Free NIST GC-MS Software Lab for Universities: Part 10: AMDIS Difficulties and Ways to Overcome Them

Význam tématu

Správná identifikace a kvantifikace analytů v komplexních vzorcích pomocí plynové chromatografie spojené s hmotnostní spektrometrií (GC-MS) je klíčová pro řadu výzkumných i průmyslových aplikací. Software AMDIS vyvinutý NIST nabízí nástroje pro dekonvoluci překrývajících se chromatografických špiček, avšak v reálných souborech mohou nastat různé potíže, které ovlivňují kvalitu výsledků. Tato problematika se týká vývoje robustních postupů zpracování dat a maximalizace spolehlivosti identifikací v potravinářství, farmaceutickém průmyslu, environmentální analytice i forenzní chemii.

Cíle a přehled studie / článku

Účelem materiálu je ukázat běžné potíže při zpracování skutečných GC-MS dat v AMDIS a navrhnout postupy pro jejich překonání. Konkrétně se zaměřuje na:

• řešení tzv. „nejistých špiček“,
• omezování nadměrného označování jedné chromatografické špičky,
• práci s různými formáty datových souborů (.D, netCDF, JEOL cdf),
• ukázky doplňkových testovacích souborů pro ověření schopností AMDIS.

Použitá metodika a instrumentace

Práce využívá software AMDIS (Automated Mass Spectral Deconvolution and Identification System) spojený s knihovnami NIST a Wiley pro vyhledávání hmotnostních spekter. Analýzy byly prováděny na GC-MS datech exportovaných v několika formátech:

• Agilent .D soubory obsahující data.ms
• netCDF (.cdf), standard podporovaný většinou MS softwarových balíků
• formát JEOL .cdf pro SPME analýzu vzorků whisky

Pro dekonvoluci a filtraci šumu (S/N) byly použity vestavěné funkce AMDIS, včetně možnosti zahrnout nejisté špičky do knihovního vyhledávání a ručního odebírání pozadí v případě malých signálů.

Hlavní výsledky a diskuse

Analýza ukázala, že:

• „Nejisté špičky“ (zobrazené bílými přerušovanými liniemi) mohou obsahovat klíčové ionty nutné pro správnou identifikaci. Je třeba aktivovat volbu Use Uncertain Peaks a zobrazit je v hlavním okně.
• Systém někdy označuje tutéž špičku vícekrát („over-marking“), což komplikuje dekonvoluci. Přizpůsobení parametrů S/N a dekonvolučního algoritmu spolu s ručním výběrem spekter snižuje chyby.
• Rozdílné formáty souborů mohou vyžadovat úpravu cesty k datovým složkám a instalaci doplňkových knihoven pro plný přístup k datům.
• AMDIS dokáže dekonvolvovat i směsi až tří sloučenin v jediné špičce a poskytnout čisté spektrum pro další knihovní vyhledávání.

Přínosy a praktické využití metody

Optimalizované nastavení AMDIS přináší:

• spolehlivější identifikaci v komplexních matricích,
• efektivní dekonvoluci překrývajících se špiček,
• možnost zpracování různých datových formátů,
• zvýšení průkaznosti v QA/QC a forenzních analýzách.

Budoucí trendy a možnosti využití

Vývoj v oblasti GC-MS softwaru směřuje k:

• integraci umělé inteligence a strojového učení pro automatickou korekci chyb při dekonvoluci,
• podpoře otevřených formátů a cloudových platforem pro sdílení dat,
• rozšíření knihoven o nové typy spolehlivě kalibrovaných vzorků,
• vylepšeným uživatelským rozhraním pro rychlé nastavení a zpracování velkých objemů dat.

Závěr

Dokonalé zvládnutí nastavení AMDIS a pochopení jeho omezení je nezbytné pro spolehlivou analýzu GC-MS dat v reálných aplikacích. Aktivace nejistých špiček, úprava dekonvolučních parametrů a správné nakládání s formáty vstupních souborů výrazně zvyšují úspěšnost identifikace a kvantifikace. Přesto je vhodné počítat s nutností ručního zásahu u extrémně složitých dat.

Reference

• NIST AMDIS Manual
• Little J.: Free NIST GC-MS Software Lab for Universities, Part 10 (2023)
• University of North Dakota Quantitative GC-MS Laboratory Website