DeePFAS, en ny deep learning-modell, effektiviserar storskalig icke-riktad screening av ”eviga kemikalier” (PFAS) genom att projicera råa MS2-spektra i ett latent utrymme av kemiska egenskaper, vilket erbjuder en snabb, AI-driven lösning som ersätter komplex traditionell analys.
Noggrann detektion av per- och polyfluoralkylsubstanser (PFAS), ofta kallade ”eviga kemikalier”, utgör en kritisk och komplex utmaning för miljövetenskapen på grund av deras strukturella mångfald, bristen på standardiserade metoder och behovet av högkänslig utrustning för att mäta spårmängder i miljön.
En studie publicerad i Environmental Science and Technology avslöjar en innovativ, djupinlärningsbaserad metod för att övervinna dessa hinder. Förekomsten av bakgrundskontaminering och det stora antalet olika PFAS-föreningar komplicerar ytterligare utvecklingen av universella detektionsprotokoll.
Nuvarande analysmetodik bygger främst på vätskekromatografi–högupplöst masspektrometri (LC-HRMS), som är allmänt använd för att analysera PFAS i olika matriser (vatten, jord, biologiska prover etc.).
LC-HRMS medför dock betydande utmaningar, bland annat hög kontamineringsrisk, arbetsintensiv provberedning och tidskrävande databehandling. Denna bearbetning kräver avancerad programvara och expertis, särskilt för att skilja mellan strukturellt liknande föreningar.
För att hantera dessa begränsningar introducerade ett forskarteam vid National Taiwan University DeePFAS, en ny djupinlärningsmetod för snabb och effektiv annotering av PFAS-föreningar.
DeePFAS använder en specialiserad spektralkodare, som integrerar konvolutions- och transformatorarkitekturer, för att översätta råa MS2-spektra (kemiska fingeravtryck) till ett ”latent utrymme”. Detta latenta utrymme representerar en koncis kartläggning av kemiska strukturdrag som lärts in från ett stort korpus av omärkta föreningar.
Genom att jämföra dessa latenta representationer med kandidatmolekyler möjliggör DeePFAS en mycket effektiv annotering av MS2-spektra. Detta tillvägagångssätt effektiviserar avsevärt storskaliga icke-riktade PFAS-screeninginsatser och minskar den totala analytiska komplexiteten i miljöövervakningen.
Studien visade framgångsrikt DeePFAS känslighet när det gäller att identifiera PFAS-specifika egenskaper, och dess praktiska genomförbarhet bekräftades genom tillämpning på verkliga avloppsvattenprover.
Teamet erkände mindre begränsningar, inklusive sporadiska falskt positiva annoteringar i samband med vissa föreningar där verktyget uppvisade lägre tillförlitlighet.
Framtida arbete kommer att innefatta utökning av biblioteket med kemiska fingeravtryck med hjälp av in silico-metoder och jämförelse av DeePFAS-resultat med resultat från befintliga verktyg för att öka tillförlitligheten. I slutändan erbjuder DeePFAS en robust, öppen källkodsbaserad AI-lösning för forskare och är tillgänglig för vidare forskning och utveckling på GitHub.
”Denna metod är utformad för att förbättra icke-riktad PFAS-analys och avsevärt minska den analytiska komplexiteten”, säger professor Yufeng Jane Tseng, korresponderande författare till studien.
Mer information: Heng Wang et al, DeePFAS: Deep-Learning-Enabled Rapid Annotation of PFAS: Enhancing Nontargeted Screening through Spectral Encoding and Latent Space Analysis, Environmental Science & Technology (2025). DOI: 10.1021/acs.est.5c09769
