CN104572910A - 一种基于向量模型的气相色谱质谱谱图检索方法 - Google Patents

Abstract

本发明提供一种基于向量模型的气相色谱质谱谱图检索方法，包括下列步骤：根据未知物质的原始GC-MS数据，进行气相色谱质谱纯净谱图的提取；对质谱数据库里的标准质谱图进行筛选；峰强度比例缩放；采用基于向量空间模型的方法进行谱图的相似性计算，根据计算结果进行谱图匹配。本发明具有较好的检索性能。

Description

一种基于向量模型的气相色谱质谱谱图检索方法

技术领域

本发明涉及一种气相色谱-质谱联用仪(GC-MS)。

背景技术

应用气相色谱-质谱联用仪对混合物样品进行定性分析，首先要对采集到的GC-MS原始数据进行分析，并提取干净的质谱图，然后需要将它们与质谱库中的标准谱图进行对比，通过比较未知物质谱图与标准质谱图的相似程度来确定该样品包含何种成分，最终实现定性分析。由于每次分析实验都会产生大量的数据和质谱图，并且质谱库中存有成千上万的标准谱图，若仅采用人工鉴定的方法对未知物进行判定，将是一项非常耗费时间和人力的工作。因此，有必要采用计算机辅助的形式代替人工鉴定的方式，以实现对混合物样品正确、快速、可靠的定性分析，该方法仅需要低分辨率的质谱图即可实现未知物的鉴定。实现计算机辅助定性分析的关键技术是质谱谱库检索算法的实现。

目前，大部分的商用气相色谱-质谱联用仪都带有自己的质谱数据库检索系统，以实现计算机辅助定性分析。其中，检索算法的实现是检索系统的重要组成部分，检索算法的研究对提高GC-MS定性性能发挥着重要的作用。

质谱谱库检索原理包含三部分，分别是质谱图的简化及编码、标准质谱库的建立、检索算法的实现。在不损失质谱图的重要信息及不影响定性分析的情况下对质谱图进行简化及编码，主要目的是减少存储空间并提高检索速度。另外，实现质谱库检索的前提是标准质谱数据库的建立。标准质谱数据库中保存了在标准电离条件下得到的已知化合物的标准质谱图，同时也存储了化合物的名称、分子式、结构等信息。应用一定的检索算法，比较标准电离条件下得到的未知化合物的质谱图与标准谱图库的质谱图的相似性，并将检索结果按照相似程度的大小排列，质谱图的相似程度越高，说明两者越可能是同一种物质，通常用匹配因子表示质谱图的相似程度，检索结果是按照匹配因子的大小排列的。

质谱数据库检索类型主要有两种，一种是“一致性”检索，另一种是“相似性”检索。在“一致性”检索中，假设标准质谱数据库中包含未知物的谱图。“相似性”检索则是假设标准质谱数据库中不包含未知物的谱图。通常情况下检索方法均为“一致性”检索。质谱数据库检索系统通过计算质谱数据库中的标准质谱图与未知物质谱图的相似程度，并将检索的结果按照匹配因子的大小排列，匹配因子越大，说明两个谱图越相似，质谱数据库中参考物与未知物越有可能是同一种物质。

质谱数据库检索算法主要包括数据预处理和质谱图相似性计算两步。首先，需要对质谱图进行预处理以提高检索速度，数据预处理主要包括谱峰选择、峰强度的比例缩放。质谱图相似性计算的方法有多种，如两幅质谱图中峰强差的平方和、两幅质谱图中峰强差的绝对值之和、两谱峰向量间夹角的计算等。质谱数据库的检索模式主要有两种，分别是正检索与反检索。在正检索中，在计算匹配因子时，未知物与标准质谱图中的所有质谱峰全部参与计算。而在反检索中，只有在未知物质谱图中出现而未在标准质谱图中出现的质谱峰不参与计算。

发明内容

本发明的目的是提出一种可以提高检索性能的GC-MS检索方法，以提高其定性分析的能力。本发明的技术方案如下：

一种基于向量模型的气相色谱质谱谱图检索方法，包括下列步骤：

(1)根据未知物质的原始GC-MS数据，进行气相色谱质谱纯净谱图的提取；

(2)对质谱数据库里的标准质谱图进行筛选：将未知物质谱图中的最强锋与质谱库中的标准质谱图第一至第八强峰进行比较，看是否有相匹配的峰，然后将未知物质谱图中的第二强峰与质谱库中的标准质谱图第一至第九强峰比较，看是否有相匹配的峰，由此类推，直到将未知物质谱图中的第八强峰与质谱库中的标准质谱图第一至第十六强峰进行比较为止，若标准质谱图的谱峰中至少有5个峰与未知物质谱图中的谱峰相匹配，那么就将这个标准质谱图保存下来并进入到下一步的计算，其他不满足条件的标准质谱图都被筛掉；

(3)峰强度比例缩放：一张质谱图中包含质荷比m/z和强度I两个信息，一张质谱图的特征也是由m/z和I共同决定的，对未知物的谱峰和标准质谱图的谱峰进行强度比例缩放，谱图强度比例缩放的权重因子为(m/z)³I^0.5；

(4)采用基于向量空间模型的方法进行谱图的相似性计算，方法如下：

a)将每幅质谱图都可以表示成一个n维向量(w₁,w₂,...,w_n)，其中，n表示质量数的个数，向量的每个分量w_i表示与第i个质量数相对应的权重值，即将未知物质谱图与质谱库的标准质谱图都表示成向量形式，未知物质谱图的向量表示形式Μ_S＝(w_S1,w_S2,...w_Sm)，其中，是未知物质谱图中第i个质量数对应的权重值，标准质谱图的向量表示形式M_R＝(w_R1,w_R2,...w_Rn)，其中，是标准质谱图中第i个质量数对应的权重值；

b)采用基于p范数的相似度计算未知物质谱图与标准质谱图的相似程度，未知物质谱图向量M_S与标准质谱图向量M_R之间的相似度计算公式为

c)计算得到的F_d的值越大，表明未知物质谱图向量M_S和标准质谱图向量M_R越相似，从而表明未知物质谱图与标准质谱图越相似，未知物与标准谱图代表的物质越有可能是同一种物质；

d)引入了峰强度比例因子式中，N_S&R为未知物质谱图与标准质谱图共有峰的个数，若则n＝1，否则，n＝-1，F_R用来比较未知物质谱图与标准质谱图的谱峰强度的一致性，F_R越大，表明两个谱图越相似；

e)结合F_d和F_R两个因子，得到匹配因子式中，N_S表示未知物质谱图中峰的个数，用匹配因子MF表示未知物质谱图与标准质谱图的相似程度，检索结果按照MF的大小排列，MF越大，表明两个谱图越相似，两者就越可能是同一种物质。

本发明提出的基于向量模型的谱图检索算法，将未知物质谱图和标准质谱库中的质谱图均表示成向量形式，通过计算向量之间的相似性来确定质谱图间的相似程度。两个向量的相似性计算采用的是基于p范数的计算公式。同时，又引入了谱峰强度比例因子，目的是提高检索的性能，综合考虑了质谱图向量间的相似程度和谱峰强度比例因子两个因素，提出了匹配因子的计算公式。最终的谱图检索结果按照匹配因子的大小排列，为定性分析提供可靠的依据。

具体实施方式

本发明采用的检索算法主要分为以下几个步骤。

1、谱图筛选

质谱数据库中存储了大量的标准质谱图，如果计算未知物质谱图与所有的标准谱图的匹配因子，势必会影响检索速度。因此，有必要在检索之前对质谱数据库里的标准质谱图进行筛选，去掉一些不相似的质谱图。本发明采用的筛选算法是首先将未知物质谱图中的最强锋与质谱库中的标准质谱图第一至第八强峰进行比较，看是否有相匹配的峰，然后将未知物质谱图中的第二强峰与质谱库中的标准质谱图第一至第九强峰比较，看是否有相匹配的峰，由此类推，直到将未知物质谱图中的第八强峰与质谱库中的标准质谱图第一至第十六强峰进行比较为止^[2]。若标准质谱图的谱峰中至少有5个峰与未知物质谱图中的谱峰相匹配，那么就将这个标准质谱图保存下来并进入到下一步的计算，其他不满足条件的标准质谱图都被筛掉。

2、峰强度比例缩放

一张质谱图中包含质荷比(m/z)和强度(I)两个信息，一张质谱图的特征也是由m/z和I共同决定的。因此，在设计检索算法时需要同时考虑质荷比和强度信息，一般来讲，强度大的峰比强度小的峰重要，高质量端的质量比低质量端的质量重要，质荷比比强度信息更重要。因此，为了达到更好的检索效果，在计算谱图相似性之前，需要对未知物的谱峰和标准质谱图的谱峰进行强度比例缩放，强度比例缩放的公式为(m/z)ⁿI^m。n和m的取值大小直接影响最后的检索结果。律俊祥等人提出的检索算法以为权重因子对峰强进行比例缩放，扈庆等人提出的算法以(m/z)I为权重因子进行比例缩放，两种检索算法得到的检索结果均不够理想。本发明中，采用的是n＝3和m＝0.5，谱图强度比例缩放的权重因子为(m/z)³I^0.5。

3、谱图的相似性计算

本发明相似性计算方法采用的是基于向量空间模型的方法。质谱数据可以以向量的形式表示。每幅质谱图都可以表示成一个n维向量(w₁,w₂,...,w_n)，其中，n表示质量数的个数，向量的每个分量w_i表示与第i个质量数相对应的权重值，即将未知物质谱图与质谱库的标准质谱图都表示成向量形式，如式(1)和式(2)所示。

Μ_S＝(w_S1,w_S2,...w_Sm)      (1)

M_S是未知物质谱图的向量表示形式，其中，是未知物质谱图中第i个质量数对应的权重值。

M_R＝(w_R1,w_R2,...w_Rn)    (2)

M_R是标准质谱图的向量表示形式，其中，是标准质谱图中第i个质量数对应的权重值。

未知物质谱图与标准质谱图的相似程度可以利用向量M_S和向量M_R之间相似度的计算方法来计算。向量之间的相似度计算方法主要有三种，分别是内积相似度计算、余弦相似度计算和基于p范数的相似度计算。向量Q＝(w_q1,w_q2,...,w_qn)与向量D＝(w_d1,w_d2,...,w_dn)的相似度计算如表(1)所示。

表1向量的相似度方法

基于向量之间相似度的计算方法，本发明中未知物谱图向量M_S和标准谱图向量M_R之间的相似度计算采用基于p范数的相似度计算公式。由于未知物谱图向量与标准谱图向量的维数不能确保一致，并且它们的每个分量对应的质量数也不能确保一致，因此，首要需要对向量M_S和向量M_R进行扩充，以保证两个向量的维数及每个分量对应的质量数一致。假设未知物质谱图中的质量数集合为m_S＝{(m/z)_S1,(m/z)_S2,...(m/z)_Sm}，强度集合为I_S＝{I_S1,I_S2,...I_Sn}。标准质谱图中的质量数集合为m_R＝{(m/z)_R1,(m/z)_R2,...(m/z)_Rn}，强度集合为I_R＝{I_R1,I_R2,...I_Rn}，取未知物质谱图的质量数集合m_S与标准谱图的质量数集合m_R的并集m_U＝{(m/z)₁,(m/z)₂...(m/z)_u}，并设mU中的元素个数为u个。

那么以m_U作为质量数集合，未知物质谱图的向量M_S可以写成下列形式。

Μ_S＝(w_S1,w_S2,...w_Su)       (3)

式中，w_Si为质量数(m/z)_i对应的权重值，它的值如式(4)所示。

$\left\{\begin{array}{cc}{w}_{\mathrm{Si}}={(m/z)}_i^3{I}_i^{0.5},& {(m/z)}_i\∈m_S\\ w_{\mathrm{Si}}=0,& {(m/z)}_i\∉m_S\end{array}\right.---\left(4\right)$

以m_U作为质量数集合，标准质谱图的向量M_R可以写成

Μ_R＝(w_R1,w_R2,...w_Ru)         (5)

式中，w_Ri为质量数(m/z)_i对应的权重值，它的值如式(6)所示。

$\left\{\begin{array}{cc}{w}_{\mathrm{Ri}}={(m/z)}_i^3{I}_i^{0.5},& {(m/z)}_i\∈m_R\\ w_{\mathrm{Ri}}=0,& {(m/z)}_i\∉m_R\end{array}\right.---\left(6\right)$

根据表(1)中基于p范数的向量相似度计算公式，未知物质谱图向量M_S与标准质谱图向量M_R之间的相似度计算公式如式(7)所示。

$F_d={\left[\underset{i=1}{\overset{u}{\mathrm{\Σ}}}{|w_{\mathrm{Si}}-w_{\mathrm{Ri}}|}^p\right]}^{\frac{1}{p}}---\left(7\right)$

计算得到的F_d的值越大，表明未知物质谱图向量M_S和标准质谱图向量M_R越相似，从而表明未知物质谱图与标准质谱图越相似，未知物与标准谱图代表的物质越有可能是同一种物质。

为了提高检索的性能，本发明在检索算法中引入了峰强度比例因子F_R的计算，如式(8)所示。

引入了峰强度比例因子

式中，N_S&R为未知物质谱图与标准质谱图共有峰的个数，若则n＝1，否则，n＝-1。F_R用来比较未知物质谱图与标准质谱图的谱峰强度的一致性，F_R越大，表明两个谱图越相似。

结合F_d和F_R两个因子，得到匹配因子MF的计算公式如式(9)所示。

式中，N_S表示未知物质谱图中峰的个数。用匹配因子MF表示未知物质谱图与标准质谱图的相似程度，检索结果将按照MF的大小排列，MF越大，表明两个谱图越相似，两者就越可能是同一种物质。

下面通过实验对本发明提出的谱图检索方法进行验证。

实验选用的主要仪器：气相色谱-质谱联用仪，美国Agilent公司产品，型号7890A/5975C，配有电子轰击离子源(EI)及MSD Productivity ChemStation。

试验样品：DDV STD，在对该样品的GC-MS数据，进行了纯净质谱图的提取后，提取出九种成分。分别用NIST05自带的检索软件和自编检索算法对其中几种成分进行定性分析，其中自编库中的标准谱图来源于NIST05质谱库，共20000张质谱图，基于p范数的向量相似度计算公式中p取值为2。检索结果对比如表(2)所示。

表2NIST05与自编算法的检索结果

(a)Pyridinium,1-(carboxymethyl)-,hydroxide,inner salt

(b)1H-pyrrole,2,3-dimethyl-

(c)Borazine,2-methyl-

(d)3-Buten-2-one,4-(2-furanyl)-

(e)Carbonic acid,1-methylethyl phenyl ester

(f)1,3,2-Dioxathiolane,4,dimethyl-,2-oxide

表(2)中NIST05质谱数据库的复制库是对主库的补充，两者包含相同的物质在不同的仪器条件下得到的标准质谱图。由表(2)中的结果可以看出，自编检索算法的前五位检索结果与NIST05自带检索软件的检索结果具有高度的一致性，可以实现正确的定性分析，表明自编的检索算法可以达到较好的检索性能。

Claims (1)

1.一种基于向量模型的气相色谱质谱谱图检索方法，包括下列步骤：

(1)根据未知物质的原始GC-MS数据，进行气相色谱质谱纯净谱图的提取；

(2)对质谱数据库里的标准质谱图进行筛选：将未知物质谱图中的最强锋与质谱库中的标准质谱图第一至第八强峰进行比较，看是否有相匹配的峰，然后将未知物质谱图中的第二强峰与质谱库中的标准质谱图第一至第九强峰比较，看是否有相匹配的峰，由此类推，直到将未知物质谱图中的第八强峰与质谱库中的标准质谱图第一至第十六强峰进行比较为止，若标准质谱图的谱峰中至少有5个峰与未知物质谱图中的谱峰相匹配，那么就将这个标准质谱图保存下来并进入到下一步的计算，其他不满足条件的标准质谱图都被筛掉；

(3)峰强度比例缩放：一张质谱图中包含质荷比m/z和强度I两个信息，一张质谱图的特征也是由m/z和I共同决定的，对未知物的谱峰和标准质谱图的谱峰进行强度比例缩放，谱图强度比例缩放的权重因子为(m/z)³I^0.5

(4)采用基于向量空间模型的方法进行谱图的相似性计算，根据计算结果进行谱图匹配，方法如下：

a)将每幅质谱图都可以表示成一个n维向量(w₁，w₂，...，w_n)其中，n表示质量数的个数，向量的每个分量w_i表示与第i个质量数相对应的权重值，即将未知物质谱图与质谱库的标准质谱图都表示成向量形式，未知物质谱图的向量表示形式M_S＝(w_S1，w_S2，...w_Sm)，其中，是未知物质谱图中第i个质量数对应的权重值，标准质谱图的向量表示形式M_R＝(w_R1，w_R2，...w_Rn)其中，是标准质谱图中第i个质量数对应的权重值；

b)采用基于p范数的相似度计算未知物质谱图与标准质谱图的相似程度，未知物质谱图向量M_S，与标准质谱图向量M_R之间的相似度计算公式为

c)计算得到的F_d的值越大，表明未知物质谱图向量M_S和标准质谱图向量M_R越相似，从而表明未知物质谱图与标准质谱图越相似，未知物与标准谱图代表的物质越有可能是同一种物质；

d)引入了峰强度比例因子式中，N_S&R为未知物质谱图与标准质谱图共有峰的个数，若则n＝1，否则，n＝-1，F_R用来比较未知物质谱图与标准质谱图的谱峰强度的一致性，F_R越大，表明两个谱图越相似；

e)结合F_d和F_R两个因子，得到匹配因子式中，N_S表示未知物质谱图中峰的个数，用匹配因子MF表示未知物质谱图与标准质谱图的相似程度，检索结果按照MF的大小排列，MF越大，表明两个谱图越相似，两者就越可能是同一种物质。