基于色谱条件的有机化合物结构与荧光关系多变量建模：概念验证研究

《Journal of Chromatography Open》：Experimental Multivariate Modeling of Structure-Fluorescence Relationships in Organic Compounds under Chromatographic Conditions: A Proof-of-Concept Study

虽然荧光提供宝贵的分析信息，但其理论解析仍具挑战。为探究荧光响应的内在机制，研究人员利用多元建模方法，对117种化合物在RP?HPLC?FLD条件下的荧光行为进行了系统研究。通过PLS和ANN模型，该研究明确了影响荧光强度的关键理化性质与结构描述符，并成功预测未知分子的荧光信号，为色谱条件下荧光行为的理论预测提供了实验支撑和计算框架。

　　

在药品研发、环境监测和生物化学分析等诸多领域，荧光检测（Fluorescence Detection, FLD）凭借其高灵敏度和高选择性，扮演着不可或缺的角色。然而，一个长期困扰科研人员的根本问题是：我们能否在实验之前，就准确地预测一个从未见过的分子是否会发生荧光，以及其荧光强度会有多强？传统上，人们依赖经验规则，例如知道含有芳香环或大π共轭体系的分子容易发光，而含有某些特定官能团（如羰基）则会淬灭荧光。但这些定性规则在预测复杂分子在真实分析环境（如色谱）中的行为时，常常“失灵”。这是因为荧光是一个受多重因素调控的复杂光物理过程，分子结构、刚性、疏水性、极性以及它与溶剂环境的相互作用，都在其中扮演着微妙而关键的角色。如何系统地、量化地解码这些复杂因素，建立一个能够准确预测荧光响应的理论框架，是分析化学领域一个亟待解决的重要挑战。

为了回答这个核心问题，希腊塞萨洛尼基亚里士多德大学（Aristotle University of Thessaloniki）的Georgios Kamaris、Kyriakos Kachrimanis和Catherine K. Markopoulou研究团队在《Journal of Chromatography Open》上发表了一项开创性的研究。他们不再局限于对单一类别化合物的分析，而是将目光投向了一个包含117种结构多样化、具有药学相关性的化合物库。在严格控制的实验条件下，研究人员以甲醇为稀释剂和流动相，利用反相高效液相色谱-荧光检测（RP?HPLC?FLD）平台，精确测量了每一种化合物在各自最佳激发/发射波长下的荧光响应（以峰面积AUC的对数值表示）。随后，他们构建了一个庞大的描述符集，涵盖了36种物理化学性质和38种结构特征，总计74个预测变量（X）。运用偏最小二乘回归（PLS）和人工神经网络（ANN）这两种强大的多元建模工具，研究人员将复杂的荧光数据与分子描述符进行了深度关联，首次在色谱条件下，对有机化合物的结构-荧光关系进行了系统性的实验建模和理论解码。

本研究的关键技术方法主要包括：1. 色谱-荧光联用技术：使用配备荧光检测器（RF20-A）的Shimadzu HPLC系统，以甲醇为流动相，在C₁₈色谱柱上对117种化合物进行分析，精确获取其在各自最优激发/发射波长下的色谱峰面积（AUC）作为荧光响应值（Y变量）。2. 分子描述符计算与数据库构建：利用Avogadro软件构建并优化分子三维结构，并综合使用ChemSpider、DataWarrior、PubChem、HyperChem等多种软件和数据库，计算或获取了包括logP/logD、极性表面积、分子平面性参数、HOMO-LUMO能隙等在内的74个物理化学和结构描述符（X变量）。3. 多元统计建模：应用SIMCA-P软件进行偏最小二乘（PLS）回归分析，量化各描述符对荧光响应的贡献（VIP值）；并利用MATLAB的Netlab工具箱构建三层前馈反向传播人工神经网络（ANN）模型，对荧光强度进行非线性预测和验证。

3.1. Partial Least Squares methodology

通过PLS分析，研究客观量化了主导荧光行为的关键因素。结果显示，最重要的贡献者主要是结构特征，包括稠合或芳香环系统（正贡献）、共轭单双键（正贡献）、羰基（负贡献）、羧酸根基团（负贡献）、羟基（正贡献）、氨基（负贡献）以及含硫基团（负贡献）。同时，多种物理化学性质也扮演了重要角色，如亲脂性（正贡献）、极性表面积（负贡献）、分子平面性（正贡献）、氢键供体/受体能力（负贡献）以及分子柔性（负贡献）。该模型具有良好的稳健性（R²> 0.88, Q²> 0.76），并通过排列检验和分样本验证证实了其可靠性。

3.2. Neural networks methodology

与PLS相比，ANN模型展现了更优的预测性能（相关系数r > 0.85），能够以高可靠性预测未知分子的荧光强度。ANN成功捕捉了荧光响应与多重描述符之间复杂的非线性关系，但其“黑箱”特性使其在解释各描述符的具体贡献方面不如PLS直观。

3.3. Influence of Operating Conditions

研究还探讨了色谱操作条件对荧光信号的影响。发现流动相流速会显著影响检测信号，其关系可用公式y = a_ix^c描述，其中指数c接近1，而系数a_i与各分析物校准曲线的斜率成正比。这表明，在色谱条件下，分析物固有的荧光能力与流速共同决定了最终记录的发射信号强度。柱温的升高会因降低流动相粘度、缩短分析物在检测流通池中的停留时间，而导致峰面积成比例减小。

3.4. Chemical structures and fluorescence

通过对具体化合物系列的荧光行为进行解析，研究验证并深化了模型得出的结论。例如，简单烷烃链（戊烷、戊烯）无荧光；苯环是基本荧光单元；甲基取代能增强苯的荧光，且对位取代增强最显著；卤素取代会淬灭荧光，且淬灭效应随原子序数增加（I > Br > Cl）而增强；稠环芳烃（萘、蒽）的荧光强度随环数增加而显著升高；羟基通常增强荧光（如萘酚），而羰基、羧基、硝基等强吸电子基则完全淬灭荧光（如萘甲酸、硝基苯）；在药物分子中，结构刚性、扩展的π共轭（如芪类化合物白藜芦醇）有利于荧光，而磺酰胺基团、重原子（硫、氯，如吩噻嗪类药物中的不同取代基效应）则会通过促进系间窜越等非辐射衰减途径抑制荧光。

这项研究通过整合实验测量与计算建模，首次在RP-HPLC色谱条件下，对结构多样的有机化合物进行了系统的荧光行为解码。其核心结论在于，PLS模型清晰地、客观地对塑造荧光行为的主导描述符进行了优先级排序，不仅证实了芳香性、共轭度、分子刚性等已知因素的核心作用，还揭示了LogD、极性表面积、分子平面性参数、折光指数等此前未被充分重视的物理化学性质的重要贡献。同时，ANN模型展现了出色的预测能力，为未知分子荧光强度的预测提供了可靠工具。此外，研究明确了在实际色谱分析中，流动相流速是调制最终检测信号的关键操作参数。

这项工作的意义深远。它超越了传统定性经验规则，提供了一个基于实验数据、可量化、可预测的理论框架，极大地增强了对荧光这一复杂现象的科学理解。所建立的多变量模型和识别出的关键描述符，未来可用于指导荧光探针的设计、优化色谱荧光检测方法，并为更广泛的涉及荧光化合物的项目（如药物发现、环境污染物筛查）中ANN预测软件的开发提供训练基础。尽管目前研究是在单一溶剂（甲醇）条件下进行的，但它为一个更宏大目标——在真实、多元的色谱条件下预测分析物的荧光潜力——奠定了坚实的概念验证基础。