分析化学中的选择性及提高选择性策略的探讨
1
2
3
Discussion on the Definition and Improving Strategies of Selectivity in Analytical Chemistry
1
2
3
通讯作者:
收稿日期: 2021-11-3 接受日期: 2022-02-22
| 基金资助: |
|
Received: 2021-11-3 Accepted: 2022-02-22
The selectivity is one basic parameter for evaluating analytical method. The International Union of Pure and Applied Chemistry (IUPAC) clearly recommends that the selectivity refers to the extent to which the method can be used to determine particular analytes in mixtures or matrices without interferences from other components of similar behavior. However, its definition and quantitation have still remained open questions. Here, the selectivity on the intrinsic characteristics (definitions), the types of interferences, and the estimation of sensitivity are discussed. Some strategies to improve the selectivity are summarized.
Keywords:
本文引用格式
师亮, 漆红兰, 张璐, 张成孝.
Shi Liang.
选择性(Selectivity)一词起源于拉丁语“seligo”,其意为选择。广义的选择性是表达“有选择地”的性质;“某某选择性”意味着在某方面是有“选择”的。选择性意味着“倾向于谨慎选择”。选择性涉及许多学科,如化学、物理学、生命科学、信息学、心理学等。在化学学科中,有许多选择性,例如立体选择性、催化选择性等。在分析化学中,一般认为选择性与检出限和灵敏度一样[1, 2],是评价分析方法的一个极其重要的特性参数。但是,分析方法的选择性又与检出限和灵敏度不同。尽管分析化学的教科书[3, 4]和一些研究论文[5–22]对选择性进行了广泛的讨论,但是,方法的选择性不仅和方法本身相关,也与测定样品中干扰物质的性质和浓度有关,并且选择性尚缺乏统一的量化公式。选择性的定义和定量表述仍然是悬而未解的问题[21]。本文旨在归纳选择性的内在特征(定义)及其影响因素(干扰的类型),讨论现代分析方法选择性的量化表达式和提高选择性的一些新策略,扩大知识面,抛砖引玉,共同商讨,以促进准确理解分析方法的选择性。
1 选择性的内在特征
1.1 选择性的定义
国际纯粹与应用化学联合会(IUPAC)对选择性推荐的定义为[2]:The selectivity refers to the extent to which the method can be used to determine particular analytes in mixtures or matrices without interferences from other components of similar behavior. 武汉大学主编的《分析化学》(第五版) [3]中指出“一种仪器方法的选择性是指避免试样中含有其他组分干扰组分测定的程度”。华中师范大学等主编的《分析化学》(第四版) [4]中指出“选择性是指某种分析方法测定某组分时,能够避免样品中其他共存组分干扰的能力”。分析方法的选择性是表征一个分析方法抗干扰能力的一个参数。对于定性分析,能产生相同(或相似)响应的物质数目越少,表示该分析方法的选择性越高;对于定量分析,能产生相同(或相似)响应的物质的浓度越小,表示该分析方法的选择性越高。选择性也可理解为方法获取样品中几乎完全取决于目标分析物信号的能力。也有人认为选择性不是分析方法的属性,而是分析结果的属性[6]。
“特异性”(Specificity)一词经常被赋予与选择性相同的含义。IUPAC对特异性推荐的定义为:“Specificity is the ultimate of selectivity”[2]。特异性也一种分析方法的特性,表示某方法最终的选择性水平或绝对不存在干扰的情况。这是个理想情况,在实践中很难实现。因此,选择性与特异性是完全不同的概念。为了更好地反映分析方法的特性,应尽量选择使用选择性一词。
1.2 选择性与误差
评价某一分析方法的一个非常重要的质量标准就是其提供无干扰信号并给出“真实结果”的能力。选择性与样品中干扰产生的误差有关。本质上样品产生的误差属系统误差[5]。选择性与误差具有一定的关联性,例如,某一方法在测定某分析物时,某干扰物质产生的相对误差±3%,则在允许相对误差为±5%时,该方法是具有选择性的;而在允许相对误差为±2%时,则该方法没有选择性。同理,某干扰物质相对于分析物的浓度比不同,也会得出某方法选择性差异的结论。
1.3 选择性与其他分析方法属性的关系
Valcaercel和Rieos认为孤立地处理选择性是没有意义的[7]。Valcaercel和Rieos将分析方法的属性进行了等级划分。顶级(Capital)特性,如准确性和代表性,直接关系到分析结果的质量;基本(Basic)特性,如精密度/不确定性、灵敏度和选择性,直接支持顶级特性,是分析方法的评价指标。选择性和灵敏度具有关联性:(1) 最相关的一类干扰就是对线性校准曲线斜率(灵敏度)的干扰[14];(2) 选择性和灵敏度两种特性的等级提升过程相似,例如,使用色谱和非色谱分离技术(如样品净化和预浓缩),在许多情况下,可以同时提升选择性和灵敏度这两种特性的等级。一个高选择性水平可能与一个低精密度相矛盾,当一个分离技术应用于最少干扰物时就是这种情况;分析过程越复杂,产生误差的原因就越多,因此,精密度就降低。将化学计量学方法(如信号过滤、聚类分析等)应用于提高选择性时,精密度也会降低,这是因为引入了其他变异源。与其他基本和顶级分析特性一样,选择性也会影响生产效率。如果要实现高选择性,分析方法(例如LC-MS/MS)将更加耗时和昂贵,并且需要专门的操作员。换句话说,提高选择性可能需要付出其他代价。
1.4 选择性与样品组成
从分析任务出发,分析工作者应该针对分析目标任务所需的信息,确保任务要求与分析工作者能提供的分析信息之间的一致性,这就涉及到方法的选择性。选择性是一个与特定样品(分析物体系)的分析过程相关的参数。一种分析方法对于一个特定类型的样品中的一种分析物可以是选择性(例如,测定商业制剂中的农药),而对测定其他类型样品中的相同的一种分析物就可能没有选择性(例如,测定沉积物或人乳中的农药)。也就是说,离开实际样品而谈方法的选择性意义并不大。表 1表明了样品复杂程度对选择性的影响程度。从表 1可以看出,实现选择性的难易程度与有关样品的可用信息之间存在着直接关系。样品可以分为三大类:即对其组成完全了解的白色样品(white sample);只了解其中一部分组成的灰色样品(grey sample)和对其组成完全不了解的黑色样品(black sample)。对于灰色样品和黑色样品,存在干扰物的数量和浓度的不确定性,使分析过程变得十分困难。因此,这些样品的选择性水平在很大程度上取决于样品中不同物质之间的相互干扰程度。
表1 样品复杂程度对选择性的影响[16]
| 影响程度 | 样品类型 | 样品数目 | 样品中分析物的相似性 | 分析物数目 | 分析物浓度 | 分析物间的相似性 |
| 低 | 白色 | 几个 | 不同 | 一个 | 高 | 低 |
| 中 | 灰色 | |||||
| 高 | 黑色 | 许多 | 相似 | 许多 | 痕量 | 高 |
1.5 干扰的类型
1.5.1 从样品干扰分类——共存组分干扰和基质干扰
笔者认为共存组分干扰与基质干扰的不同仅是对样品干扰的关注点不同。在液体样品或固体样品配制成溶液进行化学测量时,人们主要关注共存组分的干扰。共存组分的干扰是建立新分析方法时应重点考虑的干扰类型,尤其是结构类似和性质类似物质对目标物质产生的干扰。例如,在使用有机配合物显色剂丁二酮肟测定Ni2+时,应考虑共存Co2+的干扰;又如,应用基于葡萄糖氧化酶的葡萄糖电化学传感器(血糖仪)测定血糖时,应考虑血液中抗坏血酸和尿酸等还原性物质对氧化电流的干扰;再如,利用化学发光法鲁米诺-过氧化氢体系测定Co2+时,应考虑共存也具有催化活性的Fe2+、Fe3+、Cu2+、Mn2+、Ag+的干扰。在固体进样的原子发射光谱分析中,人们无法制备与测定样品相同的标准系列物质,人们不仅关注共存组分的干扰,也必须关注不同基质(Matrix)造成的干扰。例如,不同的矿石样品在光源中的挥发、蒸发和原子化程度不同,对于含量相同的样品获得的信号可能不同,也就产生了基质干扰。由于电感偶合等离子炬光源可液体进样,基质干扰并不大。又如在分析血液样品时,全血、血清等样品不同,其干扰也不同,可认为是基质干扰。基质干扰也可以理解为难以归属于某些共存组分样品干扰的总称。
1.5.2 从干扰信号分类——附加性干扰和倍增干扰
干扰物产生一个不能与待测物产生的信号进行区分的信号即为干扰信号。干扰物对分析物的干扰就是干扰物对分析物校准曲线(信号–浓度曲线)的干扰[17]。附加干扰(additive interferences)是由于样品干扰物产生了一个信号相加于分析物信号上引起的干扰。由于附加信号会导致截距发生变化而不会导致校准曲线斜率发生变化,因此,附加性干扰在分析物低浓度时具有显著性的干扰。倍增干扰(multiplicative interferences)是由于样品干扰物在一定程度上增加或减少了分析物信号引起的干扰,但并没有产生干扰组分自己的信号。因此,倍增干扰会改变校准曲线的斜率,但不会改变校准曲线的截距。当然,复杂的情况会涉及附加性干扰和倍增干扰的组合干扰。此外,干扰会增加或减少测量信号,分别产生正或负误差,据此干扰可分为正干扰和负干扰。例如,还原性物质在电极上的氧化可能会产生正干扰;干扰物的荧光淬灭则为负干扰。
1.5.3 从干扰机理分类——相似机理干扰和不同机理干扰
根据干扰物在测量过程中干扰的机理不同,干扰可分为相似机理干扰和不同机理干扰。例如,在光度分析中,显色剂与性质相近的不同离子形成吸收波长相同的配合物的干扰就是相似机理干扰;在溶液中存在的颗粒引起光散射,导致对应待测物质荧光强度的增强,就是不同机理干扰。按照干扰机理或性质不同,干扰还可分为物理干扰、化学干扰、物理化学干扰、电离干扰、光谱干扰、非光谱干扰、背景干扰等等,这些内容在一般分析化学教科书中均有介绍,在此不赘述。
2 选择性参数的量化表达式
1883年,开尔文勋爵说:“When you can measure what you are speaking about and express it in numbers, you know something about it; but when you cannot measure it your knowledge is of a meager and unsatisfactory kind”[17]。分析方法的灵敏度、检出限、线性范围、重现性和准确度均有明确的数学表达式。IUPAC给出了分析方法选择性的定义,意为干扰越少,选择性越高。IUPAC除给出了离子选择电极的电位选择性系数的表达式[6, 8]外,没有其他分析方法选择性的量化表达式。笔者认为这主要是因为人们希望得到一个与干扰物浓度和分析物浓度无关的选择性的表达式,但实际上很难做到。关于选择性的估计或评价(量化表示式)已经有许多研究[19–23],在此重点讨论一些简单容易理解的选择性的量化表达式。
我们先理解定量分析的原理。从数学关系上讲,仪器分析方法是基于可测量的物理量(信号yi,如吸光度、光强度,电位、电流等)与待测浓度ci间的函数关系进行定量分析。这种关系在数学上是一种是“映射(mapping由系统的函数来实现)”。“解析函数”c = f(y)是“校准函数”y = f'(c)的反函数。校准函数可以通过实验直接获得;样品获得的信号可通过校准曲线将待测物质的信号转变为待测物的浓度[5]。
在此,我们讨论一种最简单的情况,某一样品含有单一组分I和单一干扰物J。假设某分析方法测定分析物I的灵敏度为SI,则分析信号(测得的信号中扣除空白信号)
若考虑背景信号b,数学表达式为:
通过
由干扰引起测定结果的相对误差为E%,
由式(4)可见,由干扰引起测定结果的相对误差与分析物的灵敏度SI和浓度cI、干扰物的灵敏度SJ和浓度cJ以及空白信号b有关。由干扰引起测定结果的相对误差越小,该方法的选择性就越高。如果不考虑背景信号,则:
由式(5)可见,由干扰引起测定结果的相对误差决定于方法测定纯分析物和纯干扰物的灵敏度之比和浓度之比。如果将选择性参数KIJ定义即KIJ =
由式(6)可见,在测定相对误差和干扰比一定的情况下,KIJ越大越好。在测定相对误差一定和KIJ物质的情况下,cJI越大就越好。这是因为在允许误差(5%)一定的情况下,KIJ越大,
表 2中给出文献中几种常用评价选择性的参数[16]。在免疫分析中,结构相似的化合物(干扰物)与针对目标分析物产生的抗体的结合程度,通常表示为相对百分比交叉反应性(CR),其定义为一个比率,即在给出标记的结合态被50%取代时,标准物质的剂量和交叉反应物剂量之比(IC50)。在萃取分离方法中,分离因子αi/j定义为在相同条件下测得的溶质A和溶质B的分配常数(K)之比;在色谱分离法中,分离度RS定义为两个峰或面积中心的距离(柱色谱的时间单位和平面色谱的长度单位)与其各自平均带宽之间距离的比率,为两种溶质在两相中物理分离的能力。分离因子和分离度通常分别用于评估非色谱法和色谱法二者选择性的参数。由于篇幅所限,在此不赘述。
表2 专用的选择性参数
| 方法/技术 | 选择性参数 | 相关计算公式 | 文献 |
| 离子选择电极电位法 | 电位选择性系数kij | [6, 8] | |
| 免疫法 | 相对交叉反应性百分比(CR) | [16] | |
| 非色谱分离法 | 分离因子αi/j | [16] | |
| 色谱分离法 | 分离度RS | [16] | |
| 光分析/电流法 | 选择性参数KIJ = 干扰比cJI = | 本文 |
i:分析物;j:干扰物;n:离子电荷;a:离子活度;kij:电位选择性系数;Δt:两个色谱峰间的距离(时间单位);d:两个色谱峰面积间的距离(长度单位);W:带宽
3 提高选择性的策略
如前所述,干扰是由于干扰物与分析物产生的信号不能分辨(discrimination)所产生的。分析方法的选择性实际上涉及了两类分析体系:其一,单组分分析,就是避免样品中其他组分对单一分析物测定的干扰;其二,多组分分析,就是避免样品中各组分的相互干扰。因此,能提高信号分辨的策略就是提高选择性的策略。为了便于理解,本文将按反应性、分离、信号区分和化学计量区分进行讨论,举例进行说明。当然,两种或两种以上这些策略就更能提高选择性。
3.1 化学/生物化学反应性
化学测量中一般都涉及化学反应。提高化学反应性(也称为“化学选择性”,chemical selectivity)是提高选择性的一个经典途径。选用与分析物进行选择性反应或化学试剂已经是分析方法中最常用的策略之一。使用化学掩蔽剂来消除干扰物质的影响在分析化学络合滴定中有许多介绍。在分析测定中,使用选择性高的生化反应或试剂是一种提高方法选择性的有用策略[10],例如:酶-底物的催化反应;激素-受体的结合反应;抗原-抗体结合反应等。通常认为这些生物反应有一定的特异性(即高选择性)。
3.2 预分离
一般来说,分析方法并不一定包含预分离。如果使用一定的化学/生物化学反应和掩蔽剂等不能消除共存组分干扰时,使用预分离除去一些干扰物,也是提高给定方法选择性的一种有效的策略,即分离选择性(separation selectivity)。在这种情况下,预分离就是该分析方法的组成部分。分离法能物理去除干扰物质或使分析物相互分离。色谱法是同时测定复杂样品中多种分析物的最佳方法,因此,它广泛应用于食品、环境和临床分析等领域。然而,当分析目的是测定一种或几种组分时,物理分离如萃取分离、电解分离、沉淀分离等可能更简单、更快。分离与检测联用方法也能显著地提高方法的选择性,如高效液相色谱-质谱法。当然,在评价方法选择性时,应将包含预分离与不包含预分离的方法分开评价比较合适。
3.3 信号分辨
信号分辨(discrimination of signals)是提高多组分分析的有效策略,如时间分辨、仪器分辨等。
(1) 时间分辨。基于分析物与干扰物反应动力学(速率常数)差异可对分析信号进行时间分辨,可简单地解决干扰物对分析物的干扰,也可实现多组分同时测定。例如,胶束可以改变两种或两种以上结构相似的分析物与一种试剂相互作用的反应性,也可改变其表观速率常数[22],通过时间分辨实现多组分分析。另一种可提高选择性的策略是动态测量策略,即监测一个化学体系的变化过程。这种策略对消除样品基质的静态背景信号干扰非常有用,特别适用于测定分析物低浓度的情况。这是因为在这种情况下,背景信号不强烈地依赖于反应速率。使用相对较长寿命的化学体系,例如涉及镧系元素敏化的荧光体系,在时间分辨模式下进行测量,通过时间分辨可消除散射、拉曼和荧光等背景信号的干扰。
(2) 仪器分辨。提高仪器分辨是一种更广泛使用的提高选择性的策略。近年来,多通道仪器的发展,例如光电二极管阵列检测器、摄像机系统以及电荷耦合和电荷注入设备,已经能够在充分选择仪器变量的情况下分离出分析信号,即提高了仪器选择性(instrumental selectivity)。因此,原子和分子光谱学中多种检测系统的使用,促进了许多用于选择性测定一种物质和同时测定两种或多种物质的分析方法的发展。
虽然上述策略中的每一种策略都可以单独使用以实现选择性测定,但是,它们的组合使用可以获得更好的结果。例如,衍生化反应与使用二极管阵列检测器代替传统光度计就可以提高色谱方法的选择性。气相色谱的常规检测器,如电子捕获检测器和氮磷检测器,存在选择性和普适性相互排斥且选择性无法针对所需化合物类别进行调节的事实,质谱就克服一些缺点。尽管质谱法的选择性从检测所有可电离化合物角度讲是非选择性,但是,仅在对一种化合物的特殊应用中,其选择性是极高的。因此,通常需要附加一些其他方法来提高测定的选择性,例如,通过在质谱分析中,联用扫描方法、使用化学电离或应用化学计量方法监测选定的离子碎片,可提高多组分分析的选择性。
3.4 化学计量学方法
化学计量学方法已经应用于提高分析方法的选择性(也称为“计算选择性”) [26]。多元校正法、模式识别法、聚类分析法等提高了多元分析的选择性和准确度。由于这些内容对于大学生相对陌生,在此仅仅进行一些概念和应用方面的介绍。
多元校正法(偏最小二乘法)应用于非选择性近红外光谱,能够获得隐藏在这些光谱中的选择性信息。傅立叶变换法和模式识别法(模式识别方法主要包括统计模式识别、结构模式识别、模糊模式识别、人工神经网络等)极大地促进了近红外光谱技术的发展[27]。聚类分析法将对象集合划分为集合或聚类,实现了多元组分的同时测定。
卡尔曼滤波器(Kalman filter)和人工神经元网络是从非选择性数据中获得选择性定量信息的两个范例。卡尔曼滤波器是一种从一系列含噪声的测量信号中递归估计一个系统的参数和状态的算法[28],它已被应用于解决电化学和光谱学中的信号的重叠,处理流动分析中的数据,并且通常应用于改进同时测定方法的选择性。神经元网络起源于对人类大脑功能进行建模的尝试,这些数学模型包括称为神经元的高度互连的处理单元[29]。因此,人工神经元或计算机模拟神经元被设计为模仿生物神经元的功能和人工神经元模仿人类的认知过程,适用于处理噪声、不完整甚至不一致的数据。信息分布在大量模型参数上,这些模型参数具有很大的灵活性。人工神经网络已在许多领域得到应用,这些领域包括模式识别、非线性回归分析、聚类分析、组合优化和图像压缩等。人工神经网络的广泛应用是由于它们具有逼近复杂函数的能力,非常适合于非线性关系的建模。
人工智能(artificial intelligence)是一个相对较新的研究领域,旨在使用计算机运行模拟人脑认知过程的代码来解决问题[32]。人工智能中涉及的大多数现代算法不仅能够将输入与输出连接起来,还能适应环境线索并采取行动,从而增加提供准确答案的机会。人工智能的主要优势可能是它提供了巨大的能力,可以从如此庞大和/或如此复杂的数据集中获取有意义且无偏见的信息,而这些人类无法对其进行分析完成。从广义上,以上介绍的这些策略均可归于人工智能。人工智能已经在分析化学(分离、光谱学、检测系统等)得到一定的应用。我们相信人工智能将极大地促进分析化学的发展。
4 结语
选择性是评价分析方法的一个重要的特征指标,是保证样品分析结果质量的基础之一。本文剖析了分析方法选择性的含义,讨论了影响选择性的因素即干扰的类型,推荐了选择性参数的表达式,总结了提高选择性的一些策略,旨在抛砖引玉,帮助分析化学领域的研究人员、教师和学生正确理解选择性和提高选择性的一些有效策略。
参考文献
DOI:10.1016/S0003-2670(97)00106-2
DOI:10.1016/S0165-9936(97)00122-2 [本文引用: 1]
DOI:10.1016/S0165-9936(01)00092-9 [本文引用: 6]
DOI:10.1016/S0165-9936(01)00093-0 [本文引用: 4]
DOI:10.1016/j.talanta.2014.10.018 [本文引用: 2]
DOI:10.1016/S0003-2670(97)00107-4 [本文引用: 2]
DOI:10.1016/j.snb.2017.10.108 [本文引用: 1]
DOI:10.3389/fchem.2021.707382 [本文引用: 1]
DOI:10.1021/acs.jproteome.1c00245 [本文引用: 1]
DOI:10.1016/j.aca.2021.338403 [本文引用: 1]
/
| 〈 |
|
〉 |

