三维荧光结合AWRCQLD测量化妆品中三种添加剂

王玉田， 张 艳*， 商凤凯， 张靖卓， 张 慧， 孙洋洋， 王选瑞， 王书涛

1. 燕山大学河北省测试计量技术及仪器重点实验室， 河北 秦皇岛 066004 2. 天津做票君机器人科技有限公司， 天津 300450

引 言

没食子酸(Gallic acid， GAa)又称五倍子酸， 是一种存在于自然界的多酚类化合物， 作为一种重要的有机原料， 没食子酸广泛的应用于食品、 医疗、 燃料等行业[1]。 同时GAa具有抗菌抗病毒的特性[2]， 以GAa为原料合成的酯类化合物可用作抗氧化剂[3]。 对羟基苯甲酸(p-Hydroxybenzoic acid， p-HA)酯类的抗菌性强、 毒性低与间苯二酚(Resorcinol， RE)均可作为防腐剂添加于化妆品中。

目前检测GAa， p-HA和RE的方法主要有高效液相色谱法(HPLC)、 色谱分析法、 毛细管电泳法等。 但部分检测方法限于实验室且不易小型化。 荧光检测法绿色环保， 操作简便， 成本低， 具有较好应用前景。 国内袁志鹰等[4]使用HPLC测量百合中的对香豆酸和没食子酸， 该方法操作简单， 测量精度高， 但分析成本高， 液相色谱仪价格及日常维护费用贵。 国外Garcia Freitas等[5]使用固定在聚酯树脂上结合Cu3(PO4)的碳纤维复合电极对食物中的丁基羟基茴香醚(BHA)、 和2，6-二叔丁基对甲酚(BHT)进行了检测。 该方法灵敏度高， 检测范围宽， 但选择性差。

本文通过引入第四维—溶剂， 构建了四维光谱数据， 采用三维荧光结合交替加权残差约束四线性分解(AWRCQLD)， 对光谱严重重叠的GAa， p-HA和RE进行测定。

1 理 论

1.1 四线性模型

对于四维数据矩阵Xq， 其数学表示方法类似于三线性成分模型[6-7], 用标量表示为

(1)

i=1, 2, …,I,j=1, 2…,J,

k=1, 2, …,K,l=1, 2, …，L

其中，xijkl是Xq中元素；ain，bjn，ckn和dln分别是矩阵中A(I×N)，B(J×N)，C(K×N)，D(L×N)中的一个元素；eijkl是四维残差阵Eq的一个元素；N为四维数据的组分数[8]。

1.2 交替加权残差约束四线性分解(AWRCQLD)

AWRCQLD是由付海燕[9]提出的， 基于四线性成分模型的不完全扩展矩阵形式， 得到四个新的目标函数

(2)

(3)

(4)

(5)

其中权重矩阵WA=diag(sqrt(1./diagm(ATA)))，WB=diag(sqrt(1./diagm(BTB)))，WC=diag(sqrt(1./diagm(CTC)))，WD=diag(sqrt(1./diagm(DTD)))。λA，λB，λC和λD为约束系数， 用来平衡四不完全扩展矩阵形式的损失函数和加权残差函数这两部分的特性。 由交替最小二乘原理， 交替优化式(2)—式(5)中的目标函数即得到A，B，C，D四个等式

(6)

(7)

(8)

(9)

同时， 算法AWRCQLD与四维平行因子(four-way PARAFAC)相比， AWRCQLD具有对待测组分数不敏感且收敛速度快的特点； AWRCQLD与交替惩罚四线性分解(APQLD)相比， AWRCQLD具有抗噪声能力强的优点。

2 实验部分

2.1 仪器与参数

实验使用的仪器为Edinburgh Instruments公司的FS920稳态荧光光谱仪， 选用GAa， p-HA和RE为待测样品， 设置激发波长为210～330 nm， 间隔4 nm记录一个数据； 发射波长为280～480 nm， 间隔2 nm记录一个数据。 初始发射波长总是滞后激发波长10 nm， 由此可消除一级瑞利散射的干扰。

2.2 材料与样品

实验所用的待测样品GAa， p-HA和RE为纯度大于99.5%的标准样品； 溶剂为甲醇(光谱级)。

溶液配制： 称取GAa标准样品0.005 g， 称取p-HA和RE标准样品各0.01 g， 用甲醇溶液分别溶解于50 mL的容量瓶中， 获得浓度为100 μg·mL-1的一级储备液， 并保存于低温(4 ℃)且避光的环境中。 实验时取5 mL GAa， 10 mL p-HA和10 mL RE的一级储备液， 用甲醇溶液稀释至50 mL，得到浓度为10 μg·mL-1的标准溶液。 取适量的标准溶液， 用甲醇溶液稀释成不同浓度的8组校正样本和7组待测样本。 其中， 三组样本中加入一定量未经处理的液态化妆品。 所配置溶液的具体浓度见表1。

表1 样品配置浓度(μg·mL-1)

注： 表中C1—C8为校正样本， T1—T4为待测样本, L1—L3为加入化妆品的待测样本。

2.3 构建四维光谱

分别以甲醇、 乙醇和超纯水作为溶剂配置样本， 其中3组溶液的配置方法与步骤相同， 最终得到一个四维数据矩阵X=58×69×3×15。 其中58和69为激发和发射波长数， 3为使用的溶剂种类数， 15为样本数。

图1 浓度为4 μg·mL-1的p-HA分别溶解在三种溶剂中的光谱图

由图1可以看出p-HA在三种不同溶剂中的荧光峰位置大致相同， 由图2可以看出相同浓度时， p-HA溶解于甲醇溶剂中的荧光强度最大， 超纯水中的荧光强度最小， 这可能与p-HA在水中溶解度小有关。

图2 p-HA在三种不同溶剂中的荧光峰强度对比

3 结果与讨论

3.1 光谱数据预处理

由于大多数溶剂都会引起较弱的Raman散射， 而Raman散射的会干扰待测物本身的荧光光谱， 使用空白扣除法可以有效去除Raman散射。

3.2 AWRCQLD分析

采用核一致诊断法来确定待测样本的组分数， 得到组分数为3。 采用AWRCQLD算法对待测样本数据进行分解， 得到激发、 发射光谱分解图， 由图3可以看出预测荧光光谱与目标荧光光谱高度重合， 算法得到的目标浓度与相对浓度的相关系数均大于r=0.99， AWRCQLD算法的预测效果令人满意。

图3 激发与发射光谱分解图

AWRCQLD算法的预测浓度如表2所示， 三种物质的回收率为93.3%～106.0%， GAa， p-HA和RE的平均回收率分别为98.3%， 98.4%和98.1%。 GAa， p-HA和RE的预测均方根误差(RMSEP)分别为0.081， 0.011 1和0.001 μg·mL-1。 由表2可以看出AWRCQLD预测浓度效果较好。

表2 使用AWRCQLD算法测得GAa， p-HA和RE的浓度及回收率

4 结 论

结果表明构建四维光谱数据且利用AWRCQLD算法对荧光数据进行分解的效果较好， 由于三阶校正算法AWRCQLD抗噪声的能力较强， 因此本文没有对样本数据进行去噪处理。 可以看出使用AWRCQLD算法能够实现化妆品中GAa， p-HA和RE的快速、 准确检测。