Agilent AI Peak Integration for GC/MS Analysis of Phthalates

Význam tématu

Manualní integrace chromatografických píků v GC/MS analýzách, zejména při stanovení ftalátů, je časově náročná, náchylná k lidským chybám a omezuje kapacitu laboratoří. Implementace umělé inteligence pro asistovanou integraci zkracuje dobu analýzy, zvyšuje reprodukovatelnost a umožňuje efektivně ovládat komplikované vzorky s izomery a matrice efektami.

Cíle a přehled studie

Cílem bylo ověřit Agilent AI Peak Integration v prostředí MassHunter Quantitative Analysis pro analýzu ftalátů ve spotřebních produktech. Studie zahrnovala:

• vytvoření a trénink ML modelu na reálných datech s manuálními úpravami,
• posouzení reprodukovatelnosti predikcí,
• srovnání rychlosti a přesnosti s tradiční manuální integrací.

Použitá metodika a instrumentace

Data byla získána pomocí plynové chromatografie s hmotnostním detektorem (Agilent GC/MSD) v synchronním SIM/Scan módu. Software MassHunter Quantitative Analysis (verze 10.2) prováděl počáteční integraci, na jejichž výsledcích byl model trénován. Agilent AI Peak Integration běžel jako plugin, odesílal šarže do cloudové databáze a vracel predikce integrací.

Hlavní výsledky a diskuse

• Reprodukovatelnost: pět opakovaných analýz vzorku DIDP vykázalo plochu píků konstantní na 1050 ±1 %.
• Rychlost: průměrný čas integrace jednoho vzorku byl 12 s, oproti 60–120 s u manuálního review.
• Přesnost: průměrná správnost převyšovala 98 % pro 576 vzorků ve 18 šaržích.
• Špičková robustnost: model spolehlivě odděloval izomery DINP a DIDP a korigoval falešné pozitivní i negativní výskyty.
• Lineární rozsah: přesná integrace DINP v koncentracích 0,1–20 ppm, včetně hodnot pod LOQ.

Přínosy a praktické využití metody

• Zvýšení throughput laboratoře eliminací většiny manuálních úprav.
• Minimalizace variability výsledků mezi operátory a šaržemi.
• Retrospektivní validace výsledků s identifikací verze ML modelu.
• Možnost kontinuálního učení modelu z každé manuální úpravy.

Budoucí trendy a možnosti využití

• Rozšíření AI integrace na jiné třídy analytů s komplikovanými chromatogramy.
• Nasazení lokálních a cloudových řešení pro vyšší zabezpečení a dostupnost.
• Integrace do komplexních laboratorních informačních systémů a plné workflow automatizace.
• Vývoj real-time algoritmů pro predikci a korekci chromatografických anomálií.

Závěr

Agilent AI Peak Integration pro MassHunter představuje efektivní a spolehlivý nástroj pro automatizaci integrace píků při analýze ftalátů. Model prokázal výbornou reprodukovatelnost, rychlost a přesnost, významně zkrátil dobu analýzy a zlepšil kvalitu dat, což otevírá nové možnosti pro AI aplikace v analytické chemii.

Reference

1. Net S. et al. Occurrence, Fate, Behavior and Ecotoxicological State of Phthalates in Different Environmental Matrices. Environmental Science and Technology, 2015, 49(7):4019–4035.
2. Dong C. et al. Detecting Phthalate Esters in Sludge Particulates from Wastewater Treatment Plants. Journal of Environmental Science and Health, Part A, 2020, 55(10):1233–1240.
3. Sosnovshchenko O.; Luo R.; King T. Agilent AI Peak Integration for MassHunter. Agilent Technologies Technical Overview, 2023.
4. Bushey J. Phthalate Analysis Using an Agilent 8890 GC and an Agilent 5977A GC/MSD. Agilent Technologies Application Note, 2018.
5. Andrianova A.; Quimby B. Rapid Screening Workflow for Phthalates in Plastics by GC/MSD in Under Six Minutes. Agilent Technologies Application Note, 2020.