化學(xué)多維校正用于食品質(zhì)量安全及藥物水解動態(tài)過程研究.pdf

1、具有“二階優(yōu)勢”的化學(xué)多維校正方法可以在有未知干擾共存的情況下實現(xiàn)多目標(biāo)分析物的同時定量分析，以數(shù)學(xué)分離代替或簡化物理和化學(xué)分離，與現(xiàn)代分析儀器結(jié)合發(fā)展高效、綠色的分析方法和策略。近年來，這類化學(xué)多維校正方法已經(jīng)成功地應(yīng)用到了多種復(fù)雜體系中感興趣物質(zhì)的定量分析研究，包括環(huán)境、食品、醫(yī)藥、生物基質(zhì)等復(fù)雜體系。將化學(xué)多維校正的“二階”及“高階優(yōu)勢”推廣應(yīng)用到更多的實際分析體系，用于解決定量及相關(guān)的問題，同時進(jìn)一步挖掘多維校正方法所獲取的定性

2、定量信息是值得繼續(xù)深入研究的方向。此外，具有“二階優(yōu)勢”的化學(xué)多維校正方法在動態(tài)復(fù)雜體系中的原位、實時和無損定量分析中有廣闊的應(yīng)用前景，而目前關(guān)于此類方法在動態(tài)復(fù)雜體系中的原位、實時和無損定量分析的研究報道還不是很多，有必要將化學(xué)多維校正的優(yōu)良方法應(yīng)用于動態(tài)復(fù)雜體系中的原位、實時和無損定量分析，為醫(yī)藥、食品和環(huán)境分析等領(lǐng)域提供實用的創(chuàng)新性研究方法和工具。
　　基于此，本論文開展了化學(xué)多維校正在食品質(zhì)量安全和藥物水解動態(tài)過程中的定量

3、分析研究，主要包括6個方面的研究工作:
　　在第2章中，本論文提出采用交替三線性分解(Alternating trilinear decomposition，ATLD)方法輔助高效液相色譜二極管陣列檢測(High performance liquidchromatography-diode array detection，HPLC-DAD)策略用于10種中國茶葉中的沒食子酸、咖啡因和6種兒茶酚類物質(zhì)的同時、快速定量分析?；贏TL

4、D方法的“二階優(yōu)勢”及對組分?jǐn)?shù)不敏感的特點(diǎn)，這一策略有效地解決了色譜分析中峰共流出和基線漂移的問題。在兩種選定的茶葉樣本中，8種目標(biāo)分析物的平均加標(biāo)回收率在91.7-103.1％的范圍內(nèi)，對應(yīng)的標(biāo)準(zhǔn)偏差在1.9-11.9％之間。靈敏度(Sensitivity, SEN)、選擇性(Selectivity,SEL)、預(yù)測均方根誤差(Root-mean-square error of prediction，RMSEP)和檢測限(Limitof

5、 detection，LOD)等品質(zhì)因子參數(shù)的計算結(jié)果也表明ATLD方法輔助HPLC-DAD策略所得的分析結(jié)果是準(zhǔn)確可靠的，且這一策略具有較低的LOD值，可以滿足茶葉中上述8種活性物質(zhì)的定量分析。為了進(jìn)一步驗證方法的準(zhǔn)確性，將ATLD方法輔助HPLC-DAD策略所得的定量分析結(jié)果與LC-MS/MS所得結(jié)果進(jìn)行了對照比較，F(xiàn)檢驗和t檢驗的結(jié)果表明，這兩種方法的定量結(jié)果之間沒有顯著性差異。此外，為了考察ATLD方法輔助HPLC-DAD策略的

6、通用性，還將這一策略應(yīng)用于其他不同級別和種類的茶葉中8種目標(biāo)分析物的定量分析研究。最后，基于上述得到的8種目標(biāo)分析物的含量，采用主成分分析對茶葉樣本進(jìn)行分類研究，實現(xiàn)了綠茶、烏龍茶和普洱茶的分類研究。結(jié)果表明，本章中所提出的分析策略可用于中國茶葉樣本中沒食子酸、咖啡因和6種兒茶酚類物質(zhì)的快速、準(zhǔn)確定量分析，所得的定量分析結(jié)果可用于分類研究。
　　在第3章中，本論文提出采用化學(xué)計量學(xué)輔助HPLC-DAD策略用于處理不同色譜柱和樣本基

7、質(zhì)造成的干擾模式變化的問題。文中以定量分析僅經(jīng)過脫氣的5種不同的飲料基質(zhì)中6種人工合成色素為例進(jìn)行研究。在相同的色譜條件下，采用兩種不同的C18色譜柱對人工合成色素混合樣及實際的飲料樣品進(jìn)行分析。使用不同的色譜柱分析同一樣本，所得到的色譜共流出情況各不相同，在越復(fù)雜的樣品基質(zhì)中，這一現(xiàn)象越明顯，共流出情況的差異也越大。盡管如此，基于ATLD方法對數(shù)據(jù)分別進(jìn)行解析，都得到了準(zhǔn)確的色譜、光譜輪廓以及相對濃度信息。最后將ATLD方法得到的定量

8、結(jié)果與HPLC-UV方法所得的結(jié)果進(jìn)行比較，統(tǒng)計分析結(jié)果表明兩種方法所得的定量結(jié)果之間沒有顯著性差異。本章研究表明，ATLD方法輔助HPLC-DAD策略準(zhǔn)確、經(jīng)濟(jì)且具有通用性，可用于處理復(fù)雜食品分析體系中所遇到的不同色譜柱和樣本基質(zhì)造成的干擾模式變化的問題，簡化色譜柱的篩選和樣品預(yù)處理過程。
　　在第4章中，本論文提出采用激發(fā)發(fā)射矩陣熒光與基于交替歸一加權(quán)殘差(Alternating normalization-weighted

9、error, ANWE)算法的二階校正方法相結(jié)合用于人體液(血漿和尿液)樣中伊立替康(Irinotecan，CPT-11)及其主要代謝產(chǎn)物7-乙基-10-羥基喜樹堿(7-Ethyl-10-hydroxycamptothecin，SN-38)的同時快速直接定量分析。CPT-11與SN-38的光譜重疊嚴(yán)重，同時人體液中的未知干擾物光譜與目標(biāo)分析物光譜也嚴(yán)重重疊。盡管如此，借助二階校正方法的“二階優(yōu)勢”，ANWE方法對三維數(shù)陣解析仍能得到CP

10、T-11和SN-38準(zhǔn)確的激發(fā)、發(fā)射光譜及定量信息。血漿和尿液樣中CPT-11的平均回收率分別為(96.8±6.3)％和(101.7±1.1)％，SN-38的平均回收率分別為(100.4±4.9)％和(101.6±1.1)％。此外，通過品質(zhì)因子，如SEN、SEL、LOD和LOQ等評估了該方法的準(zhǔn)確性和可實施性。研究結(jié)果表明，該方法以“數(shù)學(xué)分離”代替繁瑣的“物理和化學(xué)分離”，成功地解決了復(fù)雜體系中內(nèi)源干擾物質(zhì)與分析物光譜重疊而難分辨的問題

11、，可用于人體液樣中CPT-11和SN-38的直接快速定量分析。
　　在第5章中，本論文提出采用基于交替歸一加權(quán)殘差(ANWE)算法的二階校正方法處理激發(fā)×發(fā)射×(靜態(tài)校正樣本+動力學(xué)樣本)的三維數(shù)陣，實時定量監(jiān)測伊立替康(CPT-11)在pH值為7.4的PBS緩沖液和人血漿中的水解動力學(xué)過程。盡管CPT-11的內(nèi)酯形式(CPT-11-L)和羧酸形式(CPT-11-C)之間光譜重疊嚴(yán)重，且血漿中未知干擾物的光譜與反應(yīng)物和生成物的光譜

12、之間也嚴(yán)重重疊。但借助二階校正方法的“二階優(yōu)勢”，依然可以解析得到CPT-11-L和CPT-11-C準(zhǔn)確的激發(fā)、發(fā)射光譜及其動力學(xué)過程中的相對實時濃度信息。靜態(tài)驗證樣、血漿加標(biāo)樣和動力學(xué)樣本的加標(biāo)回收率范圍為83.7％-116.7％。CPT-11的水解反應(yīng)符合一級動力學(xué)方程，利用ANWE方法預(yù)測得到的實時濃度信息求得CPT-11在pH值為7.4的PBS緩沖液和人血漿中的反應(yīng)速率常數(shù)分別為(0.0318±0.0031)min-1和(0.0

13、323±0.0008)min-1，半衰期分別為(21.9±2.0)min和(21.5±0.5)min。研究表明，本章所提出的分析策略簡單、成本低廉、高效，有望用于其他動態(tài)復(fù)雜體系中藥物或其他物質(zhì)的原位、實時和無損定量分析。
　　在第6章中，本論文以伊立替康(CPT-11)的水解動力學(xué)過程為例，分別建立三維校正和四維校正模型用于動態(tài)復(fù)雜體系中反應(yīng)物的實時定量分析。通過預(yù)測得到的實時濃度、初始濃度加標(biāo)回收率及品質(zhì)因子參數(shù)如平均預(yù)測誤差

14、(Average relative predictionerror,ARPE)、SEN、SEL、LOD等對兩種模型進(jìn)行比較。研究發(fā)現(xiàn)，三維校正和四維校正模型均可以實現(xiàn)動力學(xué)過程中目標(biāo)分析物的實時定量分析。其中采用三維校正模型可以極大地減少實驗工作量，且三維校正模型更為靈活，可用于多種類型的動力學(xué)過程的實時定量分析。但是受限于校正曲線的校正濃度范圍，在目標(biāo)物實時濃度過低的情況下會導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確。而四維校正模型由于在校正樣中增加了動力學(xué)

15、維度的信息，可以很好地彌補(bǔ)三維校正中的這一缺點(diǎn);但四維校正模型的實驗工作量很大，且基于四線性分解模型的四維校正方法只能用于符合一級動力學(xué)模型的反應(yīng)過程的實時定量分析，同時還有引入強(qiáng)共線性的風(fēng)險。本章的研究工作可以為選擇合理的方法進(jìn)行動態(tài)復(fù)雜體系中目標(biāo)分析物的實時定量分析研究提供指導(dǎo)。
　　隨著聯(lián)用儀器的廣泛使用，具有“二階優(yōu)勢”的化學(xué)多維校正方法已成為解析多維化學(xué)數(shù)據(jù)的最常用方法之一。為了更好地將化學(xué)多維校正方法應(yīng)用于動態(tài)復(fù)雜體系

16、中目標(biāo)分析物的實時或在線分析及組學(xué)研究中，加快多維校正算法的運(yùn)算速度是化學(xué)計量學(xué)基礎(chǔ)理論研究的重要內(nèi)容之一。在第7章中，本論文采用三維和四維模擬數(shù)據(jù)及實際數(shù)據(jù)探討了基于不同的奇異值分解方法求解Moore-Penrose廣義逆對三維和四維校正算法運(yùn)算速度的影響。研究表明，基于截尾的奇異值分解(Truncated singular value decomposition，TSVD)和雙向奇異值分解的平行因子分析算法(Parallel fac

17、tor analysis，PARAFAC)和四維平行因子分析算法(Four-wayparallel factor analysis，four-way PARAFAC)的運(yùn)算速度明顯快于基于常規(guī)奇異值分解(Normal singular value decomposition，SVD)的PARAFAC和four-way PARAFAC算法。而對于ATLD算法和交替四線性分解(Alternating quadrilinear decompo

18、sition，AQLD)算法而言，因為它們本身具有收斂速度快的特點(diǎn)，在數(shù)據(jù)陣較小時，不同的奇異值分解方法對各算法運(yùn)算速度的影響不是很大。但是，在面臨較大的多維數(shù)據(jù)陣時，基于D2SVD和TSVD的ATLD和AQLD算法的運(yùn)算速度明顯快于基于SVD的ATLD和AQLD算法?？傮w上來說，基于D2SVD的多維校正算法表現(xiàn)出了更快的運(yùn)算速度和抗共線性能力，且不論是基于何種奇異值分解方式，對最終的定性和定量結(jié)果沒有影響，僅會影響算法的運(yùn)算速度。這一