Retentionszeiten der Flüssigchromatographie vorhersagen Wann kommt das Molekül aus der Säule?

Anbieter zum Thema

Friedrich-Schiller- Universität Jena

Buddeberg GmbH

Labexchange - Die Laborgerätebörse GmbH

YMC Europe GmbH

Forscher der Universität Jena haben ein KI-Verfahren entwickelt, das Retentionszeiten präziser vorhersagt. So lassen sich Analysen besser planen, auch für neue Systeme und unbekannte Substanzen. Das Tool steht online zum Download zur Verfügung.

Ob in der Wirkstoffsuche, der Umweltanalytik oder der Metabolomik: In all diesen komplexen biologischen Matrices geht es um die Suche nach den enthaltenen Molekülen. Forschende der Friedrich-Schiller-Universität Jena haben gemeinsam mit Partnern vom Helmholtz-Zentrum München und der Technischen Universität München nun ein KI-Verfahren für die Flüssigchromatographie entwickelt, das Retentionszeiten kleiner Moleküle zuverlässiger vorhersagen kann.

Gerade in biologischen Proben wie Blut, Zellmaterial oder Bakterienkulturen ist die Komplexität der Probe oft eine Hürde für die saubere Analytik. Während DNA und Proteine heute mit etablierten Verfahren vergleichsweise gut analysiert werden können, ist die Vielfalt kleiner Moleküle — so genannter Metabolite — besonders groß. Zu ihnen gehören Stoffwechselprodukte, Naturstoffe, Gifte, Abbauprodukte und viele Arzneistoffe.

„Die Schwierigkeit besteht darin, dass Retentionszeiten stark von den experimentellen Bedingungen abhängen: von der verwendeten Säule, dem Lösungsmittel, dem Gradienten, dem pH-Wert, der Temperatur und sogar von scheinbar kleinen technischen Änderungen“, sagt der Bioinformatiker Prof. Dr. Sebastian Böcker, der die Studie geleitet hat. „Wird etwa ein Schlauch im Gerät ausgetauscht oder ist ein neuer Schlauch etwas länger als der alte, können sich die gemessenen Zeiten deutlich verschieben.“

Miniaturisierte Flüssigchromatographie

Endlich mikro: wie 3D-Druck die HPLC verkleinert

Präzise Vorhersagen auch für neue LC-Systeme

Bisherige Modelle mussten häufig mit Daten aus genau dem Messsystem trainiert oder nachjustiert werden, auf dem sie später Vorhersagen machen sollten. In der Praxis bedeutet das: Forschende müssten zunächst zahlreiche Standardsubstanzen messen, bevor sie das Modell sinnvoll einsetzen können. Das ist aufwendig, teuer und für viele Anwendungen schlicht nicht möglich.

Der neue Ansatz aus Böckers Team ist nicht auf ein System beschränkt, sondern kann Vorhersagen selbst für neue Systeme und unbekannte Moleküle machen. Die Methode fokussiert sich dabei auf die am häufigsten verwendete Art von Flüssigchromatographie, den „Reversed-phase“-Modus, und arbeitet in zwei Schritten:

• Im ersten Schritt berechnet ein maschinelles Lernmodell für ein Molekül einen „Retention Order Index“. Dieser Index beschreibt nicht unmittelbar eine Zeit, sondern die Position eines Moleküls in der erwarteten Abfolge der Retentionsordnung.
• Im zweiten Schritt wird dieser Index mithilfe weniger bekannter Referenzpunkte auf konkrete Retentionszeiten übertragen.

An der Entwicklung war maßgeblich Fleming Kretschmer beteiligt, der im Rahmen seiner Promotion an dem Verfahren gearbeitet hat und Co-Erstautor des Papers ist. „Ein zentrales Ergebnis unserer Arbeit ist, dass unsere Methode andere Ansätze übertrifft, die im Gegensatz zu unserer erst aufwendig auf dem Zielsystem trainiert werden müssen“, betont Kretschmer. „Unser Ansatz ermöglicht also präzise Vorhersagen out-of-the-box auch für neue Systeme.“

Tool für Retentionszeit-Vorhersage online verfügbar

Der Ansatz kann überall dort helfen, wo unbekannte kleine Moleküle identifiziert werden sollen. In der Naturstoffforschung etwa suchen Forschende nach Substanzen aus Bakterien, Pilzen oder Pflanzen, die als neue Antibiotika, Krebsmedikamente oder Wirkstoffe gegen andere Krankheiten infrage kommen. Auch in der Umweltanalytik, Lebensmittelchemie oder pharmazeutischen Forschung stellt sich immer wieder dieselbe Frage: Was ist in einer komplexen Probe enthalten — und passt die gemessene Retentionszeit zu der vermuteten chemischen Struktur?

Das neue Tool mit dem Namen „2-step“ ist als Webanwendung verfügbar sowie als Softwarepaket. Nach Einschätzung der Forschenden kann die Methode künftig in viele Analyseprogramme integriert werden und so automatisch von Laboren genutzt werden, die mit Flüssigchromatographie und Massenspektrometrie arbeiten.

Originalpublikation: Fleming Kretschmer, Eva-Maria Harrieder, Michael Witting und Sebastian Böcker: Times are changing but order matters: Transferable prediction of small molecule liquid chromatography retention times. Nature Methods 2026; DOI: 10.1038/s41592-026-03243-2,