JP7021755B2 - Sample evaluation / estimation methods, programs, and equipment by fluorescent fingerprint analysis - Google Patents
Sample evaluation / estimation methods, programs, and equipment by fluorescent fingerprint analysis Download PDFInfo
- Publication number
- JP7021755B2 JP7021755B2 JP2020536325A JP2020536325A JP7021755B2 JP 7021755 B2 JP7021755 B2 JP 7021755B2 JP 2020536325 A JP2020536325 A JP 2020536325A JP 2020536325 A JP2020536325 A JP 2020536325A JP 7021755 B2 JP7021755 B2 JP 7021755B2
- Authority
- JP
- Japan
- Prior art keywords
- axis
- test sample
- fluorescent fingerprint
- fluorescence
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Description
本発明は、蛍光指紋分析を利用した試料の評価・推定方法、プログラム、及び装置に関し、特に、試料中の微量成分の評価・推定に好適に利用し得る評価・推定方法、プログラム、及び装置に関する。 The present invention relates to a sample evaluation / estimation method, a program, and an apparatus using fluorescent fingerprint analysis, and more particularly to an evaluation / estimation method, a program, and an apparatus that can be suitably used for evaluation / estimation of trace components in a sample. ..
図2に示すように、蛍光物質を含む試験試料に、段階的に波長を変化させながら励起光を照射し、試験試料から発せられる光(蛍光)を測定すると、励起波長(λEx)、蛍光波長(測定波長)(λEm)、蛍光強度(IEx,Em)を3直交軸とする3次元空間において、対応するポイントがプロットされる。
これらのポイントの集合を可視化したものを、蛍光指紋、または、励起蛍光マトリクス(Excitation Emission Matrix;EEM)と呼ぶ。
蛍光指紋は、各ポイントの蛍光強度を等高線形状や色分布等で表示することにより、3次元グラフとして表すことができ(図3参照)、また、2次元グラフとして表すこともできる(図4参照)。As shown in FIG. 2, when a test sample containing a fluorescent substance is irradiated with excitation light while changing the wavelength stepwise and the light (fluorescence) emitted from the test sample is measured, the excitation wavelength (λEx) and the fluorescence wavelength are measured. Corresponding points are plotted in a three-dimensional space having (measured wavelength) (λEm) and fluorescence intensity (IEx, Em) as three orthogonal axes.
A visualization of a set of these points is called a fluorescent fingerprint or an Excitation Emission Matrix (EEM).
The fluorescent fingerprint can be represented as a three-dimensional graph by displaying the fluorescence intensity of each point in a contour line shape, a color distribution, or the like (see FIG. 3), or can be represented as a two-dimensional graph (see FIG. 4). ).
このような蛍光指紋は、3次元の膨大な情報を有する試験試料固有のパターンを示しており、各種の鑑別や定量等に使用できる。例えば、非特許文献1には、蛍光指紋を利用した蕎麦粉混合割合の推定手法等が紹介されている。
Such a fluorescent fingerprint shows a pattern peculiar to a test sample having a huge amount of three-dimensional information, and can be used for various discriminations, quantifications, and the like. For example, Non-Patent
このような蛍光指紋を用いた分析は、他の分光分析手法と比較して、試験試料に対して蛍光染色などの前処理を行うことなく試験試料のキャラクタリゼーションが可能であること、操作が容易で計測も短時間で行えること、情報量が多く定量も比較的容易に行えること、非破壊・非接触での計測が可能であること、紫外~可視光を用いていることから装置が比較的安価であること、などの長所を有している。 Compared with other spectroscopic analysis methods, such analysis using fluorescent fingerprints enables characterization of the test sample without performing pretreatment such as fluorescent staining on the test sample, and is easy to operate. The device is relatively easy to measure because it can be measured in a short time, it has a large amount of information and it can be quantified relatively easily, it can be measured in a non-destructive and non-contact manner, and it uses ultraviolet to visible light. It has advantages such as low cost.
蛍光指紋を計測するには、励起波長をスキャンして、それぞれの蛍光スペクトルを連続的に計測する機能を有する蛍光分光光度計が必要であるが、このような機能を有する蛍光分光光度計も市販されている(日立ハイテクサイエンス社製F-7000等)。 In order to measure a fluorescence fingerprint, a fluorescence spectrophotometer having a function of scanning the excitation wavelength and continuously measuring each fluorescence spectrum is required. A fluorescence spectrophotometer having such a function is also commercially available. (F-7000 manufactured by Hitachi High-Tech Science Co., Ltd., etc.).
蛍光指紋分析を利用した既知の試料の評価・推定手法においては、前処理を行っても、精度の高い推定モデル(検量線)の作成が困難な場合があった。特に、化学構造が類似した成分を含む試料中から特定の成分の定量を行う場合に困難性が高かった。 In a known sample evaluation / estimation method using fluorescent fingerprint analysis, it may be difficult to create a highly accurate estimation model (calibration curve) even if pretreatment is performed. In particular, it was difficult to quantify a specific component from a sample containing a component having a similar chemical structure.
本発明は、このような課題を解決するために提案されたものであり、実施の態様を例示すれば、以下のとおりである。
(態様1)
試験試料について励起波長・蛍光波長・蛍光強度のデータからなる蛍光指紋情報を取得する蛍光指紋情報取得工程と、2次微分処理により前記試験試料に特有な前記蛍光強度のピーク値が現れるように軸を設定し、前記軸に沿った前記蛍光指紋情報の2次微分処理を少なくとも含む前処理工程と、少なくとも前記2次微分処理が実施された蛍光指紋情報を説明変数とし、前記試験試料についての既知の定量値を目標変数として、検量線を取得する推定モデル作成工程と、を含む、蛍光指紋分析による試験試料の評価方法。
(態様2)
前記推定モデル作成工程において、多変量解析によって上記検量線を作成することを特徴とする態様1に記載の蛍光指紋分析による試験試料の評価方法。
(態様3)
前記多変量解析は、PLS回帰分析であることを特徴とする態様2に記載の蛍光指紋分析による試験試料の評価方法。
(態様4)
前記前処理工程において、前記蛍光指紋情報に対して低感度領域の削除処理を行うことを特徴とする態様1~3に記載の蛍光指紋分析による試験試料の評価方法。
(態様5)
前記試験試料が、クロロゲン酸を含む、態様1~4に記載の蛍光指紋分析による試験試料の評価方法。
(態様6)
前記試験試料が、スコポレチンを含む、態様1~4に記載の蛍光指紋分析による試験試料の評価方法。
(態様7)
前記試験試料が、ルチンを含む、態様1~4に記載の蛍光指紋分析による試験試料の評価方法。
(態様8)
前記励起波長が285nm近傍値であって前記蛍光波長が410,415,420,425,430, 435,440, 450,460nm近傍値のうちの少なくとも1つである波長のいずれかの励起波長/蛍光波長の組み合わせにより、ルチンの検量線を作成することを特徴とする態様7に記載の蛍光指紋分析による試験試料の評価方法。
(態様9)
前記励起波長が285nm近傍値であって前記蛍光波長が410,415,420,425,430, 435,440, 450,460nm近傍値の全てである波長の励起波長/蛍光波長の組み合わせの両方により、ルチンの検量線を作成することを特徴とする態様8に記載の蛍光指紋分析による試験試料の評価方法。
(態様10)
前記試験試料は、たばこ製品の原料であることを特徴とする態様1~9に記載の蛍光指紋分析による試験試料の評価方法。
(態様11)
前記試験試料は、励起光の照射前に粉末状に粉砕・混合されることを特徴とする態様1~10に記載の蛍光指紋分析による試験試料の評価方法。
(態様12)
試験粉砕によって、試料が1mm以下の粒径とされることを特徴とする態様9に記載の蛍光指紋分析による試験試料の評価方法。
(態様13)
前記試験試料は、事前に水分量を一定化するために、所定の調和条件で所定時間蔵置されることを特徴とする態様1~12に記載の蛍光指紋分析による試験試料の評価方法。
(態様14)
前記試験試料は、たばこ製品の原料であり、前記調和条件は、温度22℃、湿度60%の室内という条件であり、前記所定時間は24時間以上であることを特徴とする態様13に記載の蛍光指紋分析による試験試料の評価方法。
(態様15)
態様1~14に記載の蛍光指紋分析による試験試料の評価方法により得られた検量線と未知の試料の蛍光指紋情報とに基づき、前記未知の試料に含有される特定成分の含有量を推定することを特徴とする成分量推定方法。
(態様16)
前記未知の試料に含有される特定成分の含有量を推定する際に、前記蛍光指紋分析による試験試料の評価方法における前処理工程と同一の前処理工程を実施することを特徴とする態様15に記載の成分量推定方法。
(態様17)
前記未知の試料の蛍光指紋情報を取得するために、励起波長が285nm近傍値であって蛍光波長が410,415,420,425,430, 435,440, 450,460nm近傍値のうち少なくとも1つである波長のいずれかの励起波長/蛍光波長の組み合わせを用いることを特徴とする態様15、16に記載の成分量推定方法。
(態様18)
前記未知の試料の蛍光指紋情報を取得するために、前記励起波長が285nm近傍値であって前記蛍光波長が410,415,420,425,430, 435,440,450,460nm近傍値の全てである波長の励起波長/蛍光波長の組み合わせの両方を用いることを特徴とする態様17に記載の成分量推定方法。
(態様19)
コンピュータに態様1~18に記載の方法を実行させるためのプログラム。
(態様20)
試料についての励起波長・蛍光波長・蛍光強度のデータからなる蛍光指紋情報を入力し、2次微分処理により前記試料に特有な前記蛍光強度のピーク値が現れるように軸を設定し、前記軸に沿った前記蛍光指紋情報の2次微分処理を少なくとも含む前処理手段と、少なくとも前記2次微分処理が実施された蛍光指紋情報を説明変数とし、前記試験試料についての既知の定量値を目標変数として、検量線を取得する推定モデル作成手段と、前記推定モデル作成手段により取得された前記検量線と未知の試料の蛍光指紋情報とに基づき、前記未知の試料に含有される特定成分の含有量を推定する成分量推定手段と、を具備することを特徴とする装置。
(態様21)
前記未知の試料の蛍光指紋情報は前記前処理手段で処理され、処理後の蛍光指紋情報が前記成分量推定手段に入力されることを特徴とする態様20に記載の装置。
The present invention has been proposed to solve such a problem, and examples of the embodiments are as follows.
(Aspect 1)
Axis so that the peak value of the fluorescence intensity peculiar to the test sample appears by the fluorescence fingerprint information acquisition step of acquiring the fluorescence fingerprint information consisting of the excitation wavelength, the fluorescence wavelength, and the fluorescence intensity data for the test sample and the second-order differential processing. Is set, and the pretreatment step including at least the second-order differential processing of the fluorescent fingerprint information along the axis and the fluorescent fingerprint information on which at least the second-order differential processing is performed are set as explanatory variables, and the known test sample is known. A method for evaluating a test sample by fluorescent fingerprint analysis, which includes an estimation model creation step for acquiring a calibration curve with the quantitative value of the above as a target variable.
(Aspect 2)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 3)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 4)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 5)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 6)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 7)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 8)
Excitation wavelength / fluorescence of any of the wavelengths in which the excitation wavelength is near 285 nm and the fluorescence wavelength is at least one of 410,415,420,425,430,435,440,450,460 nm. The method for evaluating a test sample by fluorescent fingerprint analysis according to aspect 7, wherein a calibration line of rutin is produced by a combination of wavelengths.
(Aspect 9)
By both the excitation wavelength / fluorescence wavelength combination of wavelengths in which the excitation wavelength is near 285 nm and the fluorescence wavelength is all of 410,415,420,425,430,435,440,450,460 nm. The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 10)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 11)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 12)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 13)
The method for evaluating a test sample by fluorescent fingerprint analysis according to
(Aspect 14)
13. The embodiment according to aspect 13, wherein the test sample is a raw material for a tobacco product, the harmonization conditions are a room having a temperature of 22 ° C. and a humidity of 60%, and the predetermined time is 24 hours or more. Evaluation method of test sample by fluorescent fingerprint analysis.
(Aspect 15)
The content of the specific component contained in the unknown sample is estimated based on the calibration curve obtained by the evaluation method of the test sample by the fluorescent fingerprint analysis according to the first to 14th aspects and the fluorescent fingerprint information of the unknown sample. A method for estimating the amount of components, which is characterized by the fact that.
(Aspect 16)
(Aspect 17)
In order to acquire the fluorescence fingerprint information of the unknown sample, at least one of the excitation wavelength near 285 nm and the fluorescence wavelength around 410, 415, 420, 425, 430, 435, 440, 450, 460 nm. The component amount estimation method according to
(Aspect 18)
In order to acquire the fluorescence fingerprint information of the unknown sample , the excitation wavelength is in the vicinity of 285 nm and the fluorescence wavelength is in the vicinity of 410,415,420,425,430,435,440,450,460 nm. The component amount estimation method according to aspect 17, wherein both an excitation wavelength / fluorescence wavelength combination of a certain wavelength are used.
(Aspect 19)
A program for causing a computer to perform the method according to aspects 1-18.
(Aspect 20)
Fluorescence fingerprint information consisting of excitation wavelength, fluorescence wavelength, and fluorescence intensity data for the sample is input, and an axis is set so that the peak value of the fluorescence intensity peculiar to the sample appears by secondary differential processing, and the axis is set to the axis. The pretreatment means including at least the second-order differential processing of the fluorescent fingerprint information along the line and the fluorescent fingerprint information on which at least the second-order differential processing is performed are used as explanatory variables, and known quantitative values for the test sample are used as target variables. , The content of the specific component contained in the unknown sample is determined based on the estimation model creating means for acquiring the calibration curve and the fluorescence fingerprint information of the calibration curve and the unknown sample acquired by the estimation model creating means. An apparatus comprising, and comprising an estimation means for estimating a component amount.
(Aspect 21)
The apparatus according to
なお、上述の態様において、「近傍値」という語句は、励起波長や蛍光(測定)波長が誤差を必然的に伴うことから、励起波長や蛍光(測定)波長の誤差範囲に存在する波長をも包含することを明確化するために付したものである。因みに、誤差範囲は測定機器や測定条件等により変動し得るものである。 In the above aspect, the phrase "near value" also includes wavelengths existing in the error range of the excitation wavelength and the fluorescence (measurement) wavelength because the excitation wavelength and the fluorescence (measurement) wavelength are inevitably accompanied by an error. It is attached to clarify the inclusion. Incidentally, the error range may fluctuate depending on the measuring device, the measuring conditions, and the like.
また、「プログラム」とは、任意の言語や記述方法に基づき記述されたデータ処理方法であり、ソースコードやバイナリコード等の形式を問うものではない。また、「プログラム」は単一の形で構成されてもよいが、複数のモジュールやライブラリとして分散構成されてもよく、また、他の既存のプログラムと協働してその機能を達成するように構成されたものであってもよい。 Further, the "program" is a data processing method described based on an arbitrary language or description method, and does not ask the format of source code, binary code, or the like. In addition, the "program" may be configured in a single form, or may be distributed as multiple modules or libraries, and may cooperate with other existing programs to achieve its function. It may be configured.
また、「装置」は、ハードウエアとして構成されてもよいが、コンピュータのソフトウエアによって各種機能を実現する機能実現手段の組合せとして構成されてもよい。機能実現手段には、例えば、プログラムモジュールが含まれ得る。 Further, the "device" may be configured as hardware, but may also be configured as a combination of function realizing means for realizing various functions by computer software. The function realizing means may include, for example, a program module.
本発明によれば、精度の高い推定モデル(検量線)の作成が可能になる。また、特に、化学構造が類似した成分を含む試料中から特定の成分の定量を的確に行うことができる。 According to the present invention, it is possible to create a highly accurate estimation model (calibration curve). In particular, it is possible to accurately quantify a specific component from a sample containing a component having a similar chemical structure.
以下、本発明の実施の一態様を説明するとともに、試料中に微量成分として含まれるクロロゲン酸、スコポレチン、ルチンの含有量の本発明に基づく評価・推定方法について説明する。また、特に、タバコ原料を試料とした場合について、たばこ原料中のルチン含有量の本発明に基づく評価・推定方法について説明する。
なお、この実施の一態様により、本発明が限定されるものではないことに留意されたい。Hereinafter, one embodiment of the present invention will be described, and a method for evaluating / estimating the content of chlorogenic acid, scopoletin, and rutin contained as trace components in the sample based on the present invention will be described. In particular, a method for evaluating and estimating the rutin content in a tobacco raw material based on the present invention will be described with respect to the case where a tobacco raw material is used as a sample.
It should be noted that the present invention is not limited by this embodiment.
<本発明の実施の一態様の概要>
図1は、本発明の実施の一態様の概要を説明するためのフローチャートである。<Summary of one embodiment of the present invention>
FIG. 1 is a flowchart for explaining an outline of one embodiment of the present invention.
最初に、成分の種類や含有量が既知の試験試料を準備し(S01)、このような既知の試験試料に対して蛍光指紋を測定し、蛍光指紋情報を取得する(S02)。 First, a test sample having a known type and content of a component is prepared (S01), a fluorescent fingerprint is measured for such a known test sample, and fluorescent fingerprint information is acquired (S02).
次に、取得された蛍光指紋情報に対する前処理を行う(S03)。本発明の実施の一態様は、特に、この前処理に特徴を有しており、前処理の詳細は後述する。 Next, preprocessing is performed on the acquired fluorescent fingerprint information (S03). One embodiment of the present invention is particularly characteristic of this pretreatment, and details of the pretreatment will be described later.
次に、前処理済みの蛍光指紋情報と特定成分の既知の含有量との関係をモデル化し、推定モデル(検量線)を作成する(S04)。このモデル化は、具体的には、前処理済みの蛍光指紋情報を説明変数、既知の含有量を目的変数とする推定式を、様々な多変量解析手法やデータマイニング手法を使用して構築することにより行われ、蛍光指紋情報から試験試料中の特定成分の含有量を推定する検量線(回帰式)が作成される。なお、推定式の構築に用いるアルゴリズムはより汎用的かつ非線形現象にも対応する機械学習アルゴリズム、例えばsupport vector machine (SVM), random forest (RF), neural networkなどでも良い。モデル化の際に用いられる多変量解析手法の例は後述する。 Next, the relationship between the preprocessed fluorescent fingerprint information and the known content of the specific component is modeled, and an estimation model (calibration curve) is created (S04). Specifically, this modeling constructs an estimation formula using preprocessed fluorescent fingerprint information as an explanatory variable and a known content as an objective variable using various multivariate analysis methods and data mining methods. This is done to create a calibration curve (regression equation) that estimates the content of a specific component in the test sample from fluorescent fingerprint information. The algorithm used to construct the estimation formula may be a machine learning algorithm that is more general and supports nonlinear phenomena, such as support vector machine (SVM), random forest (RF), and neural network. An example of a multivariate analysis method used in modeling will be described later.
このようにして構築された推定モデル(検量線)を検証し、その有効性を確認する(S05)。 The estimation model (calibration curve) constructed in this way is verified and its effectiveness is confirmed (S05).
有効性が確認された推定モデル(検量線)を用いて、未知の試料の蛍光指紋情報に基づき、前記未知の試料に含有される特定成分の含有量を推定する(S06)。 Using an estimation model (calibration curve) whose effectiveness has been confirmed, the content of a specific component contained in the unknown sample is estimated based on the fluorescence fingerprint information of the unknown sample (S06).
<本発明の実施の別の一態様の概要>
図10は、本発明の実施の別の一態様の概要を説明するためのブロック図である。<Summary of Another Embodiment of the Present Invention>
FIG. 10 is a block diagram for explaining an outline of another embodiment of the present invention.
蛍光指紋分析による試料の評価・推定装置100は、試料についての励起波長・蛍光波長・蛍光強度のデータからなる蛍光指紋情報を入力とし、2次微分処理により前記試料に特有な前記蛍光強度のピーク値が現れるように軸を設定し、前記軸に沿った前記蛍光指紋情報の2次微分処理を少なくとも含む前処理手段110と、前記前処理手段110の出力を入力とし、少なくとも前記2次微分処理が実施された蛍光指紋情報を説明変数とし、前記試験試料についての既知の定量値を目標変数として、検量線を取得する推定モデル作成手段120と、前記推定モデル作成手段120により取得された前記検量線と未知の試料の蛍光指紋情報とに基づき、前記未知の試料に含有される特定成分の含有量を推定する成分量推定手段130とを具備している。
The sample evaluation /
まず、既知の蛍光分光光度計等を用いて、成分の種類や含有量が既知の試験試料の蛍光指紋情報を取得する。 First, using a known fluorescence spectrophotometer or the like, fluorescence fingerprint information of a test sample whose component type and content are known is acquired.
次に、取得された蛍光指紋情報を前記前処理手段110に入力し、入力された蛍光指紋情報に対する前処理を行う。本態様も、前述の本発明の実施の一態様と同様、特に、この前処理に特徴を有しており、前処理の詳細は後述する。 Next, the acquired fluorescent fingerprint information is input to the preprocessing means 110, and preprocessing is performed on the input fluorescent fingerprint information. Similar to the above-mentioned embodiment of the present invention, this aspect also has a special feature in this pretreatment, and the details of the pretreatment will be described later.
次に、推定モデル作成手段120により、前処理済みの蛍光指紋情報と特定成分の既知の含有量との関係をモデル化し、推定モデル(検量線)を作成する。このモデル化は、前述の本発明の実施の一態様と同様である。そして、このようにして構築された推定モデル(検量線)を検証し、その有効性を確認し、有効性が確認された推定モデル(検量線)を不図示のメモリ等に記憶しておく。 Next, the estimation model creating means 120 models the relationship between the preprocessed fluorescent fingerprint information and the known content of the specific component, and creates an estimation model (calibration curve). This modeling is similar to the embodiment of the present invention described above. Then, the estimation model (calibration curve) constructed in this way is verified, its effectiveness is confirmed, and the estimation model (calibration curve) whose effectiveness is confirmed is stored in a memory (not shown) or the like.
成分量推定手段130は、有効性が確認された推定モデル(検量線)を用いて、未知の試料の蛍光指紋情報に基づき、前記未知の試料に含有される特定成分の含有量を推定する。なお、未知の試料の蛍光指紋情報に対しても、前記前処理手段110による前処理を行うことが望ましい(図10の蛍光指紋分析による試料の評価・推定装置100は、そのような構成を採用している)が、必要に応じてこのような前処理を省略することもできる。
The component amount estimation means 130 estimates the content of the specific component contained in the unknown sample based on the fluorescence fingerprint information of the unknown sample by using the estimation model (calibration curve) whose effectiveness has been confirmed. It is desirable that the fluorescent fingerprint information of an unknown sample is also pretreated by the pretreatment means 110 (the sample evaluation /
以下、蛍光指紋情報に対する前処理、モデル化の際に用いられる多変量解析手法、試料中に微量成分として含まれるクロロゲン酸、スコポレチン、ルチンの含有量の本発明に基づく評価・推定方法について説明する。なた、特に、タバコ原料を試料とした場合について、たばこ原料中のルチン含有量の本発明に基づく評価・推定方法について説明する。 Hereinafter, a multivariate analysis method used for pretreatment of fluorescent fingerprint information, a multivariate analysis method used for modeling, and an evaluation / estimation method based on the present invention for the contents of chlorogenic acid, scopoletin, and rutin contained as trace components in a sample will be described. .. In particular, a method for evaluating and estimating the rutin content in a tobacco raw material based on the present invention will be described in the case of using a tobacco raw material as a sample.
<蛍光指紋情報に対する前処理>
試験試料の蛍光指紋情報を取得する際には、蛍光指紋の計測値(励起波長毎の蛍光スペクトル)をそのまま用いることもできるが、必要に応じて、各種の前処理を行う必要がある。<Preprocessing for fluorescent fingerprint information>
When acquiring the fluorescence fingerprint information of the test sample, the measured value of the fluorescence fingerprint (fluorescence spectrum for each excitation wavelength) can be used as it is, but it is necessary to perform various pretreatments as necessary.
本発明の実施の一態様は、特に、前処理において、以下に詳述するような新規な手法(本発明に特有な2次微分処理)を採用することにより、測定精度の向上を図るものである。 One aspect of the implementation of the present invention is to improve the measurement accuracy, in particular, by adopting a novel method (secondary differential processing peculiar to the present invention) as described in detail below in the pretreatment. be.
3次元空間における、励起波長(λEx)、蛍光波長(測定波長)(λEm)、蛍光強度(IEx,Em)の3直交軸を、それぞれ、y軸、x軸、z軸とし、試験試料の測定で得られたEEM(蛍光指紋)の各ポイントPi(1≦i≦N)の座標を(xi,yi,zi)で表す。また、x軸及びy軸で決定される平面をx-y平面、x軸及びz軸で決定される平面をx-z平面、y軸及びz軸で決定される平面をy-z平面と呼ぶ。Measurement of test samples with the three orthogonal axes of excitation wavelength (λEx), fluorescence wavelength (measurement wavelength) (λEm), and fluorescence intensity (IEx, Em) in the three-dimensional space as the y-axis, x-axis, and z-axis, respectively. The coordinates of each point P i (1 ≦ i ≦ N) of the EEM (fluorescent fingerprint) obtained in 1) are represented by (x i , y i , z i ). Further, the plane determined by the x-axis and the y-axis is referred to as the xy plane, the plane determined by the x-axis and the z-axis is referred to as the x-z plane, and the plane determined by the y-axis and the z-axis is referred to as the yz plane. Call.
x-y平面上にw軸を取り、w軸と交わりz軸と平行な軸をz’軸とすると、x-y平面と直交するw-z’平面が得られる、このw-z’平面を平行移動させ、前記蛍光指紋を切って得られた各断面は、z’=f(w)という関数で表すことができる。この関数の2次微分値(d2z’/dw2=(d2/dw2)f(w))を求める。求めた2次微分値から、勾配の一番急激な変化点をピークとして求める。
なお、ピークは1つとは限らず、複数存在する可能性があり、この場合には、複数のピークに対応する情報を取得する。If the w-axis is taken on the xy plane and the axis intersecting the w-axis and parallel to the z-axis is the z'axis, the wz'plane orthogonal to the xy plane can be obtained. Each cross section obtained by cutting the fluorescent fingerprint can be represented by a function of z'= f (w). The second derivative value (d 2 z'/ dw 2 = (d 2 / dw 2 ) f (w)) of this function is obtained. From the obtained second derivative value, the steepest change point of the gradient is obtained as a peak.
It should be noted that the number of peaks is not limited to one, and there may be a plurality of peaks. In this case, information corresponding to a plurality of peaks is acquired.
そして、このような処理を行うことにより、1次微分では検出が困難な、埋もれ易い微かなピークであっても有効に抽出することができる。また1次微分処理と異なり、スペクトル取得時に問題となる波長依存のベースラインの補正を容易に行うことができる。 By performing such processing, even a faint peak that is difficult to detect by the first derivative and is easily buried can be effectively extracted. Further, unlike the first-order differential processing, it is possible to easily correct the wavelength-dependent baseline, which is a problem at the time of spectrum acquisition.
そこで、上述のようなw軸の設定をどのように行うべきかが問題となる。試験試料に最適なw軸(以下、「最適軸」という)を設定するために、以下に例示するような手法が有効である。
(1)w軸の方向を固定し、w-z’平面を平行移動させると、当該w軸について前記蛍光指紋の断面積(∫f(w)dw)の最大値が得られる。w軸の方向を変えて、この断面積の最大値が最大となるw軸(wSmax)を求め、このwSmaxを最適軸とする。
(2)w軸の方向を固定し、w-z’平面を平行移動させると、当該w軸について前記蛍光指紋の断面の底辺(x-y平面に接する辺)近傍の長さの最大値が得られる。w軸の方向を変えて、この長さの最大値が最大となるw軸(wLmax)を求め、このwLmaxを最適軸とする。
(3)蛍光指紋の各ポイントPi(1≦i≦N)からの距離の二乗の総和が最小となるような直線(最小二乗直線)を求めると、当該最小二乗直線を含むw-z’平面が決定される。そこで、これにより決定されるw軸を最適軸とする。
(4)蛍光指紋の各ポイントPi(1≦i≦N)の中、前記蛍光指紋の底面近傍のポイント(x-y平面近傍のポイント)からの距離の二乗の総和が最小となるような直線(最小二乗直線)を求めると、当該最小二乗直線を含むw-z’平面が決定される。そこで、これにより決定されるw軸を最適軸とする。Therefore, the problem is how to set the w-axis as described above. In order to set the optimum w-axis (hereinafter referred to as “optimal axis”) for the test sample, a method as illustrated below is effective.
(1) When the direction of the w-axis is fixed and the w-z'plane is translated, the maximum value of the cross-sectional area (∫f (w) dw) of the fluorescent fingerprint is obtained for the w-axis. By changing the direction of the w-axis, the w-axis (w Smax ) at which the maximum value of this cross-sectional area is maximized is obtained, and this w Smax is set as the optimum axis.
(2) When the direction of the w-axis is fixed and the wz'plane is translated, the maximum value of the length near the bottom of the cross section of the fluorescent fingerprint (the side in contact with the xy plane) for the w-axis becomes. can get. By changing the direction of the w-axis, the w-axis (w Lmax ) at which the maximum value of this length is maximum is obtained, and this w Lmax is set as the optimum axis.
(3) When a straight line (least squares straight line) that minimizes the sum of the squares of the distances from each point P i (1 ≦ i ≦ N) of the fluorescent fingerprint is obtained, wz ′ including the least squares straight line. The plane is determined. Therefore, the w-axis determined by this is set as the optimum axis.
(4) In each point P i (1 ≦ i ≦ N) of the fluorescent fingerprint, the sum of the squares of the distances from the points near the bottom surface of the fluorescent fingerprint (points near the xy plane) is minimized. When a straight line (least squares straight line) is obtained, the wz'plane containing the least squares straight line is determined. Therefore, the w-axis determined by this is set as the optimum axis.
なお、最適軸の設定は上記手法に限られるものではなく、例えば、上記手法により得られたw軸を暫定的な最適軸として、この暫定的な最適軸をx-y平面上で適宜回転して、前記試験試料に特有な前記蛍光強度のピーク値が現れるようにw軸を設定するようにしてもよい。
また、試験試料によっては、最適軸をx軸、又は、y軸に平行な軸として設定する簡素化した手法を採用することもできる。The setting of the optimum axis is not limited to the above method. For example, the w-axis obtained by the above method is used as a provisional optimum axis, and this provisional optimum axis is appropriately rotated on the xy plane. Therefore, the w-axis may be set so that the peak value of the fluorescence intensity peculiar to the test sample appears.
Further, depending on the test sample, a simplified method of setting the optimum axis as the x-axis or the axis parallel to the y-axis can be adopted.
なお、特許文献2には、2次元展開された蛍光指紋に対する信号処理演算として2次微分が例示されているが(段落〔0026〕等参照)、本発明の上記最適軸に係る技術思想については、記載も示唆もされていないことに留意されたい。 Although second-order differentiation is exemplified as a signal processing operation for a two-dimensionally developed fluorescent fingerprint in Patent Document 2 (see paragraph [0026], etc.), the technical idea relating to the optimum axis of the present invention is described. Please note that neither description nor suggestion is given.
上記本発明に特有な2次微分処理の外に、計測された蛍光指紋からノイズを除去して有効な蛍光指紋情報を得るために、非蛍光成分の除去処理、散乱光の除去処理、低感度領域の削除処理の中の1つ又は複数の組合せを前処理として採用することができる。また、取得された蛍光指紋情報に対し、中心化、規格化、標準化、ベースライン補正、平滑化、オートスケーリング、対数変換(Log10)等の演算処理の中の1つ又は複数の組合せを前処理として採用することもできる。さらに、従前使用されている2次微分処理を併せて使用することもできる。 In addition to the second-order differential processing peculiar to the present invention, in order to remove noise from the measured fluorescent fingerprint and obtain effective fluorescent fingerprint information, a non-fluorescent component removal process, a scattered light removal process, and low sensitivity One or a combination of one or more of the area deletion processes can be adopted as the preprocessing. In addition, one or more combinations of arithmetic processing such as centralization, standardization, standardization, baseline correction, smoothing, autoscaling, and logarithmic conversion (Log10) are preprocessed for the acquired fluorescent fingerprint information. It can also be adopted as. Furthermore, the second-order differential processing previously used can also be used.
なお、上述の本発明に特有な2次微分処理とそれ以外の前処理を併用する場合に、その適用順序は適宜設定可能であるが、処理の効率化の観点から、非蛍光成分の除去処理、散乱光の除去処理、低感度領域の削除処理等の処理を先行させることが望ましい。 When the above-mentioned second-order differential processing peculiar to the present invention and other pretreatment are used in combination, the order of application can be appropriately set, but from the viewpoint of improving the efficiency of the treatment, the non-fluorescent component removal treatment , It is desirable to precede processing such as removal processing of scattered light and deletion processing of low-sensitivity region.
<モデル化の際に用いられる多変量解析手法>
モデル化の際に用いられる多変量解析手法として、PLS(Partial Least Squares)回帰分析、重回帰分析、主成分回帰分析、最小二乗法等の各種の解析手法を用いることができる。<Multivariate analysis method used for modeling>
As a multivariate analysis method used in modeling, various analysis methods such as PLS (Partial Least Squares) regression analysis, multiple regression analysis, principal component regression analysis, and least squares method can be used.
PLS回帰分析は、主成分と目的変数との共分散が最大になるように主成分を抽出する手法であり、説明変数の間に強い相関がある場合(多重共線性を生ずる場合)に有効な手法である。 PLS regression analysis is a method of extracting principal components so that the covariance between the principal components and the objective variable is maximized, and is effective when there is a strong correlation between the explanatory variables (when multicollinearity occurs). It is a method.
主成分回帰分析は、主成分の分散が最大になるように主成分を抽出する手法であり、説明変数のみを用いて主成分分析を行い、得られた主成分と目的変数との間で最小二乗法による重回帰分析を行うものである。
重回帰分析は、説明変数と目的変数との間で最小二乗法を適用するものであり、主成分回帰分析とは異なる特徴を有するものである。Principal component regression analysis is a method of extracting principal components so that the dispersion of principal components is maximized. Principal component analysis is performed using only explanatory variables, and the minimum between the obtained principal components and objective variables. This is a multiple regression analysis by the square method.
The multiple regression analysis applies the least squares method between the explanatory variable and the objective variable, and has different characteristics from the principal component regression analysis.
なお、上述の各解析手法自体は周知であり、本発明のモデル化の際に特殊な処理を要請するものでもないので処理内容の詳細は省略するが、PLSに関しては、検量線の作成との関連で後述する。 Since each of the above-mentioned analysis methods is well known and does not require special processing when modeling the present invention, details of the processing contents are omitted, but for PLS, a calibration curve is created. It will be described later in this section.
<試料中のクロロゲン酸、スコポルチン、ルチンの含有量の推定への適用例>
次に、本発明の手法を試料中の微量成分(クロロゲン酸、スコポルチン、ルチン)の含有量の推定に適用した適用例について詳述する。<Example of application to estimation of the contents of chlorogenic acid, scopoltin, and rutin in a sample>
Next, an application example in which the method of the present invention is applied to estimate the content of trace components (chlorogenic acid, scopoltin, rutin) in a sample will be described in detail.
これらの微量成分(クロロゲン酸、スコポルチン、ルチン)はポリフェノールの一種であり、蕎麦や果皮に多く含まれる栄養素の1つとして知られており、抗酸化作用等を有することから、食品や化粧品等様々な業界から注目されている。 These trace components (chlorogenic acid, scopoltin, rutin) are a kind of polyphenols and are known as one of the nutrients abundant in buckwheat and pericarp. Since they have antioxidant activity, they are various in foods and cosmetics. It is attracting attention from various industries.
これらの微量成分の定量方法としては、試料中のこれらの微量成分を抽出液で抽出し、これを高速液体クロマトグラフ(HPLC)で定量する方法が知られているが、この方法では分析結果を得るまでに労力と時間を要するという問題がある。 As a method for quantifying these trace components, a method is known in which these trace components in a sample are extracted with an extract and then quantified by a high performance liquid chromatograph (HPLC). In this method, the analysis result is obtained. There is a problem that it takes labor and time to obtain it.
これらの微量成分は、試料中に化学構造が類似したポリフェノールとして混在して存在する場合が多い(例えば、たばこ原料等)。このような場合、化学構造が類似したポリフェノールは類似した蛍光指紋を有するため、蛍光指紋法を適用しても、特定の微量成分だけを抜き出して正確に定量することには困難性が予想される。 These trace components are often present in the sample as polyphenols having similar chemical structures (for example, tobacco raw materials). In such a case, since polyphenols having similar chemical structures have similar fluorescent fingerprints, it is expected that it will be difficult to extract and accurately quantify only specific trace components even if the fluorescent fingerprint method is applied. ..
上記のような化学構造が類似した微量成分の定量に関する困難性に係る事情等を、図5、図6A~図6Cに基づき説明する。 The circumstances related to the difficulty in quantifying trace components having similar chemical structures as described above will be described with reference to FIGS. 5, 6A to 6C.
図5は、クロロゲン酸(10ppm)、ルチン(1ppm)、スコポレチン(0.1ppm)を含む混合サンプルの蛍光指紋を表している。他方、図6A、図6B、図6Cは、混合サンプルに含まれる、スコポレチン(1ppm:(A))、クロロゲン酸(1ppm:(B))、ルチン(1ppm:(C))のそれぞれを単独で含む試験試料の蛍光指紋を表している。以下の表1は、前記混合サンプル、並びに、スコポレチン(1ppm)、クロロゲン酸(1ppm)、ルチン(1ppm)の蛍光指紋のピーク位置近傍の波長(励起波長/蛍光波長)、及び、対応する蛍光強度を纏めたものである。 FIG. 5 shows a fluorescent fingerprint of a mixed sample containing chlorogenic acid (10 ppm), rutin (1 ppm), scopoletin (0.1 ppm). On the other hand, in FIGS. 6A, 6B and 6C, scopoletin (1 ppm: (A)), chlorogenic acid (1 ppm: (B)) and rutin (1 ppm: (C)) contained in the mixed sample are used alone. Represents the fluorescent fingerprint of the included test sample. Table 1 below shows the wavelengths (excitation wavelength / fluorescence wavelength) near the peak position of the fluorescent fingerprints of the mixed sample, scopoletin (1 ppm), chlorogenic acid (1 ppm), and rutin (1 ppm), and the corresponding fluorescence intensities. It is a summary of.
図5及び図6A~図6C並びに表1から、概略、以下のような知見が得られる。
・混合物の蛍光指紋において、ルチンのピーク位置近傍の波長はスコポレチンと一致している(図5の符号「A」を付した箇所参照)。
・混合物の蛍光指紋において、クロロゲン酸にみられるピーク位置(図5の符号「B」を付した箇所参照)が現れている。
・混合物の蛍光指紋において、ルチンに関する特徴は、一見したところでは視認できない。
・試料中の含有量が1ppmの場合、蛍光強度は、スコポレチンとルチンで3桁相違する。
・但し、蛍光指紋のパターンは、スコポレチン、クロロゲン酸、ルチンでわずかに異なる。From FIGS. 5 and 6A to 6C and Table 1, the following findings can be obtained roughly.
-In the fluorescent fingerprint of the mixture, the wavelength near the peak position of rutin coincides with scopoletin (see the part marked with the symbol "A" in FIG. 5).
-In the fluorescent fingerprint of the mixture, the peak position seen in chlorogenic acid (see the part marked with the symbol "B" in FIG. 5) appears.
-In the fluorescent fingerprint of the mixture, the characteristics related to rutin are not visible at first glance.
-When the content in the sample is 1 ppm, the fluorescence intensity differs by 3 orders of magnitude between scopoletin and rutin.
-However, the pattern of fluorescent fingerprints is slightly different for scopoletin, chlorogenic acid, and rutin.
そこで、スコポレチン、クロロゲン酸、ルチン間でわずかに異なる蛍光指紋のパターンに着目して、試料中のそれぞれの含有量を推定することを可能にすることが考えられる。本適用例は、取得された蛍光指紋の前処理において、前述のような新規な手法を採用することにより、簡便かつ迅速に、試料中のスコポレチン、クロロゲン酸、ルチンの含有量を推定することができるものである。 Therefore, it may be possible to estimate the content of each of the samples by focusing on the patterns of fluorescent fingerprints that are slightly different among scopoletin, chlorogenic acid, and rutin. In this application example, the content of scopoletin, chlorogenic acid, and rutin in the sample can be easily and quickly estimated by adopting the novel method as described above in the pretreatment of the acquired fluorescent fingerprint. It can be done.
以下、本発明の実施の一態様の各工程について説明する。
〔試験試料の準備〕
<ルチン・クロロゲン酸・スコポレチンを標品で混合した試料を用いる場合>
ルチン・クロロゲン酸・スコポレチンの標品を様々な割合で混合した40サンプル(溶媒は50%エタノール/水溶液)を準備した。各サンプルについては、粒径1mm以下に粉砕し十分に混合したものを試験試料として用意した。このような粉砕・混合により、ルチン・クロロゲン酸・スコポレチンが原料中に一様に分布せず局在しているようなケースであっても、測定の精度を担保するようにした。Hereinafter, each step of one embodiment of the present invention will be described.
[Preparation of test sample]
<When using a sample in which rutin, chlorogenic acid, and scopoletin are mixed as a standard>
Forty samples (solvent: 50% ethanol / aqueous solution) in which rutin, chlorogenic acid, and scopoletin preparations were mixed in various ratios were prepared. For each sample, pulverized to a particle size of 1 mm or less and sufficiently mixed was prepared as a test sample. By such pulverization and mixing, the accuracy of measurement is ensured even in the case where rutin, chlorogenic acid, and scopoletin are not uniformly distributed and localized in the raw material.
また、試験試料は事前に水分量を一定化するために蔵置されたものを用いた。例えばたばこ原料の場合、調和条件(22度60%の室内)で24時間以上蔵置することが好ましい。このように測定前に水分量を一定化させておくことで蛍光のピークシフトが起こりにくくなる。 In addition, the test sample used was stored in advance to stabilize the water content. For example, in the case of tobacco raw materials, it is preferable to store them for 24 hours or more under harmonized conditions (indoors at 22 degrees 60%). By keeping the water content constant before the measurement in this way, the peak shift of fluorescence is less likely to occur.
<ルチン含有量の測定にたばこ原料を試料として用いる場合>
ルチン含有量が既知の各サンプルについては、粒径1mm以下に粉砕し十分に混合したものを試験試料として用意した。<When using a tobacco raw material as a sample to measure the rutin content>
For each sample having a known rutin content, a sample crushed to a particle size of 1 mm or less and sufficiently mixed was prepared as a test sample.
試料がたばこ原料であった場合、ルチンはたばこ原料中に均一に存在するのではなく局在することがわかっていることから、このように、測定前に試料を一定粒径(1mm径)以下に粉砕し、十分に混合してから蛍光指紋を取得することが好ましいものである。なお、各サンプルのルチン含有量については、事前に高速液体クロマトグラフ(HPLC)により定量しておいた。 When the sample is a tobacco raw material, it is known that rutin is localized rather than uniformly present in the tobacco raw material. Therefore, in this way, the sample has a certain particle size (1 mm diameter) or less before measurement. It is preferable to obtain a fluorescent fingerprint after pulverizing and thoroughly mixing. The rutin content of each sample was quantified in advance by high performance liquid chromatography (HPLC).
また、試験試料は事前に水分量を一定化するために蔵置されたものを用いた。たばこ原料の場合は、調和条件(22度60%の室内)で24時間以上蔵置することが好ましい。このように測定前に水分量を一定化させておくことで蛍光のピークシフトが起こりにくくなる。 In addition, the test sample used was stored in advance to stabilize the water content. In the case of tobacco raw materials, it is preferable to store them for 24 hours or more under harmonized conditions (indoors at 22 degrees 60%). By keeping the water content constant before the measurement in this way, the peak shift of fluorescence is less likely to occur.
但し、ルチンに関しては溶かせる溶媒が限られているため、固体のまま測定するのが望ましい場合もあり、たばこ原料中のルチンの含有量を測定(推定)するために固体のままで蛍光指紋情報を取得する場合もある。 However, since the solvent that can be dissolved in rutin is limited, it may be desirable to measure it as a solid, and fluorescent fingerprint information as a solid in order to measure (estimate) the content of rutin in the tobacco raw material. May be obtained.
〔蛍光指紋情報の取得〕
試験試料の蛍光指紋情報を取得するために、蛍光指紋測定装置として、日立ハイテクサイエンス社製F-7000を用い、反射法(FrontFace)により測定を行った。[Acquisition of fluorescent fingerprint information]
In order to acquire the fluorescent fingerprint information of the test sample, an F-7000 manufactured by Hitachi High-Tech Science Co., Ltd. was used as a fluorescent fingerprint measuring device, and the measurement was performed by the reflection method (FrontFace).
測定条件は、励起光200-600nm, 蛍光200-700nm, 分解能5nm, スリット幅5nm,フォトマル感度700Vであった。なお、分解能5nmを考慮すれば、測定波長は少なくとも5nm程度の誤差を許容するものである。
The measurement conditions were excitation light 200-600 nm, fluorescence 200-700 nm,
〔蛍光指紋情報に対する前処理〕
<ルチン・クロロゲン酸・スコポレチンを標品で混合した試料を用いる場合>
ルチン・クロロゲン酸・スコポレチンの標品を様々な割合で混合した試験試料から取得された蛍光指紋情報に対して前処理を行う。この前処理には、例えば、MatlabやPLS_toolbox等の専用ソフトウエアが使用される。前処理としては、前述の<蛍光指紋情報に対する前処理>において詳述した本発明に特有な2次微分処理の外に、好ましくは、各スペクトルに対する従前使用されている2次微分処理や、成分情報に寄与しない波長を除去する処理が挙げられる。因みに、成分情報に寄与しない波長を除去する処理として、例えば、以下のような手法を採用し得るが、各処理手法自体は既知であり、その詳細についての説明は省く。
(a)Variable important projection(VIP)
(b)interval PLS(iPLS)
(c)Genetic algorithms(GA)
(d)Jack-knife分析
(e)Forward interval PLS
(f)Backward interval PLS(biPLS)
(g)Synergy interval PLS(siPLS)
(h)LASSO type method[Preprocessing for fluorescent fingerprint information]
<When using a sample in which rutin, chlorogenic acid, and scopoletin are mixed as a standard>
Pretreatment is performed on the fluorescent fingerprint information obtained from the test sample in which the rutin, chlorogenic acid, and scopoletin preparations are mixed in various ratios. For this preprocessing, for example, dedicated software such as Matlab or PLS_toolbox is used. As the pretreatment, in addition to the second-order differential processing peculiar to the present invention described in detail in the above-mentioned <pre-treatment for fluorescent fingerprint information>, preferably, the second-order differential treatment previously used for each spectrum and the components are used. Examples thereof include processing for removing wavelengths that do not contribute to information. Incidentally, as a process for removing wavelengths that do not contribute to component information, for example, the following methods can be adopted, but each process method itself is known, and the details thereof will be omitted.
(A) Variable important projection (VIP)
(B) interval PLS (iPLS)
(C) Genetic algorithms (GA)
(D) Jack-knife analysis (e) Forward interval PLS
(F) Backward interval PLS (biPLS)
(G) Synergy interval PLS (siPLS)
(H) LASSO type method
本発明に特有な2次微分処理に関しては、前述の<蛍光指紋情報に対する前処理>において詳述した手法を適用するが、本混合試料のケースでみれば、ルチン、クロロゲン酸、スコポレチンの蛍光指紋情報に対して、x軸(蛍光波長軸)に平行な軸に沿った2次微分処理を行うことにより、有効な結果を得ることができる。 For the second derivative processing peculiar to the present invention, the method described in detail in <Pretreatment for fluorescent fingerprint information> is applied, but in the case of this mixed sample, fluorescent fingerprints of rutin, chlorogenic acid, and scopoletin are applied. Effective results can be obtained by performing a second derivative process on the information along an axis parallel to the x-axis (fluorescence wavelength axis).
<ルチン含有量の測定のためにたばこ原料を試料として用いる場合>
基本的に、前述したルチン・クロロゲン酸・スコポレチンを標品で混合した試料を用いる場合と同様の前処理を行えばよい。<When using a tobacco raw material as a sample to measure the rutin content>
Basically, the same pretreatment as in the case of using a sample in which rutin, chlorogenic acid, and scopoletin are mixed as described above may be performed.
〔検量線の作成・検証〕
検量線は、具体的には、取得された蛍光指紋情報を説明変数、既知の成分(ルチン、クロロゲン酸、スコポレチン)の含有量を目的変数とし、PLS回帰分析(以下、単に「PLS」ということもある)を使用して作成する。[Creation and verification of calibration curve]
Specifically, the calibration curve uses the acquired fluorescent fingerprint information as an explanatory variable and the content of known components (rutin, chlorogenic acid, scopoletin) as an objective variable, and is referred to as PLS regression analysis (hereinafter, simply referred to as "PLS"). Also created using).
PLS回帰分析に関し、その概略を簡潔に説明しておく。
PLSでは、説明変数X(行列)と目的変数y(ベクトル)は、以下の二つの基本式(1)、(2)を満たしている。
X=TPT+E (1)
y=Tq+f (2)
ここで、Tは潜在変数(行列)、Pはローディング(行列)、Eは説明変数Xの残差(行列)、qは係数(ベクトル)、fは目的変数の残差(ベクトル)、PTはPの転置行列である。The outline of PLS regression analysis will be briefly explained.
In PLS, the explanatory variable X (matrix) and the objective variable y (vector) satisfy the following two basic equations (1) and (2).
X = TPT + E (1)
y = Tq + f (2)
Here, T is a latent variable (matrix), P is loading (matrix), E is the residual of the explanatory variable X (matrix), q is the coefficient (vector), f is the residual of the objective variable (vector), and P T. Is the transposed matrix of P.
因みに、PLSは、説明変数Xの情報を目的変数yのモデリングに直接用いるのではなく、説明変数Xの情報の一部を潜在変数tに変換し、潜在変数tを用いて目的変数yをモデリングするものである。なお、潜在変数の数は、例えば、クロスバリデーションによる予測的説明分散値を指標として決定することができる。また、潜在変数は、主成分と呼ばれることもある。 Incidentally, PLS does not directly use the information of the explanatory variable X for modeling the objective variable y, but converts a part of the information of the explanatory variable X into the latent variable t and models the objective variable y using the latent variable t. It is something to do. The number of latent variables can be determined, for example, using a predictive explanatory variance value by cross-validation as an index. Latent variables are also sometimes called principal components.
特に、1成分モデルの場合には、上記の(1)、(2)は、以下の(3)、(4)で表される。
X=t1p1
T+E (3)
y=t1q1+f (4)
ここで、t1は潜在変数(ベクトル)、p1はローディング(ベクトル)、q1は係数(スカラー)である。In particular, in the case of a one-component model, the above (1) and (2) are represented by the following (3) and (4).
X = t 1 p 1 T + E (3)
y = t 1 q 1 + f (4)
Here, t 1 is a latent variable (vector), p 1 is a loading (vector), and q 1 is a coefficient (scalar).
今、t1がXの線形結合で表されると仮定すると、以下の(5)が成立する。
t1=Xw1 (5)
ここで、w1は規格化された重みベクトルである。Now, assuming that t 1 is represented by a linear combination of X, the following (5) holds.
t 1 = Xw 1 (5)
Here, w 1 is a normalized weight vector.
PLSは、yとt1との共分散yTt1を、w1のノルムが1(|w1|=1)という条件下で最大化するようなt1を求めるものであり、t1の算出には、所謂ラグランジュの未定乗数法を用いればよい。ラグランジュの未定乗数法を用いた計算手法は周知であるから、計算の詳細は省略し、w1、p1、q1に関する計算結果のみ、以下の(6)~(8)として示す。
w1=XTy/|XTy| (6)
p1=XTt1/t1
Tt1 (7)
q1=yTt1/t1
Tt1 (8)
なお、(7)、(8)式のt1は、(6)式で求めたw1を(5)式に代入することにより算出されたベクトルである。PLS finds t 1 such that the covariance y T t 1 of y and t 1 is maximized under the condition that the norm of w 1 is 1 (| w 1 | = 1 ). The so-called Lagrange's undetermined multiplier method may be used for the calculation of. Since the calculation method using the Lagrange's undetermined multiplier method is well known, the details of the calculation are omitted, and only the calculation results for w 1 , p 1 , and q 1 are shown as (6) to (8) below.
w 1 = X T y / | X T y | (6)
p 1 = X T t 1 / t 1 T t 1 (7)
q 1 = yTt1 / t 1 T t 1 (8)
Note that t 1 in equations (7) and (8) is a vector calculated by substituting w 1 obtained in equation (6) into equation (5).
多成分モデルについても、同様の手法で計算できるが、計算手法は周知であるから詳細は省略する。 The multi-component model can be calculated by the same method, but the details are omitted because the calculation method is well known.
まず、ルチン・クロロゲン酸・スコポレチンを標品で混合した試料を用いる場合について、検量線の作成・検証の詳細を説明する。 First, the details of preparation and verification of a calibration curve will be described in the case of using a sample in which rutin, chlorogenic acid, and scopoletin are mixed as a standard.
上述のような手法で得られた検量線を、ルチン、クロロゲン酸、スコポレチンの各成分について作成・検証するために、ルチン、クロロゲン酸、スコポレチンの各成分の含有量が既知の複数のサンプルを、検量線の作成に使用するためのキャリブレーション用サンプル群と、検量線を検証して有効性を確認するためのバリデーション用サンプル群に分けて用意する。 In order to prepare and verify the calibration curve obtained by the above method for each component of rutin, chlorogenic acid, and scopoletin, a plurality of samples having a known content of each component of rutin, chlorogenic acid, and scopoletin were prepared. Prepare a sample group for calibration for use in creating a calibration curve and a sample group for validation for verifying the calibration curve and confirming its effectiveness.
キャリブレーション用サンプル群に対して上述のPLS回帰分析を適用し、取得された蛍光指紋情報から各成分について含有量を推定する検量線を作成する。なお、検量線の作成に当たり、取得された蛍光指紋に対する前処理を省くこともできるが、(1)本発明に特有な2次微分処理、(2)成分情報に寄与しない波長に対する除去処理等の前処理を行うことが望ましい。(2)の前処理に関しては、例えば、以下のような処理を採用することができる。
・非蛍光成分の除去,散乱光の除去,低感度領域の除去
・対数変換(Log10)→従前の二次微分→規格化(normalize)→オートスケーリング(autoscale)
・VIPによる波長限定
因みに、上記(1)、(2)の前処理の順序は、適宜決めることができるが、(2)を先行させることが望ましい。The above-mentioned PLS regression analysis is applied to the sample group for calibration, and a calibration curve for estimating the content of each component is created from the acquired fluorescent fingerprint information. In creating the calibration curve, the preprocessing for the acquired fluorescent fingerprint can be omitted, but (1) the second derivative processing peculiar to the present invention, (2) the removal processing for the wavelength that does not contribute to the component information, etc. It is desirable to perform pretreatment. Regarding the pretreatment of (2), for example, the following processing can be adopted.
・ Removal of non-fluorescent components, removal of scattered light, removal of low-sensitivity region ・ Logarithmic conversion (Log10) → conventional quadratic differentiation → normalize → autoscale
-Wavelength limitation by VIP By the way, the order of the pretreatments (1) and (2) above can be determined as appropriate, but it is desirable to precede (2).
次に、バリデーション用サンプル群について、取得された蛍光指紋情報から前記検量線を用いて各成分の含有量を推定し、検量線の検証を行う。 Next, for the sample group for validation, the content of each component is estimated from the acquired fluorescent fingerprint information using the calibration curve, and the calibration curve is verified.
表2は、ルチン、クロロゲン酸、スコポレチンの各成分について、キャリブレーション用サンプル群の決定係数R2及び検量線作成時の標準誤差SEC、並びに、バリデーション用サンプル群の決定係数R2及び検量線評価(検証)時の標準誤差SEPを纏めたものである。Table 2 shows the coefficient of determination R 2 of the calibration sample group and the standard error SEC at the time of preparing the calibration curve, and the coefficient of determination R 2 and the calibration curve evaluation of the calibration sample group for each component of rutin, chlorogenic acid, and scopoletin. This is a summary of the standard error SEP at the time of (verification).
図7A~図7Cは、ルチン、クロロゲン酸、スコポレチンの各成分について、バリデーション用サンプル群のデータをグラフ化したものであり、図7Aはスコポレチン、図7Bはクロロゲン酸、図7Cはルチンをそれぞれ表している。 7A-7C are graphs of the data of the sample group for validation for each component of rutin, chlorogenic acid, and scopoletin. FIG. 7A shows scopoletin, FIG. 7B shows chlorogenic acid, and FIG. 7C shows rutin. ing.
上述の表2及び図7A~図7Cからも明らかなように、ルチン、クロロゲン酸、スコポレチンの検量線は、良好な推定精度を有しており、当該検量線の有効性が確認されている。 As is clear from Table 2 and FIGS. 7A to 7C described above, the calibration curves of rutin, chlorogenic acid, and scopoletin have good estimation accuracy, and the effectiveness of the calibration curves has been confirmed.
次に、ルチン含有量の測定のためにたばこ原料を試料として用いる場合について、キャリブレーション及びバリデーションの推定精度について詳述する。 Next, in the case of using a tobacco raw material as a sample for measuring the rutin content, the estimation accuracy of calibration and validation will be described in detail.
図8Aは、横軸に高速液体クロマトグラフ(HPLC)による実測値(化学分析値)、縦軸に蛍光指紋による推定値を取り、バリデーション用サンプル群に属する各サンプルについて、前記前処理を行った場合の対応する点をプロットしたグラフである。 In FIG. 8A, the horizontal axis is the measured value (chemical analysis value) by high performance liquid chromatography (HPLC), and the vertical axis is the estimated value by fluorescent fingerprint, and the pretreatment is performed on each sample belonging to the validation sample group. It is a graph which plotted the corresponding points of the case.
前述のような、ルチン・クロロゲン酸・スコポレチンを標品で混合した試料を用いる場合と同様の前処理を行った場合のキャリブレーション用サンプル群において、決定係数R2=0.97(SEC=0.086%)であり、化学分析値と検量線による推定値との間に高い相関を有し、良好な推定精度であることが確認されている。また、図8Aによれば、バリデーション用サンプル群における推定精度は、決定係数R2=0.91(SEP=0.19%)あり、当該検量線の有効性が確認されている。The coefficient of determination R 2 = 0.97 (SEC = 0) in the calibration sample group when the same pretreatment as when using the sample in which rutin, chlorogenic acid, and scopoletin were mixed as described above was performed. It has a high correlation between the chemical analysis value and the estimated value by the calibration curve, and it is confirmed that the estimation accuracy is good. Further, according to FIG. 8A, the estimation accuracy in the validation sample group has a coefficient of determination R 2 = 0.91 (SEP = 0.19%), and the effectiveness of the calibration curve is confirmed.
なお、前述のような前処理を省いた場合には、キャリブレーション用サンプル群における推定精度は、決定係数R2=0.93(SEC=0.16%)、バリデーション用サンプル群における推定精度は、図9に示されるように、決定係数R2=0.87(SEP=0.22%)であり、化学分析値と検量線による推定値との間に高い相関を有してはいるものの、前述のような前処理を行った場合と比較すると、推定精度について若干の低下が認められる。When the pretreatment as described above is omitted, the estimation accuracy in the calibration sample group is the coefficient of determination R 2 = 0.93 (SEC = 0.16%), and the estimation accuracy in the validation sample group is. , As shown in FIG. 9, the coefficient of determination R 2 = 0.87 (SEP = 0.22%), and although there is a high correlation between the chemical analysis value and the estimated value by the calibration curve. Compared with the case where the pretreatment as described above is performed, a slight decrease in the estimation accuracy is observed.
次に、クロロゲン酸含有量の測定のためにたばこ原料を試料として用いる場合について、キャリブレーション及びバリデーションの推定精度について詳述する。 Next, in the case of using a tobacco raw material as a sample for measuring the chlorogenic acid content, the estimation accuracy of calibration and validation will be described in detail.
図8Bは、横軸に高速液体クロマトグラフ(HPLC)による実測値(化学分析値)、縦軸に蛍光指紋による推定値を取り、バリデーション用サンプル群に属する各サンプルについて、前記前処理を行った場合の対応する点をプロットしたグラフである。 In FIG. 8B, the horizontal axis is the measured value (chemical analysis value) by high performance liquid chromatography (HPLC), and the vertical axis is the estimated value by fluorescent fingerprint, and the pretreatment is performed on each sample belonging to the validation sample group. It is a graph which plotted the corresponding points of the case.
前述のような、ルチン・クロロゲン酸・スコポレチンを標品で混合した試料を用いる場合と同様の前処理を行った場合のキャリブレーション用サンプル群において、決定係数R2=0.87(SEC=0.19%)であり、化学分析値と検量線による推定値との間に高い相関を有し、良好な推定精度であることが確認されている。また、図8Bによれば、バリデーション用サンプル群における推定精度は、決定係数R2=0.88(SEP=0.20%)あり、当該検量線の有効性が確認されている。In the calibration sample group when the same pretreatment as the case of using the sample in which rutin, chlorogenic acid, and scopoletin are mixed as described above is performed, the coefficient of determination R 2 = 0.87 (SEC = 0). It has a high correlation between the chemical analysis value and the estimated value by the calibration curve, and it is confirmed that the estimation accuracy is good. Further, according to FIG. 8B, the estimation accuracy in the validation sample group has a coefficient of determination R 2 = 0.88 (SEP = 0.20%), and the effectiveness of the calibration curve is confirmed.
〔未知試料における各成分の含有量の推定〕
有効性が確認された検量線を用いて、ルチン、クロロゲン酸、スコポレチンの各成分の含有量が未知の試料の蛍光指紋情報に基づき、前記試料に含有される各成分の含有量を推定する。[Estimation of the content of each component in an unknown sample]
Using a calibration curve whose effectiveness has been confirmed, the content of each component contained in the sample is estimated based on the fluorescence fingerprint information of a sample in which the content of each component of rutin, chlorogenic acid, and scopoletin is unknown.
なお、各成分の含有量が未知の試料について、取得された蛍光指紋に対する前処理を省くこともできるが、検量線を取得したときと同様、(1)本発明に特有な2次微分処理、(2)成分情報に寄与しない波長に対する除去処理等の前処理を行い、次に、処理後の蛍光指紋から検量線に基づいて未知試料の各成分の含有量を推定することが望ましい。なお、上記(1)、(2)の前処理の順序は、適宜決めることができるが、(2)を先行させることが望ましい。 For a sample whose content of each component is unknown, the pretreatment for the acquired fluorescent fingerprint can be omitted, but as in the case of acquiring the calibration curve, (1) the second-order differential processing peculiar to the present invention, (2) It is desirable to perform pretreatment such as removal treatment for wavelengths that do not contribute to component information, and then estimate the content of each component of the unknown sample from the treated fluorescent fingerprint based on the calibration curve. The order of the pretreatments (1) and (2) above can be appropriately determined, but it is desirable that (2) precedes.
各成分以外のポリフェノール成分をノイズとして有効に除去し、各成分に特徴的に強い蛍光を示す特定の励起/蛍光波長(各成分の化学構造に基づいて決まる蛍光強度が最大になる波長条件)を使用することにより、蛍光指紋法による各成分の的確な定量が実現できる。 The polyphenol component other than each component is effectively removed as noise, and the specific excitation / fluorescence wavelength (wavelength condition that maximizes the fluorescence intensity determined based on the chemical structure of each component) that exhibits strong fluorescence characteristic of each component is set. By using it, accurate quantification of each component by the fluorescent fingerprint method can be realized.
そして、このように有効性が確認された検量線を用いて、ルチン、クロロゲン酸、スコポレチンの各成分の含有量が未知の試料の蛍光指紋情報に基づき、前記試料に含有される各成分の含有量を有効に推定できる。
なお、たばこ原料等のルチンを含有する未知試料中のルチンの定量に関しては、以下に詳述するような簡便化した手法を有効に利用できる。Then, using the calibration curve whose effectiveness has been confirmed in this way, the content of each component contained in the sample is based on the fluorescence fingerprint information of the sample in which the content of each component of rutin, chlorogenic acid, and scopoletin is unknown. The amount can be estimated effectively.
Regarding the quantification of rutin in an unknown sample containing rutin such as a tobacco raw material, a simplified method as described in detail below can be effectively used.
<ルチンに関する簡便化した適用例>
これまでの説明においては、基本的に、全ての蛍光指紋情報を使用してルチン含有量を推定する態様を説明してきたが、精度は多少犠牲にしても、安価なハンディタイプのデバイスへの適用や簡素化された測定工程による測定の迅速化等に対する要請が存在する。
そこで、このような簡易測定という要請に応えるための簡便化した態様を以下説明する。<Simplified application example of rutin>
In the explanation so far, basically, the mode of estimating the rutin content using all the fluorescent fingerprint information has been described, but the application to an inexpensive handy type device at the expense of some accuracy. There is a demand for speeding up measurement by a simplified measurement process.
Therefore, a simplified mode for responding to such a request for simple measurement will be described below.
この簡素化した態様は、励起波長/蛍光波長(測定波長)として、285/410,415,420,425,430,435,440,450,460(nm)の9波長のみを用いて蛍光指紋情報を取得し、ルチンの定量を行うものである。定量のための手法は、基本的に、全ての蛍光指紋情報を使用するケースと同様であり、詳細は省略することとするが、このように波長を限定した(概ね10波長未満の)場合には、検量線の作成に際し、PLS回帰以外に、重回帰分析(MLR)も利用可能である。なお、波長を限定しない場合にはPLS回帰を使用することが望ましい。 This simplified embodiment uses only nine wavelengths of excitation wavelength / fluorescence wavelength (measurement wavelength) of 285/410,415,420,425,430,435,440,450,460 (nm) for fluorescence fingerprint information. Is to be obtained and the amount of rutin is quantified. The method for quantification is basically the same as the case where all fluorescent fingerprint information is used, and details are omitted, but when the wavelength is limited in this way (generally less than 10 wavelengths). In addition to PLS regression, multiple regression analysis (MLR) can also be used to create the calibration curve. If the wavelength is not limited, it is desirable to use PLS regression.
なお、285/410,415,420,425,430,435,440,450,460(nm)の9波長は、ルチンの化学構造に基づいて蛍光強度が最大値を取る特定の励起/蛍光波長に相当するものである。 The nine wavelengths of 285/410,415,420,425,430,435,440,450,460 (nm) are specific excitation / fluorescence wavelengths at which the fluorescence intensity has the maximum value based on the chemical structure of rutin. It is equivalent.
このような特定数の波長を使用する簡便化した態様については、キャリブレーション用サンプル群における推定精度は、決定係数R2=0.73(SEC=0.25%)であった。また、バリデーション用サンプル群における推定精度は、決定係数R2=0.82(SEP=0.26%)であり、前述の態様と比較すると、推定精度の低下が認められるものの、簡易測定という要請に十分応え得るレベル範囲にあるものといえる。For the simplified embodiment using such a specific number of wavelengths, the estimation accuracy in the calibration sample group was the coefficient of determination R 2 = 0.73 (SEC = 0.25%). Further, the estimation accuracy in the validation sample group is a coefficient of determination R 2 = 0.82 (SEP = 0.26%), and although a decrease in estimation accuracy is observed as compared with the above-mentioned embodiment, a request for simple measurement is required. It can be said that it is in the level range that can sufficiently respond to.
また、簡便化した態様はこれに限られるものではなく、励起波長/蛍光波長(測定波長)として、285/410,415,420,425,430,435,440,450,460(nm)のうち少なくとも1つを含むような態様を採用することができる。この場合には、9波長のみを用いるケースと比較して、測定精度の点では劣るものの、迅速性の向上を実現できる。 Further, the simplified embodiment is not limited to this, and the excitation wavelength / fluorescence wavelength (measurement wavelength) is 285/410,415,420,425,430,435,440,450,460 (nm). An embodiment including at least one can be adopted. In this case, although it is inferior in terms of measurement accuracy as compared with the case where only 9 wavelengths are used, it is possible to realize an improvement in speed.
そして、上述のような簡便化した態様を、ハンディタイプのデバイスや、簡素化された測定工程として実現することにより、安価且つ迅速に測定結果を取得することができる。 Then, by realizing the above-mentioned simplified embodiment as a handy type device or a simplified measurement process, the measurement result can be obtained inexpensively and quickly.
なお、上述のような簡便化した適用例に関しては、迅速な定量を行うために、取得された蛍光指紋に対する前処理を省くこともできる。 For the simplified application example as described above, the pretreatment for the acquired fluorescent fingerprint can be omitted in order to perform rapid quantification.
また、上述のような簡便化した適用例は、たばこ原料中のルチンの含有量の推定のみに有効なものではなく、ルチンを含有する他の材料に対しても有効に適用することができる。 Further, the simplified application example as described above is not only effective for estimating the content of rutin in the tobacco raw material, but can also be effectively applied to other materials containing rutin.
本発明は、上述した実施の態様以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施の態様を採用し得ることに留意されたい。 It should be noted that the present invention may employ various different embodiments within the scope of the technical ideas described in the claims, in addition to the embodiments described above.
100:蛍光指紋分析による試料の評価・推定装置
110:前処理手段
120:推定モデル作成手段
130:成分量推定手段100: Sample evaluation / estimation device by fluorescent fingerprint analysis 110: Pretreatment means 120: Estimation model creation means 130: Component amount estimation means
Claims (21)
2次微分処理により前記試験試料に特有な前記蛍光強度のピーク値が現れるように軸を設定し、前記軸に沿った前記蛍光指紋情報の2次微分処理を少なくとも含む前処理工程と、
少なくとも前記2次微分処理が実施された蛍光指紋情報を説明変数とし、前記試験試料についての既知の定量値を目標変数として、検量線を取得する推定モデル作成工程と、
を含む、蛍光指紋分析による試験試料の評価方法であって、
前記蛍光強度のピーク値が現れるような軸の設定は、(1)前記励起波長、蛍光波長、蛍光強度の3直交軸をy軸、x軸、z軸とし、x-y平面上に取られたw軸及び該w軸と交わりz軸に平行なz’軸で決定されるw-z’平面による前記蛍光指紋情報の切断面の面積が最大となるw軸の設定、(2)前記切断面のx-y平面近傍の長さが最大となるw軸の設定、(3)前記蛍光指紋情報の各ポイントの最小二乗直線を含むw-z’平面のw軸の設定、(4)前記蛍光指紋情報のx-y平面近傍の各ポイントの最小二乗直線を含むw-z’平面のw軸の設定、を含むことを特徴とする方法。 Fluorescence fingerprint information acquisition process for acquiring fluorescence fingerprint information consisting of excitation wavelength, fluorescence wavelength, and fluorescence intensity data for the test sample, and
A pretreatment step in which an axis is set so that the peak value of the fluorescence intensity peculiar to the test sample appears by the second derivative processing, and at least the second derivative process of the fluorescence fingerprint information along the axis is included.
An estimation model creation step for acquiring a calibration curve using at least the fluorescent fingerprint information on which the second derivative processing has been performed as an explanatory variable and a known quantitative value for the test sample as a target variable.
Is a method for evaluating a test sample by fluorescent fingerprint analysis, including
The axis setting such that the peak value of the fluorescence intensity appears is (1) taken on the xy plane with the three orthogonal axes of the excitation wavelength, the fluorescence wavelength, and the fluorescence intensity as the y-axis, the x-axis, and the z-axis. Setting of the w-axis that maximizes the area of the cut surface of the fluorescent fingerprint information on the w-z'plane determined by the w-axis and the z'-axis that intersects the w-axis and is parallel to the z-axis, (2) the cutting. Setting the w-axis that maximizes the length near the xy plane of the surface, (3) Setting the w-axis of the wz'plane containing the minimum squared line of each point of the fluorescent fingerprint information, (4) The above. A method comprising: setting the w-axis of the wz'plane containing the smallest squared straight line of each point near the xy plane of fluorescent fingerprint information .
析による試験試料の評価方法。 The method for evaluating a test sample by fluorescent fingerprint analysis according to claim 2, wherein the multivariate analysis is a PLS regression analysis.
ム。 A program for causing a computer to execute the method according to any one of claims 1 to 18.
少なくとも前記2次微分処理が実施された蛍光指紋情報を説明変数とし、前記試験試料についての既知の定量値を目標変数として、検量線を取得する推定モデル作成手段と、
前記推定モデル作成手段により取得された前記検量線と未知の試料の蛍光指紋情報とに基づき、前記未知の試料に含有される特定成分の含有量を推定する成分量推定手段と、
を具備することを特徴とする装置であって、
前記蛍光強度のピーク値が現れるような軸の設定は、(1)前記励起波長、蛍光波長、蛍光強度の3直交軸をy軸、x軸、z軸とし、x-y平面上に取られたw軸及び該w軸と交わりz軸に平行なz’軸で決定されるw-z’平面による前記蛍光指紋情報の切断面の面積が最大となるw軸の設定、(2)前記切断面のx-y平面近傍の長さが最大となるw軸の設定、(3)前記蛍光指紋情報の各ポイントの最小二乗直線を含むw-z’平面のw軸の設定、(4)前記蛍光指紋情報のx-y平面近傍の各ポイントの最小二乗直線を含むw-z’平面のw軸の設定、を含むことを特徴とする装置。 Fluorescence fingerprint information consisting of excitation wavelength, fluorescence wavelength, and fluorescence intensity data for the sample is input, and an axis is set so that the peak value of the fluorescence intensity peculiar to the sample appears by secondary differential processing, and the axis is set to the axis. A preprocessing means including at least a second-order differential processing of the fluorescent fingerprint information along the line, and
An estimation model creating means for acquiring a calibration curve using at least the fluorescent fingerprint information on which the second derivative processing has been performed as an explanatory variable and a known quantitative value for the test sample as a target variable.
A component amount estimating means for estimating the content of a specific component contained in the unknown sample based on the calibration curve acquired by the estimation model creating means and the fluorescent fingerprint information of the unknown sample.
It is a device characterized by being provided with
The axis setting such that the peak value of the fluorescence intensity appears is (1) taken on the xy plane with the three orthogonal axes of the excitation wavelength, the fluorescence wavelength, and the fluorescence intensity as the y-axis, the x-axis, and the z-axis. Setting of the w-axis that maximizes the area of the cut surface of the fluorescent fingerprint information on the w-z'plane determined by the w-axis and the z'-axis that intersects the w-axis and is parallel to the z-axis, (2) the cutting. Setting the w-axis that maximizes the length near the xy plane of the surface, (3) Setting the w-axis of the wz'plane containing the minimum squared line of each point of the fluorescent fingerprint information, (4) The above. A device comprising: setting the w-axis of the wz'plane including the smallest squared straight line of each point near the xy plane of fluorescent fingerprint information .
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018151556 | 2018-08-10 | ||
JP2018151556 | 2018-08-10 | ||
PCT/JP2019/018739 WO2020031447A1 (en) | 2018-08-10 | 2019-05-10 | Sample evaluation/estimation method by fluorescence fingerprint analysis, program, and device |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020031447A1 JPWO2020031447A1 (en) | 2021-05-13 |
JP7021755B2 true JP7021755B2 (en) | 2022-02-17 |
Family
ID=69415438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020536325A Active JP7021755B2 (en) | 2018-08-10 | 2019-05-10 | Sample evaluation / estimation methods, programs, and equipment by fluorescent fingerprint analysis |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7021755B2 (en) |
TW (1) | TW202009471A (en) |
WO (1) | WO2020031447A1 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085061B (en) * | 2020-08-10 | 2022-04-26 | 杭州凯曼健康科技有限公司 | Quantum dot immunofluorescence curve feature identification method |
CN112816446B (en) * | 2020-12-24 | 2022-02-01 | 四川长虹电器股份有限公司 | Method for detecting powder decay of fluorescent wheel based on fluorescence spectrum |
CN116660207A (en) * | 2023-06-20 | 2023-08-29 | 北京易兴元石化科技有限公司 | Method for determining characteristic spectrum in oil product quick detection and octane content detection system |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002520005A (en) | 1998-07-08 | 2002-07-09 | ノボザイムス アクティーゼルスカブ | Use of phenol oxidase in tobacco processing. |
JP2010185719A (en) | 2009-02-10 | 2010-08-26 | National Agriculture & Food Research Organization | Method and apparatus for discriminating grain flour |
JP2014035255A (en) | 2012-08-08 | 2014-02-24 | National Agriculture & Food Research Organization | Organism-count model generation device, organism-count model generation method, cytometer, and program |
JP2016045179A (en) | 2014-08-26 | 2016-04-04 | 国立研究開発法人農業・食品産業技術総合研究機構 | Cheese maturation degree indicator estimating method, cheese maturation degree indicator estimating device, computer-executable program, natural cheese, processed cheese, and manufacturing method for processed cheese |
JP2016176830A (en) | 2015-03-20 | 2016-10-06 | 雪印種苗株式会社 | Method of estimating lactic acid buffering capacity of fermented product materials |
JP2017036991A (en) | 2015-08-10 | 2017-02-16 | ハウス食品グループ本社株式会社 | Method for discriminating production region of spice by excitation-emission matrix analysis |
JP2017051162A (en) | 2015-09-11 | 2017-03-16 | 国立研究開発法人農業・食品産業技術総合研究機構 | Method and device for estimating viable cell count on sample surface, and program incorporated into the device |
JP2018004571A (en) | 2016-07-07 | 2018-01-11 | 国立研究開発法人農業・食品産業技術総合研究機構 | Heating history estimation method, heating history estimation device, program, and manufacturing method |
-
2019
- 2019-05-10 JP JP2020536325A patent/JP7021755B2/en active Active
- 2019-05-10 WO PCT/JP2019/018739 patent/WO2020031447A1/en active Application Filing
- 2019-05-24 TW TW108118071A patent/TW202009471A/en unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002520005A (en) | 1998-07-08 | 2002-07-09 | ノボザイムス アクティーゼルスカブ | Use of phenol oxidase in tobacco processing. |
JP2010185719A (en) | 2009-02-10 | 2010-08-26 | National Agriculture & Food Research Organization | Method and apparatus for discriminating grain flour |
JP2014035255A (en) | 2012-08-08 | 2014-02-24 | National Agriculture & Food Research Organization | Organism-count model generation device, organism-count model generation method, cytometer, and program |
JP2016045179A (en) | 2014-08-26 | 2016-04-04 | 国立研究開発法人農業・食品産業技術総合研究機構 | Cheese maturation degree indicator estimating method, cheese maturation degree indicator estimating device, computer-executable program, natural cheese, processed cheese, and manufacturing method for processed cheese |
JP2016176830A (en) | 2015-03-20 | 2016-10-06 | 雪印種苗株式会社 | Method of estimating lactic acid buffering capacity of fermented product materials |
JP2017036991A (en) | 2015-08-10 | 2017-02-16 | ハウス食品グループ本社株式会社 | Method for discriminating production region of spice by excitation-emission matrix analysis |
JP2017051162A (en) | 2015-09-11 | 2017-03-16 | 国立研究開発法人農業・食品産業技術総合研究機構 | Method and device for estimating viable cell count on sample surface, and program incorporated into the device |
JP2018004571A (en) | 2016-07-07 | 2018-01-11 | 国立研究開発法人農業・食品産業技術総合研究機構 | Heating history estimation method, heating history estimation device, program, and manufacturing method |
Also Published As
Publication number | Publication date |
---|---|
TW202009471A (en) | 2020-03-01 |
WO2020031447A1 (en) | 2020-02-13 |
JPWO2020031447A1 (en) | 2021-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7021755B2 (en) | Sample evaluation / estimation methods, programs, and equipment by fluorescent fingerprint analysis | |
RU2425336C2 (en) | Method of spectral analysis | |
JP6803750B2 (en) | Equipment and methods for adjusted hair color | |
US8666113B2 (en) | Spectral unmixing for visualization of samples | |
JP3245157B2 (en) | Measurement and correction of spectral data | |
US10557792B2 (en) | Spectral modeling for complex absorption spectrum interpretation | |
EP2784484B1 (en) | Optimized calibration method for determining the content of chlorophyll using pre-processing and independent component analysis | |
EP3290908B1 (en) | Unknown sample determining method | |
KR20140098681A (en) | Control-based inversion for estimating a biological parameter vector for a biophysics model from diffused reflectance data | |
Anyidoho et al. | Nondestructive authentication of the regional and geographical origin of cocoa beans by using a handheld NIR spectrometer and multivariate algorithm | |
JP2019503490A (en) | Spectroscopic analysis method and apparatus using multiple processing of infrared and fluorescent spectral data | |
Lin et al. | Dynamic aperture factor analysis/target transformation (DAFA/TT) for Mg-serpentine and Mg-carbonate mapping on Mars with CRISM near-infrared data | |
US11860102B2 (en) | Fluorescence fingerprint analysis for quantifying TSNAs in processed tobacco raw material | |
Ye et al. | Principal component analysis approach for biomedical sample identification | |
Rish et al. | Comparison between pure component modeling approaches for monitoring pharmaceutical powder blends with near-infrared spectroscopy in continuous manufacturing schemes | |
Nkansah et al. | Determination of concentration of ACQ wood preservative components by UV-Visible spectroscopy coupled with multivariate data analysis | |
Muñoz de la Peña et al. | Resolution of ternary mixtures of salicylic, salicyluric and gentisic acids by partial least squares and principal component regression: Optimization of the scanning path in the excitation-emission matrices | |
Chen et al. | Adaptive multiscale regression for reliable Raman quantitative analysis | |
JP2020534551A (en) | Imaging of living tissue or other objects | |
Woess et al. | Raman spectroscopy for postmortem interval estimation of human skeletal remains: A scoping review | |
TW202011014A (en) | Method, program and device for using fluorescence fingerprint information to quantify TSNAs contained in tobacco raw material | |
Kovtunenko et al. | Cloud technologies and machine learning in malignant tumors identification via Raman spectroscopy | |
Robert | Vibrational spectroscopic analysis of complex systems | |
RU2541906C1 (en) | Method of development of multi-dimensional calibration models of analytical instrument | |
Budevska | Application of Target Partial Least Squares for Analysis of Fourier Transform Infrared—Attenuated Total Reflection Hyperspectral Images for Characterization of the Distribution of Crop Protection Products on the Leaf Surface |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200925 |
|
AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20201214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201224 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210707 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210721 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210830 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211130 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20211130 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20211209 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20211210 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220127 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7021755 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |