I dette forstudie ønsker vi at undersøge om man ved hjælp af store datamængder og maskinlæring kan udvikle en model, der ud fra kendskab til de kemiske stoffers struktur kan bidrage til at væskekromatografisk analyse bliver mere bæredygtig.
De spørgsmål vi ønsker at belyse er:
- Kan man anvende en maskinlæringsmodel til at forudsige de kromatografiske resultater, og derved minimere behovet for ressource- og tidskrævende eksperimenter?
- Er det muligt at identificere forsøgsbetingelser, som er mere bæredygtige end de almindeligt anvendte, uden at der gås på kompromis med analysekvaliteten?
- Kan modellen hjælpe til at identificere ukendte og potentielt skadelige stoffer, fx pesticider, i komplekse prøver, såsom miljø og fødevarer og derved bidrage til en mere bæredygtig identifikation af nye stoffer?
I forstudiet vil vi se nærmere på potentialet i at udvikle en model, der adresserer de ovenstående spørgsmål. For virksomheder, der arbejder med metodeudvikling, vil en sådan model kunne bidrage til at nedsætte ressourceforbrug og omkostninger, samt reducere tiden det tager før metoden kan anvendes. I forstudiet vil vi undersøge, hvilken type forsøg der ville skulle udføres for at kunne bygge en sådan model. Det vides dog allerede nu, at en stor database med systematiske variationer i forsøgsbetingelser ville skulle genereres. De studerende på afdelingen vil i stor stil kunne bidrage med at udføre disse systematiske forsøg, hvor der skal være fokus på kvalitetssikring af resultater, og samtidig vil det øge deres viden om håndtering af store datamængder, som efterspørges af erhvervet.
