ChromSword -
独一无二的大分子液相色谱方法开发软件
为大生物分子（如蛋白质、mAbs、肽和寡核苷酸）开发HPLC 方法是一项复杂的任务，因为这些分子在色谱系统中的表现与小分子截然不同。
使用 ChromSword 大分子软件包，您可以采用两种方法开发：计算机辅助（离线）和自动（在线）。您可以将自动固定相和流动相筛选与机器学习和全自动优化相结合，或将统计实验设计与保留和分离建模相结合。
结构复杂性
多种充电状态
复杂混合物和异质性
结构复杂性
大型生物分子有
- 多个域
- 二硫键
- 翻译后修饰 (PTM)
- 灵活构象
这些结构特征会影响分子与固定相的相互作用，使保留和分离变得不可预测。
蛋白质和肽具有许多可电离基团–在不同的 pH 值范围内具有多种电荷状态。
这意味着
- pH 值的微小调整会使保留率发生巨大变化
这些结构特征会影响分子与固定相的相互作用，使保留和分离变得不可预测。
复杂混合物和异质性
生物分子通常作为
变体的混合物：
- 糖形
- 脱氨基、氧化产物
- 集料、碎片
分离这些密切相关的物种要比分离小分子杂质复杂得多。
用于大型生物分子 HPLC 方法开发的统计实验设计（DoE）经常失败或给出误导性结果，因为 DoE 的基本假设对这些复杂的分析物不成立。
DoE 假定响应以可预测的方式变化（线性或至少是二次曲线）。
但是，对于大型生物分子来说，pH 值、温度、离子强度或有机物含量的微小变化都可能导致阶跃变化，而不是渐变。
蛋白质可能会突然洗脱、粘连、变性或聚集。
- 这打破了 DoE 模型的假设，导致预测能力低下。
同时产生多种相互依存的影响
对于大分子而言，高效液相色谱保留度由以下因素共同决定：
- 外形变化
- 展开/重新展开
- 表面吸附
- 电离状态转变
- 与金属和二氧化硅的二次相互作用
强烈的次级相互作用导致不可预测的行为
生物大分子通常会与固定相的硅烷醇基团发生相互作用；然而，这些相互作用并不属于设计空间的一部分，而且会不可预测地改变保留率。
DoE 典型模式：
- 主要影响
- 双因素相互作用
- 二次曲率
但生物大分子分离通常会出现以下情况：
- 三因素和四因素的相互作用
- 温度 × pH 值 × 梯度形状 × 离子强度相互作用
标准的 DoE 设计无法捕捉到这些影响。
生物大分子的异质性增加了隐藏变量
蛋白质以混合物的形式存在：
- 糖形
- 充电变体
- 片段
- 骨料
- 氧化/脱氨物种
每种物质对色谱条件变化的反应往往不同。DoE 假设单一分析物的反应一致，但同一分子可能有多种不同的色谱行为。
ChromSword 针对大型生物分子的自动方法开发算法采用的是机制驱动、自适应和迭代优化引擎，而不是预定义的因子响应模式。
ChromSword 采用实时自适应学习，而非静态设计
经典的 DoE 要求你预先定义：
- 哪些因素可以改变
- 范围
- 模型形式（通常为线性或二次型）
但是，大型生物分子表现出非线性行为，其保留率、峰形或选择性会突然发生变化。
而不是 ChromSword：
- 运行实验
- 读取色谱图
- 利用数据驱动学习、符号推理和计算智能自动调整条件。
这种闭环自适应系统处理非线性、不可预测行为的能力远远强于固定的 DoE 网格。
ChromSword 可优化非线性梯度，这对大分子至关重要
ChromSword 自动运行：
- 设计阶梯渐变
- 应用曲率
- 调整保持时间
- 智能分布梯度段
DoE 无法处理任意梯度形状。人类需要花费数天或数周的时间来优化它们。ChromSword 可以自动完成。
ChromSword 直接处理原始色谱行为，而不是假设
DoE 尝试将因素 →反应（如 Rs）相关联，但针对的是大分子：
- Rs 噪音大
- 整合情况各不相同
- 峰值位置以非线性方式移动，导致分辨率图中出现尖锐的最大值和最小值
而不是 ChromSword：
- 定性评估峰值移动和形状
- 分析色谱图的衍生物
- 估算峰值容量和选择性，无需依赖
- 关于噪声积分
- 根据色谱物理学而非统计假设做出决策
这使得它在生物分子方面的可靠性大大提高。
最后，ChromSword 可以运行统计实验设计，以确定改进方法的最佳条件，并测试其稳健性。
大分子的挑战
- 非线性、不可预测的保留
- 复杂的峰值家庭和肩部
- 需要形状渐变。
- 庞大的多维参数空间
- 噪声集成
- 缓慢的实验
ChromSword 为何成功
- 自适应迭代算法
- 先进的峰值识别算法
- 自动非线性梯度设计
- 广泛的智能扫描
- 使用原始色谱行为，而非仅使用数值 Rs
- 全自动勘探