Диссертация

При идентификации химических соединений методом хромато-масс-спектрометрии измеренные характеристики детектированного компонента образца сравниваются со значениями, полученными при измерении образца сравнения известного состава. При недоступности образца сравнения, возможно использование специализированных библиотек основных хромато-масс-спектрометрических характеристик - удерживания и масс-спектров. Однако, для большинства химических соединений справочные значения отсутствуют. Одним из способов их оценки является использование машинного обучения. В работе предложены методы прогнозирования времен удерживания в жидкостной хроматографии, индексов удерживания в газовой хроматографии, а также масс-спектров электронной ионизации с применением различных алгоритмов машинного и глубокого обучения. В частности, применение графовых искусственных нейронных сетей с распространением сообщений позволило прогнозировать времена удерживания со средним отклонением в 32 с для широкого круга веществ, для обучения модели использовали большую библиотеку по удерживанию METLIN SMRT. Показано, что в сочетании с использованием экспериментального метода изотопного обмена 16О/18О возможно достичь 50% сокращения пространства поиска при идентификации соединений в нецелевом анализе. Предложен основанный на машинном обучении подход к прогнозированию индексов удерживания в газовой хроматографии для соединений относящихся к Конвенции Организации по запрещению химического оружия, со средним отклонением 16 ед. Прогнозирование масс-спектров электронной ионизации с помощью алгоритма градиентного бустинга позволяет формировать расчетные библиотеки масс-спектров, среднее значение меры сходства предсказанных и измеренных спектров при этом составляет 0,76.