Zu Lyophilisation wird viel diskutiert, selten mit Kontext. Hier stehen zuerst die Grundlagen in geordneter Reihenfolge, danach die praktischen Hinweise.
Geprüft am 2026-03-30. Was noch umstritten ist, wird als umstritten gekennzeichnet.
=== COSMIC: Konfidenz der Identifizierung === COSMIC bewertet die Konfidenz der von CSI:FingerID identifizierten Molekülstrukturen. Die Idee ist ähnlich zu False Discovery Rates: Alle Moleküle eines großen Datensatzes werden mit CSI:FingerID analysiert. Die jeweils beste Struktur für jedes Molekül wird von COSMIC bewertet und die vertrauenswürdigsten Identifikationen können dann für die weitere Analyse ausgewählt werden. Anders als ZODIAC nimmt COSMIC keine Neuordnung der Ranglisten vor. COSMIC verwirft auch keine der Identifizierungen. Der von COSMIC verwendete Konfidenzwert kombiniert E-Wert-Schätzung mit einer linearen Support-Vektor-Maschine (SVM) mit erzwungener Direktionalität. Die Kalibrierung der CSI:FingerID-Scores erfolgt anhand von E-Wert-Schätzungen. Die Generierung von Decoys für kleine Molekülstrukturen ist eine nicht triviale Aufgabe, weshalb die Kandidaten in PubChem hier als Ersatz für Decoys dienen. Die Score-Verteilung wird als Mischverteilung von Logarithmischen Normalverteilungen modelliert. Die SVM wird eingesetzt, um zu klassifizieren, ob ein Treffer korrekt ist. Das Lernen wird auf eine lineare SVM beschränkt, um das Risiko einer Überanpassung zu verringern. Die Richtungsabhängigkeit der Merkmale wird erzwungen. Dies bedeutet, dass im Voraus entschieden werden muss, ob hohe oder niedrige Werte eines Merkmals das Vertrauen in eine Identifizierung erhöhen sollen. So sollte beispielsweise ein hoher CSI:FingerID-Score eines Treffers das Vertrauen in die Richtigkeit des Treffers erhöhen, aber niemals verringern.
Quellen: de.wikipedia.org
Bei einigen Merkmalen müssen mindestens zwei Kandidaten für den Vergleich vorhanden sein, und es werden separate SVMs für einzelne Instanzen trainiert. Die Entscheidungswerte der SVM werden mit Hilfe der Platt-Skalierung auf A-posteriori-Wahrscheinlichkeitsschätzungen abgebildet. Dieser umfassende Ansatz gewährleistet eine robuste und nuancierte Bewertung der Konfidenz in Molekülidentifizierungen.
Quellen: de.wikipedia.org
=== CANOPUS: Vorhersage von Verbindungsklassen === CANOPUS steht für Class Assignment and Ontology Prediction Using mass Spectrometry. Es sagt Verbindungsklassen auf der Grundlage des molekularen Fingerabdrucks voraus, der von CSI:FingerID vorhergesagt wurde. Dieser Ansatz ist vollkommen datenbankfrei, d. h. er ist nicht einmal auf Moleküle beschränkt, die in Strukturdatenbanken enthalten sind. CANOPUS verwendet ein Deep Neural Network (DNN), um 2.497 Verbindungsklassen vorherzusagen. Das DNN wurde auf 4,1 Millionen Molekülstrukturen und deren von ClassyFire zugewiesenen Verbindungsklassen trainiert. Für das Training wurden keine MS/MS-Daten verwendet, stattdessen wurden simulierte „realistische“ probabilistische Fingerabdrücke der Trainingsstrukturen verwendet. Das DNN sagt alle Verbindungsklassen gleichzeitig voraus. Für vollständige biologische Datensätze bietet CANOPUS einen umfassenden Überblick über die in der Probe vorhandenen Verbindungsklassen und ermöglicht Vergleiche zwischen verschiedenen Kohorten auf Ebene der Verbindungsklassen.
Quellen: de.wikipedia.org
=== MSNovelist: De novo-Strukturvorhersage === MSNovelist ist eine computergestützte Methode zur de novo-Generierung von Strukturen kleiner Moleküle. Sie wurde entwickelt, um die wesentliche Einschränkung datenbankbasierter Suchmethoden zu beheben, lediglich Verbindungen, die bereits in Referenzstruktur-Datenbanken gespeichert sind, identifizieren zu können. MSNovelist ist besonders relevant für die Analyse neu entdeckter oder in Datenbanken unterrepräsentierter Analytenklassen. Es ist nicht das Ziel, die Suche in Datenbanken generell zu ersetzen. Für unbekannte Verbindungen ist es jedoch wichtig, Kandidatenstrukturen zu generieren, die einen guten Ausgangspunkt für deren Aufklärung bieten. MSNovelist generiert neue Molekülstrukturen auf der Grundlage der Molekülformel (identifiziert durch SIRIUS) und des molekularen Fingerabdrucks (vorhergesagt durch CSI:FingerID) der unbekannten Verbindung. Ein Encoder-Decoder-Modell mit rekurrenten neuronalen Netzen (RNN) wird trainiert, um den eingegebenen Fingerabdruck unter den Einschränkungen der vorhergesagten Molekülformel in eine Struktur zu übersetzen, die als SMILES-Sequenz dargestellt wird. MSNovelist generiert mehrere Kandidatenstrukturen aus dem vorhergesagten molekularen Fingerabdruck. Sobald die Kandidatenstrukturen generiert sind, werden sie mit CSI:FingerID gerankt.
Quellen: de.wikipedia.org
Lyophilisation wird hier aus öffentlich zugänglicher Fachliteratur zusammengefasst: Definition, Einordnung und die Punkte, die in der Praxis wiederkehren. Angaben ohne Gewähr, keine medizinische Beratung.
Die Forschung zu Lyophilisation arbeitet überwiegend mit kontrollierten Labor- und Tierstudien; klinische Daten sind je nach Substanz unterschiedlich belastbar. Wir geben den Stand der Literatur wieder.
Entscheidend sind Reinheit und Analytik (HPLC, Massenspektrum), korrekte Rekonstitution sowie sachgerechte Lagerung. Angaben zur Reinheit gehören immer zum Produkt.%!(EXTRA string=Lyophilisation)
Nicht jeder Mechanismus ist belegt, und Einzelstudien sind keine Gesamtevidenz. Diese Seite markiert offene Fragen ausdrücklich statt sie als gesichert darzustellen.%!(EXTRA string=Lyophilisation)