Rozšíření umělé inteligence DeepReI a její aplikace v praxi

• Název práce v češtině: Rozšíření umělé inteligence DeepReI a její aplikace v praxi
• Název v anglickém jazyce: Extension of artificial intelligence DeepReI and its application in practice
• Klíčová slova: plynová chromatografie, predikce retence, umělá inteligence, analýza piv a chmelů
• Klíčová slova anglicky: gas chromatography, retention prediction, artificial intelligence, analysis of beers and hops
• Akademický rok vypsání: 2021/2022
• Typ práce: diplomová práce
• Jazyk práce: čeština
• Ústav: Katedra analytické chemie (31-230)
• Vedoucí / školitel: RNDr. Jana Sobotníková, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 10.12.2021
• Datum zadání: 10.12.2021
• Datum potvrzení stud. oddělením: 10.12.2021
• Datum odevzdání elektronické podoby: 18.05.2023
• Datum proběhlé obhajoby: 29.05.2023
• Oponenti: doc. RNDr. Tomáš Křížek, Ph.D.
• Konzultanti: RNDr. Jana Olšovská, Ph.D.

Předběžná náplň práce

DeepReI je umělá inteligence predikující retenci látek v plynové chromatografii, ve formě retenčních indexů (https://doi.org/10.1016/j.aca.2020.12.043), na základě jejich chemické struktury. Informaci o retenci analyzovaných látek lze využít ve spojení se spektrálními daty k identifikaci analytů, což je významné zejména v případě neznámých látek (např. u necílených analýz), kdy nelze experimentálně porovnat retenci se standardními látkami. Aktuální model je uzpůsobený jen pro semi-standardní nepolární stacionární fáze (5%-phenyl-dimethylpolysiloxane), proto bude součástí diplomové práce rozšíření a evaluace modelu DeepReI pro polární (polyethylenglykol) a nepolární (dimethylpolysiloxan) stacionární fáze. Zdrojem vstupních dat bude knihovna retenčních indexů NIST a experimentálně naměřená data. Po samotném rozšíření bude diplomová práce detailně analyzovat možnosti praktického využití tohoto modelu pro identifikaci sloučenin v necílené GC-MS analýze reálných vzorků piv a chmelů.

Předběžná náplň práce v anglickém jazyce

DeepReI is an artificial intelligence predicting the retention of substances in gas chromatography, in the form of retention indices (https://doi.org/10.1016/j.aca.2020.12.043), based on their chemical structure. Information on the retention of analytes can be used in conjunction with spectral data to identify analytes, which is especially important in the case of unknown substances (eg in non-targeted analyzes), where retention cannot be compared experimentally with standard substances. The current model is adapted only for semi-standard non-polar stationary phases (5% -phenyl-dimethylpolysiloxane), therefore the diploma thesis will extend and evaluate the DeepReI model for polar (polyethylene glycol) and non-polar (dimethylpolysiloxane) stationary phases. The source of input data will be the NIST retention index library and experimentally measured data. After the extension itself, the thesis will analyze in detail the possibilities of practical use of this model for the identification of compounds in non-targeted GC-MS analysis of real samples of beers and hops.