共查询到16条相似文献,搜索用时 78 毫秒
1.
2.
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. 相似文献
3.
4.
有机物气相色谱保留指数的定量结构与性质相关性研究 总被引:5,自引:0,他引:5
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 相似文献
5.
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。 相似文献
6.
7.
8.
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 相似文献
9.
根据保留指数随温度变化的关系式得出保留指数随温度变化的三种规律,运用气相色谱实验获得了较好的验证;并从色谱热力学函数分析了保留指数随温度变化规律的主要原因是由于在色谱分离过程中不同的熵变和焓变所造成的。 相似文献
10.
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 总被引:2,自引:0,他引:2
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。 相似文献
11.
12.
Dmitriy D. Matyushin Anastasia Yu. Sholokhova Aleksey K. Buryak 《International journal of molecular sciences》2021,22(17)
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. 相似文献
13.
14.
Jamshed Akbar Shahid Iqbal Fozia Batool Abdul Karim Kim Wei Chan 《International journal of molecular sciences》2012,13(11):15387-15400
15.