Wann kommt das Molekül aus der Säule?

Ob in der Wirkstoffsuche, Umweltanalytik oder Metabolomik: Die Charakterisierung niedermolekularer Verbindungen in komplexen biologischen Matrizen wie Blut, Zellextrakten oder Bakterienkulturen stellt die chemische Analytik vor Herausforderungen. Biomakromoleküle wie DNA und Proteine können standardisiert charakterisiert werden. Die extreme strukturelle Diversität von Metaboliten, Naturstoffen, Xenobiotika und Pharmaka erschwert hingegen deren Identifizierung. Zur Separation der Gemische dient standardmäßig die Flüssigchromatographie (LC). Die Retentionszeit (t_R), als substanzspezifischer Parameter beim Eluieren aus der Trennsäule, ist dabei ein zentraler Beleg für die Zuordnung von Analyten.

Limitierungen konventioneller t_R-Prädiktionen

Die Übertragbarkeit und mathematische Vorhersage von Retentionszeiten scheiterten bisher an der hohen Systemabhängigkeit. „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 Prof. Dr. Sebastian Böcker. „Wird etwa ein Schlauch im Gerät ausgetauscht oder ist ein neuer Schlauch etwas länger als der alte, können sich die gemessenen Zeiten deutlich verschieben.“

Konventionelle Prädiktionsmodelle erfordern daher eine Rekalibrierung oder ein Training mit systemspezifischen Messdaten. Das experimentelle Einmessen zahlreicher Referenzstandards vor der Modellanwendung generiert jedoch einen hohen zeitlichen und finanziellen Aufwand. Dieser ist in vielen High-Throughput-Workflows nicht darstellbar. Ein Konsortium der Universität Jena, des Helmholtz Zentrums München und der TU München stellt nun in Nature Methods ein neues Tool vor, das dieses Problem löst.

Zweistufige Modellierung über den Retention Order Index

Das vom Team um Prof. Böcker entwickelte Verfahren ist nicht auf ein spezifisches System beschränkt, sondern ermöglicht tR-Vorhersagen für neuartige Systeme und bisher uncharakterisierte Strukturen. Die Methode ist für die Reversed-Phase-Flüssigchromatographie (RP-LC) optimiert und basiert auf einem zweistufigen Algorithmus.

• Prädiktion der Elutionsreihenfolge: Ein Modell des maschinellen Lernens berechnet aus der Molekülstruktur zunächst den Retention Order Index. Dieser beschreibt die relative Position des Moleküls innerhalb der erwarteten Elutionsabfolge.
• Transformation in absolute Retentionszeiten: Der berechnete Index wird über wenige bekannte Referenzpunkte linear bzw. mathematisch auf das konkrete chromatographische System übertragen.

Fleming Kretschmer führt aus: „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. Unser Ansatz ermöglicht also präzise Vorhersagen out-of-the-box auch für neue Systeme.“

Anwendungsbereiche und Software-Integration

Die Methode bietet überall dort einen Mehrwert, wo die Identifizierung unbekannter Niedermolekularer ansteht. Das kann bei der Dereplikation von Naturstoffen aus Mikroorganismen und Pflanzen für die Antibiosen- und Onkologieforschung, in der Lebensmittelchemie sowie beim Screening von Transformationsprodukten in der Umweltanalytik sein. Die Bestimmung, ob die experimentelle Retentionszeit mit einer hypothetischen chemischen Struktur korreliert, gewinnt dadurch deutlich an Verlässlichkeit.

Das Tool steht unter dem Namen „2-step“ als Open-Source-Softwarepaket sowie als Webanwendung bereit. Es lässt sich in bestehende LC-MS-Datenauswertungspipelines und Spektrenbibliotheken integrieren, um die automatisierte Strukturaufklärung in analytischen Routinelaboren zu unterstützen.

Quelle

Friedrich-Schiller-Universität Jena (10/2026)