Pontos principais
- Problema: na cromatografia líquida acoplada à espectrometria de massas, uma etapa-chave para identificar moléculas pequenas desconhecidas é associar o tempo de retenção medido à estrutura proposta. Mas a previsão do tempo de retenção dependeu por muito tempo de ajustes para um sistema específico e falha quando o sistema muda.
- Método: o "2-step" transforma a previsão do tempo de retenção em uma ferramenta transferível e pronta para uso, que faz previsões precisas em sistemas novos sem retreinamento. Já existem um pacote de software e um aplicativo web.
- Usos: descoberta de fármacos, pesquisa de produtos naturais (busca de novos antibióticos e compostos anticâncer), análise ambiental e química de alimentos, ou seja, qualquer lugar em que seja preciso responder "que molécula é esta?" em uma amostra complexa.
Análise
O valor deste trabalho não está em um modelo sofisticado, mas na transferibilidade: os laboratórios podem usá-lo sem reunir seus próprios grandes conjuntos de dados. O artigo foi publicado na Nature Methods, e os autores afirmam explicitamente que o método pode ser integrado aos principais programas de análise. Para os laboratórios de espectrometria de massas, isso pode virar, nos próximos anos, um botão padrão nos softwares dos instrumentos.
Link original: AI method predicts retention times of small molecules more reliably. Este texto é um resumo, apenas para referência.
