天游线路检测中心 使用 msFineAnalysis AI 对丙烯酸树脂热解产物进行结构分析
MS 提示 389
MS 提示第 389 号
简介
对于未在库数据库 (DB) 中注册的化合物进行定性分析，将可轻松提供分子离子和质子化分子的软电离方法与可测量精确质量的飞行时间质谱仪 (TOFMS) 结合起来非常有用。通过使用场电离 (FI) 等软电离方法观察分子离子，然后根据精确质量估计成分，可以确定 DB 中未注册的未知化合物的分子式。在我们公司，我们将使用EI法和软电离法获得的两个质谱图的定性分析方法称为“综合分析”，并于2018年发布了配备该软件的msFineAnalysis。
使用 TOFMS 进行集成分析还可以得出碎片离子的组成式，从而可以获得部分结构信息。此外，通过组合部分结构信息和分子式信息，可以分析化合物的结构。然而，最终的结构估计需要分析人员自己考虑，这项工作需要质谱和科学知识，以及大量的时间。
为了解决使用GC-MS数据进行手动结构分析的困难，我们开发了msFineAnalysis AI，它配备了采用深度学习的质谱预测的综合结构分析方法（以下简称AI结构分析）。 AI结构分析方法利用上述综合分析获得的信息和深度学习模型获得的预测质谱来估计结构。在本次 MSTips 中，我们将介绍一个 msFineAnalysis AI 在高分子材料中的应用示例。
AI结构分析
图1展示了新开发的AI结构分析流程。在该方法中，我们使用深度学习构建了一个模型，可以根据结构式预测 EI 质谱。我们准备了大约 1 亿个化合物结构式，并创建了根据结构式预测的 EI 质谱。结构式及其相关的预测EI质谱作为“AI库”数据库包含在软件中，并且以与常规库数据库搜索相同的方式实现基于谱图的数据库搜索功能。
msFineAnalysis AI 不会使用全部 1 亿个预测质谱进行强力数据库搜索，而是根据通过集成分析唯一确定的分子式缩小候选结构式，旨在快速获得正确的结构式。因此，利用软电离和精确质量分析确定分子式在人工智能结构分析中发挥着重要作用。
通过分子式缩小的预测EI质谱和测量的EI质谱根据光谱模式进行评分，并且候选结构式按照评分顺序列出。通过将获得的候选结构式与样本信息、过去分析结果的知识和诀窍等相结合，最终选择正确的结构式。
图1msFineAnalysis用于未知物结构分析的人工智能工作流程
实验
使用市售的丙烯酸树脂(甲基丙烯酸甲酯和丙烯酸甲酯的共聚物)作为样品，EI法的样品量为02mg，FI法的样品量为09mg。使用热解装置作为样品预处理装置，进行热解产物分析。使用 EI/FI 共享离子源作为离子源。使用msFineAnalysis AI(JEOL制造)对获得的数据进行分析。测量条件如表1所示。
表1测量和分析条件
| 热解条件 | |
|---|---|
| 热解器 | EGA/PY-3030D（前沿实验室） |
| 热解温度 | 600°C |
| GC 条件 | |
|---|---|
| 气相色谱仪 | 8890 GC (安捷伦科技) |
| 专栏 | ZB-5MSi (Phenomenex) 30米×025毫米，025微米 |
| 烤箱温度 | 40°C（2分钟）-10°C/分钟 - 320°C（15分钟） |
| 注射模式 | 分割模式 (100:1) |
| 载流 | He：10mL/分钟 |
| 质谱条件 | |
|---|---|
| 光谱仪 | JMS-T2000GC（日本电子有限公司） |
| 离子源 | EI/FI 组合离子源 |
| 电离 | EI+：70eV，300μA FI+：-10kV，40mA/30msec |
| 质量范围 | m/z 35-800 |
| 数据处理条件 | |
|---|---|
| 软件 | msFineAnalysis AI（日本电子有限公司） |
| 图书馆数据库 | NIST20，人工智能库（天游线路检测中心） |
结果
AI结构分析结果与参考文献对比
在观察到的丙烯酸树脂热分解产物中，我们对未在 NIST 库数据库中注册且其结构式在参考文献 [1] 中提出的四种组分进行了 AI 结构分析，并检查了其效果。
图2显示了从Py-GC-EI和FI测量获得的TIC色谱图。图中的ID[038]、[040]、[055]、[063]是本次分析对象的4个成分。图3显示了这四个组分的实测EI质谱（上排，黑色）、参考文献中提出的结构式（谱图右侧）及其预测的EI质谱（下排，红色）。
图2 py-甲基丙烯酸甲酯-丙烯酸甲酯共聚物的 GC-EI 和 FI TIC 色谱图。
![图3图2中ID[038]、[040]、[055]、[063]的参考文献[1]中提出的结构式的测量EI质谱和预测EI质谱。](/solutions/applications/assets/images/mstips389_03.jpg)
图3 图2中ID[038]、[040]、[055]、[063]的参考文献[1]中提出的结构式的测量EI质谱和预测EI质谱。
表 2 显示了 AI 结构分析获得的结果列表。 msFineAnalysis AI 使用测量的 EI 质谱和预测的 EI 质谱之间的余弦相似度计算分数（最高 999）。表中的“AI得分”表示使用上述余弦相似度的得分，“Rank”表示图3所示结构式的得分排名，“Total”表示候选结构式的数量。此次分析的四个成分均获得了750分以上，相似度很高。事实上，在测量的质谱中观察到的碎片离子和在预测的质谱中的碎片离子非常一致。此外，所有情况下候选结构式的数量都超过了3,000个，但参考文献中提出的结构式在四个组分中的三个中作为前1%的候选结构式获得。
表 2 人工智能结构分析结果
结论
在本MSTips中，我们介绍了msFineAnalysis AI软件在高分子材料中的应用示例，该软件配备了新开发的AI结构分析方法。
这次，我们对四个尚未在NIST库数据库中注册的成分进行了AI结构分析，并通过将其与参考文献中提出的结构式进行比较来评估获得的AI结构分析结果。在谱图比较中，所有余弦相似度得分均为750或更高，表明AI预测的质谱与测量的质谱具有高度的相似性。此外，所有情况下候选结构式的数量都超过了3,000个，但对于四个组分中的三个，参考文献中提出的结构式被列为前1%的候选结构式。 AI的预测结果显示出很高的准确性，这表明该方法对于热分解产物的结构分析也是有效的。
到目前为止，结构分析都是手动执行的，但 msFineAnalysis AI 会自动执行结构分析。是GC-MS定性分析/结构分析的实用工具，未来有望应用于各种GC-MS定性分析场景。
参考文献
Shin Tsuge、Hajime Ohtani、Chuichi Watanabe (2011)，热解 - 合成聚合物的 GC/MS 数据手册，爱思唯尔
