用相关指数估算氯代羟基苯甲醛的色谱保留指数

基于化学拓扑理论,计算了25种氯代羟基苯甲醛衍生物的电拓扑状态指数(En)、连接性指数(mXpv)。用多元回归研究了这些化合物的色谱保留指数(R.I.)与En、mXpv的定量关系。经逐步回归分析,建立了最佳的定量结构—色谱保留指数相关(QSRR)模型:R.I.值=-649.379+824.837E6+461.0301Xvp,n′=22,R=0.988,F=398.22,S=28.78。用Jackknife法检验具有良好的稳健性与预测能力,其计算值与试验值基本吻合,优于文献结果。     

用分子形状指数估算氯代羟基苯甲醛的气相色谱保留指数

基于化学拓扑理论,计算了25种氯代羟基苯甲醛衍生物的分子形状指数(mK)。用多元回归方法研究了这些化合物的气相色谱保留指数(RI)与mK及取代基距离参数(L)的定量关系。经逐步回归分析,建立了最佳的定量结构-色谱保留指数的二元相关(QSRR)模型,其相关系数(R)为0.991。用Jackknife法检验该模型具有良好的稳健性与预测能力,其计算值与实验值基本吻合。     

烷烃及其衍生物Kováts指数的连接拓扑研究

定义包含成键原子多种结构信息的色谱点价(iδR),在邻接矩阵的基础上构建新的连接性指数(mT),并计算112种有机分子的0T1、T值。发现mT与这68种烷烃及其衍生物(醇、胺、腈、醛、酮及环酮)的气相色谱保留指数RI具有良好的相关性:RI=108.752 7-11.609 00T+21.553 71T,R=0.997 9。此方程符合Mihalic的建模要求(R>0.99),它的估算值与相应的实验值基本吻合,并对44种烷烃的RI显示良好的预测能力。     

有机物气相色谱保留指数的定量结构与性质相关性研究

把分子连接性指数 m X用于有机化合物气相色谱保留指数的结构——性质相关性研究中。并计算了 1 5个系列 1 0 8个分子的 0 X、1X值。发现m X与这些有机化合物的气相色谱保留指数有很好的相关性。相关系数均在 0 .99以上     

尼泊金酯色谱保留值与分子连接性指数定量关系研究

测定了12种尼泊金酯的色谱保留时间,通过计算表征其分子结构的8个分子连接性指数,对保留时间和连接性指数进行定量结构-色谱保留关系(QSRR)研究,解释了其色谱保留机理。得到的多元线性回归模型与5χvp显著性相关,交叉验证和预测结果表明,所建立的QSRR模型具有良好的稳定性和预测能力,可用于预测未知尼泊金酯类系列化合物的色谱保留时间。     

硫醚气相色谱保留指数的预测

通过对硫醚类化合物在不同固定相不同柱温下的366个样本的气相色谱保留指数值(RI)与其部分参数:拓扑指数(mQ)、固定液极性值(CP)及柱温(T)建立定量-色谱保留相关(QSRR)模型.分别利用多元线性回归(MLR)、偏最小二乘回归(PLSR)、人工神经网络(ANN)建模,同时采用内部及外部双重验证的办法对所得模型稳定性能进行深入分析和检验,建模计算值、留一法(LOO)交互检验(CV)预测值和外部样本的复相关系数Rcum、QLOO和Rext分别为0.9812,0.9804和0.9818(MLR);0.9812、0.9807和0.9818(PLSR);0.9869、0.9867和0.9827(ANN).结果表明:所建定量结构保留关系(QSRR)模型具有良好的稳定性和预测能力,较好地揭示了硫醚化合物在不同固定相不同柱温上气相色谱保留指数的变化规律.     

邻苯二甲酸酯类化合物生物降解的电性拓扑研究

计算了9种邻苯二甲酸酯的两类拓扑指数值:(1)基于原子类型特征的电性拓扑状态指数(En);(2)自分子拓扑图的邻接矩阵衍生的分子连接性指数(mXtv).这些拓扑指数被用于关联9种邻苯二甲酸酯的生物降解速率常数(Kb)及其半衰期(lnt1/2),经向后逐步回归与偏最小二乘法,建立了定量结构-生物降解相关(QSBR)模型,其四元最佳方程的相关系数(R2)依次为0.995、0.986.这两个方程的平均估算误差接近实验误差,并通过Jackkn ife的逐一剔除法证明有良好的可靠性与稳定性.结果表明,这些模型能够较好地解释邻苯二甲酸酯的生物降解性的递变规律.     

醇类异构体气相色谱保留指数的分子拓扑研究

用相对键长代替拓扑距离,并根据距离矩阵,提出一个可以表征含有杂原子的相对距离指数K。K与30种醇类异构体在3种不同固定相（PEG-1500、PEG-20M、OV-101）上的气相色谱保留指数（RI）显著相关,相关指数均大于0．99,计算值与实验值很好吻合,平均相对误差分别为0．64％,0．28％,0．26％。     

~mB对气相色谱保留指数的QSPR研究

在邻接矩阵的基础上 ,建立一种新的连接性指数 mB :mB =∑ (δi·δj·δk… ) 0 .5,其中 :0 B =∑ (δi) 0 .5,1B =∑ (δi·δj) 0 .5,并计算出 114个分子的0 B、1B值。发现 mB与这些化合物的气相色谱保留指数RI有很好的相关性。烷烃的线性回归方程为 :RI=2 5 .6 0 73+83.85 6 10 B - 9.2 784 1B ,相关系数R =0 .996 3;醇的线性回归方程为 :RI=2 7 0 138+130 .0 2 2 90 B - 4 1.0 4 86 1B ,相关系数R =0 .9976 ;取代苯的线性回归方程为 :RI =- 5 .0 889+2 2 .4 5 75 0 B - 2 4 .0 986 1B ,相关系数R =0 .992 8;分子连接性指数能较好地反映化合物的结构特征     

烷烃分子的Weiner数与气相色谱保留指数关系的研究

本文研究了烷烃分子的修正Ｗｗｉｎｅｒ数与其气相色谱保留指数之间的相互关系，通过拟合找到了描述烷烃端基和支链特征的两个修正参数。     

Some remarks about the estimation of the solubility parameter of low volatile compounds from gc data

Approximate solubility parameters of monomeric stationary phases can be calculated from gas chromatographic retention volumes of aliphatic saturated hydrocarbons; and some other properties, such as the molar volume and the latent heat of vaporization, by applying the regular solution model to the chromatographic process. By including data of aromatic hydrocarbons, solubility parameters of aromatic stationary phases, nearer to the experimental ones, can be obtained. The inclusion of data of olefines, however, is irrelevant. The method can be applied to low volatile compounds usable as the stationary phase in gas chromatography (GC) of hydrocarbons.     

脂肪醇味阈值的拓扑研究

基于脂肪醇分子结构特征与化学拓扑环境定义了4种结构参数:距离连接性指数(G)、取代基指数(F)、取代基位置指数(T)和羟季原子指数(Q),其中G、T对脂肪醇分子具有良好的结构选择性。使用这4种参数及路径数(P4)、碳原子数(X)与99种脂肪醇的味阈值进行拟合,建立了令人满意的定量结构-味阈值模型:pOL=2.365-1.2811G+0.480Q+5.356×10-5F-8.176×10-6T+0.494X-0.00231P43,n=99,R=0.886,F=56.119,S=0.505。经Jackkn ife法检验,该模型具有稳健性,它的计算值与实验值较为吻合,优于目前文献的研究结果。这些指数有望广泛应用于物质构效学领域。     

Deep Learning Based Prediction of Gas Chromatographic Retention Indices for a Wide Variety of Polar and Mid-Polar Liquid Stationary Phases

Prediction of gas chromatographic retention indices based on compound structure is an important task for analytical chemistry. The predicted retention indices can be used as a reference in a mass spectrometry library search despite the fact that their accuracy is worse in comparison with the experimental reference ones. In the last few years, deep learning was applied for this task. The use of deep learning drastically improved the accuracy of retention index prediction for non-polar stationary phases. In this work, we demonstrate for the first time the use of deep learning for retention index prediction on polar (e.g., polyethylene glycol, DB-WAX) and mid-polar (e.g., DB-624, DB-210, DB-1701, OV-17) stationary phases. The achieved accuracy lies in the range of 16–50 in terms of the mean absolute error for several stationary phases and test data sets. We also demonstrate that our approach can be directly applied to the prediction of the second dimension retention times (GC × GC) if a large enough data set is available. The achieved accuracy is considerably better compared with the previous results obtained using linear quantitative structure-retention relationships and ACD ChromGenius software. The source code and pre-trained models are available online.     

有机磷农药气相色谱保留值与其化学结构关系的研究

对23种有机磷农药的气相色谱相对保留值与其化学结构的关系进行了探讨.参照图论法对分子中各种基团进行了分类.采用多元线性拟合法,求出了农药分子中各种基团的个数与其气相色谱保留值关系的回归方程,能得到方程的预测值与实验测定的色谱相对保留值一致的结果.