AI Quantitation ソフトウェアで制約から解放

課題はデータを生成することではありません。データを意思決定につなげることです。
今日のADME・創薬研究ラボでは、データを効率的に生成できる一方、化合物ごとの条件最適化、ピークレビュー、結果の妥当性確認、品質管理(QC)、表計算ソフトを使用したワークフロー管理などに、研究者の貴重な時間が費やされています。処理するサンプル数が増加するにつれて、こうした手作業が候補化合物の評価を遅らせ、重要な意思決定の遅延につながる可能性があります。
質量分析の生データを定量ADMEエンドポイントへと変換し、生産性、一貫性、再現性を向上
化合物ごとの手動による最適化への依存を低減
DMTAサイクルを加速
トランスポーターアッセイに対応した、効率性の高いインターフェースとワークフローをご利用いただけます。輸送および排出パラメータのフラグをカスタマイズできるため、例外データを容易に確認できます。
ミクロソーム安定性または肝安定性ワークフローに対応する、直感的で柔軟性の高いインターフェースです。固有クリアランスパラメータ、測定時点、クロマトグラムを1つのインターフェース上で確認できます。
SCIEX OS ソフトウェアによって生成された wiff2 データを使用して、AI Quantitation ソフトウェアは次の機能を提供します。
SCIEX SWATH 取得または MRM-HR を活用:
Kevin Bateman、薬物動態学、薬力学、薬物代謝の専門家
MRM 化合物の最適化は複雑で時間のかかる作業になる場合があります。特に、毎日何百もの化合物を最適化する必要がある 試験管内スクリーニングの場合、MRM 分析用に化合物を最適化する従来のアプローチは大きなボトルネックになる可能性があります。
AI Quantitation ソフトウェアは、MRM のトランジション予測を活用してこれらの課題に対処し、トランジションの選択とメソッド開発に革命をもたらします。このソフトウェアは、化合物の化学構造に基づいてその生成プロダクトイオンを予測する MRM 予測モデルを提供します。機械学習を使用して、Learning-to-rank モデルを採用し、プロダクトイオンを予測し、リソースを大量に消費する実験の最適化にかかる作業を排除します。
ユーザーデータにおける予測精度を簡単に向上
モデルに追加のユーザー データを組み込むことで、ワークフローに最も関連性の高い化合物の予測精度を高めることができます。化学構造ファイルと関連する MRM データをインポートするだけで、予測モデルのパフォーマンスが向上します。
モデルのパフォーマンス
このモデルは、Mass AnalyticaとBMSの共同研究によって開発され、「Learning-to-Rank(LTR)技術を用いたハイスループットADME分析のための予測的多重反応モニタリング(MRM)モデルの開発」という論文に掲載されました。このモデルは、BMSから提供された5,757化合物からなるデータセットを用いて、実際のHT-ADMEサンプルに適用されました。「予測されたMRMトランジションを適用した結果、97%の化合物について有効な安定性および透過性データが生成されました。」
膨大な量のハイスループットデータがEcho® MS+ ワークフローから生成されるため、AI Quantitation ソフトウェアは傾向データのインタラクティブなウェルプレートビューを提供し、貴重なインサイトを得て情報に基づいた意思決定を行うことができます。
AI Quantitation ソフトウェアは、データ処理ワークフローを自動化するツールを提供します。API とスクリプトを使用すると、ファイル フォルダーを スキャンし、新しい SCIEX .wiff2 データ ファイルを待機するようにソフトウェアを構成できます。新しいファイルが表示されると、ソフトウェアは事前に定義されたワークフローに従って自動的にデータの処理を開始し、結果を後で確認できるようにデータベースに保存します。
AI Quantitation がラボにどのように役立ち、データ処理のボトルネックを解消するかご興味をお持ちの方は、こちらからお問い合わせください。