Modélisation du temps de rétention de petites molécules pharmaceutiques en chromatographie liquide en phase inverse basée sur le QSRR et les surfaces de réponse

La chromatographie liquide en phase inverse est une des méthodes analytiques les plus utilisées pour l’analyse de mélanges de composés chimiques. L’étape du développement peut être considérable étant donné la multitude de phases stationnaires, de phases mobiles et de paramètres d’analyse possibles. Un criblage approfondi des différentes combinaisons possibles nécessite beaucoup de temps et d’argent même en utilisant une approche systématique comme la planification expérimentale. Le développement de modèles basés sur la relation quantitative structure-rétention (QSRR) peut accélérer cette phase de criblage pour des mélanges de composition connue en permettant un criblage « in silico » de nombreuses conditions expérimentales et une sélection de conditions pré-optimales.
Les modèles QSRR sont dérivés statistiquement des relations entre les paramètres chromatographiques et des descripteurs moléculaires reflétant les propriétés physico-chimiques des analytes.
Les modèles à surface de réponse (RSM) basés sur un plan d’expériences (DOE) permettent de répondre à une question avec un minimum d’expériences à réaliser.
Quatre-vingt-dix-huit molécules ont été sélectionnées pour couvrir une large gamme de valeur de LogP (-3.22 – 6.45), de poids moléculaire (46 – 454 g/mol) et inclure des molécules ionisables (73) et non-ionisables (25). Un set de données expérimentales (temps de rétention) a été généré au laboratoire sur trois systèmes LCHP différents (Waters Alliance) avec des gradients allant de 100% de tampon à 5% de tampon en 20 et 60 minutes et ce, à cinq pH différents (2.7, 3.5, 5, 6.5 et 8). Ces deux conditions de gradient et cinq conditions de pH représentent les dix ensembles de données qui seront analysés. Le modificateur organique sélectionné est le méthanol.
Tout d’abord, la moyenne pondérée des descripteurs moléculaires de chaque forme présente du composé dans une condition donnée est calculée. Ensuite, différents modèles de machine learning (ML) sont entraînés pour chacune des conditions. Finalement, un RSM est entraîné pour chaque composé sur les prédictions des modèles ML. L’équation du RSM est adaptée en fonction d’où se situent les pKa du composé par rapport à l’intervalle des pH expérimentaux.
Les prédictions des temps de rétention du set de validation externe sont proches des temps de rétention expérimentaux. Ces modèles permettent donc de prédire les temps de rétention des différents composés sur une large gamme de pH et de composition en modificateur organique.
La stratégie développée consistant en l’adaptation de l’équation en fonction des pKa du composé offre des résultats intéressants. Elle permet de limiter le surapprentissage pour les mécanismes de rétention simples tout en apportant plus de degrés de liberté pour les mécanismes de rétention plus complexes.
Ces résultats montrent que la combinaison du QSRR et des RSM offre la possibilité de remplacer utilement la phase de criblage expérimental par des méthodes de modélisation informatique pour le développement de méthodes chromatographiques pour un ensemble de composés connus.