La spectrométrie de masse en tandem est un outil analytique puissant utilisé pour caractériser des mélanges complexes dans la découverte de médicaments et dans d'autres domaines.
Désormais, les innovateurs de l'Université Purdue ont créé une nouvelle méthode d'application des concepts d'apprentissage automatique au processus de spectrométrie de masse en tandem afin d'améliorer le flux d'informations dans le développement de nouveaux médicaments. Leur travail est publié dans Science chimique.
La spectrométrie de masse joue un rôle essentiel dans la découverte et le développement de médicaments. La mise en œuvre spécifique de l'apprentissage automatique bootstrap avec une petite quantité de données d'entraînement positives et négatives présentées ici ouvrira la voie à une intégration dans les activités quotidiennes d'automatisation de la caractérisation des composés par les chimistes. «
Gaurav Chopra, professeur adjoint, chimie analytique et physique, College of Science, Purdue University
Chopra a déclaré qu'il y avait deux problèmes majeurs dans le domaine de l'apprentissage automatique utilisé pour les sciences chimiques. Les méthodes utilisées ne fournissent pas de compréhension chimique des décisions prises par l'algorithme, et les nouvelles méthodes ne sont généralement pas utilisées pour faire des tests expérimentaux à l'aveugle pour voir si les modèles proposés sont précis pour une utilisation dans un laboratoire de chimie.
«Nous avons abordé ces deux éléments pour une méthodologie sélective des isomères et extrêmement utile en sciences chimiques pour caractériser des mélanges complexes, identifier les réactions chimiques et les métabolites de médicaments, et dans des domaines tels que la protéomique et la métabolomique», a déclaré Chopra.
Les chercheurs de Purdue ont créé des modèles d'apprentissage automatique statistiquement robustes pour travailler avec moins de données d'entraînement – une technique qui sera utile pour la découverte de médicaments.
Le modèle examine un réactif neutre commun – appelé 2-méthoxypropène (MOP) – et prédit comment les composés interagiront avec le MOP dans un spectromètre de masse en tandem afin d'obtenir des informations structurelles pour les composés.
«C'est la première fois que l'apprentissage automatique est associé à des réactions de diagnostic ion-molécule en phase gazeuse, et c'est une combinaison très puissante, ouvrant la voie à une identification par spectrométrie de masse entièrement automatisée des composés organiques», a déclaré Hilkka Kenttämaa, le Frank Brown Professeur émérite de chimie analytique et de chimie organique. « Nous introduisons maintenant de nombreux nouveaux réactifs dans cette méthode. »
L'équipe Purdue présente des organigrammes de réactivité chimique pour faciliter l'interprétation chimique des décisions prises par la méthode d'apprentissage automatique qui seront utiles pour comprendre et interpréter les spectres de masse pour les informations structurelles.
La source:
Référence du journal:
Bien, J., et al. (2020) L'apprentissage automatique basé sur des graphiques interprète et prédit les réactions de diagnostic ion-molécule sélectives des isomères en spectrométrie de masse en tandem. Science chimique. doi.org/10.1039/D0SC02530E.
