IZGRADNJA QSRR MODELA ZA RAZVOJ RP/WCX HPLC METODE

Sažetak

U farmaceutskim analizama najzastupljenija je reverzno-fazna tečna hromatografija visokih performansi (reverse-phase high-performance liquid chromatography (RP-HPLC)) koja iziskuje značajnu potrošnju mobilne faze toksične prirode. Iz tog razloga, teži se ekološki prihvatljivijim rešenjima (1). Kada su u pitanju kompleksne smeše uzorka, RP-HPLC zbog nemogućnosti sparacije visoko polarnih i naelektrisanih analita, često zahteva više unimodalnih ili dvodimenzionalne HPLC analize. Razvoj multimodalne tečne hromatografije (mixed-mode liquid chromatography (MMLC)) koja podrazumeva više separacionih modaliteta inkorporiranih u jednu stacionarnu fazu, omogućava razdvajanje složenih uzorka jedinstvenom analizom. Brojni faktori utiču na MMLC separaciju, što razvoj metoda čini zahtevnim i ograničava im praktičnu primenu (2). Izgradnja prediktivnih matematičkih modela, kao što su modeli kvantitativnog odnos strukture i retencionog ponašanja (Quantitative structure-retention relationship (QSRR)), može ubrzati razvoj metode. QSRR povezuje fizičko-hemijska svojstva (molekulski deskriptori (MD)) sa retencionim ponašanjem molekula, što omogućava predviđanje retencionog ponašanja neispitanih analita. Uključivanje vrednosti eksperimentalnih parametara u QSRR, proširuje prediktivnost modela na ceo eksperimentalni prostor (3). Podaci o retencionom ponašanju za potrebe razvoja QSRR modela, dobijeni su upotrebom Thermo Acclaim Mixed-Mode WCX-1 (3 μm; 2,1x150 mm) kolone koja uključuje hirdrofobne i interakcije slabe katjonske izmene (weak cation exchange (WCX)). Malim prečnikom kolone omogućen je nizak protok i utrošak mobilne faze (400 μl/min). Sastav mobilne faze (udeo ACN (30 – 50 % (v/v)), pH (3,8 – 5,6) i jonska jačina (20 – 40 mM) acetatnog pufera) i temperatura kolone (30 – 38°C) menjani su u skladu sa centralnim kompozicionim dizajnom – ka centru orijentisanim. Praćen je retencioni faktor 33 farmaceutska jedinjenja različitih farmakoloških i jonizacionih osobina. MD su računati AlvaDesc softverom. Za izgradnju QSRR modela RapidMiner softverom razmatrana je nekolicina algoritama mašinskog učenja, a odabrani su najinformativniji (gradient boosted trees (GBT) i bagging neural networks (BNN)). Modeli su građeni na osnovu podataka za 30 analita, dok su preostala tri (anjon, katjon, neutralni) odabrani za test set. Selekcijom unapred odabrani su najznačajniji MD za izgradnju BNN, za razliku od GBT koji ne zahteva preselekciju MD. Interna procena modela vršena je desetostrukom unakrsnom validacijom (10-fold cross-validation), dok je eksterna vršena test setom podataka. Modeli su upoređeni na osnovu relativne srednje kvadratne greške (RMSE) test seta. BNN (RMSE = 0,104; R² = 0,976) se pokazao boljim u poređenju sa GBT (RMSE = 0,112; R² = 0,963). Dobijeni QSRR modeli pokazali su dobru sposobnost predviđanja retencionog ponašanja molekula različitih jonizacionih sposobnosti u RP/WCX sistemu. Tako bi mogao da se unapredi razvoj MMLC metoda i učini ih pristupačnijim za praktičnu upotrebu.