化学计量学在GC/MS 数据处理中的应用
化学计量学是汇集数学/统计学/计算机科学和化学的交叉学科，因此也应当把它看|去，最大限度地从化学量测数据中提取有价值的信息，因此，现代分析化学是物质的|化学表征和量测的科学。GC/MS也不例外，它是化学计量学的应用领域之一。过去数据处理被狭义理解为模拟信号的平滑、扣除及数字化处理，以致表格、谱图、三维图远超过总离子流图上的峰数，专家们认为通过 deconvolution也称解卷积或去卷积的数字处理后，信息量将增加2倍。广义的数据处理将扩大到下述三个部分，即峰形分析、模式识别和人工智能。峰形处理是最大限度地提取信息;模式识别是根据样本点的分布律建立数学模型，再按模型进行样本分类，达到对一个未知样本的类别判断;人工能是模拟专家的智能解释未知物的质谱图。
这里着重讨论峰形处理的问题，即目前去卷积法中使用的两种方法，反褶技术和交替回归法（alternating regression)。前者解决下述的问题，由于本底、相邻峰干扰以及GC分辨率的下降造成峰的叠加、重合等不佳的分离，进而|引起色谱峰和/或质谱图的变形;低浓度水准的多离子检测时各离子不能"对中";定量误差大等问题。反褶技术包括四个步骤:去变形;扣除本底和扩张色谱分辨率;成分|图的推测和多成分检出;计算定量因子及定量。
交替回归法（alternating regression）可以获得两个结果，一是在TIC图上形成的复合组分的峰经过本法可以分解为各自的纯化合物谱图；二是可描绘这些组分的流出曲线。由Kaijalainen报导的结果可以看到，从叠加、重合的峰中分出7个组分。为某一个30次扫描获得的总离子流图（图上部），强度最大的本底组分以水平线表示，其他6个组分被一一分离，其中组分5与组分6只相差两个扫描数（见下部）。
![4@}[JA7]~$1OLTNFUNQ34D8.png](https://i3.antpedia.com/attachments/att/image/20220126/1643163365106396.png "4@}[JA7]~$1OLTNFUNQ34D8.png")
众所周知，GS/MS鉴定的主里推题之一是色谱峰的不纯，污染物或者是共流物的质谱峰干扰目标化合物的检索，其结果导致匹配率低下，鉴定的可靠性降低，甚至得出错误的结果，这种情况在痕量组分的|鉴定上更为特出。传统的办法是在背景信号很稳定的情况下，自动扣除本底。此时可能遇到这样的情况，即在与目标化合物的保留时间相近处，会误把其他化合物的某些质谱峰归属于某一种谱图比较简单的目标化合物，造成假阳性的结果。先进的方法应当是谱峰中提取纯组分。
最早，采用一个简单的判断方法，在有干扰或重叠的色谱峰中提取纯组分的谱图，即被提取谱图中所有质谱峰必须同时构成最大值，这才认为提取的是纯组分的谱图。另一种纯组分谱图的提取方法也就是目前已经实施的反褶技术。方法的优点是不依赖于最大值。
不过，AMDIS采用 Dromey等人称为模型峰的方法作为基础。该方法的原理依然是根据质量色谱图的最大值检出色谱组分，用最大化质量色谱图的最明显的峰形代表实际色谱组分的峰形，经过最小二乘法的处理，将具有相同峰的质量色谱图提取出来并重建质谱图。由于该法经过大批实验证明其可靠性，且与分析家所遵循的方法又相类似，通过进一步地改进形成了AMDIS 软件。实际上，主要的改进是门限的合理设定。因为对弱信号来说，用传统的绝对丰度来标称离子丰度时难以区分信号与噪声。AMDIS使用信噪比单位代替原先的绝对丰度，从而保证在整个提取过程中正确地界定门限。
AMDIS有以下四个工作步骤：噪声分析，组分的洞悉，光谱去卷积和化合物鉴定。使用AMDIS软件可以在GC/MS数据文件中自动寻找任何一组目标化合物，然后经去卷积处理重建质谱图，再与参考谱库进行检索比对并报告匹配率，它也可以利用带保留指数或不带保留指数的质谱库鉴定数据文件中的化合物。此外，还可以提供化合物的类别鉴定、批处理以及跟踪一个特性化合物的例行运行结果，并与先前运行的数据作比较，以监测系统性能的任何变化。总之，AMDIS软件可以对GC/MS分析所获得的文件进行有效地去卷积处理，解决基体的干扰和共流出物的影响，提高谱图检索的匹配率，极大地改善低浓度目标化合物的鉴定。
