基于捕集柱阵列的制备型二维液相色谱纯化烟草中的4个组分

二维液相色谱(2D-LC)因具有较高的峰容量,在复杂样品的分离分析中获得了广泛的关注。然而,制备型2D-LC以纯化高纯单体为目标,在方法开发和设备构成等方面与分析型2D-LC有较大的不同,目前尚未得到充分的开发,在大规模的制备纯化中应用较少。本文以一套制备液相色谱模块为分离系统,以稀释泵、切换阀和捕集柱阵列为接口,构建了新型的制备型2D-LC系统,旨在规模化纯化多个活性成分。以烟叶中可以用作医药原料的烟碱、绿原酸、芦丁和茄尼醇等组分为目标物,考察了不同类型填料对样品的捕集效率、过载条件下的色谱保留行为等,优化了制备色谱条件。进而利用在线2D-LC系统实现了烟叶提取物的纯化,通过一次运行获得了4个高纯化合物。该系统具有中压色谱纯化成本低、系统在线运行自动化程度高、稳定性好及容易放大等优点。烟叶中活性化学成分的回收利用对促进烟草行业的发展及带动地方农业经济开发具有重大的意义。     

高分辨质谱技术研究DART离子化条件下的背景离子及潜在应用

运用高分辨质谱技术对实时直接分析(DART)离子化条件下的多种背景离子进行研究和表征,追溯了这些信号可能的来源。研究表明:背景离子主要在阳离子条件下产生,且主要来自实验室环境中微量的增塑剂和聚二甲基硅氧烷,其中聚二甲基硅氧烷可能来自泵油挥发。了解和掌握这些背景离子有助于利用DART技术开展研究和测试方面的工作:(1)这些背景信号较弱,在DART的样品分析时不会产生显著干扰。可在不额外加入内标化合物的情况下,考察高分辨质谱质量轴的稳定性和准确度。(2)了解这些背景离子有助于DART质谱分析复杂体系时避免误判。     

利用特征中性丢失和非靶向液相色谱－质谱联用技术鉴定烟草中的糖苷成分

烟草中的糖苷化合物是非常重要的香气前体物质,了解糖苷化合物的种类和结构对于烟草的种植和加工均有重要意义。该文基于糖苷化合物在质谱分析中的特征中性丢失和非靶向液相色谱－质谱分析技术,建立了一种对烟草中糖苷化合物进行筛选和鉴别的方法。共筛选出60种糖苷化合物,其中糖元部分主要由己糖、脱氧己糖或两者的二糖或三糖组成。对苷元的二级质谱碎片离子进行了详细的结构解析,结合文献资料和现有数据库共鉴定出酚酸类、黄酮类、生物碱类、萜烯类、固醇脂类及神经酰胺类苷元共23种结合态糖苷化合物。所发现的糖苷化合物种类丰富,为后续研究烟草的香气成分及其影响因素提供了重要的物质基础。     

近红外和电子鼻数据融合识别不同香型风格

分别基于近红外和电子鼻融合数据、近红外数据以及电子鼻数据建立判别烟叶清香型、中间香型和浓香型三种香型风格的定性判别模型,结果表明虽然三种模型的建模准确率差异不大,都超过了89.00%,但基于融合数据建立的模型对中间香型和浓香型的预报准确率分别为82.67%和80.00%,比仅仅利用近红外数据建立模型的72.41%和73.33,也比仅仅基于电子鼻数据建立模型的68.97%和53.33%都有明显的提高。融合后预报准确率提高的可能原因是：电子鼻风味分析仪对于影响中间香型和浓香型的烟叶致香成分感应更加灵敏,捕获的信息也更多,这些新的信息可以作为NIR数据信息的有利补充,可用于建立烟叶香型分类判别准确率更高的模型。同时本研究还基于相同的融合数据,对比不同数据挖掘算法建模和预报结果差异性。实验结果表明：人工神经网络的建模结果高于支持向量机建模,人工神经网络模型的预报结果准确率只有65.00%,远低于支持向量机模型的预报结果的83.75%。这也验证了支持向量机算法可以在建模过程中减少过拟合。该研究可以为快速鉴别烟叶香型风格提供支撑,而且随着研究的深入可以争取为烟草系统的专业评吸人员提供辅助的鉴别方法。     

拉曼光谱结合偏最小二乘同时测定烟草中叶黄素和β-胡萝卜素含量

色素是烟草中的重要组成成分,烟草的外观质量和内在品质都与色素相关。色素主要分为绿色素、黄色素和黑色素。在生长期,烟草中的绿色素主要是叶绿素,成熟期的烟草中黄色素则主要为叶黄素和胡萝卜素,黑色素则存在于成熟的烟叶中,或在调制和发酵的过程中产生。色素的检测对于烟草原料评价和成品质量都非常重要。鉴于烟草色素基于液相色谱的传统检测方法耗时较长、样品制备过程复杂,以及拉曼光谱操作简单、测定时间短、能提供有关分子官能团信息的特点,开发了一种应用拉曼光谱同时定量检测烟草中叶黄素和β-胡萝卜素的快检方法。烟草样品的有机溶剂提取物,密封在透明玻璃瓶中,将激光聚焦于瓶内溶液样品直接测定拉曼光谱。研究发现,不同于常见的514和785 nm激发波长,在短波455 nm激光作用下,可获得更理想的拉曼信号,光谱强度较高,荧光干扰较低。对色素萃取溶剂、焦平面与光学平台间的距离等实验条件进行了优化。考虑到不同检测日期仪器操作条件的变化可对拉曼光谱产生影响,以溶剂峰为内标峰,对光谱进行归一化处理,以校正因测定条件不稳定而引起的物理干扰。为了解决荧光干扰,以及色素分子之间的拉曼光谱干扰问题,采用偏最小二乘法（PLS）建立光谱分析的多元校正模型。建模中对波长区域以及光谱预处理方法进行了优化。研究结果表明,光谱归一化处理显著降低了因物理因素产生的光谱干扰,光谱求导运算对建模影响不大,而波长选择能明显改善模型的预测能力。利用798.2～1 752.8 cm-1波段建立叶黄素的PLS定量模型时,预测效果最佳,预测集的均方根误差（RMSEP）为6.68 μg·g-1;对于β-胡萝卜素,798.2～1 752.8 cm-1组合2 254.2～2 784.5 cm-1用来建模时得到的RMSEP最小,为2.56 μg·g-1。该方法操作简便、耗时少、结果准确可靠,为烟草样本中色素的定量分析提供了一种切实有效的新途径。     

中红外和近红外数据融合的香型风格判别

烤烟香型的判别一直是烟草行业的关注焦点。利用中红外和近红外光谱对189份不同香型的烟叶进行分析。分别从中红外谱图数据中提取21个特征波数处以及近红外谱图数据中13个特征波数处的吸光值作为影响因素。通过主成分分析方法分别对选取的中红外、近红外数据进行烟叶清香型、中间香型和浓香型三种香型风格的定性分析。结果表明基于中红外和近红外数据PCA投影图中三种香型混淆严重,区分界面不清晰。随后,将中红外、近红外数据进行融合,将提取的34个特征波数处的吸光值同时代入主成分分析, 得到基于中红外和近红外融合数据的PCA投影图。该投影图可以将不同香型的烟叶明显地区分出来。随后利用后退法和遗传算法对中红外和近红外融合后的34个吸光度值进行变量选择,后退法选择出了24个变量,遗传算法选择出了19个变量。对比34,24和19个变量的烟叶三种香型风格的主成分投影图,遗传算法虽然选择了比较少的变量,但其仍然可以将烟叶进行准确的分类。利用遗传算法对中红外和近红外融合后数据进行变量选择,剔除对烟叶香型分类影响小的因素。最后,利用支持向量机建立烟叶清香型、中间香型和浓香型分类判别模型。该模型的建模结果准确率为92.72%,其中清香型、中间香型和浓香型的准确率分别为93.75%,92.11%和91.84%。内部交叉验证留一法结果准确率为88.74%,其中清香型、中间香型和浓香型的准确率分别为90.63%,86.84%和87.76%。对未知样本预报结果的准确率为86.84%,其中清香型、中间香型和浓香型的准确率分别为88.24%,85.71%和85.71%。无论是建模结果、留一法结果和预报结果其准确率都大于85%。研究结果表明中红外和近红外数据融合可以提供更多的特征信息,利用这些信息可以建立烟叶香型风格的分类判别模型,为烟叶香型风格快速鉴别提供帮助。     

基于拉曼光谱法所建的多元校正模型预测烟草中绿原酸和芸香苷的含量北大核心CSCD

为了满足现场批量检测的需求,基于拉曼光谱建立了多元校正模型,实现了烟草中绿原酸和芸香苷含量的预测。120个烟草样品(包含90个校正集样品和30个验证集样品)用50%(体积分数)甲醇溶液萃取后注入拉曼光谱液体池中,在325 nm激发波长下采集800~2000 cm^(-1)内的拉曼光谱,采用Savitzky-Golay卷积平滑法预处理所得原始拉曼光谱,用Monte-Carlo交互检验法选择隐变量数目,并在1555.8~1652.9 cm^(-1)波段内建立偏最小二乘法(PLS)多元校正模型,以避免绿原酸和芸香苷拉曼光谱在1600 cm^(-1)附近的光谱重叠干扰。结果显示,所建绿原酸和芸香苷模型的预测均方根误差(RMSEP)分别为0.88和0.67,预测集决定系数(R_(p)^(2))分别为0.948和0.970,说明基于拉曼光谱和PLS所建模型,可以对烟草中多酚类化合物绿原酸和芸香苷含量实现准确可靠的预测。