人工神经网络用于有机磷酸酯类化合物的定量结构色谱保留相关研究

采用误差反传前向人工神经网络(ANN),研究了35种有机磷酸酯类化合物在3种不同极性固定相上的结构与其色谱保留(QSRR)之间的定量关系。以其分子电性距离矢量(或分子拓扑指数)作为输入、色谱保留值作为输出,采用内外双重验证的办法分析和检验所得模型的稳定性和外推能力。结果表明,ANN模型获得了比多元线性回归(MLR)模型更好的拟合效果。使用MLR模型时QSRR模型相关性受色谱固定相极性的影响,而采用ANN模型无此现象。同时,ANN模型解决了QSRR中预测维数为1时耗时较长的问题。通过ANN建模可以同时预测3种不同极性固定相上的色谱保留值,可大大缩短建模和预测所需的时间。     

不同极性固定相上醇色谱保留指数的预测

采用拓扑指数(mQ)、定位基参数(SOX)及固定液极性值(CP)与脂肪醇在6种固定相上的气相色谱保留指数值(RI)进行了相关分析,发现RI与上述参数间存在良好的相关性,其关系可表示为:RI=158·384 57·7220Q-12·0491Q 5·720SOX 5·756CP R=0·9913继以留一法(Leave-one-out,LOO)进行交互检验,相关系数RCV=0·9909。说明所建定量结构-保留关系(QSRR)模型具有良好的稳定性和预测能力,较好地揭示了脂肪醇类物质在不同固定相上气相色谱保留指数的变化规律。     

电拓扑状态预测有机磷酸酯类化合物的气相色谱保留指数

以原子类型电拓扑状态指数(ETSI)有效表征35个有机磷酸酯类化合物(OP)的分子结构, 应用基于预测的变量选择与模型化(VSMP)方法建立OP化合物在3种不同固定相上的气相色谱保留指数(RI)与分子结构(ETSI)的定量相关模型. 结果表明, 影响不同固定相上OP色谱保留的主要结构因素都是由7个ETSI描述子对应的子结构碎片, 即: ＝CH₂,≡C—, aaC—, ＝O, —O—, Cl和Br. 其中子结构aaC—, ＝O和—O与OP化合物母体骨架密切相关, 而＝CH₂,≡C—, —Cl和—Br反映支链或取代基的变化. 通过多元线性回归法建立OP化合物在三个固定相上的定量结构-保留相关模型(QSRR)发现, 各QSAR模型的估计相关系数均在0.99以上, LOO检验相关系数在0.98以上, 表明模型具有良好估计能力与稳定性. 应用28个OP训练集样本构建的QSRR模型预测外部7个检验集RI结果表明训练集模型具有良好预测能力.     

应用新定义的拓扑指数预测烷氧氯硅烷、单硫醚的气相色谱保留指数

根据分子中成键原子i的结构特征和所处的化学环境，新定义了原子i的价点价δi^Y，以价连接矩阵为基础构建了1个新的结构信息价连接性指数^mY。利用线性回归技术分别建立了22个烷氧氯硅烷、61个单硫醚化合物的^mY与这些物质的气相色谱保留指数RI的定量结构／保留相关关系模型(QSRR)。新模型物理意义明确，计算简便，对不同类型化合物在不同极性固定相上的气相色谱保留指数RI具有良好的稳定性和预测能力，新的结构信息价连接性指数能很好地反映化合物的结构特征。     

气相色谱中保留指数与温度变化的关系

气相色谱中多用保留指数定性,大多数化合物的保留指数都随温度变化而变化。在同一固定相上同一物质的保留指数与柱温近似成直线关系,一般可用保留指数的温度系数((?)I/(?)T)或((?)I/(?)T)×10~3/z来表征保留指数在一定范围的温度变化,有的物质是正的温度系数,有的物质是负的温度系数。     

烃类化合物在不同色谱柱上的定量结构-保留相关性研究

运用量子化学中的AMI方法计算烃类化合物的分子结构描述参数,借助逐步回归法建立了烃类化合物在不同极性色谱柱上的QSRR模型。结果表明：烷烃、烯烃、二烯烃类化合物在不同极性的色谱柱上的色谱保留与其分子结构描述参数之间具有较好的线性关系,烃类化合物在不同极性固定相上的保留主要与溶质分子的MR有关,即与溶质分子的色散力有关。随着溶质分子的不饱和度的增加,或固定相极性的增强,溶质分子与固定相之间的电荷传递作用随之增强。而且,烃类化合物在不同极性固定相上的色谱保留的QSRR模型均可用量化参数HOMO、LUMO、EICE以及MR参数来描述。所建立的在不同极性色谱柱上的烃类化合物的色谱保留QSRR模型预测烃类化合物的色谱保留值时具有较好的稳定性和准确性。     

脂肪醇气相色谱保留指数与结构的相关性研究

在分子图的邻接矩阵基础上,构建了一个化合物均价连接性指数mL,mL=∑(Ai·Aj·Ak…)-0.5,其中一阶指数1L及定位基参数β与25种脂肪醇在6种固定相(SE-30,OV-3,OV-7,OV-11,OV-17和OV-25)上的气相色谱保留指数I显著相关,相关系数均大于0.98。所建定量结 构-保留关系(QSRR)模型具有良好的稳定性和预测能力,较好地揭示了脂肪醇在不同固定相上气相色谱保留指数的变化规律。     

直链醇、烷基苯气相色谱保留指数之比与其正辛醇/水分配系数的相关性

通过研究直链醇、烷基苯等有机物气相色谱保留指数与其正辛醇／水分配系数的关系得出,在极性相异固定相上保留指数之比Im/n与其正辛醇／水分配系数的对数值logkow之间有较好的线性相关性。因而由保留指数能很好的预测分配系数,从而为直链醇、烷基苯分配系数的测定提供了一种简便准确的新方法。     

有机磷酸酯类化合物气相色谱定量结构保留关系研究

采用分子电性距离矢量(MEDV)表征有机磷酸酯类化合物的分子结构,运用多元线性回归建立定量结构-色谱保留关系(QSRR)模型,同时采用逐步回归结合统计检测对模型进行变量筛选,建立了35个有机磷酸酯类化合物在3种不同固定相(OV-101,DB-1701和DB-WX)上气相色谱保留指数(RI)与MEDV的定量相关模型.在3种固定相上的QSRR模型的建模计算值复相关系数(R)、留一法(leave-one-out)交互校验复相关系数(QCV)分别为0.998 0和0.995 1(OV-101);0.996 3和0.989 6(DB-1701);0.993 7和0.984 1(DB-WX),表明模型具有良好估计能力与稳定性.     

衍生化环糊精键合固定相色谱保留和手性识别机理的研究(Ⅰ)

合成了苯基氨基甲酸酯衍生化β-环糊精键合固定相,14个α-氨基膦酸酯类化合物首次在该固定相和商品化的(S)-(+)-萘乙基氨基甲酸酯衍生化β-环糊精固定相上进行液相色谱手性拆分.通过定量结构-对映异构体保留关系对比研究了两种不同的环糊精类固定相上可能的色谱保留和手性识别机理.     

含氧化合物气相色谱保留指数的预测

通过对部分含氧化合物(醇、酯、醛、酮)在不同固定相不同柱温下的849个样本的气相色谱保留指数值(RI)与其部分参数:拓扑指数(mQ)、定位基参数(Sox)、固定液极性值(CP)及柱温(T)建立定量结构-色谱保留相关(QSRR)模型。分别利用多元线性回归(MLR)、偏最小二乘回归(PLSR)、人工神经网络(ANN)建模,同时采用内部及外部双重验证的办法对所得模型稳定性能进行深入分析和检验,建模计算值、留一法(LOO)交互检验(CV)预测值和外部样本预测值的复相关系数Rcum、QLOO和Rext分别为0.9832、0.9829和0.9836(MLR);0.9832、0.9830和0.9836(PLSR);0.9910、0.9909和0.9900(ANN)。结果表明:所建定量结构保留关系(QSRR)模型具有良好的稳定性和预测能力,较好地揭示了含氧化合物(醇、酯、醛、酮)在不同色谱条件下气相色谱保留指数的变化规律。     

烯烃气相色谱保留指数的QSRR研究

通过对184个烯烃类化合物在不同固定相不同柱温下的617个样本的气相色谱保留指数值(RI)与其部分参数:拓扑指数(mQ)、偶极矩(DPL)、固定液极性值(CP)及柱温(T)建立定量-色谱保留相关(QSRR)模型.分别利用多元线性回归(MLR)、偏最小二乘回归(PLSR)、人工神经网络(ANN)建模,同时采用内部及外部双重验证的办法对所得模型稳定性能进行深入分析和检验,建模计算值、留一法(LOO)交互检验(CV)预测值和外部样本的复相关系数Rcum,QLOO和Rext分别为0.999 2,0.998 4和0.999 2(MLR);0.999 0,0.998 0和0.999 1(PLSR);0.999 4,0.998 7和0.999 2(ANN).结果表明:所建定量结构保留关系(QSRR)模型具有良好的稳定性和预测能力,较好地揭示了烯烃类化合物在不同固定相不同柱温上气相色谱保留指数的变化规律.     

Prediction of soluble solids content, firmness and pH of pear by signals of electronic nose sensors

The objective of this study was to investigate the predictability of an electronic nose for fruit quality indices. Responses signal of sensor array in electronic nose were employed to establish quality indices model for “xueqing” pear. The relationships were established between signal of electronic nose and the quality indices of fruit (firmness, soluble solids content (SSC) and pH) by multiple linear regressions (MLR) and artificial neural network (ANN). The prediction models for firmness and soluble solids content indicated a good prediction performance. The SSC model by ANN had a standard error of prediction (SEP) of 0.41 and correlation coefficient 0.93 between predicted and measured values, the model by ANN for the penetrating force (CF) had a 3.12 SEP and 0.94 coefficient, respectively. The results imply that it is possible to predict “xueqing” pear quality characteristics from signal of E-nose.