化学计量学三维数据解析法在复杂体系药物检测中的应用
化学计量学分析方法在分析检测中的应用
化学计量学分析方法在分析检测中的应用化学计量学分析是化学分析的一种重要方法，其基本原理是利用化学反应的原子数量比进行计算，并用计算结果来确定物质的数量和组成。
化学计量学分析方法在分析检测中具有广泛的应用，既可以用于现场分析，也可以用于实验室分析。
一、化学计量学分析的原理化学计量学分析的基本原理是质量守恒定律和化学计量定律。
根据质量守恒定律，在任何化学反应中，反应物的质量等于生成物的质量。
而根据化学计量定律，不同元素之间的反应数量比是固定的。
例如，一分子的硫酸反应一分子的钠氢碳酸，生成一分子的钠硫酸和一分子的二氧化碳。
在这个反应中，硫酸和钠氢碳酸的质量比是1:1，生成的钠硫酸和二氧化碳的质量比也是1:1。
二、化学计量学分析的方法化学计量学分析的基本步骤是确定分析物的化学式、制备化学计量反应、定量测量和计算分析物的数量。
具体步骤如下：1. 确定分析物的化学式。
首先需要知道分析物的元素组成和化学性质，以此来确定分析物的化学式。
2. 制备化学计量反应。
这一步需要确定适当的反应条件，例如反应物的质量、反应时间和反应温度，以获得可靠的结果。
3. 定量测量。
在化学计量反应后，需要进行准确的定量测量来确定产物的质量或同时确定反应物和产物的质量。
4. 计算分析物的数量。
根据化学计量反应的化学方程式和定量测量的结果，可以计算出分析物的数量和组成。
三、化学计量学分析的应用1. 固体样品的分析。
化学计量学分析可以用于固体样品的分析。
例如，可以确定矿物样品中的金属含量，或者分析土壤样品中的有效成分。
2. 液态样品的分析。
化学计量学分析可以用于液态样品的分析。
例如，可以检测饮用水中的化学物质或者分析污水中的有害物质。
3. 空气中有害物质的检测。
化学计量学分析可以用于检测空气中的有害物质，例如甲醛、苯等有害物质。
4. 药品和食品的分析。
化学计量学分析可以用于药品和食品的分析，例如检测药品中的有效成分或者检测食品中的添加剂。
总之，化学计量学分析方法是一种广泛应用于分析检测和工业生产中的重要手段。
化学计量学在药物分析中的应用
化学计量学在药物分析中的应用第一章：引言药物分析是现代医学中一个非常重要的分支。
其主要目的是研究药物的有效成分，确定其含量和纯度，从而确保药物的安全性和有效性。
在药物分析中，化学计量学是一种基本的分析方法，它用于定量分析和质量控制，能够快速准确地测定药物中活性成分的含量。
本文将探讨化学计量学在药物分析中的应用。
第二章：化学计量学的基本概念化学计量学是基于化学反应的化学计量原理而建立的一门学科。
其中最基本的概念是“化学计量”，即量化化学反应物和生成物之间的质量关系。
例如，在化学反应中，物质的化学计量比指的是各分子之间的原子数比例。
在药物分析中，化学计量学广泛应用于定量分析和质量控制。
第三章：药物分析中的化学计量学应用3.1 定量分析化学计量学在药物分析中最常见的应用就是定量分析。
这种分析方法可以快速准确地测定药物中活性成分的含量。
化学计量学定量分析通常使用反应物的滴定法、物质的重量、吸光度法、静电计算法等来进行测定。
这些方法具有灵敏、简单、快速、经济、可靠的特点，已成为药物分析的基本方法之一。
3.2 质量控制药品的质量控制是药物分析的重要任务之一。
化学计量学在质量控制过程中也发挥了重要的作用。
通过对药品中特定成分进行定量分析，可以确定药品的规格和质量标准。
通过对药品样品的质量进行定量分析，可以监测药品生产过程中的差异，并鉴别次品和假药，保证药品质量符合标准。
3.3 鉴别分析药品鉴别分析是检验药品真伪、区分同类药品的重要手段之一。
鉴别分析基于成分分析和定量分析，通常通过对药物特定成分的定性分析来实现。
化学计量学有助于确定药物中特定的活性成分，并通过定量分析来识别药品的真伪和质量标准。
第四章：结论总之，化学计量学是药物分析中不可或缺的一部分，它可以提供快速准确可靠的药品分析结果，帮助确保药品的安全性和有效性。
现代药物分析的进展，使得药品质量得到了更为准确的控制。
未来，随着新技术的发展和不断改进，化学计量学在药物分析中的应用将会更加广泛和深入。
化学计量学在药物质量控制中的应用
化学计量学在药物质量控制中的应用引言化学计量学是一门应用化学的基础学科，主要研究化学反应的量关系，为药物质量控制提供了重要的理论基础和实验方法。
药物质量控制对于保证药物的疗效和安全性具有重要意义，而化学计量学在药物质量控制中发挥着不可替代的作用。
本文将从药物分析中的样品制备、质量评价和控制等方面探讨化学计量学在药物质量控制中的应用。
一、药物分析中的样品制备药物分析是药物质量控制的核心环节，而样品制备是药物分析的关键步骤之一。
化学计量学通过量的关系提供了样品制备的理论依据。
例如，在溶液中进行样品制备时，可以利用化学计量学中的浓度、溶液体积和质量之间的关系，按一定的比例配制溶液，得到符合要求的药物样品。
同时，化学计量学还为药物分析中的样品制备提供了实验方法，如溶液稀释、固相萃取和蒸馏等。
二、药物质量评价药物质量评价是判断药物质量好坏的重要环节，而化学计量学提供了药物质量评价的基础。
首先，化学计量学中的理论模型可以为药物质量评价提供定量的方法。
例如，利用化学计量学中的反应速率和反应机理，可以确定药物中活性成分的含量，从而评价药物的质量。
其次，化学计量学在药物质量评价中可以提供可靠的实验方法。
例如，利用分离技术和光谱技术，可以对药物中的杂质进行检测和鉴定，从而评价药物的纯度。
三、药物质量控制药物质量控制是确保药物质量一致性的关键环节，而化学计量学在药物质量控制中发挥着不可替代的作用。
首先，化学计量学提供了药物质量控制的依据和方法。
例如，利用化学计量学中的质量守恒关系，可以确定药物的含量变化范围，从而制定药物质量控制的标准。
其次，化学计量学在药物质量控制中提供了可靠的实验方法。
例如，利用化学计量学中的定量分析方法，可以对药物中各种成分进行定量分析，实现药物质量的控制。
结论化学计量学在药物质量控制中发挥着重要的作用。
通过提供样品制备的理论依据和实验方法，化学计量学为药物分析提供了基础。
同时，化学计量学在药物质量评价中提供了定量方法和实验技术，为评价药物质量提供了可靠的依据。
化学计量学在药物化学中的应用
化学计量学在药物化学中的应用化学计量学是化学中的一个分支，它研究化学反应中化学物质的数量关系。
在药物化学中，化学计量学可以被广泛应用于药物的制备、合成反应的设计、药物的稳定性研究、药物的质量控制等方面。
下面我们就来探讨一下其中的应用。
一、药物制备与合成反应设计药物的制备需要进行多步反应，设计反应步骤和反应温度、时间是非常重要的。
化学计量学可以帮助我们在药物合成中确定化学反应中试剂的比例，从而保持合理的反应时间和温度，提高反应的产率，减少废料的生成。
例如，药物合成中使用的酸、碱、盐等，其比例关系可以通过计算化学当量来确定，确保产生的中间产物能够在反应中完全消耗。
通过控制化学反应中物质的投入量和化学反应方程式的反应系数，可以最大程度的减少废料的生成，提高药物的产率和合成效率。
二、药物的稳定性研究药物在储存和运输中，其物理性质和化学性质都会发生变化。
化学计量学可以帮助我们确定药物分解的程度和机理，从而设计出合适的储存和运输方式，避免或减少药物分解，保证其疗效。
例如，当药物在储存和运输过程中发生分解时，我们可以通过化学计量学计算药物稳定性，研究其分解机理和主要分解产物。
在此基础上，我们可以设计出合适的储存温度和湿度，控制药物的光照和氧气接触，避免药物分解。
三、药物的质量控制药物的质量是影响其药效和安全性的重要因素。
化学计量学可以帮助我们定量分析药物中的成分，评价药物的质量。
例如，药物中有时可能含有异构体和杂质，这些成分可能会影响到药物的药效和安全性。
通过定量分析药物中的异构体和杂质，我们可以确定药物质量标准和纯度评价标准，控制药物的含量和质量。
总之，化学计量学在药物化学中的应用非常广泛，可以帮助我们提高药物制备效率和疗效，保证药物质量和安全性。
当然，化学计量学只是药物化学研究中的一部分，我们需要综合多种手段和方法，从不同角度对药物进行研究和评价，从而不断提高药物研究的水平和质量。
化学计量学方法在药物色谱分析中的应用研究的开题报告
化学计量学方法在药物色谱分析中的应用研究的开题报告一、研究背景近几年，药物分析成为了广大科研工作者的研究热点，其中药物色谱分析在药物分析中具有非常重要的地位。
但是，在药物色谱分析中，往往需要使用计量学方法来处理数据和优化实验的设计。
化学计量学方法是化学数据分析的一种方法，它的出现极大地利用了计算机的处理能力，将化学实验和数据分析之间的联系更加紧密。
这种方法可以较为准确地处理大量实验数据，获得更加精确的分析结果。
因此，在药物色谱分析中采用化学计量学方法进行数据分析和优化设计，能够提高实验的准确性和效率，进一步加深人们对药物分析的认识。
二、研究目的本文的主要目的是探讨化学计量学方法在药物色谱分析中的应用，通过分析和总结现有的文献资料，明确现有的研究成果和不足之处，为以后的药物色谱分析提供新的思路和方向。
三、研究内容本研究主要包括以下几个方面的内容：1、化学计量学方法的原理和应用本文将主要介绍化学计量学方法在化学数据分析和实验设计中的应用原理，使读者对化学计量学基本原理有更加深入的认识。
2、药物色谱分析的基本原理在本文中，将对药物色谱分析的基本原理和常用方法进行介绍，使读者对药物分析技术有基础的认识。
3、化学计量学方法在药物色谱分析中的应用本部分将结合药物色谱分析的具体实验操作和计算方法，详细论述化学计量学方法在药物色谱分析中的应用实例，并分析其在实验中所发挥的作用和优点。
4、化学计量学方法在药物色谱分析中的不足和发展趋势在本部分中，将对目前化学计量学方法在药物色谱分析中存在的不足和未来发展方向进行分析和讨论。
四、研究意义本文的研究成果对于药物分析领域具有较大的实用价值，可为科学家们提供较为准确的实验方法和数据处理方案。
此外，本研究也能够为化学计量学的相关研究提供新的思路和方向。
五、研究方法本文将采用实例分析和文献资料法进行研究，通过分析和比较现有文献中的实验数据，总结和探讨计量学方法在药物色谱分析中的应用和优缺点。
化学计量学在药物设计中的应用
化学计量学在药物设计中的应用摘要：化学计量学是研究化学反应过程中物质数量关系的一个重要分支学科，具有在药物设计中广泛应用的潜力。
本文将从化学计量学在药物设计中的原理和方法、应用案例和前景展望三个方面对其在药物设计中的应用进行综述。
通过对化学计量学与药物设计的关联性分析，以期为进一步研究和开发新型药物提供一定的参考。
关键词：化学计量学；药物设计；反应原理；应用案例；前景展望一、引言药物设计是一门交叉学科，涉及化学、生物学、药理学等多个领域的知识。
在药物设计的过程中，理解化学反应的原理和方法是至关重要的。
化学计量学作为研究化学反应过程中物质数量关系的学科，为药物设计提供了重要的理论基础和方法。
因此，本文将从化学计量学在药物设计中的原理和方法、应用案例和前景展望三个方面对其在药物设计中的应用进行综述。
二、化学计量学在药物设计中的原理和方法1. 化学计量学的基本概念化学计量学是研究在化学反应中物质的量之间的关系的学科，研究对象是在一个化学反应中，各种物质之间的摩尔比或物质的量之间的关系。
在化学计量学中，通常用化学方程式来表示化学反应的过程，例如：2H₂ + O₂ → 2H₂O，该方程式表示氢气和氧气反应生成水的过程。
2. 化学计量学在药物设计中的应用在药物设计的过程中，研究药物的合成方法和产物的结构十分重要。
化学计量学可以帮助研究人员确定药物合成反应的摩尔比，并优化反应条件，提高合成产率。
此外，化学计量学还可以帮助研究人员分析反应过程中的产物结构，为合成目标分子提供参考。
三、化学计量学在药物设计中的应用案例1. 阿司匹林的合成阿司匹林是一种常用的止痛药和发热药，其化学名称为乙酰水杨酸。
在阿司匹林的合成过程中，化学计量学起着至关重要的作用。
以水杨酸和乙酸为原料合成阿司匹林的反应中，化学计量学可以帮助确定原料的摩尔比，优化反应条件，提高产率。
2. 对乙酰氨基酚的合成对乙酰氨基酚是一种用于退烧镇痛的药物，其化学名称为对乙酰氨基苯酚。
计量学在药品研发中的应用有哪些
计量学在药品研发中的应用有哪些在当今的医药领域，药品研发是一个复杂且严谨的过程，需要综合运用多学科的知识和技术。
其中，计量学作为一门研究测量理论与实践的科学，在药品研发中发挥着不可或缺的重要作用。
计量学在药品研发中的应用首先体现在对原材料的质量控制上。
药品的原材料质量直接关系到最终药品的安全性和有效性。
通过精确的计量测量，可以确定原材料的纯度、含量、杂质限度等关键指标。
例如，在化学合成药物的研发中，对于起始原料、中间体和最终产物的化学纯度分析，需要借助高效液相色谱（HPLC）、气相色谱（GC）等仪器，这些仪器的准确性和精密度依赖于严格的计量校准和质量控制。
只有确保测量结果的准确可靠，才能筛选出符合质量标准的原材料，从而为后续的研发工作奠定坚实的基础。
在药物分析方法的开发和验证中，计量学同样至关重要。
药物分析方法包括色谱法、光谱法、电化学法等多种技术，每种方法都需要经过严格的验证，以确保其准确性、精密度、重复性、专属性和检测限等符合要求。
计量学为这些验证工作提供了科学的理论和实践基础。
例如，在确定检测限和定量限时，需要通过一系列的实验和统计分析，而这些实验的设计和数据分析都离不开计量学的知识。
同时，计量学还可以帮助优化分析方法的条件，提高分析效率和准确性。
药品研发中的稳定性研究也离不开计量学的支持。
药物的稳定性是指药物在一定的温度、湿度、光照等条件下，其质量和疗效保持不变的能力。
通过定期对药物样品进行检测，并运用统计学方法对检测数据进行分析，可以评估药物的稳定性，确定药物的有效期和储存条件。
在稳定性研究中，计量学不仅保证了检测数据的准确性和可靠性，还为数据分析提供了科学的方法和工具。
例如，通过对不同时间点药物含量的测量，可以建立药物降解的动力学模型，预测药物在未来的变化趋势。
计量学在制剂工艺的优化中也发挥着重要作用。
制剂工艺包括药物的剂型设计、处方筛选、生产工艺等环节。
在这些环节中，需要对各种物理参数如粒度分布、溶出度、渗透压等进行测量和控制。
化学计量学方法在药物分析中的应用研究
化学计量学方法在药物分析中的应用研究药物分析是一项非常重要的工作，它涉及到药品的质量、疗效和安全性等方面的问题。
在药物分析中，化学计量学方法可以起到非常重要的作用。
化学计量学是一种基于化学反应方程式的计算方法，它可以通过计算反应物和生成物的质量或摩尔比例，来确定反应物的化学量和化学计量关系等参数。
在药物分析中，化学计量学方法可以用来确定药品中各种化学成分的含量和质量，从而保证药品的质量和疗效。
化学计量学方法主要是通过化学反应方程式来进行计算的。
在药物分析中，一般是通过一些比色法、电位滴定法、显微分析法等来确定反应物和生成物的数量比例，然后进行计算。
例如，在药物分析中，可以通过比色法来确定药品中某一化学物质的含量，然后通过计算反应物和生成物的摩尔比例，就可以得到药品中该化学物质的摩尔含量。
同样，在电位滴定法中，可以通过测定电位的变化来确定反应物和生成物的质量比例，然后通过计算，就可以得到药品中各种化学物质的含量和质量。
化学计量学方法在药物分析中的应用非常广泛。
在制药过程中，化学计量学方法可以用来确定药品中各种化学成分的含量和质量，从而保证药品的质量和安全性。
例如，在药物生产过程中，可以通过显微分析法来确定药品中各种微量元素的含量，进而确定药品的疗效和安全性。
另外，在药品质量控制中，化学计量学方法也可以用来确定药品中某一化学成分的含量和质量，以保证药品的质量和疗效。
总之，化学计量学方法在药物分析中的应用非常广泛，它不仅可以用来确定药品中各种化学成分的含量和质量，还可以用来保证药品的质量和安全性。
因此，化学计量学方法在药物研究和制药工程中具有非常重要的应用价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
⸩ ԡ䆎㽕䅵䞣 ϔ䮼 ⱘ ⾥DŽ 䆎 㒾䆎䚼 佪 ѻ⫳ǃ ⷨお⦄⢊䖯㸠њὖ䗄ˈ✊ 䕼Ϣ ℷ⡍ ϝ㓈 ⱘ ⧚ ⊩䖯㸠䞡⚍䯤䗄ˈ ϝ㒓 ㅫ⊩ⱘ DŽ ℸ ⸔Ϟˈ ϝ㓈 Ѡ䰊 ℷ⊩Ϣϝ㓈㤻 䈅㒧 ⫼Ѣ 䋼(亳 ǃҎԧ⎆ㄝ)Ё㥃⠽ Ẕ⌟ˈ㾷 њ⏋ ԧ㋏Ё 㒘 㤻 䈅䞡 䍋ⱘ䲒 䕼䯂乬ˈ ҹ ⦄ ⶹ ϟ ԧ㋏Ё 䍷㥃⠽㒘 ⱘⳈ 䗳 䞣⌟ ˈЎ ԧ㋏Ё 䍷㥃⠽ ⱘ Ẕ⌟ կњϔϾ ⊩DŽѠゴ ⫼Ѹ 㔮ϝ㒓 㾷˄Alternating penalty trilinear decomposition, APTLD˅Ѡ䰊 ℷㅫ⊩㒧 㤻 ˈ 㥃⠽ ⠯ ϟˈ ⋯㕢≭ 䖯㸠 䞣 DŽ㾷 њ 䈅䞡 䍋ⱘ䲒 䕼䯂乬ˈ㦋 њ⒵ ⱘ㒧 ˈ ⦄ ⶹ ϟ⋯㕢≭ ⱘ 䗳 ⌟ DŽϝゴˈ 䳔ӏԩḋ ⧚ⱘ ϟˈ Ҏԧ ⎆Ёⱘ≭ϕ㛎䝛䖯㸠Ⳉ 䗳⌟ DŽ ⫼ 㸠 ˄Parallel factor analysis, PARAFAC˅ APTLD ㅫ⊩ ▔ ⶽ䰉ϝ㓈㤻 䖯㸠㾷 ˈϸ⾡ㅫ⊩ 㒧 䴲 䖥ˈ 㛑 ⒵ ⱘ乘⌟㒧 ˈЎ 㚠 ϟ≭ϕ㛎䝛ⱘ 䗳Ẕ⌟ կњϔϾ 䴴ⱘ ⊩DŽ䜮Ϣ 䜮 Ё㥃 ⱘϸ⾡Џ㽕⌏ DŽ ゴˈ ⫼PARAFAC Ѹ ϝ㒓 㾷˄Alternating trilinear decomposition , ATLD˅ϸ⾡Ѡ䰊 ℷㅫ⊩ˈ㒧 ϝ㓈㤻 ˈ Ҏԧ㸔⌚ Ё㥃 Ёⱘ 䜮 䜮ϸ⾡ 䖯㸠 Ẕ⌟DŽϸ⾡ㅫ⊩ ⒵ ⱘ乘⌟㒧 DŽ䆹 ⊩ҙ䳔ϔϾㅔ ⱘḋ ˈ ⦄ Ѡ㗙 䈅䚼 䞡 ⶹ㤻 㚠 ϟ 䜮 䜮ⱘ ⌟ DŽѨゴˈ䗮䖛▔ - ⶽ䰉㤻 ⊩㦋 ϝ㓈 ˈ✊ ⫼PARAFAC Ѹ ⅟ (Alternating fitting residue, AFR)ϸ⾡ㅫ⊩ˈ ⱘϝ㓈 䰉䖯㸠㾷 ˈҹ ⦄Ҏԧ ⎆㚠 ϟ⡍ Ҫ ⱘⳈ 䗳⌟ ˈ 䳔ӏԩḋ ⾏ ⧚DŽ AFRㅫ⊩ϢPARAFAC⊩ⱘ㒧 䖯㸠↨䕗ˈҢ㒧 ҹ AFR⊩ 㒘 ϡ ˈ 䗳 ⱘӬ⚍DŽ䅵䞣 ϝ㓈 㾷 ⊩ ԧ㋏㥃⠽Ẕ⌟Ёⱘ ⫼ ゴˈѠ䰊 ℷ ϝ㓈 Ё ⣀⡍ⱘѠ䰊Ӭ ˈ ゴ ⫼Ѣϝ㓈㤻 䰉㾷 ˈ Ҏԧ㸔⌚ ϟⱘ 㓈 ⋯䖯㸠⌟ DŽ ⫼ϝ⾡Ѡ䰊 ℷㅫ⊩PARAFACǃ㞾 Ѹ ϝ㒓 㾷˄S elf-weighted alternating trilinear decomposition, S WATLD˅ AFR ϝ㓈㤻 䖯㸠㾷 ˈ 㛑 䴴ⱘ乘⌟㒧 ˈ ⦄ ⶹ 㒘 ϟˈ 㓈 ⋯ⱘ ⹂ 䗳⌟ DŽ䆹 ⊩ њ⬅Ѣ㸔⌚Ё ⶹ㒘 ⱘ㤻 䈅Ϣ ⌟⠽ⱘ㤻 䈅Ϲ䞡䞡 䍋ⱘ 䕼䲒乬ˈЎ ⫳⠽ԧ㋏Ё 㓈 ⋯ⱘⳈ 䗳⌟ կњϔϾ ⊩DŽ䬂䆡˖ 䅵䞣 ˗Ѡ䰊 ℷ˗ϝ㓈㤻 䈅˗⇳ 䇎䝂˗≭ϕ㛎䝛˗ ˗⡍ Ҫ ˗ 㓈 ⋯⸩ ԡ䆎AbstractChemometrics is a new branch of chemistry. In the introduction of this thesis, the history and development of chemometrics is outlined. In addition, its research advance is illustrated. Multivariate resolution and calibration in chemometrics, especially three-way data analysis methods has been reviewed, which includes the development of the trilinear decomposition model and algorithms. Determination of drug components in complex systems˄e.g. food or human fluids˅by second-order resolution and calibration methods combining with excitation-emission matrix fluorescence have been studied. The problem of spectra overlapping seriously has been successfully solved by utilizing the above method. The method can be used to determine the interested components in complex systems in the presence of unknown interferences.In Chapter 2 , a simple method for determination of lomfloxacin in milk in the presence of other drug interference was described. It based on the alternating penalty trilinear decomposition(APTLD) algorithm coupled with excitation-emission matrix fluorescence. The problem of spectra overlapping can be solved by using APTLD. The satisfactory result indicated that the proposed method can be applied to quantify lomefloxacin simply in milk even in the presence of unknown interferences.In Chapter 3, a novel method of second-order calibration of three-way fluorescence spectroscopy was applied to determine salbutamol (SAL) in human urine. This method is fairly easy without pre-separating procedure. The results obtained by the parallel factor analysis (PARAFAC) and the alternating penalty trilinear decomposition (APTLD) are satisfactory. Determination of S AL in the presence of unknown interferences directly can be actualized by this new simple method.Honokiol and magnolol are the main active components of complex magnoliae officinalis. In Chapter 4, second-order calibration coupled with excitation-emission fluorescence spectroscopy was applied to simultaneously determine honokiol and magnolol in human plasma and complex magnoliae officinalis. The predicted results of of the PARAFAC and alternating trilinear decomposition(ATLD) algorithm were both satisfactory. Though the spectra of the two interesting componets were partly overlapped, this method could determine honokiol and magnolol simultaneously and quickly, which only needs a simple sample extraction step even in the presence of unknown interferences.䅵䞣 ϝ㓈 㾷 ⊩ ԧ㋏㥃⠽Ẕ⌟Ёⱘ ⫼In Chapter 5, the interesting drug component terbutaline was determined directly in human urine without no sample pre-separating procedure. The samples were measured by excitation-emission matrix fluorescence spectroscopy and the data were resolved by the parallel factor analysis (PARAFAC) and alternating fitting residue (AFR) methods. Both the algorithms exploit the second-order advantage. In contrast with PARAFAC, the AFR converge fast and isn’t sensitive to the predicted component number, and achieved better results in this analysis system.In Chapter 6, second-order advantage was achieved by three-way excitation -emission fluorescence data processed by three second-order algorithms. Carvedilol in human plasma was determined successfully by using second-order calibration method. The results of the PARAFACǃself-weighted alternating trilinear decomposition and AFR algorithms were all credible. The fluorescence spectroscopy of human plasma was very closed to that of carvedilol. The method proposed in this chapter can solve the spectra overlapping problem, and can be applied to determine carvedilol in the prescence of unknown interferences .Keywords: Chemomet rics; Second-order calibrat ion; Excit at ion-emission mat rix fluorescence; Fluoroquinolone; Salbut amol; Complex magnoliaeofficinalis; Terbutaline; Carvedilolԡ䆎Ҏ䚥䞡 ˖ Ѹⱘ䆎 Ҏ ⱘ ϟ⣀ゟ䖯㸠ⷨお ⱘⷨお DŽ䰸њ Ё⡍ ҹ ⊼ ⫼ⱘ ˈ 䆎 ϡ ӏԩ ҪϾҎ 䲚ԧ 㒣 㸼 ⱘ DŽ ⱘⷨお 䞡㽕䋵⤂ⱘϾҎ 䲚ԧˈ Ёҹ ⹂ DŽ Ҏ 䆚 ⱘ⊩ ⬅ Ҏ DŽ㗙ㅒ ˖ ˖ԡ䆎 ⠜ Փ⫼ кԡ䆎 㗙 њ㾷 ⬭ǃՓ⫼ ԡ䆎 ⱘ㾘 ˈ ⬭ 䚼䮼 䗕Ѹ䆎 ⱘ ӊ ⬉ ⠜ˈ 䆌䆎 㹿 䯙 䯙DŽ Ҏ ҹ ԡ䆎 ⱘ 䚼 䚼 㓪 䖯㸠Ẕ㋶ˈ ҹ䞛⫼ ǃ㓽 ㄝ ↉ ∛㓪 ԡ䆎 DŽԡ䆎 Ѣ1ǃ ˈ ______ 㾷 䗖⫼ кDŽ2ǃϡ ;DŽ˄䇋 ҹϞⳌ Ḛ “3”˅㗙ㅒ ˖ ˖ㅒ ˖ ˖⸩ ԡ䆎1ゴ㒾䆎1.1 䅵䞣 ㅔҟ⬅Ѣ䖥 ⠽⧚ ⬉ ⱘ ˈ ⾡ Ҿ 㛑 ѻ⫳催㓈 ⱘ㘨⫼Ҿ ˄ ⇨Ⳍ㡆䈅-䋼䈅˄GC-MS˅ǃ⎆Ⳍ㡆䈅-Ѡ ㅵ䰉 ˄LC-DAD˅ǃ 㓈Ḍ⺕ 䈅ㄝ˅Ⳍ㒻 ⦄DŽҹ ЎЏⱘ㒣 㒣 ϔ䮼 ӫ Ҿ ˄㡆䈅 ǃ⬉ ǃ ǃ⊶䈅 ǃ䋼䈅 ǃ⛁ ǃ ㄝ˅ЎЏⱘ⦄ҷ [1]DŽ Ӏ 㦋 䞣ⱘ 䞣⌟ , 䖯 њϔϾ ⱘ DŽ㗠Ϣℸ ԩ ⧚䖭ѯ⍋䞣 ,ҢЁ ⫼ⱘ ˈ Ў 㗙 䴶ЈⱘϔϾѳ 㾷 ⱘ䲒乬DŽ ϔ 䴶ˈ䅵ㅫ ⡍ 䅵ㅫ ⱘ ⦄ˈՓ ҹ䅵ㅫ ⫼Ў ⱘ 䴽 ⏫䗣њ Т ⱘ ⾥乚 DŽ 䖭⾡㚠 ϟϔ䮼 ⱘ — 䅵䞣 䖤㗠⫳DŽ䅵䞣 ˄Chemometrics˅ ϔ䮼 Ѣ 䞣⌟ⱘ⧚䆎 ⸔Ϣ ⊩ ⱘ ⾥[2]DŽ ϞϪ㑾ϗ ҷ ⬅⨲ S. Word 㕢 B. R. Kowalski ゟⱘˈ䖘Ҟ ϝ ԭ ⱘ DŽЎϔ䮼Ѹ ⾥ˈ ⫼ ǃ㒳䅵 Ϣ䅵ㅫ ⾥ ⱘ ↉ 䆒䅵 䗝 Ӭ 䞣⌟ ⊩ˈ 䗮䖛㾷 䞣⌟ 䰤 㦋 Ⳍ [ 1-5 ]DŽ ҹ䇈ˈ 䅵䞣 ǃ ǃ ǃ㒳䅵 䅵ㅫ ⾥ П䯈ⱘ“ ”ˈ [6, 7]DŽ Ў 䞣⌟ կ⧚䆎 ⊩,Ў ㉏⊶䈅 䞣⌟ ⱘ㾷 ,Ў 䖛ⱘ ⧚ⷨお Ӭ կ 䗨 ˈ ⷨお㣗 ⫮ ˈ 㟈 Ўҹϟ Ͼ 䴶˖˄1˅䞛ḋ⧚䆎Ϣ ⊩˗˄2˅ 偠䆒䅵Ϣ 䖛Ӭ ˗˄3˅ ⧚˗˄4˅ 䆚 ˗˄5˅ 䕼Ϣ ℷ˗˄6˅䅵ㅫ ˗˄7˅ 䞣 ㋏˗˄8˅ ˗˄9˅Ҏ 㛑Ϣ ϧ ㋏㒳DŽ㒣 ⱘ ℷ ⊩ ҹ ⚍ ˄ 䞣˅Ϣ ԧ㋏Ёⱘ ϔ ⌟⠽䋼 ⾡ ⱘ 䞣 ㋏Ў ⚍ˈ 䆹⾡ ⌟ ⠽䋼䖯㸠 ǃ 䞣 ˈ⫼䖭⾡ ⊩ ⧚ ԧ㋏ ˈ 䳔㽕䌍 㗠㐕⧤ⱘ ⠽⧚ ⊩䖯㸠㒘 乘 ⾏DŽ 䖤ⱘ ⾡ Ҿ 㘨⫼ ⱘ ⦄ǃ䅵ㅫ ⾥ ⱘ ˈՓ ҹ ⱘ 催㓈 䞣ⱘ ˈ㗠ℸ ҹ 䅵䞣 Ёⱘ 䕼Ϣ ℷ ⊩ 㒘 ԧ㋏䖯㸠 ǃ 䞣 DŽҢ㗠 ⦄њҢ 䞣 ℷ ⶶ䞣ǃⶽ䰉⫮㟇 䞣 㾷 ⱘὖ 亲䎗DŽ 䕼Ϣ ℷ 䅵䞣 ⌏䎗ⱘϔϾ ˈ Ϣ ⱘ ㋏䴲 ˈЏ㽕⍝ ԩ䅵䞣 ϝ㓈 㾷 ⊩ ԧ㋏㥃⠽Ẕ⌟Ёⱘ ⫼Ң 䞣⌟ Ё 㒘 ⱘ ǃ 䞣 ˈ 䅵䞣 ⷨおⱘ⛁⚍DŽ ✻ ⱘ㒧 ϡ ˈ 䕼Ϣ ℷ ҹ ЎѠ㓈 ϝ㓈 DŽ⬅Ѣ⫳⠽ ǃ⫳ ⾥ ǃ⦃ ⾥ ǃ㥃⠽ ǃ亳 ⾥ ㄝ ⾥ⱘ 䗳 ˈ䖭 њ㽕∖ˈ ⏋ ⠽ԧ㋏䖯㸠 䞣 ˈ㗠䖯㸠Ⳉ 䗳 䲒乬DŽḍ 䰙 ˈ ҹ ⺄ ⱘ ⏋ ⠽ԧ㋏ Ўⱑǃ♄ 咥ϝ⾡ ԧ㋏[3]DŽⱑ㡆ԧ㋏ 㒘 ⶹˈ ⱘⳂⱘ ⾡⠽䋼 㗙 Ё䚼 ⠽䋼 䖯㸠 䞣 DŽ咥㡆ԧ㋏ 䆩ḋ↿ 偠 ˈ Ѣ䖭⾡ԧ㋏佪 㽕⹂ ⠽⾡ ˈ✊ 㾷 ⾡㒃⠽䋼䈅 ˈ Ўⱑ㡆ԧ㋏ 䖯㸠 䞣 DŽ ⶹ ԧ㋏Ё ⌟⠽䋼 ˈԚ ϡ⏙Ἦ ⱘ ⶹ ˈ䖭ḋⱘԧ㋏ ♄㡆ԧ㋏ˈ 䖭㉏ ԧ㋏ˈⳂⱘ ⶹ ϟˈⳈ 䍷ⱘ ⌟⠽䖯㸠 䞣 ˈ㗠 Ѣ䖭㉏ԧ㋏ˈ 㽕㛑 㦋 ⶽ䰉㉏ ⱘ ˈϔ㠀 䇈 䅵䞣 ⊩ 㦋 ⠽⧚ Нⱘ ϔ㾷DŽѢ ⱘ ԧ㋏ˈ㒣 ⱘ 䞣 ℷ ⊩ϔ㠀䳔㽕㐕⧤ⱘ 㗙⠽⧚ ⾏䖛DŽ㗠䱣П 䍋 ⱘⶶ䞣 ↨ 䞣 㽕Є ⱘ ˈ⬅ℸѻ⫳ⱘ 䅵䞣 ϔ䰊 ℷㅫ⊩ 㒓 ˄Multivariate Linear Regression, MLR˅ǃЏ ˄Principal component regression, PCR˅[8-10]ǃ ѠЬ ˄Partial least squares, PLS˅[11-13], ҹ ⦄ ϡ ⾏ⱘ ϟ ԧ㋏Ёⱘ ⾡㒘 䖯㸠 䞣 ˈ㾷 њ 䞣 ℷЁϡ 㛑㾷 ⱘ䯂乬,ℸ㉏ ⊩ ϔѯ 䰙 ԧ㋏ⱘ 䈅 Ё ϔϾ䴲 ⫼ⱘ [14-17]ˈ ℸ ⫳ ⾥ ㄝⳌ 乚 њ䍞 䍞 ⊯ⱘ ⫼[18]DŽԚ ℸ㉏ㅫ⊩ ϔѯ㔎䱋ˈѠ㓈 ⱘ ϔ 㾷 㒧 ⱘ㽕∖䕗催DŽ 㽕∖⫼ ⱘ ℷḋ 乏 乘⌟ḋ Ё 㛑 ⱘ 㒘 ˈ ⒵䎇њ䖭ϔ ˈ✊ ⫼ ゟⱘ 乘⌟ ⶹḋ 㛑 ⹂ⱘ㒧 DŽ㢹 ⌟ḋ ⶹ ˈ 乘⌟ ձ ⱘϡ ѻ⫳ϡ ⱘ [2, 19, 20]DŽ䖭㉏ㅫ⊩↨䕗䗖 ⱑ㡆ԧ㋏ DŽ✊㗠 䰙 ԧ㋏Ёˈϔ㠀 ⶹⱘ㒘 ˈ ♄㡆 㗙咥㡆ԧ㋏DŽ 䖭ḋⱘ ԧ㋏㽕 ⦄ ⶹ ϟ⡍ ⠽䋼䖯㸠乘⌟ˈϔ䰊 ℷ⊩ 䲒䖒 ⳂⱘDŽ♄㡆 ԧ㋏ⱘ ℷㅫ⊩Џ㽕 Ўⶶ䞣 ℷ ⊩ ⶽ䰉 ℷ ⊩DŽ Ѣⶶ䞣 ℷⱘ 䗁ҷⳂ 䕀 ⊩(Iterative target transformation factor analysis, ITTFA) [21,22]ǃ㞾䗖 KalmanⒸ⊶⊩(Adaptive Kalman Filtering,AKF)[23ˈ24]ㄝˈϔ㠀 㛑㒭 㛑㾷DŽⶽ䰉 ℷ ⊩ 䅵䞣 ⷨおⱘ⛁⚍ 䲒⚍ˈЏ㽕 Н⾽⍜ ⊩[25]ǃ⅟ 㒓 㾷⊩ǃ㑺 㚠 㒓 㾷⊩ 㸠 ⊩ㄝˈ⧚䆎Ϟˈ䖭ѯ ⊩ϔ㠀ⱚ 㒭 ⠽⧚ Нⱘ ϔ㾷DŽ⸩ ԡ䆎Ѣ 䲒ⱘ咥㡆 ԧ㋏ˈ⬅Ѣ≵ Ѣԧ㋏Ё ⱘӏԩ偠 ˈ ҹ㽕 䖯㸠 䞣 䴲 ⱘDŽ咥㡆ԧ㋏ⱘ 䕼 ⊩ 䛑⑤ Ѣ㞾 㒓 䕼⊩˄Self-modeling Curve Resolution Method ˈSMCR ˅[26]ˈ䆹 ⊩ ⬅Lawton Sylvestre DŽ㞾 㒓 䕼⊩Џ㽕 ѢЏ ˈ ϸ 䆒˖˄1˅⏋ ⠽䞣⌟䈅ヺ 㒓 ˗˄2˅⊶䈅䞣⌟ 㛑Ўℷ DŽ䆹 ⊩㱑㒣ϡ ⷨお㗙 䖯ˈԚҡ✊ 㑺 ӊ ˈϡ㛑 ㊒⹂㾷ⱘ㔎⚍DŽ䱣ⴔ⦄ҷ Ҿ 㘨⫼ 䞛䲚 ⱘ , 䞣䇌 EX-EM 㤻 ҾǃHPLC-DAD ǃCE-DAD ǃCC-MS ǃHPLC-MS ㄝ㘨⫼Ҿ ⱘ⍠⦄ˈ 䏉Ёϝ㓈 ⱘ㦋 Ⲟ DŽϢℸ ˈ 䖭㉏ ⱘ г 㞾✊ њ 䅵䞣 ⷨおЁ䴲 ⌏䎗ⱘ乚 [27]DŽ䩜 㓈 㾷 ˈ ℷϢ 䕼 њ䭓䎇ⱘ ˈ ϝ㓈 DŽϝ㓈 䕼䕗ПѠ㓈 䕼 ⣀⡍ⱘӬ ˈ さ Ӭ Ѣϝ㒓 㾷ⱘ ϔ ˈϨϝ㒓 㾷 Ϣ Ѡ䰊 Ҿ ⱘ ˄ Beer ˅ⱘϔ㟈 DŽϝ㓈 ϝ㓈 㒧 㽕∖ϡϹḐˈϔ㠀 ӊϟ㦋 ⱘϝ㓈 ˈ ϝ㒓 㾷 ϔⱘˈ ⱘ㾷 Ѡ㓈 㾷 Ё ⱘ 䕀ϡ⹂ ˈϝ㒓 㾷 ⱘ 㾷㒧 Ⳉ Ϣ㹿 ԧ㋏Ё 㒘 ⱘ ˄㡆䈅 䈅˅ 䞣 ˄⌧ ˅Ⳍ DŽϝ㓈 ⱘ䖭ϔ⡍⚍Փ 乚 ˄⡍ 乚 ˅Ё њ ⊯ⱘ ⫼[28- 33]DŽϝ㒓 ⱘ ϔ㠀 ⫼TUCKER 3 PARAFAC 㸼⼎ˈTUCKER 3 ⫼Ѣ 㓈 ⧚ ⷨおˈ 㾷 㸼⼎Ў˖K ,1,k J;,1,j .I;1,i ,e g c b a x ijk M 1m P 1p Q1q mpq kq jp im ijk ¦¦¦ ˄1.1˅Ёx ijk ϝ㓈 䰉X ˄˥××˧˅ⱘϔϾ ㋴DŽa J im ǃb jp ǃ c kp 䕑㥋ⶽ䰉A ǃB ǃC ⱘ ㋴ˈg mpq ϝ㓈Ḍ䰉G ⱘ ㋴ˈ㸼⼎ 㓈П䯈ⱘⳌѦ⫼П⿃DŽe ijk ϝ㓈⅟ 䰉Ёⱘ ㋴ˈTUCKER 3 Ёⱘ↣ϔ㓈 ҹ ϡ 䞣ⱘ ˈḌϝ㓈䰉 䆌䴲䳊 ㋴ϡ Ḍϝ㓈䰉ⱘ䍙 㾦㒓Ϟˈ䖭ḋⱘ ⬅Ѣ ҹӏ 䕀Ӯѻ⫳ϡ ⱘ㾷㗠 ϡ ϔ㾷DŽ1970 Harshman ㄝ њϝ㒓 㾷ⱘ 㸠 ˈ䆹 㹿 ⊯ ⫼Ѣϝ㒓 㾷DŽ 㸠 ㅔ њⱘTUCKER 3 DŽ M=P=Q=N ˈG ⓨ 䍙 㾦 ㋴Ў1ˈ ԭⱘ ㋴ⱚЎ0ⱘϝ㓈Ḍⶽ䰉˖˄1.2˅K,1,k J;,1,j I;,1,i ,e c b a x N1n ijk kn jn in ijk ¦ ⬅Ѣϝ㒓 ⦃ ⿄ ˈ ҹ䖬 ҹ㸼⼎ ϟⶽ䰉ⱘ ˖˄1.3˅I ,1,i ,E )C Bdiag(a X i..T (i)i..䅵䞣 ϝ㓈 㾷 ⊩ ԧ㋏㥃⠽Ẕ⌟Ёⱘ ⫼J ,1,j ,E )A Cdiag(b X .j.T (j).j. ˄1.4˅˄1.5˅K,1,k ,E )B Adiag(c X ..k T (k)..k ЁX i.. E i.. 㸼⼎ ϔ㓈I ⱘϝ㓈 䰉X E ⱘi ⶽ䰉ˈX .j. E .j. Ўj k ⶽ䰉DŽϝ㓈 ⱘ ⊩ 㒜䖬 Ѣ ⱘ㒧 Ḑ DŽϝ㓈 䴲 㒓 㒓 DŽ 㑻䋼䈅ⱘ㘨⫼ˈѠ㑻䋼䈅Ϣϔ㑻䋼䈅ⱘ П䯈≵ ҔМⳌ ˈ ϔ㑻ⱘ ⸔Ϟⱘ⣀ゟⱘ ˈ ℸ ϔ㒘 ⱘ ϡ 䖭ϸ㑻 ⱘㅔ ⱘ ⿃ˈ ⶽ䰉ⱘ⾽ϡㄝѢḋ ⱘ ˈ䖭㉏ 㒧 ⿄ЎѠ䰊䴲 㒓 DŽ⬅Ѣℸ㉏ ⱘ 䋼ˈ㽕䞛⫼ϡ ⱘ ℷ ⊩䖯㸠㾷 DŽWilson ㄝ Ѣ 㾷ⱘ⾽⍜ ⊩ ⫼ѢѠ䰊䴲 㒓 ˈ㛑 ⶹ ϟ⌟ 䍷⠽䋼ⱘ⌧ [34]ˈ ⱘ㾷 њ䖭㉏ DŽԚ Ё 㦋 ⱘ ヺ 㒓 ⱘϝ㒓 DŽ 㒓 䖯㸠 䕼 㒣 䍋 ⱘ 䏉Ẕ偠DŽѠ䰊 ℷ ϝ㓈 䖯㸠 ⧚ 䞣 ˈℸ㉏ ⊩ 㛑 ˈ 䇧ⱘ“Ѡ䰊Ӭ ”[35, 36]DŽ ϝ㓈 㾷 ϝϾⶽ䰉ˈ ЁϔϾⶽ䰉 ḋ ⱘ⌧ ˈ 䲚⬅ ḋ ⶹḋ㒘 DŽℸ㉏ ⊩ ҹ ⶹ ϟˈ Ͼ 䋼ⳌԐⱘ 䍷⠽䋼ⱘ 䖯㸠 䕼ˈҢ㗠 ⦄ 䍷㒘 ⱘ 䞣⌟ DŽὖ 䍋 䇈ˈϝ㓈 ⊩Џ㽕 ϸ㉏ˈϔ㉏ 䴲䗁ҷ㉏ ⱘㅫ⊩ˈ ゟ Н 㾷 ⸔Ϟˈ䗮䖛⡍ ⡍ 䞣 Ⳉ 㒘 ⳳ ⱘ㡆䈅 䈅ㄝ DŽ䖭㉏ㅫ⊩⬅ Н⾽⍜ ⊩˄Generalized rank annihilation factor analysis,GRAM ˅[35, 37] 㗠 ˈ ҷ㸼 Ⳉ ϝ㒓 㾷⊩˄Direct trilinear decomposition, DTLD ˅[36, 38-42]DŽDTLD Н⾽⍜⊩ⱘ ԌDŽℸ㉏ ⊩ ⱘ↣ϔ㓈ϞⳈ 㦋 㒃㒘 ⱘ 䕂 . 䆌 ⾡㒘 ⱘ ⌟ ˈԚ ↨䕗催 㛑 䕗 ⱘ㒧 ˈ Ўℸ㉏ϝ㓈 㾷 ⊩ҹ Н⡍ Ў ⸔ˈ ҹ ˈϸ㗙 Ӯ 㟈GRAM ⱘ㒧 ⦄䕗 ˈ 㦋 ӏԩ⠽⧚ Нⱘ㰮 㾷ⱘ 㛑DŽℸ ˈ䘫 ⱘ ˈ䆹 ⊩ 䖯㸠 ḋ ˈ䳔㽕 䗴ϸϾӾḋ ˈҹ⒵䎇 Н⡍ 䯂乬∖㾷ⱘ ӊ, ϡ 䙓 ḋ Ё ϶ ⱘ 㛑 DŽ ϔ㉏ϝ㓈 ⊩ Ѣ䗁ҷ ϝ㒓 ⱘϔ㉏ㅫ⊩[43-45]ˈҹHarshman Carrol ǃChang ⱘ 㸠 ⊩(Parallel factor analysis ˈPARAFAC)[46-51]Ўҷ㸼DŽ 㸠 ⊩ ϝ㓈 Ё↨䕗㨫 㗠 ⊯ ⫼ⱘ ⊩ˈ䆹 ⊩ ⧚䆎Ϟ 㒣↨䕗 ❳ˈԚ 䰙 ⫼Ё䆹 ⊩г ϔ ⱘϡ䎇П DŽ ⱘ 䗳 ˈ 㽕㒣䖛Ϟϛ䗁ҷ䖬䲒ҹ ˗ 㒘 ⱘ䗝 Ⳍ ˈ㽕∖џ⸩ ԡ䆎ԧ㋏ЁⱘЏ ˄ 㒘 ˅ ⹂ⱘԄ䅵ˈ ℷ⹂Ԅ䅵㒘 ⱘ ϟ ҹ 䕗 ⱘ㾷ˈ Ԅ䅵㒘 Ѣ Ѣ 䰙㒘 ˈӮ㒭 ↿ Нⱘ䗔 㾷˗ ϝ㓈 ϡϹḐ Ңϝ㒓 㾷 ˈ 㾷㒧 ϡ⧚ DŽЎњ ҹϞ㔎⚍ˈ 偠 њ 䞣ⱘ ˈ њ䆌 䅵䞣 ⱘ 䞣 ℷϢ 䕼 ⊩ ㅫ⊩ˈ㦋 њ䆌 DŽ ㄝ 䩜 ϝ㓈 䰉 㾷ⱘ⡍⚍ˈ њ䕗㾘㣗ⱘヺ ԧ㋏ˈ њ ⱘϝ㓈 ⦃ ⿄ [52,53]DŽ 㾷Ϣ㸼⼎ㄝњ䕗㋏㒳ⱘ ⧚ ㉏DŽ䖬 ѢѸ ѠЬ ⧚ њѸ ϝ㒓 㾷( Alternating trilinear decomposition, ATLD)[53]ㅫ⊩ˈ䆹 ⊩ ѢϝϾㄝӋⳂ Ѹ 䗁ҷⱘ ѠЬ ⧚ˈ њ㒣 PARAFACㅫ⊩ ⱘ 乘Ԅⱘ 㓧 ⱘ㔎䱋ˈ ⾽⍜ ⊩㋏ Ё ⱘ ḋ ⌟㒘 䰤 ҹ 㒣 ⦄㰮 㾷Ң㗠 㟈 ⊩ ⱘ㔎䱋DŽ ℸ ⱘ ⸔Ϟˈ 偠 䆌 ⱘㅫ⊩DŽ䰜 㧡ㄝ䩜 㸠 ⊩ ⱘ㔎⚍ˈ њӬ ϝϾ 㘨㋏ˈԚ ϡ ㄝӋⱘⳂ 䗳Ӭ 䖛ǃ䙓 Ӭ 䖛䱋 䇧ⱘ“⊐⋑” ⱘ㞾 Ѹ ϝ㒓 㾷˄Self-weighted alternating trilinear decomposition, S WATLD˅ㅫ⊩[54]DŽSWATLDㅫ⊩ⱘ 䗳 ↨PARAFACⱘ 䗳 DŽ䖬 њӾѸ ѠЬ˄Pseudo alternating least squaresˈPALS˅⊩[55]ˈ䆹ㅫ⊩ϡ㽕∖ ϝ㓈 䰉ⱘЏ ⹂ⱘԄ䅵ˈ 㽕 Փ⫼ⱘ Ѣԧ㋏Ёⱘⳳ ˈ 㛑 䆕 㒜 㾷ⱘ㒧 ⱘℷ⹂ ˈ䙓 њ ϔѯ䲒ҹ ⹂Ԅ䅵Џ ⱘϝ㓈 䰉 䗝 Џ ⱘ咏⚺ˈՓ 㗙㛑 Ң 㐕⧤ⱘ Ԅ䅵ⱘ Ё㾷㜅 DŽ㩟 ㄝ ⫼ϝ㒓 㾷ⱘ ϔ ӊˈ ϝ㒓 䕀 Ў 㾦 ˈ䗮䖛 㾦 ⫼ϝ㒓 㾷ⱘ⒵⾽ ӊˈ䖤⫼䰡㓈⏏ 㔮乍 ˈ њѸ 㾦 䕼⊩˄Alternating slice-wise diagonalization , ASD˅[56],䖬 ⫼ 䞣 ϝ㒓 䕀 Ў㗺 䞣 ˈ њ㗺 䞣 䕼˄Coupled vectors resolutionˈCOVER˅⊩[57]ǃѸ 㗺 䞣 䕼˄Alternating coupled vectors resolutionˈACOVER˅⊩[58]DŽ ㄝ ⫼ ѢѸ ѠЬ ⧚ 㗺 ⶽ䰉 䕼䇃 ˈ њѸ 㗺 ⶽ䰉 䕼˄Alternating coupled matrix resolutionˈACOMAR˅⊩[59]DŽ ⥝⦡ㄝ ⫼ 㾦 䇃 ЎPARAFAC䇃 ⱘ 㔮乍ˈ њ 㔮 㾦䇃 ˄Penalty diagonalization errorˈPDE˅ 佄ⱘ 㸠 [60]ㅫ⊩DŽ䰸䖭ѯҹ ˈ 偠 䖬 њѸ 㔮ϝ㒓 㾷˄Alternating penalty trilinear decomposition, APTLD˅⊩[61]ǃѸ ⅟ (Alternating fitting residue, AFR) ⊩[62]ㄝˈ䖭ѯ䛑 Ѣ䗁ҷ㉏ㅫ⊩DŽ ҹϞϸ㉏ㅫ⊩Ёˈ䗁ҷ㉏ㅫ⊩ Ў Ҿ ䷇ ⾏ ⱘ ⫼ˈ⡍ 偠 ⱘϔ㋏ ㅫ⊩ˈ ԧ㋏ⱘ乘Ԅ䅵㒘 ϡ ⱘӬ⚍ˈՓ䗁ҷ㉏ㅫ⊩ Ў 䰙 ⫼ ⊯ⱘϔ㉏ㅫ⊩DŽ䅵䞣 ⱘⷨおЏ㽕 ЎϸϾ 䴶˖ϔ 䴶 䅵䞣 ⸔⧚䆎Ϣ ⊩ⱘⷨおˈ Ҫ乚 ⡍ Ёⱘ䆌 ⫼ⱘ ⊩ǃҎ 㛑 䆎 ⊩ㄝ 䅵䞣 㒧 ԧ㋏ⱘ⣀ ⡍ ˈ ゟ䗖 Ѣ 䯂乬ⱘ 䅵䞣 ⊩DŽ䖭ѯ ⸔⧚䆎Ϣ ⊩ⷨおЎ ⷨお կњ ⱘ 䏃DŽԚ 䰸њ ⸔⧚䆎ⷨおˈ 䅵䞣 ⷨおⱘ ϔϾ䞡㽕 䴶 䅵䞣 Ⳍ 乚 ⱘ ⫼DŽ㞾ҢϞϪ㑾ϗ ҷҹ ˈ 䅵䞣 ϝ ⱘ ˈϡԚ ⧚䆎ⷨおϞ Є⸩ⱘ ˈЎ 䞣⌟ⱘ ⸔⧚䆎Ϣ ⊩ ˈ 乚 г њ ⊯ⱘ ⫼ˈ 㛑 ⫼ ⧚亳 ⾥ ǃ⦃ ǃ㥃⠽ ㄝ ⾥Ёⱘ 䰙䞣⌟䯂乬ˈϢӴ㒳ⱘ ⊩Ⳍ↨ˈԧ⦄њ ⱘӬ DŽEinaxㄝ 㨫Ё䯤䗄њ 䅵䞣 ⦃ Ёⱘ ⫼[63]DŽ ∌ ㄝ 䖥20 䅵䞣 ⊩ 㥃⅟⬭( ∃ 㰿 ǃ ⻋ 㰿 ǃ⇼ ⬆䝌䝃㉏ 㰿 ǃ 䰸㰿㦞䝃 㰿 ǃ䰸㤝 㦠 ) ⌟䆩Ёⱘ ⫼䖯㸠њ䆘䗄[64]DŽ䱣ⴔ ⾥ⱘ ˈ ҹ乘 ˈ 䅵䞣 г 㒻㓁 㫀 ˈ⡍ ϝ㓈 㾷 ⊩ 㒘 ԧ㋏ Ё ⣀⡍ⱘӬ ˈ 㡃 ⱘ ⫼ DŽ1.2 䅵䞣 ϝ㓈 㾷 ⊩ 㒘 ԧ㋏ Ёⱘ ⫼䅵䞣 ϝ㓈 Ѡ䰊 ℷㅫ⊩ ⣀⡍ⱘ“Ѡ䰊Ӭ ”ˈ ϡ㽕∖ ℷḋЁϔ 㽕㗗㰥 乘⌟ḋ Ё 㛑 ⱘ ˈ ℸ 䜡 ℷḋ ˈ 䳔㽕 䍷ⱘ ⌟㒘 ˈ㗠乘⌟ḋЁ ҹ ℷḋЁ 㗗㰥ⱘ ⶹ ˈ㗠Ϩ Ӏⱘ ϡ 䍷㒘 ⌟ DŽ䖭ḋ 䙓 њ 㗙 ㅔ њ㐕⧤ⱘ ⾏䖛ˈ䖭 㒘 ԧ㋏ 䴲 ⱘ НDŽѠ䰊 ℷ ѢϔϾϝ㓈ⱘ 䰉ˈ䱣ⴔ ⾡ ⱘ⦄ҷ Ҿ ⫼ ⱘ ⦄ˈϝ㓈 㦋 ˈ䖭ѯ Џ㽕 㞾Ѡ䰊 Ҿˈ ϝ㓈㤻 ǃHPLC-DADǃGC-MSǃLC-MSㄝˈ䛑 Ѣѻ⫳ϝ㓈 DŽԚ 䆌 䰙ⱘ↨䕗 ⱘ 䯂乬Ёˈ⫼䖭ѯ Ⳉ 㾷 䯂乬 䴲 䲒ⱘˈ䖭 䳔㽕 ϔѯ ǃ㒳䅵 ⊩ˈг Ϣ 䅵䞣 ⡍ 䅵䞣 Ѡ䰊 ℷㅫ⊩Ⳍ㒧 DŽ䖭⾡ 䅵䞣 Ѡ䰊 ℷϢ Ѣѻ⫳ϝ㓈 ⱘ Ҿ Ⳍ㒧 ⱘ ⊩ˈ ҹ ⦄ ⶹ 㒘 ϟˈ 㒘 ԧ㋏Ё 䍷㒘 ⱘⳈ 䗳 䞣 ˈ ⼎њ ⣀⡍ⱘӬ䍞 ˈ 亳 ⾥ ǃ⫳⠽ ㄝ乚 䍞 䍞 ⊯ⱘ ⫼[65-69]DŽ Ё Ѡ䰊 ℷϢϝ㓈㤻 Ⳍ㒧 ˈ⫼Ѣ㾷 䰙䯂乬 ⤂ 䘧DŽϢ 䅵䞣 ⊩Ⳍ㒧 ϝ㓈㤻 ⱘϔϾ䞡㽕 DŽ㤻 ⊩ ϔ⾡䞡㽕㗠 ⱘ 䈅 ↉ˈ ♉ 催ˈ䗝 ˈ䳔ḋ䞣 ⊩ㅔ ㄝӬ⚍ˈ⌟ ϟ䰤䗮 ↨ ⊩Ԣ2-4Ͼ 䞣㑻DŽ Ϯǃ Ϯǃ⦃ ǃ 㥃 ⫳ㄝӫ ⷨお乚 ⊯ⱘ ⫼DŽColyㄝ[70] 㰿ⱘ㤻 ⊩䖯㸠њὖ䗄ˈ 㤻 ⊩ ⦃ ḋ Ёⱘ ⫼њ䆺㒚䆎䗄DŽ┬⼪ҁㄝ[71] 㥃⠽ Ё㤻 ⊩ⱘⷨお⦄⢊ǃ ⫼ 䍟 䖯㸠ὖ䗄,⡍ 䆘Ӌњ㥃⠽㤻 Ёⱘ㸼䴶⌏ ⒊ ⫼ ⧚ǃ 㒰⫼ ⧚ǃ㤻 䩜 ⊩ ϝ㓈㤻 䈅 ⊩ㄝDŽϝ㓈㤻 㛑 ϔϾ ⠽䖯㸠 ⱘ㤻 䗄[72]ˈ 䖥20 䍋 ⱘϔ䮼 ⱘ㤻 ˈ䖭⾡ 㛑 㦋 ▔ ⊶䭓Ϣ ⊶䭓 䞣 ⱘ㤻 ˈ 㤻 㸼⼎Ў▔ ⊶䭓- ⊶䭓 ⊶䭓- 䯈ǃ⊶䭓-Ⳍ㾦ㄝϸϾ 䞣ⱘ DŽ▔ - ⶽ䰉㤻 Ў 䘡ⱘϔ⾡ϝ㓈㤻 ˈ њ㤻 ⠽䋼 ⱘ〇 㤻 DŽ ⫼䖭⾡ϝ㓈㤻 ⶽ䰉 ,ϡ㒣 ⾏Ⳉ ⌟ ⏋ ⠽Ёⱘ ⾡㒘 ˈ Ўϔ⾡ 䞡㽕ⱘ ↉ˈ ⱘ䇌 ⫼乚 њ 䘡䞡㾚ˈ ⱘ ⫼ ┰ DŽЎϔ⾡ѻ⫳Ѡ䰊 ⱘ䞡㽕 ⊩ˈϝ㓈㤻 ⫼Ѣ ⱘ 㒘 ԧ㋏˄♄㡆 咥㡆ԧ㋏˅ⱘ㾷 ˈ 䳔㽕㒧 䅵䞣 ⊩䖯㸠 ⧚ˈ⡍ ϢѠ䰊 ℷ⊩Ⳍ㒧 DŽMunozㄝҎ ⫼ϝ㓈㤻 㒧 Ѡ䰊 ℷㅫ⊩ њϔ㋏ ⱘ ˈ ϝ㓈㤻 Ϣ 㸠 (PARAFAC)Ⳍ㒧 Ҏ㸔⏙ḋ Ёϝ⾡⇳ 䇎䝂 ⫳㋴䖯㸠њ 䞣 [73]˗⫼▔ - ⶽ䰉㤻 䈅Ѡ䰊 ℷ ⌟ њ ⎆Ёⱘ⬆㢀䙷䝌ǃ⇳㢀䙷䝌 ⬆∃㢀䙷䝌ˈ Ё ⫼њ ⾡ㅫ⊩ˈ ЁPARAFACǃSWATLD 㒓 ѠЬ˄Biliear least squares, BLLS˅ 㒧 ӬѢUnfolded-PLS N-PLSˈԧ⦄њ“Ѡ䰊Ӭ ”[74]˗ℸ 䖬 ⫼ “Ѡ䰊Ӭ ”ⱘ 㸠 ϝ㒓 ѠЬ⊩ 㓈▔ - - 㤻 䖯㸠㾷 ˈ ⌟ њҎԧ ⎆Ёⱘ⇼⬆ 䝌 ⬆䝄 ⇶ 䝌[75]DŽBookshㄝ⫼▔ - ⶽ䰉㤻 ⊩ 䅵䞣 㸠 ⊩⌟ њ⇼ ⬆䝌Ⲥ 㰿 ⦃㢇⚗[76]DŽDamianiㄝ ⫼ 㒓 ѠЬ 㸠 ϸ⾡ㅫ⊩ Ҏ ⎆Ё⦃ϭ≭ 䖯㸠㤻 ⌟ ˈ ⎆ ϟ 䍷 ⠽䖯㸠⌟ ˈ 㦋 ⒵ 㒧 [77]DŽѠ䰊 ℷ⊩䖬 ⫼Ѣ ԧ㋏ 䖛ⱘ 㾷 ˈTanㄝ Ϣϝ㓈㤻 㒧 ⫼㾷 㓓㋴a 㓓㋴bⱘ䰡㾷䖛[78]˗䆹 ⊩䖬⫼Ѣ㥃⠽ϢDNAⳌѦ⫼ ⧚ⷨお[79]DŽ䰸ℸП ˈѠ䰊 ℷ䖬Ϣ Ѣѻ⫳ϝ㓈 ⱘ Ҿ ˄ LC-DAD/㤻 /䋼䈅㘨⫼ˈGC-MSㄝ˅Ⳍ㒧 ˈ⫼Ѣ ԧ㋏ DŽBeltranㄝ⫼Tri-PLS N-PARAFAC㒧 HPLC- 䗳 㤻 䈅˄Fast-scanning fluorescence spectrometry, FS FS˅ ∈ḋЁⱘ ⦃㢇⚗䖯㸠 ˈѠ䰊 ℷⱘ ⫼ˈ㾷 њ ⦃㢇⚗⬅Ѣ㒧 䋼ⳌԐ㗠 䍋ⱘ㡆䈅 䈅䞡 ⱘ䲒乬ˈ 乏 ⌟㒘 䖯㸠 ⾏ˈ 䳔Փ⫼ㅔ 㡆䈅 ӊˈ ⦄њ ḋ Ё ⾡ ⦃㢇⚗ⱘ ⌟ [80]DŽSinhaㄝ ϝ㒓 㾷ㅫ⊩⫼ѢGC-GC/TOFM(Time-of-flight mass Spectrometry) ѻ⫳ⱘϝ㓈 㾷 ˈ㒧 ⊩ ⦃ ḋ Ё 䍷㒘 䖯㸠 䞣 [81]DŽZhangㄝ Ѡ䰊 ℷϢHPLC-DAD㒧 ˈ ԧ⎆Ёⱘ⇶ ⱘ ⇶ ⊶ 䖯㸠њ ⌟ [82]ˈ㒧 㸼 ˈATLDㅫ⊩ 䕼䚼 䞡 㡆䈅 ˈҹ 䞡 䈅 ϔϾ ⱘ ⊩ˈ ҹ ԧ㋏Ё 䍷㒘 ⱘ㒃㡆䈅ǃ 䈅ˈ ⦄ 㡆䈅䚼 䞡 ϟ 䍷㒘 䖯㸠 䞣 DŽҹϞㅔ ҟ㒡њ 䅵䞣 ϝ㓈 㾷 ⊩ ԧ㋏ Ёⱘ ⫼DŽ 㒧 ⦄ҷҾ 㘨⫼ ˈ⫼Ѣ ԧ㋏㾷 ˈ ҹ㾷 㡆䈅 㗙 䈅䞡 ㄝ 䍋ⱘ䲒 䕼ⱘ䲒乬ˈҹ“ ⾏” ҷ 䚼 ҷ ⾏ˈ ㅔ ǃ 䗳ǃ 䴴ㄝӬ⚍ˈ ҹ ⦄ ⶹ ϟ 䍷㒘 ⱘⳈ 䞣 ˈ ⫳⠽ ǃ㥃⠽ ǃ亳 ⾥ ǃ⦃ ⾥ ㄝ䇌 乚 ⊯ⱘ ⫼DŽ Пˈ 䅵䞣 ϝ㓈 㾷 ⊩Ў ԧ㋏ կњϔϾ ⱘ ˈ ⾥ 乚 ⱘϔ さ⸈ˈ 䰙 ԧ㋏ 䞣 Ё ⼎њ ⣀⡍ⱘӬ ˈ 䍞 䍞 ⊯ⱘ ⫼DŽ1.3 ⱘゟ乍 НϢⷨお1.3.1 ⱘゟ乍 Н䱣ⴔ ⾥ⱘ 䗳 ˈ Ӏ䴶ЈⴔϔϾ䲒乬ˈ ԩ 䗳ㅔ ⱘ ԧ㋏Ё 䍷ⱘ⮩䞣㒘 䖯㸠 䴴Ẕ⌟DŽ㗠 ⠽⑤亳 Ёⱘ㥃⠽⅟⬭Ẕ⌟ˈ㥃 Ё 䋼䞣 ǃ⫳⠽ḋ ˄Ҏԧ⎆ㄝ˅Ё㥃⠽ ҷ䇶ⷨおㄝˈϢҎ㉏ ㋻ Ⳍ ˈ 䖭ѯԧ㋏Ёⱘ 䍷㥃⠽㒘 䖯㸠 䗳 䴴Ẕ⌟ Ў䞡㽕DŽ⬅Ѣ亳 ǃ⫳⠽ḋ ㄝ ˈ ℸ⫼ϔ㠀 ⊩䖯㸠 ϔ㠀䳔㽕㐕⧤ⱘ ⠽⧚ ⾏䖛DŽ 䅵䞣 ϝ㓈 Ѡ䰊 ℷ⊩ ⣀⡍ⱘ“Ѡ䰊Ӭ ”ˈ Ў㾷 䖭ϔ䲒乬ⱘ DŽ⡍ Ϣϝ㓈㤻 ǃHPLC-DADㄝϔѯ ⱘ Ҿ Ⳍ㒧 ˈ㛑 㾷 ⬅Ѣ 䈅/㡆䈅䞡 㗠 䍋ⱘ䲒 䕼ⱘ䯂乬ˈҢ㗠 ⦄ ⶹ 㒘 ϟˈ ԧ㋏Ё 䍷˄ ϔ ⾡˅㒘 䖯㸠Ⳉ 䞣 ˈ㗠 䳔 䋼ⱘ㚠 䖯㸠 ℷDŽϢ 㾘 ⊩Ⳍ↨ˈ䙓 ㅔ њ㐕⧤ⱘ ⠽⧚ ⾏䖛ˈ ℸ 乚 ⊯ⱘ ⫼ˈ њЄ⸩ⱘ DŽ 䆎 䅵䞣 ϝ㓈 㾷 ⊩㒧 ϝ㓈㤻 ⫼Ѣ 䰙 ԧ㋏Ё㥃⠽㒘 Ẕ⌟ˈЎ亳 ǃҎԧ⎆ㄝ 䋼Ёⱘϔ⾡ ⾡ 䍷㥃⠽㒘 ⱘㅔ 䗳 䞣 կњϔ⾡ ⊩DŽ1.3.2ⷨお䆎 Ѡゴ ⫼Ѹ 㔮ϝ㒓 㾷ㅫ⊩㒧 㤻 ˈ 㥃⠽ ⠯ Ё 㒘 ϟˈ ⠯ Ёⱘ⋯㕢≭ 䖯㸠 䗳 ⌟ DŽ⋯㕢≭ ϔ⾡ 䈅 㦠ⱘ 䇎䝂㉏㥃⠽ˈ ⅟⬭ ⠽⑤亳 Ё㛑 Ҏ㉏ DŽ ℸ⌟ ⠯ Ёⱘ 䞣 㽕DŽ ゴ ㉏㥃⠽ ⠯ Ё ⶹ㒘ϟⱘ⋯㕢≭ 䖯㸠⌟ ˈ㾷 њ 䈅䞡 䍋ⱘ䲒 䕼䯂乬ˈ㦋 ⒵ ⱘ㒧 DŽϝゴ Ҏԧ ⎆Ёⱘ≭ϕ㛎䝛䖯㸠Ⳉ 䞣⌟ DŽ䞛⫼ 䅵䞣 㸠 Ѹ 㔮ϝ㒓 㾷ㅫ⊩ˈ ▔ - ⶽ䰉㤻 ⱘϝ㓈 䰉䖯㸠㾷 ˈ ϡ㒣 ⾏ Ҏԧ ⎆Ёⱘ≭ϕ㛎䝛䖯㸠Ⳉ 䞣⌟ DŽϸ⾡ㅫ⊩ 㒧 䴲 䖥ˈ 㛑 ⒵ 㒧 DŽⷨお㸼 䆹⊩ ⫼Ѣ ⶹ ϟ≭ϕ㛎䝛ⱘⳈ 䞣⌟ DŽ ゴˈЁ㥃 䴲 , Փ 㥃,г ϔϾ ⱘ“咥㡆” “♄㡆” 㒘 ԧ㋏DŽ 䜮Ϣ 䜮 Ё㥃 ⱘϸ⾡Џ㽕⌏ DŽ ゴ ⫼ 㸠 Ѹ ϝ㒓 㾷ϸ⾡Ѡ䰊 ℷㅫ⊩ˈ㒧 ϝ㓈㤻 Ҏԧ㸔⌚Ёⱘ 䜮Ϣ 䜮䖯㸠њ Ẕ⌟DŽ 㸔⌚Ёⱘ ⶹ 㒘 Ϣ ⌟⠽㤻 䈅Ϲ䞡䞡 ⱘ ϟˈ ⦄ 䜮 䜮ⱘ ⹂ 䕼DŽ ⫼䆹 ⊩ Ё㥃 Ё 䜮 䜮ⱘ 䞣䖯㸠Ẕ⌟ˈ㒧 ⒵ ˈЎЁ㥃 ⱘ䋼䞣 Ϣ䆘Ӌ կњϔϾㅔ 䴴ⱘ ⊩DŽѨゴ Ҏԧ ⎆Ёⱘ㚒Ϟ㝎㋴ ԧ▔ ⡍ Ҫ 䖯㸠Ⳉ ⌟ DŽ⡍ Ҫ ҹ 䖙䗳㒣㙴 ˈ㥃⠽ 䚼 ҹ 㒣 DŽ ゴ ⫼ϸ⾡Ѡ䰊 ℷ ⊩ 㸠 Ѹ ⅟ ⊩ˈ ⱘϝ㓈▔ - 㤻 䰉䖯㸠㾷 ˈҹ ⦄Ҏԧ ⎆ ⶹ㒘 ϟ⡍ Ҫ ⱘⳈ 䗳⌟ DŽ ϸ⾡ㅫ⊩ ⱘ㒧 䖯㸠↨䕗ˈ Ѹ ⅟ ⊩Ϣ 㸠 ⊩↨䕗 㒘 ϡ ˈ 䗳 ⱘӬ⚍DŽ ゴ ϝ㓈 Ѡ䰊 ℷ⊩⫼Ѣ▔ - ⶽ䰉ϝ㓈㤻 㾷 ˈҹ ⦄Ҏԧ㸔⌚ ϟ 㓈 ⋯ⱘ 䞣 DŽ 㓈 ⋯(Carvedilol) ϔ⾡ ⾡⫼䗨ⱘ⼲㒣ԧ⎆ ˈ䖛䞣Փ⫼ 㛑Ӯ 㟈Ϲ䞡Ԣ㸔 ǃ 䖛㓧ㄝ ⫼ˈ ЁՓ⫼њϝ⾡Ѡ䰊 ℷㅫ⊩ 㤻 䖯㸠㾷 ˈ 㛑 䴴ⱘ乘⌟㒧 DŽѠ䰊 ℷⱘ ⫼ њ⬅Ѣ㸔⌚Ё ⶹ㒘 ⱘ㤻 䈅Ϣ ⌟⠽ⱘ㤻 䈅Ϲ䞡䞡 䍋ⱘ 䕼䲒乬ˈ ⦄њ ⶹ ϟ 㓈 ⋯ⱘ ⹂ 䗳⌟ ˈԧ⦄њ 䅵䞣 Ѡ䰊 ℷ⊩⣀⡍ⱘ“Ѡ䰊Ӭ ”DŽ2ゴѸ 㔮ϝ㒓 㾷Ѡ䰊 ℷ㤻 ⊩ 䗳⌟ ⠯ Ё⋯㕢≭ 䞣2.1 㿔䇎䝂㉏㥃⠽ 㦠䈅 ǃ↦ ԢㄝӬ⚍ˈ Ѣ1989 ⫼䇎⇳≭ ⊏⭫叵ⱑ⮶ 叵 㙴 㦠DŽℸ Ϟⱘ ⫼䍞 䍞 DŽ Ⲥ䞢Н 㥃 Ѣ1985 ⫳ѻ ⱘ⋯㕢≭ (Lomefloxacin, LOM)ˈ ϝҷ 䈅 㦠㥃ˈ ⿄Ў1-Э -6,8-Ѡ⇳-1,4-Ѡ⇶-7-(3-⬆ -1- )-4-⇻ҷ-3- 㕻䝌DŽ 䴽 䰈 㦠ǃ䰇 㦠 䚼 ⇻㦠 㦠⌏ [83]ˈ⫼ DNA 㶎 䝊DŽЎϔ⾡Ҏ㪘 ⫼㥃⠽ˈ⋯㕢≭ ⅟⬭ 亳 Ё䗮䖛亳⠽䫒 Ҏ㉏ DŽЎњҎ㉏ ˈ 亳 㽕∖г 䍞 䍞催DŽ⬅Ѣ ⠽⑤亳 ˈ Ѣ Ё⅟⬭㥃⠽Ẕ⌟ˈӴ㒳ⱘ ⊩ 䳔㽕 䍷ⱘ ⌟㥃⠽㒘 Ϣ 䋼㚠 䖯㸠乘 ⾏ˈ 䳔㽕㐕⧤ⱘ ⾏ℹ偸ˈ㗠Ϩ 䖭⾡ ⾏ 䲒 ⦄DŽ ℸ ゟ ⠽⑤亳 Ё㥃⠽⅟⬭ⱘ 䗳 ⹂Ẕ⌟ ⊩ 㽕DŽ Ѣ 䇎䝂㉏㥃⠽ⱘẔ⌟ˈⳂ Џ㽕 ⎆Ⳍ㡆䈅⊩ 㤻 ⊩ㄝ[84~87]DŽ䖥 ˈ 䅵䞣 ⱘ 䞣 ℷⷨお ⫼↨䕗⌏䎗[5]DŽ ゴ ⫼㤻 䈅Ҿ䖯㸠▔ - 䈅 ˈ㦋 ϝ㓈 ˈ✊ ⫼Ѹ 㔮ϝ㒓 㾷˄APTLD ˅[61]Ѡ䰊 ℷㅫ⊩䖯㸠 㾷 ˈ ⠯ Ёⱘ⋯㕢≭ 䖯㸠⌟ ˈҹ ⊩㾷 њ⠯ ⶹ㒘 㥃⠽Ϣ ⌟㥃⠽ⱘ 䈅䞡 䯂乬ˈㅔ њ ⾏䖛ˈ㦋 ⒵ 㒧 DŽ2.2 ⊩ ⧚2.2.1ϝ㒓 ϝ㓈 Ёˈ⬅Harshman [46]ǃCarrol Chang [47] ⱘϝ㒓 Ϣ↨ 㛑 Ⳍヺˈ㗠㹿 ⊯ ⫼DŽ 㤻 Ёˈ K Ͼḋ 䗝 ⱘI Ͼ▔ ⊶䭓ǃJ Ͼ ⊶䭓㣗 䖯㸠 ˈ ϔ㋏ ⱘ▔ - 䈅ⶽ䰉ˈ䖭ѯⶽ䰉 ϔϾϝ㓈 䰉X ˄ ЎI×J×K ˅ˈ䩜 䖭ḋⱘϝ㓈 䰉ˈϝ㒓 ҹ㸼⼎Ў˖˄2.1˅K,1,k J;,1,j I;,1,i ,e c b a N 1n ijk kn jn in ijk ¦ x Ё˖N—㸼⼎ ˄ 䰙 㤻 䋵⤂ⱘ㒘 㚠 ˅˗x ijk —ϝ㓈 䰉X(I×J×K)Ёⱘ ㋴˄i, j, k ˅˗a in —Ⳍ ▔ 䈅䰉A ˄I×N ˅Ёⱘ ㋴˄i, n ˅˗DŽb jn —Ⳍ 䈅䰉B ˄J×N ˅Ёⱘ ㋴˄j,n ˅˗c kn —Ⳍ ⌧ 䰉C ˄K×N ˅Ёⱘ ㋴˄k,n ˅˗e ijk —⅟ 䰉E(I×J×K)Ёⱘ ㋴˄i,j,k ˅DŽ2.2.2Ѹ 㔮ϝ㒓 㾷˄APTLD ˅ㅫ⊩APTLD ㅫ⊩[61] ⫼Ѹ ѠЬ ⧚ Ѹ 㔮䰤 ϝϾϡ ⱘѸ 㔮䇃 ˄AP 䇃 ˅䖯㸠 DŽAPTLD ㅫ⊩ⱘ䗁ҷ䖛 ҹὖ䗄 ϟ˖ϔℹ˖ A B ˈ䗝 䗖 ⱘ㒘 㔮 r ǃp q, p=q=r=1020DŽѠℹ˖⬅A B 㔮 䅵ㅫC DŽJT +T .j.(j)j=1I T +T T i..(i)i=1J T T (j)(j)j=1I 2T (i)i=1C=X A +p(A )diag(1./diagm(B B))diag(b )+p X (B )diag(1./diagm(A A))diag(a )diag(b )A A +pdiag 1./diagm(B B)diag(b )+p diag(1./diagm(A A))diag (a ) §¨©·¸¹§¨©·¸¹¦¦¦¦ ˄2.2˅ϝℹ˖⬅C B 㔮 䅵ㅫA DŽKT +T ..k (k)k=1IT +T T .j.(j)i=1K T T (k)(k)k=1J 2T (j)j=1A=X B+q(B )diag(1./diagm(C C))diag(c )+q X (C )diag(1./diagm(B B))diag(b )diag(c )B B+qdiag 1./diagm(C C)diag(c )+q diag(1./diagm(B B))diag (b ) §¨©·¸¹§¨©·¸¹¦¦¦¦ ˄2.3˅ ℹ˖ A 䗤 ϔ DŽѨℹ˖⬅C A 㔮 䅵ㅫB DŽ˄2.4˅IT +T i..(i)i=1K T +T T ..k (k)k=1I T T (i)(i)i=1K 2T (k)k=1B=X C +r(C )diag(1./diagm(A A ))diag(a )+r X (A )diag(1./diagm(C C))diag(c )diag(a )C C +rdiag 1./diagm(A A )diag(a )+r diag(1./diagm(C C))diag (c ) §¨©·¸¹§¨©·¸¹¦¦¦¦ ℹ˖ B 䗤 ϔ DŽϗℹ˖⬅ ˄2.2˅䅵ㅫC DŽ ℹ˖䖨 ϝℹˈձ䗁ҷˈⳈ㟇 DŽбℹ˖ 㦋 A ǃB ǃC ˈ⬅A ǃB ⌟ 䍷㒘 ⱘ ˈ ҢC ⶽ䰉Ё 䍷㒘 ⱘⳌ ⌧ Ϣ ⶹ⌧ ˈ乘⌟ 䍷㒘 ⶹḋЁⱘⳳ ⌧ DŽϞ䗄 ЁX i..,X .i.,X ..k ҷ㸼ϝ㓈 䰉X ⊓ⴔ▔ ⌧ ⱘi ǃj ǃk Ͼ ⠛DŽdiag(a (i)), diag(b (j)), diag(c ( k) ) 㸼⼎ ㋴ Ўa (i), b (j), c (k)ⱘ 㾦ⶽ䰉DŽA +, B +, C +, 㸼⼎A, B, C,ⱘMoore-Penrose Н䗚DŽ2.3 偠䚼2.3.1Џ㽕䆩 ҾゟF-4500 㤻 䅵˄ ゟ ˅ˈ⫼1cm 㣅↨㡆ⲓ䖯㸠▔ - ϝ㓈㤻 DŽ Matlab ⦃ ϟ䖯㸠 ⧚DŽ催䗳 ⾏˄SIGMA3K30ˈ Sigma ˅DŽ⋯㕢≭ ˄90.0%ˈЁ 㥃 ⫳⠽ Ẕ ˅ǃ䇎⇳≭ ˄Norfloxacin, NOR,99.3%,Ё 㥃 ⫳⠽ Ẕ ˅䌁Ѣ䭓≭ 㥃⠽ ⫳⠽ѻ DŽӞ 㒃⠯ 䌁Ѣ DŽ0.05 mol/L HCl ⒊⎆ˈpH=4.0ⱘ䝟䝌-䝟䝌䩴㓧 ⎆DŽ ⫼䆩 ЎAR 㑻ˈ 偠⫼∈ЎѠ㪌佣∈DŽ2.3.2 偠 ⊩㊒⹂⿄ ⋯㕢≭ ǃ䇎⇳≭ 䗖䞣ˈ⫼0.05mol/L HCl ⒊⎆䗖 ⿔䞞ˈЎ ⎆ˈѢ4ćϟԢ⏽ DŽ 偠 䗖䞣ˈ⫼∈⿔䞞ˈ ⌧ Ў1.51ȝmol /L ⱘ⋯㕢≭ ⎆ 2.10ȝmol/L 䇎⇳≭ ⱘ ⎆DŽ⠯ ḋ ⱘ ˖㊒⹂⿄ 㒃⠯ ぎⱑḋ 5 g ˈ㕂Ѣ50 mL ⾏ ㅵЁˈ 20 mL ⬆䝛ˈ⍵ 㤵⏋ ˈ✊ 3600 r/min ǃ9ć ӊϟ⾏ 15 min DŽ Ϟ ⏙⎆ˈ⫼⬆䝛 㟇25 mL 䞣⫊ˈЎ ⫼⠯ ⎆DŽ18Ͼ10 mL 䞣⫊ˈ Ё1~8 ḋϾ 0.30ǃ0.40ǃ0.50ǃ0.60ǃ0.70ǃ0.80ǃ0.90ǃ1.00 mLⱘ⋯㕢≭ ⎆ˈЎ ℷḋˈ ℷ⌧ 㣗 Ў45.34~ 151.13 nmol/LDŽ9~18 ḋЎ乘⌟ḋˈ Ё9~12 ḋ њ0.30ǃ0.45ǃ0.65ǃ0.85 mL ⱘ⋯㕢≭ ⎆˄⌧ 㾕㸼1˅ˈϡ DŽ13~18 ḋ↣ḋ 1mL⠯ ḋ ⎆ˈ✊ ⋯㕢≭ ⎆䗖䞣ˈℸ 㗗㰥 ⠯ ⱘ 䰙 ḋ Ёˈ Ӯ ⾡㥃⠽⅟⬭ˈ ℸ ⠯ ḋ Ё 䗖䞣ⱘ䇎⇳≭ Ў 㥃⠽ DŽ ↣ḋ 1mL㓧 ⎆ˈ⫼∈ 㟇10mLˈЎ⠯ 乘⌟ḋDŽ ↣Ͼḋ 䆒 ⱘ 偠 ӊϟ䖯㸠▔ - ϝ㓈㤻 䈅 DŽ2.3.3 偠 䆒㕂⤂[89] 䘧ˈҹ0.05mol/LⱘHCl⒊⎆⒊ ˈ⋯㕢≭ ⱘ ▔ ⊶䭓Ў287 nmˈ ⊶䭓Ў455nmDŽ 偠䗝 ▔ ⊶䭓㣗 Ў260~310nmˈ↣䱨2nm ϔϾ ˗ ⊶䭓㣗 Ў400~500nmˈ↣䱨3nm ϔϾ DŽ 䗝 ⱘ 㣗 ˈ ḋ 䖯㸠 ▔ ϝ㓈㤻 䈅 DŽ⣁㓱 䆒Ў5.0/5.0 nmˈ 䗳 Ў1200nm/minDŽ2.4 㒧 Ϣ䅼䆎2.4.1⠯ ḋ䇎䝂㉏Ўϸ ⠽䋼ˈ ⒊ Ё⒊㾷 䕗 DŽ 䝌 ⺅ ӊϟ ⒊Ѣ ∈Ⳍˈ㗠 pH㣗 6-8П䯈 ∈⒊ Ԣˈ Ў ⒊ 㧗 [89]DŽ Ѣ⫳⠽ḋ ㄝЁⱘ 䇎䝂㉏㥃⠽ϔ㠀 ⊩ ⒊ ⊩[90]ǃ䍙Ј⬠⌕ԧ㧗 ⊩[91]ㄝDŽ⠯ ⱘpH ϔ㠀 6.7-7.0П䯈ˈ ℸ 䞛⫼ ⫼ ⬆䝛䖯㸠⠯ ḋ ⱘ ˈㅔ њ ℹ偸DŽ2.4.2 ˄N˅ⱘ⹂⬅Ѣ 䰙ⱘ ԧ㋏Ё ⶹ㒘 ˈ ℸ ϝ㒓 ⱘ ゟ䖛Ёˈ佪 㽕⹂ ԧ㋏ⱘ ˈ ϝ㓈 䰉䖯㸠⾽Ԅ䅵DŽ Ѣϝ㓈 䰉ⱘ⾽Ԅ䅵 ⊩ˈ ЁADD-ONE-UP⊩[88] 䗮䖛㒧 㸠 ㅫ⊩䗤⏤ ϔϾ 䖯㸠 ⌟䆩ˈ ⌟䆩 Ϣ 䰙 䖒 ϔ㟈 Ⳃ ⅟ 䖒 ˈҢ㗠⹂ DŽ䆺㒚䚼 㾕 ⤂[88]DŽ偠 ⱘϝ㓈 䰉˄ Ў26×34×14˅ˈ ⫼ADD-ONE-UP⊩ ⹂ ˈ Ў4 ˈⳂ ⅟ 䖒 ˈ ℸ ҹ䅸Ў ԧ㋏ⱘ Ў4DŽ2.4.3䇎⇳≭ ϟ⠯ Ё⋯㕢≭ ⱘ㤻 䈅偠 ⱘ㒘 ⹂ 4ҹ ˈ⫼Ѹ 㔮ϝ㒓 㾷ㅫ⊩ ϝ㓈 䰉䖯㸠 䕼ˈ ⱘ▔ Ϣ 䈅 2.1 2.2DŽ⋯㕢≭ ⱘⳳ ▔ 䈅 䗮⌟ 㒃⋯㕢≭ ḋ ˈ✊ ⫼ 㾷(SVD)ⱘ ⊩2.1 ⫼APTLDㅫ⊩ 䕼 ⱘ▔ 䈅2.2 ⫼APTLDㅫ⊩ 䕼 ⱘ 䈅ˈ Ў ℷ䖛Ё䆘Ԅ 䴴 ⱘ ✻ 䈅 DŽ⬅ 2.1 2.2 ҹⳟ ˈ䇎⇳≭ ⠯ ⑤⠽䋼 ѻ⫳ⱘ㤻 䈅Ϣ ⌟⋯㕢≭ ⱘ㤻 䈅Ϲ䞡䞡 ˈ䇈 䇎⇳≭ 㥃⠽ ⠯ ⱘ ⋯㕢≭ ѻ⫳Ϲ䞡 DŽ Ѣ䖭ḋⱘ 䈅Ϲ䞡䞡 ⱘ ԧ㋏ˈ⫼APTLD ㅫ⊩䖯㸠 䕼˄N=4˅ˈ ҹ䖒 ҹ ↉ 䞡 䈅䖯㸠 䕼ⱘⳂⱘDŽ 䕼 ⋯㕢≭ ⱘ▔ 䈅Ϣ ⳳ ⱘ 䈅 ヺ 䕗 ˈ䖭䇈 APTLD 㦋 ⱘ㾷 䴴ⱘˈ㛑 ⦄ ⶹ 㚠 ϟⱘ⋯㕢≭ 䖯㸠 ⹂ 䕼DŽ2.4.4 ⱘ⋯㕢≭ ḋ9-12 乘⌟ḋЁ ˈЎϡ ⌧ ⱘ⋯㕢≭ ϔ㒘 ḋ ˈ Ϣ8Ͼ ℷḋ㒧 ˈ䗮䖛ϝ㓈㤻 ⱘϝ㓈 䰉ˈ✊ ⫼ADD-ONE-UP [88]⊩ ⹂ ˈ 㒘 2DŽ⫼APTLD ㅫ⊩䖯㸠㾷 ˈ Ͼḋ Ё⋯㕢≭ ⱘ乘⌟㒧 㾕㸼2.1DŽ Ͼḋ ⱘ ⥛Ў100.7±1.2%ˈ乘⌟ ˄Root-mean-square error of prediction ˈRMSEP ˅Ў1.46ˈ䇈 ゟⱘϝ㒓 ↨䕗 䴴DŽ㸼2.1 乘⌟ḋ ⱘ⋯㕢≭ ⱘ ⌧ 乘⌟㒧ḋ⌧ (nmol/L)乘⌟⌧ (nmol/L) ⥛ (%) 945.3 45.2 99.8 1068.0 68.7 101.0 1198.2 100.8 102.6 12 128.5 127.4 99.2⥛˄%˅ 100.7±1.2RMSEP ˄nmol/L ˅ 1.46* RMSEP = 21k 12pred act c c k 1»¼º¬ ¦«ªˈk ҷ㸼ḋ ˈc act c pred ҷ㸼 䰙⌧ 乘⌟⌧ DŽ2.4.5⠯ Ё⋯㕢≭ ⱘ 䞣ϝ㓈 ⱘ 䞡㽕ⱘⳂⱘ 乘⌟ ԧ㋏Ё 䍷 ⱘ⌧ DŽAPTLD ㅫ⊩ 乘⌟ḋ ℷḋ ϔ䍋 ϔϾ ⱘϝ㓈 䰉ˈ ℷ䖛 乘⌟ℹ偸 䖯㸠ˈ䗮䖛ϝ㓈 䅵䞣 ㅫ⊩㾷 㽕乘⌟ ⱘⳌ ⌧ ˄ ℷḋ 乘⌟ḋ˅ˈ✊ ℷḋЁ 䍷 ⱘⳌ ⌧ Ϣⳳ ⌧ ↨∖ ㋏ ˈ ҹⳈ ⫼ 乘⌟ ⶹḋЁ 䍷 ⱘ⌧ DŽ⠯ 乘⌟ḋϢ ℷḋ㒧 ˈ㒘 4ˈ ⫼APTLD ㅫ⊩ ϝ㓈㤻 䰉䖯㸠㾷 ˈ㒧 ⦄ ⏏ ⌟㥃⠽ⱘ⠯ ぎⱑḋЁϡ ⋯㕢≭ ˈ6Ͼϡ ⏏∈ ⱘ⠯ ḋ ⱘⱘ乘⌟㒧 㾕㸼2.2DŽ ℷ䲚Ё⋯㕢≭ ⱘⳌ ⌧ Ϣ乘⌟⌧ⱘⳌ ㋏ Ў0.9983ˈ⋯㕢≭ ⱘ Ўy=0.4490+ 0.0298xDŽ ⾡⠯ Ё⋯㕢≭ ⱘ乘⌟㒧 㡃 ˈ ⥛䖒 99.4±1.3%ˈ乘⌟ ḍЎ2.96nmol/Lˈ ⦄њ ⠯ Ё ⶹ㒘 ϟ 㓈 ⋯ⱘ ⹂⌟ DŽ㡃 ⱘ⏏偠乘⌟㒧 ˈг䖯ϔℹ䆕 偠Ё⌟䆩ⱘ⠯ ḋ Ё 䑿ϡ ⋯㕢≭ DŽ㸼2.2 乘⌟ḋ ⌧ 䜡 ⠯ Ё⋯㕢≭ ⱘ乘⌟㒧ḋ ⌧ 䜡 乘⌟㒧ḋLOM(nmol/L) milk(mL) NOR(nmol/L) LOM(nmol/L) ⥛(%) 1352.90 1.0084.00 56.46 106.7 1475.57 1.0084.00 74.62 98.8 1598.24 1.0084.00 92.68 94.316113.35 1.00126.00 112.81 99.6 17128.46 1.00126.00 126.54 98.5 18151.13 1.00126.00 149.08 98.7 ⥛˄%˅99.4±1.3 RMSEP˄nmol/L˅ 2.962.5 㒧ゴ ⫼Ѹ 㔮ϝ㒓 㾷ㅫ⊩ˈ ⠯ Ё 㥃⠽ ϟⱘ⋯㕢≭䖯㸠њ 䞣 ˈ㒧 ⒵ DŽⷨお㒧 㸼 ˈℸ⊩ 㾷 ⠯ 㥃⠽Ϣ⋯㕢≭ 㤻 䈅Ϲ䞡䞡 ⱘ䯂乬ˈ㛑 ⦄ ⶹ ϟ⋯㕢≭ ⱘ⹂ 䗳⌟ DŽ⬅Ѣ亳 ϔ㠀↨䕗 ˈ ℸ Ѣ Ёⱘ㥃⠽⅟⬭䖯㸠 Ẕ⌟ϔ㠀 ⊩ 䳔㽕㐕⧤ⱘ ⠽⧚ ⾏䖛DŽ 䅵䞣 ⊩ ҹㅔ⾏䖛ˈЎ 亳 ԧ㋏Ё 䍷㒘 ⱘ 䗳⌟ կњϔϾ ⊩DŽ3ゴϝ㓈㤻 Ѡ䰊 ℷ⊩Ⳉ ⌟ Ҏԧ⎆Ё≭ϕ㛎䝛3.1 㿔≭ϕ㛎䝛(S albutamol , S AL)ˈ 㟦 ♉ˈ ⿄Ў1-(4-㕳 -3-㕳⬆ 㣃 )-2-( ϕ⇼ )Э䝛DŽ ϔ⾡䗝 ȕ2- ԧ▔ DŽ Փ ⇨ㅵ ⒥㙠 ˈҢ㗠㾷䰸 ⇨ㅵ ⒥⮝ ˈ䆹㥃 Ⳃ 䕗 ǃ ⫼ⱘ 㥃DŽЈ ϞЏ㽕⫼Ѣ䰆⊏ ⇨ㅵ ˈ ⇨ㅵ♢Ϣ ⇨ㅵ⮝ ㄝDŽԚ䆹㥃㢹 䞣Փ⫼ Ё ⼲㒣㋏㒳ˈѻ⫳㲟ⱑ ⫼ˈ ҹ㹿䖤 ⫼ ▔ 㲟ⱑ [92] DŽℸ 䆹㥃䖬 Ў⠯ǃ㕞ㄝ⬰⾑ⱘ ⫳䭓 , ⠽㛣 Ё⿃㘮⅟⬭ˈ䗮䖛亳⠽䫒 Ҏ㉏ DŽ Barnettㄝ[93] ⫼⌕ ⊼ 㒧 Ẕ⌟⊩ 㥃⠽ Ёⱘ≭ϕ㛎䝛䖯㸠њ⌟ DŽ Boultonㄝ[94]⫼催 ⎆Ⳍ㡆䈅⊩ Ҏԧ㸔⌚ ⎆Ёⱘ≭ϕ㛎䝛 ԧ䖯㸠⌟ DŽℸ ≭ϕ㛎䝛ⱘ ⫼Ẕ⌟ ⊩䖬 ⇨Ⳍ㡆䈅-䋼䈅⊩[95] ⾏ 㡆䈅⊩[96]ㄝDŽ✊㗠䖭ѯ ⊩ϔ㠀㐕⧤㗠䌍 ˈ 㽕 ∖ ⱘㅔ ⊩DŽ䅵䞣 Ѡ䰊 ℷ⊩ Ѡ䰊Ӭ ˈ ҹ ⦄ ⶹ ϟ 䍷ⱘ㒘 䖯㸠Ⳉ 䞣 DŽ ҹ ⾏ ⊩ҷ 䚼 ҷ ⾏ˈ ҹ䙓 㐕⧤ⱘ ⾏䖛ˈㅔ њḋ 乘 ⧚䖛DŽ⫳⠽ḋ Ёⱘ㥃⠽Ẕ⌟ˈ 䋼ⱘ ˈ⫼Ӵ㒳Ẕ⌟ ⊩ϔ㠀䳔㽕 ⱘḋ 乘 ⧚DŽ ゴ㡖 ⫼ 㸠 ⊩[46,47,51] Ѹ 㔮ϝ㒓 㾷ㅫ⊩[61]㒧 ▔ - ⶽ䰉㤻 䈅ˈ⌟ Ҏԧ ⎆Ёⱘ≭ϕ㛎䝛DŽ䆹⊩ 乏ӏԩḋ ⾏ ⧚ˈ ҹ ⦄ Ҏԧ ⎆㚠 ϟⱘ≭ϕ㛎䝛䖯㸠Ⳉ ⌟ ˈⳳℷ ⦄њ“ ⾏ ”ˈ ㅔ ǃ 䗳ǃ♉ 催ㄝӬ⚍DŽ3.2 ⊩ ⧚3.2.1ϝ㒓 㾕Ѡゴ ⧚䚼 2.2.1DŽ3.2.2 㸠 ˄PARAFAC˅⊩㸠 ⊩ ϝ㓈 䰉⠽⧚ Нⱘ 㾷㗠 ⱘϝ㒓 㾷⊩DŽ ⱘ 㸠 ㅫ⊩ ⱘ ⅟ ˄SSR˅ˈ㸼⼎Ў˖˄3.1˅¦¦¦¦ I1i J1j K1k 2N1n kn jn in ijk )c b a (x SSR PARAFAC ⱘ 㾷 ҹ䗮䖛 ѠЬ ⧚ ⦄DŽ 䗁ҷ䖛Ў˖ϔℹ˖⹂ 㒘 N ⱘ DŽѠℹ˖ A B ⱘ DŽϝℹ˖⬅X ǃA B ԄㅫC ˖K,1,2,k ,B)X diag(A B)B *A (A c ..K T 1T T (k)T } ˄3.2˅ ℹ˖⬅X ǃC B ԄㅫA ˖1K 1k (k)T (k)K 1k (k)..k )Bdiag(c )B diag(c )Bdiag(c X A ¸¹·¨©§¸¹·¨©§ ¦¦˄3.3˅Ѩℹ˖⬅X ǃA C ԄㅫB ˖˄3.4˅1K1k (k)T (k)K 1k (k)..k )Adiag(c )A diag(c )Adiag(c X B ¸¹·¨©§¸¹·¨©§ ¦¦ ℹ˖䞡 Ѡℹ ѨℹˈⳈ㟇 DŽЁ*㸼⼎Hadamard ⿃˗X ..k 㸼⼎X ⊓ⴔ⌧ 㓈 ⱘ ⠛˗N 㸼⼎⌟䞣ԧ㋏ⱘ ,A = ( a 1 , a 2 , …,a N ), a N 㸼⼎N Ͼ㒘 ⱘ 䈅˗B =(b 1 ,b 2 , …, b N )ˈb N 㸼⼎N Ͼ㒘 ⱘ▔ 䈅˗c (k)㸼⼎C=( C 1,C 2 , …,C N )ⱘk 㸠˗diag c (k)㸼⼎㓈 ЎN×N ǃЏ 㾦 ㋴Ўc (k)ⱘ 㾦ⶽ䰉˗T 㸼⼎ⶽ䰉ⱘ䕀㕂DŽЁA ǃB ⱘ ⱘ N 䞣ˈ䗁ҷЎ˖..k K1k T..kX X ¦ ¦ K1k T..k ..k X X 1)-(m 1)-(m (m)SSRSSR -SSR ˘1×10-6DŽ3.2.3Ѹ 㔮ϝ㒓 㾷˄APTLD ˅ㅫ⊩㾕Ѡゴ ⧚䚼 2.2.2DŽ3.3 䆩偠䚼3.3.1䆩 ϢҾ偠 ⫼Ҿ Ў ゟF-4500 㤻 䅵˄ ゟ ˅ˈ⫼1cm ⱘ㣅㤻 ∴䖯㸠ϝ㓈▔ Ϣ 㤻 䈅 ˈ Matlab ⦃ ϟ䖯㸠 ⧚DŽ⫼䆩 Ў 㒃DŽ≭ϕ㛎䝛 䌁ѢSigma ˈ ⎆ 㞾 䆹㥃ⱘ 㗙ˈ 偠⫼∈ЎѠ㪌佣∈ˈ㓧 ⎆ЎpH Ў7.0⻋䝌Ⲥ㓧 ⎆DŽ3.3.2 偠 ⊩㊒⹂⿄ ≭ϕ㛎䝛 4.6mg ˈ⫼0.01mol/L ⱘⲤ䝌⒊⎆䜡 ⌧ Ў46μg/mLⱘ䌂 ⎆ˈ 4o C 㮣 DŽՓ⫼ 䗖䞣⫼Ѡ∈⿔䞞 1.84μg/mL ⱘ ⎆DŽ 5Ͼ10mLⱘ 䞣⫊ˈ 0.2ǃ0.4ǃ0.6ǃ0.8ǃ1.0 mLⱘ≭ϕ㛎䝛 ⎆ˈ✊ ↣ḋ 2mL㓧 ⎆⻋䝌Ⲥ㓧 ⎆ˈ⫼∈ ˈЎ ℷḋDŽ ⎆ḋ ˖ ⱘҎԧ ⎆䗖䞣ˈ ϡ 䞣ⱘ≭ϕ㛎䝛 ⎆˄⌧ 㾕㸼3.1˅ˈ✊ 䗖䞣⻋䝌Ⲥ㓧 ⎆ˈ䜡 Ͼϡ ⏏ ∈ ⱘ乘⌟ḋˈ䗖 ⿔䞞 ⫼Ѣ DŽ ⎆ 㒜⿔䞞125 ⫼Ѣ ЎՇDŽぎⱑḋ 㸠⌟ ϝˈ∖ DŽ3.3.3 䆒㕂䗝 ▔ ⊶䭓205̚255nmˈ↣䱨2nm ϔϾ ˗ ⊶䭓385̚335nmˈ↣䱨2nm ϔϾ DŽ ℸ㣗 ˈ 䙓 ⨲ ǃ ⱘ ⎆ⱘ䚼 DŽ⣁㓱 Ў5.0/5.0nmDŽ 䗳 Ў1200nm/minDŽ3.4 㒧 Ϣ䅼䆎3.4.1≭ϕ㛎䝛ⱘ㤻 䈅1# ℷḋˈ䖯㸠Ѡ㓈㤻 䈅 ˈ ⱘ≭ϕ㛎䝛ⱘ▔ 䈅 3.1 ⼎DŽ⬅ 1 ˈ≭ϕ㛎䝛ⱘ Շ▔ Ϣ ⊶䭓 Ў224nm 310nmˈ 偠䗝 ▔ ⊶䭓㣗 Ў205̚255nm 305̚355nmDŽ3.1 ≭ϕ㛎䝛ⱘ▔ 䈅3.4.2 ⱘ⹂ϝ㒓 ⱘ ゟ䖛Ёˈ⹂ 䗖 ⱘ ˄N˅ ϝ㓈 䰉 㾷⊩ 䇈 䴲 䞡㽕ⱘ[5]ˈ PARAFACㅫ⊩ 乘Ԅ䅵ⱘ N䴲 [53]DŽ䅵䞣 䚼 ⤂ 䘧њϔѯԄ䅵ϝ㓈 ⾽ⱘ ⊩DŽ↨䕗 ⫼ⱘ ⊩ Bro ⱘḌϔ㟈䆞 ⊩(CORCONDIA)[97]ˈ䆹 ⊩䗮䖛↨䕗ϸϾϝ㓈 PARAFAC Tucker3ⱘḌⶽ䰉ⱘ Ԅ䅵ϝ㓈 ԧ㋏ⱘ 㨫 (N)ˈ ↨䕗ϸϾⶽ䰉ⱘḌϔ㟈 DŽ Ḍϔ㟈䆞 ⊩Ё䅸Ў 䗝 ⫼ ⱘ ⱘḌϔ㟈 Ѣ50ˁ ˈ䆹 㹿㗗㰥 ϝ㓈 乏ⱘ DŽ 偠 ϝ㓈 䰉( Ў26×26×9) ⫼Ḍϔ㟈䆞 ˈ㒧 3.2DŽ⬅ ⳟ ˈ ϸϾ㹿 䆩 ⱘḌϔ㟈 䛑 Ѣ50ˁˈ ϝ㓈 乏ⱘ DŽ 3Ͼ ˈḌϔ㟈 ϟ䰡ˈՓ ⾏ϝ㒓 DŽ ҹ 䆹ϝ㓈 䳔㽕2Ͼ 㛑㦋 ⠽⧚ Нⱘⳳ㾷DŽ ҹ䆹ԧ㋏ 2DŽ3.2 Ḍϔ㟈 Ϣ ㋏3.4.3Ҏԧ ⎆Ё≭ϕ㛎䝛ⱘ㤻 䈅偠 ⫼▔ - 㤻 ϝ㓈 䰉˄ Ў26×26×9˅ˈ✊ ⫼PARAFACㅫ⊩ APTLDㅫ⊩ ϝ㓈 䖯㸠 䕼ˈ ⱘ≭ϕ㛎䝛 ⎆Ёⱘ▔ 䈅 䈅 3.3 3.4DŽ⬅ϸ ҹⳟ ˈҎԧ ⎆ 㞾✊㤻 ˈ ⎆ ⑤⠽䋼ⱘ▔ Ϣ 㤻 䈅Ϣ ⠽≭ϕ㛎䝛ⱘ 䈅Ϲ䞡䞡 ˈ ⎆㚠 ⱘ Ӯ ≭ϕ㛎䝛ⱘ⌟ DŽ 䞛⫼ϸ⾡Ѡ䰊 ℷㅫ⊩PARAFAC APTLD ϝ㓈㤻 䰉䖯㸠 䕼,ϸ⾡Ѡ䰊 ℷㅫ⊩ 䕼 ⱘ▔ 䈅 䴲 ⱘⳌԐˈ㗠Ϩϸㅫ⊩ ⱘ≭ϕ㛎䝛ⱘ▔ 䈅 Ϣ≭ϕ㛎䝛ⱘⳳ 㒃 䈅 ˈ䇈 ϸ⾡ㅫ⊩ 㦋 ⱘ㾷 䴴ⱘˈϸ⾡ ⊩ 㛑 ⎆Ёⱘ≭ϕ㛎䝛䖯㸠 ⹂ 䕼DŽ3.3 ⫼PARAFACㅫ⊩ 䕼 ▔ 䈅˄A˅ 䈅˄B˅3.4 ⫼APTLDㅫ⊩ 䕼 ▔ 䈅˄A˅ 䈅˄B˅3.4.4Ҏԧ ⎆Ё≭ϕ㛎䝛ⱘⳈ 䞣▔ - 㤻 㦋 ϝ㓈 䰉˄ Ў26×26×9˅ˈ ⫼PARAFAC APTLDϸ⾡ㅫ⊩䖯㸠㾷 ˈ ⎆Ё≭ϕ㛎䝛ⱘ乘⌟㒧 㾕㸼3.1DŽϸ⾡ㅫ⊩㾷 ℷ䲚Ё≭ϕ㛎䝛ⱘⳌ ⌧ Ϣ 䰙⌧ ⱘⳌ ㋏ Ў0.9999 0.9998ˈ Ўy1=1.7617+0.0485x1 y2=0.3618+0.0489x2DŽϸ⾡ㅫ⊩㾷 ⱘ乘⌟ḋЁ≭ϕ㛎䝛ⱘ ⥛ Ў˄104.3±4.4˅% ˄104.8±4.4˅%DŽ⫼APTLDㅫ⊩Ϣ⫼PARAFACㅫ⊩ 乘⌟㒧 ↨䕗 䖥ˈ 㛑 ⦄ ⎆ ϟ≭ϕ㛎䝛ⱘⳈ 䗳⌟ DŽ㸼3.1 PARAFAC/APTLDㅫ⊩ Ϣ▔ - 㤻 Ⳍ㒧 ⌟ ⎆Ё≭ϕ㛎䝛˄N=2˅ ⌧ 乘⌟⌧ ˄μg/mL˅ ⥛˄%˅ḋS AL(μg/mL) PARAFAC APTLD PARAFAC APTLD60.11040.12140.1215109.9110.170.1288 0.1385 0.1395 107.5108.380.1472 0.1515 0.1523 102.9103.590.1840 0.1780 0.1788 96.897.2 ⥛/(%) 104.3±4.4 104.8±4.43.5 㒧ゴ 䅵䞣 ϝ㓈 Ѡ䰊 ℷ⊩˄PARAFAC APTLD˅⫼Ѣϝ㓈▔- 㤻 㾷 ˈ㛑 㾷 ⎆ ⑤⠽䋼Ϣ㹿 ⠽≭ϕ㛎䝛㤻 䈅䞡䍋ⱘ䲒 䕼䯂乬ˈ 䳔ӏԩḋ 乘 ⾏ⱘ ϟˈ ҹ ⦄Ҏԧ ⎆Ё ⌟㥃⠽㒘 ≭ϕ㛎䝛ⱘⳈ 䗳 䞣 ˈ㒧 ⒵ ˈЎ ⶹ ϟ≭ϕ㛎䝛ⱘẔ⌟ կњϔϾ ⊩DŽ4ゴϝ㓈㤻 Ѡ䰊 ℷ⊩ ⌟ Ҏԧ㸔⌚㥃 Ёⱘ 䜮Ϣ 䜮4.1 㿔Ў ⾥ỡ⠽ ˄Magnolia officinalis Rehd.et Wils.˅ ˄Magnolia officinalis Rehd. et Wils. var. biloba Rehd. et Wils.˅ⱘ ➹ ⲂǃḍⲂ Ⲃ[98]DŽ ⏽ˈ 㢺䕯ˈ ➹⍜⯄ǃϟ⇨䰸⒵ⱘ 㛑ˈЏ⊏⒲ӸЁǃ㛬⮲ ⋏ǃ亳⿃⇨⒲ǃ㝍㚔 ⾬ǃ⯄佂 ˈ Ӵ㒳Ё㥃DŽ 䜮Ϣ 䜮(Ѡ㗙㒧 4.1) ⱘЏ㽕⌏ ˈ ⒥㙠 㓽ǃ 㛥㸔 ǃ ⇻ ǃ ⛺㰥ㄝ ⊯ⱘ㥃⧚⫼ˈѠ㗙ⱘ 䞣 䆘Ӌ 㥃 䋼䞣ⱘ䞡㽕 DŽOH HOH OH OHH䜮 䜮4.1 䜮Ϣ 䜮ⱘ 㒧䖥 ˈ䱣ⴔЁ㥃ⱘ⦄ҷ ǃ 䰙 䖯ˈҎӀ Ё㥃䋼䞣 ǃ⌏ ⱘ㥃⧚ǃ㥃 ⊩ⱘⷨお㒭ќњ ⱘ ⊼DŽ⬅Ѣ 䜮Ϣ 䜮ϸ㗙 ԧˈ ҹϔ㠀 ӊϟ 䲒䖯㸠 䕼ˈ 䳔㽕㐕⧤ⱘ ⾏䖛DŽ Ѣ 㥃 Ёϸ⾡⌏ ⱘẔ⌟ˈЁ 㥃 䞛⫼㭘 㡆䈅⊩ ˈ Ⳍ ⚍ˈҹЭ䝛⒊㾷ˈ⫼㋿ ⊩⌟ 䞣ˈ ⹂ ˈ㗠Ϩ ⊩㐕⧤DŽ ⤂ 䘧Ё Ѣ 㥃 ǃЁ 㥃 ⫳⠽ḋ Ё 䜮Ϣ 䜮ⱘẔ⌟ ⫼ⱘ 催 ⎆Ⳍ㡆䈅 ⊩[99,100]ˈ䍙Ј⬠⌕ԧ㡆䈅⊩[101]ˈ Chen[102]ㄝ⫼⌕ ⊼ ⬉ ⊩Ẕ⌟ 㥃 Ёⱘ 䜮DŽ䖭ѯ ⊩ϔ㠀䳔㽕䕗䭓ⱘ ⾏ 䯈DŽ 䅵䞣 Ѡ䰊 ℷ⊩⫼Ѣ 㒘 ԧ㋏ ˈҹ ⾏ ↉ ҷ䚼 ҷњ㐕⧤ⱘ ⾏䖛ˈ ҹ ⦄ ⶹ ϟ 䍷ⱘ㒘 䖯㸠Ⳉ ⌟ DŽ 䜮 䜮 㞾✊㤻 ˈѠ㗙 䈅䚼 䞡 ˈ ℸ ゴ ⫼ 㸠 ㅫ⊩˄PARAFAC˅[46,47,51] Ѹ ϝ㒓 㾷˄ATLD˅[53]ㅫ⊩ Ϣϝ㓈㤻 䈅Ⳍ㒧 ˈ⫼ѢҎԧ㸔⌚Ё 䜮 䜮ⱘ Ẕ⌟ˈ ⫼䆹 ⊩⌟ њ 㥃 Ёϸ⾡⌏ ⱘ 䞣DŽ䆹 ⊩ 䗳ǃㅔ ǃ♉ 催ⱘӬ⚍DŽ4.2 ⊩ ⧚4.2.1ϝ㒓 㾕Ѡゴ ⧚䚼 2.2.1DŽ4.2.2 PARAFACㅫ⊩㾕ϝゴ ⧚䚼 3.2.2DŽ4.2.3Ѹ ϝ㒓 㾷˄ATLD˅ㅫ⊩ATLDㅫ⊩ Н Ў⅟ 䰉 ㋴ ˈЎՓ 䖒 ˈ ⫼Ѹ ѠЬ ⧚ˈ Ѣ 㾷˄SVD˅ⱘMoore-Penrose Н䗚䅵ㅫ Ѹ 䗁ҷℹ偸ˈ 䖯њϝ㒓 㾷ⱘ 㛑DŽ䆹ㅫ⊩ 㦋 Ѣϝ㓈 䰉XⱘⳌ ▔ 䈅ⶽ䰉AǃⳌ 䈅ⶽ䰉B Ⳍ ⌧ ⶽ䰉CDŽḍ 㾷 AǃBⶽ䰉ˈ ⌟Cⶽ䰉Ё 䍷㒘 ⱘ ˈ Cⶽ䰉Ё 䍷㒘 ⱘⳌ ⌧ Ϣ ⶹ ḋ⌧ ˈ 䍷㒘 ⶹḋЁⱘ 䰙⌧ Ԅ䅵 DŽ䆺㾕 ⤂[53]DŽ4.3 偠䚼4.3.1Ҿ Ϣ䆩ゟF-4500 㤻 䅵˄ ゟ ˅ˈ1cm㤻 ∴䖯㸠▔ - 䈅 ˈ Matlab⦃ ϟ䖯㸠 ⧚DŽ偠 ⫼䆩 Ў 㒃DŽ 䜮 䜮 ˄Ё 㥃 ⫳⠽ Ẕ ˅ǃ 㥃 ˄Ё 㥃 ⫳⠽ Ẕ ˅䌁Ѣ䭓≭ 㥃⠽ ⫳⠽ѻ ˈ㸔⌚⬅䭓≭ 㸔⎆Ё կDŽ ⫼㓧 ⎆Ў䝟䝌-䝟䝌䩴㓧 ⎆ (pH=4.0)DŽ 偠⫼∈ЎѠ㪌佣∈DŽ4.3.2 偠 ⊩㊒⹂⿄ 䜮 5.2mgˈ 䜮 6.7mgˈ⫼䗖䞣⬆䝛⒊㾷ˈЎ ⎆ˈѢ40CԢ⏽ DŽ 偠 䗖䞣 ⎆ˈ⫼∈⿔䞞ˈ䜮˄52ȝg/mL˅Ϣ 䜮˄67ȝg/mL˅ⱘ ⎆DŽ 12Ͼ10mLⱘ 䞣⫊ˈ 䗖䞣ⱘ 䜮Ϣ 䜮ⱘ ⎆ˈ✊ ↣ḋ 1mL㓧 ⎆ ⫼Ѡ∈ ˄⌧ 䜡㕂㾕㸼1˅DŽϸ㗙 㞾ⱘ䗝 㣗 㒓 ㋏㡃 DŽ Ё1-8 ḋЎ ℷḋˈ9-12 ḋЎ ϸ⾡ ⌟㥃⠽ⱘѠ 乘⌟ḋDŽ㸔⌚乘⌟ḋ˄12-16˅˖ ぎⱑ㸔⌚1mLˈ 5mL⬆䝛ˈѢ3000r/minϟ⾏ 10minˈ Ϟ ⏙⎆ˈ⫼⬆䝛 㟇25mLЎ㸔⌚ ⎆DŽ✊ 0.5mL 㟇4Ͼ10mL 䞣⫊ˈ 4Ͼϡ ⱘ⌧ ⏏ ∈ 䗖䞣ⱘ 䜮Ϣ 䜮ⱘ ⎆˄⌧ 䜡 㾕㸼4.1˅ˈ⫼∈ Ў㸔⌚乘⌟ḋ⫼Ѣ DŽ 㥃 ˖㊒⹂⿄ 㒣䖛㉝ⱘ 㥃 0.1gˈ 20mL⬆䝛ˈ䍙 30minˈ✊ 䴭㕂24h⍌ ˈ䖛ⒸDŽ ⫼䗖䞣⬆䝛⋫⅟⏷ˈ Ⓒ⎆ ⋫⍸⎆ ˈ⫼⬆䝛 Ѣ50mL ⫼DŽ 偠 䗖䞣ˈ⫼∈⿔䞞 ⫼Ѣ ˄ 偠Ё⿔䞞4000 ˅DŽḋ 㸠⌟ ˈϢ8Ͼ ℷḋ㒧 ˈ⫼Ѣ 䰙 㥃 ḋ ⱘ 䞣 DŽ㸼4.1 16Ͼḋ ⱘ⌧ 䜡⌧ (ng / mL) ԧ⿃ (mL) ḋ䜮 䜮㸔⌚ ⎆131.2 0.0—20.026.8 —3 62.4 40.2 —493.6 67.0 —5124.8 93.8 —6156.0 107.2 —7187.2 134.0 —8234.0 160.8 —962.4 134.0 —1093.6 107.2 —11 124.8 80.4 —12156.0 53.6 —1378.0 107.2 0.51493.6 80.4 0.515124.8 53.6 0.516156.0 40.2 0.54.3.3 䆒㕂偠䗝 㣗 Ў˖▔ ⊶䭓Ў250-300nmˈ↣䱨2nm ϔϾ ˗⊶䭓Ў330-420nmˈ↣䱨2nm ϔϾ DŽ⣁㓱 Ў5.0/5.0nmˈ 䗳 Ў1200nm/minDŽ4.4 㒧 Ϣ䅼䆎4.4.1ḋ ⧚䜮 䜮Ў 䝌 ⠽䋼ˈ 䆩 ⫼ⱘ ⬆䝛ǃЭ䝌Э䝃ǃⲤ䝌⒊⎆ㄝDŽ ḍ Ё 㥃 ⤂ 䘧[102]ˈ䞛⫼⬆䝛Ў㸔⌚ ✻㥃 ⱘ 䆩 DŽ4.4.2⹂ ԧ㋏PARAFACㅫ⊩ 乘Ԅ䅵ⱘ 䴲 [53]ˈ ℸ⹂ 䗖 ⱘ ゟϝ㒓 ⱘ䖛Ё 䴲 䞡㽕DŽ 㸔⌚ ⱘ ⌟ḋ 䖯㸠 ˈ ⫼Ḍϔ㟈䆞 [97]⊩ ⱘϝ㓈▔ - 㤻 䖯㸠㾷 ˈҢ㗠⹂ ԧ㋏ⱘ ˈ 㒧 4.2 ⼎DŽ Ḍϔ㟈 ҢϔϾ↨䕗 ⱘ ˄˚60%˅䰡 ϔϾ Ԣ ˈ 䖒 њ 䗖ⱘ [75]DŽ⬅ 4.2 ⶹˈ 3 ˈḌϔ㟈 䖥100%ˈ㗠 4 Ḍϔ㟈 㒣䰡 50%ҹϟˈℸ 䅸Ў 㒣Ϲ䞡 ⾏ϝ㒓 DŽ ℸ ԧ㋏ⱘ ҹ 3DŽ4.2 Ḍϔ㟈 Ϣ㒘 ㋏4.4.3Ҏԧ㸔⌚Ё 䜮 䜮ⱘ㤻 䈅㸔⌚乘⌟ḋϢ ℷḋ䖯㸠㤻 ⱘϝ㓈 䰉ˈ 3ˈ⫼PARAFACㅫ⊩䖯㸠 䕼ˈ ⱘ 䜮Ϣ 䜮 Ҏԧ㸔⌚Ёⱘ▔ 䈅䈅 4.3DŽ✊ ⫼ATLDㅫ⊩䖯㸠 䕼ˈℸ ԧ㋏㒘 N 4ˈ 䕼 ⱘ 䈅 4.4DŽ ϸ ✻ ҹⳟ ˈϸ⾡ㅫ⊩ 䕼 ⱘ 䜮Ϣ 䜮ⱘ▔ 䈅 ⳌԐ 催ˈ䇈 Ѡ㗙 䕼㒧 䴴DŽ Ңϸ ⳟ 䜮Ϣ 䜮ⱘ▔ 䈅 䈅 䚼 䞡 ˈ㗠Ϩ㸔⌚ ⑤⠽䋼 㤻 ˈϨ 㤻 䈅Ϣϸ⾡ ⌟⠽䋼䞡 Ϲ䞡DŽ㒧 㸼 ˈϸ⾡ㅫ⊩ 㛑 ⦄㸔⌚Ёϸ⾡⠽䋼ⱘ 䕼DŽ4.3 ⫼PARAFAC 䕼 ⱘ▔ 䈅 ˄A˅Ϣ 䈅 ˄B˅4.4 ⫼ATLDㅫ⊩ 䕼 ⱘ▔ 䈅 ˄A˅Ϣ 䈅 ˄B˅4.4.4Ѡ 乘⌟ḋⱘ䅵䞣⌟㒘 䜮Ϣ 䜮ⱘѠ ԧ㋏ḋ 䖯㸠 ˈ㒘 2ˈ ⫼PARAFAC ATLD䖯㸠㾷 ˈ 乘⌟⌧ 㾕㸼4.2DŽ⬅㸼 ҹⳟ ˈϸ⾡Ѡ䰊 ℷㅫ⊩㒧 Ⳍ ˈ ⥛㡃 DŽ㸼 ℸ ⊩ ҹ ϸ⾡ ⌟⠽䋼䖯㸠 ⹂乘⌟ˈ㗠Ϩ⬅ѢѠ䰊 ℷ “Ѡ䰊Ӭ ”ˈ Փ Ҫ ⶹ ˄ ℷ㒘 ˅ ϟг㛑 䖭ϸ⾡ ⌟⠽䋼䖯㸠 䞣 ˈ↨ 㥃⠛ǃ⫳⠽ḋ ㄝЁⱘ 䞣⌟ DŽ㸼4.2ϡ ⶹ ⱘѠ ԧ㋏ḋ ⱘ乘⌟㒧 ˄a- 䜮˗b- 䜮˅乘⌟⌧ (ng /mL) ⥛ (%)PARAFC ATLD PARAFAC ATLDḋa b a b a b a b964.1 135.0 65.7 134.6 102.8 100.7 105.2 100.5 1093.6 106.3 91.1 105.1 100.0 99.2 97.4 98.1 11124.6 78.6 121.2 75.1 99.9 97.7 97.1 93.4 12153.1 54.2 150.9 55.7 98.1 101.2 96.7 103.9 ⥛ (%) 100.2±1.3 99.7±1.3 99.1±3.1 99.0±3.2 4.4.5Ҏԧ㸔⌚Ё 䜮Ϣ 䜮ⱘ 䞣⫼▔ - 㤻 ⱘϝ㓈 䰉ˈ 䞛⫼PARAFAC ATLDㅫ⊩䖯㸠㾷 ˈ㒧 㾕㸼4.3 㸼4.4DŽ⫼PARAFAC䖯㸠㾷 ˄N=3˅ˈ ℷ䲚Ё 䜮Ϣ 䜮ⱘⳌ ⌧ Ϣ 䰙⌧ ⱘⳌ ㋏ Ўr1=0.9995 r2=0.9988ˈ Ўy1=0.0834+0.0257x1 y2=1.4390+0.0152x2ˈ ⥛ Ў˄99.5±2.6˅% ˄90.2±1.8˅%DŽ ⫼ATLDㅫ⊩䖯㸠㾷 ˈ N=3 N=4䖯㸠㾷 DŽ N 3 ˈⳌ ㋏ Ўr1=0.9991ǃr2=0.9917ˈ Ўy1=0.2300+0.0259x1 y2=507942+0.0151x2, 䜮Ϣ 䜮ⱘ ⥛ Ў˄104.2±3.2˅% ˄98.7±4.0˅%˗ N 4 ˈⳌ ㋏ Ўr1=0.9994ǃr2=0.9927ˈ Ўy1=0.7133+0.0267 x1ǃy2=505401+0.0143 x2ˈ 䜮Ϣ 䜮ⱘ ⥛ Ў˄102.7±2.9˅% ˄99.0±4.6˅%DŽ⫼ATLDㅫ⊩N 3 4 㒧 Ⳍ䖥ˈ䇈 䆹ㅫ⊩ 㒘 ϡ DŽ⬅Ѣ 4 㗗㰥њ ䷇ ˈ ⥛ӬѢN 3ˈ䇈 4Ͼ㒘 ϔ ⱘ ⫼ DŽ⬅㒧 ⳟҹⳟ ˈϸ⾡Ѡ䰊 ℷㅫ⊩ 㒧 䴲 Ⳍ䖥ˈ 㛑 ⦄ ⶹҎԧ㸔⌚ ϟ 䜮Ϣ 䜮ⱘ 䞣⌟ ˈ㒧 ⒵ DŽ㸼4.3 ⫼PARAFAC ⱘ㸔⌚ḋ Ё 䜮(a)Ϣ 䜮(b)ⱘ乘⌟㒧乘⌟⌧ (ng / mL) ⥛(%)ḋa b a b13 80.9 100.0 103.9 92.714 93.9 72.1 100.3 90.015 122.7 48.9 98.4 91.316 148.9 34.8 95.5 86.7⥛(%) 99.5±2.6 90.2±1.8。