[go: up one dir, main page]

WO2020053919A1 - 蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置 - Google Patents

蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置 Download PDF

Info

Publication number
WO2020053919A1
WO2020053919A1 PCT/JP2018/033371 JP2018033371W WO2020053919A1 WO 2020053919 A1 WO2020053919 A1 WO 2020053919A1 JP 2018033371 W JP2018033371 W JP 2018033371W WO 2020053919 A1 WO2020053919 A1 WO 2020053919A1
Authority
WO
WIPO (PCT)
Prior art keywords
tsnas
raw material
fingerprint information
tobacco raw
fluorescence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2018/033371
Other languages
English (en)
French (fr)
Inventor
啓貴 内藤
巧 小池
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Japan Tobacco Inc
Original Assignee
Japan Tobacco Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Japan Tobacco Inc filed Critical Japan Tobacco Inc
Priority to PCT/JP2018/033371 priority Critical patent/WO2020053919A1/ja
Priority to EP19858975.6A priority patent/EP3851833A4/en
Priority to BR112021002548-0A priority patent/BR112021002548A2/pt
Priority to PCT/JP2019/017019 priority patent/WO2020054120A1/ja
Priority to CN201980059056.5A priority patent/CN112673250B/zh
Priority to TW108115059A priority patent/TW202011015A/zh
Publication of WO2020053919A1 publication Critical patent/WO2020053919A1/ja
Priority to US17/184,204 priority patent/US11860102B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • A—HUMAN NECESSITIES
    • A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
    • A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
    • A24B15/00—Chemical features or treatment of tobacco; Tobacco substitutes, e.g. in liquid form
    • A24B15/10—Chemical features of tobacco products or tobacco substitutes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G01N21/274—Calibration, base line adjustment, drift correction
    • G01N21/278—Constitution of standards
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
    • G01J3/4406—Fluorescence spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6417—Spectrofluorimetric devices
    • G01N2021/6419—Excitation at two or more wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6417—Spectrofluorimetric devices
    • G01N2021/6421—Measuring at two or more wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1293—Using chemometrical methods resolving multicomponent spectra

Definitions

  • the present invention relates to a method, a program, and an apparatus for quantifying TSNAs in a processing raw material using fluorescence fingerprint analysis, and more particularly, to a method, a program, and an apparatus that can be suitably used for quantifying trace components in TSNAs.
  • TSNAs refers to tobacco-specific nitrosamines
  • typical TSNAs include NNN (N′-nitrosonornicotine) and NNK (4-methylnitrosamino-1-3-pyridyl-1). -Butanone), NAT (N′-nitrosoanatabine), and NAB (N′-nitrosoanabacine).
  • a common method for measuring components in a sample is to extract various components in the sample with an extract and quantitate them by high performance liquid gas chromatography (HPLC-MS / MS).
  • HPLC-MS / MS high performance liquid gas chromatography
  • NIR Near-infrared
  • NIR Near-infrared
  • a calibration curve is created and verified using the measured NIR spectrum, and component analysis and quantification are performed using the created calibration curve.
  • the fluorescent fingerprint can be represented as a three-dimensional graph by displaying the fluorescence intensity of each point in a contour shape, a color distribution, or the like (see FIG. 3), or can be represented as a two-dimensional graph (see FIG. 4). ).
  • Such a fluorescent fingerprint shows a unique pattern of a test sample having a large amount of three-dimensional information, and can be used for various discriminations, quantification, and the like.
  • such a fluorescent fingerprint analysis allows for the characterization of a test sample without performing pretreatment such as fluorescent staining on the test sample.
  • the equipment is relatively inexpensive because it can be performed in a short time, the amount of information is large and quantification can be performed relatively easily, nondestructive and non-contact measurement is possible, and ultraviolet to visible light is used. It has such advantages.
  • fluorescence spectrophotometer that scans the excitation wavelength and continuously measures each fluorescence spectrum is required, but a fluorescence spectrophotometer that has such a function is also commercially available. (Hitachi High-Tech Science F-7000, etc.).
  • NIR is applied to TSNAs measurement.
  • NIR has the following problems, for example, and it is difficult to adopt NIR. (1) It does not have sufficient sensitivity to measure the TSNAs concentration band in tobacco raw materials. (2) Since the peaks of TSNAs and nicotine in the sample overlap and nicotine is much more abundant, the TSNAs peak is buried in the nicotine peak, making it difficult to identify the TSNAs peak. is there.
  • the present inventors have devised a novel method for quantifying TSNAs using fluorescent fingerprint analysis.
  • the outline of the method will be described.
  • the present inventors have studied the four types of TSNAs present in the processing raw material (tobacco raw material). As a result, even when the contents of the four types of TSNAs are different, the ratio of the contents (the presence of each TSNA) Ratio), there was no significant difference between tobacco materials of the same tobacco species.
  • the sum of the four types of TSNAs is taken into account.
  • the amounts were quantified, and it was concluded that four types of TSNAs could be quantified based on the total amount and the known abundance ratio of each TSNA.
  • a fluorescent fingerprint information obtaining step of obtaining fluorescent fingerprint information comprising data of excitation wavelength, fluorescence wavelength and fluorescence intensity for a tobacco raw material containing four tobacco-specific nitrosamines (TSNAs) of NNN, NNK, NAT and NAB; Information as an explanatory variable, an estimated model creating step of obtaining a calibration curve, as a target variable, the total amount of the contents of the four TSNAs calculated from known quantitative values of the four TSNAs in the tobacco raw material, The total amount estimation for estimating the total amount of the four TSNAs contained in the tobacco raw material based on the calibration curve and the fluorescent fingerprint information of the tobacco raw material whose contents of the four types of TSNAs are unknown.
  • TSNAs tobacco-specific nitrosamines
  • a content estimation step of estimating the content of the four TSNAs based on the estimated total content of the four TSNAs and the known abundance of the four TSNAs Includes tobacco by fluorescent fingerprint analysis How to determine this raw material.
  • Aspect 2 The method for quantifying tobacco raw material by fluorescence fingerprint analysis according to aspect 1, wherein the calibration curve is created by multivariate analysis in the estimation model creation step.
  • Aspect 3 The method for quantifying a tobacco raw material by fluorescence fingerprint analysis according to aspect 2, wherein the multivariate analysis is a PLS regression analysis.
  • Aspect 4 The method for quantifying tobacco raw material by fluorescent fingerprint analysis according to any one of aspects 1 to 3, further comprising a preprocessing step including a deletion process for the fluorescent fingerprint information.
  • a program for causing a computer to execute the method according to aspects 1 to 8. Enter fluorescent fingerprint information consisting of excitation wavelength, fluorescence wavelength, and fluorescence intensity data for tobacco raw materials containing four tobacco-specific nitrosamines (TSNAs) of NNN, NNK, NAT and NAB, and use the fluorescent fingerprint information as an explanatory variable.
  • TSNAs tobacco-specific nitrosamines
  • the apparatus according to aspect 10 further comprising preprocessing means for performing preprocessing on the fluorescent fingerprint information.
  • the pre-processing includes a deletion process on the fluorescent fingerprint information.
  • a“ program ” is a data processing method described based on an arbitrary language or description method, and does not ask the form of a source code, a binary code, or the like.
  • the “program” may be configured in a single form, but may be configured in a distributed manner as a plurality of modules or libraries, and may be configured to achieve its function in cooperation with other existing programs. It may be configured.
  • the “apparatus” may be configured as hardware, or may be configured as a combination of function realizing means for realizing various functions by computer software.
  • the function realizing means may include, for example, a program module.
  • TSNAs contained in the raw material for processing can be quantified quickly and accurately.
  • FIG. 1 is a flowchart for explaining an outline of an embodiment of the present invention.
  • FIG. 2 is an explanatory diagram illustrating an outline of a spectrum of fluorescence emitted from the measurement target when the measurement target is irradiated with excitation light.
  • FIG. 3 is a contour graph showing a three-dimensional example of a fluorescent fingerprint.
  • FIG. 4 is a contour graph showing a two-dimensional example of a fluorescent fingerprint.
  • FIG. 5 is a diagram illustrating an example of a fluorescent fingerprint of a sample.
  • FIG. 6 is a diagram illustrating an example of a fluorescent fingerprint of a sample containing a TSNAs reagent.
  • FIG. 1 is a flowchart for explaining an outline of an embodiment of the present invention.
  • FIG. 2 is an explanatory diagram illustrating an outline of a spectrum of fluorescence emitted from the measurement target when the measurement target is irradiated with excitation light.
  • FIG. 3 is a contour graph showing a three-dimensional example
  • FIG. 7 is a graph in which the points defined by the sum of the contents of four types of TSNAs and the estimated value based on the fluorescent fingerprint information are plotted for a plurality of samples.
  • FIG. 8 is a block diagram for explaining an outline of another embodiment of the present invention.
  • FIG. 1 is a flowchart for explaining an outline of an embodiment of the present invention.
  • test sample tobacco raw material having a known content of four kinds of TSNAs is prepared (S01), and a fluorescent fingerprint is measured on such a known test sample to obtain fluorescent fingerprint information (S02). ).
  • preprocessing is performed on the acquired fluorescent fingerprint information as necessary (S03). Note that this preprocessing can be omitted. Details of the pre-processing will be described later.
  • an estimation model (calibration curve) is created (S04). Specifically, this modeling is performed by using various multivariate analysis methods and data mining methods by using the obtained fluorescent fingerprint information as an explanatory variable and an estimation formula using the total amount of four kinds of TSNAs as an objective variable. This is performed by constructing a calibration curve (regression equation) for estimating the total amount of four types of TSNAs in the test sample from the fluorescent fingerprint information.
  • the algorithm used for constructing the estimation formula may be a machine learning algorithm that is more general and supports nonlinear phenomena, such as support vector machine (SVM), random forest (RF), and neural network. An example of a multivariate analysis method used for modeling will be described later.
  • the four TSNAs contained as components in the unknown processing raw material (tobacco raw material) based on the fluorescent fingerprint information of the unknown processing raw material (tobacco raw material) using the estimated model (calibration curve) whose effectiveness has been confirmed Is estimated (S06).
  • FIG. 8 is a block diagram for explaining an outline of another embodiment of the present invention.
  • the TSNAs quantification apparatus 100 for quantifying TSNAs in a processing raw material using fluorescent fingerprint analysis receives fluorescent fingerprint information including data of excitation wavelength, fluorescent wavelength, and fluorescent intensity for a sample (tobacco raw material), and inputs the information.
  • Estimation model creating means 120 for obtaining a calibration curve, using the total amount of species of TSNAs as a target variable, and the calibration curve acquired by the estimation model creating means 120 and fluorescent fingerprint information of an unknown processing material (tobacco material).
  • the obtained fluorescent fingerprint information is input to the preprocessing means 110, and preprocessing is performed on the input fluorescent fingerprint information. Note that this preprocessing can be omitted. Details of the pre-processing when the pre-processing is performed will be described later.
  • the estimation model creating means 120 models the relationship between the preprocessed fluorescent fingerprint information and the total amount of the four types of TSNAs, and creates an estimation model (calibration curve). This modeling is similar to the above-described embodiment of the present invention. Then, the estimation model (calibration curve) thus constructed is verified, its validity is confirmed, and the estimation model (calibration curve) whose validity is confirmed is stored in a memory (not shown) or the like.
  • the total amount estimating means 130 stores the unknown processing material (tobacco raw material) into the unknown processing material (tobacco raw material) based on the fluorescent fingerprint information of the unknown processing material (tobacco raw material) using an estimation model (calibration curve) whose effectiveness has been confirmed.
  • the total amount of the four TSNAs contained as components is estimated. It is desirable to perform pre-processing by the pre-processing means 110 also on the fluorescent fingerprint information of the unknown sample (the TSNAs quantification device 100 in FIG. 8 adopts such a configuration), but it is necessary. , Such pre-processing can be omitted.
  • the content estimating means 140 estimates the content of the four TSNAs based on the estimated total amount of the four TSNAs and the known abundance of each TSNA.
  • the information on the known abundance ratio of each TSNA may be stored in the content estimating means 140 or the TSNAs quantification device 100 in advance, or may be provided to the TSNAs quantification device 100 from outside.
  • Multivariate analysis method used for modeling As a multivariate analysis method used in modeling, various analysis methods such as PLS (Partial Least Squares) regression analysis, multiple regression analysis, principal component regression analysis, and least square method can be used.
  • PLS Partial Least Squares
  • PLS regression analysis is a method of extracting a principal component so that the covariance between the principal component and the objective variable is maximized, and is effective when there is a strong correlation between explanatory variables (when multicollinearity occurs).
  • Principal component regression analysis is a method of extracting principal components so that the variance of the principal components is maximized.Principal component analysis is performed using only explanatory variables, and the minimum between the obtained principal components and the objective variable is calculated. This is to perform multiple regression analysis by the square method.
  • the multiple regression analysis applies the least squares method between the explanatory variable and the objective variable, and has characteristics different from those of the principal component regression analysis.
  • the present invention recognizes the sum of the four types of TSNAs as the peak of the fluorescent fingerprint, and employs a method of extracting this peak, whereby components such as NNK and NAB that are difficult to quantify alone can be used.
  • the total amount of the four types of TSNAs which also takes into account the quantitative value, is quantified, and the four types of TSNAs can be quantified based on the total amount and the known abundance ratio of each TSNA.
  • FIG. 5 is a diagram illustrating an example of a fluorescent fingerprint of a sample. Burley seed was used as a sample, and the total of four kinds of TSNAs contained in this sample was 2.856 ⁇ g / g. It should be noted that the sample is subjected to processing based on adjustment conditions as described later.
  • FIG. 6 is a diagram showing an example of a fluorescent fingerprint of a sample containing a TSNAs reagent.
  • the standard was prepared by mixing four TSNAs reagents in an ethanol solution at substantially the same ratio as that of the Burley species, and the total of the four TSNAs contained in the standard was 1.28 ⁇ g / g.
  • the measurement conditions of the fluorescent fingerprint were the same for both, the excitation light was 200-600 nm, fluorescence 200-700 nm, resolution 2.5 nm, slit width 2.5 nm, and photomultiplier sensitivity 950 V.
  • the fluorescent fingerprint information of the four types of TSNAs confirmed in the sample of FIG. 6 is the sample of FIG. (Refer to the region of the elliptical frame marked with “A” in FIG. 5 (“region A”)).
  • the area A ′ in FIG. 6 has a shape similar to that of the area A in FIG. In FIG. 5, many bands are saturated due to the influence of the fluorescence of other materials in the sample (because the sensitivity is set to the maximum value). Is identifiable, and the influence of impurities is considered to be low.
  • test sample tobacco raw material
  • the sample is crushed to a certain particle size (1 mm diameter) or less before measurement, and a fluorescent fingerprint is obtained after sufficient mixing as described above. Is preferred.
  • the contents of the four types of TSNAs in each sample were determined in advance by high performance liquid gas chromatography (HPLC-MS / MS).
  • test samples used were stored in advance to stabilize the water content.
  • the test sample is stored for 24 hours or more under harmonized conditions (in a room at 22 degrees and 60%). By keeping the water content constant before the measurement, the peak shift of the fluorescence hardly occurs.
  • the measurement conditions were as follows: excitation light 200-600 nm, fluorescence 200-700 nm, resolution 2.5 nm, slit width 2.5 nm, photomultiplier sensitivity 950 V. Considering a resolution of 5 nm, the measurement wavelength allows at least an error of about 5 nm.
  • the measured value of the fluorescent fingerprint (fluorescence spectrum for each excitation wavelength) can be used as it is, but it is necessary to perform various pretreatments as necessary.
  • a preprocessing method for removing noise from the measured fluorescent fingerprint to obtain effective fluorescent fingerprint information for example, one of non-fluorescent component removal processing, scattered light removal processing, and low-sensitivity area deletion processing can be used. One or more combinations can be employed. In addition, one or more of arithmetic processing such as centering, normalization, standardization, baseline correction, smoothing, auto-scaling, logarithmic conversion (Log10), and second derivative processing on the acquired fluorescent fingerprint information are performed. Combinations can also be employed as pre-processing. As a processing order when a plurality of arithmetic processings are combined, for example, logarithmic transformation (Log10) ⁇ secondary differentiation ⁇ normalize ⁇ auto scaling (autoscale) can be adopted.
  • VIP Variable important projection
  • iPLS interval PLS
  • G Genetic algorithms
  • e Jack-knife analysis
  • F Forward interval PLS
  • BiPLS Backward interval PLS
  • G Synergy interval PLS (siPLS)
  • H LASSO type method
  • the order of application of the pre-processing can be set as appropriate, but from the viewpoint of processing efficiency, it is desirable to precede processing such as non-fluorescent component removal processing, scattered light removal processing, and low sensitivity area deletion processing.
  • the pre-processing is not necessarily limited to this method.
  • the calibration curve uses the acquired fluorescent fingerprint information as an explanatory variable and the total amount of four types of TSNAs as an objective variable, and uses, for example, PLS regression analysis (hereinafter sometimes simply referred to as “PLS”). To create.
  • PLS regression analysis hereinafter sometimes simply referred to as “PLS”.
  • an explanatory variable X (matrix) and an objective variable y (vector) satisfy the following two basic expressions (1) and (2).
  • X TP T + E
  • y Tq + f
  • T is a latent variable (matrix)
  • P loading (matrix)
  • E is a residual (matrix) of the explanatory variable X
  • q is a coefficient (vector)
  • f is a residual of the objective variable (vector)
  • P T Is the transposed matrix of P.
  • the PLS does not directly use the information of the explanatory variable X for modeling the objective variable y, but converts part of the information of the explanatory variable X into a latent variable t, and models the objective variable y using the latent variable t. Is what you do.
  • the number of latent variables can be determined, for example, using a predictive explanatory variance value obtained by cross-validation as an index.
  • Latent variables may also be called principal components.
  • the above (1) and (2) are represented by the following (3) and (4).
  • X t 1 p 1 T + E (3)
  • y t 1 q 1 + f (4)
  • t 1 is a latent variable (vector)
  • p 1 is loading (vector)
  • q 1 is a coefficient (scalar).
  • t 1 Xw 1 (5)
  • w 1 is a standardized weight vector.
  • PLS is a covariance y T t 1 between y and t 1
  • the norm of w 1 is 1 (
  • 1 ) is intended to determine the t 1 that maximizes under the condition that, t 1 May be calculated using the so-called Lagrange multiplier method. Since the calculation method using the Lagrange's undetermined multiplier method is well known, the details of the calculation are omitted, and only the calculation results regarding w 1 , p 1 , and q 1 are shown as (6) to (8) below.
  • t 1 in the equations (7) and (8) is a vector calculated by substituting w 1 obtained in the equation (6) into the equation (5).
  • a plurality of samples with known contents of four types of TSNAs in the sample were used as a calibration sample group for use in creating the calibration curve.
  • the sample is prepared separately for a validation sample group for verifying the calibration curve to confirm the effectiveness.
  • 40 samples were prepared as calibration samples, and 19 samples were prepared as validation samples.
  • the wavelength is limited to about 1000 wavelengths by VIP, the present invention is not limited to this.
  • the above-described PLS regression analysis (for example, the number of latent factors is 6) is applied to the calibration sample group, and a calibration curve for estimating the total amount of the four TSNAs from the acquired fluorescent fingerprint information is created.
  • the total amount of the four types of TSNAs in each sample used to create the calibration curve was determined by the high-performance liquid gas chromatography (HPLC-MS / MS) in advance. It is determined by adding the content of TSNAs.
  • the total amount of the four TSNAs is estimated from the acquired fluorescent fingerprint information using the calibration curve, and the calibration curve is verified.
  • the abscissa indicates the measured value (chemical analysis value) by high performance liquid gas chromatography (HPLC-MS / MS), and the ordinate indicates the estimated value of the total amount of four kinds of TSNAs based on the fluorescent fingerprint.
  • the preprocessing for the acquired fluorescent fingerprints can be omitted, but the same preprocessing as the preprocessing performed when the calibration curve was obtained should be performed. Can also.
  • the known abundance ratio of each TSNA is a: b: c:
  • the total amount of the four TSNAs is calculated by multiplying a / (a + b + c + d), b / (a + b + c + d), c / (a + b + c + d), and d / (a + b + c + d).
  • TSNAs quantification device 110 preprocessing means
  • estimation model creation means 130 total amount estimation means

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

蛍光指紋情報を用いて、たばこ原料中に含まれる４種のTSNAsの定量を迅速且つ的確に行う。　４種のTSNAsの含有量が既知のたばこ原料を準備し（Ｓ０１），蛍光指紋情報を取得する（Ｓ０２）。この蛍光指紋情報に対し必要に応じて前処理を行い（Ｓ０３）、蛍光指紋情報から４種のTSNAsの総和量を推定する推定モデル（検量線）を作成する（Ｓ０４）。検量線の検証（Ｓ０５）後、未知のたばこ原料に適用して未知のたばこ原料に含有される４種のTSNAsの総和量を推定する（Ｓ０６）。４種のTSNAsの総和量の推定値と各TSNAの既知の存在比率に基づき、４種のTSNAsの含有量を推定する（Ｓ０７）。

Description

蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置
　本発明は、蛍光指紋分析を利用した処理原料中のTSNAs定量方法、プログラム及び装置に関し、特に、TSNAs中の微量成分の定量に好適に利用し得る定量方法、プログラム及び装置に関する。
　なお、TSNAsとは、たばこ特異ニトロソアミン（Tobacco-specific nitrosamines）を指し、典型的なTSNAsとしては、NNN （N'-ニトロソノルニコチン）、NNK（ 4-メチルニトロソアミノ-1-3-ピリジル-1-ブタノン）、NAT（ N'-ニトロソアナタビン）、NAB（N'-ニトロソアナバシン）の４種が挙げられる。
　試料中の成分を測定する一般的な方法は、試料中の各種成分を抽出液で抽出し、これを高速液体ガスクロマトグラフ（HPLC-MS/MS）で定量するものである。しかし、この方法は、サンプルの前処理や測定に労力と時間を要する。
　試料中の成分を分析・定量するために、サンプルの前処理が不要で非破壊分析が可能な成分分析・定量手法として、近赤外（Near-Infrared）分光分析（NIR）による分析・定量が知られている。NIRは、測定されたNIR スペクトルを用いて検量線の作成と検証を行い、作成された検量線を用いて成分分析及び定量を行うものである。
　また、サンプルの前処理が不要で非破壊分析が可能な成分分析・定量手法として、蛍光指紋情報を利用した分析・定量も知られている（例えば、特許文献１等参照）。このような蛍光指紋分析は、測定・取得された蛍光指紋情報を用いて検量線の作成と検証を行い、作成された検量線を用いて成分分析及び定量を行うものである点で、NIRと一部特徴を共有するものである。以下、蛍光指紋及び蛍光指紋分析についての概略を簡単に説明しておく。
　図２に示すように、蛍光物質を含む試験試料に、段階的に波長を変化させながら励起光を照射し、試験試料から発せられる光（蛍光）を測定すると、励起波長（λＥｘ）、蛍光波長（測定波長）（λＥｍ）、蛍光強度（ＩＥｘ，Ｅｍ）を３直交軸とする3次元空間において、対応するポイントがプロットされる。
　これらのポイントの集合を可視化したものを、蛍光指紋、または、励起蛍光マトリクス（Excitation Emission Matrix；ＥＥＭ）と呼ぶ。
　蛍光指紋は、各ポイントの蛍光強度を等高線形状や色分布等で表示することにより、３次元グラフとして表すことができ（図３参照）、また、２次元グラフとして表すこともできる（図４参照）。
　このような蛍光指紋は、３次元の膨大な情報を有する試験試料固有のパターンを示しており、各種の鑑別や定量等に使用できる。
　このような蛍光指紋分析は、他の分光分析手法と比較して、試験試料に対して蛍光染色などの前処理を行うことなく試験試料のキャラクタリゼーションが可能であること、操作が容易で計測も短時間で行えること、情報量が多く定量も比較的容易に行えること、非破壊・非接触での計測が可能であること、紫外～可視光を用いていることから装置が比較的安価であること、などの長所を有している。
　蛍光指紋を計測するには、励起波長をスキャンして、それぞれの蛍光スペクトルを連続的に計測する機能を有する蛍光分光光度計が必要であるが、このような機能を有する蛍光分光光度計も市販されている（日立ハイテクサイエンス社製Ｆ－7000等）。
特開２０１８－４０７７９号公報
　高速液体ガスクロマトグラフ（HPLC-MS/MS）をTSNAs測定に適用した場合には、前述のように、サンプルの前処理や測定に労力と時間を要する。
　また、NIRをTSNAs測定に適用することが考えられるが、NIRには、例えば、次のような問題があり、NIRの採用は困難である。
（１）たばこ原料中のTSNAs濃度帯を測定するための十分な感度を有していない。
（２）試料中のTSNAsとニコチンのピークが重複し、さらにニコチンの方が存在量が遥かに多いため、TSNAsのピークがニコチンのピークに埋もれてしまい、TSNAsのピークを識別することが困難である。
　そこで、NIRよりも高感度に設定することが可能な蛍光指紋分析をTSNAs測定に適用することが考えられる。この場合には、NIRと比較して、精密な化学構造の相違まで考慮した測定が可能であるため、ニコチンとTSNAsのピーク位置を識別することは可能である。しかしながら、上述の４種のTSNAsのうち、特に、NNKとNABについては、たばこ原料中に存在する量が非常に微量であるため、蛍光指紋分析を単に用いても、それら成分を単独で定量することは困難である。
　前述のような課題を解決するために、本発明者等は、蛍光指紋分析を利用してTSNAsを定量するための新規な手法を案出した。以下、当該手法について、その概要を説明する。
　本発明者等は、処理原料（たばこ原料）に存在する４種のTSNAsについて検討した結果、４種のTSNAsの含有量が異なる場合であっても、それらの含有量の比（各TSNAの存在比率）は、たばこ種が同一のたばこ原料では大きな差異がないという知見を得た。
　換言すれば、たばこ種が同一のたばこ原料に存在する４種のTSNAsの含有量（例えば、重量％）を、それぞれ、NNN：ａ，NAT：ｂ，NNK：ｃ，NAB：ｄとした場合に、それらの間の比（各TSNAの存在比率）、ａ：ｂ：ｃ：ｄは、同一のたばこ種においては略一定であるとの知見が得られた。たばこ種としてバーレー種を例に取れば、ａ：ｂ：ｃ：ｄ＝５５：３５：８：２程度の数値が得られている。
　そして、上述のような知見に基づき更に検討したところ、４種のTSNAsの４つのピークを全体として１つのピークとして捉えた場合、当該１つのピークは、成分量によりピークの高さは変化するものの、たばこ種が同一のたばこ原料においては、概ね類似する形状になることが判明した（詳細は後述）。
　それにより、４種のTSNAsの総和を蛍光指紋のピークとして認識し、このピークを抽出することにより、NNKやNABのような単独では定量が難しい成分の定量値も加味した４種のTSNAsの総和量を定量し、該総和量と各TSNAの既知の存在比率に基づき４種のTSNAsを定量することが可能であるとの結論が得られた。
　本発明は、上述のような検討結果に基づき案出されたものであり、本発明の実施の態様を例示すれば、以下のとおりである。
（態様１）
　NNN、NNK、NAT及びNABの４種のたばこ特異ニトロソアミン（TSNAs）を含むたばこ原料について励起波長・蛍光波長・蛍光強度のデータからなる蛍光指紋情報を取得する蛍光指紋情報取得工程と、前記蛍光指紋情報を説明変数とし、前記たばこ原料中の４種のTSNAsの既知の定量値から算出される前記４種のTSNAsの含有量の総和量を目標変数として、検量線を取得する推定モデル作成工程と、前記検量線と前記４種のTSNAsの含有量が未知のたばこ原料の蛍光指紋情報とに基づき、前記たばこ原料に含有される前記４種のTSNAsの含有量の総和量を推定する総和量推定工程と、前記推定された前記４種のTSNAsの含有量の総和量と前記４種のTSNAsの既知の存在比率に基づき、前記４種のTSNAsの含有量を推定する含有量推定工程と、を含む、蛍光指紋分析によるたばこ原料の定量方法。
（態様２）
　前記推定モデル作成工程において、多変量解析によって上記検量線を作成することを特徴とする態様１に記載の蛍光指紋分析によるたばこ原料の定量方法。
（態様３）
　前記多変量解析は、PLS回帰分析であることを特徴とする態様２に記載の蛍光指紋分析によるたばこ原料の定量方法。
（態様４）
　前記蛍光指紋情報に対する削除処理を含む前処理工程を更に含むことを特徴とする態様１～３に記載の蛍光指紋分析によるたばこ原料の定量方法。
（態様５）
　前記試験試料は、励起光の照射前に粉末状に粉砕・混合されることを特徴とする態様１～４に記載の蛍光指紋分析によるたばこ原料の定量方法。
（態様６）
　前記試験粉砕によって、試料が１ｍｍ以下の粒径とされることを特徴とする態様５に記載の蛍光指紋分析によるたばこ原料の定量方法。
（態様７）
　前記たばこ原料は、事前に水分量を一定化するために、所定の調和条件で所定時間蔵置されることを特徴とする態様１～６に記載の蛍光指紋分析によるたばこ原料の定量方法。
（態様８）
　前記調和条件は、温度２２℃、湿度６０％の室内という条件であり、前記所定時間は２４時間以上であることを特徴とする態様７に記載の蛍光指紋分析によるたばこ原料の定量方法。
（態様９）
　コンピュータに態様１～８に記載の方法を実行させるためのプログラム。
（態様１０）
　NNN、NNK、NAT及びNABの４種のたばこ特異ニトロソアミン（TSNAs）を含むたばこ原料についての励起波長・蛍光波長・蛍光強度のデータからなる蛍光指紋情報を入力し、前記蛍光指紋情報を説明変数とし、前記たばこ原料中の４種のTSNAsの既知の定量値から算出される前記４種のTSNAsの含有量の総和量を目標変数として、検量線を取得する推定モデル作成手段と、前記検量線と前記４種のTSNAsの含有量が未知のたばこ原料の蛍光指紋情報とに基づき、前記たばこ原料に含有される前記４種のTSNAsの含有量の総和量を推定する総和量推定手段と、前記推定された前記４種のTSNAsの含有量の総和量と前記４種のTSNAsの既知の存在比率に基づき、前記４種のTSNAsの含有量を推定する含有量推定手段と、を具備することを特徴とする装置。
（態様１１）
　前記蛍光指紋情報に対して前処理を行う前処理手段を更に具備することを特徴とする態様１０に記載の装置。
（態様１２）
　前記前処理は、前記蛍光指紋情報に対する削除処理を含むことを特徴とする態様１１に記載の装置。
　なお、「プログラム」とは、任意の言語や記述方法に基づき記述されたデータ処理方法であり、ソースコードやバイナリコード等の形式を問うものではない。また、「プログラム」は単一の形で構成されてもよいが、複数のモジュールやライブラリとして分散構成されてもよく、また、他の既存のプログラムと協働してその機能を達成するように構成されたものであってもよい。
　また、「装置」は、ハードウエアとして構成されてもよいが、コンピュータのソフトウエアによって各種機能を実現する機能実現手段の組合せとして構成されてもよい。機能実現手段には、例えば、プログラムモジュールが含まれ得る。
　本発明によれば、処理原料中に含まれる４種のTSNAsの定量を迅速且つ的確に行うことができる。
図１は、本発明の実施の一態様の概要を説明するためのフローチャートである。 図２は、計測対象物に励起光を照射した場合に該計測対象物から発せられた蛍光のスペクトルの概要を示す説明図である。 図３は、蛍光指紋の一例を３次元的に示す等高線形状のグラフである。 図４は、蛍光指紋の一例を２次元的に示す等高線形状のグラフである。 図５は、サンプルの蛍光指紋の一例を表す図である。 図６は、TSNAs試薬を含む標品の蛍光指紋の一例を表す図である。 図７は、複数のサンプルについて、４種のTSNAsの含有量の総和量と蛍光指紋情報による推定値によって規定される点をプロットしたグラフである。 図８は、本発明の実施の別の一態様の概要を説明するためのブロック図である。
　以下、本発明の実施の態様を説明するが、以下に説明する実施の態様により、本発明が限定されるものではないことに留意されたい。
＜本発明の実施の一態様の概要＞
　図１は、本発明の実施の一態様の概要を説明するためのフローチャートである。
　最初に、４種のTSNAsの含有量が既知の試験試料（たばこ原料）を準備し（Ｓ０１）、このような既知の試験試料に対して蛍光指紋を測定し、蛍光指紋情報を取得する（Ｓ０２）。
　次に、取得された蛍光指紋情報に対し、必要に応じて前処理を行う（Ｓ０３）。なお、この前処理は省略することもできる。前処理の詳細は後述する。
　次に、取得された蛍光指紋情報と試験試料に含まれる４種のTSNAsの総和量との関係をモデル化し、推定モデル（検量線）を作成する（Ｓ０４）。このモデル化は、具体的には、取得された蛍光指紋情報を説明変数、４種のTSNAsの総和量を目的変数とする推定式を、様々な多変量解析手法やデータマイニング手法を使用して構築することにより行われ、蛍光指紋情報から試験試料中の４種のTSNAsの総和量を推定する検量線（回帰式）が作成される。なお、推定式の構築に用いるアルゴリズムはより汎用的かつ非線形現象にも対応する機械学習アルゴリズム、例えばsupport vector machine (SVM), random forest (RF), neural networkなどでも良い。モデル化の際に用いられる多変量解析手法の例は後述する。
　このようにして構築された推定モデル（検量線）を検証し、その有効性を確認する（Ｓ０５）。
　有効性が確認された推定モデル（検量線）を用いて、未知の処理原料（たばこ原料）の蛍光指紋情報に基づき、前記未知の処理原料（たばこ原料）中に成分として含まれる４種のTSNAsの総和量を推定する（Ｓ０６）。
　推定された４種のTSNAsの総和量と各TSNAの既知の存在比率に基づき、４種のTSNAsの含有量を推定する（Ｓ０７）。
＜本発明の実施の別の一態様の概要＞
　図８は、本発明の実施の別の一態様の概要を説明するためのブロック図である。
　蛍光指紋分析を利用した処理原料中のTSNAsの定量を行うためのTSNAs定量装置１００は、試料（たばこ原料）についての励起波長・蛍光波長・蛍光強度のデータからなる蛍光指紋情報を入力とし、入力された蛍光指紋情報に対して前処理を行う前処理手段１１０と、前記前処理手段１１０の出力を入力とし、前処理が実施された蛍光指紋情報を説明変数とし、前記試験試料に含まれる４種のTSNAsの総和量を目標変数として、検量線を取得する推定モデル作成手段１２０と、前記推定モデル作成手段１２０により取得された前記検量線と未知の処理原料（たばこ原料）の蛍光指紋情報とに基づき、前記未知の処理原料（たばこ原料）中に成分として含まれる４種のTSNAsの総和量を推定する総和量推定手段１３０と、推定された４種のTSNAsの総和量と各TSNAの既知の存在比率に基づき、４種のTSNAsの含有量を推定する含有量推定手段１４０とを具備している。なお、前処理手段１１０は省略することもできる。
　まず、既知の蛍光分光光度計等を用いて、成分の種類や含有量が既知の試験試料の蛍光指紋情報を取得する。
　次に、取得された蛍光指紋情報を前記前処理手段１１０に入力し、入力された蛍光指紋情報に対する前処理を行う。なお、この前処理は省略できる。また、前処理を行う場合の前処理の詳細は後述する。
　次に、推定モデル作成手段１２０により、前処理済みの蛍光指紋情報と４種のTSNAsの総和量との関係をモデル化し、推定モデル（検量線）を作成する。このモデル化は、前述の本発明の実施の一態様と同様である。そして、このようにして構築された推定モデル（検量線）を検証し、その有効性を確認し、有効性が確認された推定モデル（検量線）を不図示のメモリ等に記憶しておく。
　総和量推定手段１３０は、有効性が確認された推定モデル（検量線）を用いて、未知の処理材料（たばこ原料）の蛍光指紋情報に基づき、前記未知の処理材料（たばこ原料）に中に成分として含まれる４種のTSNAsの総和量を推定する。なお、未知の試料の蛍光指紋情報に対しても、前記前処理手段１１０による前処理を行うことが望ましい（図８のTSNAs定量装置１００は、そのような構成を採用している）が、必要に応じてこのような前処理を省略することもできる。
　含有量推定手段１４０は、推定された４種のTSNAsの総和量と各TSNAの既知の存在比率に基づき、４種のTSNAsの含有量を推定する。なお、各TSNAの既知の存在比率の情報は、含有量推定手段１４０、又は、TSNAs定量装置１００に予め格納されていてもよく、外部からTSNAs定量装置１００に与えられるようにしてもよい。
＜モデル化の際に用いられる多変量解析手法＞
　モデル化の際に用いられる多変量解析手法として、ＰＬＳ（Partial Least Squares）回帰分析、重回帰分析、主成分回帰分析、最小二乗法等の各種の解析手法を用いることができる。
　ＰＬＳ回帰分析は、主成分と目的変数との共分散が最大になるように主成分を抽出する手法であり、説明変数の間に強い相関がある場合（多重共線性を生ずる場合）に有効な手法である。
　主成分回帰分析は、主成分の分散が最大になるように主成分を抽出する手法であり、説明変数のみを用いて主成分分析を行い、得られた主成分と目的変数との間で最小二乗法による重回帰分析を行うものである。
　重回帰分析は、説明変数と目的変数との間で最小二乗法を適用するものであり、主成分回帰分析とは異なる特徴を有するものである。
　なお、上述の各解析手法自体は周知であり、本発明はモデル化の際に特殊な処理を要請するものでもないので処理内容の詳細は省略するが、ＰＬＳに関しては、検量線の作成との関連で後述する。
＜４種のTSNAsの総和を蛍光指紋のピークとして認識し、このピークを抽出するという手法について＞
　本発明は、前述のように、４種のTSNAsの総和を蛍光指紋のピークとして認識し、このピークを抽出するという手法を採用することにより、NNKやNABのような単独では定量が難しい成分の定量値も加味した４種のTSNAsの総和量を定量し、該総和量と各TSNAの既知の存在比率に基づき４種のTSNAsを定量することを可能とするものである。
　図５及び図６を参照し、４種のTSNAsの４つのピークを全体として１つのピークとして捉えた場合、ピークの高低に拘らず、ピークの形状は、たばこ種が同一のたばこ原料においては、概ね類似する形状になることを説明する。
　図５は、サンプルの蛍光指紋の一例を表す図である。サンプルとしてバーレー種を用い、このサンプルに含まれる４種のTSNAsの総和は２．８５６μｇ/ｇであった。なお、サンプルに対しては、後述するような調整条件に基づく処理が施されている。
　図６は、TSNAs試薬を含む標品の蛍光指紋の一例を表す図である。標品は、４種のTSNAsの試薬をバーレー種と略同一の比率でエタノール溶液に混合して作成され、この標品に含まれる４種のTSNAsの総和は１．２８μｇ/ｇであった。
　なお、蛍光指紋の測定条件は、両者とも同一で、励起光２００－６００nm, 蛍光２００－７００nm, 分解能２．５nm, スリット幅２．５nm，フォトマル感度９５０Vであった。
　図５の蛍光指紋情報と図６の蛍光指紋情報とを対比すると、概略、以下のような知見が得られる。
・図６の標品で確認された４種のTSNAsの蛍光指紋情報（図６の「Ａ’」が付された楕円形枠の領域（「領域Ａ’」）参照）が、図５のサンプルにおいても確認された（図５の「Ａ」が付された楕円形枠の領域（「領域Ａ」）参照）。
・図６の領域Ａ’は、図５の領域Ａと比較すると、蛍光指紋情報のピークの高さに違いはあるものの、両者は略類似する形状を有している。
・図５においては、サンプル中の他の材料の蛍光による影響により、多くの帯域がサチレーションを起こしている（感度を最大値に取っているため）が、このような状況下においても、領域Ａは識別可能であり、夾雑物の影響は低いものと考えられる。
・実際の測定に当たっては、サチレーションの発生が予測される帯域の蛍光指紋情報を削除することにより、TSNAsの蛍光指紋情報の差別化を図ることが有効と考えられる。また、前処理に関しても、例えば、２次微分等のサチレーションが他波長に影響を与える可能性のある処理を避けることが有効と考えられる。
　以下、本発明の実施の一態様の各工程について説明する。
〔試験試料（たばこ原料）の準備〕
　４種のTSNAsの含有量が既知の各サンプルについて、粒径１ｍｍ以下に粉砕し十分に混合したものを試験試料として用意した。
　４種のTSNAsがたばこ原料中に局在する可能性もあることから、このように、測定前に試料を一定粒径（１ｍｍ径）以下に粉砕し、十分に混合してから蛍光指紋を取得することが好ましいものである。なお、各サンプル中の４種のTSNAsの含有量については、事前に高速液体ガスクロマトグラフ（HPLC-MS/MS）により定量しておいた。
　また、試験試料は事前に水分量を一定化するために蔵置されたものを用いた。試験試料の水分量を一定化するためには、調和条件（22度60%の室内）で２４時間以上蔵置することが好ましい。このように測定前に水分量を一定化させておくことで蛍光のピークシフトが起こりにくくなる。
〔蛍光指紋情報の取得〕
　試験試料の蛍光指紋情報を取得するために、蛍光指紋測定装置として、日立ハイテクサイエンス社製F-7000を用い、反射法（FrontFace）により測定を行った。
　測定条件は、励起光２００－６００nm, 蛍光２００－７００nm, 分解能２．５nm, スリット幅２．５nm，フォトマル感度９５０Vであった。なお、分解能５nmを考慮すれば、測定波長は少なくとも５nm程度の誤差を許容するものである。
〔蛍光指紋情報に対する前処理〕
　試料の蛍光指紋情報を取得する際には、蛍光指紋の計測値（励起波長毎の蛍光スペクトル）をそのまま用いることもできるが、必要に応じて、各種の前処理を行う必要がある。
　計測された蛍光指紋からノイズを除去して有効な蛍光指紋情報を得るための前処理手法として、例えば、非蛍光成分の除去処理、散乱光の除去処理、低感度領域の削除処理の中の１つ又は複数の組合せを採用することができる。また、取得された蛍光指紋情報に対する、中心化、規格化、標準化、ベースライン補正、平滑化、オートスケーリング、対数変換（Log10）、２次微分処理等の演算処理の中の１つ又は複数の組合せを前処理として採用することもできる。また、演算処理を複数組み合わせた場合の処理順序として、例えば、対数変換（Log10）→二次微分→規格化（normalize）→オートスケーリング（autoscale）を採用することができる。
　なお、成分情報に寄与しない波長を除去する処理として、例えば、以下のような手法を採用し得るが、各処理手法自体は既知であり、その詳細についての説明は省く。
（ａ）Variable important projection(VIP)
（ｂ）interval PLS(iPLS)
（ｃ）Genetic algorithms(GA)
（ｄ）Jack-knife分析
（ｅ）Forward interval PLS
（ｆ）Backward interval PLS(biPLS)
（ｇ）Synergy interval PLS(siPLS)
（ｈ）LASSO type method
　前処理の適用順序は適宜設定可能であるが、処理の効率化の観点から、非蛍光成分の除去処理、散乱光の除去処理、低感度領域の削除処理等の処理を先行させることが望ましい。
　このような前処理には、例えば、MatlabやPLS_toolbox等の専用ソフトウエアが使用可能である。
　なお、本態様においては、前処理としてオートスケーリングのみを用いたが、前処理は、必ずしも、この手法に限定されるものではない。
〔検量線の作成・検証〕
　検量線は、具体的には、取得された蛍光指紋情報を説明変数、４種のTSNAsの総和量を目的変数とし、例えば、ＰＬＳ回帰分析（以下、単に「ＰＬＳ」ということもある）を使用して作成する。
　検量線の作成の際に使用されるＰＬＳ回帰分析に関し、その概略を簡潔に説明しておく。
　ＰＬＳでは、説明変数Ｘ（行列）と目的変数ｙ（ベクトル）は、以下の二つの基本式（１）、（２）を満たしている。
　Ｘ＝ＴＰT＋Ｅ　　　　（１）
　ｙ＝Ｔｑ＋ｆ　　　　 （２）
　ここで、Ｔは潜在変数（行列）、Ｐはローディング（行列）、Ｅは説明変数Ｘの残差（行列）、ｑは係数（ベクトル）、ｆは目的変数の残差（ベクトル）、ＰTはＰの転置行列である。
　因みに、ＰＬＳは、説明変数Ｘの情報を目的変数ｙのモデリングに直接用いるのではなく、説明変数Ｘの情報の一部を潜在変数ｔに変換し、潜在変数ｔを用いて目的変数ｙをモデリングするものである。なお、潜在変数の数は、例えば、クロスバリデーションによる予測的説明分散値を指標として決定することができる。また、潜在変数は、主成分と呼ばれることもある。
　特に、１成分モデルの場合には、上記の（１）、（２）は、以下の（３）、（４）で表される。
　Ｘ＝ｔ1ｐ1 T＋Ｅ　　　　（３）
　ｙ＝ｔ1ｑ1＋ｆ　　　　 （４）
　ここで、ｔ1は潜在変数（ベクトル）、ｐ1はローディング（ベクトル）、ｑ1は係数（スカラー）である。
　今、ｔ1がＸの線形結合で表されると仮定すると、以下の（５）が成立する。
　ｔ1＝Ｘｗ1　　　　　   （５）
　ここで、ｗ1は規格化された重みベクトルである。
　ＰＬＳは、ｙとｔ1との共分散ｙTｔ1を、ｗ1のノルムが１（｜ｗ1｜＝１）という条件下で最大化するようなｔ1を求めるものであり、ｔ1の算出には、所謂ラグランジュの未定乗数法を用いればよい。ラグランジュの未定乗数法を用いた計算手法は周知であるから、計算の詳細は省略し、ｗ1、ｐ1、ｑ1に関する計算結果のみ、以下の（６）～（８）として示す。　
　ｗ1＝ＸTｙ／｜ＸTｙ｜　　（６）
　ｐ1＝ＸTｔ1／ｔ1 Tｔ1　　　（７）
　ｑ1＝ｙＴｔ１／ｔ1 Tｔ1    （８）
　なお、（７）、（８）式のｔ1は、（６）式で求めたｗ1を（５）式に代入することにより算出されたベクトルである。
　多成分モデルについても、同様の手法で計算できるが、計算手法は周知であるから詳細は省略する。
　検量線を作成し、作成された検量線を検証するために、試料中の４種のTSNAsの含有量が既知の複数のサンプルを、検量線の作成に使用するためのキャリブレーション用サンプル群と、検量線を検証して有効性を確認するためのバリデーション用サンプル群に分けて用意する。なお、本例では、キャリブレーション用サンプルとして４０サンプル、バリデーション用サンプルとして１９サンプルを用意した。また、VIPにより１０００波長程度に波長限定を行っているが、本発明は、これに限定されるものではない。
　キャリブレーション用サンプル群に対して、例えば、上述のＰＬＳ回帰分析（例えば、潜在因子数６）を適用し、取得された蛍光指紋情報から４種のTSNAsの総和量を推定する検量線を作成する。なお、検量線を作成するために使用される各サンプルの４種のTSNAsの総和量は、事前に高速液体ガスクロマトグラフ（HPLC-MS/MS）により定量しておいた各サンプル中の４種のTSNAsの含有量を加算することにより求められている。
　次に、バリデーション用サンプル群について、取得された蛍光指紋情報から前記検量線を利用して４種のTSNAsの総和量を推定し、検量線の検証を行う。
　図７は、横軸に高速液体ガスクロマトグラフ（HPLC-MS/MS）による実測値（化学分析値）、縦軸に蛍光指紋による４種のTSNAsの総和量の推定値を取り、バリデーション用サンプル群に属する各サンプルについて、対応する点をプロットしたグラフである。
　キャリブレーション用サンプル群においては、決定係数Ｒ2＝０．９９（ＳＥＣ＝０．０８μｇ/ｇ）であり、化学分析値と検量線による推定値との間に高い相関を有し、良好な推定精度であることが確認されている。また、図７によれば、バリデーション用サンプル群における推定精度は、決定係数Ｒ2＝０．８６（ＳＥＰ＝０．２２μｇ/ｇ）あり、当該検量線の有効性が確認されている。
〔４種のTSNAsの含有量が未知の試料（たばこ原料）における４種のTSNAsの総和量の推定〕
　有効性が確認された検量線を用いて、４種のTSNAsの含有量が未知の試料（たばこ原料）の蛍光指紋情報に基づき、前記試料に含有される４種のTSNAsの総和量を推定する。
　なお、４種のTSNAsの含有量が未知の試料について、取得された蛍光指紋に対する前処理を省くこともできるが、検量線を取得する際に実施した前処理と同内容の前処理を行うこともできる。
〔未知試料における４種のTSNAsのそれぞれの含有量の推定〕
　推定された４種のTSNAsの総和量と各TSNAの既知の存在比率に基づき、４種のTSNAsの含有量を推定する。
　因みに、４種のTSNAsの含有量は、各TSNAの存在比率が、前述のように、同一のたばこ種においては略一定であることから、各TSNAの既知の存在比率をａ：ｂ：ｃ：ｄとした場合、４種のTSNAsの総和量に、それぞれ、ａ/（ａ＋ｂ＋ｃ＋ｄ），ｂ/（ａ＋ｂ＋ｃ＋ｄ），ｃ/（ａ＋ｂ＋ｃ＋ｄ），ｄ/（ａ＋ｂ＋ｃ＋ｄ）を乗ずることにより算出される。
　本発明は、上述した実施の態様以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施の態様を採用し得ることに留意されたい。
１００：TSNAs定量装置
１１０：前処理手段
１２０：推定モデル作成手段
１３０：総和量推定手段
１４０：含有量推定手段

Claims (12)

  1. 　NNN、NNK、NAT及びNABの４種のたばこ特異ニトロソアミン（TSNAs）を含むたばこ原料について励起波長・蛍光波長・蛍光強度のデータからなる蛍光指紋情報を取得する蛍光指紋情報取得工程と、
    　前記蛍光指紋情報を説明変数とし、前記たばこ原料中の４種のTSNAsの既知の定量値から算出される前記４種のTSNAsの含有量の総和量を目標変数として、検量線を取得する推定モデル作成工程と、
    　前記検量線と前記４種のTSNAsの含有量が未知のたばこ原料の蛍光指紋情報とに基づき、前記たばこ原料に含有される前記４種のTSNAsの含有量の総和量を推定する総和量推定工程と、
    　前記推定された前記４種のTSNAsの含有量の総和量と前記４種のTSNAsの既知の存在比率に基づき、前記４種のTSNAsの含有量を推定する含有量推定工程と、
    　を含む、蛍光指紋分析によるたばこ原料の定量方法。
  2. 　前記推定モデル作成工程において、多変量解析によって上記検量線を作成することを特徴とする請求項１に記載の蛍光指紋分析によるたばこ原料の定量方法。
  3. 　前記多変量解析は、PLS回帰分析であることを特徴とする請求項２に記載の蛍光指紋分析によるたばこ原料の定量方法。
  4. 　前記蛍光指紋情報に対する削除処理を含む前処理工程を更に含むことを特徴とする請求項１～３の何れか１項に記載の蛍光指紋分析によるたばこ原料の定量方法。
  5. 　前記試験試料は、励起光の照射前に粉末状に粉砕・混合されることを特徴とする請求項１～４の何れか１項に記載の蛍光指紋分析によるたばこ原料の定量方法。
  6. 　前記試験粉砕によって、試料が１ｍｍ以下の粒径とされることを特徴とする請求項５に記載の蛍光指紋分析によるたばこ原料の定量方法。
  7. 　前記たばこ原料は、事前に水分量を一定化するために、所定の調和条件で所定時間蔵置されることを特徴とする請求項１～６の何れか１項に記載の蛍光指紋分析によるたばこ原料の定量方法。
  8. 　前記調和条件は、温度２２℃、湿度６０％の室内という条件であり、前記所定時間は２４時間以上であることを特徴とする請求項７に記載の蛍光指紋分析によるたばこ原料の定量方法。
  9. 　コンピュータに請求項１～８の何れか１項に記載の方法を実行させるためのプログラム。
  10. 　NNN、NNK、NAT及びNABの４種のたばこ特異ニトロソアミン（TSNAs）を含むたばこ原料についての励起波長・蛍光波長・蛍光強度のデータからなる蛍光指紋情報を入力し、前記蛍光指紋情報を説明変数とし、前記たばこ原料中の４種のTSNAsの既知の定量値から算出される前記４種のTSNAsの含有量の総和量を目標変数として、検量線を取得する推定モデル作成手段と、
    　前記検量線と前記４種のTSNAsの含有量が未知のたばこ原料の蛍光指紋情報とに基づき、前記たばこ原料に含有される前記４種のTSNAsの含有量の総和量を推定する総和量推定手段と、
    　前記推定された前記４種のTSNAsの含有量の総和量と前記４種のTSNAsの既知の存在比率に基づき、前記４種のTSNAsの含有量を推定する含有量推定手段と、
    　を具備することを特徴とする装置。
  11. 　前記蛍光指紋情報に対して前処理を行う前処理手段を更に具備することを特徴とする請求項１０に記載の装置。
  12. 　前記前処理は、前記蛍光指紋情報に対する削除処理を含むことを特徴とする請求項１１に記載の装置。
PCT/JP2018/033371 2018-09-10 2018-09-10 蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置 Ceased WO2020053919A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
PCT/JP2018/033371 WO2020053919A1 (ja) 2018-09-10 2018-09-10 蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置
EP19858975.6A EP3851833A4 (en) 2018-09-10 2019-04-22 METHOD, PROGRAM AND DEVICE USING FLUORESCENCE FINGERPRINT ANALYSIS FOR QUANTIFICATION OF TSNAS IN PROCESSED RAW MATERIALS
BR112021002548-0A BR112021002548A2 (pt) 2018-09-10 2019-04-22 método, programa e equipamento que utiliza análise de impressão digital de fluorescência para quantificar tsnas em matéria-prima processada
PCT/JP2019/017019 WO2020054120A1 (ja) 2018-09-10 2019-04-22 蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置
CN201980059056.5A CN112673250B (zh) 2018-09-10 2019-04-22 利用荧光指纹分析的处理原料中的TSNAs定量方法、程序以及装置
TW108115059A TW202011015A (zh) 2018-09-10 2019-04-30 利用螢光指紋分析之處理原料中的ＴＳＮＡｓ定量方法、程式及裝置
US17/184,204 US11860102B2 (en) 2018-09-10 2021-02-24 Fluorescence fingerprint analysis for quantifying TSNAs in processed tobacco raw material

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/033371 WO2020053919A1 (ja) 2018-09-10 2018-09-10 蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置

Publications (1)

Publication Number Publication Date
WO2020053919A1 true WO2020053919A1 (ja) 2020-03-19

Family

ID=69777745

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2018/033371 Ceased WO2020053919A1 (ja) 2018-09-10 2018-09-10 蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置
PCT/JP2019/017019 Ceased WO2020054120A1 (ja) 2018-09-10 2019-04-22 蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/017019 Ceased WO2020054120A1 (ja) 2018-09-10 2019-04-22 蛍光指紋分析を利用した処理原料中のＴＳＮＡｓ定量方法、プログラム及び装置

Country Status (6)

Country Link
US (1) US11860102B2 (ja)
EP (1) EP3851833A4 (ja)
CN (1) CN112673250B (ja)
BR (1) BR112021002548A2 (ja)
TW (1) TW202011015A (ja)
WO (2) WO2020053919A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4239536A4 (en) * 2020-10-27 2024-08-28 Konica Minolta, Inc. INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING SYSTEM AND LEARNED MODEL

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111863147B (zh) * 2020-07-22 2024-06-14 云南电网有限责任公司电力科学研究院 Sf6及其分解组分气体的浓度检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010185719A (ja) * 2009-02-10 2010-08-26 National Agriculture & Food Research Organization 穀粉の判別方法及び装置
JP2012098244A (ja) * 2010-11-05 2012-05-24 National Agriculture & Food Research Organization 成分分布分析方法、成分分布分析装置、および、プログラム
CN102680603A (zh) * 2012-05-24 2012-09-19 上海烟草集团有限责任公司 一种卷烟主流烟气中4种烟草特有氮亚硝胺TSNAs的测定方法
JP2013108855A (ja) * 2011-11-21 2013-06-06 National Agriculture & Food Research Organization 判別フィルタ設計方法、判別方法、判別フィルタセット、判別装置、および、プログラム
WO2016063423A1 (ja) * 2014-10-24 2016-04-28 日本たばこ産業株式会社 口腔用たばこ組成物及びその製造方法
JP2018040779A (ja) * 2016-09-06 2018-03-15 株式会社日立ハイテクサイエンス 未知試料判定方法、未知試料判定装置及び未知試料判定プログラム
WO2018083460A1 (en) * 2016-11-03 2018-05-11 British American Tobacco (Investments) Limited A method for determining the level of a polycyclic compound of interest present on the surface of a tobacco leaf

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6637438B1 (en) * 1997-04-21 2003-10-28 Kerry Scott Lane Method for assay and removal of harmful toxins during processing of tobacco products
US20050043515A1 (en) * 2003-05-29 2005-02-24 Brown Michael Craig Tobacco-specific nitrosamine detection assays and reagents
US7538324B2 (en) * 2006-09-21 2009-05-26 Philip Morris Usa Inc. Detection of nitrates from tobacco for correlation with the amount of tobacco-specific nitrosamines within the tobacco
CN101571521B (zh) * 2009-06-12 2012-04-25 中国烟草总公司郑州烟草研究院 一种评价添加剂对烟草特有亚硝胺抑制作用的方法
CN103837633A (zh) * 2014-03-16 2014-06-04 国家烟草质量监督检验中心 一种电子烟烟液中烟草特有亚硝胺的液相色谱串联质谱测定方法
CN105510462A (zh) * 2015-12-09 2016-04-20 中国烟草总公司郑州烟草研究院 一种改进的用于电子烟烟液中烟草特有亚硝胺的分析检测方法
CN107271584B (zh) * 2017-06-15 2020-07-03 国家烟草质量监督检验中心 一种卷烟主流烟气中羰基化合物和烟草特有亚硝胺的捕集方法、提取方法及测定方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010185719A (ja) * 2009-02-10 2010-08-26 National Agriculture & Food Research Organization 穀粉の判別方法及び装置
JP2012098244A (ja) * 2010-11-05 2012-05-24 National Agriculture & Food Research Organization 成分分布分析方法、成分分布分析装置、および、プログラム
JP2013108855A (ja) * 2011-11-21 2013-06-06 National Agriculture & Food Research Organization 判別フィルタ設計方法、判別方法、判別フィルタセット、判別装置、および、プログラム
CN102680603A (zh) * 2012-05-24 2012-09-19 上海烟草集团有限责任公司 一种卷烟主流烟气中4种烟草特有氮亚硝胺TSNAs的测定方法
WO2016063423A1 (ja) * 2014-10-24 2016-04-28 日本たばこ産業株式会社 口腔用たばこ組成物及びその製造方法
JP2018040779A (ja) * 2016-09-06 2018-03-15 株式会社日立ハイテクサイエンス 未知試料判定方法、未知試料判定装置及び未知試料判定プログラム
WO2018083460A1 (en) * 2016-11-03 2018-05-11 British American Tobacco (Investments) Limited A method for determining the level of a polycyclic compound of interest present on the surface of a tobacco leaf

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4239536A4 (en) * 2020-10-27 2024-08-28 Konica Minolta, Inc. INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING SYSTEM AND LEARNED MODEL

Also Published As

Publication number Publication date
US11860102B2 (en) 2024-01-02
US20210181114A1 (en) 2021-06-17
CN112673250B (zh) 2023-12-22
WO2020054120A1 (ja) 2020-03-19
TW202011015A (zh) 2020-03-16
EP3851833A4 (en) 2022-05-11
EP3851833A1 (en) 2021-07-21
CN112673250A (zh) 2021-04-16
BR112021002548A2 (pt) 2021-05-04

Similar Documents

Publication Publication Date Title
US10001410B2 (en) Quantitative elemental profiling in optical emission spectroscopy
CN101010567B (zh) 用于产生独立多元校准模型的方法
CN103534578B (zh) 确定样本中存在的成分的光谱装置以及方法
EP3290908B1 (en) Unknown sample determining method
EP2784484B1 (en) Optimized calibration method for determining the content of chlorophyll using pre-processing and independent component analysis
US10557792B2 (en) Spectral modeling for complex absorption spectrum interpretation
JP7021755B2 (ja) 蛍光指紋分析による試料の評価・推定方法、プログラム、及び装置
Fan et al. Direct calibration transfer to principal components via canonical correlation analysis
JP2019503490A (ja) 赤外線及び蛍光の分光データの多重処理を用いた分光分析方法及び装置
CN113340874A (zh) 一种基于结合岭回归和递归特征消除的定量分析方法
US11860102B2 (en) Fluorescence fingerprint analysis for quantifying TSNAs in processed tobacco raw material
Arteche et al. Singular spectrum analysis for signal extraction in stochastic volatility models
US20150025847A1 (en) Quantitative elemental profiling in optical emission spectroscopy
da Silva et al. Self-modelling Curve Resolution Analysis of Synchronous FI fluorescence Spectroscopy Data for Characterization of Acid Mixtures and Study of Acid-Base Equilibria
TW202011014A (zh) 利用螢光指紋分析之處理原料中之ＴＳＮＡｓ定量方法、程式及裝置
CN107703074A (zh) 一种用于四元掺伪三七快速准确的定量分析方法
US20220252516A1 (en) Spectroscopic apparatus and methods for determining components present in a sample
US11204314B2 (en) Calibration apparatus and calibration curve creation method
CN118484637B (zh) 一种宽分布光源荧光光谱散射信号定向筛选系统及方法
RU2844698C1 (ru) Способ идентификации и скрининга качества лекарственных средств на основе рамановских спектров с применением искусственного интеллекта
CN110646371A (zh) 一种烟用香精香料含水量的测定方法
US20230194416A1 (en) Preparation method for preparing spectrometric determinations of at least one measurand in a target application
RU2541906C1 (ru) Способ создания многомерных градуировочных моделей аналитического прибора
CN119935943A (zh) 基于近红外光谱测定烟油中烟碱含量的方法
CN121096463A (zh) 烟草制品原料的成分信息预测方法及预测模型的训练方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18933550

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18933550

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP

NENP Non-entry into the national phase

Ref country code: JP