有機物・高分子・ペプチド試料TOF-SIMSスペクトルの機械学習による予測・分類

Journal of Surface Analysis Pub Date : 2023-08-07 DOI:10.1384/jsa.30.15

Keisuke Kamochi, Motoki Inoue, Shigesaburo Ogawa, Daisuke Hayashi, Satoka Aoyagi

{"title":"有機物・高分子・ペプチド試料TOF-SIMSスペクトルの機械学習による予測・分類","authors":"Keisuke Kamochi, Motoki Inoue, Shigesaburo Ogawa, Daisuke Hayashi, Satoka Aoyagi","doi":"10.1384/jsa.30.15","DOIUrl":null,"url":null,"abstract":"飛行時間型二次イオン質量分析 (TOF-SIMS) は実測で得られる質量スペクトルが複雑で解釈が難しいため， TOF-SIMSデータの解析には主成分分析や多変量スペクトル分解などの多変量解析が用いられてきた．また，マトリックス効果などによってスペクトルパターンが変化するため，データベースの確立も難しい．本研究では，教師あり機械学習法による未知物質のスペクトル予測・ピーク同定を実現することを目的とし，未知物質の予測が可能となるデータ様式について検討した．教師あり学習に必要な試料情報を与えるラベルにSMILES記法によって文字列化した物質名の自動分割によって得られる化学構造を用いた．有機物・高分子・ペプチドから成るモデル試料のTOF-SIMSデータについて，ランダムフォレスト (Random Forest) による予測結果を評価した結果，自動分割した化学構造ラベルに基づいて正解率0.9以上で予測できることが示された．","PeriodicalId":17077,"journal":{"name":"Journal of Surface Analysis","volume":"99 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-08-07","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Journal of Surface Analysis","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.1384/jsa.30.15","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

飛行時間型二次イオン質量分析 (TOF-SIMS) は実測で得られる質量スペクトルが複雑で解釈が難しいため， TOF-SIMSデータの解析には主成分分析や多変量スペクトル分解などの多変量解析が用いられてきた．また，マトリックス効果などによってスペクトルパターンが変化するため，データベースの確立も難しい．本研究では，教師あり機械学習法による未知物質のスペクトル予測・ピーク同定を実現することを目的とし，未知物質の予測が可能となるデータ様式について検討した．教師あり学習に必要な試料情報を与えるラベルにSMILES記法によって文字列化した物質名の自動分割によって得られる化学構造を用いた．有機物・高分子・ペプチドから成るモデル試料のTOF-SIMSデータについて，ランダムフォレスト (Random Forest) による予測結果を評価した結果，自動分割した化学構造ラベルに基づいて正解率0.9以上で予測できることが示された．

查看原文本刊更多论文

有机物、高分子、肽样品TOF-SIMS光谱的机器学习预测和分类

飞行时间型二次离子质谱分析(TOF-SIMS)由于实测得到的质谱复杂难以解释，主成分分析和多变量光谱分解等多变量分析被用于TOF-SIMS数据的分析。另外，由于根据矩阵效应等，光谱模式会发生变化，因此建立数据库也很困难。本研究以实现基于监督机器学习法的未知物质的频谱预测和峰值鉴定为目的，对能够预测未知物质的数据样式进行了探讨。使用了根据SMILES表记法在提供有监督学习所需的样品信息的标签上进行字符串化的物质名称的自动分割得到的化学结构。针对由有机物、高分子、肽组成的模型样品的TOF-SIMS数据，对随机森林(Random Forest)的预测结果进行了评价。根据自动分割的化学结构标签，预测正确率为0.9以上。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Journal of Surface Analysis

自引率

0.00%

发文量