应用人神经网络鉴定高效液相色谱峰纯度

应用人神经网络鉴定高效液相色谱峰纯度* 周革文 胡育筑 葛建华 赵 锋** （中国药科大学分析化学教研室 南京 210038） 提要 首次应用人工神经网络 artificial neural network简称ANN鉴定色谱峰纯度，根据判定指标，采用改良 反向传播算法对系统进行描述和预报，结果正确，收敛较快，具有一定的理论和实用价值。 关键词 高效液相色谱法，色谱峰纯度，人工神经网络，改良反向传播算法 1 前言 高效液相色谱法定性定量的基本前提是峰由单 一组分构成，但在进行结构及性质极为相近的物质 分离分析时，由于组分的保留行为几乎一样，在普通 色谱图上完全看不出有峰重叠，常误以为该峰是单 一组分。国外色谱工作者对此已越来越重视并提出 了许多用于鉴定色谱峰纯度的方法[18]。本文首次 应用人工神经网络（artifical neural network,ANN） 处理各实时紫外光谱数据来重新描述原色谱，并与 原色谱值进行比较，从而判定原色谱峰是否有峰重 叠，其最低检测限为5％ mg/mg。 2 原理部分 由Beer定理可知A＝E×罫L C由此可构成 网络模型为：Yi＝ΣWijXi十θ萯其中W＝Eij i＝ 1 ×L；籜X-X2⋯?⋯ Xm对应于浓度列矢量；Wi，Wi， ⋯⋯，Wi对应于吸收系数列矢量；Yi对应于浓度为 Xi时的吸收度；θ萯是测量误差。 网络的模型结构为三层（如图 1，设网络的输 出值为OPi（即时间点i的实测值），样本的目标值为 TPi（对应时间点i的 ANN计算值），偏差为Ei，则： 这一偏差在运算中反向传播到网络的前一层节点， 调节连接各节点的权重，使网络朝误差不断减少的 方向变化，直到输出值与目标值的偏差满足所需的 精度为止，具体算法如下： 这里 为动量项，为学习速率，δ为递归项。 网络不断地重复学习，直至所有输出值与目勘标 值一致并可接受，或允许的迭代数超出。 光谱相似系数 r和相对偏差（RE ）的计算 公式如下 ： 其中A1、A2分别为两个化合物在波长i处的归一化 吸收度[9] 众听周知，高效液相色谱峰为组分在所测波长 *国家自然科学墓金资助项目 **中国人民解放军总后勤部卫生部药品仪器检定所 本文收稿日期：1995年3月18日，修回日期；1995年5月26日 下的吸收行为，如保留时间相近，而其中一个或几个 组分的吸收又较小，则峰形完全重叠，造成峰由单一 组分构成的假象；但如果利用光电二极管阵列检测 器（DAD）取色谱峰上若干点的光谱，用多个波长下 的吸收重新描述原色谱，则使所反映的信息量大为 增加，经网络计算输出值与实测值比较，从而预报峰 是否为单一组分构成。 3 实验部分 3.1 仪器与试剂 HP1050高效液相色谱仪，岛津UV-2100分光光 度计，T&W 微机。苯甲酸、对羟基 甲酸 34-二羟 基苯甲酸、水杨酸、咖啡酸及阿斯匹林、甲醇均为分 析纯，磷酸缓冲液，重蒸水。 3.2色谱条件 色谱柱Spherisorb C18，5m 150×4.6mm i.d. （中国科学院大连化学物理研究所）；流动相为各种 配比的甲醇-水或甲醇-缓冲液（pH 3.5，流速为 1mL/min，进样量为20μ蘈L，柱温为室温。 3.3 判定指标的选取 1）分别注射已知样 品（浓度均为0.01mg/ mL?：纯品为咖啡酸 （No.1 34-二羟基苯 甲酸 No.2?、水杨酸（No.3?、对羟基苯甲酸（No.4?；混 合样品为咖啡酸（5 34-二羟基苯甲酸）No.5?、水 杨酸 5 对羟基苯甲酸）No.6。并按所取时间点 作出其DAD实时紫外光谱。 2在所取时间点量测色谱积分值，并在波长 210×?380nm范围内按一定波长间隔测定30个波长 处的紫外吸收值，输入到T&W微机中，用改良的反 向传播算法程序（以FORTRAN语言编制）进行运 算。用已知样品迭代训练网络并计算出输出值与目 标值的相对偏差 RE 据此取得判断指标RE。 3.4检测限 limit of detection，LD，以杂质相对于 主要组分的百分含量 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 示）的考察 3.4.1 分辫率R 对LD的影响 分别在不同的色谱条件下（Rs分别为00.23， 0.41，0.60，0.82）进样主要组分（水杨酸）均为 0.01mg/mL而杂质（对羟基苯甲酸）含量不同 1％ ～50 ）的混合液，采集数据并输入到微机中运算处 理。 3.4.2 光谱相似程度（r对LD的影响 分别进样主要组分均为0.01mg/mL而杂质含 量不同（1％～50％）的几种混合液：苯甲酸（杂质为 对羟腔基苯甲酸，r＝0.2693、水杨酸（杂质为对羟基 苯甲酸 r＝0.4231 咖啡酸（杂质为对 羟腔基苯甲 酸，r＝0.5322、阿斯匹林（杂质为水杨酸幔瑀r＝ 0.7935、阿斯匹林（杂质为苯 甲酸 r＝0.9430，米 集数据并输入微机运算处理。 3.4.3 浓度C对LD的影响 分别进样主要组分（水杨酸）的浓度为0.001～ 0.1mg/mL而杂质（阿斯匹林）含量每一浓度下范围 为1 ～50 的混合液，采集数据并输入微机运算 处理 。 4 结果和讨论 1 表1为已知样品的ANN处理结果。从表1 可看出，纯品训练集和预报集的输出值与目标值的 相对偏差 RE）的绝对值均不超过 10％（其中两端 的RE较大，主要原因是由于其色谱值的测量误差 较大）。而混合样品的训练集的｜RE｜＜10 ，但预 报集的某些｜RE｜则远远超出10 ，故可选取 RE｜ ＜10％作为鉴定色谱峰纯度的指标。 2）本法利用ANN学习峰前沿不同时间点的 光谱特征，然后预见尾部的色谱值，并与实测值比较 判定峰中是否含有杂质。该法对于完全重叠峰只要 其前沿或尾部由单一组分构成，则可成功地预报峰 纯度，并可粗略地从预报色谱上估计出杂质出现的 时间，例如已知混合样品咖啡酸和水杨酸的杂质分 别在第 7和第 6个时间点出现。当预报集 RE ＞ 10％时，则反向训练，并预示了前沿含有杂质。 3）实验结果表明，LD最主要的影响因素有 （见图2）：i）色谱分辨率（Rs）的值越大，LD越低， 但影响不太显著；ii光谱类似程度（r 的影响较 大，其值越小，LD越低；iii）主要组分浓度（C）的影 响较复杂，在浓度低时，浓度增加、LD降低，但当浓 度增加到0.5mg/mL时，LD反而增加，原因是主要 组分浓度高，掩盖了杂质的存在，并且在高浓度时的 紫外光谱可能产生变形。 4ANN是当今化学计量学研究工作中最为 活跃的重大课 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 之一，已应 用于许多学科领 域　[0～1]。本课题利用其处理大量数据，即从峰一侧 所取时间点学习样品的光谱特征，从而判断峰另一 侧其它时间点是否为同一物质，适用于含有两个以 上杂质的情况 。 表1 已知样品的ANN 处理结果 参 考 文 献 1 KankarJ J.Anal Chem,1967;39:355 2 Dlaney M F.Anal Chem,198;56:261R 3 Grant A,Pranab K,Bhattacharyya,J Chomatogr, 198;347:219 4 Marr J G D ,atn G C R,Clark B Chromatogr, 19006:29 5 Owino E,ClerB J,Fell A F.J Chromatogr Sc, 199129:1298 6 Keller H R.Massart D L.Anal Chim Acta,1991246 379 7 Faigle J F,Ronel.Poppi et al.Chromatogr,199353 123 8 Antonc J ,Drouen,Hugo A H et al.Anal Chem, 1994;56:971 9 Castledine J B,Fell A F.J Chromatogr,1992;592:27 10 Long J S R,Vasilis G.Anal Chem,1990;62:1791 11 Peter A,Jansson.Anal Chem,1991;63:357A 12 Bos M, Boa A,Willem E et al.Analyst,1993;118:3 13 石乐明，唐宏志，周家驹．化学通报 19921146 Application of Artificial Neural Network to the Identification of High Performance Liquid Chromatographic Peak Purity Zhou Gewen,Hu Yuzhu,Ge Jianhua and Zhao Feng (Department of Analytical Chemistry,Chinese Pharmaceutical University,Nanjing,210038) Abstract In this work,artificial neural network is first presented to identify the purity of high performance chromatographic peak.The network uses modified back propagation model with fast covergence.The basic theory of this model is given in detail.The network learns the knowledge from the different spectra of the front peak part,then predicts the chromatographic values of the tail peak part and compares these values with the original ones.The chromatographic peak purity is estimated according to the criterion,namely percent error between the calculated values and the original ones.This criterion is defined as 10% based on the experimental results.The factors affecting the limit of detection,such as,solute concentration, chromatographic resolution and degree of similarity of the spectra are investigated.The results show that this method is mainly influeuced by the degree of similarity of spectra and the other two factors have small effects.The limit of detection of this method is 5%.The satisfactory results show that this new method has certain theoretical and pragmatic value. Key words high performance liquid chromatography,peak purity,artificial neural network,modified back propagation 新书《气相色谱专家系统 》征购 中国科学院大连化学物理研究所-国家色谱研究分析中心卢佩章教授（中国科学院院士）、 许国旺博士的专著《气相色谱专家系统 最佳柱系统的选择及其软件》获得山东科技出版社 “泰山科技专著出版基金”资助，已于1994年夏出版。本书由浅入深地对气相色谱专家系统的 理论和实践依据及其计算机软件作了详细介绍。书中既总结了作者三十余年在色谱理论和实 践方面的成果，又较全面地归纳了大量文献中的色谱实践，对目前国际上尚未彻底解决的两个 问题，即“什么样品应采用气相色谱法分析”、“应采用哪种气相色谱柱系统”作了系统的回答， 并给出了相应的气相色谱专家系统软件。全书分三章，两个附录，共约45万字。书价38元，包 装费、邮费7元。 欲订购者请与《色谱》编辑部孙树平联系，地址：大连市中山路161号，邮编：116012，电话： 3631841转 356。