Predicting differential ion mobility behaviour <i>in silico</i> using machine learning
Notice bibliographique
Résumé
Although there has been a surge in popularity of differential mobility spectrometry (DMS) within analytical workflows, determining separation conditions within the DMS parameter space still requires manual optimization. A means of accurately predicting differential ion mobility would benefit practitioners by significantly reducing the time associated with method development. Here, we report a machine learning (ML) approach that predicts dispersion curves in an N2 environment, which are the compensation voltages (CVs) required for optimal ion transmission across a range of separation voltages (SVs) between 1500 to 4000 V. After training a random-forest based model using the DMS information of 409 cationic analytes, dispersion curves were reproduced with a mean absolute error (MAE) of ≤ 2.4 V, approaching typical experimental peak FWHMs of ±1.5 V. The predictive ML model was trained using only m/z and ion-neutral collision cross section (CCS) as inputs, both of which can be obtained from experimental databases before being extensively validated. By updating the model via inclusion of two CV datapoints at lower SVs (1500 V and 2000 V) accuracy was further improved to MAE ≤ 1.2 V. This improvement stems from the ability of the "guided" ML routine to accurately capture Type A and B behaviour, which was exhibited by only 2% and 17% of ions, respectively, within the dataset. Dispersion curve predictions of the database's most common Type C ions (81%) using the unguided and guided approaches exhibited average errors of 0.6 V and 0.1 V, respectively.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».