Optimizing Solvent Selection and Data Reduction Workflows for GC×GC Fire Debris Analysis

Význam tématu

Analýza zbytků hořlavých kapalin (ILR) v požárových důkazech je klíčová pro forenzní identifikaci použitého akcelerantu. Díky pokročilé chromatografii a chemometrickým metodám lze zlepšit citlivost, selektivitu a rychlost detekce těchto složitých směsí uhlovodíků.

Cíle a přehled studie / článku

Cílem studie bylo optimalizovat výběr extrakčních rozpouštědel a workflow redukce dat pro GC×GC-TOFMS analýzu ILR. Konkrétně:

• Vyvinout efektivní chemometrický postup pro zpracování rozsáhlých dat.
• Porovnat vliv pěti rozpouštědel na profil extrahovaných ILR.

Použitá metodika a instrumentace

Vzorky se připravily tak, že dřevěné třísky spálené v kontrolovaných podmínkách tvořily matrici. Do každé vzorkovnice bylo přidáno 0,5 mL benzinu, petroleje nebo nafty (5 replikátů na každé rozpouštědlo), matrix blank bez akcelerantu pro kontrolu. Headspace extrakce probíhala pomocí aktivního uhlíkového ACS sorbentu.

Rozpouštědla: hexan, pentan, isopropanol, diethylether, methanol.

Instrumentace:

• GC×GC-TOFMS (LECO BTX4D) s RFF modulátorem Paradigm Shift.
• Kolony: 1D a 2D fáze optimalizované pro uhlovodíky.
• Software: ChromaTOF Sync 2D pro předzpracování, R statistické prostředí pro chemometrii.

Hlavní výsledky a diskuse

Po synchronizaci a dekonvoluci bylo z původních 800 sloučenin vybráno 86 nejvlivnějších. Pro redukci dimenzionality se porovnávaly PCA a UMAP:

• PCA poskytla přehlednou lineární projekci, ale nerozlišila dobře některé skupiny.
• UMAP odhalil lokální i globální struktury, lépe oddělil skupiny benzinu, petroleje a nafty.

Uspořádání vzorků ukázalo, že nejlepší extrakci ILR poskytují hexan a methanol, zatímco diethylether vykazoval slabou účinnost a isopropanol netvořil jasné shluky.

Přínosy a praktické využití metody

• Integrace GC×GC-TOFMS s chemometrií zkracuje dobu analýzy a zvyšuje jistotu identifikace akcelerantů.
• Optimalizace rozpouštědel umožňuje standardizované extrakční protokoly v forenzních laboratořích.

Budoucí trendy a možnosti využití

• Další rozvoj nelineárních algoritmů (UMAP, t-SNE) pro složité forenzní datasetů.
• Automatizace workflow včetně strojového učení pro předpověď původu a typu akcelerantu.
• Rozšíření metody na nové matrice (textilie, kovy) a kombinace s dalšími technikami (FTIR, Raman).

Závěr

Studie prokázala, že využití UMAP ve spojení s GC×GC-TOFMS významně zlepšuje rozlišení a klasifikaci ILR. Optimalizace rozpouštědel na hexan a methanol poskytuje robustní extrakční protokol. Navržený chemometrický přístup může být aplikován v rutinní forenzní praxi pro rychlejší a přesnější výsledky.

Reference

1. Armstrong G. et al. Uniform Manifold Approximation and Projection Reveals Composite Patterns and Resolves Visualization Artifacts in Microbiome Data. mSystems. 2021;6(5):e0069121.
2. Yadav A. et al. A Forensic Approach to Evaluate the Effect of Different Matrices and Extraction Solvents for the Identification of Diesel Residue in Simulated Arson by GC–MS. Chromatographia. 2021;84.
3. Bovens M. et al. Chemometrics in Forensic Chemistry — part I: Implications to the forensic workflow. Forensic Science International. 2019;301:82–90.