Puntos clave
- Problema: en la cromatografía líquida acoplada a espectrometría de masas, un paso clave para identificar moléculas pequeñas desconocidas es hacer coincidir el tiempo de retención medido con la estructura propuesta. Pero la predicción de tiempos de retención ha dependido durante mucho tiempo de ajustes para un sistema concreto y falla al cambiar de sistema.
- Método: "2-step" convierte la predicción del tiempo de retención en una herramienta transferible y lista para usar, que da predicciones precisas en sistemas nuevos sin reentrenamiento. Ya existen un paquete de software y una aplicación web.
- Usos: descubrimiento de fármacos, investigación de productos naturales (búsqueda de nuevos antibióticos y compuestos anticancerígenos), análisis ambiental y química de alimentos; en definitiva, cualquier lugar donde haya que responder "¿qué molécula es esta?" en una muestra compleja.
Análisis
El valor de este trabajo no está en lo sofisticado del modelo, sino en su transferibilidad: los laboratorios pueden usarlo sin reunir sus propios conjuntos de datos grandes. El artículo se publicó en Nature Methods y los autores indican expresamente que el método puede integrarse en los programas de análisis habituales. Para los laboratorios de espectrometría de masas, podría convertirse en los próximos años en un botón que venga por defecto en el software de los instrumentos.
Enlace original: AI method predicts retention times of small molecules more reliably. Este texto es un resumen y se ofrece solo como referencia.
