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

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。