Yeni bir derin öğrenme modeli olan DeePFAS, ham MS2 spektrumlarını kimyasal özelliklerin gizli bir alanına yansıtarak “sonsuza kadar kimyasalların” (PFAS) büyük ölçekli, hedefsiz taramasını kolaylaştırıyor ve karmaşık geleneksel analizin yerini alacak hızlı, yapay zeka odaklı bir çözüm sunuyor.
Çoğunlukla “sonsuza kadar kimyasallar” olarak adlandırılan per- ve polifloroalkil maddelerin (PFAS) doğru tespiti, yapısal çeşitlilikleri, standartlaştırılmış yöntemlerin eksikliği ve eser düzeydeki çevresel seviyeleri ölçmek için son derece hassas ekipmanlara duyulan ihtiyaç nedeniyle çevre bilimi için kritik ve karmaşık bir zorluk teşkil etmektedir.
Yayınlanan bir çalışma Çevre Bilimi ve Teknolojisi bu engellerin üstesinden gelmek için yenilikçi, derin öğrenmeye dayalı bir yaklaşımı ortaya koyuyor. Arka plan kontaminasyonunun yaygınlığı ve farklı PFAS bileşiklerinin çok sayıda olması, evrensel tespit protokollerinin geliştirilmesini daha da karmaşık hale getirmektedir.
Mevcut analitik metodoloji temel olarak, çeşitli matrislerde (su, toprak, biyolojik numuneler vb.) PFAS’ı analiz etmek için yaygın olarak benimsenen Sıvı Kromatografi-Yüksek Çözünürlüklü Kütle Spektrometrisine (LC-HRMS) dayanmaktadır.
Ancak LC-HRMS, yüksek kontaminasyon riski, yoğun emek gerektiren numune hazırlama ve zaman alan veri işleme gibi önemli zorlukları da beraberinde getirir. Bu işlem, özellikle yapısal olarak benzer bileşikleri ayırt etmek için gelişmiş yazılım ve uzmanlık gerektirir.
Bu sınırlamaları gidermek için Ulusal Tayvan Üniversitesi’ndeki bir araştırmacı ekibi, PFAS bileşiklerinin hızlı ve etkili bir şekilde açıklanmasına yönelik yeni bir derin öğrenme yöntemi olan DeePFAS’ı tanıttı.
DeePFAS, ham MS2 spektrumlarını (kimyasal parmak izlerini) “gizli bir alana” dönüştürmek için evrişimsel ve transformatör mimarilerini birleştiren özel bir spektral kodlayıcı kullanır. Bu gizli alan, geniş bir etiketlenmemiş bileşik topluluğundan öğrenilen kimyasal yapısal özelliklerin kısa bir haritasını temsil eder.
Bu gizli temsilleri aday moleküllerle karşılaştıran DeePFAS, MS2 spektrumlarının yüksek verimli şekilde açıklanmasına olanak tanır. Bu yaklaşım, büyük ölçekli, hedeflenmemiş PFAS tarama çabalarını önemli ölçüde kolaylaştırır ve çevresel izlemenin genel analitik karmaşıklığını azaltır.
Çalışma, DeePFAS’ın PFAS’a özgü özellikleri belirleme konusundaki hassasiyetini başarıyla ortaya koydu ve pratik fizibilitesi, gerçek dünyadaki atık su örneklerine uygulanarak doğrulandı.
Ekip, aracın daha düşük güven gösterdiği bazı bileşiklerle ilişkili ara sıra yanlış pozitif açıklamalar da dahil olmak üzere küçük sınırlamaları kabul etti.
Gelecekteki çalışmalar, in silico yöntemleri kullanarak kimyasal parmak izi kitaplığının genişletilmesini ve güvenin artırılması için DeePFAS sonuçlarının mevcut araçlarla karşılaştırılmasını içerecektir. Sonuçta DeePFAS, araştırmacılar için sağlam, açık kaynaklı bir yapay zeka çözümü sunuyor ve GitHub’da daha fazla araştırma ve geliştirmeye açık.
Çalışmanın ilgili yazarı Prof. Yufeng Jane Tseng, “Bu yaklaşım, hedeflenmemiş PFAS analizini geliştirmek ve analitik karmaşıklığı önemli ölçüde azaltmak için tasarlanmıştır” diyor.
