Mobile-Menu

Retentietijden bij vloeistofchromatografie voorspellen Wanneer komt het molecuul uit de kolom?

Bron: persbericht Universiteit van Jena | Vertaald door AI 3 min Leestijd

Leverancier over dit onderwerp

Friedrich-Schiller- Universität Jena

Onderzoekers van de Universiteit van Jena hebben een AI-methode ontwikkeld waarmee retentietijden nauwkeuriger kunnen worden voorspeld. Hierdoor kunnen analyses beter worden gepland, ook voor nieuwe systemen en onbekende stoffen. De tool kan online worden gedownload.

Retentietijden beter voorspellen: een nieuw AI-model moet daarbij helpen. De link naar het programma van de onderzoeksgroep uit Jena staat onderaan dit artikel. (Illustratieve afbeelding)(Afbeelding: khaw – stock.adobe.com)
Retentietijden beter voorspellen: een nieuw AI-model moet daarbij helpen. De link naar het programma van de onderzoeksgroep uit Jena staat onderaan dit artikel. (Illustratieve afbeelding)
(Afbeelding: khaw – stock.adobe.com)

Of het nu gaat om het zoeken naar werkzame stoffen, milieuanalyse of metabolomica: in al deze complexe biologische matrices draait het om het opsporen van de moleculen die erin aanwezig zijn. Onderzoekers van de Friedrich-Schiller-Universiteit Jena hebben samen met partners van het Helmholtz-Centrum München en de Technische Universiteit München nu een AI-methode voor vloeistofchromatografie ontwikkeld die de retentietijden van kleine moleculen betrouwbaarder kan voorspellen.

Juist bij biologische monsters zoals bloed, celmateriaal of bacterieculturen vormt de complexiteit van het monster vaak een belemmering voor een nauwkeurige analyse. Hoewel DNA en eiwitten tegenwoordig met beproefde methoden relatief goed kunnen worden geanalyseerd, is de verscheidenheid aan kleine moleculen — zogenaamde metabolieten — bijzonder groot. Hiertoe behoren stofwisselingsproducten, natuurlijke stoffen, gifstoffen, afbraakproducten en veel geneesmiddelen.

„De moeilijkheid is dat retentietijden sterk afhankelijk zijn van de experimentele omstandigheden: van de gebruikte kolom, het oplosmiddel, de gradiënt, de pH-waarde, de temperatuur en zelfs van ogenschijnlijk kleine technische wijzigingen”, zegt bio-informaticus prof. dr. Sebastian Böcker, die leiding gaf aan het onderzoek. „Als er bijvoorbeeld een slang in het apparaat wordt vervangen of als een nieuwe slang iets langer is dan de oude, kunnen de gemeten tijden aanzienlijk verschuiven.“

Nauwkeurige voorspellingen, ook voor nieuwe LC-systemen

Eerdere modellen moesten vaak worden getraind of bijgesteld met gegevens uit precies dat meetsysteem waarop ze later voorspellingen zouden moeten doen. In de praktijk betekent dit dat onderzoekers eerst talrijke standaardstoffen zouden moeten meten voordat ze het model zinvol kunnen inzetten. Dat is tijdrovend, duur en voor veel toepassingen simpelweg niet mogelijk.

De nieuwe aanpak van het team van Böcker is niet beperkt tot één systeem, maar kan zelfs voorspellingen doen voor nieuwe systemen en onbekende moleculen. De methode richt zich daarbij op de meest gebruikte vorm van vloeistofchromatografie, de ‘reversed-phase’-modus, en werkt in twee stappen:

  • In de eerste stap berekent een machine learning-model voor een molecuul een ‘retentievolgorde-index’. Deze index geeft niet direct een tijd weer, maar de positie van een molecuul in de verwachte volgorde van de retentievolgorde.
  • In de tweede stap wordt deze index met behulp van minder bekende referentiepunten omgezet naar concrete retentietijden.

Fleming Kretschmer heeft een belangrijke rol gespeeld bij de ontwikkeling; hij heeft in het kader van zijn promotieonderzoek aan de methode gewerkt en is mede-eerste auteur van het artikel. „Een belangrijk resultaat van ons werk is dat onze methode beter presteert dan andere benaderingen, die – in tegenstelling tot de onze – eerst uitgebreid op het doelsysteem moeten worden getraind”, benadrukt Kretschmer. „Onze aanpak maakt dus direct nauwkeurige voorspellingen mogelijk, ook voor nieuwe systemen.”

Online tool voor het voorspellen van de retentietijd beschikbaar

Deze aanpak kan overal van pas komen waar onbekende kleine moleculen moeten worden geïdentificeerd. In het onderzoek naar natuurlijke stoffen zijn wetenschappers bijvoorbeeld op zoek naar stoffen uit bacteriën, schimmels of planten die in aanmerking komen als nieuwe antibiotica, kankermedicijnen of werkzame stoffen tegen andere ziekten. Ook in de milieuanalyse, de levensmiddelenchemie of het farmaceutisch onderzoek rijst steeds weer dezelfde vraag: wat zit er in een complex monster — en komt de gemeten retentietijd overeen met de vermoedelijke chemische structuur?

De nieuwe tool met de naam „2-step“ is beschikbaar als webapplicatie en als softwarepakket. Volgens de onderzoekers kan de methode in de toekomst in veel analyseprogramma’s worden geïntegreerd en zo automatisch worden gebruikt door laboratoria die met vloeistofchromatografie en massaspectrometrie werken.

Oorspronkelijkepublicatie: Fleming Kretschmer, Eva-Maria Harrieder, Michael Witting en Sebastian Böcker: De tijden veranderen, maar volgorde blijft belangrijk: overdraagbare voorspelling van retentietijden bij vloeistofchromatografie van kleine moleculen. Nature Methods 2026; DOI: 10.1038/s41592-026-03243-2,

Schrijf u nu in op de nieuwsbrief

Mis onze beste content niet

Door op „Abonneren op nieuwsbrief“ te klikken, geef ik toestemming voor de verwerking en het gebruik van mijn gegevens in overeenstemming met het toestemmingsformulier (uitvouwen voor details) en accepteer ik de gebruiksvoorwaarden. Raadpleeg ons privacybeleid voor meer informatie. De toestemmingsverklaring heeft met name betrekking op het verzenden van redactionele nieuwsbrieven per e-mail en op de combinatie van gegevens voor marketingdoeleinden met geselecteerde advertentiepartners (bijvoorbeeld LinkedIn, Google, Meta).

Vouw uit voor details over uw toestemming

Gerelateerde inhoud