KI sagt Retentionszeiten von Molekülen zuverlässiger voraus
Ein Forscherteam der Friedrich-Schiller-Universität Jena in Kooperation mit dem Helmholtz Zentrum München und der Technischen Universität München hat ein KI-gestütztes Verfahren zur Vorhersage von Retentionszeiten kleiner Moleküle entwickelt. Die Ergebnisse erschienen im Fachjournal Nature Methods. Das Team adressiert damit ein langjähriges Problem der analytischen Chemie: Die Elutionszeit von Substanzen in der Flüssigkeitschromatographie wird durch zahlreiche Faktoren wie Säuleneigenschaften, Lösungsmittelgradienten, pH-Wert und Temperatur beeinflusst. Zudem führen bereits minimale apparative Änderungen zu signifikanten Zeitverschiebungen. Bisherige KI-Modelle waren häufig auf eine aufwendige, systemspezifische Kalibrierung angewiesen, was den Einsatz in der Praxis erschwert. Das neue Modell umgeht diese Hürde durch einen zweistufigen Ansatz. Zunächst bestimmt ein Deep-Molecular-Message-Passing-Netzwerk einen Retentionsreihenfolgenindex, der die relative Position eines Moleküls im Elutionsprofil abbildet, ohne eine absolute Zeit zu liefern. In einem zweiten Schritt wird dieser Index anhand weniger bekannter Referenzsubstanzen in eine konkrete Retentionszeit umgerechnet. Dieser Aufbau ermöglicht präzise Vorhersagen direkt für neue Messsysteme und unbekannte Verbindungen, ohne vorherige Trainingsdaten des Zielgeräts. Prof. Dr. Sebastian Böcker und Mitautor Fleming Kretschmer heben hervor, dass die Methode nicht nur das etablierte Reversed-Phase-Verfahren, sondern auch unbekannte Bedingungen zuverlässig abbildet. Die Anwendungsbereiche umfassen die Wirkstoffforschung, Umweltanalytik, Metabolomik und Lebensmittelchemie. Eine schnellere und treffsicherere Identifizierung unbekannter Metabolite unterstützt die Suche nach neuen Antibiotika oder Antikrebsmitteln sowie die Überwachung ökotoxikologischer Gefahren. Die Software unter dem Namen 2-step ist als lokales Paket und Webanwendung verfügbar. Laut Entwicklern ist eine Integration in bestehende Laborsoftware für Chromatographie und Massenspektrometrie vorgesehen, um die Methode automatisiert in analytische Workflows zu überführen. Durch den systemunabhängigen Ansatz wird der Analyseprozess deutlich beschleunigt und die Abhängigkeit von kostenintensiven Kalibrierungen eliminiert.
