通过基于有机反应的化学计量手性传感光学分析多元手性化合物混合物

本文报道了小分子光学探针的手性传感(通过动态共价或点击化学与胺和氨基醇结合)和化学计量学（正交数据融合和光谱去卷积）的组合，实现分析结构相似的手性目标混合物的绝对构型、对映体组成和浓度。用不同化学组成和手性组成的复杂的四元和八元混合物验证了该方法的实用性、高精度和速度。主要障碍来自于大量光谱数据的定量去卷积困难，这些数据将通过同时检测几个手性分析物而产生，以及固有的宽且大范围重叠的CD和UV吸收带。本文的通讯作者是美国乔治城大学Wolf教授(Angew. | 使用（伪）卤代醌进行手性转换和定量手性传感)。

在本研究开始时，我们选择了1-苯乙胺(PEA)、1-(吡咯烷基-2-甲基)吡咯烷(PMP)、苯甘氨酚(PGL)和2-氨基-1-苯丙醇-1-醇(PPA)来作为测试对象，因为他们是常用的手性胺，并具有相同官能度的类似化合物而更有挑战性，他们在短波长的紫外和CD信号可以忽略不计（a）。筛选了五种探针，它们的工作原理是不可逆共价化学(ICC)或动态共价化学(DCC)。4-氯-3-硝基香豆素(A)和N-(5-氟-2，4-二硝基苯基)苯甲酰胺(B)为第一类，而2，4-二硝基苯甲醛(C)、水杨醛(D)和蒎三酮(E)发生可逆希夫碱或缩醛反应。无论它们的工作模式如何，所有五种探针在室温下都能与目标化合物快速反应，从而在手性中心附近引入一个强大的发色团。在空气和湿气中操作不会影响测试结果，且这些不会产生新的手性中心，从而避免了由于非对映异构体物种的形成而变得复杂。底物与A反应后所有情况下都表现出较大的CD和UV信号差异，而其他探针存在大范围的信号重叠或信号很弱（b）。因此选择香豆素A进行接下来的研究。

首先验证该探针A的实用性，在相同的条件下将其应用于每个对映体(a)。不出所料，我们得到了镜像的诱导CD信号，这些信号可以用来测定对映体比(Er)，而紫外信号与每个目标化合物的总浓度相关。通过观察CD响应可以发现，对映异构体PMP-A的 ICD在340 nm处无干扰，这时PEA-A对映体表现出相对较强的CD信号；对映体PEA-A在400 nm处为空窗期，这将为在单个样本中同时检测这两种胺提供难得的机会（b）。作者制备了十种混合物，其中含有等摩尔量的PEA和PMP，它们的对映体组成变化很大，然后利用探A针在相应光谱的340 nm和400 nm处的CD响应进行线性回归分析。A产生的ICD振幅与两个胺的对映体组成之间有很好的线性关系，所有手性分析测试结果绝对误差小于4%。

然而，如上所述在检测两个分析物期间在特定的波长处产生互补CD响应的情况很少见，并且不适用于其对映体组成和分析物浓度均未知的样品，因为两者均可影响CD光谱。因此，考虑了多个自变量以最小化信息损失和谱噪声可能产生的干扰后，我们求助于研究化学计量学工具来完成这项任务。

在全谱分析中，自变量的数量(包括的CD和UV数据点的数量，例如，从250到450 nm的整个范围)通常大于因变量的数量(训练集中有多少样本)，并且不能使用没有先验降维的简单普通最小二乘方法。全谱分析的一个有用的方法是潜变量多元回归(LVMR)，它降低了数据的维数，然后用回归来建模因变量和自变量之间的关系。当数据降低到较低的维度时，一个令人担忧的问题是信息丢失。为了用四元手性化合物混合物来验证这一点，我们应用主成分分析(PCA)对我们的香豆素传感分析获得的卷曲的UV和CD光谱进行了分析。

使用PCR技术构建了一个包含16个训练集和5个测试集的回归模型。首先，对紫外光谱和圆二色谱进行主成分分析，将维数降低到4个，然后用最小二乘法以这些光谱为自变量对分析物浓度进行建模。对训练集进行交叉验证，以评估模型应用于新数据的程度。热图显示了算法预测第四代样品组成的精确度。散点图中描述的所有实际和预测浓度值之间的相关性展现了普适性。

需要指出的是，有了训练好的模型，用Python或另一种编程语言(R、Matlab等)编程的PCR测试样本分析可以使用简单的台式计算机在几秒钟内完成。四种手性化合物在五个测试集中的实际浓度与预测浓度之间的详细对比显示在堆积柱状图中，化学计量学香豆素传感分析得到的结果与原始样品组成非常接近。

最后，作者尝试开发能够处理来自互补测量的多变量数据集的多模式分析工具来对八元手性混合物进行化学计量学传感。为了获得多模式数据，设计了一种解决方案：它同样基于香豆素的手性传感程序，但选择了不同的溶剂。分别在二氯乙烷和甲醇中收集了PEA、PPA、PGL和PMP对映体的八元混合物的CD和UV光谱，期望这些溶剂将通过分子内氢键的变化和构象平衡的改变而引起明显的光谱差异。

首先，对八元混合物进行香豆素传感和传统的主成分分析(PCA)和偏最小二乘法(PLS)建模。UV和CD光谱的重建显示数据损失最小。然后，我们使用两个多块算法，MBPCA和MBPLS，对八元混合物进行回归分析。MBPCA和MBPLS分别是PCA和PLS的多块版本，这两种算法都旨在提高多变量模型的可解释性。

对6个随机制备的八元手性混合物进行多区组化学计量学分析，得到的结果与实际样品组成非常吻合。作为多区组分析的替代方法，我们还研究了最小绝对收缩和选择算子(LASSO)的组合，它允许变量选择和传统的化学计量PCR和PLS回归。这种方法的好处是，当不相关和有噪声的光谱数据被去除时，变量选择可以改善模型的性能和可解释性。最后，比较了不同缩放方法的效果，发现单位方差和多块缩放给出的结果通常具有可比较的误差范围。