由1D-CNN授权的Artemisiae argyi Folium的压缩色谱指纹:使用化学测量算法减少移动阶段的消耗
Wennan Nie1, Jiahe Qian1, Cunhao Li1
1College of Pharmaceutical Engineering of Traditional Chinese Medicine, Tianjin University of Traditional Chinese Medicine, Tianjin, 301617, China.
Journal of chromatography. A
|March 18, 2025
概括
本研究介绍了使用一维卷积神经网络 (1D-CNN) 与高性能液态染色学 (HPLC) 进行压缩指纹染色图分析. 这种绿色化学方法显著减少了复杂样品的分析时间和溶剂使用量.
科学领域:
- 分析化学 分析化学
- 绿色化学 绿色化学
- 计算化学的计算化学
背景情况:
- 高性能液体染色学 (HPLC) 提供高灵敏度,稳定性和准确性,但由于分析时间长且溶剂消耗高,因此受损.
- 这些局限性给可持续和环保的分析实践带来了挑战,特别是在复杂的系统和质量控制中.
- 开发更高效,更环保的分析方法至关重要.
研究的目的:
- 为了提高分析效率和减少高性能液体染色学 (HPLC) 中的有机溶剂使用.
- 提出一种新的压缩指纹染色体分析技术.
- 将一维卷积神经网络 (1D-CNN) 与HPLC集成,用于分析复杂的系统.
主要方法:
- 通过高性能液体染色学 (HPLC) 确定了Artemisiae argyi Folium (AAF) 的指纹.
- 开发了一种压缩指纹技术,以保留必要的化合物信息.
- 使用1D-CNN深度学习模型分析压缩色谱和10种化合物的定量分析.
主要成果:
- 1D-CNN模型有效地从复杂数据中提取特征,将样本分析时间缩短约40分钟.
- 移动阶段的消耗量明显下降了78%.
- 在10个目标化合物中,有9个被精确量化,最高的相关系数超过0.95,显示出强大的模型性能.
结论:
- 压缩指纹染色体识别技术提高了传统HPLC的环境可持续性和效率.
- 这种方法为推进分析方法和设备提供了有价值的见解.
- 该研究强调了深度学习在开发更绿色,更有效的分析解决方案方面的潜力.
更多相关视频
10:14Chromatographic Fingerprinting by Template Matching for Data Collected by Comprehensive Two-Dimensional Gas Chromatography
Published on: September 2, 2020
4.7K
08:20Systematic Approach to Identify Novel Antimicrobial and Antibiofilm Molecules from Plants' Extracts and Fractions to Prevent Dental Caries
Published on: March 31, 2021
6.2K
