Lumo utilizează învățarea automată pentru a eficientiza screeningul E&L și evaluarea riscurilor toxice
În acest interviu, expertul din industrie Anthony Grice explică modul în care învățarea automată prezice factorii de răspuns LC-MS, reducând dependența de surrogat, îmbunătățind acuratețea și accelerând analizele extractabile și fluxurile de evaluare a riscurilor.
Una dintre provocările principale în fluxurile de calibrare pe care Lumo se concentrează este estimarea concentrației unui compus necunoscut într-un studiu E&L, atunci când nu există un standard de referință disponibil. Aceasta se întâmplă frecvent, iar soluția obișnuită este utilizarea unui surrogate. Problema constă în faptul că diferite molecule pot reacționa diferit în spectrometrul de masă, iar o alegere proastă a surrogatului poate genera erori de zece ori sau mai mult.
Lumo elimină această incertitudine prin prezicerea modului în care un compus va reacționa direct pe baza structurii și proprietăților sale moleculare, fără a necesita un standard.
Lumo folosește modele de perceptron multi-strat (MLP) în cadrul învățării automate. Modelele sunt antrenate pe o bază de date care conține peste 300 de compuși cu factori de răspuns măsurați experimental, selectați pentru a acoperi cea mai variată gamă de proprietăți chimice. Fiecare structură a compusului este convertită într-un set de descriptorii moleculare, pe care rețeaua neurală învață să le coreleze cu o valoare a factorului de răspuns.
În primele etape, s-a constatat că un singur model nu putea gestiona complexitatea ionizării LC-MS. Astfel, a fost dezvoltat un sistem stratificat: instrumentul identifică mai întâi clasa grupului funcțional al unui compus, apoi îl direcționează către un sub-model specializat, antrenat pentru acel tip de chimie. Această abordare țintită este ceea ce oferă acuratețea observată în practică.
Un model mai avansat de învățare automată este necesar pentru prezicerea proprietăților, deoarece similaritatea structurală nu prezice în mod fiabil răspunsul ionizării; doi compuși care arată asemănător pe hârtie pot avea comportamente foarte diferite în detector. Modelele bazate pe reguli simple nu pot captura această complexitate. Rețelele neuronale MLP pot face acest lucru, deoarece învață relații non-liniare între multe caracteristici moleculare simultan.
În cazul unui grup de alcooluri aromatice structurale înrudite, cel mai favorabil scenariu pentru selecția surrogatelor, modelul nostru a dublat probabilitatea unei predicții foarte precise (între 80-120 % din valoarea reală) comparativ cu selecția bazată pe judecata expertului.
Performanța predictivă a Lumo este comparată cu abordările tradiționale bazate pe surrogat, fiind evaluată în raport cu criteriile de acuratețe așteptate pe o gamă largă de compuși. Modelele au fost testate pe 49 de compuși care nu au fost parte din datele originale de antrenament. 90 % dintre aceștia au fost preziceți în cadrul a 60 % din concentrația lor reală. Spre deosebire de selecția bazată pe judecata expertului, care are o șansă de 1 din 5 de a subestima cu mai mult de 40 %, 92 % din predicțiile din toate datele de antrenament s-au încadrat într-o fereastră de trei ori, ceea ce este bine în limitele analizei semi-quantitative E&L.
Sistemul semnalează predicțiile cu încredere scăzută pentru urmărire. Se utilizează diferiți indicatori pentru a evalua nivelurile de încredere, iar această caracteristică îmbunătățește eficiența și fiabilitatea testării. Lumo distinge între două situații foarte diferite. Dacă un compus este cunoscut ca fiind non-detectabil în condițiile metodei, cum ar fi o hidrocarbură pură în modul LC-MS/ESI, acesta primește un zero. În schimb, dacă răspunsul unui compus este probabil să fie imprevizibil (de exemplu, anumite structuri care conțin siliciu sau fosfor), acesta este semnalat și nu estimat. Acest semnal avertizează analistul să nu aibă încredere într-o valoare, sugerând utilizarea unei alte abordări. Este o măsură de siguranță esențială care împiedică introducerea unor date eronate în evaluarea riscurilor.
Comparativ cu estimările tradiționale bazate pe surrogat, performanța Lumo respectă criteriile de acuratețe așteptate pe o gamă variată de compuși. În cazul grupului de alcooluri aromatice structurale înrudite, judecata expertului a realizat un rezultat foarte precis (între 80-120 % din valoarea reală) doar 24 % din timp. Lumo a atins același nivel de acuratețe în 54 % din cazuri. Probabilitatea unei subestimări riscante a scăzut de la 20 % la 10 %. În plus, spre deosebire de selecția surrogatelor, performanța Lumo nu depinde de disponibilitatea unui compus de referință adecvat.
În ceea ce privește avantajele practice, laboratoarele pot beneficia de trei aspecte principale prin incorporarea Lumo. Primul este reducerea numărului de standarde. Lumo generează predicții RRF bazate pe structură, astfel încât nu trebuie să aștepți achiziția de standarde sau să faci presupuneri conservatoare în timp ce aștepți. Al doilea aspect este un timp de răspuns mai rapid. Estimările semi-quantitative sunt disponibile imediat ce un compus este identificat, scurtând perioada de timp dintre detecție și evaluarea riscurilor. În al treilea rând, consistența. Modelul aplică aceeași logică de fiecare dată, eliminând variabilitatea dintre analiști în selecția surrogatelor. Rezultatul este o livrare mai rapidă și mai defensibilă.
Lumo se aliniază cu abordările bazate pe risc din ISO 10993-18. Aceasta sprijină evaluările toxicologice în cadrul acestui cadru. ISO 10993-18 impune caracterizarea chimică să fie realizată în cadrul unui cadru de gestionare a riscurilor, cu incertitudinea analitică contabilizată explicit în Pragul de Evaluare Analitică. Predicțiile RRF mai bune înseamnă o incertitudine analitică mai mică, ceea ce se traduce prin calcule AET mai precise și o necesitate redusă pentru factori de incertitudine excesiv de conservatori. Sistemul de semnalizare creează, de asemenea, o pistă de audit transparentă. Implicația pentru Lumo este simplă: predicții mai bune ale RRF conduc la o caracterizare mai bună a incertitudinii reale a metodei, sprijinind un factor de incertitudine mai defensibil și mai precis și, în cele din urmă, un AET mai fiabil, fără a fi subestimat.
Pentru a preveni generarea de rezultate chimic implauzibile, Lumo implementează mai multe măsuri de siguranță. Structurile invalide sunt identificate în etapa de introducere. Sistemul de rutare a substructurii asigură că compușii sunt evaluați doar de modele antrenate pe date chimice relevante. Logica forțată de zero împiedică modelul să raporteze un semnal acolo unde nu este chimic posibil. Iar sistemul de semnalizare oprește estimările nesigure să ajungă la analist. Aceste măsuri nu sunt doar verificări de calitate, ci reprezintă ceea ce face instrumentul suficient de de încredere pentru a fi utilizat într-un context reglementat.
În rândul primilor utilizatori ai Lumo, au fost observate rezultate măsurabile, în special în ceea ce privește accelerarea screeningului non-targetat sau î
