Predicting the Mass Spectra of Environmental Pollutants Using Computational Chemistry: A Case Study and Critical Evaluation
Notice bibliographique
Résumé
Organic pollutants can be identified by comparing their electron ionization (EI) mass spectra with those in libraries or obtained from authentic standards. Nevertheless, libraries are incomplete; standards may be unavailable or too costly, or their synthesis may be too time-consuming. This study evaluates the performance of quantum chemical electron ionization mass spectrometry (QCEIMS) vis-à-vis competitive fragmentation modeling (CFM) for suspect screening and unknown identification. EI mass spectra of 35 compounds, including halogenated organics, organophosphorus flame retardants (OPFRs), and disinfection byproducts were computed. Computational results were compared with EI mass spectra compiled in the NIST Library as well as collision-induced dissociation (CID) mass spectra obtained from radical cations M •+ generated by charge-exchange atmospheric pressure chemical ionization (APCI). The results indicate that QCEIMS performs equivalently or better than CFM. Average match factors between computed and experimental (NIST) EI mass spectra were 656 vs 503 for the halogenated organics, and on average, QCEIMS predicted 55% of the products generated by CID vs 17% predicted by CFM. QCEIMS predicted 37% of the OPFR CID products whereas CFM predicted 29%. QCEIMS performed comparably to a commercial combinatorial fragmentation method for suspect screening of a dust sample, identifying 19/20 targets. Examples of unknown pollutants, whose reference spectra were unavailable at the time of discovery, are also presented. The computational results suggest that QCEIMS can help guide the analyst in obtaining authentic standards and raise the possibility that, with advances in computing, an unknown may eventually be confirmed in hours as opposed to the days or months required to obtain authentic standards.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».