論文の概要: Automated fragment identification for electron ionisation mass spectrometry: application to atmospheric measurements of halocarbons

• arxiv url: http://arxiv.org/abs/2103.13807v1
• Date: Tue, 23 Mar 2021 09:35:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:29:57.690443
• Title: Automated fragment identification for electron ionisation mass spectrometry: application to atmospheric measurements of halocarbons
• Title（参考訳）: 電子イオン化質量分析のための自動フラグメント同定:ハロカーボンの大気計測への応用
• Authors: Myriam Guillevic (EMPA), Aurore Guillevic (CARAMBA), Martin Vollmer (EMPA), Paul Schlauri (EMPA), Matthias Hill (EMPA), Lukas Emmenegger (EMPA), Stefan Reimann (EMPA)
• Abstract要約: 非標的スクリーニングは、疑いまたは未知のすべての現在の物質のサンプルを検索することである。 このアプローチは10年以上前に水分析の分野で導入されたが、室内および大気中の微量ガスの測定には依然として不十分である。 GC-EI-HRMSによる未知化合物の自動同定を可能にするデータ解析ツールを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Non-target screening consists in searching a sample for all present substances, suspected or unknown, with very little prior knowledge about the sample. This approach has been introduced more than a decade ago in the field of water analysis, but is still very scarce for indoor and atmospheric trace gas measurements, despite the clear need for a better understanding of the atmospheric trace gas composition. For a systematic detection of emerging trace gases in the atmosphere, a new and powerful analytical method is gas chromatography (GC) of preconcentrated samples, followed by electron ionisation, high resolution mass spectrometry (EI-HRMS). In this work, we present data analysis tools to enable automated identification of unknown compounds measured by GC-EI-HRMS. Results: Based on co-eluting mass/charge fragments, we developed an innovative data analysis method to reliably reconstruct the chemical formulae of the fragments, using efficient combinatorics and graph theory. The method (i) does not to require the presence of the molecular ion, which is absent in $\sim$40% of EI spectra, and (ii) permits to use all measured data while giving more weight to mass/charge ratios measured with better precision. Our method has been trained and validated on >50 halocarbons and hydrocarbons with a molar masses of 30-330 g mol-1 , measured with a mass resolution of approx. 3500. For >90% of the compounds, more than 90% of the reconstructed signal is correct. Cases of wrong identification can be attributed to the scarcity of detected fragments per compound (less than six measured mass/charge) or the lack of isotopic constrain (no rare isotopocule detected). Conclusions: Our method enables to reconstruct most probable chemical formulae independently from spectral databases. Therefore, it demonstrates the suitability of EI-HRMS data for non-target analysis and paves the way for the identification of substances for which no EI mass spectrum is registered in databases. We illustrate the performances of our method for atmospheric trace gases and suggest that it may be well suited for many other types of samples.
• Abstract（参考訳）: 背景: 標的でないスクリーニングは、疑わしい、あるいは未知のすべての現在の物質のサンプルを探索することであり、サンプルに関する事前知識はほとんどない。 このアプローチは10年以上前に水分析の分野で導入されたが、大気の微量ガス組成をよりよく理解する必要性はあるものの、室内および大気中の微量ガス測定にはまだ不足している。 大気中に出現する微量ガスを系統的に検出するために、新しい強力な分析法は、高濃度試料のガスクロマトグラフィー(GC)、続いて電子イオン化、高分解能質量分析法(EI-HRMS)である。 本研究では,gc-ei-hrmsによる未知化合物の自動同定を可能にするデータ解析ツールを提案する。 結果: 質量/電荷の破片を共同計算し, 効率的なコンビネータとグラフ理論を用いて, 破片の化学式を確実に再構築する革新的なデータ解析法を開発した。 i) 分子イオンの存在を必要とせず、EIスペクトルの40パーセントに満たないため、(ii) より高精度に測定された質量/電荷比により多くの重みを与えながら、すべての測定データを使用することができる。 本手法は, 30-330 g mol-1 のモル質量を持つ50のハロカーボンおよび炭化水素に対して, 質量分解能のアポックスで測定した。 3500. 90%以上の化合物では、再構成された信号の90%以上が正しい。 誤認例は、検出された1化合物あたりの破片の不足(質量/電荷が6つ未満)や、同位体制限の欠如(稀な同位体が検出されない)に起因する。 結論: 本手法は, スペクトルデータベースから独立して, 最も可能性の高い化学式を再構成できる。 したがって、非ターゲット分析のためのEI-HRMSデータの適合性を実証し、EI質量スペクトルがデータベースに登録されていない物質を識別する方法を舗装する。 本手法は,大気微量ガスに対する性能を示し,他の多くの試料にも適している可能性が示唆された。

関連論文リスト

• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Determination of Trace Organic Contaminant Concentration via Machine Classification of Surface-Enhanced Raman Spectra [0.7029155133139362]
  機械学習を用いて,未処理のRamanデータから試料汚染物質の濃度を予測する手法を提案する。 標準的な機械学習モデルを用いて、サンプル汚染物質の濃度を、生のRamanデータから80%以上のクロスバリデーション精度で予測する。
  論文  参考訳（メタデータ） (2024-01-31T21:49:40Z)
• Analyze Mass Spectrometry data with Artificial Intelligence to assist the understanding of past habitability of Mars and provide insights for future missions [0.0]
  本稿では,古代火星の居住可能性検出のための質量分析データへの人工知能の応用について述べる。 火星のデータを収集したものの、地球上のあらゆる天体に対して同じアプローチを再現することができる。
  論文  参考訳（メタデータ） (2023-10-18T11:14:46Z)
• Autonomous Detection of Methane Emissions in Multispectral Satellite Data Using Deep Learning [73.01013149014865]
  メタンは最も強力な温室効果ガスの1つである。 現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。 深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
  論文  参考訳（メタデータ） (2023-08-21T19:36:50Z)
• De-novo Identification of Small Molecules from Their GC-EI-MS Spectra [0.0]
  機械学習に基づくエンフデノボ法は、その質量スペクトルから直接分子構造を導出する手法が近年注目されている。 本稿では,GC-EI-MS スペクトルの特定の利用例に対処するアノベル法について述べる。
  論文  参考訳（メタデータ） (2023-04-04T08:46:00Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Combination of Raman spectroscopy and chemometrics: A review of recent studies published in the Spectrochimica Acta, Part A: Molecular and Biomolecular Spectroscopy Journal [0.0]
  本稿では,ラマン分光法とケモメトリックスを併用して,試料とその異なる因子による変化について検討する。 我々は、分類モデルを作成するための最良の戦略を要約し、化学計測技術の適用に関して、いくつかの共通の欠点を強調した。
  論文  参考訳（メタデータ） (2022-10-18T13:08:20Z)
• Untargeted Region of Interest Selection for GC-MS Data using a Pseudo F-Ratio Moving Window ($\psi$FRMV) [0.0]
  本稿では,GC-MSデータにおける関心領域の自動選択手法を提案する。 これは、クロマトグラムを横切るウィンドウの特異値分解から得られる正方形第一値と第二特異値の比に基づいている。 アルゴリズムの感度は、信号を含むクロマトグラフィー領域をもはや取り出すことができない濃度を調べることで検証された。
  論文  参考訳（メタデータ） (2022-07-30T21:43:05Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。