基于深度神经网络的黄酮与(口山)酮类高分辨质谱数据的分析与识别

• 作者: 张祎 张禄 杨文志 王丽明 王涛 赵倩钰 韩立峰
• 来源期刊: 中南药学
• 学科: 医学
• 关键词: 深度神经网络 超高液相色谱-四级杆-静电场轨道阱质谱联用技术 黄酮 (口山)酮
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 研究论文
• 页码范围: 748-755
• 页数: 8页
• 分类号: R917|R284
• 语种: 中文
• DOI: 10.7539/j.issn.1672-2981.2020.05.007

摘要

目的 建立基于深度神经网络的黄酮和(口山)酮高分辨质谱数据的识别分类技术.方法 基于超高液相色谱-四级杆-静电场轨道阱质谱联用技术(UHPLC-Q-Orbitrap MS)对供试样品进行条件的优化和分析,使用Xcalibur 4.0软件对148个对照品的高分辨质谱数据进行提取,包括了正负离子的一、二级碎片,总计为42维,使用深度神经网络对上述数据进行二分类的建模分析,并且利用108个对照品数据作为训练集对模型进行参数调优,使其学习到区分两类化合物的能力.结果 UHPLC-Q-Orbitrap MS最终采用Waters ACQUITY UPLC HSS T3(2.1 mm×100 mm,1.8μm)色谱柱进行分离,经乙腈-0.1%甲酸水梯度洗脱,流速0.2 mL·min-1,柱温30℃,源喷雾电压正负离子分别为3.2 kV和2.8 kV;毛细管温度200℃;辅助器加热温度400℃.使用128个对照品(108个作为训练集和20个作为验证集)的高分辨质谱数据进行深度神经网络建模,并对另外20个对照品的高分辨质谱数据进行模型的测试,平均正确率达80%.结论 基于UHPLC-Q-Orbitrap MS技术采集高分辨质谱数据,并使用深层前馈神经网络进行建模的分类方法,可以有效地对黄酮类和(口山)酮类化合物进行区分.