二维相关光谱法是将特定形式的微扰作用于样品, 通过测定一系列扰动作用下的动态光谱, 结合数学相关分析, 获取与样品中分子结构及作用力相关的二维相关谱特征。 该方法主要基于分子振动光谱, 将一维光谱扩展到二维空间, 能有效提高光谱分辨率, 从而识别原始光谱中重叠的分子振动变化特征, 为研究分子内及分子间的化学键变化提供依据, 在生物医学、 药学、 食品科学、 环境科学以及高分子材料等领域应用广泛。 自1986年Noda提出广义二维相关算法以来, 二维相关光谱衍生出了投影二维相关、 串联二维相关、 基于模型的二维相关、 异质谱二维相关、 移动窗口二维相关等算法。 随着近年来生物技术的迅速发展, 多肽、 蛋白质、 酶等蛋白类物质由于参与人体重要生理化学反应过程, 对其结构（尤其是高级构象）的分析是研究蛋白类物质质量及疗效的关键。 二维相关光谱方法为生物医药中蛋白类物质结构研究提供了快速、 无损的定性定量分析方法, 可分析蛋白质类物质高级结构中的细微变化, 为生物大分子药物机制机理研究提供有力的支撑。 综述了二维相关光谱技术的基本原理、 谱图解析方法和技术进展, 以及其在蛋白类物质分析中的应用方向和前景, 为相关领域研究人员应用二维相关光谱法开展蛋白类物质的结构和分子间相互作用等研究提供参考。

近红外光谱分析技术对检测样品无损伤且检测速度快、 精度高, 因此被广泛应用在了药品检测、 石油化工等领域, 尤其近年来机器学习和深度学习建模方法的深入应用使其具备了更准确的检测性能。 然而, 样品的近红外光谱数据具有比较高的维度且存在谱间重合、 共线性和噪声等问题, 对近红外光谱模型的性能产生消极影响, 此时样品有效特征波长的筛选极为重要。 为了提高近红外光谱定量和定性分析模型的准确性和可靠性, 提出了一种近红外光谱变量选择方法, 其结合了最小角回归（LAR）和竞争性自适应重加权采样（CARS）的优点, 具有更优的性能。 该方法利用LAR初步筛选样品全谱区的特征波长, 接着利用CARS对筛选出来的特征波长进一步选择, 从而有效去除无关特征波长。 为验证该方法的有效性, 从定量和定性分析两个方面评价该方法。 在定量分析实验中, 以FULL, LAR, CARS, SPA和UVE作为对比方法, 以药品样品数据集为实例建立PLS回归分析模型, 经LAR-CARS筛选出的变量建立的PLS模型在药品数据集表现出较高的预测决定系数和较低的预测标准偏差。 在定性分析实验中, 以SVM, ELM, SWELM和BP作为对比方法、 不同比例训练集的药品数据集为实例建立分类模型, 经LAR-CARS筛选出的变量建立的SVM分类模型精度最高达100%。 从实验结果可见, LAR-CARS可有效的筛选出表征样品特征的波长, 利用其筛选出的波长建立的定量、 定性分析模型具有更好的鲁棒性, 可用于样品光谱的特征波长筛选。

近红外光谱(NIR)分析具有分析高效、 样品无损、 环境无污染以及可现场检测等优点, 特别适合药品的快速建模分析。 但NIR存在吸收强度弱以及谱带重叠等缺点, 需要建立稳健可靠的化学计量学模型对其进行分析。 深度卷积神经网络是深度学习方法中一个重要分支, 它通过逐层抽取数据特征并进行组合、 转换, 形成更高层的语义特征, 具有极强的建模能力, 广泛应用于计算机视觉、 语音识别等领域, 而在药品NIR分析方面尚未见报道。 基于深度卷积网络模型, 对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层, 将特征图进行整体池化, 形成一个特征点, 用于解决全连接层存在的限制输入维度大小, 参数过多的问题。 同时, 在网络模型中引入批处理操作和dropout机制, 以防止梯度消失和减小网络过拟合的风险。 在网络模型的设计过程中, 通过设计不同的卷积网络层数以及不同的卷积核尺寸大小, 分析其对建模效果的影响, 同时分析五种经典数据预处理方法对NIR分析的影响。 以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、 多厂商分类模型, 该模型在二分类、 多分类实验中取得了良好的分类效果。 在十八分类实验中, 当训练集与测试集比例为7∶3时, 分类准确率为99.37±0.45, 比SVM, BP, AE和ELM算法取得更优的分类性能。 同时, 深度卷积神经网络模型推理速度较快, 优于SVM和ELM算法, 但训练速度慢于二者。 大量实验结果表明, 深度卷积神经网络可对多品种、 多厂商药品NIR数据准确、 可靠地判别分类, 且模型具有良好的鲁棒性和可扩展性。 该方法也可推广到烟草、 石化等其他领域的NIR数据分类应用中。

由于近红外光谱在药品鉴别应用中具有分析速度快、 样品无损、 可现场检测等突出优点, 目前已在众多领域中广泛应用。 但近红外光谱存在信噪比低, 吸收强度弱且谱峰重叠等缺点, 无法从光谱中直接得到定性/定量的物质信息, 因而近红外光谱分析技术常作为一种间接分析技术, 并且光谱的化学计量学建模方法成为近红外光谱分析的核心内容。 深度学习是机器学习的一个新的分支, 并已经成功运用于多个领域。 深度学习的网络结构和非线性的激活能力, 使其模型特别适合高维、 非线性的大规模数据建模。 为进一步丰富近红外光谱建模方法, 并提高近红外光谱分析技术的回归精度或分类准确率, 将深度学习方法应用于近红外光谱分析, 发展新的建模方法十分必要。 面向近红外光谱定性分析技术, 提出一种基于堆栈压缩自编码网络（SCAE）光谱定性分析方法, 并应用于多类别药品的光谱分析, 以区分或鉴别不同厂家生产的同种药品。 压缩自编码网络（CAE）以自编码网络（AE）为基础, 进一步加入雅克比矩阵作为约束项。 自编码网络最初是用实现数据降维, 以学习数据内部特征, 而雅克比矩阵包含数据在各个方向上的信息, 将其作为AE的约束项则可使提取到的特征对输入数据在一定程度下的扰动具有不变性, 从而提高AE提取特征的能力。 SCAE是一种由多层CAE构成的神经网络。 前一层CAE的隐藏层作为后一层CAE的输入层, 网络的全部参数是通过采用逐层贪婪的训练方式来获取的, 训练结束后将所有网络视为一个整体, 通过反向传播算法进行微调, 最后使用Logistic/Softmax分类器进行定性分析。 实验数据均为中国食品药品检定研究院采集, 以头孢克肟胶囊作为二分类实验数据, 硝酸异山梨酯片作为多分类实验数据。 通过Bruker Matrix光谱仪测定每个样本在不同波长下的吸光度值得到其光谱曲线, 再通过OPUS软件消除漂移等因素对光谱样本之间产生的偏差。 接下来通过实验确定约束项雅克比矩阵的系数λ为0.003之后建立模型。 建模过程分为五个阶段, 分别为: 预处理阶段, 预训练阶段, 微调阶段, 测试阶段和对比阶段。 为了验证SCAE在分类准确性、 算法稳定性和建模时间等方面的性能, 与BP神经网络、 SVM算法、 稀疏自编码(SAE)和降噪自编码(DAE)开展对比实验研究。 分类准确性方面, 在不同的训练集与测试集的比例下, SCAE均有最佳的分类准确性与算法稳定性。 建模时间方面, 由于SVM算法不需要预训练和特征提取, 所以运行时间方面比其他算法有大的优势, 但是SCAE建模速度优于除SVM之外的其他对比算法。 综合而言, 使用SCAE进行药品鉴别有效可行。

Metal glycinate chelates are formed by glycine and metal compounds through chemical reactions. Calcium glycinate, magnesium glycinate and zinc glycinate are kinds of new-type and ideal nutrient supplements, which have satisfactory physico-chemical properties and bioactivities. They are important for prophylaxis and treat metal deficiency. The structural characterization shows that the metal ion is bonded to the amino and carboxyl group to form two five-membered rings. This paper mainly studies the structure characterization of the metal chelated glycinates by their solubility, infrared spectrum, thermal analysis, mass spectrometry, polycrystal diffraction, the metal contents and glycine contents of calcium glycinate, magnesium glycinate and zinc glycinate.

提出一种稀疏降噪自编码结合高斯过程的近红外光谱药品鉴别方法。 首先对近红外光谱数据进行小波变换以消除基线漂移, 然后用稀疏降噪自编码(SDAE)网络提取光谱特征并降维表示, 最后采用高斯过程(GP)进行二分类, 其中GP选用光谱混合(SM)核函数作为协方差函数, 记此分类网络为wSDAGSM。 自编码网络具有很强的模型表示能力, 高斯过程分类器在处理小样本数据时具有优势。 wSDAGSM网络通过稀疏降噪自编码学习得到维数更低但更有价值的特征来表示输入数据, 同时将具有很好表达力的光谱混合核作为高斯过程的协方差函数, 有利于更准确的光谱数据分类。 以琥乙红霉素及其他药品的近红外光谱为实验数据, 将该方法与经过墨西哥帽小波变换的BP神经网络(wBP)、 支持向量机(wSVM), SDAE结合Logistic二分类(wSDAL)、 SDAE结合采用平方指数(SE)协方差核的GP二分类(wSDAGSE), 以及未采用小波变换的SDAGSM网络等方法进行对比。 实验结果表明, 对光谱数据进行墨西哥帽小波变换预处理能有效提升SDAGSM网络的分类准确率和稳定性。 wSDAGSM方法无论从分类准确率还是分类结果稳定性方面, 都优于其他分类器。

拉曼光谱技术反映了物质的结构特征, 可用于分析有机或者无机样品的化学组分。 但由于某些被测物的荧光背景远远强于拉曼信号, 这些物质的拉曼光谱测量有时十分困难, 这限制了拉曼光谱的广泛应用。 因此有必要在拉曼检测中对荧光采取抑制措施以准确获取高信噪比的拉曼光谱指纹信息。 近些年来, 很多的相关研究探讨及发展了多种荧光抑制的新方法。 在目前的科研活动中, 常用的技术有表面增强拉曼光谱技术、 傅里叶变换拉曼光谱技术、 共焦显微拉曼光谱技术和高温拉曼光谱技术等。 这些技术解决了拉曼光谱早期存在的一些问题, 如荧光干扰、 灵敏度低等, 极大地扩展了拉曼光谱技术在各个领域的应用。 而这些新方法可大致归类为物理/化学方法, 基于光学性质不同衍生的方法, 计算处理方法和其他方法。 文章概括性的介绍了上述方法的理论、 实现方式, 并分析比较了各自的特点。

近红外光谱检测和模式识别方法相结合, 在药品的现场快速无损监督管理中有广阔的应用前景。 传统的鉴别方法以最小化错误率为目标, 往往忽略了样本数据的类别不平衡性, 从而使得少数类样本被多数类样本淹没, 降低少数类样本对分类器的影响, 使分类结果更加倾向正确识别多数类样本, 严重影响鉴别结果。 针对药品光谱数据中真假药品类别不平衡问题进行研究, 融合平衡级联和稀疏分类方法(SRC), 提出一种级联的稀疏分类药品鉴别方法(BC-SRC)。 文中在多数类样本中选取和少数类数目相同的样本作为训练样本, 并在多数类样本中进行多次平行采样使得多数类样本被全部获得过（采样次数为多数类样本数与少数类样本数商的向上取整), 最终得到测试样本的多组预测结果, 根据得到的多组结果获得最终预测标签。 将提出的方法在Matlab 2012a上进行仿真实验, 通过三组样本集的实验证明该方法的有效性, 实验结果表明该方法优于常用的偏最小二乘(PLS)、 极限学习机(ELM)和BP神经网络分类法, 特别是在解决类别不平衡问题时, 当不平衡因子大于10时, BC-SRC算法分类相对于其他算法性能更好, 且稳定性更高。