多維校正用于復雜體系定量分析和小分子與DNA相互作用機理研究.pdf

1、本文作者對化學計量學中多維校正用于定量分析的幾個重要問題進行了方法探索和應用研究。同時,我們也利用了二階校正方法對小分子與DNA的相互作用機理進行了探討。本論文內容主要涉及以下幾個方面:
　　 1.提出了一種新的三線性分解算法-穩(wěn)健信息自提取不對稱三線性分解算法(RISEATD)。該方法把整體最小二乘理論融入到三線性模型的分解過程中,能快速有效地提取有用信息。同時該算法結合了平行因子分析(PARAFAC-ALS)和交替三線性分解

2、方法(ATLD)的迭代特點,用一種不對稱的方式分辨求解三維數(shù)據(jù)陣中三個潛在的載荷矩陣。該算法的顯著特點就是當體系噪聲大或共線性強時,分辨得到的感興趣分析物的圖譜都是十分穩(wěn)定的,并且具有較快的收斂速度。本文還利用模擬的熒光光譜數(shù)據(jù)陣和真實的激發(fā)-發(fā)射熒光光譜數(shù)據(jù)對方法進行了測試,并與傳統(tǒng)的PARAFAC,PARAFAC-ALS和ATLD算法計算結果進行了比較。結果表明,RISEATD方法在三維數(shù)據(jù)分解中具有優(yōu)越的性能。
　　 2.

3、利用化學計量學中具有“二階優(yōu)勢”的二階校正方法,與三維激發(fā)-發(fā)射熒光光譜相結合,以“數(shù)學分離”代替“化學分離”,提出了采用熒光分析直接測定血漿和藥片樣中的鹽酸特拉唑嗪含量的新方法。運用PARAFAC,交替懲罰三線性分解算法(APTLD)和RISEATD對三維熒光數(shù)據(jù)進行解析,最終實現(xiàn)了血樣中鹽酸特拉唑嗪的定量測定。該方法快速簡便,無需復雜的樣品預處理,花費成本低廉,定量結果滿意。同時,PARAFAC,APTLD和RISEATD與標準加入

4、法相結合,實現(xiàn)了對實際樣品藥片中鹽酸特拉唑嗪的定量測定。所得結果與標準的色譜方法比較,結果令人滿意。
　　 3.本章提出了一種激發(fā)發(fā)射矩陣熒光與二階校正方法結合,在血漿和尿液中檢測右美沙芬和奎尼丁的方法。由于這兩種藥物的熒光與血漿和尿液基質的光譜相互疊加嚴重重疊,因而未經分離直接用光譜的方法來檢測血樣和尿樣中的右美沙芬和奎尼丁幾乎是不可能的。本章利用了三種二階校正方法,PARAFAC、自加權交替三線性分解算法(SWATLD)和A

5、PTLD的二階優(yōu)勢,利用數(shù)學分離來代替化學分離,實現(xiàn)嚴重干擾下對右美沙芬和奎尼丁定量測定。
　　 4.隨著現(xiàn)代高階分析儀器和數(shù)據(jù)采集技術的的發(fā)展,特別是二階校正方法在處理三維數(shù)據(jù)陣時的應用,研究藥物與DNA的相互作用成為可能。即使該混合物中存在著很復雜的化學平衡,也可以很方便的預測感興趣的組分和DNA的相互作用機制。對于二階校正方法最值得注意的優(yōu)勢在于,對三維陣的分解通常是唯一的,可以直接分辨出復雜體系中感興趣組分的相對濃度和光

6、譜圖。本章采用紫外和熒光分析結合二階校正方法對吡柔比星與DNA的相互作用進行了研究。熒光測數(shù)據(jù)采用PARAFAC算法和交替歸一加權殘差(ANWE)算法進行解析,可分辨得到動力學平衡體系中各組分的激發(fā)、發(fā)射光譜以及相對濃度,為吡柔比星與DNA的相互作用機制的研究提供了更為直觀的有用信息。這對抗癌藥物的抗癌機理、以及新型藥物的設計合成方面都有很大的幫助。
　　 5.隨著農藥大面積、持續(xù)的使用,農作物、蔬菜、水果甚至動物體內都可能有農

7、藥殘留,人們的生命和健康造成威脅。所以研究農藥對DNA的潛在損傷作用對于保證人體免受農藥的危害具有一定的實際意義。本文利用三維熒光結合二階校正方法PARAFAC和APTLD對西維因和DNA的相互作用進行了研究,為西維因和DNA的相互作用機制的研究提供了很有用的信息。
　　 6.最小支持向量機(LS-SVM)以其優(yōu)越的性能在多元校正建模中得到越來越廣泛的應用。然而,它的性能在很大的程度上還依賴于模型誤差的同質性和數(shù)據(jù)集分布的均一性

8、。該工作探討了多元校正建模中的訓練集樣品的代表性和最優(yōu)化樣品加權問題。由于多元校正的樣品光譜空間的多維性和復雜性以及樣品選取過程中的不確定性,準確估計訓練集樣品在整個樣品空間的代表性尚存在一定困難。為解決以上問題,同時考慮到樣品的代表性很難通過考察單個樣品進行估計,我們把全局優(yōu)化樣品加權的思想和最小支持向量機相結合,提出了最優(yōu)化樣品加權最小支持向量機這一新算法。該算法通過對原來的訓練集樣品進行非負加權,在校正建模過程中同時考慮了模型的復

9、雜性和預測能力,最優(yōu)樣品權重通過粒子群優(yōu)化算法搜索獲得。將該算法應用于真實的標準數(shù)據(jù)集的結果表明,在原始校正樣品的代表性較差時,最優(yōu)化樣品加權最小支持向量機算法確實能夠很好地改善模型的預測性能。
　　 7.在對光譜數(shù)據(jù)的多元校正建模中,傳統(tǒng)的波長變量選擇方法對某些波長的舍棄將導致有用信息的丟失。為了獲得更加靈活的變量選擇和建模,以粒子群優(yōu)化算法為基礎,提出了一種變量加權版本的最小支持向量機用于多元校正中光譜變量的選擇。變量加權的

10、策略旨在不人為刪除和保留變量,允許變量的非負加權。采用粒子群優(yōu)化算法實現(xiàn)非負的變量加權實質上可視為對波長變量的某種最優(yōu)化重新刻度。若使用粒子群優(yōu)化算法同時優(yōu)化模型其它參數(shù)則使得變量加權的支持向量機變成一個無需人為調節(jié)參數(shù)的全自動建模方法,因此將比傳統(tǒng)的變量選擇及建模方法有更多的靈活性,且更智能化,運算速度快。將該算法應用于真實的標準數(shù)據(jù)集的結果表明變量加權最小支持向量機方法確實能在多元校正模型中實現(xiàn)對變量的最優(yōu)化刻度,保留更多的結構信息