hidden - assigned and confirmed by the Study Dept.
Date of registration:
10.12.2021
Date of assignment:
10.12.2021
Confirmed by Study dept. on:
10.12.2021
Date of electronic submission:
18.05.2023
Date of proceeded defence:
29.05.2023
Opponents:
doc. RNDr. Tomáš Křížek, Ph.D.
Advisors:
RNDr. Jana Olšovská, Ph.D.
RNDr. Tomáš Vrzal, Ph.D.
Preliminary scope of work
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.
Preliminary scope of work in English
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.
- assigned and confirmed by the Study Dept.