QSRR modeling in ion chromatography

Razvoj novih metoda za određivanje pojedinih analita ionskom kromatografijom dugotrajan je proces koji se najčešće temelji na metodi pokušaja i pogreške. Osim što pronalazak optimalnih uvjeta poput koncentracije eluensa, temperature sustava ili vremena trajanja analize oduzima puno vremena, nepovoljan je i s ekonomskog aspekta jer se troši velika količina raznoraznih reagensa. Kako bi se smanjili troškovi i vrijeme potrebno za razvoj novih metoda koriste se modeli vremena zadržavanja. Svrha ovog rada je izraditi gradijentni model vremena zadržavanja ugljikohidrata u ionskoj kromatografiji, a na temelju eksperimentalno određenih vrijednosti vremena zadržavanja pojedinih komponenata pri četirima jakostima eluensa. Na temelju spomenutih eksperimentalnih vrijednosti izrađeni su QSRR modeli, po jedan za svaku jakost eluensa. Kao alat za modeliranje primijenjene su umjetne neuronske mreže. Na temelju QSRR-om predviđenih vrijednosti vremena zadržavanja izrađeni su izokratni modeli vremena zadržavanja. Potom je, primjenom pristupa numeričkog integriranja (tzv. iso-to-grad pristup), informacija prenašana u gradijentno okruženje. Budući da QSRR modeliranje uključuje samo strukturne značajke analita i ne vodi računa o njihovim međusobnim interakcijama, u razmatranja predviđenih vrijednosti vremena zadržavanja uključena su empirijska kromatografska znanja kojima su eliminirana nesuvisla predviđanja. Pokazalo se da primjena dodatnih empirijskih informacija može poboljšati izvedbene karakteristike modela vremena zadržavanja, što u konačnici može rezultirati dodatnom znanstvenom i ekonomskom vrijednošću razvijenih modela.Development of new ion chromatographic methods is generally a long-term process usually based on trial and error approach. Searching for optimal conditions (like eluent concentration, system temperature or analysis time) is economically unfavorable since it is time-consuming and requires significant amount of diverse reagents. In order to reduce the costs and required time for method development, diverse retention models are applied. The aim of this work is to develop gradient retention model for IC analysis of carbohydrates, based on experimentally determined retentions on 4 isocratic levels. These experimentally determined retentions were used for creation of 4 QSRR models: one per each isocratic level. The modeling tool was artificial neural networks. Based on QSRR prediction, isocratic retention model for each analyte was developed. Afterwards, the information was tranferd from isocratic to gradient environment by applying numerical integration (so called iso-to-grad approach). Since QSRR modeling includes only structural characteristics of analytes, it does not consider their mutual interactions. Therefore, all predicted values were filltered by consiedering common empirical chromatographic observations; thus the insubstantional predictins were eliminated. It was shown that application of additional empirical information can improve the prediction characteristics of developed retention models, which results with additional scientific and economic worthiness of developed models