XiaoMi-AI文件搜索系统
World File Search SystemQSRR
超高性能色谱中多环化合物的定量结构 - 保留关系分析
摘要：进行了比较定量结构 - 保留关系（QSRR）研究，以预测使用分子描述符的多环芳烃（PAHS）的保留时间。分子描述符是由软件龙生成的，并用于构建QSRR模型。还考虑了色谱参数的影响，例如流量，温度和梯度时间。使用人工神经网络（ANN）和部分最小二乘回归（PLS-R）来研究保留时间（以响应为响应）和预测因子之间的相关性。通过遗传算法选择了六个描述符，以开发ANN模型：分子量（MW）；环描述符类型NCIR和NR10;径向分布功能RDF090U和RDF030M;以及3D-MORSE的描述符MOR07U。PLS-R模型中最重要的描述符是MW，RDF110U，MOR20U，MOR26U和MOR30U；边缘邻接Indice SM09_AEA（DM）;基于3D矩阵的描述符spposa_rg;和逍遥布H7U。构建模型用于预测校准集中未包含的三个分析物的保留。考虑到预测集的统计参数RMSE（分别为PLS-R和ANN模型的0.433和0.077），该研究证实了与色谱参数相关的QSRR模型可以通过非线性方法更好地描述。
定量结构保留关系建模
摘要：反相液相色谱（RPLC）是一种常见的液态色谱模式，用于在药物生命周期内控制药物化合物。尽管如此，确定使这种分离的最佳色谱条件很耗时，需要大量的实验室工作。定量结构保留关系模型（QSRR）通过预测已知化合物的保留时间而无需执行实验，对完成这项工作有助于完成这项工作。在当前工作中，建立了几种QSRR模型，并比较了它们在预测保留时间方面的适当性。回归模型是基于线性和非线性算法的组合，例如多个线性回归，支持矢量回归，最少的绝对收缩和选择算子，随机森林和梯度增强回归。模型是针对五个pH条件的，即在pH 2.7、3.5、6.5和8.0处建立的。最后，使用堆叠结合了模型预测，并比较了所有模型的性能。建立了基于K-Near的邻居的应用域滤波器，以评估预测的可靠性以进行进一步的复合优先级。总的来说，这项研究对于与RPLC一起工作的分析化学家可以洞悉，从QSRR等计算预测建模开始，以预测小分子的分离。