更輕松的液相方法開發（六）基于AI算法的自動梯度優化

傳統的液相色譜方法開發過程從“準備”開始，包括流動相制備、安裝色譜柱、創建分析計劃，然后運行分析。然后，對數據結果進行分析判斷，以便為后續的改進進行“準備”。方法開發就是通過一遍又一遍地重復這些過程來篩選理想條件，換言之，傳統的方法開發需要大量的“人工干預”，除了重復創建分析計劃所需的大量時間外，基于數據的分析判斷更加需要專業人員參與，并且要求具有非常豐富的色譜專業知識。因此，將方法開發過程自動化，減少人工干預，對于提高整體工作效率是非常有幫助的。

其中，梯度條件的優化常常是最為頭疼的一項工作，LabSolutions MD具有獨特的AI算法，通過重復"通過AI改進梯度條件"和"改進條件的校正分析"的過程來自動優化梯度條件。這使得任何人都可以在沒有"人工干預"的情況下探索梯度條件。

 圖1  傳統工作流程和自動化工作流程的比較

自動梯度優化功能介紹

LabSolutions MD梯度條件自動優化的工作流程包括以下三個階段。

①設置初始條件和分離度標準

設置基本條件、梯度曲線類型、分離度標準。

②利用AI自動探索梯度條件

根據初始分析的結果進行條件搜索和校正分析，以提供更好的分離度。

此過程反復進行，直到滿足分離度標準為止。

③確定理想條件

檢查AI建議的梯度條件以充分滿足標準。

應用案例

分析條件

優化效果

圖2 梯度條件的自動優化藍線表示梯度曲線

初始分析結果顯示，峰C4和C5之間以及峰T3和T4之間的分離度不足（如圖2頂部的紅色框所示）。然而，通過使用AI算法反復進行校正分析，最終成功地發現了滿足標準（最小分離度為1.5）的梯度條件（如圖2底部的綠色框所示）。不需要具有豐富數據分析和色譜知識，LabSolutions MD 的 AI 算法使任何人都可以輕松找到滿足指定標準的梯度條件，而無需依賴直覺或經驗。

總結

只要設置分離度目標和簡單的初始條件，LabSolutions MD方法開發軟件可以實現梯度條件的自動優化，其采用獨特的 AI 算法，自動探索滿足指定分離度目標的梯度條件，大幅減少“人工干預”，顯著提高方法開發效率。

本文內容非商業廣告，僅供專業人士參考。