發(fā)布時間：2018-03-15 12:45

  本文選題：化學多維校正　切入點：二階優(yōu)勢　出處：《湖南大學》2016年博士論文　論文類型：學位論文

【摘要】：具有“二階優(yōu)勢”的化學多維校正方法可以在有未知干擾共存的情況下實現多目標分析物的同時定量分析,以數學分離代替或簡化物理和化學分離,與現代分析儀器結合發(fā)展高效、綠色的分析方法和策略。近年來,這類化學多維校正方法已經成功地應用到了多種復雜體系中感興趣物質的定量分析研究,包括環(huán)境、食品、醫(yī)藥、生物基質等復雜體系。將化學多維校正的“二階”及“高階優(yōu)勢”推廣應用到更多的實際分析體系,用于解決定量及相關的問題,同時進一步挖掘多維校正方法所獲取的定性定量信息是值得繼續(xù)深入研究的方向。此外,具有“二階優(yōu)勢”的化學多維校正方法在動態(tài)復雜體系中的原位、實時和無損定量分析中有廣闊的應用前景,而目前關于此類方法在動態(tài)復雜體系中的原位、實時和無損定量分析的研究報道還不是很多,有必要將化學多維校正的優(yōu)良方法應用于動態(tài)復雜體系中的原位、實時和無損定量分析,為醫(yī)藥、食品和環(huán)境分析等領域提供實用的創(chuàng)新性研究方法和工具�；诖�,本論文開展了化學多維校正在食品質量安全和藥物水解動態(tài)過程中的定量分析研究,主要包括6個方面的研究工作:在第2章中,本論文提出采用交替三線性分解(Alternating trilinear decomposition,ATLD)方法輔助高效液相色譜二極管陣列檢測(High performance liquid chromatography-diode array detection,HPLC-DAD)策略用于10種中國茶葉中的沒食子酸、咖啡因和6種兒茶酚類物質的同時、快速定量分析�；贏TLD方法的“二階優(yōu)勢”及對組分數不敏感的特點,這一策略有效地解決了色譜分析中峰共流出和基線漂移的問題。在兩種選定的茶葉樣本中,8種目標分析物的平均加標回收率在91.7-103.1%的范圍內,對應的標準偏差在1.9-11.9%之間。靈敏度(Sensitivity,SEN)、選擇性(Selectivity,SEL)、預測均方根誤差(Root-mean-square error of prediction,RMSEP)和檢測限(Limit of detection,LOD)等品質因子參數的計算結果也表明ATLD方法輔助HPLC-DAD策略所得的分析結果是準確可靠的,且這一策略具有較低的LOD值,可以滿足茶葉中上述8種活性物質的定量分析。為了進一步驗證方法的準確性,將ATLD方法輔助HPLC-DAD策略所得的定量分析結果與LC-MS/MS所得結果進行了對照比較,F檢驗和t檢驗的結果表明,這兩種方法的定量結果之間沒有顯著性差異。此外,為了考察ATLD方法輔助HPLC-DAD策略的通用性,還將這一策略應用于其他不同級別和種類的茶葉中8種目標分析物的定量分析研究。最后,基于上述得到的8種目標分析物的含量,采用主成分分析對茶葉樣本進行分類研究,實現了綠茶、烏龍茶和普洱茶的分類研究。結果表明,本章中所提出的分析策略可用于中國茶葉樣本中沒食子酸、咖啡因和6種兒茶酚類物質的快速、準確定量分析,所得的定量分析結果可用于分類研究。在第3章中,本論文提出采用化學計量學輔助hplc-dad策略用于處理不同色譜柱和樣本基質造成的干擾模式變化的問題。文中以定量分析僅經過脫氣的5種不同的飲料基質中6種人工合成色素為例進行研究。在相同的色譜條件下,采用兩種不同的c18色譜柱對人工合成色素混合樣及實際的飲料樣品進行分析。使用不同的色譜柱分析同一樣本,所得到的色譜共流出情況各不相同,在越復雜的樣品基質中,這一現象越明顯,共流出情況的差異也越大。盡管如此,基于atld方法對數據分別進行解析,都得到了準確的色譜、光譜輪廓以及相對濃度信息。最后將atld方法得到的定量結果與hplc-uv方法所得的結果進行比較,統(tǒng)計分析結果表明兩種方法所得的定量結果之間沒有顯著性差異。本章研究表明,atld方法輔助hplc-dad策略準確、經濟且具有通用性,可用于處理復雜食品分析體系中所遇到的不同色譜柱和樣本基質造成的干擾模式變化的問題,簡化色譜柱的篩選和樣品預處理過程。在第4章中,本論文提出采用激發(fā)發(fā)射矩陣熒光與基于交替歸一加權殘差(alternatingnormalization-weightederror,anwe)算法的二階校正方法相結合用于人體液(血漿和尿液)樣中伊立替康(irinotecan,cpt-11)及其主要代謝產物7-乙基-10-羥基喜樹堿(7-ethyl-10-hydroxycamptothecin,sn-38)的同時快速直接定量分析。cpt-11與sn-38的光譜重疊嚴重,同時人體液中的未知干擾物光譜與目標分析物光譜也嚴重重疊。盡管如此,借助二階校正方法的“二階優(yōu)勢”,anwe方法對三維數陣解析仍能得到cpt-11和sn-38準確的激發(fā)、發(fā)射光譜及定量信息。血漿和尿液樣中cpt-11的平均回收率分別為(96.8±6.3)%和(101.7±1.1)%,sn-38的平均回收率分別為(100.4±4.9)%和(101.6±1.1)%。此外,通過品質因子,如sen、sel、lod和loq等評估了該方法的準確性和可實施性。研究結果表明,該方法以“數學分離”代替繁瑣的“物理和化學分離”,成功地解決了復雜體系中內源干擾物質與分析物光譜重疊而難分辨的問題,可用于人體液樣中cpt-11和sn-38的直接快速定量分析。在第5章中,本論文提出采用基于交替歸一加權殘差(anwe)算法的二階校正方法處理激發(fā)×發(fā)射×(靜態(tài)校正樣本+動力學樣本)的三維數陣,實時定量監(jiān)測伊立替康(cpt-11)在ph值為7.4的pbs緩沖液和人血漿中的水解動力學過程。盡管cpt-11的內酯形式(cpt-11-l)和羧酸形式(cpt-11-c)之間光譜重疊嚴重,且血漿中未知干擾物的光譜與反應物和生成物的光譜之間也嚴重重疊。但借助二階校正方法的“二階優(yōu)勢”,依然可以解析得到cpt-11-l和cpt-11-c準確的激發(fā)、發(fā)射光譜及其動力學過程中的相對實時濃度信息。靜態(tài)驗證樣、血漿加標樣和動力學樣本的加標回收率范圍為83.7%-116.7%。cpt-11的水解反應符合一級動力學方程,利用anwe方法預測得到的實時濃度信息求得cpt-11在ph值為7.4的pbs緩沖液和人血漿中的反應速率常數分別為(0.0318±0.0031)min-1和(0.0323±0.0008)min-1,半衰期分別為(21.9±2.0)min和(21.5±0.5)min。研究表明,本章所提出的分析策略簡單、成本低廉、高效,有望用于其他動態(tài)復雜體系中藥物或其他物質的原位、實時和無損定量分析。在第6章中,本論文以伊立替康(CPT-11)的水解動力學過程為例,分別建立三維校正和四維校正模型用于動態(tài)復雜體系中反應物的實時定量分析。通過預測得到的實時濃度、初始濃度加標回收率及品質因子參數如平均預測誤差(Average relative prediction error,ARPE)、SEN、SEL、LOD等對兩種模型進行比較。研究發(fā)現,三維校正和四維校正模型均可以實現動力學過程中目標分析物的實時定量分析。其中采用三維校正模型可以極大地減少實驗工作量,且三維校正模型更為靈活,可用于多種類型的動力學過程的實時定量分析。但是受限于校正曲線的校正濃度范圍,在目標物實時濃度過低的情況下會導致預測結果不準確。而四維校正模型由于在校正樣中增加了動力學維度的信息,可以很好地彌補三維校正中的這一缺點;但四維校正模型的實驗工作量很大,且基于四線性分解模型的四維校正方法只能用于符合一級動力學模型的反應過程的實時定量分析,同時還有引入強共線性的風險。本章的研究工作可以為選擇合理的方法進行動態(tài)復雜體系中目標分析物的實時定量分析研究提供指導。隨著聯用儀器的廣泛使用,具有“二階優(yōu)勢”的化學多維校正方法已成為解析多維化學數據的最常用方法之一。為了更好地將化學多維校正方法應用于動態(tài)復雜體系中目標分析物的實時或在線分析及組學研究中,加快多維校正算法的運算速度是化學計量學基礎理論研究的重要內容之一。在第7章中,本論文采用三維和四維模擬數據及實際數據探討了基于不同的奇異值分解方法求解Moore-Penrose廣義逆對三維和四維校正算法運算速度的影響。研究表明,基于截尾的奇異值分解(Truncated singular value decomposition,TSVD)和雙向奇異值分解(Two-direction singular value decomposition,D2SVD)的平行因子分析算法(Parallel factor analysis,PARAFAC)和四維平行因子分析算法(Four-way parallel factor analysis,four-way PARAFAC)的運算速度明顯快于基于常規(guī)奇異值分解(Normal singular value decomposition,SVD)的PARAFAC和four-way PARAFAC算法。而對于ATLD算法和交替四線性分解(Alternating quadrilinear decomposition,AQLD)算法而言,因為它們本身具有收斂速度快的特點,在數據陣較小時,不同的奇異值分解方法對各算法運算速度的影響不是很大。但是,在面臨較大的多維數據陣時,基于D2SVD和TSVD的ATLD和AQLD算法的運算速度明顯快于基于SVD的ATLD和AQLD算法�？傮w上來說,基于D2SVD的多維校正算法表現出了更快的運算速度和抗共線性能力,且不論是基于何種奇異值分解方式,對最終的定性和定量結果沒有影響,僅會影響算法的運算速度。這一研究內容為我們提供了一種新的提高算法運算速度的思路。
[Abstract]:......
【學位授予單位】：湖南大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：O652;TS201.6;TQ460.1
，

本文編號：1616092