人工ニューラルネットワークによるポリ塩素化ビフェニルのガスクロマトグラフィー保持のクロスカラム予測

この論文では、広範囲の分離条件内で毛細血管ガスクロマトグラフィ（GC）におけるポリ塩化ビフェニル（PCB）の挙動を予測できる複数列保持モデルを構築します。この目的のために、GC保持は、選択された理論的分子記述子によってコードされるPCBの化学構造と、適切な少数の検体の相対保持時間（RRT）で表される固定相の両方の両方に関連しています。このモデルは、文献で報告されている非極性または中極性の固定相によって紹介された17の異なる毛細血管カラムで収集された209の可能性のある同族体のプールから抽出された70 PCBの保持データを使用して生成されました。遺伝的アルゴリズム変数の選択と組み合わせた多重回帰は、ソフトウェアドラゴンによって提供される大きなセットから抽出された理論的分子記述子に基づいて、17列のそれぞれについて4次元の定量的構造 - 保持関係（QSRR）を生成するために予備的に適用されました。さまざまな単一列QSRRの非共通記述子をマージすることによって得られた33の分子記述子は、少ないPCBと最も保持されたPCBのRRTS値と組み合わせて、複数列保持モデルの開始独立変数と見なされました。キャリブレーションデータから抽出された検証セットで最適化された多層人工ニューラルネットワーク（ANN）を適用して、マルチコラム保持モデルを生成しました。ネットワーク出力に対する開始入力の影響は感度分析によって評価され、モデルの複雑さは冗長分子記述子の段階的な排除によって減少しましたが、さらなるPCBのRRTは、定常期の説明を改善するために含まれていました。選択された8つのPCBの9つの分子記述子とRRTは、最終ANNベースのモデルの独立変数と見なされます。このモデルは、キャリブレーションから除外された139 PCBおよび6つの外部列および/または温度プログラムでテストされました。

In this paper, we build a multiple-column retention model able to predict the behaviour of polychlorinated biphenyls (PCBs) in capillary gas-chromatography (GC) within a wide range of separation conditions. To this end, GC retention is related to both chemical structure of PCBs, encoded by selected theoretical molecular descriptors, and the kind of stationary phase, represented by the relative retention time (RRT) of a suitable small number of analytes. The model was generated using the retention data of 70 PCBs extracted from the pool of the 209 possible congeners collected on 17 different capillary columns featured by non-polar or moderately polar stationary phases, reported in the literature. Multilinear regression combined with genetic algorithm variable selection was preliminarily applied to generate a four-dimensional quantitative structure-retention relationship (QSRR) for each of the 17 columns, based on theoretical molecular descriptors extracted from the large set provided by the software Dragon. 33 molecular descriptors obtained by merging the non-common descriptors of various single-column QSRRs, combined with RRTs values of the less and the most retained PCB, were considered as the starting independent variables of the multiple-column retention model. A multi-layer artificial neural network (ANN), optimised on a validation set extracted from the calibration data, was applied to generate the multi-column retention model. The influence of starting inputs on the network output was evaluated by a sensitivity analysis and model complexity was reduced through a step-wise elimination of redundant molecular descriptors, while RRTs of further PCBs were included to improve description of the stationary phase. Nine molecular descriptors and RRTs of eight selected PCBs are considered as the independent variables of the final ANN-based model, whose predictive performance was tested on the 139 PCBs excluded from calibration and on six external columns and/or temperature programs.