当前位置: 仪器信息网 > 行业主题 > >

近红外蛋白测定仪

仪器信息网近红外蛋白测定仪专题为您提供2024年最新近红外蛋白测定仪价格报价、厂家品牌的相关信息， 包括近红外蛋白测定仪参数、型号等，不管是国产，还是进口品牌的近红外蛋白测定仪您都可以在这里找到。 除此之外，仪器信息网还免费为您整合近红外蛋白测定仪相关的耗材配件、试剂标物，还有近红外蛋白测定仪相关的最新资讯、资料，以及近红外蛋白测定仪相关的解决方案。

近红外蛋白测定仪相关的论坛

  • 【原创大赛】Micro NIR1700型近红外光谱仪用于蛋白含量测定的可行性研究

    【原创大赛】Micro NIR1700型近红外光谱仪用于蛋白含量测定的可行性研究

    Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]用于蛋白含量测定的可行性研究摘要：Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]与AntarisⅡ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]相比具有体积小、质量轻、便携的特点，更适合用于生产现场检测。本文采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url] 1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对蛋白含量进行检测，对其用于蛋白含量测定的可行性进行分析。通过相关系数法选出更合理的波段，提高模型的预测能力，从而建立了用于人血白蛋白原液蛋白含量快速检测的定量模型。关键词：微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]；蛋白含量测定；定量分析模型1材料1.1 试剂49个不同蛋白含量的样品：采用半微量凯氏定氮法进行蛋白含量的测定，测定得到17个样品的蛋白含量。用生理盐水稀释样品，共得到49个不同蛋白质含量的样品。1.2 仪器和软件Micro[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]（JDSU公司，美国）； MATLAB 2015a处理软件（Mathworks，美国）；PLS_Toolbox工具箱（Eigenvector Research，美国）。2方法2.1样品光谱的采集采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]进行蛋白光谱的采集，采样方式为透射采样，波长范围908.1-1676.0 nm，积分时间为28000 μs，扫描次数为50次。用1 mm光程比色皿进行采样，每个蛋白样品采集3次，求其平均光谱作为样品光谱。每张[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]光谱由125个变量点组成。2.2校正集和验证集的划分样品集的划分采取SPXY分类算法，以1:1的比例进行校正集、验证集的划分，最终25个样品集被划分为校正集，24个样品被划分为验证集。分析样品的PCA得分图评价分类结果。2.3 预处理方法的选择采用标准化（Auto scale）、均值中心化（Mean Center）、一阶导数（First Derivative，FD）SG5点平滑、二阶导数（Second Derivative，SD）SG5点平滑等预处理方法进行了考察，以模型的RMSEP为指标，选择最佳的预处理方法。通过留一交互验证法，以RMSECV的值选择最佳主因子数。2.4光谱区间的选择采用Reverse iPLS方法、相关系数方法进行光谱区间的选择，优化光谱区间，以建立较优的模型。3 实验结果3.1近红外原始光谱图分析图1为Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]透射采样得到的原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]光谱图。从原始光谱图中无法得知有关蛋白含量的信息，因此本研究中需用化学计量学知识对样品的原始光谱进行处理。[align=center] [img=,475,213]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151936_01_1626619_3.png[/img][/align][align=center]图1原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]图[/align]3.2校正集和验证集的划分本研究选择SPXY算法，以1:1的比例进行校正集、验证集的划分，最终25个样品集被划分为校正集，24个样品被划分为验证集。图2为样品集的划分结果。图2为49个蛋白样品的前两个主成分的得分散点图，其中红色为验证集，灰色为校正集，从图中可知校正集样品和验证集的样品分散较好，这表明校正集、验证集划分较合理。[align=center] [img=,460,204]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151937_02_1626619_3.png[/img][/align][align=center]图2 样品主成分得分图[/align]3.3 光谱预处理结果本研究中，分别比较了Mean Center、Auto scale、平滑和导数以及不同处理方法组合的预处理方法对建模结果的影响，并以RMSEP作为模型的评价指标。表1为经不同预处理后的PLSR建模结果，由表中结果可知，经过二阶导数、SG5点平滑和Auto scale预处理后模型的Rp2提高， RMSEP明显下降，说明经过二阶导数、SG5点平滑和Auto scale预处理能够提高模型的有效性。图3为经预处理后较优模型的结果，模型结果为Rc2=0.993，Rp2=0.953，RMSEC=0.2143%，RMSEP=0.5354%，RMSECV=0.3382%。[align=center]表1不同预处理后各模型参数[/align][align=center][img=,638,223]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151938_01_1626619_3.png[/img][/align][align=center][img=,489,211]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151939_01_1626619_3.png[/img][/align] [align=center]图3二阶导数+SG平滑+Autoscale[/align]3.4 光谱区间选择结果分别采用Reverse iPLS方法、相关系数方法对模型的光谱区间进行优化，消除无关变量对模型的影响。以RMSEP值为指标来评价模型，其中RMSEP值越小模型结果越好。3.4.1Reverse iPLS选择波段本研究采用Reverse iPLS方法选择波段，考察50个变量间隔的选择结果。从图4可知，绿色部分为建模采用的波段，红色部分为舍弃波段范围。图5为采用Reverse iPLS方法选择的波段范围建立的模型的预测结果。其中RMSEP值有所降低，表明模型的预测误差降低。表明此区间包含的有效信息可提高模型的预测能力。[align=center][img=,532,234]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151940_01_1626619_3.png[/img][/align][align=center]图4 Reserve iPLS 选波段结果图[/align][align=center][img=,497,224]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151940_02_1626619_3.png[/img][/align][align=center]图5 Reserve iPLS法预测结果图[/align]3.4.2相关系数法选择光谱变量采用相关系数法求得光谱中各变量与蛋白浓度之间的相关系数图，相关系数越大，区间内包含的有效信息越多。图6为求得的相关系数图。[align=center][img=,483,211]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151942_01_1626619_3.png[/img][/align][align=center] 图6 相关系数图[/align]选择相关系数绝对值大于0.4的光谱区间建立近红外定量模型，选择建立模型的变量数为25个。图7为变量选择的结果图。[align=center][img=,520,229]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151943_01_1626619_3.png[/img][/align][align=center]图7 相关系数法变量选择图[/align]使用相关系数法选择的25个变量建立PLSR模型，建模结果见图8中所示。与全波段建模结果相比，模型的RMSEP值降低，表明模型的外部预测误差有所减小，从而提高了模型的准确性。[align=center][img=,474,209]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151945_01_1626619_3.png[/img][/align][align=center] 图8 建模结果图[/align]3.5 确定最佳定量分析模型采用二阶导数、SG5点平滑和Auto scale预处理后，使用Reverse iPLS方法和相关系数方法选择光谱的有效波段。两种变量选择方法建立的模型结果见表2所示。[align=center]表2不同变量建模结果比较[/align][align=center][img=,604,171]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151946_01_1626619_3.png[/img][/align]经过比较，其中相关系数法选择25个变量建立的PLSR定量模型的预测均方根误差结果最小，说明建立模型的预测能力更佳。所以本研究采用二阶导数、SG5点平滑和Auto scale预处理后选择相关系数法确定25个变量建立最佳定量分析模型。模型结果为Rc2=0.977，Rp2=0.958，RMSEC=0.3983%，RMSECV=0.5653%，RMSEP=0.5334%。4结论和讨论本研究用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对建立的人血白蛋白原液蛋白含量定量分析模型的可行性进行分析。采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对49个样品进行光谱采集，然后选择不同的光谱预处理方法进行预处理，经过结果比较选择二阶导数、SG5点平滑和Auto scale进行光谱预处理；采用Reverse iPLS方法和相关系数方法，对光谱的有效区间进行选择，最终使用相关系数法选择25个变量建立蛋白含量的最佳定量分析模型。所建立的模型结果为Rc2 =0.977，Rp2=0.958，RMSEC=0.3983%，RMSECV=0.5653%，RMSEP=0.5334%。此研究结果表明，Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]所建立的模型用于人血白蛋白原液中蛋白含量的检测是可行的，同时Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]以其质量轻、体积小以及成本低的优势，在蛋白快速检测方面将有广阔的应用前景。参考文献吴清, 周法根. 脑梗死治疗中白蛋白应用价值的探讨 . 心脑血管病防治, 2005, 5(2): 49-50.王华平, 米宇俊. 人血白蛋白治疗肾综合征出血热低血压休克患者疗效观察 . 医师进修杂志, 2001, 24(8):20-21.郑红光, 杨志藩, 关欣. 静脉输注人血白蛋白对肾病综合征的正负临窗效应观察 . 中国实用内科杂志, 2003, 23(1):25-27.刘丽萍. 人血白蛋白在肝硬化资料中的应用 . 中国医院用药评价与分析, 2013, 13(5):388-390.常花蕾, 史涛. 人血白蛋白临床不合理应用及改进措施 . 中国药物应用与监测, 2014, 11(1): 52-54.孙世光, 余明莲, 王建民, 张国辉. 人血白蛋白的临床应用误区及其对策 .解放军药学学报, 2009, 25(4):366-368.

  • 粗蛋白快速测定仪

    求购一台粗蛋白快速测定仪，用于饲料厂检测原料，要求快速，结果准确（跟凯斯定氮仪结果比对）。

  • 【原创大赛】近红外光谱快速检测人血白蛋白原液蛋白质含量的建模研究

    【原创大赛】近红外光谱快速检测人血白蛋白原液蛋白质含量的建模研究

    [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]快速检测人血白蛋白原液蛋白质含量的建模研究摘要：本研究建立[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]定量分析模型，对浓缩液蛋白含量进行快速及有效的测定。在实验室条件下配置不同浓度的蛋白样品，建立用于蛋白含量测定的定量分析模型，以实现浓缩液蛋白含量的快速及有效的判断。关键词：[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术；人血白蛋白；定量分析模型1材料1.1 试剂供试品：人血白蛋白原液；生理盐水。1.2 仪器和软件AntarisⅡ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]（美国Thermo Fisher scientific公司）；内径4×50 mm的玻璃小管（Kimble Chase，德国）； MATLAB 2015a（美国Mathworks公司）；PLS_Toolbox工具箱（美国Eigenvector Research公司）。2方法2.1 蛋白含量的测定及样品溶液的配制2.1.1 蛋白质含量的测定取生产过程中超滤浓缩后的人血白蛋白原液为实验供试品，用半微量凯氏定氮法测定蛋白质浓度，浓度应不低于26.5%。2.1.2样品溶液的配制根据试验需要，将供试品溶液用生理盐水进行稀释得到多个不同蛋白质浓度的实验样品。2.2 样品光谱的采集本实验使用AntarisⅡ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]，采用透射分析模块，采用仪器自带的RESULT-Intergration软件编写采集光谱的工作流程。光谱分辨率为8 cm-1，扫描范围为10000-4000 cm-1，扫描次数为32次，用偏最小二乘回归（Partial Least Squares Regression, PLSR）方法建立定量模型。2.3 校正集和验证集的划分校正集中的样品应包含使用该模型预测的未知样品的所有化学成分。且校正集中的样品的化学成分浓度范围应覆盖使用该模型预测的未知样品中可能存在的浓度范围。而且验证集中的样品应涵盖使用模型分析的待测样品中的化学组成，测定浓度范围也应尽可能覆盖该模型分析的待测样品可能存在的浓度范围，且分布均匀。所以，需要选择合理的样品集划分方法，以提高模型的应用性及准确性。2.4 预处理方法的选择为了消除噪声和产生的基线漂移，提高模型的预测能力，得到稳健的模型，需要在模型建立前对样品的原始光谱进行预处理，常用的谱图处理方法有均值中心化（Mean Center）、标准化（Auto scale）、平滑和导数等。导数是常用的基线校正和光谱分辨预处理方法，但也会放大噪声的信号，降低光谱的信噪比；为消除光谱变换带来的噪声，常对原始光谱进行平滑后求导，能有效提高信噪比；均值中心化可增大不同样品之间的差异，从而使模型的稳健性和预测能力得到提高；标准化可以使光谱中所有波长变量的权重相同，增加光谱之间差异化，适合于低浓度成分的建模。本研究中对Auto scale、Mean Center、一阶导数（First Derivative，FD）SG13点平滑、二阶导数（Second Derivative，SD）SG13点平滑等预处理方法进行了考察，以模型的RMSEP为指标，选择最合适的预处理方法。2.5 光谱区间的选择[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]信息十分复杂，在建立校正模型的过程中选择有效的建模变量是十分必要的。本研究选用间隔偏最小二乘法（Interval Partial Least Squares Regression, iPLS)），以RMSECV值为评价标准，选择变量区间以建立最佳的定量模型。3 实验结果3.1 蛋白质含量的测定结果采用半微量凯氏定氮法进行蛋白含量的测定，测定得到17个样品的蛋白含量。用生理盐水稀释样品，共得到49个不同蛋白质含量的样品。3.2 样品的原始光谱图1为49个蛋白样品的原始光谱，原始光谱图中可见各样品的光谱差异不明显，因此需要使用化学计量学方法对样品光谱进行处理。[align=center][img=,494,237]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151606_01_1626619_3.png[/img][/align][align=center]图1 样品原始光谱图[/align]3.3 校正集和验证集的划分结果本研究采用Kennard-Stone（K-S）分类的算法，按照2:1的比例进行样品集的划分，划分为33个校正集样品和16个验证集样品。图2为校正集样品和验证集样品的主成分得分图，图中灰色点为校正集样品，红色点为验证集样品，从主成分得分图中可以看出，校正集样品和验证集样品分布比较均匀，且验证集样品比较均匀的分布在校正集样品之间，符合理想校正集和验证集的要求。[align=center] [img=,467,301]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151608_01_1626619_3.png[/img][/align][align=center]图2 样品主成分得分图[/align]3.4 光谱预处理的结果建模过程中，分别采用各种方法对光谱数据进行预处理，包括标准化（Auto scale）、均值中心化（Mean Center）、一阶导数（First Derivative，FD）、SG13点平滑、二阶导数（Second Derivative，SD）等处理方法，以RMSEP作为评价模型的参数，通过对比预处理后的建模结果，选出最合适的预处理方法。表1列出了预处理后各模型的评价参数，通过比对，可以较直观的选出一阶导数SG13点平滑和Mean Center的组合为最佳预处理方法。图3所示为用经过一阶导数SG13点平滑和Mean Center 预处理后的光谱所建立的模型的结果，从图3中可以看出，建模效果较好，预测能力较高，Rc2=0.994，Rp2=0.986，RMSEC=0.1993%，RMSEP=0.2585%，RMSECV=0.2518%。[align=center]表1 不同预处理后各模型参数[/align][align=center][img=,629,241]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151613_01_1626619_3.png[/img][/align][align=left]FD+SG：一阶导数+SG13点平滑[/align][align=left]SD+SG：二阶导数+SG13点平滑[/align][align=center][img=,572,305]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151616_01_1626619_3.png[/img][/align][align=center]图3 一阶导数+SG平滑+ Mean Center[/align]3.5 光谱区间的选择结果通过筛选光谱区间，可以选择与样品白蛋白含量相关性大的光谱变量进行建模，去掉大量无关信息，减少模型的计算量，使得模型的效果更好。本实验采用iPLS进行变量的选择。将光谱进行SG13点平滑+一阶导数+ Mean Center预处理后，分别采用Forward iPLS和Reverse iPLS方法选择最佳的光谱区间，改变窗口宽度，分别选择最佳变量，以RMSECV为标准选择谱区。3.5.1Forward iPLS选择波段采用FiPLS的方法以RMSECV为标准选取最佳的光谱区间，分别选择50、100、200个变量进行自动选择，如表2所示窗口宽度为100个变量时建模结果较佳，结果图4所示。[align=center]表2 Forward iPLS结果[/align] [align=center][img=,645,163]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151618_01_1626619_3.png[/img][/align][align=center][img=,517,246]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151619_01_1626619_3.png[/img][/align][align=center]图4 Forward iPLS波段结果图[/align]由图4中可以看出，绿色部分为建模的波段，图5为建模预测结果图。[align=center][img=,551,291]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151620_01_1626619_3.png[/img] [/align][align=center]图5 Forward iPLS建模结果图[/align]3.5.2 Reverse iPLS选择波段采用Reverse iPLS的方法选取最佳的光谱区间，同样，分别选择50、100、200个变量进行自动选择，如表3所示窗口宽度为50个变量时建模结果较佳，波段选择结果如图6所示。[align=center]表3 Reverse iPLS结果[/align][align=center][img=,652,456]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151622_01_1626619_3.png[/img][/align] [align=center]图6 Reserve iPLS 选波段结果图[/align]如图6中所示，其中绿色部分为建模波段，图7为预测结果。[align=center][img=,520,228]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151624_01_1626619_3.png[/img][/align][align=center]图7 Reserve iPLS 建模结果图[/align]通过采用Forward iPLS和Reservei PLS波段选择方法建立PLSR模型，经过两种方法中选择的最优变量的对比（见表4），选择窗口宽度为100变量的Forward iPLS变量选择方法建立的模型最佳。最终建立的PLSR模型结果：模型的参数为Rc2=0.997，Rp2=0.987，均方根误差RMSEC=0.1394%，RMSEP=0.2560%，RMSECV= 0.1831%，建模结果较好。[align=center]表4不同变量选择方法的建模结果[/align][align=center][img=,641,142]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151629_01_1626619_3.png[/img][/align]3.6 一级数据与预测值比较对16个验证集样品的传统方法获得的蛋白含量和NIRS蛋白含量预测值进行偏差分析，结果见表5所示。蛋白含量一级数据和预测值的平均偏差和相对平均偏差的计算公式见式1和式2，蛋白含量NIRS的预测值和一级数据间的平均偏差为0.17，相对平均偏差为0.81，两者都较低，说明了NIRS和传统的凯氏定氮法结果相差较小，表明NIRS用于蛋白含量测定的准确性和可靠性。[align=center][img=,372,89]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151631_01_1626619_3.png[/img][/align]式中yi, actual为传统凯氏定氮方法得到的一级数据值，yi, predicted为NIRS得到的预测值，n为验证集样品数量。[align=center]表5 验证集样品方法结果比较表[/align][align=center][img=,585,86]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151632_01_1626619_3.png[/img][/align]3.7 预测值的精密度通过重复测量光谱计算，建立的蛋白含量校正模型的预测精密度。随机选取验证集样品中的1号、15号、35号、42号和47号样品，每个样品重复测量10次，然后采用建立的蛋白含量模型采集以上样品的光谱，得到样品的预测值。然后计算每个样品预测值的平均值、标准偏差和相对标准偏差，用这些指标来表示预测的精密度，结果见表6。如表中所示， RSD值均在1.0%以下，远远低于5.0%，证明了模型的精密度良好。[align=center]表6 模型精密度考察结果[/align][align=center][img=,584,394]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151636_01_1626619_3.png[/img][/align]4结论和讨论本研究建立了人血白蛋白生产过程中蛋白含量测定的近红外定量模型，用于人血白蛋白原液蛋白质含量的测定，为下一步原液的生产配制提高依据。首先，取生产过程中的样品17个，用凯氏定氮法测得各个样品的蛋白含量，然后在实验室条件下，用生理盐水配制成49个不同浓度的蛋白样品。对49个样品进行[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的采集，然后对样品进行校正集和验证集的划分，对光谱进行预处理方法和不同的变量选择方法进行了考察；采用Kennard-Stone（K-S）分类的算法，按照2：1的比例进行样品集的划分，优先选出Mean Center +一阶导数SG13点平滑的预处理方法，并采用窗口宽度为100变量的Forward iPLS变量选择方法选出变量区间，最终建立最佳的近红外定量模型。最终建立的PLSR模型结果：Rc2=0.997，Rp2=0.987，均方根误差RMSEC=0.1394%，RMSEP=0.2560%，RMSECV= 0.1831%。除此之外，对模型进行了重复性考察，从结果可知模型具有较好的重复性。在模型的建立中，选用Kennard-Stone（K-S）分类的算法进行样品集的划分，通过PCA分析得到具有代表性的校正集和验证集样品。在预处理方法的选择中，分别选用Autoscale、Mean Center、SG平滑一阶导数以及各预处理方法的组合进行预处理方法的考察，其中SG平滑中，不同的窗口宽度会对平滑产生不同的效果，窗口宽度越宽平滑效果越好，但也会丢掉有用的信息，经过考察选择13点平滑时结果较佳。参考文献吴清, 周法根. 脑梗死治疗中白蛋白应用价值的探讨 . 心脑血管病防治, 2005, 5(2): 49-50.王华平, 米宇俊. 人血白蛋白治疗肾综合征出血热低血压休克患者疗效观察 . 医师进修杂志, 2001, 24(8):20-21.郑红光, 杨志藩, 关欣. 静脉输注人血白蛋白对肾病综合征的正负临窗效应观察 . 中国实用内科杂志, 2003, 23(1):25-27.刘丽萍. 人血白蛋白在肝硬化资料中的应用 . 中国医院用药评价与分析, 2013, 13(5):388-390.常花蕾, 史涛. 人血白蛋白临床不合理应用及改进措施 . 中国药物应用与监测, 2014, 11(1): 52-54.孙世光, 余明莲, 王建民, 张国辉. 人血白蛋白的临床应用误区及其对策 .解放军药学学报, 2009, 25(4):366-368.

  • 【原创大赛】基于近红外光谱分析技术的人纤维蛋白原工艺过程纤原产品水分的快速检测

    中文摘要： 目的 利用近红外光谱分析技术可以有效的对纤原冻干产品的水分含量进行实时测定，优化冻干过程。 方法 选取冻干完成后制品为研究对象，制备了水分含量有一定梯度的样品共60个，用积分球漫反射模块采集其近红外光谱，然后用卡尔费休容量滴定法测定每个样品的水分含量作为一级数建立近红外模型，以R2、RMSEC、RMSECV、RMSEP对模型进行评价。结果 模型各项参数为：R2=0.881，RMSEC=0.4426，RMSECV=0.8370，RMSEP=0.6311。 结论 所建立模型可作为在线监控纤原冻干过程水分含量的基础，将冻干设备进行相关的改造后，借助光纤可实现产品水分含量的实时监测。关键词：近红外光谱分析；人纤维蛋白原；水分人纤维蛋白原（HumanFibrinogen，Fg）是血浆的主要成分，含量高达2~4 g/L。在人凝血反应的最后阶段在凝血酶与人凝血因子ⅩⅢ、Ca2+作用下形成纤维蛋白凝胶，将血液有形成分包绕其中，达到止血的目的。纤维蛋白原的原液经配制、分装后，进行冷冻干燥，使产品的水分含量控制在5%以下。人纤维蛋白原工艺过程纤原产品水分的检测是使用卡尔费休水分测定方法，该传统方法费时费力，对产品具有破坏性，极易引入误差而使测定不准确。在制药领域，NIRS作为一种重要的PAT工具，已成功用于药物的原辅料质量评价、关键过程的监测和控制、成品的快速放行和质量检测等各个环节，为保证产品质量、降低生产成本、革新生产过程发挥了重要的作用。利用近红外光谱分析技术可以有效的对纤原冻干产品的水分含量进行实时测定，从而极大地优化冻干过程。1材料1.1试剂人纤维蛋白原（冻干剂，山东泰邦生物制品有限公司，批号201409S02）；甲醇（分析纯，国药集团化学试剂有限公司）；卡尔·费休试剂（KFR-06型，天津市科密欧化学试剂有限公司）。1.2仪器Antaris Ⅱ傅里叶变换近红外光谱仪（美国ThermoFisher scientific公司），附件配置：积分球漫反射检测器；KF-4型自动水分测定仪（南京科环分析仪器有限公司）；EL204电子天平（METTLER TOLEDO公司）。2方法2.1样品制备取若干瓶纤原样品，开盖后置于37℃水浴锅中，通过放置不同的时间，制备出水分含量有一定梯度的样品，样品取出后加盖密封，平衡一段时间。共得到60个样品。2.2采集近红外光谱用Antaris Ⅱ傅里叶变换近红外光谱仪的积分球采样模块对60个纤原样品进行光谱采集，扫描范围为10000-4000 cm-1，分辨率为8 cm-1，扫描次数64次，每小时扫描一次背景。2.3测定样品水分含量依据2010版中国药典规定，采用卡尔费休容量滴定法，测定样品的水分含量。测定用KF-4型自动水分测定仪完成，先进行标定，记录10mg蒸馏水所消耗的卡尔费休试剂的体积，然后进行测定，向反应杯中加入一定量的样品粉末，记录滴定至终点时所消耗的卡尔费休试剂的体积，最后通过计算得到样品的水分含量。2.4划分校正集和验证集采用K-S分类的方法将样品划分为校正集和验证集，二者的比例为2:1，得到40个校正集样品和20个验证集样品。2.5预处理方法的选择通过对原始光谱数据进行平滑、微分等预处理，可消除仪器背景或基线漂移等对光谱的影响。本次建模过程考察了MSC、SNV、一阶导数SG11点平滑、二阶导数SG11点平滑，以及MSC、SNV分别和二阶导数联用的多种方法，依据处理后的建模结果确定最终使用的方法。2.6选择光谱区间通过光谱变量的筛选，可去除大量的无关变量，大大减少建模的计算量，节省时间。本次建模过程考察了相关系数法和iPLS两种变量选择的方法，并依据模型的结果确定最终的光谱区间。3结果3.1样品的水分含量测定结果依据药典三部附录VIID 水分测定法第一法，测得60个样品的水分含量范围为1.7244-7.2012，将其作为建模用的一级数据。3.2纤原样品的近红外光谱图1为积分球漫反射模块采集的60个样品的光谱。从图中可以看出，样品的近红外光谱谱带较宽且重叠严重，而且基线漂移比较严重，不能从光谱直接得到样品水分含量的信息，需要采用化学计量学的方法对光谱进行处理和信息提取，最终建立水分含量的定量分析模型。data:image/png;base64,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

  • 【求助】哪种近红外分析仪更适合农作物种子品质检测？

    我一个朋友要做作物种子品质检测，主要就是测种子中蛋白、脂肪、纤维等有关品质方面的，不知选哪一种近红外分析仪更适合？价格是多少？用了近红外分析仪是否就可以不需要蛋白质测定仪和脂肪测定仪了？因为看资料用近红外测更方便、快捷！

  • 利用近红外分析蛋白质的组成

    我想利用近红外分析一些蛋白质的组成，不需要分析氨基酸的成分，只想分析的蛋白亚基的程度，目前打算先做定标，有做过的朋友可不可以交流一下啊。我的邮箱：alex_qq@hotmail.com

  • 如何利用近红外光谱分析技术检测发酵产物中的蛋白质含量？

    [font='Times New Roman'][font=宋体]蛋白质是复杂的含氮有机化合物，不同蛋白质的含氮量不同，测定蛋白含量一般采用凯氏定氮法，但该方法操作步骤繁琐，消耗试剂（如浓硫酸、氢氧化钠等），检测时间长。近年来多采用蛋白质分析仪进行测定，但仍需要对样品做复杂的预处理，费时费力。采用[/font][/font][font=宋体][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术[/font][font='Times New Roman'][font=宋体]可缩短检测时间，可快速预测发酵产物中的蛋白质含量，不仅可以避免因为时效性差而引起的目标产物产量不稳定，还可以防止因为外界环境变化引起的蛋白质失活变性。同理，发酵的其他目标产物，如抗生素、维生素、有机酸等，也可以利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]来快速预测目标产物含量。[/font][/font]

  • 求助近红外分析蛋白质建模

    我想利用近红外分析一些蛋白质的组成，不需要分析氨基酸的成分，只想分析的蛋白亚基的程度，目前打算先做定标，有做过的朋友可不可以交流一下啊。我的邮箱：alex_qq@hotmail.com

  • 【原创大赛】基于近红外光谱分析技术人血白蛋白生产过程组分I+II+III上清液乙醇沉淀环节控制研究

    中文摘要： 目的 实验室规模通过近红外光谱分析技术对人血白蛋白醇沉过程进行监测，为提高组分I+II+III上清液乙醇沉淀环节收率提供支持。 方法 实验室条件下模拟8批正常过程和3批异常过程。定性模型以6个正常批次作为校正集建立主成分分析模型，2个正常批次和3个异常批次作为验证集考察模型过程监测和错误诊断能力。定量模型以醇沉过程中人血白蛋白含量和总蛋白含量作为建模指标，6个正常批次样品作为校正集，2个正常批次样品作为验证集，建立了可用于人血白蛋白和总蛋白含量快速准确测定的偏最小二乘回归模型。 结果 定性的主成分分析模型和定量偏最小二乘回归模型可实现醇沉过程的监测和错误判断。 结论 利用近红外光谱分析技术结合化学计量学对人血白蛋白生产过程中的FI+II+III上清液醇沉过程进行监测的方法可行。关键词：近红外光谱分析技术；组分I+II+III；化学计量学；醇沉淀 人血白蛋白（Human Albumin，HA）是最早从人血浆中提取并应用于临床上的血液制品。组分（Fraction, F）I+II+III上清液醇沉过程是HA生产过程中的重要一步，其目的是去除各种杂蛋白，得到FIV上清液，为下一步醋酸缓冲液沉淀过程做准备。目前人血白蛋白组分I+II+III上清液醇沉过程生产过程的控制模式大都采用离线的方式，即当乙醇加入到含量为40%时醇沉过程结束，然后取样进行实验室化验，其结果严重滞后于生产过程，无法实时的监测指导生产过程的进行。在制药领域，NIRS作为一种重要的PAT工具，已成功用于药物的原辅料质量评价、关键过程的监测和控制、成品的快速放行和质量检测等各个环节，为保证产品质量、降低生产成本、革新生产过程发挥了重要的作用。本研究中利用NIRS结合化学计量学对HA生产过程中的FI+II+III上清液醇沉过程进行监测，以实现醇沉环节的过程控制。1 材料1.1 试剂FI+II+III压滤后上清液（山东泰邦生物制品有限公司）；95%乙醇（分析纯，国药集团化学试剂有限公司）；去离子水。1.2 仪器和软件 Antaris II傅里叶变换近红外（Fourier Transform NearInfrared, FT-NIR）光谱仪（美国Thermo Fisher Scientific公司），液体透射采样模块，内径为4×50 mm的玻璃小管（德国Kimble Chase公司）；低温反应仪（郑州长城科工贸有限公司）；BF300恒流泵（保定齐力恒流泵有限公司）；Alpha 1-2 LD实验室型冻干机（德国Christ公司）；高速离心机（Thermo Fisher Scientific公司）；MATLAB 2010a（美国Mathworks公司）；PLS_Toolbox工具箱（美国Eigenvector Research公司）。2 方法2.1 醇沉过程正常醇沉过程：醇沉过程在低温反应仪中进行，温度设定和实际生产反应温度一致。每个批次取100 mL FI+II+III压滤后上清液置于250 mL的圆底烧瓶中，恒流泵加入95%乙醇的速度为1 mL/min。醇沉开始前以及醇沉过程中每隔3 min取样1 mL用于光谱的采集及蛋白含量的测定。异常醇沉过程：本研究中为考察定性

  • 【原创大赛】基于近红外光谱分析技术的人纤维蛋白原工艺过程流穿液中蛋白质含量的快速检测

    中文摘要： 目的 利用近红外光谱分析技术，建立原液中总蛋白及纤原含量的检测模型，实现原液的快速检定。 方法 选取层析过程流穿液为研究对象，收集流穿液制备了一系列不同浓度的样品，共60个，用透射模块采集其近红外光谱。建模过程中，首先用K-S方法将样品划分为40个校正集和20个验证集，简历模型，用R2、RMSEC、RMSECV、RMSEP对模型进行评价。 结果 建立模型的各项参数为：R2=0.995，RMSEC=0.1911，RMSECV=0.2245，RMSEP=0.1662。 结论 所建立的方法，可以快速准确的对层析流穿液的蛋白含量进行在线检测，如果应用于生产，还可以对层析过程进行饱和度分析，确定最优的层析方案。关键词：近红外光谱分析；人纤维蛋白原；层析流穿液； 蛋白质含量人纤维蛋白原（HumanFibrinogen，Fg）是血浆的主要成分，含量高达2~4 g/L。在人凝血反应的最后阶段在凝血酶与人凝血因子ⅩⅢ、Ca2+作用下形成纤维蛋白凝胶，将血液有形成分包绕其中，达到止血的目的。在纤维蛋白原的生产过程中，通过层析收集流穿液进行下一步的制备。当离子交换树脂吸附饱和时停止收集，目前填料饱和度的判断通过检测流穿液中纤原的纯度来进行，采用凯氏定氮法分别检测原液中总蛋白的含量，进而计算得出。在制药领域，NIRS作为一种重要的PAT工具，已成功用于药物的原辅料质量评价、关键过程的监测和控制、成品的快速放行和质量检测等各个环节，为保证产品质量、降低生产成本、革新生产过程发挥了重要的作用。利用近红外光谱分析技术，建立原液中总蛋白及纤原含量的检测模型，可以实现原液的快速检定以及在线监测，提高生产效率。1实验材料与仪器1.1试剂纤维蛋白原层析流穿液（山东泰邦生物制品有限公司，批号201409S05，蛋白含量9.70mg/mL）；注射用水。1.2仪器Antaris Ⅱ傅里叶变换近红外光谱仪（美国Thermo Fisher scientific公司），附件配置：透射检测器，1mm光程玻璃比色皿；Result光谱采集软件；Matlab 2009化学计量学软件（美国Mathworks公司）。2方法2.1样品制备在纤原的生产过程中，对层析时的流穿液留样。按照不同的比例用注射用水将流穿液稀释，得到含有不同蛋白含量的样品共60个。2.2近红外光谱采集每个样品取适量装于光程4mm的比色皿中，采集其透射光谱，扫描范围为10000-4000cm-1，分辨率为8 cm-1，扫描次数32次，每小时扫描一次背景。2.3校正集和验证集的划分采用K-S分类的方法将样品划分为校正集和验证集，二者的比例为2:1，得到40个校正集样品和20个验证集样品。2.4预处理方法的选择本研究考察了Autoscale、均值中心化、一阶导数，以及两种方法联用等预处理方法对光谱数据进行处理后，对建模结果的影响，并以此选择最佳的预处理方法。2.5光谱区间的选择本研究中分别采用iPLS和GA筛选光谱变量，使用选择的谱区建立PLS模型，并依据模型结果的优劣确定最终使用的变量选择方法，从而更好地提高模型的性能。2.6重复性考察随机挑选3个验证集样品，每个样品重复测定10次光谱，用所建立的定量模型预测其蛋白含量，计算每个样品预测值的平均值和标准偏差。用χ2检验考察这些重复性标准偏差是否属于同一总体，若属于，则近红外方法的重复性按z×data:image/png;base64,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×σ算出。3.结果3.1样品蛋白含量的分布共制备60个样品，其蛋白含量范围在0.2425 mg·mL-1~9.7000 mg·mL-1，且分布较为均匀。3.2样品的近红外光谱采集的60个样品的原始透射光谱如图1所示。data:image/png;base64,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

  • 【讨论】便携式近红外定量检测酶力肽的蛋白质含量的模型建立及问题

    最近使用新买的便携式近红外设备，对酶力肽进行了蛋白质的湿化学方法检测，然后对样品光谱进行采集，通过定量分析模型的建立、优化，尝试对样品进行回归测定。蛋白质采用凯氏定氮法，按同一标准，粉碎蛋白有一定差异的样品（同一粉碎机、粉碎时间），测定出样品蛋白质含量的真值：70-90%（主要是含水量不同造成的差异）。光谱采集分粉碎样品和原始样品两种类型，分别建模。结果：总体不错。但有几个问题需要大家注意。1. 粒度对模型和检测结果影响非常大，一定要粉碎一致。不同粒度下建立的模型检测结果误差很大，尤其是未粉碎的，误差更大。粉碎的样品结果一致性很好2.由于采用漫发射光谱，光源直接贴近样品照射，同一位点进行定量检测时如果不移动，每次的检测结果都会变化，但按绝对值增大约1%的幅度增加。我感觉可能与长期一直照射的情况下，样品内部温度发生变化导致水分发生移动，或漫反射的能量加强导致检测结果不稳定。但哪个是主要原因呢？？？

  • 供应美国帝强近红外品质分析仪和快速水分仪

    供应美国帝强近红外品质分析仪和快速水分仪

    [em46] [em45] [em54] [em17] [em17] 美国帝强公司INSTALAB600系列近红外品质分析仪美国联邦谷物检验服务中心核准的测定蛋白、油脂、水分等成份的法定仪器无需任何化学药剂，迅速（10秒）准确测定多种成份：水分、蛋白、油脂、灰份、面筋、淀粉、白度、纤维、硬度等；适用范围：所有谷物，油料作物，饲料，食品，饲料，乳制品等的成份分析：小麦、面粉、方便面、玉米、水稻、大豆、花生、油菜籽、葵花籽、饼粕、饲料、奶粉、黄油等；设计及操作全部计算机化；精确度为美、加及欧洲谷物界权威认可：美国农业部联邦谷物检验服务中心（USDA, FGIS-Federal Grain Inspection Service）及多个欧洲国家指定用于大豆、小麦、面粉等多种谷物及谷物产品的成份测定。美国帝强GAC2100AGRI 高精度快速谷物水分测定仪全自动的测定仪⊙ 自动进样⊙ 自动称重 最准确地帝强谷物快速水分仪⊙ 自动补偿样品温度 ⊙ 可与烘箱法测试结果相媲美⊙ 自动补偿表面水 ⊙ 操作人员不能操纵测试结果⊙ 可由计算机远程操作 ⊙ 校准参数由强大的专业软件运算而得[img]http://ng1.17img.cn/bbsfiles/images/2005/02/200502171708_2250_1836292_3.jpg[/img]

  • 【求助】用过---近红外分析仪---的请进！

    想要请教，既然近红外分析仪可以完成如下这么多内容的检测，还需要购买，凯式定氮仪，索式浸提和纤维测定仪吗？农业：脂肪、纤维（ADF, NDF）、矿物、水分、蛋白质、淀粉等 食品：乙醇、灰化物、Brix、烘烤吸收、脂肪/油、纤维、性状、水分、蛋白质、固体、淀粉、糖等 肉类：脂肪、水分、蛋白质等 烟草：尼古丁、总糖/还原糖、总氮、氯、淀粉、水分等 环境：水分、固体等 医药/化学：反应检测、混合、溶剂回收和检测等

  • 蛋白质测定仪的测定原理

    蛋白质测定仪是根据蛋白质中氮的含量恒定的原理，通过测定样品中氮的含量从而计算蛋白质含量的仪器但是实际中怎么操作呢？

Instrument.com.cn Copyright©1999- 2023 ，All Rights Reserved版权所有，未经书面授权，页面内容不得以任何形式进行复制