hrvatski

Molekulsko modeliranje i umjetna inteligencija u razvoju ionskih kromatografskih metoda

U ovom radu istražena je primjena umjetne inteligencije i molekulskog modeliranja kao dio napredne strategije razvoja ionskih kromatografskih metoda. Prvi korak u kreiranju novog pristupa bio je razvoj modela koji na temelju molekulske strukture analita predviđaju njegovo zadržavanje u kromatografskom sustavu (engl. quantitative structure–retention relationships, QSRR). Za razvoj QSRR modela molekulsku strukturu potrebno je okarakterizirati fizikalno-kemijskim parametrima zvanim molekulskim deskriptorima. U ovoj disertaciji korišteni su teorijski molekulski deskriptori izračunati na temelju prethodno optimiranih molekulskih struktura analita. Optimiranje geometrije struktura provedeno je semiempirijskom metodom PM3. Izračunate su vrijednosti ukupno 1313 molekulskih deskriptora, a osmišljenim eliminacijskim kriterijima njihov broj je smanjen, čime je omogućeno kvalitetnije modeliranje. Kod QSRR modeliranja ispitana je primjenjivost konvencionalnih regresijskih metoda te metoda umjetne inteligencije. Od konvencionalnih metoda ispitane su postupna višestruka linearna regresija, metoda parcijalnih najmanjih kvadrata te metoda parcijalnih najmanjih kvadrata s eliminacijom neinformativnih varijabli. Od metoda umjetne inteligencije ispitane su kombinacije genetičkog algoritma s umjetnim neuronskim mrežama i prilagodljivim neuronskim sustavom neizrazitog zaključivanja. U oba slučaja genetički algoritam služio je za selekciju varijabli, dok se sama izrada QSRR modela odvijala pomoću umjetnih neuronskih mreža, odnosno prilagodljivog neuronskog sustava neizrazitog zaključivanja. Izvedbene značajke tih hibridnih metoda sustavno su optimirane. QSRR modeli izrađeni su za nekoliko izokratičnih eluiranja (konstantnost uvjeta u kromatografskom sustavu). Razvijenim modelima omogućeno je predviđanje kromatografskog zadržavanja analita isključivo na temelju informacija sadržanih u njihovoj molekulskoj strukturi. Međutim, ti modeli primjenjivi su samo pri istim kromatografskim uvjetima pri kojima su i razvijeni. Stoga su na temelju predviđanja QSRR modela izrađeni izokratični modeli kromatografskog zadržavanja, čime je omogućeno predviđanje kromatografskog zadržavanja pri svim izokratičnim eluiranjima. Želeći prenijeti informacije dobivene iz strukture analita i u područje gradijentnog eluiranja, razvijeni su gradijentni modeli, i to modeli temeljeni na poznavanju izokratičnog vladanja kromatografskog sustava. Time je omogućeno predviđanje kromatografskog zadržavanja za sve gradijentne profile, a opet isključivo na temelju molekulske strukture analita. Razvijeni gradijentni modeli pokazali su dobru sposobnost predviđanja, a najmanju pogrešku predviđanja imao je model proizašao iz QSRR modela razvijenog kombinacijom genetičkog algoritma i umjetnih neuronskih mreža. U radu su također ispitane strategije optimizacije kromatografskog razdvajanja ukoliko se mijenja sastav eluensa. Pri tome su ispitana dva pristupa traženja optimalnog rješenja: simpleksna metoda i genetički algoritam. Određeni su optimalni parametri za oba navedena pristupa te su oni kombinirani s modelima za predviđanje kromatografskog zadržavanja. Time je omogućeno pretraživanje iznimno velike domene različitih profila gradijentnog eluiranja, a uz provođenje svega nekoliko laboratorijskih eksperimenta. Primjenom obiju navedenih metodologija pronađeni su uvjeti eluiranja pri kojima se postiže zadovoljavajuće kromatografsko razdvajanje svih sastojaka smjese unutar prihvatljivog vremena analize, no ipak, kao bolji izbor u optimizaciji kromatografskog razdvajanja pokazao se genetički algoritam. Sve razvijene metodologije testirane su na smjesi ugljikohidrata, a s obzirom na dobivene rezultate očit je njihov potencijal kao naprednih alata u razvoju ionskih kromatografskih metoda. Primjena ispitane metodologije zasigurno bi uvelike smanjila broj laboratorijskih eksperimenata potrebnih za razvoj novih kromatografskih metoda te samim time ubrzala razvoj metoda.

ionska kromatografija; razvoj metoda; gradijentno eluiranje; QSRR modeliranje; umjetna inteligencija

nije evidentirano