Naslov (srp)

Predviđanje retencionog i jonizacionog ponašanja odabranih analita u sistemu micelarne tečne hromatografije i masene spektrometrije primenom algoritama mašinskog učenja : doktorska disertacija

Autor

Krmar, Jovana, 1990-

Doprinosi

Zečević, Mira, 1963-
Tolić Stojadinović, Ljiljana, 1986-
Đajić, Nevena, 1989-
Vukićević, Milan, 1983-
Otašević, Biljana, 1977-
Protić, Ana, 1979-

Opis (srp)

Prva celina doktorske disertacije bavi se uspostavljanjem kvantitativnih odnosa između strukture i retencije (eng. quantitative structure−retention relationships, QSRR) atipičnog antipsihotika aripiprazola i njegovih nečistoća u sistemu micelarne tečne hromatografije (eng. micellar liquid chromatography, MLC). Osim uticaja fizičko-hemijskih karakteristika, istovremeno je ispitivan doprinos variranja eksperimentalnih faktora divergirajućem hromatografskom ponašanju strukturno srodne grupe jedinjenja. Razvoj QSRR modela počivao je na kombinovanju 6 metoda za odabir ulaznih varijabli i 8 algoritama mašinskog učenja (eng. machine learning algorithms, MLA). Prediktivne performanse 48 QSRR obrazaca procenjene su i međusobno upoređene prema vrednostima korena srednje kvadratne greške (eng. root mean square error, RMSE) i koeficijenta determinacije (eng. coefficient of determination, Q2). QSRR model najboljih prediktivnih performansi korišćen je za rasvetljavanje faktora koji kontrolišu hromatografsko zadržavanje analita u MLC analitičkom sistemu.U drugom delu doktorske disertacije, modelovan je uticaj molekulskih deskriptora i eksperimentalnih faktora na intenzitet odgovora masenog spektrometra (eng. mass spectrometer, MS) odabrane grupe jedinjenja primenom MLA. Vrednosti odgovora elektrosprej jonizacije (eng. electrospray ionization, ESI) ispitane su u zavisnosti od strukture aripiprazola i njegovih sedam nečistoća, odnosno, instrumentalnih faktora i karakteristika korišćenih rastvarača. Takođe, proučavano je generisanje signala hemijske jonizacije pod atmosferskim pritiskom (eng. atmospheric pressure chemical ionization, APCI) rastvora antipsihotika. Kvantitativni odnosi svojstva od interesa i strukture analitâ (eng. quantitative structure−property relationships, QSPR) u oba slučaja izvedeni su primenom MLA. MLA-QSPR modeli korišćeni su za predviđanje ESI odgovora/APCI signala test skupa, kao i za pružanje uvida u mehanizme generisanja odgovora od interesa.

Opis (srp)

Farmacija - Analitika lekova / Pharmacy- Drug analysis Datum odbrane: 10.10.2023.

Opis (eng)

The first part of the dissertation focuses on the establishment of quantitative structure−retention relationship (QSRR) models in the micellar liquid chromatography (MLC). In addition to the influence of physicochemical properties, the contribution of experimental factors to the divergent chromatographic behavior of the atypical antipsychotic aripiprazole and its impurities was simultaneously investigated. Six feature selection methods and eight machine learning algorithms (MLAs) were combined in the development of the QSRR models. The predictive performance of 48 QSRR patterns was evaluated and compared according to the values of the root mean square error (RMSE) and the coefficient of determination (Q2). The QSRR model with the best predictive performance was used to elucidate the factors controlling analyte retention in particular MLC system.In the second part of the dissertation, the influence of molecular descriptors and experimental factors on the response of a mass spectrometer (MS) of a selected group of compounds was modeled using MLAs. The electrospray ionization (ESI) responses were studied as a function of the structures of aripiprazole and its seven impurities, as well as instrumental factors and solvent properties. In addition, the generation of signals by atmospheric pressure chemical ionization (APCI) of antipsychotics’ solutions was investigated. Quantitative structure−property relationships (QSPR) models were derived using MLAs in both cases. The MLA-QSPR models were used to predict the ESI response/APCI signal of the test set and provided mechanistic insight into the field.

Jezik

srpski

Datum

2023

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-NC-ND 3.0 AT - Creative Commons Autorstvo - Nekomercijalno - Bez prerada 3.0 Austria License.

http://creativecommons.org/licenses/by-nc-nd/3.0/at/legalcode

Predmet

OSNO - Opšta sistematizacija naučnih oblasti, Analiza lekova

retention prediction, response prediction, QSRR, QSPR, machine learning algorithms, micellar liquid chromatography, mass spectrometry, electrospray ionization, atmospheric pressure chemical ionization, aripiprazole

OSNO - Opšta sistematizacija naučnih oblasti, Analiza lekova

predviđanje retencije, predviđanje odgovora, QSRR, QSPR, algoritmi mašinskog učenja, micelarna tečna hromatografija, masena spektrometrija, elektrosprej jonizacija, hemijska jonizacija pod atmosferskim pritiskom, aripiprazol

615.214:543.51(043.3)