Analyse automatisée des données pour le regroupement chiral avec un modèle d’apprentissage automatique YOLO

En convertissant les chromatogrammes en données exploitables par machine, cette approche permet une identification rapide et fiable des pics, des temps de rétention et de la résolution, facilitant ainsi la sélection optimale des conditions de séparation chirale.

Il en résulte un gain de temps considérable, une augmentation du débit et une meilleure prise de décision dans les processus de regroupement des chiraux.

Contenu de l’affiche :

Analyse automatisée des données de regroupement chiral
Application de la vision par ordinateur à la détection des pics chromatographiques dans de grands ensembles de données de criblage :

architecture du modèle d’apprentissage automatique YOLO
Une adaptation unidimensionnelle des algorithmes de détection d’objets pour l’interprétation des signaux chromatographiques

optimisation du criblage à haut débit
Classement rapide des conditions de séparation en fonction du temps de rétention et de la résolution

Performances et validation
Évaluation de la précision du modèle, des taux de faux positifs/négatifs et des limites de détection.

Intégration évolutive au flux de travail.
Un système en constante amélioration grâce aux données réelles et aux retours des analystes