通过模板匹配法对全二维气相色谱采集数据进行色谱指纹分析

通过模板匹配进行色谱指纹分析具有重要意义，因为它能够自动提取丰富的非靶向和靶向化学信息，利用二维气相色谱（GC × GC）图谱对多个样本实现一致的交叉对齐。该技术的主要优势在于其对非靶向和靶向分析物的全面覆盖能力，以及通过交叉对齐在多个色谱图和样本之间对色谱特征进行一致匹配的能力。该技术具有广泛的应用前景。

在此，我们将该技术应用于食品组学，特别是用于表征特级初榨橄榄油挥发性组分中所蕴含的化学信息。该技术为利用机器学习开展研究奠定了基础，有助于发现样品化学成分与外部因素之间的复杂关系。例如在食品领域，可用于分析感官品质与生产方式之间的关联。

我会说色谱分离至关重要。如果分离效果不佳，该技术的效能就会受到限制；而如果色谱图质量良好，该方法就相当成功。通过二维气相色谱（GC×GC）可将结构与保留关系以图像形式可视化。人眼非常善于识别二维模式，因此通过观察即可直观地展现该方法的强大之处。

为了创建用于可视化和处理的二维光栅阵列，启动图像软件，选择“文件”并点击“导入”，以打开所需的相关原始数据文件。在导入对话框中，将调制周期设置为 3.5 秒，点击“确定”，然后选择“文件”并点击“另存为图像”。导航至目标文件夹，输入文件名，然后点击“保存”。

为调整调制相位，请选择“处理”和“相位偏移”，并将偏移量设置为 -0.8 秒。进行基线校正时，选择“图形”和“绘制矩形”，然后在图像中无峰区域点击并拖动以绘制一个矩形。选择“工具”和“数据可视化”，记录检测器信号的均值和标准差。

然后关闭工具，选择“处理”并校正基线。要使用数值和颜色图对色谱图像进行着色，请选择“视图”并点击“着色”。打开导入导出选项卡，选择编号为AAAA的自定义颜色图，然后点击导入。

然后在值映射控件中，将值范围设置为最小值和最大值，然后单击确定。对于二维峰阳极液检测，选择处理并检测斑点。部分峰会被分割，同时会观察到一些虚假的检测结果。

选择配置、设置和斑点检测。对于一维样本，将平滑值设为0.1，对于二维调制，将平滑值设为2，并将最小值设为1乘以10的6次方。然后单击确定，选择处理，检测斑点并观察改进效果。

为了去除无意义的检测结果，首先选择处理和交互式斑点检测。注意斑点检测的设置，然后点击检测。在高级筛选器构建器中，点击添加。

在新的约束条件窗口中选择“Retention 2”，然后单击“确定”。接着，在约束滑块设置中，为滤波器设定二维保留时间的最小值和最大值，以减少假阳性峰的数量，同时保留真实的峰，然后单击“应用”和“是”。若要搜索峰谱图并使用感兴趣的 NIST MS 谱库，请选择“配置”、“设置”和“搜索谱库”，并将谱图类型设为“峰 MS”，强度阈值设为 100，NIST 搜索类型设为“简单相似性”，NIST 保留指数列类型设为“标准极性”，NIST 保留指数容差设为 10。

然后单击“确定”，并为所有斑点选择处理和搜索库。要在图像视图中创建包含目标峰的模板，请单击第一个峰，按住 Control 键并单击其他峰以选择感兴趣的峰。单击“添加到模板”，然后选择“文件”并保存模板。

然后指定文件夹和文件名，点击保存。为匹配并应用模板，选择文件并打开图像，浏览并打开目标色谱文件。将光标模式设置为模板，选择对象，选择模板，然后加载模板。

在加载模板窗口中，单击“浏览”并打开目标峰模板。然后单击“加载”并关闭窗口。在图像视图中，右键单击模板峰以检查其对象属性，包括限定词化学逻辑表达式（qCLIC）和参考质谱。选择模板以及交互式匹配和转换模板。

在匹配模板窗口中，单击“全部匹配”，并在表格和图像中查看匹配结果。每个模板峰将用一个未填充的圆圈标记。如果完成匹配，则会有一条连线指向检测到的峰对应的填充圆圈。

然后根据需要编辑匹配项，并单击应用，以将元数据从模板转移至色谱图。如果色谱条件存在显著差异，导致模板与新色谱图无法对齐，请加载目标模板文件 template2.bt，选择模板并点击交互式匹配模板，然后单击编辑变换。

在变换后的模板界面中，调整一维和二维的尺度、平移和剪切参数，以更好地将模板与检测到的峰对齐，然后点击“变换模板”。模板变换完成后，点击“编辑匹配”，并按照演示方式进行模板峰的匹配。要建立非靶向与靶向分析物之间的对应关系，请选择“文件”并打开分析，然后按指示打开相应文件。

打开“化合物”选项卡，可查看所有色谱图中具有标识符的特定分析物或非靶向分析物的指标值及其统计信息。打开“属性”选项卡，可查看跨色谱图的特定指标的数值和统计信息；打开此统计摘要选项卡，可查看化合物和特征的汇总统计信息。如果色谱图来自不同类别，则摘要选项卡将列出Fisher比率统计结果，有助于识别可用于区分类别的特征。

在这些图谱中，展示了同系物系列和化合物类别的相对保留模式。标注包括直链饱和烃、不饱和烃、直链饱和醛、单不饱和醛、多不饱和醛、伯醇以及短链脂肪酸。通过比较从整个二维峰或最强谱图中提取的平均质谱图，可对检测到的二维峰进行鉴定。

可以利用已识别的二维峰来构建目标峰模板，从而在所有样品色谱图中同一化合物之间建立可靠的对应关系。在本分析中，可观察到目标模板与实际色谱图之间存在部分错位。对于轻微的错位情况，可通过交互式模板变换重新调整模板峰的位置，以实现更好的匹配。

非靶向特征模板由在复合色谱图中检测到的分析物二维峰组成，这些峰通过可靠的峰模板进行匹配。复合峰的质谱及其保留时间随后被记录在特征模板中。当对20个分析样品中的靶向峰分布进行主成分分析的无监督模式识别时，西西里和托斯卡纳橄榄油各自聚集成簇，表明土壤气候条件和产地特征影响了挥发性成分的相对丰度。

初次学习该操作流程时，重要的是在每一步骤后检查结果。如果您有任何疑问，GC Image 公司的技术人员反应迅速且乐于提供帮助。目前我们正将该技术应用于其他食品样品的分析，例如榛子、可可和茶叶，同时也用于唾液、尿液和粪便等生物流体的营养代谢组学研究。