LC-MS Peak Analyzer
Mathematische Präzision für die Massenspektrometrie der Zukunft
In der Massenspektrometrie zählt jedes Detail – und jedes Signal. In diesem Projekt werden neue Verfahren zur Peak-Quantifizierung entwickelt, um Massenspektren noch präziser auswerten zu können. Es zeigt eindrucksvoll, wie Industriemathematik auch bei höchsten Technologie-Reifegraden den entscheidenden Unterschied macht – und wie Forschung und Wirtschaft in Bremen Hand in Hand Zukunft gestalten.
Warum ist das wichtig?
Bei der Analyse chemischer Proben, z. B. in der medizinischen Diagnostik oder Umweltforschung, spielt die LC-MS-Technologie (Flüssigchromatographie gekoppelt mit Massenspektrometrie) eine zentrale Rolle. Dabei entstehen komplexe Datensätze, in denen bestimmte Signale – sogenannte „Peaks“ – identifiziert werden müssen. Diese Peaks liefern entscheidende Hinweise auf die enthaltenen Stoffe in einer Probe.
Obwohl es bereits Softwarelösungen gibt, ist die zuverlässige Erkennung dieser Peaks weiterhin eine große Herausforderung. Die bisherigen Verfahren liefern oft ungenaue Ergebnisse oder übersehen wichtige Signale – mit Folgen für die Qualität der gesamten Analyse. Je nach Verfahren liegt die Genauigkeit oft nur bei 50–80 %. Für viele Anwendungen – etwa in der Medizin, der Lebensmittelüberwachung oder bei Umweltproben – ist das nicht ausreichend.
Deshalb setzen neue Forschungsansätze auf künstliche Intelligenz, insbesondere auf Deep Learning. Erste Studien zeigen, dass neuronale Netzwerke dabei helfen können, echte Peaks von Störsignalen („Rauschen“) zu unterscheiden – deutlich präziser und effizienter als klassische Methoden. Moderne Modelle wie Convolutional Neural Networks (CNNs) erreichen in ersten Tests Genauigkeiten von über 85 % – und das bei gleichzeitig geringerem Zeit- und Kostenaufwand.
Das Ziel unseres Projekts ist es, diese Ansätze weiterzuentwickeln: Wir wollen nicht nur die Erkennungsgenauigkeit verbessern, sondern auch neue Methoden entwickeln, die Peaks in mehrdimensionalen Datenstrukturen präzise identifizieren und beschreiben können. Solche Verfahren könnten langfristig zu einer deutlichen Verbesserung der Analytik in Forschung, Industrie und Gesundheitswesen führen – und damit fundiertere Entscheidungen auf Basis verlässlicher Daten ermöglichen.
Der Projektpartner
Universität Bremen, Zentrum für Industriemathematik, AG Inverse Probleme und Bildverarbeitung
Die AG beschäftigt sich mit mathematischen Methoden zur Analyse von Bild und Signaldaten und insbesondere mit Aufgaben bei denen nur indirekte Messungen vorliegen. Es kommen mathematische Optimierung, numerische Analysis und industriemathematischen Methoden der Datenwissenschaften und des maschinellen Lernens zum Einsatz.
