Chemometryczna klasyfikacja niskorozdzielczych widm mas pochodnych organicznych żelaza

Pujszo, E. K.; Szymura, J. A.; Lamkiewicz, J.; Szymura, I.

Artykuł - szczegóły

Tytuł artykułu

Chemometryczna klasyfikacja niskorozdzielczych widm mas pochodnych organicznych żelaza

Autorzy

Pujszo E. K. , Szymura J. A. , Lamkiewicz J. , Szymura I.

Treść / Zawartość

Pełne teksty:

Pobierz

Pobierz

Identyfikatory

Warianty tytułu

Chemometric classification of low-resolution spectra of organic iron derivatives

Języki publikacji

Abstrakty

W pracy przedstawiono wyniki chemometrycznej analizy wykonanej dla grupy 33. niskorozdzielczych widm mas pochodnych organicznych żelaza, w celu ich klasyfikacji. Zastosowano dwa programy komputerowe: MassFeatGen (ze zmodyfikowanymi wartościami cech spektralnych) oraz R (do analizy głównych składowych, PCA). Dzięki podobieństwu profili izotopowych węgla i żelaza, takie podejście, stosowane dotąd rutynowo tylko w analizie widm mas związków typowo organicznych, okazało się efektywne również w analizie widm związków metaloorganicznych żelaza. W konsekwencji dokonano podziału wszystkich badanych widm na dwie klasy: zawierające grupy karbonylowe (I), bądź nie (II).

This work reports the results of chemometric analysis of 33 low-resolution mass spectra of iron organic derivatives performed to accomplish their classification. Two computer programs had been applied, i.e. MassFeatGen (with modified values of spectral features) and R (for principal component analysis, PCA). Such approach, which has been used routinely only for mass spectra of typical organic compounds, appeared to be effective also for organometalics of iron due to similarity of iron and carbon isotopic profiles. Present study enabled division of all investigated spectra on two classes representing: Ist –carbonyl compounds and IInd – non-carbonyl compounds.

Słowa kluczowe

spektrometria mas analiza chemometryczna klasyfikacja widm mas pochodne organiczne żelaza

mass spectrometry chemometric analysis classification of mass spectra organic derivatives of iron

Wydawca

Stowarzyszenie Inżynierów i Techników Przemysłu Chemicznego, ZW CHEMPRESS-SITPChem

Czasopismo

Chemik

Rocznik

2011

Tom

Vol. 65, nr 4

Strony

267--272

Opis fizyczny

Bibliogr. 16 poz.

Twórcy

autor

Pujszo E. K.

autor

Szymura J. A.

autor

Lamkiewicz J.

autor

Szymura I.

Wydział Technologii i Inżynierii Chemicznej, Uniwersytet Technologiczno-Przyrodniczy, Bydgoszcz

Bibliografia

1. NIST/EPA/NIH Mass Spectral Library. National Institute of Standards and Technology and Advanced Chemistry Development Washington, DC, 2008.
2. Wiley Registry™ of Mass Spectral Data 9th Edition, John Wiley & Sons, Inc. 2009.
3. Stein S.E., Scott D.R.: Optimization and testing of mass spectral library search algorithms for compound identification. Journal of American Society for Mass Spectrometry 1994, 5, 859-866.
4. McLafferty F.W., Stauffer D.A., Loh S.Y., Wesdemiotis C: Unknown identification using reference mass spectra. Quality evaluation of databases. American Society for Mass Spectrometry 1999, 10, 1229-1240.
5. Szymura J.A., Lamkiewicz J.: Band composition analysis: a new procedure for deconvolution of the mass spectra of organometallic compounds. Journal of Mass Spectrometry 2003, 38, 817-822.
6. Meija J.: Mathematical tools in analytical mass spectrometry. Analytical and Bioanalytical Chemistry 2006, 385, 486-499.
7. Varmuza K., Werther W.: Mass spectral classifiers for supporting systematic structure elucidation. Journal of Chemical Information and Computer Sciences 1996, 36, 323-333.
8. Schymanski E.L., Meinert C., Meringer M., Brack W.: The use of MS classifiers and structure generation to assist in the identification of unknowns in effect-directed analysis. Analytica Chimica Acta 2008, 615 (No. 2), 136-147.
9. Varmuza K., Filzmoser R: Introduction to Multivariate Statistical Analysis in Chemometrics. Taylor & Francis - CRC Press, Boca Raton, FL, 2009.
10. Mazerski J.: Podstawy chemometrii. Wydawnictwo Politechniki Gdańskiej, Gdańsk 2000.
11. Aruga R., Mirti P. A., Casoli A., Palla G.: Classification of ancient proteinaceous painting media by the joint use of pattern recognition and factor analysis on GCI MS data. Fresenius’ Journal of Analytical Chemistry 1999, 365, 559-566.
12. Varmuza K.: Recognition of relationships between mass spectral data and chemical structures by multivariate data analysis. Analytical Sciences 2001,17 (supplement), i467-i470.
13. Demuth W., Varmuza K.: MassFeatGen: Software for generation of mass spectral features. Version 107-3, Laboratory for Chemometrics, Vienna University of Technology, www.lcm.tuwien.ac.at, Vienna, Austria 2005.
14. The R project for statistical computing, version 2.9.2. The R Foundation for Statistical Computing, www.r-project.org.
15. Lampen P., Lambert J., Lancashire R.J., McDonald R.S., Mclntyre P.S., Rutledge D.N., Fröhlich T., Davies A.N.: An extension to the JCAMP-DX standard file format, JCAMP-DX V.5.01. Pure and Applied Chemistry 1999, 71 (No. 8), 1549-1556.
16. F.W. McLafferty, F. Tureček: Interpretation of mass spectra, 4th ed. University Science Books, Mill Valley, CA, 1993.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-BPP2-0011-0089