使用离子迁移谱分析通过不同的建模技术研究结构

虽然离子淌度可以很好地分离离子，但它仍然有一些局限性。由于非目标分析中准确的实验 CCS 测定通常需要标准中的参考 CCS。由于找到合适的标准具有挑战性，因此很难获得不同化学类别的准确实验 CCS 值。因此，理论 CCS 测定有助于提高非目标分析中实验 CCS 测量的置信度。近几十年来，研究人员开发了许多基于机器学习和计算机模型来预测 CCS 值的方法。第一种方法是计算方法，它使用化合物的 3D 模型。这些方法可能是准确的，但根据目标化合物的结构，它们也容易出现较大的误差。它们还需要高计算能力，并且通常需要长达几天的时间才能确定批次中许多化合物的 CCS 值。相反，与计算方法相比，机器学习方法确定 CCS 值的速度更快，并且需要的计算能力最小，并且产生的误差小于 10%。机器学习方法的局限性在于它取决于可用的实验 CCS 数据库、化学类别的性质以及实验 CCS 的分辨率。例如，如果使用主要由脂质构建的 CCS 数据库来训练机器学习模型，则蛋白质化合物的预测 CCS 值的误差可能会更高。所以，

“通过使用离子迁移谱 (IMS)，哈米德实验室确定了化合物的 CCS 值，这将为将来使用便携式离子迁移谱仪进行测量奠定基础，”化学与生物化学系助理教授Ahmed M. Hamid说道在奥本大学。

《Journal of Mass Spectrometry》中的研究讨论了用于确定 CCS 值的不同类型的技术：

从不同离子淌度平台(如漂移管离子淌度谱、行波离子淌度谱等)获得的实验CCS值。

通过计算和机器学习模型得出的 CCS 理论值。

机器学习和实验 CCS 价值的未来展望。