Machine learning algoritmen voor de ontwikkeling van chromatografische methoden

Chromatografie is een analytische techniek die gebruikt wordt om een mengsel in zijn componenten te scheiden. Het ontrafelen van de exacte samenstelling van een mengsel is van belang in een groot aantal disciplines, waaronder de farmaceutische industrie, de chemische industrie, milieu analyses enz. Het uiteindelijke doel van dit doctoraatsproject was de ontwikkeling van algoritmen voor machinaal leren (machine learning, ML) om de scheiding van mengsels in hun componenten te verbeteren, alsook de identificatie van de componenten, door zich te concentreren op verschillende stappen in de chromatografische workflow en deze te verbeteren. Tot op heden is het proces van het succesvol scheiden van een mengsel vaak gebaseerd op een trial-and-error benadering, die zeer tijdrovend en duur kan zijn. Door ML-algoritmen toe te passen wordt gehoopt zowel het aantal succesvolle scheidingen als het aantal stappen om een succesvolle scheiding te bereiken, te verminderen. Meer bepaald werden ML-algoritmen ontwikkeld voor (1) signaalverwerking, zowel voor het verwijderen van ruis als voor piekdetectie op de bekomen chromatogrammen; (2) het vinden van de optimale scouting runs om optimale retentie-modellen te verkrijgen; (3) het identificeren van componenten (onderliggende moleculen) op basis van een verband tussen hun structuren en retentietijden (ook bekend als kwantitatieve structuur-retentie relaties). Belangrijk is dat een verbetering van deze drie stappen ertoe leidt dat (1) meer componenten worden gedetecteerd, (2) de retentietijden van toekomstige chromatografische runs nauwkeuriger worden voorspeld (waardoor het aantal pogingen dat nodig is om een goede scheiding te verkrijgen, wordt verminderd), en (3) de componenten van het mengsel beter worden geïdentificeerd.