WWW.NEW.Z-PDF.RU
БИБЛИОТЕКА  БЕСПЛАТНЫХ  МАТЕРИАЛОВ - Онлайн ресурсы
 

«МОНАХОВА ЮЛИЯ БОРИСОВНА МЕТОДОЛОГИЯ ХЕМОМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ СПЕКТРОМЕТРИЧЕСКИХ СИГНАЛОВ В АНАЛИЗЕ ОБЪЕКТОВ СЛОЖНОГО СОСТАВА ...»

На правах рукописи

МОНАХОВА ЮЛИЯ БОРИСОВНА

МЕТОДОЛОГИЯ ХЕМОМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ

СПЕКТРОМЕТРИЧЕСКИХ СИГНАЛОВ В АНАЛИЗЕ ОБЪЕКТОВ

СЛОЖНОГО СОСТАВА

02.00.02 – аналитическая химия

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

доктора химических наук

Саратов

Работа выполнена на кафедре общей и неорганической химии ФГБОУ ВО «Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского»

Научный консультант: Муштакова Светлана Петровна доктор химических наук, профессор, ФГБОУ ВО «Саратовский национальный исследовательский государственный университет имени Н.Г .

Чернышевского», заведующий кафедрой общей и неорганической химии

Официальные оппоненты: Померанцев Алексей Леонидович доктор физико-математических наук, Институт химической физики им. Н.Н.Семенова РАН (г. Москва), главный научный сотрудник Евтюгин Геннадий Артурович доктор химических наук, профессор, ФГАОУ ВПО «Казанский (Приволжский) федеральный университет», заведующий кафедрой аналитической химии Кирсанов Дмитрий Олегович доктор химических наук, ФГБОУ ВО «СанктПетербургский государственный университет»



профессор кафедры аналитической химии

Ведущая организация: Институт геохимии и аналитической химии им. В.И. Вернадского РАН (г. Москва)

Защита состоится «10» января 2017 г. в 13-00 часов на заседании диссертационного совета Д 212.243.07 на базе Саратовского национального исследовательского государственного университета имени Н.Г. Чернышевского по адресу: 410012, г. Саратов, ул. Астраханская, 83, СГУ, корп. 1, Институт химии .

С диссертацией можно ознакомиться в зональной научной библиотеке им. В.А .

Артисевич ФГБОУ ВО «Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского» (410012, Саратов, ул.

Университетская, 42) и на сайте:

http://www.sgu.ru/research/dissertation-council/d-212-243-07

Автореферат разослан «6» октября 2016 г .

Ученый секретарь диссертационного совета, доктор химических наук

–  –  –

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Спектрометрия как аналитический метод предлагает большое количество подходов для идентификации и количественного определения веществ органической и неорганической природы в объектах сложного состава. Однако основным известным недостатком, сдерживающим развитие этого инструментального метода, является сложность интерпретации спектров объектов из-за большого числа перекрывающихся полос .

В последнее время для решения такой проблемы широко используются хемометрические алгоритмы, позволившие существенно расширить возможности и повысить эффективность спектрометрических методов анализа .

Популярность многомерного подхода растет с каждым годом, публикуются обзоры, направленные как на общие вопросы применения хемометрики в анализе, так на узкие области исследования в пределах одной группы объектов или инструментального метода. В России новое направление только набирает обороты, хотя российское и международное признание уже получили ряд отечественных исследовательских групп из Москвы, Санкт-Петербурга, Омска, Воронежа, Саратова и Иркутска .





Накопленные на данный момент результаты в области многомерного анализа свидетельствуют о том, что при проведении моделирования спектрометрических данных, каждый шаг является важным для построения эффективной хемометрической модели .

Необходимой предпосылкой для успешного многомерного исследования является корректная предварительная обработка спектрометрических данных .

До сих пор не проведено систематического тестирования различных алгоритмов на реальных объектах. Кроме того, разработка эффективных подходов для обнаружения выбросов и первичного исследовательского анализа (exploratory analysis) больших наборов данных представляется актуальной задачей. В данном контексте поиск альтернативы традиционному методу главных компонент (PCA) является приорететной задачей .

В практику моделирования различных процессов с целью идентификации и одновременной количественной оценки концентраций аналитов все больше входит метод независимых компонент (ICA). Однако на данный момент неясными остаются границы применения ICA для анализа реальных объектов, выбор конкретного алгоритма для решения конкретной практической задачи .

Также очевидна необходимость сравнения эффективности ICA для анализа спектрометрических данных различного типа (ЯМР, ИК, РФ) и оценка влияния степени перекрывания (статистической зависимости) индивидуальных источников на качество хемометрического моделирования .

В литературе также практически отсутствуют данные о систематическом сравнении алгоритмов ICA с альтернативными подходами, например, проекции на латентные структуры (PLS) и автомодельным разделением кривых (MCR). С другой стороны, перспективным представляется разработка методик количественного спектрометрического анализа многокомпонентных смесей с перекрывающимися сигналами без использования стандартных образцов состава .

Кроме количественного анализа аналитики часто решают задачи по определению качественной принадлежности объекта к какому-либо классу (например, место производства или тип продукта питания). Для этого предложено использовать методы дискриминантного анализа. Несмотря на очевидную перспективность линейных методов дискриминации, таких как линейный дискриминантный анализ (LDA), факторный дискриминантный анализ (FDA) или дискриминантный анализ с помощью регрессии на латентные структуры (PLS-DA), во многих случаях 100%-ная правильность модели при оценке свойств новых объектов не достигается. Перспективным представляется увеличение процента правильных предсказаний за счет привлечения ICA в качестве предварительной обработки вместо традиционного PCA .

Хемометрический анализ позволяет эффективно извлекать большое количество информации об интересующем объекте, однако, моделирование данных только одного инструментального метода часто не обеспечивает необходимой надежности методики. Данный факт приводит к необходимости развития специализированных методов совместного хемометрического анализа данных нескольких экспериментальных методов. Проблема анализа совмещенных наборов данных относительно нова, поэтому тестирование и сравнение эффективности различных подходов является важным этапом исследований .

Завершающим этапом создания новой методики анализа является автоматизация вычислений и использование готовых многомерных моделей на однотипных спектрометрах. Развитие этих двух направлений исследований еще не получили достаточного внимания со стороны аналитиков .

В целом следует отметить, что на сегодняшний день число работ, посвященных описанию методологии применения каждого конкретного хемометрического алгоритма для анализа смесей сложного состава, немногочисленно. Отсутствует описание общей схемы хемометрического анализа (предварительная обработка спектрометрических данных и выбор хемометрического метода, валидация и оптимизация хемометрической модели, интерпретация результатов), следуя которой аналитик может получить желаемый результат безотносительно типа спектрометрического сигнала или сложности объекта. К тому же, необходимы исследования, направленные на автоматизацию хемометрических расчетов для рутинного анализа и перенос готовых моделей на однотипные спектрометры .

Цель работы: разработка методологии хемометрического моделирования данных различных спектрометрических методов в анализе объектов сложного состава .

Для достижения поставленной цели необходимо было решить следующие задачи:

- апробировать математические подходы начальной обработки спектрометрических данных, направленные на коррецию базовой линии спектров, уменьшение экспериментального шума, выравнивание сигналов по оси переменных, выбор значимых откликов и определение числа латентных переменных для последующего оптимального моделирования хемометрическими методами;

- изучить возможности хемометрических методов PCA и ICA для установления выбросов и первичного исследовательского анализа больших по объему данных спектрометрических экспериментов;

- предложить многомерные модели дискриминации объектов сложного состава со схожими спектрометрическими профилями относительно видовой и сортовой принадлежности, географического критерия и возможной фальсификации на основе методов дискриминантного анализа (LDA, FDA и др.) или их сочетания с ICA;

- повысить эффективность дискриминантных моделей установления подлинности продуктов питания (томатов, вина, молока) при совместном хемометрическом анализе данных нескольких инструментальных методов (распределение стабильных изотопов, ЯМР 1Н, ЯМР 13С, ИК);

- разработать программы автоматической компьютерной обработки спектров для рутинного анализа образцов на основе хемометрических моделей и показать возможность их внедрения в аналитических лабораториях, оснащенных однотипным спектрометрическим оборудованием;

- разработать эффективные методики количественного анализа объектов сложного состава (алкогольные напитки, платиновые концентраты, фармацевтические препараты, объекты окружающей среды и др.), с использованием спектрометрических методов (УФ, ИК, ЯМР) и хемометрических алгоритмов ICA, PLS и MCR .

Методы исследования. Для решения поставленных задач использовали методы электронной, инфракрасной (ИК), рентгено-флуоресцентной (РФ) спектрометрии, ядерный магнитный резонанс (ЯМР) и хроматографические методы. Многомерную обработку данных проводили методами дискриминантного анализа, ICA, MCR, PCA, PLS, а также с помощью подходов для совместного моделирования наборов данных, в частности, методом анализа общих компонент и удельных весов (CCSWA) .

Научная новизна полученных результатов заключается в том, что:

предложена методология хемометрического моделирования спектрометрических данных для идентификации, надежного и экспрессного одновременного количественного определения компонентов в объектах сложного состава, а также решения дискриминантных задач на основе одного или нескольких аналитических методов;

- оценена эффективность различных вариантов предварительной обработки экспериментальных данных для последующего хемометрического моделирования спектров;

- проведено сравнение алгоритмов ICA между собой и альтернативными подходами разделения сигналов по точности декомпозиции спектрометрических контуров модельных смесей и реальных объектов по данным УФ, ИК, РФ и ЯМР спектрометрии;

- предложены новые варианты исследовательского анализа больших по объему наборов и дискриминации спектрометрических данных методами PCA, ICA и дискриминантного анализа (DA);

установлен синергетический эффект при совмещении полезной информации, находящейся в данных разных по природе инструментальных методах (ЯМР, ИК, распределение стабильных изотопов) относительно установления подлинности продуктов питания (молока, томатов и вина) при хемометрическом анализе объединенных наборов данных;

- разработан алгоритм переноса хемометрических моделей многомерных градуировок на однотипные спектрометры и пакеты программ для автоматической компьютерной обработки в анализе объектов сложного состава .

Практическая значимость работы:

- выработаны практические рекомендации по применению и валидации хемометрических алгоритмов (ICA, многомерная градуировка, методы дискриминантного анализа, PCA, MCR, анализа объединенных массивов данных) в спектрометрическом анализе объектов сложного состава;

- на основе многомерных подходов разработаны эффективные спектрометрические методики одновременного определения веществ, апробированные в анализе объектов сложного состава (алкогольные напитки, платиновые концентраты, фармацевтические препараты, объекты окружающей среды и др.) при перекрывании полос спектров искомых компонентов;

созданы программы автоматического моделирования спектрометрических данных на основе хемометрических алгоритмов для переноса многомерных градуировок между однотипными спектрометрами .

На защиту выносятся:

- методология хемометрического анализа многокомпонентных смесей методами независимых компонент, многомерной градуировки, дискриминантного анализа, автомодельного разделения кривых на основе спектрометрических измерений;

- результаты применения различных методов начальной обработки спектрометрических данных для максимально эффективного хемометрического моделирования;

- подходы к поиску выбросов и выявлению скрытых закономерностей в больших массивах спектрометрических данных;

- методики одновременного определения веществ в реальных объектах (пищевые продукты, фармацевтические препараты, безалкогольные и алкогольные напитки, топлива и др.) на основе спектрометрических методов (УФ, ИК, ЯМР, РФ) и хемометрических алгоритмов (ICA, MCR, PLS);

- результаты дискриминации объектов сложного состава (соки, вина, автомобильные эмали и лаки) на основе линейных алгоритмов дискриминации, ICA и их сочетания;

- подходы к разделению групп объектов сложного состава совместным хемометрическим анализом данных нескольких инструментальных методов (распределение стабильных изотопов, ИК, ЯМР 1Н, ЯМР 13С);

- внутри- и меж- лабораторный перенос разработанных многомерных градуировок и пакет программ для автоматической хемометрической обработки спектрометрических данных в анализе объектов сложного состава .

Апробация работы. Основные результаты диссертационной работы доложены на XV-XVII Международных конференциях студентов и аспирантов «Ломоносов» (Москва, 2008-2010), II Международном форуме «Аналитика и Аналитики» (Воронеж, 2008), Всероссийской молодежной конференции по математической и квантовой химии (Уфа, 2008), 6-ой Всероссийской конференции «Молекулярное моделирование» (Москва, 2009), IV школесеминаре молодых ученых «Квантово-химические расчеты: структура и реакционная способность органических и неорганических молекул» (Иваново, 2009), VII Всероссийской конференции по анализу объектов окружающей среды «Экоаналитика-2009» (Йошкар-Ола, 2009), международной конференции по аналитической химии «Euroanalysis-2009» (Австрия, Инсбрук, 2009), Всероссийской молодежной выставке-конкурсе прикладных исследований, изобретений и инноваций (Саратов, 2009), VII, VII и X Международных симпозиумах по хемометрике (Санкт-Петербург, 2010; Москва, 2012 и Самара, 2016), VII Всероссийской интерактивной конференции молодых ученых (Саратов, 2010), IX Международном Курнаковском совещании по физикохимическому анализу (Пермь, 2010), научной конференции молодых ученых «Presentig Academic Achievements to the World» (Саратов, 2010). Результаты диссертационной работы представлены также на VI и VII Всероссийских конференциях молодых ученых, аспирантов и студентов Mendeleev-2012 и Mendeleev-2013 (Санкт-Петербург, 2012-2013), Всероссийской школеконференции «Химия биологически активных веществ» для молодых учных, аспирантов и студентов с международным участием «ХимБиоАктив-2012»

(Саратов, 2012) и II Всероссийской конференции по аналитической спектроскопии с международным участием (Туапсе, 2015). Другие международные форумы включают Jahrestagung des Regionalverbandes Sd West der Lebensmittelchemischen Gesellschaft in der GDCh (Кайцерслаутен, Германия, 2012); Jahrestagung des Regionalverbandes Sd West und Nord der Lebensmittelchemischen Gesellschaft in der GDCh (Кассель, Германия, 2011); 12th International Conference on FoodMR (Чезена, Италия, 2014); 38th International Symposium on Environmental Analytical Chemistry (Лозанна, Швейцария, 2014);

2nd and 3rd Practical Application of NMR in Industry (Шарлотта, 2014 и СанДиего, 2015, США); 42 Lebensmittelchemikertag (Брауншвайг, Германия 2013); 2 Съезд аналитиков России (Москва, Россия, 2013); In Vino Analytica Scientia (Раймс, Франция, 2013); 4th European Chemistry Congress (Прага, Чехия, 2012), 107 ежегодной конференции AOSC (Солт Лейк Сити, США, 2016) и XVI Chemometrics in Analytical Chemistry (Барселона, Испания, 2016) .

Публикации. По теме диссертации опубликовано 59 научных статьей в журналах и сборниках, в том числе 50 в журналах, входящих в перечень ВАК, более 40 тезисов докладов на Международных и Всероссийских конференциях .

Личный вклад автора состоит в постановке основных целей и задач, анализе данных литературы, непосредственном участии в выполнении экспериментальных исследований, обработке, обобщении и систематизации полученных результатов и формулировке выводов. Результаты экспериментальных исследований и теоретических обобщений изложены в публикациях и научных докладах, выполненных в соавторстве .

Структура и объем диссертации. Диссертация состоит из 6 глав, заключения, списка использованной литературы и приложений. Работа изложена на 301 страницах, содержит 35 таблиц, 81 рисунок, список литературы из 316 наименований .

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В первой главе проведена постановка цели и задач исследования. В ней также содержатся сведения об используемых веществах, методах исследования и обработки результатов эксперимента .

НАЧАЛЬНАЯ ОБРАБОТКА СПЕКТРОМЕТРИЧЕСКИХ ДАННЫХ

ПЕРЕД ХЕМОМЕТРИЧЕСКИМ МОДЕЛИРОВАНИЕМ

Во второй главе приведен обзор методов, используемых для начальной обработки спектрометрических данных. Подобная процедура направлена на устранение артефактов в экспериментальных данных, поэтому выбор конкретных математических подходов для ее проведения коренным образом влияет на эффективность последующего многомерного моделирования .

Коррекция базовой линии. Неидеальная базовая линия вызывает вертикальное смещение сигналов, что приводит к неправильной оценке содержания аналитов. На основе проведенных исследований установлено, что наиболее эффективным методом коррекции базовой линии перед многомерной обработкой, например, ЯМР данных является метод скользящего минимума .

Ширину окна для каждого сигнала подбирали индивидуально в диапозоне от 5 до 30 Гц .

Уменьшение уровня экспериментального шума. Общеизвестно, что наличие шума затрудняет анализ экспериментальных данных. При этом в большинстве хемометрических алгоритмов непосредственно в процессе моделирования не делается никакой оценки характера или величины шума .

Поэтому результирующие модели априорно содержат некоторую степень неопределенности, зависящую от величины и характера шума в спектрах .

Показано, что использование алгоритмов сглаживания перед ICA декомпозицией целесообразно для сильно перекрывающихся сигналов (электронная и ИК спектрометрия) и приводит к уменьшению неопределенности «слепого» разделения спектров до 50%. Сглаживающий фильтр Савицкого-Голея и сплайн-интерполяция успешно применены для предварительной обработки спектров поглощения при одновременном определении пяти ароматических соединений (бензол и его гомологи) в бензине (рис. 1) .

1.8

–  –  –

0.8 0.6 0.4 0.2, нм Рис. 1. Спектры поглощения бензина без и с добавками ароматических соединений (а) и выделенные спектры индивидуальных соединений (б) методом ICA. В скобках в легенде на рис.1б приведены значения коэффициентов корреляции между экспериментальными и выделенными спектрами. Концентрация добавок 2.10-3М, растворитель гексан Выравнивание положения сигналов относительно оси переменных. Одной из основных предпосылок успешного хемометрического анализа является обеспечение воспроизводимости положения максимумов сигналов в серии однотипных измерений. Подобные отклонения в большей степени характерны для данных ЯМР эксперимента, что зачастую препятствует использованию метода для построения хемометрических моделей .

В серии наших работ бакетинг использован в качестве метода предварительной обработки данных перед применением PCA и DA в анализе ЯМР спектров пищевых продуктов и напитков. В частности, применение бакетинга явилось предпосылкой разработки хемометрических методик контроля сорта меда, места произрастания кедровых орехов, подлинности молочных продуктов и др. Правильность хемометрического предсказания во всех случаях составила больше 95%. Установлено, что выравнивание спектрометрических данных также является основополагающим условием для успешной ICA декомпозиции ЯМР спектров многокомпонентных смесей .

В последнее время тенденцией в развитии алгоритмов совмещения сигналов является разработка интервальных подходов, в которых глобальную проблему выравнивания всего спектра сокращают до небольших локальных задач. В этом случае, сдвиг сигналов в обоих направлениях может быть скомпенсирован, а результатом является «стандартизированные» ЯМР спектры с исходным разрешением. Одним из наиболее часто используемых методов данной группы является алгоритм интервального коррекционного смещения (interval-correlation-shifting, icoshift) .

Алгоритм icoshift использован нами, например, для предварительной обработки ЯМР 13С спектров молока в области сигнала карбоксильных групп жирных кислот (рис. 2). Очевидно, что в данном случае алгоритм приводит к полному совмещению положения сигналов без потери разрешения спектров .

Последующий хемометрический анализ ЯМР 13С спектров приводит к построению модели дифференциации традиционного и органически произведенного молока .

Еще одним этапом предварительной обработки спектрометрических данных является исключение областей, не содержащих значимую информацию о решаемой задаче. Перед построением моделей дискриминации спектров вина по ЯМР 1H спектрам проведен выбор наиболее значимых переменных (химических сдвигов) методом кластеризации латентных переменных (CLV) и многоканальным дисперсионным анализом (multiway ANOVA). В табл. 1 приведены результаты дискриминации образцов вина после выбора значимых переменных с использованием различных многомерных методов (LDA, FDA, PLS-DA, ICA) .

Анализируя результаты, становится очевидным, что после выбора информативных переменных процент правильных предсказаний возрастает по сравнению с моделями по необработанным данным. Так, в случае определения места произрастания винограда, данный показатель увеличился с 85% в среднем без отбора переменных до 89% с применением CLV. Отмечено, что выбор переменных уменьшает оптимальное количество факторов в моделях дискриминации и, следовательно, делает их менее сложными (табл. 1) .

–  –  –

Таблица 1. Результаты дискриминации ЯМР спектров обрзцов вина с и без использования направленного выбора переменных (полная перекрестная проверка) Место произрастания (урожай 2009, n=111, 4 группыa)

–  –  –

Определение числа латентных переменных. К начальной обработке данных относят также определение числа значимых компонент в системе. Нами установлено, что метод ICA-by-Blocks эффективен как для спектров модельных многокомпонентных смесей, так и для сигналов реальных объектов. Например, при анализе ЯМР спектров образцов вин урожая 2009 года, для моделей из шести компонент коэффициенты корреляции независимых источников высоки, следовательно, в каждом поднаборе выделены похожие профили (рис. 3) .

Добавление новых независимых компонент приводило к плохим значениям коэффииентов корреляции, таким образом, седьмой компонент незначим и представлял в основном шум. Результаты определения числа независимых компонент положены в основу создания гибридного метода дискриминации с использованием DA и ICA .

1,0 0,9 0,8

–  –  –

0,6 0,5 0,4 ICs Рис. 3. Определение числа значимых независимых компонент для ЯМР спектров вина урожая 2009 года методом ICA-by-Blocks (n=83). На графике представлены средние значения коэффициентов корреляции вместе со стандартным отклонением для 30 случайных разбиений на 2 поднабора данных Перенос спектрометрических измерений и многомерных моделей между однотипными спектрометрами. В настоящее время актуален поиск методов переноса спектрометрических измерений и хемометрических моделей на однотипные спектрометры. Различия в сигналах, регистрируемых на разных спектрометрах для одного объекта, приводят к несоответствию градуировочных моделей, разработанных для исходного спектрометра, набору спектров, полученных на другом приборе. Как следствие, многомерное моделирование может приводить к ошибочным результатам .

Среди спектрометрических сигналов ЯМР данные наиболее чувствительны к изменениям в инструментальном оформлении (выбранный ЯМР-зонд, частота магнитного поля), параметрам регистрации (последовательность импульсов, используемая схема подавления сигналов) и изменениям в рабочем режиме спектрометра (длина пульса, флуктуации температуры, магнитная восприимчивость). Для апробации математических алгоритмов переноса градуировок выбрана PLS модель определения фальсификации лецитина подсолнечника лецитином сои. В нашем исследовании многомерная градуировка перенесена с ЯМР спектрометра с частотой 500 МГц, оснащенного зондом BBFOPLUS, на спектрометры с частотой 500 МГц с криозондом SmartProbe BBFO и с частотой 600 МГц с криозондом QNP .

При оценке содержания лецитина сои в образцах лецитина подсолнечника по спектрам, измеренным на «новых» приборах, на основе «базовой» PLS модели (зонд BBFOPLUS) RMSEP (root mean square error of prediction) составила 5.0% (500 МГц) и 7.3% (600 МГц). Перенос градуировочной модели на основе кусочной прямой стандартизации показал лучшую производительность для оценки фальсификации лецитина, что выразилось в уменьшении RMSEP до 2.9% (500 МГц) и 3.2% (600 МГц) .

Достаточным оказалось использование (повторное измерение) только 10-12 образцов для построения математической модели переноса PLS градуировки .

Таким образом, математические подходы позволяют переносить большие базы данных спектрометрических измерений для использования их на аналогичных приборах при повторном измерении лишь небольшого количества образцов. Разработанный подход может быть использован для анализа других матриц и видов спектрометрических сигналов .

МЕТОДЫ ГЛАВНЫХ И НЕЗАВИСИМЫХ КОМПОНЕНТ В

ИССЛЕДОВАТЕЛЬСКОМ АНАЛИЗЕ СПЕКТРОМЕТРИЧЕСКИХ

ДАННЫХ В третьей главе рассмотрены как традиционные, так и новые альтернативные хемометрические методы поиска выбросов и исследовательского анализа для больших массивов ЯМР, ИК и РФ спектрометрических данных .

В процессе разработки методики на основе хемометрического анализа спектров предварительное исследование данных следует непосредственно за начальной математической обработкой спектров. Под исследовательским анализом понимают, во-первых, обнаружение резко отличающих от других образцов (выбросов) и их удаление из набора данных. Кроме того, на этом этапе можно выявить наличие «спрятанной» в спектрах информации о качественных характеристиках объекта (например, место производства продукта, фальсификация, подтверждение подлинности маркировки) и целесообразности применения сложных статистических методов к обработке экспериментальных данных .

Методология поиска выбросов в спектрометрических наборах данных .

Одной из целей исследовательского анализа является идентификация выбросов. Выбросы указывают на важные характеристики объектов, которые могут быть интерпретированы, например, в целях контроля качества пищевых продуктов. Так, на основе ЯМР спектрометрии, разработана методика выявления потенциально небезопасных образцов алкогольной продукции. На графике PCA счетов, построенном по результатам моделирования спектров 304 образцов суррогатов алкоголя из разных стран, в пространстве PC1-PC2 (52% общей дисперсии) очевидны две группы выбросов. Первая группа из пяти выбросов по оси PC2 включает в себя образцы из России с высокой концентрацией спирта (65 - 72 об. %), дополнительно содержащие денатурирующую добавку диэтилфталат и/или антисептическое соединение полигексаметиленгуанидин. Вторую группу выбросов по оси PC1 представляют собой образцы из Румынии с экстремально высокими содержаниями метанола и этилкарбамата. Точки, соответствующие большинству остальных образцов, расположены около начала координат графика счетов. Эти образцы не сильно отличаются между собой по химическому составу и характеризуются низким содержанием летучих веществ. Таким образом, хемометрическое моделирование позволяет выявлять потенциально опасные образцы алкогольной продукции, базируясь только на моделировании их ЯМР профилей без детального качественного и количественного анализа .

Исследовательский анализ спектрометрических данных. PCA в ЯМР спектрометрическом анализе продуктов питания .

ЯМР спектрометрические данные содержат большое количество содержательной, но труднораспознаваемой информации о химическом составе сложных смесей, в том числе о продуктах питания. По этой причине первичный хемометрический анализ системы необходим для выделения «полезной»

информации .

Интересным примером применения сочетания ЯМР и PCA является контроль качества кедровых орехов. Начиная с 2001 года, в Европе регистрируются случаи возникновения побочных эффектов при потреблении в пищу некоторых кедровых орехов ("синдром кедрового ореха", PNS) .

PCA, использованный в моделировании спектрометрической информации для 57 образцов кедровых орехов, показал, что образцы разделены на три кластера в соответствии с их ботанической принадлежностью (рис. 4) .

Ботанические виды P. armandii, P. koraiensis, P. massoniana, культивируемые в странах Азии (Китай, Япония и Корея) локализованы в области отрицательных значений по PC1, в то время как образцы из двух других кластеров – P .

pinea (выращиваемый в европейской части Средиземноморья и на Ближнем Востоке) и P. gerardiana (распространеный в Афганистане, Пакистане и Индии), имеют положительные значения счетов по оси PC1. Все образцы, вызывавшие нарушения вкуса, расположены в «азиатской» группе. Таким образом, на основе метода ЯМР спектрометрии в сочетании с многомерным анализом данных возможно отсортировать по крайней мере 50% всех импортируемых образцов без проведения детального химического анализа .

–  –  –

Другим примером совместного использования ЯМР спектрометрии и PCA является определение типа молочных продуктов. В процессе выполнения исследований проанализированы 84 образца (26 – коровьего молока, 24 – безлактозного коровьего молока, 10 – заменителей молока на основе овса, 8 – на основе рисе и 16 – на основе сои). Сигналы в спектрах характеризуются значительным перекрыванием, особенно в сильном и среднем поле, поэтому невозможно идентифицировать их для однозначного отнесения к какому-либо типу молочного продукта. Модель позволяет однозначно PCA идентифицировать принадлежность продукта к определенной группе .

В процессе контроля качества безалкогольных напитков лаборатории часто сталкиваются с образцами кока-колы сомнительного происхождения с маркировкой известных брендов. Для построения хемометрической модели определения марки газированных напитков методом ЯМР спектрометрии проанализировано 129 образцов напитков различных производителей. Лучшая PCA модель получена при моделировании данных в области 8.0-6.0 м.д. для сахаросодержащих образцов колы и в интервале 3.0-0.0 м.д. – для образцов без сахара. Наши исследования показали пригодность хемометрического подхода для контроля маркировки 19 различных типов газированных напитков .

Методология хемометрического анализа большой выборки образцов .

Одновременный контроль серии параметров на примере анализа вина .

Богатая спектральная информация, содержащаяся в ЯМР спектрах, делает возможным одновременный контроль нескольких параметров подлинности продуктов питания. Удачной иллюстрацией такой возможности является оценка качества вина, для которого качественными характеристиками являются год выпуска, сорт и регион произрастания винограда .

В ходе выполнения работы исследованы 1383 образцов вина урожая 2005годов, для которых виноград был собран в 13 винодельческих регионах Германии. Результаты первичного PCA моделирования спектров ЯМР показали, что дисперсия в полном наборе слишком велика, чтобы ее было возможно исследовать с помощью одной хемометрической модели .

Нами предложена следующая стратегия хемометрического анализа .

Устанавливали постоянными параметры (сорт вина, год урожая или географическое происхождение) и проводили PCA анализ относительно остальных характеристик. Очевидно, что самым простым является фиксирование двух из трех параметров (например, сорт винограда и год урожая) и построение модели PCA для определения третьей характеристики (например, область произрастания винограда). Более сложные PCA модели построены, когда только один из трех параметров постоянен (например, для сорта Рислинг возможны две модели для предсказания года изготовления вина и происхождения). Наконец, наиболее интересной и сложной задачей явилось построение PCA модели относительно сорта вина без априорного знания о географическом происхождении или годе изготовления. Данная схема моделирования уменьшает количество рассматриваемых образцов, а также снижает дисперсию в пределах конкретного набора данных .

ICA как альтернатива PCA в обработке спектрометрических данных .

Несмотря на успешность применения PCA для разных видов матриц и типов спектрометрического сигнала, актуальным является поиск еще более эффективных методов исследовательского анализа больших массивов данных .

Нами проведена апробация ICA для решения классификационных задач в исследовательском анализе РФ, ИК, ЯМР спектров. Идея заключалась в использовании ICA матриц спектров индивидуальных компонент и их относительных вкладов в качестве альтернативы матрицам PCA нагрузок и счетов соответственно .

Метод ЯМР спектрометрии применен нами для дискриминации сорта басмати от других сортов крупнозернового риса. В качестве используемого метода выбран стандартный PCA. Установлено, что первые три главные компоненты вместе объясняют 98% общей дисперсии данных (PC1 - 89%, PC2 PC3 - 2%). Образцы круглозернового риса формируют кластер в центре PCA модели. На графике PCA счетов также выделено две отдельные подгруппы риса басмати, одна из которых перекрывается с кластером круглозернового риса. С другой стороны, значимая ICA модель получена при использовании «счетов» на первые две ICs в трехкомпонентной ICA модели. Результаты сравнения двух моделей показали, что ICA эффективнее классического PCA, будучи в состоянии полностью отделить образцы риса басмати от других сортов круглозернового риса .

Для дальнейшей апробации ICA в исследовательском анализе выбран набор из 111 ЯМР спектров вина, произведенных в четырех регионах Германии (Наэ, Мозель, Райнхессен, и Пфальц). Как и в случае риса, ICA показал лучшую по сравнению с PCA дискриминантную способность, полностью разделив все четыре группы образцов вина при 95% уровне вероятности .

Необходимость хемометрического анализа двух других исследованных наборов данных вызвана трудностью проведения идентификации в криминалистической экспертизе лакокрасочных материалов и покрытий (ЛКМ и ЛКП). В частности, задача состояла в отнесении отдельных фрагментов ЛКП объекта (например, легкового автомобиля) к конкретному производителю на уровне групповой или родовой принадлежности .

Нами проанализированы РФ спектры 21 образца товарных базисных эмалей черного цвета торговых марок Vika (n=6), Dynacoat (n=6), Quickline (n=3) и Duxone (n=6). В качестве примера на рисунке 5 приведен РФ спектр лака торговой марки Vika. РФ спектры различных товарных марок эмалей перекрываются между собой, что делает необходимым применение хемометрических методов моделирования спектров .

Рис.5. РФ спектр лака торговой марки Vika в диапазоне 0.00-40.96 кэВ, шаг сканирования

0.02 кэВ

–  –  –

Рис. 6. График PCA счетов для образцов базисных эмалей (n=21, РФ спектрометрия) .

Эллипсоиды отражают границы кластеров с 95% вероятностью Рис. 7. График ICA счетов для образцов базисных эмалей (n=21, РФ спектрометрия) .

Эллипсоиды отражают границы кластеров с 95% вероятностью Рис. 8. ИК спектр лака торговой марки Vika в KBr; шаг сканирования 2 см-1 Аналогичные результаты получены и при анализе ИК спектров автомобильных лаков четырех различных торговых марок: Vika, OTRIX, RAND и Helios. В качестве примера на рисунке 8 приведен ИК спектр автомобильного лака марки Vika. Как и в случае базисных эмалей, PCA кластеры двух торговых марок (OTRIX и HELIOS) незначительно перекрываются между собой. Полное разделение четырех кластеров возможно по результатам ICA моделирования .

Следует отметить, что во всех случаях ICA эллипсоиды, отвечающие различным группам образцов, заметно меньше по размеру таковых, полученных по результатам PCA моделирования при одинаковой степени вероятности. Это свидетельствует о большей надежности ICA моделей, так как попадание значений ICA-счетов нового объекта внутрь эллипсоида свидетельствует об идентификации групповой принадлежности объекта с большой степенью вероятности. Кроме того, ICA «нагрузки» отражают физически интерпретируемые сигналы, в то время как PCA нагрузки абстрактны и трудно поддаются интерпретации .

Таким образом, наши результаты показали, что спектрометрия в сочетании с PCA и ICA может быть использована в качестве скринингового метода качественного анализа образцов и представляет собой хорошую альтернативу ранее используемым инструментальным методам без хемометрической обработки данных .

ICA В КАЧЕСТВЕННОМ И КОЛИЧЕСТВЕННОМ

СПЕКТРОМЕТРИЧЕСКОМ АНАЛИЗЕ СМЕСЕЙ СЛОЖНОГО

СОСТАВА Одной из актуальных проблем в рамках анализа многокомпонентных смесей сложного состава является идентификация и последующее одновременное количественное определение компонентов, близких по структуре и свойствам, без их предварительного разделения. В четвертой главе рассмотрено применение методов хемометрики (ICA, SIMPLISMA (simple-to-use interactive self-modeling mixture analysis), MCR, PLS и PCR) для анализа реальных объектов на основе электронной, ИК и ЯМР спектрометрии .

Определение токсичных веществ в спиртных напитках .

На основе электронной спектрометрии поглощения и ICA разработаны методики определения токсичных веществ (формальдегида и полигексаметилен гуанидина) в алкогольных напитках (рис. 9). В обоих случаях анализ основан на декомпозиции спектров поглощения объектов с комплексообразующей добавкой методом ICA .

0.7 Аа 0.6 0.5

–  –  –

Рис. 9. Спектры поглощения эозина Y без (1) и с добавками (2-6) суррогата спирта, содержащего ПГМГ; концентрация эозина (мг/л): 0.82 (2); 1.63 (3); 3.26 (1, 4); 6.52 (5); 8.16 (6) (а); выделенные спектры эозина Y (1) и комплекса ПГМГ - эозин Y (2) (б) методом ICA Определение металлов в смесях сложного состава .

Проведено одновременное определение цветных и платиновых металлов в платиновых концентратах и поливитаминных препаратах на основе их собственного поглощения или спектров их комплексов .

Для определения платиновых металлов по их собственному поглощению в качестве объектов выбраны концентраты платиновых металлов. На рис. 10 представлены спектры поглощения растворов платиновых концентратов после переведения пробы в раствор и выделенные спектральные контуры ионов Pt (IV), Rh (III), Ir (IV), Ru (IV). Неопределенность количественного определения сравнима с данными альтернативного метода PLS. Кроме того, в анализируемых платиновых концентратах одновременно определенены переходные металлы на основе реакции их комплексообразования с 4-(2пиридилазо)резорцином .

–  –  –

Рис. 10. Спектры поглощения растворов концентратов платиновых металлов (а) и смоделированные спектральные кривые комплексов металлов платиновой группы: 1 – Pt; 2 – Ru; 3 – Rh; 4 – Ir (б) методом ICA ICA также использован для анализа поливитаминных препаратов на содержание микроэлементов. Проводили моделирование спектров поглощения препаратов с ЭДТА в щелочной среде (pH 10) без и в присутствии добавок стандартных растворов исследуемых металлов. Данные по количественному определению ионов металлов в препаратах приведены в табл. 2, и соотношения веществ в них удовлетворяют заявленным изготовителями показателям .

Неопределенность количественного анализа смесей микроэлементов методами ICA и MCR приблизительно одинакова и в большинстве случаев не превышает 8 – 10 %. Разработанные методики определения ионов металлов рекомендованы к внедрению на промышленных и фармацевтических предприятиях .

–  –  –

Многокомпонентный анализ смесей анионов (бромид-, бикарбонат-, нитрат- и сульфид-) в морской воде .

Анионы определяют основные экологические и гидрологические характеристики морской воды, такие как соленость, плотность, электропроводность, общую щелочность и рН. Нами предложен эффективный способ одновременного определения бикарбонат-, бромид-, сульфид- и нитратионов в морской воде с помощью электронной спектрометрии поглощения, основанный на эффекте батохромного сдвига полосы поглощения воды при сольватации ионов. Показано, что метод ICA дает сопоставимые результаты с данными PLS, PCR и MCR моделирования, а в ряде случаев и превосходит их .

Методика предпочтительна при выполнении экологического мониторинга, так как позволяет быстро и дешево проводить анализ большого числа образцов .

Анализ алкогольных напитков на наличие синтетических красителей по данным электронной спектрометрии поглощения .

Как показано выше, ICA успешно использован для разработки методик анализа объектов сложного состава, включая продукты питания и объекты окружающей среды по данным электронной спектрометрии поглощения. С другой стороны, практически неосвещенной остается проблема автоматизации хемометрической обработки спектрометрических данных .

Одним из интересных применений ICA в аналитической химии является идентификация синтетических красителей в образцах алкогольной продукции при использовании электронной спектрометрии. Для моделирования выбраны три из наиболее распространенных синтетических красителей, используемых в производстве пищевых продуктов: тартразин (Е102), апельсиновый жлтый S (Е110) и азорубин (Е122). Для проведения декомпозиции в автоматическом режиме проводили разрешение спектров поглощения 10 модельных смесей трех искомых красителей и сигнала анализируемого образца. Моделирование ICA выполняли с учетом четырех независимых компонент (ICs). Три выделенных независимых компонента соответствовали трем синтетическим красителям, а четвертый представлял собой сигнал матрицы образца. Синтетический краситель считался идентифицированным в матрице, если соответствующий коэффициент корреляции составлял больше 0.97, а относительный вклад в суммарный сигнал образца - больше 5% .

Разработанная программа применена для автоматической обработки спектров 39 образцов алкогольной продукции, включая абсент, водку и виски .

По результатам исследования краситель тартразин (Е102) идентифицирован в пяти, а краситель апельсиновый жлтый S (Е110) – в трех образцах абсента .

Моделироване спектра образца не превышает одной минуты компьютерного времени, что позволяет провести скрининг большого количества продукции и принять решение о необходимости проведения детального анализа другими инструментальными методами .

Анализ органического вещества морской среды методом ИК спектрометрии .

Алгоритмы ICA и метод MCR применены для анализа ИК спектров образцов органического вещества морской среды (ОВ МС). Интерпретация спектров независимых компонент дала возможность изучения кинетики агрегации гумусовых веществ ОВ МС с участием реакций связывания белков и полисахаридов с жирами в надмолекулярные структуры (первый независимый компонент), a также реакций полимеризации и деградации олигопептидов и олигосахаридов (второй и третий независимые компоненты соответственно) .

Методы MILCA (mutual information least dependent component analysis) и MCR рекомендованы для декомпозиции ИК спектров сложных молекулярных систем, таких как агрегаты ОВ МС, так как превосходят другие алгоритмы по качеству получаемой спектральной информации. Установлено, что следует применять предварительное шкалирование или центрирование ИК спектров .

Многокомпонентный анализ смесей на основе ICA алгоритмов и ЯМР спектрометрии .

Для расширения диапазона применения ICA в ЯМР спектрометрии нами оценена применимость различных ICA алгоритмов и альтернативных подходов (методы MCR и SIMPLISMA [simple to use interactive mixture analysis]) для разрешения ЯМР спектров различных многокомпонентных смесей (до восьми компонентов). В качестве модельных проанализированы смеси кофеин-бензоат натрия, инозитол-таурин-глюкуронолактон, смеси углеводов и растворителей (глицерин-1,3-бутандиол-1,2-пропандиол-1,3-пропандиол-этиленгликольдиэтиленгликоль). ICA алгоритмы успешно восстанавливали спектры до семи составляющих сложных смесей. Во всех исследованных случаях неопределенность количественного анализа не превышала 10%. В большинстве случаев алгоритмы MILCA, SIMPLISMA и MCR обеспечивали стабильные результаты декомпозиции .

Кроме того, ICA алгоритмы применены для анализа реальных объектов, что является важным шагом в оценке применимости данной группы методов в ЯМР практике. Так, были определены фруктоза, сахароза и глюкоза в образцах кока-колы. Данные демонстрируют высокое качество разрешения спектров и свидетельствуют о применимости ICA для анализа углеводов в безалкогольных напитках. MCR использован для подтверждения правильности полученных результатов .

ICA был применен нами для анализа электронных сигарет. Выбраны растворители, содержащиеся в электронных сигаретах, для которых классическое ЯМР определение невозможно из-за высокой степени перекрывания спектров индивидуальных компонентов. Спектры индивидуальных соединений (1,2-пропандиол, этиленгликоль, глицерол и 1,3пропандиол) выделены ICA алгоритмами со значениями коэффициентов корреляции не ниже 0.95, что свидетельствует о высокой надежности идентификации .

Проверка правильности проведена сравнением с данными газовой хроматографии с масс-спектрометрическим детектированием (ГХ-МС) (табл .

Можно заключить, что результаты двух рассматриваемых 3) .

экспериментальных методов (ГХ-МС и ЯМР) хорошо коррелируют друг с другом .

–  –  –

РАЗРАБОТКА И ПРИМЕНЕНИЕ МЕТОДОВ

ДИСКРИМИНАНТНОГО АНАЛИЗА В СПЕКТРОМЕТРИЧЕСКОМ

АНАЛИЗЕ ПРОДУКТОВ ПИТАНИЯ

После проведения предварительного исследования системы методом PCA или ICA логичным продолжением хемометрического анализа является построение моделей дискриминации для предсказания классовой принадлежности новых объектов. Результаты проведенных исследований представлены в пятой главе .

Формальное независимое моделирование аналогий классов (SIMCA) и PLS-DA использовано для определения классовой принадлежности образцов меда из проверочного набора (n=20) и образцов молочных продуктов (n=15) со средним процентов правильных предсказаний 95% на основе ЯМР спектрометрических измерений .

Проведено сравнение эффективности различных хемометрических методов для дискриминации ЯМР спектров образцов риса. Для этого LDA, SIMCA, FDA и PLS-DA апробированы для прогнозирования сортовой принадлежности 40 образцов риса (17 образцов длиннозернового риса басмати, 17 образцов длиннозернового риса других сортов, 6 образцов круглозернового риса) .

Помимо традиционных методов дискриминации в исследовании также использован ICA.

Для качественного анализа новых, не включенных в обучающий набор объектов, использовали следующую формулу:

Scores=X * S * inv(S' * S), (1) где X – матрица сигналов новых образцов, S – матрица рассчитанных независимых компонент. Образец считается правильно распознанным, если его счета находятся внутри эллипсоида искомой группы .

Количество ложноположительных и ложноотрицательных результатов, а также значения чувствительности и специфичности, полученных различными хемометрическими методами, представлены в табл. 5. Удовлетворительные результаты по чувствительности получены для всех методов (в диапазоне от 83% для LDA до 100% для ICA), а значения специфичности варьировались от 88% (LDA) до 96% (PLS-DA). Очевидно, что методы PLS-DA и ICA в рассматриваемом случае превзошли другие алгоритмы, в то время как метод SIMCA приводил к худшим результатам. Лучшие результаты при проверке моделей с использованием проверочного набора получены методами PLS-DA и ICA (табл. 5) .

–  –  –

Дискриминация ЯМР 1H спектров образцов вина .

Эффективность методов LDA, FDA, PLS-DA и ICA сравнена для прогнозирования классовой принадлежности образцов вина из репрезентативной выборки образцов (n=1383) с использованием проверочных наборов данных (табл. 6). Хемометрические модели для прогнозирования года производства и географического происхождения вина для обучающего и 84для проверочного наборов получены с процентом правильной дискриминации 90-100%. Значимые модели получены для сортов красного (например, 91% и 83% правильных предсказаний для обучающего и проверочного наборов в случае ICA) и белого вина (90% и 73% соответственно в случае ICA) .

–  –  –

Источником дополнительных свдений о дискриминантной модели является матрица неточностей, которая содержит информацию о фактическом и предсказанном с помощью хемометрического метода отнесении объекта к каждому классу. Например, количество правильно распознанных образцов относительно сорта белого вина представлены в таблице 7. Наиболее неоднозначна дифференциация сортов Пино Гри и Пино Блан (из 64 образцов Пино Блан, 14 были опознаны как Пино Гри) .

Таблица 7. Матрица неточностей для определения сорта белого вина методом LDA (в таблице показаны количество правильно опознанных образцов)

–  –  –

Rie = Рислинг; Mue = Мюллер-Тургау; Wie = Пино Блан; Ker = Кернер; Gra = Пино Гри; Sil = Сильванер; Cha = Шардоне; Gut = Гутедель Результаты моделирования позволили предложить дерево решений (decision tree) для рутинного хемометрического анализа ЯМР 1Н спектров вин .

Перед проведением моделирования исследователю необходимо ответить на вопрос: «Существует ли для конкретного образца вина достоверная информация относительно его географического происхождения, сорта или года производства?». При наличии таких сведений, для определения остальных параметров рекомендуется использовать LDA и ICA подмодели с постоянным значением параметров (одного или двух). Если об исследуемом образце ничего неизвестно, следует определить его принадлежность к группе красного или белого вина, что в дальнейшем делает возможным дифференциацию сорта винограда. После этого год и место производства образца могут быть определены с помощью подмоделей для конкретного сорта винограда .

Подобный подход может быть использован и для других больших массивов данных .

Таким образом, сочетание спектрометрии и хемометрики представляет надежный инструмент для рутинного определения групповой принадлежности объектов сложного состава, в частности, продуктов питания (молоко, меда, вина, риса, кофе и др.). Многомерные статистические методы дискриминации (SIMCA, LDA, PLS-DA и т.д.) дают возможность построить наглядные модели и использовать их для анализа новых продуктов. Кроме того, показано, что ICA дает сравнимые со специализированными методами дискриминации результаты качественного анализа новых объектов .

ICA в качестве метода предварительной обработки в дискриминантном анализе .

В настоящее время в хемометрике большинство дискриминантных задач решаются линейными методами, такими как LDA или FDA. Тем не менее, в ряде случаев за счет перекрывания кластеров не удается достичь 100% правильности модели. В связи с этим, интересным представляется разработка новых улучшенных методов качественного анализа, основанных на сочетании нескольких хемометрических подходов .

Таблица 8. Результаты DA дискриминации на основе алгоритмов PCA и ICA (в таблице представлены процент правильно распознанных образцов)

–  –  –

Обучение (n=242) 64 (15) 67 (13) 89 (10) 97 (8) Красное Сорт винограда, 6 группж вино (n=303) Проверка (n=61) 43±4 46±5 79±5 85±4 a алгоритм MILCA использован для расчета независимых компонент б полная перекрестная проверка в оптимальное количество латентных переменных приведено в скобках г рассмотрены следующие группы: 2005, 2006, 2007, 2009, 2010 д рассмотрены следующие группы: Мозель, Пфальц, Райнхессен, Саксен, Вюртемберг е рассмотрены следующие группы: Пфальц, Наэ, Мозель, Райнхессен ж рассмотрены следующие группы: Пино-нуар, Дорнфельдер, Лембергер, Португизе, Тролингер, Регент Сложным при использовании DA в спектрометрической практике является выбор метода предварительной обработки для извлечения латентных переменных, которые используются при построении дискриминантных функций. Общепринятым методом уменьшения размерности исходных данных перед применением DA является PCA. Нами показано, что DA может быть выполнен на небольшом количестве ICs вместо PCs при использовании методов LDA и FDA. Число значимых ICs предварительно определяли методом ICA-byBlocks. Наилучшие модели DA получены на основе 6-13 ICs и 6-15 PCs в зависимости от матрицы данных. В большинстве случаев количество необходимых ICs меньше, чем PCs, следовательно, ICA/DA модели более компактны и менее сложны, чем PCA/DA (табл. 8) .

Для апробации предложенного подхода проведена дискриминация ЯМР спектров из базы данных из 1383 образцов вина с использованием нового ICA/DA и стандартного PCA/DA подходов. Во всех исследованных случаях DA, выполненный на основе ICA, приводил к лучшим результатам дискриминации (табл. 8). Максимальное увеличение процента правильно распознанных образцов равнялось 11% для дискриминации года урожая вин сорта Рислинг. Улучшение эффективности моделей наблюдалось также для географического происхождения вин сорта Рислинг (на 5%), географического происхождения вина 2009 года (на 4%), а также модели для дискриминации сортов красного винограда (на 3%) .

–  –  –

Результаты визуального сравнения результатов подтверждены методом суммы ранговых разностей (sum of ranking differences (SRD)) (рис. 12) .

Комбинация ICA/LDA показала лучшие результаты, следующим по эффективности оказался PCA/LDA. Два других гибридных метода ICA/FDA и PCA/FDA менее эффективны. Результаты сравнения показали, что на данных наборах ICA превосходит PCA только в комбинации с LDA .

Для наглядной иллюстрации полученных результатов значения дискриминантных счетов относительно определения географического происхождения вина урожая 2009 показаны на рис. 13 .

а б Рис. 13. Значения FDA счетов, рассчитанных на основе PCA (A) и ICA (Б), для определения географического происхождения вина урожая 2009 года (NAH – Наэ, PFL - Пфальц, RHH Райнхессен, MSR – Мозель). F1 и F2 соответствуют первой и второй дискриминантным функциям Лучшая модель построена в пространстве первых двух дискриминантных факторов с использованием метода PCA/FDA. Тем не менее, очевидно значительное перекрывание между эллипсоидами, относящимися к регионам Пфальц и Райнхессен (рис. 13а). Значения счетов для ICA/FDA модели показаны на рис. 13б. Очевидна полная дискриминация спектров всех четырех винодельческих регионов .

Таким образом, наши исследования доказали, что гибридный дискриминантный метод ICA/DA превосходит PCA/DA при предсказании параметров вина на основе ЯМР спектрометрии. Очевидно, что предложенный подход может быть распространен и на данные других инструментальных методов .

Автоматизация DA анализа на примере определения подлинности кофе по данным ЯМР спектрометрии .

Для определения сорта кофе (Арабика/Робуста) на основе моделирования ЯМР спектров его липофильных экстрактов нами предложен метод с использованием автоматической обработки спектров новых образцов методом PLS-DA. В качестве базы данных для построения хемометрической модели использовали 20 образцов кофе (восемь – Робуста, двенадцать – Арабика). В рабочей среде MATLAB разработана программа для автоматического анализа спектров, включающая импорт ЯМР данных, предварительную математическую обработку и дискриминацию методом PLS-DA и создание файла отчета. Оценку классовой принадлежности ЯМР спектров новых образцов находили двумя способами: расчетом независимой переменной Y и расстояния Махаланобиса. Продолжительность автоматического анализа не превышала 1 минуты для одного образца. Файл отчета в автоматизированной версии методики содержит результаты обоих подходов дискриминации, а также предполагаемую классовую принадлежность новых объектов (Declaration). При совпадении всех трех значений, сорт кофе считается идентифицированным с вероятностью 95% .

СОВМЕСТНЫЙ ХЕМОМЕТРИЧЕСКИЙ АНАЛИЗ ДАННЫХ

НЕСКОЛЬКИХ ЭКСПЕРИМЕНТАЛЬНЫХ МЕТОДОВ

В связи с развитием инструментального оснащения аналитических лабораторий стало возможно в течение короткого времени проводить измерения с использованием взаимодополняющих аналитических методов для одного набора объектов. Гипотетически наличие разной содержательной информации в экспериментальных данных различной природы при совместном хемометрическом анализе может приводить к синергетическому эффекту, и, следовательно, к улучшению качества многомерных моделей .

В шестой главе рассмотрены способы хемометрической обработки данных, полученных с использованием нескольких экспериментальных методов, на примере определения параметров вина (сорт винограда, год производства и географическое происхождение) и типа производства молока и томатов (традиционный/органический). В качестве экспериментальных методов выбраны ИК, ЯМР 1Н, ЯМР 13С спектрометрия и данные по распределению стабильных изотопов (2D, 13O, 13C, 15N). Перед применением хемометрических методов к совмещенным наборам, данные аналитических методов анализировали отдельно для оценки производительности каждого метода и целесообразности его включения в совместно анализирумый набор .

Синергетический эффект одновременного хемометрического анализа ЯМР Н спектров и данных по распределению стабильных изотопов ( 2D, O, 13C) в анализе вин .

Процент правильно распознанных образцов вина по различным признакам, полученных на основе ЯМР 1H, распределения стабильных изотопов и совмещенных данных с использованием методов ICA, LDA, FDA и PLS-DA приведены в таблице 9 .

–  –  –

Наибольший синергетический эффект наблюдали для прогнозирования места выращивания винограда для производства вина (табл. 9). При использовании полной перекресной проверки достигнуто 100% правильных отнесений образцов к определенным группам при анализе совмещенных данных методом PLS-DA, в то время как данные по распределению стабильных изотопов обеспечивали только 60-70%, а ЯМР 1Н 84-94% правильность прогноза. Определенное улучшение наблюдали также для предсказания года урожая: от 93-98% для ЯМР и 61-62% для стабильных изотопов до 99% для совмещенного набора данных (табл. 9). В случае дискриминации сортов винограда, объединение данных не имеет преимуществ по сравнению с моделями только на основе ЯМР 1Н спектрометрии (табл. 9) .

–  –  –

Рис. 14.

Применение метода CCSWA (common components and specific weights analysis) к совмещенным данным для определения географического происхождения вина (n = 111):

график счетов D1-D3 (эллипсоиды показывают 99% вероятности) (а) и влияние каждого блока данных на общую модель (значения Salience) (б) ЯМР спектры 111 вин урожая 2009 года проанализированы также с помощью специализированного мультиблочного метода CCSWA (common components and specific weights analysis). Суть метода состоит в определении общего пространства для нескольких блоков данных (двух в данном случае), для которых каждая матрица данных имеет свой специфический вес ("Salience"). Наилучшее разделение четырех кластеров было найдено при рассмотрении счетов на первое и третье пространство (D1 и D3) при 99% уровне вероятности (рис. 14а). Значения «Saliences» показывают, что для первых двух пространств, наиболее существенную роль играют стабильные изотопы, в то время ЯМР данные в основном ответственны за третью общую компоненту (рис. 14б) .

Совместный анализ данных ЯМР 1Н, ЯМР 13С, ИК спектрометрии и стабильных изотопов для дифференцирования органически и традиционно произведенного молока и томатов .

Методы совместного хемометрического моделирования наборов данных использованы для разработки методик дифференцирования органически и традиционно произведенного молока и томатов .

В случае молока объединение значимых для данной задачи ЯМР диапазонов с матрицой распределения стабильных изотопов ( 13C для жира и казеина) и содержания линоленовой кислоты привело к улучшению точности LDA дискриминации с 90% для дискретных данных и 81% для ЯМР спектрометрии до 95% в случае моделирования совмещенных данных (табл .

10) .

Таблица 10. Результаты дискриминации молока на основе различных наборов данных (процент правильно опознанных образцов) Набор данных PLS-DA LDA FDA

–  –  –

С целью разработки надежного аналитического подхода для проверки подлинности органически выращенных томатов, нами объединена полезная информация, сордержащаяся в данных по распределению стабильных изотопов (13C, 15N и 18O), ЯМР 1Н и ИК-спектрометрических профилях для 205 образцов. Установлено, что объединенные модели дают лучшие результаты (правильность 95.0%-100%), чем построенные на только основе методов ЯМР или ИК (правильность (правильность 91.3%-100%) 75.6%-85.3%) спектрометрии .

Таким образом, наши данные свидетельствуют о том, что спектрометрические методы содержат взаимодополняющую информацию для подтверждения подлинности продуктов питания, а хемометрические методы является полезным инструментом для оптимизации методик контроля их качества .

ЗАКЛЮЧЕНИЕ Обобщение данных проведенных исследований позволило предложить методологию хемометрического подхода для спектрометрического анализа объектов сложного состава, характеризующихся перекрыванием сигналов компонентов (рис.15) .

Рис. 15. Методология хемометрического анализа спектрометрических данных Для хемометрического моделирования после регистрации спектров первым шагом является предварительная обработка данных, которая обычно состоит из нескольких шагов, а именно, коррекции базовой линии, фазы и рассеяния света, устранения шумов, а также простейших математических операций (шкалирование, центрирование, дифференцирование и др.) .

Корректное определение числа значимых латентных переменных в системе также имеет решающее значение для планирования многомерного эксперимента и последующего успешного хемометрического моделирования .

Кроме того, перед непосредственным построением хемометрической модели обязателен исследовательский анализ, в процессе которого данные сначала проверяются на наличие выбросов (рис. 15). Затем проводится первичный анализ на наличие скрытых закономерностей. Только после этого следует этап построения хемометрической модели качественного (методы DA, SIMCA) или количественного анализа (PLS, ICA), ее аттестации, написания программ для автоматического моделирования и, при необходимости, разнаботка алгоритма переноса модели на однотипные спектрометры (рис. 15) .

Выводы:

Предложена методология многомерного анализа для 1 .

спектрометрического качественного и количественного анализа объектов сложного состава при наличии перекрывания спектров индивидуальных компонентов. Хемометрическая обработка данных проводилась на основе методов дискриминантного анализа, многомерных градуировок и «слепого»

разрешения источников .

Показано, что применение методов предварительной обработки 2 .

данных существенно повышает эффективность хемометрического моделирования. Применение сглаживающих фильтров приводит к уменьшению неопределенности «слепого» разделения источников до 50%. Бакетинг и алгоритм icoshift полезны для устранения смещения лабильных сигналов в ЯМР спектрах. Выбор значимых переменных методом CLV оказывает положительное влияние на достоверность дискриминационных моделей. Метод ICA-by-Blocks эффективен для определения числа независимых компонент в спектрометрических профилях объектов сложного состава .

3. Методы ICA и PCA применены для идентификации выбросов и исследовательского анализа ЯМР, ИК и РФ спектров. На основе PCA разработаны методики скрининга спиртных напитков, кедровых орехов, меда, молочных продуктов и др. Описан алгоритм исследовательского анализа больших объемов данных ( 1000 образцов) на примере определения основных характеристик вина. Методом ICA решены классификационные задачи по отнесению лаков и базисных эмалей к определенной марке в экспертизе лакокрасочных покрытий, а также определению места производства вина и сорта риса. ICA превосходит PCA в надежности разделения групп объектов .

4. Показано, что ICA алгоритмы позволяют проводить декомпозицию перекрывающихся УФ, ИК, РФ и ЯМР спектрометрических сигналов. Методом ICA выделены значимые компоненты в ИК спектрах ОВ МС, которые использованы для изучения биохимического процесса образования слизей в морской воде. Методы спектрометрии в сочетании с ICA и PCA успешно использованы для одновременного количественного определения до восьми органических и неорганических соединений в продуктах питания, напитках и электронных сигаретах с неопределенностью 10%. Показана возможность переведения анализа смесей перекрывающихся ЯМР сигналов на безэталонную основу на основе ICA декомпозиции и расчета концентраций (принцип PULCON) .

5. Хемометрические методы дискриминации положены в основе разработки методики оценки подлинности продуктов питания (меда, молока, риса, кофе и вина) со средним уровнем достоверности, превышающим 90% .

Реализована идея проведения дискриминантного анализа на небольшом числе независимых компонент, что привело к увеличению процента правильно распознанных образцов до 11% по сравнению с использованием главных компонент в случае дискриминации ЯМР спектров вин .

Установлен синергетический эффект совместного 6 .

хемометрического анализа данных различных инструментальных методов (ЯМР, ИК, распределение стабильных изотопов) в отношении проверки подлинности продуктов питания. Статистически значимое улучшение по сравнению с моделированием отдельных наборов получено при прогнозировании географического происхождения вина и типа производства молока и томатов (органический/традиционный). Метод CCSWA использован для визуализации разделения групп объектов и определения удельного веса данных каждого инструментального метода в общую модель .

7. В рабочей среде MATLAB разработаны программы для автоматической хемометрической обработки спектров, включающие импорт экспериментальных данных, их предварительную обработку, непосредственное хемометрическое моделирование и генерирование файла отчета. Программы апробированы при решении задач идентификации синтетических красителей в алкогольной продукции, количественного анализа апельсинового сока и подтверждения подлинности сорта кофе. Разработана модель переноса PLS градуировки между ЯМР спектрометрами с разной рабочей частотой и комплектацией для определения подлинности лецитина растительного происхождения .

В диссертации обсуждены возможности применения многомерного подхода к анализу данных спектрометрического эксперимента. Накопленные к настоящему времени практические и теоретические знания о многомерном моделировании больших по числу объктов и переменных спектрометрических данных, высокий уровень компьютеризации анализа позволяют говорить о хемометрике как важнейшей составляющей современных исследований в области аналитической химии, открывающей большие перспективы при исследовательском анализе систем с сильно перекрывающимися сигналами .

Хемометричекое моделирование является универсальным подходом, которое может быть также применено к перекрывающимся сигналам любой природы (хроматография, вольтамперометрия, титрование и др.). Таким образом, хемометрика имеет тенденцию в ближайшем будущем стать одним из основных математических инструментов химика-аналитика .

Автор выражает искреннюю благодарность д.х.н. С.П. Муштаковой, к.ф.-м. наук С.А. Астахову, доктору А.В. Краскову, профессору Д .

Рутледже, доктору Д. Лахенмайеру и доктору М. Мекотти за помощь в работе, полезные дискуссии, советы и замечания на различных стадиях исследования .

Основные публикации по теме диссертации

1. Monakhova Yu.B., Kolesnikova S.S., Mushtakova S.P., Astakhov S.A .

Chemometrics-assisted spectrophotometric method for simultaneous determination of vitamins in complex mixtures // Anal. Bioanal. Chem. 2010 .

V.397, № 3. P.1297-1306 .

2. Monakhova Yu.B., Astakhov S.A., Kraskov A.V., Mushtakova S.P .

Independent components in spectroscopic analysis of complex mixtures // Chemom. Intell. Lab. Syst. 2010. V.103, № 3. P. 108–115 .

3. Монахова Ю.Б., Астахов С.А., Муштакова С.П. Безэталонный спектральный анализ независимых компонент смесей: экспериментальная практика // Журн. анал. химии. 2009. Т. 64, № 5. С. 495-505 .

4. Монахова Ю.Б., Муштакова С.П., Колесникова С.С. Определение витаминов в смесях различного состава спектрофотометрическим методом с автомодельным разделением кривых // Журн. анал. химии. 2010. Т. 65, №

6. С. 601-608 .

5. Монахова Ю.Б., Муштакова С.П. Оценка основных характеристик реагентов дифениламинового ряда квантово-химическими и хемометрическими методами // Журн. анал. химии. 2010. Т. 65, № 10. С .

1020-1026 .

6. Монахова Ю.Б., Колесникова С.С., Муштакова С.П., Грибов Л. А .

Хемометрический и квантово-химический подход к изучению системы вода-ацетонитрил // Журн. анал. химии. 2011. Т. 66, № 1. С. 56-62 .

7. Монахова Ю.Б., Астахов С.А., Муштакова С.П., Грибов Л. А. Методы декомпозиции спектров различной природы в анализе смесей сложного состава // Журн. анал. химии. 2011. Т. 66, № 4. С. 361-372 .

8. Монахова Ю.Б., Кузнецова И.В., Муштакова С.П. Применение современных хемометрических методов для исследования сопряженных равновесий в растворах // Журн. анал. химии. 2011. Т. 66, № 6. С. 582-588 .

9. Jendral J. A., Monakhova Y. B., Lachenmeier D. W. Formaldehyde in alcoholic beverages: large chemical survey using purpald screening followed by chromotropic acid spectrophotometry with multivariate curve resolution // Int. J .

Anal. Chem. 2011. V. 2011, Article ID 797604 .

http://dx.doi.org/10.1155/2011/797604 .

10. Kobler H., Monakhova Y. B., Kuballa T., Tschiersch C., Vancutsem J., Thielert G., Mohring A., Lachenmeier D. W. Use of nuclear magnetic resonance spectroscopy and chemometrics to identify pine nuts that cause taste disturbance // J. Agric. Food Chem. 2011. V. 59, № 13. P. 6877-6881 .

11. Monakhova Y. B., Kuballa T., Leitz J., Lachenmeier D. W. Determination of diethyl phthalate and polyhexamethylene guanidine in surrogate alcohol from

Russia // Int. J. Anal. Chem. 2011. V. 2011, Article ID 704795. doi:

10.1155/2011/704795 .

12. Monakhova Y. B., Lobell-Behrends S., Maixner S., Bose W., Marx G., Lachenmeier D. W. Automated classification of web pages for identification of suspicious food products – a feasibility study // Deutsche LebensmittelRundschau. 2011. V.7. P. 328-330 .

13. Monakhova Y. B., Schfer H., Humpfer E., Spraul M., Kuballa T., Lachenmeier D.W. Application of automated eightfold suppression of water and ethanol signals in 1H NMR to provide sensitivity for analyzing alcoholic beverages // Magn. Res. Chem. 2011. V. 49, № 11. P. 734–739 .

14. Монахова Ю.Б., Колесникова С.С., Степанов А.Н., Муштакова С.П .

Применение алгоритмов декомпозиции спектров смесей для определения металлов в поливитаминных препаратах // Заводская лаборатория .

Диагностика материалов. 2011. Т.77, №7. С. 25-29 .

15. Колесникова С.С., Монахова Ю.Б. Муштакова С.П. Спектрохемометрическое определение некоторых металлов в смесях сложного состава // Изв. Сарат. ун-та. Нов. Сер. Химия. Биология. Экология. 2011 .

Т.11. Вып. 1. C. 25-30 .

16. Monakhova Y. B., Kuballa T., Lachenmeier D.W. Nontargeted NMR analysis to rapidly detect hazardous substances in alcoholic beverages // Appl. Magn. Res .

2012. V. 42, № 3. P. 343-352 .

17. Monakhova Y. B., Kuballa T., Leitz J., Andlauer C., Lachenmeier D.W. NMR spectroscopy as a screening tool to validate nutrition labeling of milk, lactosefree milk, and milk substitutes based on soy and grains // Dairy Sci. Techn .

2012. V. 92, № 2. P.109–120 .

18. Monakhova Y. B., Kuballa T., Lachenmeier D.W. Rapid quantification of ethyl carbamate in spirits using NMR spectroscopy and chemometrics // ISRN Anal .

Chem. 2012. V. 2012, Article ID 989174, doi:10.5402/2012/989174 .

19. Монахова Ю.Б., Муштакова С.П., Рубцова Е.М., Варламова Т.М .

Ассоциация в растворах одноатомных спиртов и их смесях с водой // Журн. физич. химии. 2012. Т. 86, № 3. С. 449–455 .

20. Walch S. G., Lachenmeier D. W., Kuballa T., Stuhlinger W., Monakhova Y. B .

Holistic control of herbal teas and tinctures based on sage (Salvia officinalis L.) for compounds with beneficial and adverse effects using NMR spectroscopy // Anal. Chem. Insights. 2012. V.7. P. 1–12 .

21. Maes P., Monakhova Y. B., Kuballa T., Reusch H., Lachenmeier D. W .

Qualitative and quantitative control of carbonated cola beverages using 1H NMR spectroscopy // J. Agric. Food Chem. 2012. V.60, № 11. P. 2778-2784 .

22. Колесникова С.С., Монахова Ю.Б., Муштакова С.П. Алгоритмы декомпозиции спектров смесей в анализе сплавов // Аналитика и контроль .

2012. Т. 16. № 2. С. 203-209 .

23. Kuballa T., Monakhova Y. B., Straub I., Kohl-Himmelseher M., Tschiersch C., Lachenmeier D.W. Kernresonanzspektroskopie (NMR) und Chemometrie in der amtlichen Uberwachung von Lebensmitteln, Kosmetika und Arzneimitteln // Lebensmittelchemie. 2012. V.66. P. 135-138 .

24. Монахова Ю.Б., Муштакова С.П. Математическая обработка спектров при анализе смесей методом независимых компонент: идентификация и количественный анализ // Журн. анал. химии. 2012. Т. 67, №12. С.1044Nobrega I., Oliveira S., Monakhova Y. B., Pereira E., Araujo A., Telles D., Silva M., Lima V., Lachenmeier D. W. Chemical composition of whiskies produced in Brazil compared to international products // Deutsche LebensmittelRundschau. 2013. V.109. P. 145-149 .

26. Monakhova Y. B., Kolesnikova S.S., Mushtakova S. P. Independent component analysis algorithms for spectral decomposition in UV/VIS analysis of metalcontaining mixtures including multimineral food supplements and platinum concentrates // Anal. Methods. 2013. Vol. 5, № 5. P. 2761-2772 .

27. Ohmenhaeuser M., Monakhova Y. B., Kuballa T., Lachenmeier D. W .

Qualitative and quantitative control of honeys using 1H NMR spectroscopy and chemometrics // ISRN Anal. Chem. 2013. Vol. 2013, Article ID 825318, doi:10.1155/2013/825318 .

28. Mecozzi M., Monakhova Y.B. Application of multivariate methods in the monitoring of marine environment: simultaneous determination of bromide, bicarbonate, nitrate and sulphide in seawater by ultraviolet spectroscopy // Int. J .

Environ. Health. 2013. Vol.6, № 5. P. 235-251 .

29. Monakhova Y. B., Godelmann R., Andlauer C., Kuballa T., Lachenmeier D. W .

Identification of imitation cheese and imitation ice cream based on vegetable fat using NMR spectroscopy and chemometrics // Int. J. Food Sci. 2013. Article ID 367841, http://dx.doi.org/10.1155/2013/367841 .

30. Цикин А.М., Монахова Ю.Б., Курчаткин С.П., Муштакова С.П .

Хемометрический и ИК спектроскопический анализ клейких лент // Аналитика и контроль. 2013. Т.17, №3. С. 339-344 .

31. Монахова Ю.Б., Кубалла Т., Лахенмайер Д.В. Хемометрические методы в ЯМР-спектроскопическом анализе пищевых продуктов. Журн. анал .

химии. 2013. Т.68, №9. С.837-849 .

32. Monakhova Y. B., Rutledge D. N., Romann A., Waiblinger H.-U., Mahler M., Ilse M., Kuballa T., Lachenmeier D. W. Determination of rice type by 1H NMR spectroscopy in combination with different chemometric tools // J. Chemometr .

2014. V. 28, №2. P. 83-92 .

33. Цикин А.М., Монахова Ю.Б., Бурашникова М.М., Муштакова С.П .

Рентгенофлуоресцентный анализ систем серебро-кадмий и никель-кобальт хемометрическими алгоритмами метода независимых компонент // Известия Саратовского университета. Новая серия. Серия Химия .

Биология. Экология. 2014. Т.14, Вып. 1. С. 16-21 .

34. Цикин А. М., Монахова Ю.Б., Курчаткин С. П., Бурашникова М. М., Муштакова С. П. Метод главных компонент в экспертизе лакокрасочных покрытий // Судебная экспертиза. 2014. Т. 2, №38. С. 95-106 .

35. Монахова Ю.Б., Цикин А.М., Исакова Ф.М., Муштакова С.П. Совместное определение кофеина, аспартама и сахарина в газированных напитках методами ЯМР 1Н и УФ-спектроскопии с автомодельным разделением кривых // Известия Саратовского университета. Новая серия. Серия Химия. Биология. Экология. 2013. Т.13, Вып. 4. С. 30-36 .

36. Монахова Ю.Б., Муштакова С.П. Ассоциаты метанола и ацетонитрила в водных растворах и хлороформе по данным ЯМР Н1-спектроскопии // Журн. физ. химии. 2014. Т. 88, № 5, С. 805-810 .

37. Kchele M., Monakhova Y. B., Kuballa T., Lachenmeier D. W. NMR investigation of acrolein stability in hydroalcoholic solution as a foundation for the valid HS-SPME/GC-MS quantification of the unsaturated aldehyde in beverages // Anal. Chim. Acta. 2014. V. 820. P. 112-118 .

38. Monakhova Y. B., Tsikin A. M., Kuballa T., Lachenmeier D. W., Mushtakova S. P. Independent component analysis (ICA) algorithms for improved spectral deconvolution of overlapped signals in 1H NMR analysis: application to foods and related products // Magn. Res. Chem. 2014. V. 52, №5. P. 231–240 .

39. Monakhova Y. B., Pozharov M. V., Zakharova T. V., Khvorostova E. K., Markin A. V., Lachenmeier D. W., Kuballa T., Mushtakova S. P .

Association/Hydrogen bonding of acetone in polar and non-polar solvents:

NMR and NIR spectroscopic investigations with chemometrics // J. Sol. Chem .

2014. V. 43, №11. P. 1963–1980 .

40. Monakhova Y. B., Mushtakova S. P., Kuballa T., Lachenmeier D. W .

Investigation into the structural composition of hydroalcoholic solutions as basis for the development of multiple suppression pulse sequences for NMR measurement of alcoholic beverages // Magn. Res. Chem. 2014. V.52, №12. P .

755-759 .

41. Monakhova Y. B., Godelmann R., Hermann A., Kuballa T., Cannet C., Schfer H., Spraul M., Rutledge D. N. Synergistic effect of the simultaneous chemometric analysis of 1H NMR spectroscopic and stable isotope (SNIFNMR, 18O, 13C) data: Application to wine analysis // Anal. Chim. Acta. 2014 .

V. 833. P. 29–39 .

42. Лобачев А. Л., Фомина Н. В., Монахова Ю.Б. Идентификация нефтей Cамарской области с использованием метода главных компонент и факторного дискриминантного анализа // Известия Саратовского университета. Серия Химия. Биология. Экология, 2015. Т.15. Выпуск 1, С.23-28 .

43. Monakhova Y. B., Tsikin A. M., Mushtakova S. P., Mecozzi M. Independent component analysis and multivariate curve resolution to improve spectral interpretation of complex spectroscopic data sets: Application to infrared spectra of marine organic matter aggregates // Microchem. J. 2015. V.118. P. 211–222 .

44. Монахова Ю. Б., Варламова Т. М., Рубцова Е. М., Муштакова С. П .

Фазовые диаграммы систем иод–вода–алканол, иодид калия–вода–алканол и закономерности ассоциации по данным ИК- и ЯМР-спектроскопии // Журн. физ. химии. 2015. Т. 89, № 4, С. 39-44 .

45. Рубцова Е. М., Варламова Т. М., Монахова Ю. Б., Муштакова С. П .

Фазовая диаграмма системы иод–иодид калия–вода–пропиловый спирт при 298.15 К // Журн. физ. химии. 2015. Т. 89, № 6, С. 927–932 .

46. Monakhova Y.B., Godelmann R., Kuballa T., Mushtakova S. P., Rutledge D. N .

Independent components analysis to increase efficiency of discriminant analysis methods (FDA and LDA): Application to NMR fingerprinting of wine // Talanta. 2015. V. 141. P. 60-65 .

47. Monakhova Y. B., Ruge W., Kuballa T., Ilse M., Winkelmann O., Diehl B., Thomas F., Lachenmeier D. W. Rapid approach to identify the presence of Arabica and Robusta species in coffee using 1H NMR spectroscopy // Food Chem. 2015. V. 182. P. 178-184 .

48. Erich S., Schill S., Annweiler E., Waiblinger H.-U., Kuballa T., Lachenmeier D .

W., Monakhova Y. B. Combined chemometric analysis of 1H NMR, 13C NMR and stable isotope data to differentiate organic and conventional milk // Food Chem. 2015. V. 188. P. 1–7 .

49. Monakhova Y. B., Lachenmeier D. W., Kuballa T., Mushtakova S. P .

Standardless multicomponent qNMR analysis of compounds with overlapped resonances based on the combination of ICA and PULCON // Magn. Res .

Chem. 2015. V. 53, № 10. P. 821-828 .

50. Hohmann M., Monakhova Y.B., Erich S., Christoph N., Wachter H., Holzgrabe U. Differentiation of organically and conventionally grown tomatoes by chemometric analysis of combined data from proton nuclear magnetic resonance and mid-infrared spectroscopy and stable isotope analysis // J. Agric. Food Chem. 2015. V. 63, № 43. P. 96669675 .

51. Монахова Ю.Б., Цикин А. М., Муштакова С.П. Метод независимых компонент как альтернатива методу главных компонент и дискриминантным алгоритмам в обработке спектрометрических данных // Журн. анал. химии. 2015. Т. 70, № 9, С. 925-932 .

52. Монахова Ю.Б., Цикин А. М., Муштакова С.П. Обработка ЯМР-, УФ- и ИК-спектрометрических данных перед хемометрическим моделированием методами независимых и главных компонент // Журн. анал. химии. 2016 .

Т.71, №6. С.582-588 .

53. Monakhova Y.B., Diehl B.W. Quantitative analysis of sunflower lecithin adulteration with soy species by NMR spectroscopy and PLS regression // J .

Am. Oil Chem. Soc. 2016. V. 93, №1. P. 27-36 .

54. Monakhova Y.B., Diehl B.W. Transfer of multivariate regression models between high-resolution NMR instruments: application to authenticity control of sunflower lecithin // Magn. Res. Chem. 2016, DOI: 10.1002/mrc.4433 .

55. Mecozzi M., Pietroletti M., Monakhova Y. B. FTIR spectroscopy supported by statistical techniques for the structural characterization of plastic debris in the marine environment: Application to monitoring studies // Mar. Pollut. Bul .

2016. V. 106, №1-2. P. 155–161 .

56. Monakhova Y. B., Hohmann M., Christoph N., Wachter H., Rutledge D. N .

Improved classification of fused data: Synergetic effect of partial least squares discriminant analysis (PLS-DA) and common components and specific weights analysis (CCSWA) combination as applied to tomato profiles (NMR, IR and IRMS) // Chemometr. Intel. Lab. Syst. 2016. V. 156. P. 1-6 .

57. Monakhova Y. B., Goryacheva I. Yu. Chemometric analysis of luminescent quantum dots systems: Long way to go but first steps taken // Trends Anal .

Chem. 2016. V. 82. P. 164–174 .

58. Монахова Ю.Б., Муштакова С.П. Применение пакета MATLAB для автоматизации хемометрической обработки спектрометрических сигналов в анализе смесей сложного состава // Журн. анал. химии. 2016. Т.71, №8 .

С.791-799 .

59. Monakhova Y.B., Diehl B.W. Combining 1H NMR spectroscopy and multivariate regression techniques to quantitatively determine falsification of porcine heparin with bovine species // J. Pharm. Biomed. Anal. 2015. V. 115. P.




Похожие работы:

«ДОЛАРИЗАЦІЯ ТА ЧОРНИЙ РИНОК ВАЛЮТИ В УКРАЇНІ: ПРИЧИНИ, ОБСЯГИ, НАСЛІДКИ ДЛЯ ЕКОНОМІКИ ТА ПОЛІТИКИ Підготував: Олександр Жолудь, старший економіст ЦЕС Ірина Піонтківська, старший економіст ЦЕС Дата: 13 вересня 2016 р. Зміст 1 Головне 2 Мета 3 Ситуація в Україні 3.1 Причини виникнення доларизації...»

«УДК 542.973 DOI: 10.17277/vestnik.2015.03.pp.461-469 АДСОРБЦИОННЫЕ СВОЙСТВА МЕТАЛЛОРГАНИЧЕСКОЙ СТРУКТУРЫ БЕНЗОЛТРИКАРБОКСИЛАТА МЕДИ Сu3(BTC)2 ПО ВОДЕ И БЕНЗОЛУ Ю. А. Гранкина1,2, Л. Ю. Филиппова1, В. Н. Шубина1, Н. П. Козлова1 ОАО "Корпорация "Росхимзащита", г. Тамбов (1); grokhovskaj...»

«РАБОЧАЯ ПРОГРАММА ПО ХИМИИ 10 класс 1. Пояснительная записка Рабочая программа по химии составлена на основе Программы среднего (полного) общего образования по химии (базовый уровень) и программы курса химии для 10-11 классов общеообразовательных учреждений ( базовый уровень) О.С.Габриеляна. Рабочая программа предназначена для из...»

«cs M ТЗУ2)61 Л ЪМЛ ТРУДЫ и д н и двухм^сячникь издательства "Му с а г етъ". № 3. Май-1юнь. 1912 г. С0 Д Е Р Ж А Н 1Е: Ю р 1 й В е р х о в с к 1 й. О символизм-Ь Б ораты нскаго.— К о н е т. Э р б е р г ъ. И скусство вожатый. — В о л ь ф и н г ъ. Инвективы на му...»

«УДК 619:615.28:612.616.1:636.2 ПРИМЕНЕНИЕ СРЕДСТВ ХИМИЧЕСКОЙ АСЕПТИКИ ПРИ КРОВАВОМ МЕТОДЕ КАСТРАЦИИ У БЫКОВ Саенко Н.В., к.вет.н., доцент ЮФ НУБиП Украины "Крымский агротехнологический университет" Проведена сравнительная оценка заживления кастрационных ран у быков при применении присыпки для ран и алюминиу...»

«ЖИЖИН Константин Юрьевич РЕАКЦИИ ЭКЗО-ПОЛИЭДРИЧЕСКОГО ЗАМЕЩЕНИЯ В КЛАСТЕРНЫХ АНИОНАХ БОРА [B10H10]2И [B12H12]2неорганическая химия Автореферат диссертации на соискание ученой степени доктора химических наук Москва 2008 Работа выполнена в Учреждении Российской академии наук – Институте общей и неорганической...»

«Документ предоставлен КонсультантПлюс Зарегистрировано в Минюсте России 29 июля 2003 г. N 4934 МИНИСТЕРСТВО РОССИЙСКОЙ ФЕДЕРАЦИИ ПО ДЕЛАМ ГРАЖДАНСКОЙ ОБОРОНЫ, ЧРЕЗВЫЧАЙНЫМ СИТУАЦИЯМ И ЛИКВИДАЦИИ ПОСЛЕДСТВИЙ СТИХИЙНЫХ БЕДСТВИЙ ПРИКАЗ от 27...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ _ Казанский государственный энергетический университет А.Г. ЛАПТЕВ, И.А. ВЕДЬГАЕВА УСТРОЙСТВО И РАСЧЕТ ПРОМЫШЛЕННЫХ ГРАДИРЕН Казань 2004...»

«Паспорт безопасности "Средство для восстановления эмалевого Дата пересмотра 21.12.2016 г покрытия ванн "Ренессанс" Дата заполнения 15.02.2006 г. ПАСПОРТ БЕЗОПАСНОСТИ Средство для восстановления эмалевого покрытия ванн "...»

«Лебедев Ю.А. Лекции 10-11 1 Лекции №10-11. Элементы химической кинетики. Понятие о скорости реакции. Зависимость скорости реакции от концентрации. Закон действующих масс. Молекулярность и порядок реакции. Кинетические уравнения реакций нулевого, 1-го и 2-го по...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК 2005 ТРУДЫ ИНСТИТУТА ОБЩЕЙ ФИЗИКИ им. А.М. ПРОХОРОВА Том 61 УДК 535.34+621.373.826 П.В. ЗЫРЯНОВ, Е.В. СТЕПАНОВ ЧУВСТВИТЕЛЬНОСТЬ ДЕТЕКТИРОВАНИЯ РЕЗОНАНСНОГО ПОГЛОЩЕНИЯ С ПОМОЩЬЮ ПЕРЕСТРАИВАЕМЫХ ДИОДНЫХ ЛАЗЕРОВ С ДВОЙНОЙ ГЕТЕРОСТРУКТУРОЙ ПРИ...»

«МАТЕМАТИКА, 10 класс, вечерние школы Анализ результатов, Ноябрь 2013 АНАЛИЗ РЕЗУЛЬТАТОВ краевой диагностической работы по МАТЕМАТИКЕ 10 класс вечерние школы (27 ноября 2013 г.) Диагностическую работу выполняли 964 учащихся 10– х классов вечерних школ из 33...»

«ШЛЯХТИНА АННА ВИКТОРОВНА СИНТЕЗ И СВОЙСТВА КИСЛОРОДПРОВОДЯЩИХ СОЕДИНЕНИЙ СЕМЕЙСТВА РЕДКОЗЕМЕЛЬНЫХ ПИРОХЛОРОВ Специальность 02.00.21 – химия твердого тела Автореферат диссертации на соискание ученой степени доктора химических наук Москва 2010 Работа выполнена в Учреждении Российской академии наук Институте хими...»

«Министерство образования Российской Федерации Ростовский государственный университет Геолого-географический факультет Кафедра гидрогеологии, инженерной и нефтегазовой геологии В.В. ДОЦЕНКО ГЕОЛОГИЧЕСКИЕ И ГЕОХИМИЧЕСКИЕ УСЛОВИЯ ОБРАЗОВАНИЯ, КЛАССИФИКАЦИЯ И СВОЙСТВА КАУСТОБИОЛИТОВ Ростов-на-Дону Пе...»

«Journal of Siberian Federal University. Chemistry 2 (2014 7) 209-220 ~~~ УДК 541.6 Аэробная переработка бурого угля штаммом Acinetobacter calcoaceticus И.П. Иванов*а, М.И. Теремоваб, А.О. Ереминаа, В.В. Головинаа, О.Ю. Фетисоваа, Г.П...»

«Егоров Евгений Николаевич СИНТЕЗ, СТРОЕНИЕ И ФИЗИКО-ХИМИЧЕСКИЕ СВОЙСТВА КАРБОКСИЛАТНЫХ КОМПЛЕКСОВ ЦИНКА(II) И ЛАНТАНИДОВ(III) 02.00.01 – Неорганическая химия Автореферат диссертации на соискание ученой степени кандидата химических наук Москва – 2013 Работа выполнена в Федеральном государственном бюджетном учреждении на...»

«Российская Академия наук Ордена Ленина Сибирское отделение Институт ядерной физики им. Г.И. Будкера СО РАН ОТЧЁТ СИБИРСКОГО ЦЕНТРА СИНХРОТРОННОГО И ТЕРАГЕРЦОВОГО ИЗЛУЧЕНИЯ ЗА 2005 ГОД. НОВОСИБИРСК В настоящем отчете в краткой форме изложены основные...»

«ХИМИЧЕСКАЯ МИНЕРАЛЬНО-ХИМИЧЕСКАЯ КОМПАНИЯ МЕЛИОРАЦИЯ И ГИПСОВАНИЕ – элемент стратегии Продовольственной безопасности и импортозамещения Москва 2015 г. www.eurochemgroup.com ПОТРЕБНОСТИ В ХИМИЧЕСКОЙ Общая площадь засоленных земель в РФ составляет 35-40 млн га или около 20 % МЕЛИОРАЦИИ ПОЧ...»

«М. А. КАРЦЕВ Арифметика цифровых машин ИЗДАТЕЛЬСТВО "НАУКА"ГЛАВНАЯ РЕДАКЦИЯ ФИЗИКО-МАТЕМАТИЧЕСКОЙ ЛИТЕРАТУРЫ МОСКВА 1969 6П 2.15 К 27 УДК 681.142 Арифметика цифровых машин, К а р ц е в М. А., Главная редакция физико-математической литературы издательства "Наука", 1969, 576 стр. В книге рассмотрен комплекс теоретических и п...»

«XXXIX МЕЖДУНАРОДНАЯ (ЗВЕНИГОРОДСКАЯ) КОНФЕРЕНЦИЯ ПО ФИЗИКЕ ПЛАЗМЫ И УПРАВЛЯЕМОМУ ТЕРМОЯДЕРНОМУ СИНТЕЗУ февраль 2012 г. РОССИЙСКАЯ АКАДЕМИЯ НАУК НАУЧНЫЙ СОВЕТ РАН ПО ФИЗИКЕ ПЛАЗМЫ и НАУЧНЫЙ СОВЕТ РАН ПО КОМПЛЕКСНОЙ ПРОБЛЕМЕ ФИЗИКА НИЗКОТЕМПЕРАТУРНОЙ ПЛАЗМЫ КОНФЕРЕНЦИЯ ПО ФИЗИКЕ ПЛАЗМЫ И УПРАВЛЯЕМОМУ ТЕРМОЯДЕРН...»

«Одеська національна академія харчових технологій РОЗДІЛ 2 ХІМІЧНІ, ФІЗИЧНІ ТА МАТЕМАТИЧНІ МЕТОДИ ДОСЛІДЖЕННЯ ПРОЦЕСІВ ТА АПАРАТІВ 58 Збірник наукових праць молодих учених, аспірантів та студентів, 2014 Одеська національна академія харчових технологій К ВОПР...»

«Хайбулова Татьяна Шевкетовна ОРТО-ЭФФЕКТ В МЕТАЛЛОКАТАЛИЗИРУЕМЫХ РЕАКЦИЯХ ФУНКЦИОНАЛИЗАЦИИ АРИЛГАЛОГЕНИДОВ Специальность 02.00.03 – органическая химия АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата химических наук Санкт-Петербург – 2016 Работа...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И МОЛОДЕЖНОЙ ПОЛИТИКИ СТАВРОПОЛЬСКОГО КРАЯ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ СРЕДНЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ "КУРСАВСКИЙ РЕГИОНАЛЬНЫЙ КОЛЛЕДЖ "ИНТЕГРАЛ" Согласов...»

«Логистика прогнозирования пассажиропотоков Необходимой базой эффективного управления пассажирским транспортом является возможность прогнозировать пассажиропотоки и оценивать влияние принимаемых решений и внешних факторов на результаты работы транспорта. При составлении логистических прогнозов обычно используются различные математ...»

«464 МАТЕМАТИЧНІ МЕТОДИ, МОДЕЛІ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ В ЕКОНОМІЦІ Наталия В. Спасская, Александр В. Стеценко, Елена В. Такмакова ПРОГНОЗИРОВАНИЕ СРЕДНЕЙ ДОХОДНОСТИ НА РЫНКЕ ИНВЕСТИРОВАНИЯ СР...»

«В.И.ВЕКСЛЕР – Основатель Лаборатории высоких энергий ОИЯИ, основоположник экспериментальной физики высоких энергий ( физики элементарных частиц) в Советском Союзе И.А.Савин, 10 октября 2007 Введение Основные даты жизни и творчества В.И.Векслер – основатель ЛВЭ ОИЯИ Прогресс в детекторах...»

«Санкт-Петербургский государственный университет Факультет прикладной математики процессов управления Студенческий совет (Совет обучающихся) Протокол общего собрания № 48 25 июня 201...»

«ПОЛУЧЕНИЕ МЕТАЛЛИЧЕСКОЙ ПЛАЗМЫ ДЛЯ ИЦР РАЗДЕЛЕНИЯ ИЗОТОПОВ e ° А.П.Бабичев, Н.М.Горшунов, Д.А.Долголенко, Г.Е.Зотин, А.И.Карчевский, -". B.C. Лазько, Ю.А.Муромкин, В.Г.Пашковский, А.Т.Пешков. 5 Институт Молекулярной Физики РНЦ Курчатовский Институт, ^ Москва, 123182, пл. Курчатова, д.1. тел. (095) 196 7728 факс (095) 194 1994...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ ХАРЬКОВСКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ ИМЕНИ В.Н. КАРАЗИНА Н. А. Водолазкая, Ю. В . Исаенко, С. Т. Гога Ультрамикрогетерогенные системы, их влияние на кислотно-основные равновесия и сольватохромные свойства индикаторов Учебно-методическое пособие по курсу “Химиче...»








 
2018 www.new.z-pdf.ru - «Библиотека бесплатных материалов - онлайн ресурсы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 2-3 рабочих дней удалим его.