卷积定理实验装置

[color=#444444]请教大神，我用程序能算出Sn的振子强度与波长的关系，比如说是一千条分立的谱线，我想问一下怎么对这一千条谱线做高斯卷积运算。附件图中上面的谱线是算出来的分立光谱，下面的卷积之后的光谱是如何得到的？？[/color][color=#444444][img=,507,900]https://ng1.17img.cn/bbsfiles/images/2019/05/201905091059299451_1678_1752342_3.jpg!w507x900.jpg[/img][/color]

AMDIS自动化质谱图解卷积和鉴定软件在GC/MS数据处理的初步应用(7)- 手动解卷积（2）（ 本文只是一种探讨交流，可能有不足不妥之处，欢迎批评指正。未经同意，请勿转载。多谢合作！） 先回顾一下AMDIS的基本概念对于AMDIS有的网友可能比较熟悉，特别是农残，环境，有害物，香精香料等领域的朋友可能属于高级使用者。本人以初学者的身份初步介绍一下AMDIS。如有不妥，请批评指正。未经许可，不得转载，请谅解。一般来说，目标化合物的分析要求检测目标离子和确认离子的比例。然而，对于高基体背景的样品，大峰后面的痕量组分或流出时间很接近的成分，离子比例会受到基体的影响很难符合要求。为了确保分析结果可靠，一般采用背景扣除及手动积分。因此，对于复杂基体的样品数据处理，需要耗费大量的时间。为了提高分析效率，谱图可以利用一种称为“解卷积”的数学计算来将目标化合物从背景中分离出来。美国国家标准和技术院(NIST)开发了功能强大的解卷积软件，即自动质谱解卷积和鉴定系统(AMDIS)。下面简单介绍一下AMDIS：AMDIS 软件由美国国家标准技术研究院（NIST）（National Institute of Standards and Technology）提供。The Automatic Mass Spectral Deconvolutionand Identification System (AMDIS)自动质谱图解卷积和鉴定系统软件(AMDIS)让您从GC/MS数据文件自动找到目标化合物。软件先对GC/MS数据文件解卷积寻找所有分离组分。每一组分与目标化合物的谱库进行对比。如果以上的用户设定值，然后报告出目标图谱和解卷了组分的图谱的匹配因子。什么是解卷积（Deconvolution）?NIST AMDIS的定义:“这里所用的术语在广义上是指从一个复杂的混合物中提取信号。 解卷积的过程包括处理噪音、校正漂移、从紧密相邻的共洗脱峰中提取出单个峰等。” (简单讲就是去复杂化)用下面的简图可以解释解卷积过程:在GC/MS 中，Deconvolution是一种数学技术，它可以将重叠的质谱图“分开”成为“清晰”的单个组分的谱图。图1 是这个过程的简单示意图。这里分别是总离子流色谱图(TIC)和质谱图。与常见的情况一样，这个色谱峰包含了多个重叠在一起的组分，而最高点质谱图实际上也是这些组分的组合图。质谱谱库检索只可能给出一个较差的匹配，而且不能识别所有构成这种组合谱图的单个化合物组分。http://ng1.17img.cn/bbsfiles/images/2016/12/201612301125_01_1615838_3.jpg图1 解卷积过程的简单示意图其它相关内容请参考我以前的帖子。

[b]卷积神经网络模型发展及应用转载地址：[/b]http://fcst.ceaj.org/CN/abstract/abstract2521.shtml [img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-9243a15c-bcd6-4a63-921e-932f257a1e05.png[/img][img=,690,212]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021122351500_3641_5785239_3.png!w690x212.jpg[/img]深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示，卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。[b]首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构，分析了采用注意力机制进一步提升模型性能的网络结构，然后归纳分析了目前的特殊模型结构，最后总结并讨论了卷积神经网络在相关领域的应用，并对未来的研究方向进行展望。[/b]卷积神经网络（convolutional neural network，CNN） 在计算机视觉[1- 5]、自然语言处理[6- 7]等领域已被广泛 应用。在卷积神经网络兴起之前，主要依靠人工针对特定的问题设计算法，比如采用 Sobel、LoG（Laplacian of Gaussian）、Canny、Prewitt 等[8- 11]算子进行边 缘 检 测 ，采 用 Harris、DoG（difference of Gaussian）、FAST（features from accelerated segment test）、SIFT （scale invariant feature transform）等[12-15]用于角点等特 征检测，并且采用传统分类器如 K近域、支持向量机、 稀疏分类器等[16- 18]进行分类。特征提取和分类器的 设计是图片分类等任务的关键，对分类结果的好坏 有着最为直接的影响。卷积神经网络可以自动地从 训练样本中学习特征并且分类，解决了人工特征设计 的局限性。神经网络的思想起源于1943年McCulloch 和 Pitts 提出的神经元模型[19]，简称 MCP 神经元模 型。它是利用计算机来模拟人的神经元反应的过 程，具有开创性意义。此模型将神经元反应简化为 三个过程：输入信号线性加权、求和、非线性激活。1958 年到 1969 年为神经网络模型发展的第一阶段， 称为第一代神经网络模型。在 1958 年 Rosenblatt 第 一次在 MCP 模型上增加学习功能并应用于机器学 习，发明了感知器算法[20]，该算法使用 MCP 模型能够 采用梯度下降法从训练样本中自动学习并更新权 值，并能对输入的多维数据进行二分类，其理论与实 践的效果引起了神经网络研究的第一次浪潮。1969 年美国数学家及人工智能先驱 Minsky在其著作中证 明感知器本质上是一种线性模型[21]，只能处理线性分 类问题，最简单的异或问题都无法正确分类，因此神 经网络的研究也陷入了近二十年的停滞。1986 年到 1988 年是神经网络模型发展的第二阶段，称为第二 代神经网络模型。1986 年 Rumelhart 等人提出了误 差反向传播算法（back propagation algorithm，BP）[22]。BP 算法采用 Sigmoid 进行非线性映射，有效解决了 非线性分类和学习的问题，掀起了神经网络第二次 研究高潮。BP 网络是迄今为止最常用的神经网络， 目前大多神经网络模型都是采用 BP网络或者其变化 形式。早期神经网络缺少严格数学理论的支撑，并 且在此后的近十年时间，由于其容易过拟合以及训 练速度慢，并且在 1991 年反向传播算法被指出在后 向传播的过程中存在梯度消失的问题[23]，神经网络再 次慢慢淡出人们的视线。1998 年 LeCun 发明了 LeNet-5，并在 Mnist 数据 集达到 98%以上的识别准确率，形成影响深远的卷积 神经网络结构，但此时神经网络的发展正处于下坡 时期，没有引起足够的重视。从感知机提出到 2006 年以前，此阶段称为浅层 学习，2006 年至今是神经网络的第三阶段，称为深度 学习。深度学习分为快速发展期（2006—2012 年）和 爆发期（2012 年至今），2006 年 Hinton 提出无监督的 “逐层初始化”策略以降低训练难度，并提出具有多 隐层的深度信念网络（deep belief network，DBN）[24]， 从此拉开了深度学习大幕。随着深度学习理论的研究和发展，研究人员提 出了一系列卷积神经网络模型。为了比较不同模型 的质量，收集并整理了文献中模型在分类任务上的 识别率，如图 1所示。由于部分模型并未在 ImageNet 数据集测试识别率，给出了其在 Cifar-100 或 Mnist数 据集上的识别率。其中，Top-1识别率指的是 CNN 模型预测出最大概率的分类为正确类别的概率。Top-5 识别率指的是 CNN 模型预测出最大概率的前 5 个分 类里有正确类别的概率。2012 年，由 Alex Krizhevshy 提出的 AlexNet给卷 积神经网络迎来了历史性的突破。AlexNet 在百万 量级的 ImageNet数据集上对于图像分类的精度大幅 度超过传统方法，一举摘下了视觉领域竞赛 ILSVRC2012的桂冠。自 AlexNet之后，研究者从卷积神经网 络的结构出发进行创新，主要有简单的堆叠结构模 型，比如 ZFNet、VGGNet、MSRNet。堆叠结构模型通 过改进卷积神经的基本单元并将其堆叠以增加网络 的深度提升模型性能，但仅在深度这单一维度提升 模 型 性 能 具 有 瓶 颈 ；后 来 在 NIN（network in network）模型提出使用多个分支进行计算的网中网结 构模型，使宽度和深度都可增加，具有代表性的模型 有 Inception 系列模型等；随着模型深度以及宽度的 增加，网络模型出现参数量过多、过拟合以及难以训 练等诸多问题。ResNet 提出残差结构后，为更深层 网络构建提出解决方案，随即涌现出很多残差结构模 型，比如基于 ResNet 改进后的 ResNeXt、DenseNet、 PolyNet、WideResNet，并且 Inception也引入残差结构 形成了 Inception-ResNet-block，以及基于残差结构并 改进其特征通道数量增加方式的 DPResNet；与之前 在空间维度上提升模型性能的方法相比，注意力机 制模型通过通道注意力和空间注意力机制可以根据 特征通道重要程度进一步提升模型性能，典型的模 型为 SENet、SKNet 以及 CBAM（convolutional block attention module）。传统的卷积神经网络模型性能十分优秀，已经 应用到各个领域，具有举足轻重的地位。由于卷积 神经网络的模型十分丰富，有些模型的结构或用途 比较特殊，在本文中统称为特殊模型，包括具有简单的结构和很少参数量的挤压网络模型 SqueezeNet，采 用无监督学习的生成对抗网络模型（generative adversarial network，GAN），其具有完全相同的两路网络 结构以及权值的孪生神经网络模型 SiameseNet，以 及通过线性运算生成其他冗余特征图的幽灵网络 GhostNet。由于卷积神经网络的一系列突破性研究成果， 并根据不同的任务需求不断改进，使其在目标检测、 语义分割、自然语言处理等不同的任务中均获得了 成功的应用。[b]基于以上认识，本文首先概括性地介绍了卷积 神经网络的发展历史，然后分析了典型的卷积神经 网络模型通过堆叠结构、网中网结构、残差结构以及 注意力机制提升模型性能的方法，并进一步介绍了 特殊的卷积神经网络模型及其结构，最后讨论了卷 积神经网络在目标检测、语义分割以及自然语言处 理领域的典型应用，并对当前深度卷积神经网络存 在的问题以及未来发展方向进行探讨。[img=,690,387]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021123119824_325_5785239_3.png!w690x387.jpg[/img][/b][img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-51d3c121-d787-4a08-a7a4-a7f9ecb3a33d.png[/img][b]转载文章，如有侵权，请联系我删除[/b]

我用ADMIS对GC-MS得到的结果进行解卷积操作，但是解卷积得到的目标物质在NIST库中并找不到相应的物质，所以我怀疑解卷积结果的可信度，大神们有过这方面的经验么？求解答。下面举一个例子，首先我进行解卷积操作，如图1[img=,690,517]http://ng1.17img.cn/bbsfiles/images/2018/04/201804161252444250_338_3386132_3.jpg!w690x517.jpg[/img] 图1之后额匹配得到了一个目标物是呋喃，如图2[img=,400,299]http://ng1.17img.cn/bbsfiles/images/2018/04/201804161257540590_9570_3386132_3.jpg!w690x517.jpg[/img] 图2然后我到NIST05库中去匹配这个物质，如图3的操作[img=,450,337]http://ng1.17img.cn/bbsfiles/images/2018/04/201804161306381110_6182_3386132_3.jpg!w690x517.jpg[/img]但是最后的匹配结果并没有找到呋喃这个物质，如图4.[img=,450,337]http://ng1.17img.cn/bbsfiles/images/2018/04/201804161307164570_2099_3386132_3.jpg!w690x517.jpg[/img]所以想问问各位大神amdis解卷积得到的结果可信度是多少呢？重复性怎么样？

通过[url=https://insevent.instrument.com.cn/t/bp][color=#3333ff]GCMS[/color][/url]得到一张离子流程图，尝试用解卷积分析，根据MASShunter 说明书设置了解卷积参数，分析之后每个峰对应的保留时间出现了四种情况（如图），那这四种情况对应的化合物都是我样品中可能存在的物质吗？具体应该怎么分析呢？还想问问大家 mass hunter的解卷积参数应该怎么设置呢？[img=,690,237]https://ng1.17img.cn/bbsfiles/images/2022/05/202205241519317860_9891_5472347_3.png!w690x237.jpg[/img]新人小白一个，希望大家不要嫌弃[img]https://simg.instrument.com.cn/bbs/images/brow/em63.gif[/img]

请问红外光谱Deconvolution(去卷积)是什么意思，主要目的是什么。在什么情况下需要这样。用什么软件可以去卷积？怎么解卷积？还是光谱仪自带功能就可以去卷积，如果是thermo的该如何设置。谢谢！http://ng1.17img.cn/bbsfiles/images/2010/12/201012232029_269436_1697011_3.jpg

NIst直接匹配分数能在80以上，解卷积之后为什么就到了40-50？

[align=center]OpenChrom软件使用介绍5_Amdis解卷积使用[/align][align=center][/align]前面说过OpenChrom是一款用于色谱，质谱，光谱等数据处理开源软件。可以处理不同仪器厂家的数据格式，支持通用格式。可以用于不同的电脑操作系统，例如Windows，macOS，Linux。前面介绍了初步使用的流程和方法，核对质谱结果，文件检索，保留指数计算及校对。本篇介绍Amdis解卷积使用。1. Amdis色谱质谱数据解卷积峰检出设置要使用Amdis色谱质谱数据解卷积峰检出功能，需要一些相应的设置。点击工具栏的Preference或Window菜单下面Preference，进入个性化设置。路径：Chromatography/Spectrometry----Peak DetectorAmdis(extern)。[img]https://ng1.17img.cn/bbsfiles/images/2023/09/202309250857548640_4809_1615838_3.png[/img][align=center]图1 Amdis色谱质谱数据解卷积峰检出设置[/align][align=center][/align]要使用Amdis解卷积，需要事先安装Amdis软件。在电脑上面找到Amdis32 Folder文件夹的位置放入。Select Folder，Apply and Close。另外对质谱离子m/z的范围，溶剂离子，柱流失离子，峰宽度，检出灵敏度，分辨率，峰锐度等按需要进行相应设置。可以参考Amdis的手册。C:\tmp文件夹需要实现建立。在Folder Temp中输入C:\tmp（必须）。[img]https://ng1.17img.cn/bbsfiles/images/2023/09/202309250857551416_4804_1615838_3.png[/img][align=center]图2 Amdis色谱质谱数据解卷积峰检出设置[/align]2. 解卷积检出及检索流程如下：调用[url=https://insevent.instrument.com.cn/t/bp][color=#3333ff]GCMS[/color][/url]数据文件，参见前面第一篇文章。峰检出，在色谱上面右键点击，Peak DetectorAmdis(extern)。[img]https://ng1.17img.cn/bbsfiles/images/2023/09/202309250857552806_6516_1615838_3.png[/img][align=center]图3 Amdis色谱质谱数据解卷积峰检出[/align][align=left][/align][align=left]Edit Processor Options, use System Options, Finish:[/align][align=left][img]https://ng1.17img.cn/bbsfiles/images/2023/09/202309250857555975_2174_1615838_3.png[/img][/align][align=center]图4 Amdis色谱质谱数据解卷积峰检出[/align][img]https://ng1.17img.cn/bbsfiles/images/2023/09/202309250857556718_3794_1615838_3.png[/img][align=center]图5 Amdis色谱质谱数据解卷积峰检出[/align][align=center][/align][align=left]软件会自动通过 AMDIS 系统运行，AMDIS 窗口会自动弹出（或者在Windows下方的显示栏看到Amdis的图标），在处理完数据后会自动关闭退出。经过Amdis解卷积后，在左上角的Peaks/Scan List就有Model Description列显示Amdis(extern)。同时也会在右下方的Feedback有Amdis检出的信息。[/align][img]https://ng1.17img.cn/bbsfiles/images/2023/09/202309250857558144_3579_1615838_3.png[/img][align=center]图6 Amdis色谱质谱数据解卷积峰检出结果[/align]峰积分，在色谱图上面右键点击，选Peak integratorPeak Integrator Trapezoid。参见前面第一篇文章。峰鉴定，在色谱图上面右键点击，选Peak Identifier NIST(extern)或Library File（MS）。参见前面第一或第三篇文章。得到最终结果。[img]https://ng1.17img.cn/bbsfiles/images/2023/09/202309250857561384_7628_1615838_3.png[/img][align=center]图6 检索结果[/align]本文只是一个简单的例子，复杂的数据可以按照相同的方法来完成。第五部分完。

Amdis解卷积软件初步应用（12）----难分离共流峰处理实例1 先回顾一下AMDIS的基本概念对于AMDIS有的网友可能比较熟悉，特别是农残，环境，有害物，香精香料等领域的朋友可能属于高级使用者。本人以初学者的身份初步介绍一下AMDIS。如有不妥，请批评指正。一般来说，目标化合物的分析要求检测目标离子和确认离子的比例。然而，对于高基体背景的样品，大峰后面的痕量组分或流出时间很接近的成分，离子比例会受到基体的影响很难符合要求。为了确保分析结果可靠，一般采用背景扣除及手动积分。因此，对于复杂基体的样品数据处理，需要耗费大量的时间。为了提高分析效率，谱图可以利用一种称为“解卷积”的数学计算来将目标化合物从背景中分离出来。美国国家标准和技术院(NIST)开发了功能强大的解卷积软件，即自动质谱解卷积和鉴定系统(AMDIS)。[b]下面简单介绍一下AMDIS：AMDIS[/b]软件由美国国家标准技术研究院（NIST）（National Institute ofStandards and Technology）提供。The [b]A[/b]utomatic [b]M[/b]ass Spectral [b]D[/b]econvolutionand [b]I[/b]dentification [b]S[/b]ystem (AMDIS)自动质谱图解卷积和鉴定系统软件(AMDIS)让您从GC/MS数据文件自动找到目标化合物。软件先对GC/MS数据文件解卷积寻找所有分离组分。每一组分与目标化合物的谱库进行对比。如果以上的用户设定值，然后报告出目标图谱和解卷了组分的图谱的匹配因子。[b]什么是解卷积（Deconvolution）?[/b]NIST AMDIS的定义:“这里所用的术语在广义上是指从一个复杂的混合物中提取信号。 解卷积的过程包括处理噪音、校正漂移、从紧密相邻的共洗脱峰中提取出单个峰等。” (简单讲就是去复杂化)用下面的简图可以解释解卷积过程:在GC/MS 中，Deconvolution是一种数学技术，它可以将重叠的质谱图“分开”成为“清晰”的单个组分的谱图。图1 是这个过程的简单示意图。这里分别是总离子流色谱图(TIC)和质谱图。与常见的情况一样，这个色谱峰包含了多个重叠在一起的组分，而最高点质谱图实际上也是这些组分的组合图。质谱谱库检索只可能给出一个较差的匹配，而且不能识别所有构成这种组合谱图的单个化合物组分。[img=,690,494]http://ng1.17img.cn/bbsfiles/images/2017/09/201709242154_01_1615838_3.jpg[/img] 图1 解卷积过程的简单示意图***************************************************************************（回顾：在GCMS分离分析时，虽然现代的毛细管色谱柱的分离效率已经非常高，但是还没有一种色谱柱能够能分离开所有化合物，特别是对于香精这类复杂的混合物。虽然可以考虑配有不同极性的柱子来解决不同样品分离问题，但需更换柱子或配备多台仪器，既是这样有些成分复杂的样品仍有部分物质无法分离。另外对于溶剂大峰或其它大面积峰后面或里面的少量组分，或由于基质干扰或掩盖的小峰，也属于不能分离的峰。虽然可以使用多维色谱（MGC-MS或GC/GC-MS）来帮助解决复杂分离一些问题，但许多人并无此仪器。所以有时候不免还会遇到未分离组分的鉴定和定量的情况。）[align=center][b]（12）----难分离共流峰处理实例1[/b][/align]例子，看看这张图的42.376min峰，表面上是一个单个峰，点击峰顶。[img=,690,393]http://ng1.17img.cn/bbsfiles/images/2017/09/201709242255_01_1615838_3.jpg[/img]工作站检索后：[img=,690,393]http://ng1.17img.cn/bbsfiles/images/2017/09/201709242256_01_1615838_3.jpg[/img]发现是香叶醇，但图谱不纯，有少许m/z60，73等多出来，估计有什么酸存在。[img=,690,389]http://ng1.17img.cn/bbsfiles/images/2017/09/201709242257_01_1615838_3.jpg[/img]点击峰的不同部位，发现后面的m/z60，73增加。例如43.3min中m/z60，73就小，43.4min就比较大了。43.3min的质谱图如下：[img=,690,408]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250720_01_1615838_3.jpg[/img]可以看到m/z60，73离子很小。43.4min的质谱图如下：[img=,690,408]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250721_01_1615838_3.jpg[/img]可以看到m/z60，73离子增加不少，比较明显了。直接在后面检索，仍然是香叶醇，无法看到别的组分。这是因为质谱图中的离子仍然以香叶醇为主，其它的离子虽然大了一些，但仍然是一小部分，工作站就无法检索出来了。因为一个在另一个中完全包裹起来，也是不太好选择背景扣除来检索。看看下面提取[url=https://insevent.instrument.com.cn/t/3p][color=#3333ff]离子色谱[/color][/url]图，选择m/z69, 41,60,93, 73, 123离子。[img=,690,409]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250730_01_1615838_3.jpg[/img]可以看到m/z60和73在峰的后面部分一点完全包裹在里面了，前面部分稍微少一些。这种情况是比较难以检索的。有时候幸运的话，选择某些地方进行扣除质谱图还可能看到另一个成分，但往往可能比较难。利用安捷伦工作站的峰纯度分析看看：[img=,690,475]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250730_02_1615838_3.jpg[/img]把上面第一个窗口（2#）的提取离子图放大：[img=,690,475]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250731_01_1615838_3.jpg[/img]可以看到，和前面提取离子图差不多。工作站纯度分析结果：Peak 37Ret time 42.38Components 4 Scan ion ion1 9039.5 69 682 9040.2 413 9041.0 1234 9043.8 60说可能有4个组分，实际分析观察，可能会有两个组分，因为只有m/z60稍微和别的离子所占的位置有所不同，其它离子基本都是一致的。运行Amdis：[img=,690,475]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250737_01_1615838_3.jpg[/img]但也只是看到Geraniol，没有看到别的组分。是什么原因没有出来呢？检查设定参数：[img=,690,475]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250738_01_1615838_3.jpg[/img]Resolution: Medium Sensitivity：Very low Shape requirements: Medium。看到灵敏度设置为Very low很低，原来是上个样品组分太复杂，为了减少解卷积运行时间和解析时间而把灵敏度调到最低了。增加灵敏度中low或Medium，才解卷积出来和检索到capronic acid.[img=,690,475]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250739_01_1615838_3.jpg[/img]可以看到匹配度还不错，其中反向匹配度为94。核对保留指数也符合，可以确认。不过在灵敏度越高情况下，amdis的运行时间要比低的情况下的多。可以仅考虑解卷积需要处理的部分峰或区域来进行解卷积。用鼠标左键在所选位置拖曳。然后点击run，这样就仅仅处理放大的所需要的部分进行解卷积和检索。在这种情况amdis的运行速度极快，结果也很简洁。得到了仅仅关心部分的结果。如下图：[img=,690,475]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250740_01_1615838_3.jpg[/img]如果想回到原来上一次的取峰范围，在总离子窗口任意位置鼠标右键点击，选择unzoom就行。如果想要回到完整原始的总离子图，则选择UnzoomAll。[img=,690,475]http://ng1.17img.cn/bbsfiles/images/2017/09/201709250742_01_1615838_3.jpg[/img]

[align=center]MassHunter的未知物分析和Amdis—解卷积效果对比[/align]从上篇“应用MassHunter的未知物分析处理香气样品数据”可以看出未知物分析软件解卷积功能非常不错，能够逐一拆分共流出峰。下面和优秀的Amdis解卷积全自动质谱数据处理软件进行对比。首先amdis全自动检索运行需要自己独特的数据库，而未知物分析软件不需要特殊的数据库。另外Amdis解卷积后进行自动检索只能使用一个自己独特格式的数据库，而未知物分析可以使用多个安捷伦格式的谱库。下面通过样品来进行解卷积效果对比。[img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739416445_7573_1615838_3.png[/img][align=center]图1 样品总[url=https://insevent.instrument.com.cn/t/3p][color=#3333ff]离子色谱[/color][/url]图TIC[/align]Amdis在分辨率和灵敏度为“中”的情况下，找出487个化合物，268个target目标物（谱库化合物数量相同相当）。[img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739419599_4867_1615838_3.png[/img][align=center]图2 Amdis检索参数[/align]而未知物分析软件找出1114个组分，231匹配。可以看出来未知物分析软件的解卷积功能很强，逐一拆分后进行检索，并且不需要解卷积数据库。未知物分析的匹配数量231比Amdis 的268目标化合物少了一些，这是因为未知物分析只是对匹配度80以上的组分（方法设定）列出来。而Amdis的最小匹配度为40。如果Amdis的最小匹配度设置为80，则找出487个化合物，94个target目标物。少于未知物分析的化合物数量和目标化合物数量。下面仍以Amdisde 最小匹配度为40进行对比。[img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739420956_1648_1615838_3.jpeg[/img][align=center]图3 Amdis检索（最小匹配度40）[/align][img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739422762_6648_1615838_3.png[/img][align=center]图4 Amdis检索（最小匹配度80）[/align]在未知物分析上面，10.9796匹配不理想m/z110和91离子差别明显，可以删掉[img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739425301_1028_1615838_3.png[/img]例一，10.978在工作站TIC似乎是一个峰[img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739426406_3827_1615838_3.png[/img]在未知物分析解卷积后为三个组分。 [img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739427334_1934_1615838_3.png[/img][img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739428846_1005_1615838_3.png[/img]在amdis拆分到两个组分，比未知物分析少一个组分。[img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739429492_5872_1615838_3.jpeg[/img]在amdis上面是两个化合物Cyclotetrasiloxane, octamethyl-和5-Hepten-2-one, 6-methyl-。例二，在15.688min在工作站上面也是一个峰。点击峰不同位置也难以检索得到不同的化合物。 [img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739431092_2146_1615838_3.png[/img]在未知物分析上面拆分为两个峰。[img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739431396_319_1615838_3.png[/img]Amdis仅仅一个化合物，没有拆分成功。例三，24.269min [img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739432889_129_1615838_3.png[/img]在未知物分析上面拆分为24.2404和24.2686两个组分。 [img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739433174_9041_1615838_3.png[/img]在Amdis上面也拆分为两个组分。[img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739434725_1858_1615838_3.png[/img]例四，24.955分钟 [img]https://ng1.17img.cn/bbsfiles/images/2020/09/202009080739435535_3503_1615838_3.png[/img]未知物分析为24.9537和24.9661两个，Amdis一个。其它例子，31.404拆分为两个，Amdis一个。31.593分钟未知物分析和Amdis都是两个组分。33.616分钟未知物分析和Amdis都是两个组分小结：未知物分析软件解卷积功能非常不错，能够逐一拆分共流出峰，可以和Amdis相媲美，或者某些地方更胜一筹。两个都是很好的解卷积软件。Amdis全自动检索运行需要自己独特的数据库，而未知物分析软件不需要特殊的数据库。Amdis解卷积后进行自动检索只能使用一个自己独特格式的数据库，而未知物分析可以使用多个安捷伦格式的谱库进行顺序检索。以上对比仅仅局限于本次两个软件的参数设置的情况，不能全部进行完全的比较。可能有许多不足不妥之处，敬请谅解和批评指正