《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Graphical spectral deconvolution: A deterministic method for resolving excited-state molar absorptivities and overlapping signals
编辑推荐：
本研究提出基于图形去卷积的GSD方法，解决紫外-可见及瞬态吸收光谱中重叠信号问题。该方法通过反演对称性分解光谱，无需先验知识或色谱分离即可定量分析目标成分（如TPP/ZnTPP混合物），成功提取基态消光、激发态吸收及摩尔吸光系数，并拓展至复杂混合体系定量检测。
Luminous Tzianos
美国密歇根州格兰德谷州立大学化学系，1 Campus Drive, Allendale, 49401
摘要
本研究介绍了一种数据分析方法，该方法能够解决紫外-可见光谱（UV–Vis）和超快瞬态吸收光谱中信号重叠的问题。长期以来，光谱重叠现象一直掩盖了激发分子的超快动态过程，限制了时间分辨吸收研究的解释能力。尽管色谱法可以通过物理分离稳态实验中的物种来有效解决光谱重叠问题，但超快光谱学依赖于化学计量算法，这些算法在捕捉动力学过程方面表现出色，但由于旋转模糊性而在光谱分离方面存在困难。在这里，我们提出了一种图形反卷积策略，该策略能够揭示残差光谱中的潜在对称性模式，并利用这种模式来量化反卷积因子，从而实现已知参考光谱的减除，并有效去除其对瞬态吸收数据的贡献。与奇异值分解（SVD）和全局拟合技术不同，我们的方法不对重叠物种的数量或形状做出任何假设，且只需要一个参考光谱。当应用于四苯基卟啉（tetraphenylporphyrin）时，该方法能够清晰地提取基态吸收特征，揭示纯激发态吸收谱，并直接确定其摩尔吸光度。这种简单且确定性的框架使得定量超快研究成为可能；对于稳态UV–Vis数据，它能够在无需色谱法的情况下直接对复杂混合物中的分析物进行定量分析。该方法的源代码可在以下链接获取：
https://doi.org/10.5281/zenodo.15706740引言
分子光谱学极大地提高了我们表征化学物种的能力，然而一个基本挑战仍然存在：如何区分复杂混合物中共存物种的重叠光谱[1]。在稳态分析中，这种光谱拥挤通常通过物理分离来解决。虽然色谱技术（如与二极管阵列检测器结合使用的HPLC）是处理稳定混合物的最有效方法，但它们存在高耗材成本和较长分析时间的问题。更为关键的是，它们无法处理化学平衡或瞬态状态等动态系统[2]、[3]、[4]。在瞬态吸收（TA）光谱学中，这个问题尤为突出，因为基态漂白（ground-state bleach, GSB）、受激发射（stimulated emission, SE）和激发态吸收（excited-state absorption, ESA）等过程在飞秒到纳秒的时间尺度上表现出强烈的光谱重叠。在无法进行物理分离的情况下，数学数据反卷积成为唯一的可行途径。
历史上，混合物的数学处理依赖于经典多组分分析（Classical Multicomponent Analysis）和比尔-朗伯定律（Beer–Lambert’s law）的线性可加性[5]。然而，经典最小二乘法（Classical Least Squares, CLS）由于其“封闭系统”的本质而受到根本限制，要求所有光谱组分都必须已知，任何未识别的组分都会引入系统偏差。此外，该方法对光谱拥挤和基线伪影非常敏感，这会导致矩阵条件不良并放大实验噪声。因此，其实际应用仅限于组分较少的、特征明确的系统[6]、[7]、[8]、[9]、[10]、[11]。为了解决“未知光谱”问题，研究领域转向了更先进的计算策略。最近，机器学习和深度神经网络方法承诺能够快速实现反卷积，尽管它们的定量可靠性往往受到不透明的“黑箱”架构和缺乏鲁棒性保证的限制[12]、[13]。因此，多变量技术（如奇异值分解SVD）与全局动力学分析结合使用，已成为从瞬态吸收数据中揭示激发态动力学的核心工具[14]、[15]、[16]、[17]、[18]。基于Lawton和Sylvestre的开创性工作[19]，先进的软建模算法（如多变量曲线反卷积-交替最小二乘法MCR-ALS）尝试在无需先验知识的情况下重建纯光谱形状[20]、[21]、[22]。这些方法已经取得了显著进展，现在能够处理复杂的混合物分析或高光谱拉曼成像[23]、[24]。
虽然这些迭代方法在没有先验光谱知识的情况下能够有效识别隐藏的物种，但它们本质上是统计性的而非确定性的。它们存在众所周知的“旋转模糊性”问题，即不同光谱形状可以在统计上同样有效地再现实验数据[25]、[26]、[27]。尽管最近有一些策略试图减少这种不确定性[28]、[29]，但MCR-ALS通常要求用户施加严格的约束（非负性、单峰性、封闭性）以强制得到唯一解。当潜在物理过程复杂时，这可能会引入偏差。由于旋转模糊性、对噪声和基线伪影的敏感性，这些方法容易产生数学上“正确”但在光物理上不合理的光谱[27]、[30]、[31]。尽管复杂的动力学建模已被用于估计差分吸光度[32]，二阶导数方法也有助于光谱重建[33]，但这些方法通常需要复杂的拟合或特定的标记带。因此，据我们所知，直接从瞬态吸收光谱中获取可靠的激发态摩尔吸光度系数仍然是一个重大挑战。
量化激发态种群的有效方法是利用基态（ground-state, GS）耗尽与激发态吸收之间的内在联系。由于每个吸收的光子都会使一个分子从基态跃迁到激发态，因此通过量化基态耗尽量可以得出激发态浓度。基态耗尽方法最早在1941年提出[34]，后来针对三重态进行了形式化[35]，该方法正是基于这一原理。然而，它需要特定的光谱窗口，在这些窗口中只有基态会吸收光，且基态和激发态的吸收不会受到受激发射的干扰。这些要求使得经典基态耗尽方法在大多数情况下不实用，因此如今很少被使用[36]。
在这项工作中，我们引入了图形光谱反卷积（Graphical Spectral Deconvolution, GSD）作为统计软建模的确定性替代方案。GSD利用光谱数据中的潜在“对称性”来解析混合物，而无需依赖动力学模型。这使得我们可以有针对性地分析，即从复杂矩阵中定量反卷积出单一已知组分（例如基态）。我们证明了GSD作为一种“数学色谱法”的有效性，成功分离了TPP/ZnTPP混合物中的重叠Q带，并确定了瞬态吸收实验中TPP的激发态摩尔吸光度。与传统方法相比，图形反卷积方法具有明显优势：它提供唯一的确定性解，不需要关于背景物种的先验信息，对光谱拥挤不敏感，并能直接得出瞬态吸收中的激发态摩尔吸光度。
化学试剂
所有化学试剂均来自Sigma-Aldrich：5,10,15,20-四苯基卟啉（TPP，纯度≥99%），5,10,15,20-四苯基卟啉锌（ZnTPP，纯度≥97.5%），尼罗红（Nile Red，纯度≥97%），3-(2-苯并咪唑基)-7-(二乙氨基)香豆素（Coumarin 7，纯度≥98%），3-乙基-2-[(1E,3E)-3-(3-乙基-1,3-苯并噻唑-2(3H)-亚烯)-1-丙基]-1,3-苯并噻唑-3-离子碘化物（DiSC2(3)，纯度≥94.5%），以及HPLC级CH?Cl?。所有材料均按收到时的状态使用。
样品制备
样品在二氯甲烷中制备。对于瞬态吸收（TA）实验，准备了52 μmol的TPP。
方法原理
该方法基于线性叠加原理，即如果知道某个成分包含在复合信号中，就可以将其从复合信号中分离出来。在光学吸收光谱学中，当吸收物种之间不相互作用时，这一原理成立。在这种情况下，总吸光度等于各个成分吸光度的叠加和。
稳态反卷积和定量分析
我们将图形光谱反卷积（GSD）方法应用于稳态UV–Vis吸收测量，以在没有物理分离的情况下解析复杂混合物并量化分析物。通过展示该方法在简单的UV–Vis设置中确定浓度和去除重叠光谱成分的能力，我们希望增强人们对该方法在更复杂时间分辨分析中适用性的信心。
结论
总之，我们提出了一种方法，解决了稳态和瞬态吸收中光谱重叠这一长期存在的问题。我们的图形光谱反卷积方法扩展了UV–Vis光谱学的应用范围，使得在复杂混合物中准确量化目标分析物成为可能，而这些分析传统上需要色谱分离。此外，该方法使瞬态吸收光谱学变得更加普及，因为它能够提供纯净的吸收光谱。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能会影响本文所述的工作。
致谢
我感谢Guda Ramakrishna在指导、提供瞬态吸收数据以及实验室设施和材料使用方面的帮助。同时，我也感谢David J. Gosztola（阿贡国家实验室纳米材料中心）在测量工作上的协助。这项工作是在美国能源部科学办公室下属的纳米材料中心进行的，得到了能源部基础能源科学办公室（DOE Office of Basic Energy Sciences）的支持，合同编号为DE-AC02-06CH11357。
