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。     

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。     

基于神经网络的黑莓果酒香气成分的定量结构色谱保留相关研究

采用人工神经网络(ANN)建立了36种黑莓果酒香气成分的结构与色谱保留时间之间的定量关系(QSRR)模型。以36种黑莓果酒香气成分的分子连结性指数和电拓扑指数作为输入、保留时间作为输出,采用内外双重验证的办法分析和检验所得模型的稳定性,所构建网络模型的相关系数为0.9993、交叉检验相关系数为0.9949、标准偏差为0.1100、残差绝对值小于0.47,应用于外部预测集,外部预测集相关系数为0.9833。为了便于比较,也采用多元线性回归(MLR)法建立了QSRR模型,模型的相关系数为0.9904、交叉检验相关系数为0.9905、标准偏差为1.4896、残差绝对值小于4.32,外部预测集相关系数为0.8973。结果表明,ANN模型获得了比MLR模型更好的拟合效果。     

膦类化合物核磁共振谱化学位移预测

采用离子性指数(INI)、立体效应参数(iε)对291个膦化合物中磷原子进行结构表征,并与其核磁共振磷谱(31P NMR)建立定量结构波谱关系(QSSR)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)交互校验(CV)预测值和外部样本预测值的复相关系数Rcum、QLOO和Qext分别为0.9449,0.9408和0.9338(MLR);0.9421、0.9411和0.9338(PLSR);0.9741、0.9736和0.9471(ANN)。结果表明:INI、iε与31P NMR谱化学位移显著相关。     

烷基苯类化合物气相色谱保留指数与分子结构的相关性研究

利用分子力学和量子化学方法计算出烷基苯类化合物的分子结构描述参数,用逐步回归法建立烷基苯类化合物在不同极性色谱柱上的QSRR模型。烷基苯类化合物在不同极性色谱柱上的气相色谱保留指数与其分子结构描述参数之间具有较好的线性关系。建立了在不同极性色谱柱上的烷基苯类化合物的色谱保留QSRR模型,并预测烷基苯类化合物的色谱保留值,结果具有较好的稳定性和准确性。     

分子电性距离矢量用于酯的定量结构-色谱保留相关研究

分子电性距离矢量(MEDV)是一种描述分子二维结构的拓扑描述子,由4种类型原子间相互作用的10个元素组成.通过引入原子属性和原子类型的概念构建的MEDV,适用于描述含多个杂原子、饱和键与不饱和键、环和非环等分子结构特征.利用MEDV对73个酯在不同固定相、不同柱温下219个样本的气相色谱保留指数值(R1)建立多元线性回归模型,其相关系数r=0.9957,继以留一谣(Leave-one-out)进行交互检验,相关系数rCV=0.0950.建模结果显示,MEDV具有很好的结构选择性,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,较好地揭示了酯类化合物在不同固定相、不同柱温下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.     

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.     

多环芳香硫化合物的定量结构-气相色谱保留指数关系

应用分子电性距离矢量(MEDV)对114个多环芳香硫化合物(PASHs)进行结构表征,通过多元线性回归建立了PASHs的气相色谱保留指数与MEDV参数之间的定量结构-保留值关系模型;同时采用逐步回归分析进行变量筛选,继而以留一法交互检验对所得优化模型进行预测能力评价,所建立的模型的相关系数为0.9947,交互检验相关系数为0.9940,表明该优化模型具有良好的稳定性和预测能力。此外,通过将样本集按2:1分成校准集和测试集预测,统计分析结果显示所建的模型具有良好的相关性和稳定性。本文所建的定量结构-保留值关系(QSRR)模型为预测PASHs的气相色谱保留指数提供了一个便捷有效的新方法。     

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。     

Molecular Distance‐Edge Vector (μ) and Chromatographic Retention Index of Alkanes

A new method of quantitative structure‐retention relationship (QSRR) is proposed for estimating and predicting gas chromatographic retention indices of alkanes by using a novel molecular distance‐edge vector, called μ vector, containing 10 elements. The QSRR model (Ml), between the μ vector and chromatographic retention indices of 64 alkanes, was developed by using multiple linear regression (MLR) with the correlation coefficient being R = 0.9992 and the root mean square (RMS) error between the estimated and measured retention indices being RMS = 5.938. In order to explain the equation stability and prediction abilities of the M1 model, it is essential to perform a cross‐validation (CV) procedure. Satisfactory CV results have been obtained by using one external predicted sample every time with the average correlation coefficient being R = 0.9988 and average RMS = 7.128. If 21 compounds, about one third drawn from all 64 alkanes, construct an external prediction set and the 43 remaining construct an internal calibration set, the second QSRR model (M2) can be created by using calibration set data with statistics being R = 0.9993 and RMS = 5.796. The chromatographic retention indices of 21 compounds in the external testing set can be predicted by the M2 model and good prediction results are obtained with R = 0.9988 and RMS = 6.508.