních studií. Mezi 119 testovanými algoritmy je nejvhodnějším kompromisem xgbDART, který poskytuje vysokou přesnost (85 %) při rozumné době výpočtu (<9 minut). Tato metoda přispívá k efektivnějšímu plánování analýz reziduí pesticidů.

Reference

1. Barganska Z., Konieczka P., Namiesnik J. Comparison of Two Methods for the Determination of Selected Pesticides in Honey and Honeybee Samples. Molecules 2018;23:2582.
2. Anagnostopoulos C., Miliadis G.E. Development and validation of an easy multiresidue method for multiclass pesticide residues using GC–MS/MS and LC–MS/MS in olive oil and olives. Talanta 2013;1121:1–10.
3. Pesticide Analytical Manual Vol. I, Appendix II. Food and Drug Administration; 1999.
4. Chamkasem N., Ollis L.W., Harmon T., Lee S., Mercer G. Analysis of 136 Pesticides in Avocado Using a Modified QuEChERS Method with LC/MS/MS and GC/MS/MS. J. Agric. Food Chem. 2013;61:2315–2329.
5. EURL-FV(2012-M6) Validation Data of 127 Pesticides Using a Multiresidue Method by LC/MS/MS and GC/MS/MS in Olive Oil. EU Reference Laboratories for Residues of Pesticides; 2012.
6. Kuhn M. Building Predictive Models in R Using the caret Package. J. Stat. Softw. 2008;28(5):1–26.