色谱  2013, Vol. 31 Issue (10): 925-926   PDF (751KB)    
扩展功能
加入收藏夹
复制引文信息
加入引用管理器
Email Alert
RSS
本文作者相关文章
邵学广
武曦
李跑
蔡文生
复杂体系色谱分析中的化学计量学方法
邵学广, 武曦, 李跑, 蔡文生    
南开大学化学学院, 天津 300071

色谱及其联用技术的快速发展使其成为复杂样品分析的重要手段之一。近年来,以色谱为基础的样品预处理、联用、多维色谱等技术的发展极大地提高了色谱技术在复杂样品分析中的能力,在石油化工、临床医学、食品卫生、环境监测、商品检测、地质勘探等领域中均发挥了重要的作用,在代谢组学、蛋白质组学等新兴学科中得到了广泛应用[ 1, 2, 3 ]。现代仪器能够快速、准确地提供大量可靠的数据,但随着样品复杂程度的不断提高,色谱的分离能力有时还不能满足定性定量分析的要求,多组分重叠的色谱峰仍需要采用化学计量学的"数学分离"手段来解决。因此,复杂体系分析中的化学计量学解析方法研究是现代分析化学的重要研究内容,可为建立高效、实用的色谱分析方法提供一种新的途径。

1多元曲线分辨

实际样品的复杂性及性质相似的组分保留时间较为接近往往导致色谱峰出现重叠现象,给色谱峰的识别和组分的定量分析带来很大困难。多元曲线分辨(MCR)为复杂分析体系的定性定量解析提供了新的手段,通过对重叠色谱信号进行解析,直接从数据中提取各组分的定性(光谱、质谱等)及定量(浓度)信息。多元曲线分辨-交替最小二乘(MCR-ALS)是目前应用最为广泛的多元曲线分辨方法之一。Salvatore等[ 4 ]利用高效液相色谱-光二极管阵列联用仪(HPLC-DAD)对葡萄酒中的酚类物质进行了测定;由于葡萄酒组分构成十分复杂,色谱信号严重重叠,常规的HPLC方法很难把多酚物质从复杂的干扰物质中分离出来;作者利用MCR-ALS对重叠HPLC-DAD信号进行解析,得到目标组分的色谱信息,从而对葡萄酒中的酚类物质进行了定性定量分析,并根据分析结果对葡萄酒的来源进行了聚类分析。Vosough等[ 5 ]采用短色谱柱结合快速洗脱程序,利用MCR-ALS和HPLC-DAD成功地对废水中的5种抗生素进行了快速定量分析,作者把背景信号当作一种待解析组分,简化了信号的预处理步骤,消除了背景干扰,从而提高了结果的准确性。为了解决高强度噪声和背景对解析结果的干扰,Parastar等[ 6 ]讲MCR与粒子群优化算法(PSO)结合,用于复杂体系的气相色谱-质谱联用仪(GC-MS)和HPLC-DAD多组分重叠数据的解析;结果表明,在组分信号重叠严重且存在高强度噪声干扰的情况下,使用改进的MCR方法仍可得到准确的解析结果。

2免疫算法

免疫算法(IA)基于多组分重叠色谱信号的加和性,利用迭代算法计算重叠信号中各组分的分量实现重叠色谱信号的解析[ 7 ]。传统的免疫算法利用实验或模拟得到的标准样品信号对复杂样品的重叠信号进行拟合,实现多组分信号中各组分的同时分析。为了增加免疫算法的实用性,又发展了自适应免疫算法(AIA)和非负免疫算法(NNIA),实现了从复杂样品测试信号中提取"标样信号",并且可以只对特定的目标组分进行信息解析。在近期的研究工作[ 8 ]中,通过对免疫算法的进一步改进,结合快速升温程序,实现了农药混合物样品的GC-MS "高通量分析",在10min洗脱时间内可实现40种农药的"完全分离",得到各组分的色谱和质谱信息.Yu等[ 9, 10 ]利用免疫算法实现了头发样品中农药残留和土壤样品中多环芳烃的快速GC-MS检测;该方法避免了繁琐的样品预处理步骤,缩短了分析时间,实现了复杂基质样品中特定组分的快速分析。Wu等[ 11 ]通过简化样品预处理步骤使用短柱和快速升温程序的GC-MS测定,利用免疫算法对蔬菜中的农药残留进行了快速分析;结果表明简化样品预处理步骤可以避免目标组分的损失,利用快速升温程序可以实现快速分析。因此,免疫算法与实验技术结合有望成为实际复杂样品快速分析的有效途径。

3 高维数据分析方法

随着新型色谱仪器的研究进展,高阶量分析仪器(如全二维液相色谱-光二极管阵列联用仪(LC×LC-DAD)、全二维液相色谱-质谱联用仪(LC×LC-MS)等)在复杂体系分析中发挥着越来越重要的作用。基于高阶量分析仪器产生的高维数据,研究者提出并建立了一系列高阶校正方法。这类方法具有所谓的“高阶优势”,即能在未知干扰物存在下,同时分辨出多个性质相似分析物的响应信号,从而实现对目标分析物组分的直接定量分析。代表性的高阶校正算法是平行因子分析法(PARAFAC)和交替三线性分解(ATLD)算法,在复杂样品重叠色谱信号的解析中发挥了重要作用[ 12 ]

Zhang等[ 13 ]利用ATLD对HPLC-DAD数据进行解析分析了蜂蜜中的7种儿茶酚;由于蜂蜜组分复杂并且性质相近的组分很多,难以实现各组分的色谱分离,采用ATLD算法直接对多组分信号进行解析很好地解决了复杂基质存在下7种儿茶酚色谱信号的解析。Yu等[ 14 ]采用正交光谱信号投影(OSSP)与PARAFAC方法结合实现了利用HPLC-DAD对自来水中11种抗生素的快速检测,消除了色谱信号中的背景干扰,同时也解决了色谱分析中的共洗脱问题。Oca等[ 15 ]采用PARAFAC方法开展了食物中双酚A(BPA)、双酚F(BPF)以及二缩水甘油醚(BADGE和BFDGE)的GC-MS分析,结果表明所建立的方法能有效缩短分析时间,并能消除色谱重叠峰的干扰。Li等[ 16 ]提出了基于蒙特卡罗模拟的自加权交替三线性分解(SWATLD-MCS)方法,并成功应用于河流沉积物中扑草净、敌草胺和甲草胺的同时分析。

新型高阶量分析仪器如LC×LC-DAD可以提供四维或更高维的分析数据,利用这些数据所包含的丰富信息,可以更有效地避免背景干扰和基体效应,提高分析结果的可靠性和准确性。Lozano等[ 17 ]采用超快速HPLC结合荧光检测,成功得到了四维色谱数据,并定量分析了橄榄油样品中叶绿素和脱镁叶绿素的含量;该工作建立了展开偏最小二乘/残差三线性化(U-PLS/RTL)和多维偏最小二乘/残差三线性化(N-PLS/RTL)方法,有效地避免了繁琐的样品前处理步骤,实现了复杂样品的直接、快速分析;所建立的方法具有高选择性和高灵敏性。

4 前景与展望

化学计量学在复杂色谱信号的信息提取及解析方面取得了很大进展,并在实际复杂体系分析中得到了成功应用。但是随着分析体系复杂程度的加深,各组分之间的完全分离仍非常困难,除色谱分离的新原理、新方法、新仪器等研究外,利用化学计量学方法对多组分复杂色谱信号进行解析可作为实际复杂体系分析的有效途径。特别是高维算法的发展,对未知干扰的复杂体系分析增添了新的技术。因此,化学计量学和色谱技术的结合有望成为实际复杂样品“高通量分析”的关键技术。

参考文献
[1]Kraiczek K G, Rozing G P, Zengerle R. Anal Chem, 2013, 85(10): 4829  
[2]Khoomrung S, Chumnanpuen P, Jansa-Ard S, et al. Anal Chem, 2013, 85(10): 4912  
[3]Zheng H, Clausen M R, Dalsgaard T K, et al. Anal Chem, 2013, 85(15): 7109  
[4]Salvatore E, Cocchi M, Marchetti A, et al. Anal Chim Acta, 2013, 761: 34  
[5]Vosough M, Esfahani H. Talanta, 2013, 113: 68  
[6]Parastar H, Ebrahimi-Najafabadi H, Jalali-Heravi M. Anal Chim Acta, 2013, 772: 16  
[7]Shao X G, Liu Z C, Cai W S. TrAC: Trends in Anal Chem, 2009, 28: 1312  
[8]Mei Z, Cai W S, Shao X G. Acta Chimica Sinica (梅桢, 蔡文生, 邵学广. 化学学报), 2013, 71(5): 729  
[9]Yu W W, Cai W S, Shao X G. J Sep Sci, 2013, 36(14): 2277  
[10]Yu W W, Cai W S, Shao X G. Chin J Chem, 2013, 31(4): 545  
[11]Wu X, Yu W W, Luo X Y, et al. Chromatographia, 2013, 76(13/14): 849
[12]Yu Y J, Wu H L, Nie J F, et al. Chemometr Intell Lab, 2011, 106(1): 93  
[13]Zhang X H, Wu H L, Wang J Y, et al. Food Chem, 2013, 138(1): 62  
[14]Yu Y J, Wu H L, Fu H Y, et al. J Chromatogr A, 2013, 1302: 72  
[15]Oca M L, Ortiz M C, Herrero A, et al. Talanta, 2013, 106: 266  
[16]Li Y, Wu H L, Qing X D, et al. Chemometr Intell Lab, 2013, 127: 127
[17]Lozano V A, de la Pena A M, Duran-Meras I, et al. Chemometr Intell Lab, 2013, 125: 121