La spectrométrie de masse en tandem est un outil analytique puissant utilisé pour caractériser des mélanges complexes dans la découverte de médicaments et dans d'autres domaines.

Maintenant, Les innovateurs de l'Université Purdue ont créé une nouvelle méthode d'application des concepts d'apprentissage automatique au processus de spectrométrie de masse en tandem afin d'améliorer le flux d'informations dans le développement de nouveaux médicaments. Leurs travaux sont publiés dans Sciences chimiques .

"La spectrométrie de masse joue un rôle essentiel dans la découverte et le développement de médicaments, " dit Gaurav Chopra, professeur adjoint de chimie analytique et physique au Collège des sciences de Purdue. "La mise en œuvre spécifique de l'apprentissage automatique bootstrap avec une petite quantité de données d'entraînement positives et négatives présentées ici ouvrira la voie à une généralisation des activités quotidiennes d'automatisation de la caractérisation des composés par les chimistes."

Chopra a déclaré qu'il existe deux problèmes majeurs dans le domaine de l'apprentissage automatique utilisé pour les sciences chimiques. Les méthodes utilisées ne permettent pas de comprendre chimiquement les décisions prises par l'algorithme, et les nouvelles méthodes ne sont généralement pas utilisées pour effectuer des tests expérimentaux en aveugle pour voir si les modèles proposés sont précis pour une utilisation dans un laboratoire de chimie.

« Nous avons abordé ces deux éléments pour une méthodologie sélective aux isomères et extrêmement utile en sciences chimiques pour caractériser des mélanges complexes, identifier les réactions chimiques et les métabolites des médicaments, et dans des domaines tels que la protéomique et la métabolomique, ", a déclaré Chopra.

Les chercheurs de Purdue ont créé des modèles d'apprentissage automatique statistiquement robustes pour travailler avec moins de données de formation, une technique qui sera utile pour la découverte de médicaments. Le modèle examine un réactif neutre commun - appelé 2-méthoxypropène (MOP) - et prédit comment les composés interagiront avec le MOP dans un spectromètre de masse en tandem afin d'obtenir des informations structurelles pour les composés.

"C'est la première fois que l'apprentissage automatique est couplé à des réactions diagnostiques ion-molécule en phase gazeuse, et c'est une combinaison très puissante, ouvrant la voie à une identification par spectrométrie de masse entièrement automatisée de composés organiques, " a déclaré Hilkka Kenttämaa, le professeur distingué Frank Brown de chimie analytique et de chimie organique. "Nous introduisons maintenant de nombreux nouveaux réactifs dans cette méthode."

L'équipe Purdue présente des organigrammes de réactivité chimique pour faciliter l'interprétation chimique des décisions prises par la méthode d'apprentissage automatique qui seront utiles pour comprendre et interpréter les spectres de masse pour les informations structurelles.