Mobile-Menu

Prédire les temps de rétention en chromatographie liquide À quel moment la molécule sort-elle de la colonne ?

Source : communiqué de presse Université d'Iéna | Traduit par l'IA 4 min Temps de lecture

Related Vendor

Friedrich-Schiller- Universität Jena

Des chercheurs de l'université d'Iéna ont mis au point une méthode basée sur l'intelligence artificielle qui permet de prédire les temps de rétention avec plus de précision. Cela permet de mieux planifier les analyses, y compris pour de nouveaux systèmes et des substances inconnues. L'outil est disponible en téléchargement en ligne.

Mieux prévoir les temps de rétention : un nouveau modèle d'IA devrait y contribuer. Le lien vers le programme du groupe de recherche de Iéna se trouve à la fin de cet article. (Image d'illustration)(Image : khaw – stock.adobe.com)
Mieux prévoir les temps de rétention : un nouveau modèle d'IA devrait y contribuer. Le lien vers le programme du groupe de recherche de Iéna se trouve à la fin de cet article. (Image d'illustration)
(Image : khaw – stock.adobe.com)

Qu'il s'agisse de la recherche de principes actifs, de l'analyse environnementale ou de la métabolomique : dans toutes ces matrices biologiques complexes, l'objectif est d'identifier les molécules qu'elles contiennent. Des chercheurs de l'université Friedrich-Schiller d'Iéna, en collaboration avec des partenaires du Centre Helmholtz de Munich et de l'université technique de Munich, ont désormais mis au point un procédé d'intelligence artificielle pour la chromatographie en phase liquide, capable de prédire de manière plus fiable les temps de rétention des petites molécules.

C'est précisément dans le cas d'échantillons biologiques tels que le sang, le matériel cellulaire ou les cultures bactériennes que la complexité de l'échantillon constitue souvent un obstacle à une analyse précise. Alors que l'ADN et les protéines peuvent aujourd'hui être analysés relativement facilement à l'aide de méthodes bien établies, la diversité des petites molécules — appelées « métabolites » — est particulièrement grande. Parmi celles-ci figurent les produits métaboliques, les substances naturelles, les toxines, les produits de dégradation et de nombreux principes actifs pharmaceutiques.

« La difficulté réside dans le fait que les temps de rétention dépendent fortement des conditions expérimentales : de la colonne utilisée, du solvant, du gradient, du pH, de la température et même de modifications techniques apparemment mineures », explique le bioinformaticien Sebastian Böcker, qui a dirigé l'étude. « Si, par exemple, un tuyau est remplacé dans l'appareil ou si un nouveau tuyau est légèrement plus long que l'ancien, les temps mesurés peuvent varier considérablement. »

Des prévisions précises, même pour les nouveaux systèmes LC

Jusqu'à présent, les modèles devaient souvent être entraînés ou recalibrés à l'aide de données provenant précisément du système de mesure sur lequel ils devaient ensuite effectuer des prévisions. Concrètement, cela signifie que les chercheurs devaient d'abord mesurer de nombreuses substances étalons avant de pouvoir utiliser le modèle de manière pertinente. Ce processus est fastidieux, coûteux et tout simplement impossible pour de nombreuses applications.

La nouvelle approche mise au point par l'équipe de Böcker ne se limite pas à un seul système, mais permet d'établir des prévisions même pour de nouveaux systèmes et des molécules inconnues. La méthode se concentre sur le type de chromatographie liquide le plus couramment utilisé, le mode « phase inverse », et fonctionne en deux étapes :

  • Dans un premier temps, un modèle d'apprentissage automatique calcule un « indice d'ordre de rétention » pour une molécule. Cet indice ne décrit pas directement un temps, mais la position d'une molécule dans la séquence attendue de l'ordre de rétention.
  • Dans un deuxième temps, cet indice est transposé en durées de rétention concrètes à l'aide de repères moins connus.

Fleming Kretschmer, qui a travaillé sur ce procédé dans le cadre de sa thèse de doctorat et qui est co-auteur principal de l'article, a joué un rôle déterminant dans ce développement. « L’un des principaux résultats de nos travaux est que notre méthode surpasse d’autres approches qui, contrairement à la nôtre, doivent d’abord être entraînées de manière fastidieuse sur le système cible », souligne Kretschmer. « Notre approche permet donc d’obtenir des prédictions précises dès sa mise en œuvre, même pour de nouveaux systèmes. »

Outil de prévision du temps de rétention disponible en ligne

Cette approche peut s'avérer utile partout où il s'agit d'identifier de petites molécules inconnues. Dans le domaine de la recherche sur les substances naturelles, par exemple, les chercheurs recherchent des substances issues de bactéries, de champignons ou de plantes susceptibles de devenir de nouveaux antibiotiques, des médicaments anticancéreux ou des principes actifs contre d'autres maladies. Dans l’analyse environnementale, la chimie alimentaire ou la recherche pharmaceutique également, la même question se pose sans cesse : que contient un échantillon complexe — et le temps de rétention mesuré correspond-il à la structure chimique supposée ?

Ce nouvel outil, baptisé « 2-step« est disponible sous forme d’application web ainsi que sous forme de progiciel. Selon les chercheurs, cette méthode pourra à l’avenir être intégrée à de nombreux programmes d’analyse et ainsi être utilisée automatiquement par les laboratoires travaillant avec la chromatographie en phase liquide et la spectrométrie de masse.

S'abonner à la newsletter maintenant

Ne manquez pas nos meilleurs contenus

En cliquant sur „S'abonner à la newsletter“, je consens au traitement et à l'utilisation de mes données conformément au formulaire de consentement (veuillez développer pour plus de détails) et j'accepte les Conditions d'utilisation. Pour plus d'informations, veuillez consulter notre Politique de confidentialité. La déclaration de consentement porte notamment sur l’envoi de newsletters éditoriales par e-mail et sur le recoupement des données à des fins de marketing avec des partenaires publicitaires sélectionnés (p. ex., LinkedIn, Google, Meta).

Dépliez pour les détails de votre consentement

Publication originalep: Fleming Kretschmer, Eva-Maria Harrieder, Michael Witting et Sebastian Böcker : Les temps changent, mais l'ordre reste important : prédiction transférable des temps de rétention en chromatographie liquide de petites molécules. Nature Methods 2026 ; DOI : 10.1038/s41592-026-03243-2,

Contenu lié