基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法技术

本发明专利技术公开了一种基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法。相比目前其他方法，该方法操作简单、成本低、适用范围广且对样品前处理方式没有要求，经验证该方法对6种目标物定量的基质效应评估具有极高的准确性，能有效消除液质检测中的基质效应干扰，且适用于一次同时检测多种目标物。本发明专利技术的液质方法及建模方式同样适用于果蔬中的其他目标物分析物，适用性较强。

Evaluation of matrix effect value based on neural network assisted ultra performance liquid chromatography tandem mass spectrometry

【技术实现步骤摘要】
基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法
本专利技术属于检测
，具体是指一种基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法，降低基质效应影响，以更准确对果蔬中农药残留进行定量检测。
技术介绍
在现代农业中，农业生产规模的扩大，农作物产量上的快速增长，离不开农药的有效使用。但是，部分残留农药的农产品也因此进入了消费流通领域，对人们的健康带来负面影响。而对农产品中农药残留的检测，是农产品质量安全监管必需的手段之一。目前，果蔬中农残检测技术已经相当成熟，能同时检测百种以上农药的液相串联质谱方法相关报道和文献层出不穷，但却没有一篇技术文献能绕开基质效应，从而降低基质效应影响提高检测准确度，也没有一种方法能在日常检测中彻底解决基质效应问题；实际上这不仅仅只是果蔬检测领域的问题，在动物组织样品、土壤与水环境样品等各种质谱检测对象中均存在这一共性问题。在检测分析中，基质是指检测过程中目标检测物质以外的其他物质的总和。基质效应是指由于基质对目标检测物在仪器检测器上响应值的影响而对检测结果产生偏离的现象。评价这一影响最直观的指标是基质效应值，通常用基质配置标准溶液所得的仪器响应值除以溶剂所配置的其他条件相同的标准溶液所得的仪器响应值来计算。这一现象的存在极大的影响了检测的准确性，目前在液质日常检测中减少基质干扰的手段主要有配置基质标、前处理优化、添加内标物、仪器条件优化等方式。配置基质标是指采用与样品溶液一致的基质来配置标准溶液进行定量，从而在标准溶液上补偿了基质效应带来的响应增强或减弱。该方法简单、实用，但在日常成规模的检测中很难做到每一个不同样品都配置相应的基质标，只能折中取相似的一种或几种基质配置标准曲线，且完全一样的基质也难以找到，所以常常带来较大误差。前处理优化是指在样品前处理提取、净化环节将样品中基质尽可能去除，基质效应的影响也就会大大减小。但是理想的净化方式通常只能针对特定的一系列性质相近的待测物去设计，如果不同性质的待测物要实现同时检测，基质成分又较为复杂，这时净化的余地很小，改善基质效应的效果就大打折扣；而现今果蔬中农残的质谱检测，往往都是复杂基质中几十种甚至上百种性质存在差异的农药同时检测，过度净化会带来待测物的低回收，因此在这种情况下净化对于基质效应的减轻效果往往很有限，且增加了实验前处理步骤和难度。添加内标物特别是添加同位素内标物，是较为理想的基质效应问题的解决方案之一，但不少待测物存在没有同位素标准品的情况，且成本较高，非同位素内标则适用范围有限且效果大打折扣。同时内标物还存在添加量的取舍问题，当内标物和待测物的浓度差异较大时，两者基质效应可能存在差异，同样会给定量带来一定误差。通过优化液相和质谱条件也能减轻很多样品中特定待测物的基质效应，但针对不同的检测参数和样品，液质的优化条件可能很不一样，因此多参数、多样品类型同时检测的仪器条件优化往往难以实现；且很多样品中的目标检测物也难以通过优化仪器条件大幅减轻基质效应。总体而言，目前不管是哪种基质效应的解决方案，都具有其明显的优缺点和适用范围，暂无通用的、较为理想的基质效应解决方案。
技术实现思路
为解决现有技术存在的问题和不足，本专利技术的目的是提供一种基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法。为实现上述目的，本专利技术的技术方案是其特征在于：(1)取不同基质条件、不同农药浓度、不同进样体积这三个变量变化下的仪器响应值，并计算得各个条件下的基质效应值；(2)将同一个样品的不同进样体积的液相串联质谱响应值作为输入，其中一个特定进样体积的基质效应值作为输出，构建神经网络模型；(3)待测果蔬样品同样分别进样进行液相串联质谱检测，其进样体积的数值满足比例差异设置，其响应值数据通过步骤(1)、(2)构建的神经网络模型，将获得基质效应值。步骤(2)中所采用的神经网络模式为：满足比例差异设置的多个进样体积的响应值作为输入，双隐藏层，每层四个节点，输出为对应进样体积的中一个进样体积下的基质效应，隐藏层激活函数为双曲正切，输出层为恒等式，检验数据量占总数据量30％以上，随机挑选。进一步设置是所述的步骤(1)过程为：(1.1)以无农药残留且种类不同的果蔬样品为对象，对每个对象的果蔬样品通过前处理获得不同浓度的果蔬样品的空白待测溶液；(1.2)分别使用流动相初始溶剂、不同浓度的果蔬样品的空白待测溶液配置成农药梯度浓度的溶剂标标准溶液和基质标标准溶液，进样进行液相串联质谱检测，其进样体积的数值满足比例差异设置，由此获得了不同基质条件、不同农药浓度、不同进样体积等三个变量梯度变化下的仪器响应值；(1.3)计算同一农药浓度下基质标响应与溶剂标响应的比值，为基质效应值。本设置步骤(1)对果蔬样品如何前处理获得待测液没有要求，只需满足液相串联质谱检测基本要求并与步骤(3)中待测果蔬样品的前处理保持一致即可。且对步骤(1)、步骤(3)中的仪器条件也没有具体要求，只需保持一致即可。因此该方法可应用于各种前处理方式和液质仪器条件，适用范围广。步骤(1)、(2)为一次性步骤，构建的基质效应值评估模型在仪器设备未发生变化以及前处理方法未发生重大变化时，可一直保持应用。因此实际检测时，额外增加的仅仅只是步骤(3)中的进样次数，增加了一些仪器运行时间，但未明显增加人力及试剂成本。进一步设置是所述的满足比例差异的不同进液体积为2μL、4μL、6μL、8μL。上述设置中涉及的验证试验所采用的液相串联质谱中液相方法如下：所述的流动相方法基于梯度洗脱，其操作条件为基于时间的各参数为：时间：0.00、0.50、3.50、5.00、5.01、8.00，单位为min；流速：0.20、0.20、0.20、0.20、0.20、0.20，单位为ml/min；乙腈与含0.1％甲酸的水的流动相比例为：5:95、5:95、90:10、90:10、5:95、5:95；所述固定相方法为选用1.8μm、2.1×50mm的ACQUITYUPLCBEHC18柱，柱温箱温度37℃；验证试验中6种农药质谱条件如下：本专利技术提出的创新机理和有益效果是：本专利技术从新的思路角度提出了一种对于基质效应应对方法：针对性的设计果蔬中农药残留实验，以获取大量特定条件的液相串联质谱数据，进一步的利用神经网络构建一个有效的基质效应判断模型，用于判断数种农药在一些果蔬样品中的基质效应具体数值，通过评估其基质效应值，以此提高液相串联质谱在农残检测中的准确度。本专利技术的方法简单快速、对检测灵敏度高无影响、针对性强，经验证该方法对六种目标农药液质检测的基质效应值的评判均具有极高的准确性(误差均小于3.0％)，适用范围广可满足一次同时检测多种目标物的基质效应的评估，快捷高效。通过准确评估基质效应值解决基质干扰问题，能有效提高液质检测果蔬中农药残留的准确性。目前，类似方法国际、国内均未见报道，该方法是人工智能本文档来自技高网...

【技术保护点】
1.一种基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法，其特征在于：/n(1)取不同基质条件、不同农药浓度、不同进样体积这三个变量变化下的仪器响应值，并计算得各个条件下的基质效应值；/n(2)将同一个样品的不同进样体积的液相串联质谱响应值作为输入，其中一个特定进样体积的基质效应值作为输出，构建神经网络模型；/n(3)待测果蔬样品同样分别进样进行液相串联质谱检测，其进样体积的数值满足比例差异设置，其响应值数据通过步骤(1)、(2)构建的神经网络模型，将获得基质效应值。/n

【技术特征摘要】
1.一种基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法，其特征在于：
(1)取不同基质条件、不同农药浓度、不同进样体积这三个变量变化下的仪器响应值，并计算得各个条件下的基质效应值；
(2)将同一个样品的不同进样体积的液相串联质谱响应值作为输入，其中一个特定进样体积的基质效应值作为输出，构建神经网络模型；
(3)待测果蔬样品同样分别进样进行液相串联质谱检测，其进样体积的数值满足比例差异设置，其响应值数据通过步骤(1)、(2)构建的神经网络模型，将获得基质效应值。


2.根据权利要求1所述的一种基于神经网络技术辅助超高效液相串联质谱评估基质效应值的方法，其特征在于：所述的步骤(1)过程为：
(1...

【专利技术属性】
技术研发人员：张维一，周陈璐，梁秀美，林定鹏，何如意，徐静，张井，王亮，张辉，
申请(专利权)人：温州科技职业学院，
类型：发明
国别省市：浙江;33