Mobile-Menu

Predecir los tiempos de retención en la cromatografía líquida ¿Cuándo sale la molécula de la columna?

Fuente: Comunicado de prensa Universidad de Jena | Traducido por IA 4 min Tiempo de lectura

Related Vendor

Friedrich-Schiller- Universität Jena

Investigadores de la Universidad de Jena han desarrollado un método basado en inteligencia artificial que permite predecir los tiempos de retención con mayor precisión. De este modo, se pueden planificar mejor los análisis, incluso para nuevos sistemas y sustancias desconocidas. La herramienta está disponible para su descarga en línea.

Predecir mejor los tiempos de retención: un nuevo modelo de IA podría ayudar. Al final de este artículo encontrarás el enlace al programa del grupo de investigación de Jena. (Imagen ilustrativa)(Imagen: khaw – stock.adobe.com)
Predecir mejor los tiempos de retención: un nuevo modelo de IA podría ayudar. Al final de este artículo encontrarás el enlace al programa del grupo de investigación de Jena. (Imagen ilustrativa)
(Imagen: khaw – stock.adobe.com)

Ya sea en la búsqueda de principios activos, en el análisis medioambiental o en la metabolómica: en todas estas matrices biológicas complejas se trata de detectar las moléculas que contienen. Investigadores de la Universidad Friedrich Schiller de Jena, en colaboración con socios del Centro Helmholtz de Múnich y de la Universidad Técnica de Múnich, han desarrollado ahora un método basado en la inteligencia artificial para la cromatografía líquida que permite predecir con mayor fiabilidad los tiempos de retención de las moléculas pequeñas.

Precisamente en muestras biológicas como la sangre, el material celular o los cultivos bacterianos, la complejidad de la muestra suele suponer un obstáculo para un análisis preciso. Si bien hoy en día el ADN y las proteínas pueden analizarse relativamente bien con métodos consolidados, la diversidad de moléculas pequeñas —los denominados metabolitos— es especialmente amplia. Entre ellas se incluyen productos metabólicos, sustancias naturales, toxinas, productos de degradación y muchos fármacos.

«La dificultad radica en que los tiempos de retención dependen en gran medida de las condiciones experimentales: de la columna utilizada, el disolvente, el gradiente, el pH, la temperatura e incluso de cambios técnicos aparentemente insignificantes», afirma el bioinformático Prof. Dr. Sebastian Böcker, que ha dirigido el estudio. «Si, por ejemplo, se sustituye un tubo del aparato o si el nuevo es algo más largo que el anterior, los tiempos medidos pueden variar considerablemente».

Predicciones precisas también para los nuevos sistemas LC

Los modelos anteriores solían tener que entrenarse o reajustarse con datos procedentes precisamente del sistema de medición en el que posteriormente debían realizar predicciones. En la práctica, esto significa que los investigadores tendrían que medir primero numerosas sustancias patrón antes de poder utilizar el modelo de forma eficaz. Esto resulta laborioso, costoso y, para muchas aplicaciones, sencillamente imposible.

El nuevo enfoque del equipo de Böcker no se limita a un solo sistema, sino que permite realizar predicciones incluso para sistemas nuevos y moléculas desconocidas. El método se centra en el tipo de cromatografía líquida más utilizado, el modo de «fase inversa», y funciona en dos pasos:

  • En un primer paso, un modelo de aprendizaje automático calcula un «índice de orden de retención» para una molécula. Este índice no describe directamente un tiempo, sino la posición de una molécula en la secuencia esperada del orden de retención.
  • En un segundo paso, este índice se aplica a tiempos de retención concretos utilizando puntos de referencia menos conocidos.

Fleming Kretschmer, que trabajó en este procedimiento en el marco de su tesis doctoral y es coautor principal del artículo, ha tenido una participación decisiva en el desarrollo. «Un resultado clave de nuestro trabajo es que nuestro método supera a otros enfoques que, a diferencia del nuestro, deben entrenarse primero de forma laboriosa en el sistema de destino», destaca Kretschmer. «Por lo tanto, nuestro enfoque permite realizar predicciones precisas desde el primer momento, incluso para sistemas nuevos».

Ya está disponible en línea la herramienta para predecir el tiempo de retención

Este enfoque puede resultar útil en todos aquellos casos en los que se pretenda identificar moléculas pequeñas desconocidas. En la investigación sobre sustancias naturales, por ejemplo, los investigadores buscan sustancias procedentes de bacterias, hongos o plantas que puedan servir como nuevos antibióticos, medicamentos contra el cáncer o principios activos contra otras enfermedades. También en el análisis medioambiental, la química alimentaria o la investigación farmacéutica surge una y otra vez la misma pregunta: ¿qué contiene una muestra compleja? ¿Y se ajusta el tiempo de retención medido a la estructura química prevista?

La nueva herramienta, denominada «2-step» está disponible como aplicación web y como paquete de software. Según la valoración de los investigadores, este método podrá integrarse en el futuro en numerosos programas de análisis y, de este modo, ser utilizado automáticamente por los laboratorios que trabajan con cromatografía líquida y espectrometría de masas.

Suscríbase ahora al boletín

No se pierda nuestro mejor contenido

Al hacer clic en „Suscribirse al boletín“, acepto el tratamiento y el uso de mis datos de acuerdo con el formulario de consentimiento (despliegue para más detalles) y acepto los términos y condiciones. Para más información, consulte nuestra política de privacidad. La declaración de consentimiento se refiere, entre otras cosas, al envío de newsletters editoriales por correo electrónico y a la conciliación de datos con fines de marketing con socios publicitarios seleccionados (p. ej., LinkedIn, Google, Meta).

Despliegue para ver los detalles de su consentimiento

Originalpublicación: Fleming Kretschmer, Eva-Maria Harrieder, Michael Witting y Sebastian Böcker: Los tiempos cambian, pero el orden importa: predicción transferible de los tiempos de retención en cromatografía líquida de moléculas pequeñas. Nature Methods 2026; DOI: 10.1038/s41592-026-03243-2,

Contenido relacionado