Em que é que o ChromSword é diferente das ferramentas gerais de modelação e previsão?

As ferramentas de modelação e previsão são úteis para:

  • análise de dados cromatográficos
  • prever o comportamento de retenção
  • otimização de sistemas conhecidos

Estas ferramentas requerem normalmente:

  • picos bem resolvidos
  • dados de entrada experimentais fiáveis
  • sistemas claramente definidos

A sua aplicabilidade torna-se limitada quando:

  • os picos estão a sobrepor-se
  • os compostos não estão totalmente identificados
  • o sistema ainda não é conhecido

A ChromSword concentra-se no desenvolvimento de métodos experimentais, o que lhe permite:

  • trabalha diretamente com cromatogramas não resolvidos
  • melhora a separação através de experiências reais
  • adapta-te a amostras complexas e desconhecidas

FAQs relacionadas

Ao contrário das ferramentas de simulação que se baseiam em dados iniciais para prever o comportamento dos picos, o ChromSword efectua um rastreio experimental real. Constrói separações a partir do zero, resolvendo com sucesso misturas complexas, desconhecidas ou sobrepostas.

As ferramentas de DoE requerem um método inicial bem definido e um espaço experimental para estudar as influências dos parâmetros. Em contraste, o ChromSword utiliza feedback adaptativo e em tempo real para desenvolver métodos dinamicamente sem desenhos predefinidos, tornando-o ideal para separações complexas e desconhecidas.

A principal vantagem do ChromSword é a sua automatização completa do ciclo de vida da HPLC. Ao contrário das ferramentas limitadas à modelação ou DoE, o ChromSword fornece um fluxo de trabalho contínuo desde o rastreio inicial até à avaliação da robustez, garantindo um método final fiável.

Ao contrário das ferramentas limitadas e tradicionais de HPLC (Simulação, DoE, Modelação) que requerem um método inicial pré-existente, o ChromSword fornece uma automatização completa e controlo direto do instrumento. Lida nativamente com picos não resolvidos, amostras complexas/desconhecidas e química de moléculas grandes através de uma otimização experimental dinâmica e de auto-aprendizagem.