更轻松的液相方法开发（六）基于AI算法的自动梯度优化

传统的液相色谱方法开发过程从“准备”开始，包括流动相制备、安装色谱柱、创建分析计划，然后运行分析。然后，对数据结果进行分析判断，以便为后续的改进进行“准备”。方法开发就是通过一遍又一遍地重复这些过程来筛选理想条件，换言之，传统的方法开发需要大量的“人工干预”，除了重复创建分析计划所需的大量时间外，基于数据的分析判断更加需要专业人员参与，并且要求具有非常丰富的色谱专业知识。因此，将方法开发过程自动化，减少人工干预，对于提高整体工作效率是非常有帮助的。

其中，梯度条件的优化常常是最为头疼的一项工作，LabSolutions MD具有独特的AI算法，通过重复"通过AI改进梯度条件"和"改进条件的校正分析"的过程来自动优化梯度条件。这使得任何人都可以在没有"人工干预"的情况下探索梯度条件。

图1  传统工作流程和自动化工作流程的比较

自动梯度优化功能介绍

LabSolutions MD梯度条件自动优化的工作流程包括以下三个阶段。

①设置初始条件和分离度标准

设置基本条件、梯度曲线类型、分离度标准。

②利用AI自动探索梯度条件

根据初始分析的结果进行条件搜索和校正分析，以提供更好的分离度。

此过程反复进行，直到满足分离度标准为止。

③确定理想条件

检查AI建议的梯度条件以充分满足标准。

应用案例

分析条件

优化效果

图2 梯度条件的自动优化蓝线表示梯度曲线

初始分析结果显示，峰C4和C5之间以及峰T3和T4之间的分离度不足（如图2顶部的红色框所示）。然而，通过使用AI算法反复进行校正分析，最终成功地发现了满足标准（最小分离度为1.5）的梯度条件（如图2底部的绿色框所示）。不需要具有丰富数据分析和色谱知识，LabSolutions MD 的 AI 算法使任何人都可以轻松找到满足指定标准的梯度条件，而无需依赖直觉或经验。

总结

只要设置分离度目标和简单的初始条件，LabSolutions MD方法开发软件可以实现梯度条件的自动优化，其采用独特的 AI 算法，自动探索满足指定分离度目标的梯度条件，大幅减少“人工干预”，显著提高方法开发效率。

本文内容非商业广告，仅供专业人士参考。