《Journal of Chromatography A》：Integrated Correlation Network Analysis for Advanced Chemical Profiling of Consumer Products: A Proof-of-Concept for the Volatile Organic Compounds in Pulps and Paperboards
编辑推荐：
•通过HS-SPME-GC × GC-qTOF-MS技术，在21种纸浆和纸板中检测到628种挥发性有机化合物（VOCs）。•主成分分析（PCA）和（正交）偏最小二乘判别分析（(O)PLS-DA）在性能上存在不足，仅能提供分类标记。•RPCNA和DSPC网络分析在203种VOCs中
- •
通过HS-SPME-GC × GC-qTOF-MS技术，在21种纸浆和纸板中检测到628种挥发性有机化合物（VOCs）。
- •
主成分分析（PCA）和（正交）偏最小二乘判别分析（(O)PLS-DA）在性能上存在不足，仅能提供分类标记。
- •
RPCNA和DSPC网络分析在203种VOCs中识别出267个有效关联。
- •
WGCNA将31种VOCs聚类为2个模块，以确定可能的共同来源。
- •
相关网络分析在发现变量关联方面优于化学计量学方法。
引言
从食品和饮料到个人护理产品、卫生用品和家居用品，消费品在人们的日常生活中无处不在，然而它们的成分复杂性日益增加，这需要全面的化学分析来确保产品质量、符合监管要求以及消费者安全[[1], [2], [3]]。过去几十年中，高分辨率质谱（HRMS）、多维色谱（[6,7]）以及相关的数据挖掘和解释方法[8,9]的出现，彻底改变了分析消费品中包含的成分的能力。这些技术能够同时、敏感且高覆盖率地检测到大量的痕量分析物，不仅包括有意添加的工业成分，还包括一系列受监管的化学物质[10]、新兴污染物[11]、非有意添加的物质[12]、复杂的转化产物[13]等。因此，这些技术通常会产生高维数据集，从而需要多变量数据解释工具，例如主成分分析（PCA）和（正交）偏最小二乘判别分析[(O)PLS-DA)，这些方法已被证明在降维、分类鉴别和标记识别方面具有优势，有助于了解不同样本类别之间的宏观差异[14,15]。然而，尽管这些技术在多个领域得到了广泛而成功的应用，但仍存在一个关键限制：化学计量学方法本质上将化学特征视为独立变量，从而忽略了变量之间的内在关系、转化路径和同步模式。实际上，大多数消费品的化学成分很少单独存在，而是形成了由原材料的共同来源、共处理动力学或竞争路径驱动的相互作用系统[16]。为了解决这一关键问题，网络分析提供了一种强大的计算方法，它将化学化合物表示为“节点”，并将其数学关系定义为“边”，从而将孤立的特征转化为连贯的系统性拓扑结构，揭示特定化合物是如何同步或交互作用的。此外，通过结合已建立的数学关系和化合物的物理特性，可以可靠直观地解释网络。
虽然网络分析在系统生物学[17]、基因组学[18]、流行病学[19]等领域被广泛验证为有效的数据解释策略，但其在消费品化学分析中的应用仍然相对不足。在各种网络分析方法中，相关网络分析（尤其是偏相关网络分析（PCNA）、去偏稀疏偏相关（DSPC）网络分析和加权相关网络分析（WGCNA）在揭示化学物质之间的联系方面显示出独特的潜力。PCNA主要用于通过统计关系来估计连接心理行为的心理网络[21,22]。对于标准的PCNA，其应用严格限于样本数量多于变量数量的数据集[23]，因此需要采用正则化方法才能将其应用于神经成像和基因组学等领域[24,25]。同样，借助内置的图形套索正则化，DSPC网络分析即使在样本量有限的情况下也能发现变量之间的直接关联，并过滤掉虚假和间接关联[26]，并且已在脂质组学、基因组学、代谢组学和风味组学中得到应用，例如研究3-氯丙二醇对甘油三酯生物可利用性的影响[27]、人类癌细胞系中基因的新生物学功能[28]、大豆中初级和次级代谢物之间的相关性[29]，以及牛脂中的关键风味前体和相关转化路径[30]。相比之下，WGCNA基于完全不同的数学原理，它不是计算所有变量之间的成对相关性，而是通过软阈值方法将直接和间接相关的变量聚类为模块，并将这些模块与样本特征联系起来[31]。WGCNA主要用于在大型和高维数据集中聚类共表达基因[32,33]，还用于 bridging 化学组成和梨品种感官属性之间的差距，其中WGCNA从925种鉴定出的代谢物中分离出了407种风味贡献因素[34]。
在这里，我们提出了一种先进的化学分析策略，整合了正则化PCNA、DSPC网络分析和WGCNA，用于消费品分析，通过使用包含21种纸浆和纸板样本中的挥发性有机化合物（VOCs）的数据集进行概念验证演示，这些样本都是具有复杂成分的生物质衍生工业产品。通过利用这些相关网络分析的数学潜力，我们旨在发现VOCs之间的联系和潜在的因果关系，并建立一个强大且可扩展的网络分析驱动的化学分析框架，以解码消费品中的复杂化学特征和相互作用。
章节片段
样品和化学试剂
共收集了21个样品，包括5种漂白牛皮纸浆（BKP）、2批未漂白牛皮纸浆（UBKP）、9种漂白化学热机械纸浆（BCTMP）和5种原纸板，这些样品来自珠海鸿塔仁亨新材料有限公司的造纸厂。所有样品都包装在铝箔中，并密封在低密度聚乙烯袋中，在进行VOC分析前储存在4°C的环境中。详细样品信息总结在表S1中。
GC等级C7～C40 n-烷烃
纸浆和纸板中检测到的VOCs概述
典型的总离子色谱图显示在图S1中，突出了纸浆和纸板的成分复杂性。GC × GC-HRMS技术能够在21个样品中检测到628种VOCs，每个样品中检出超过100种VOCs。如图S2a所示，所检测到的VOCs属于ClassyFire分类中的6个主要化学类别。值得注意的是，41.2%的VOCs是脂质和类脂质分子，平均每个样品的检出量为42.2个，其中萜类化合物占
结论
在本研究中，以PCA和(O)PLS-DA为代表的化学计量学方法通过降维方法排除了低方差VOCs，导致模型性能不佳，仅能识别出孤立的分类标记。相比之下，集成相关网络分析在通过GC × GC-HRMS检测到的21种纸浆和纸板中的628种VOCs之间映射出了300多种相互作用和潜在的因果关系。通过关注直接相关性，RPCNA和DSPC解析出了267个有效且独特的成对
CRediT作者声明
Lu Shiqiang： 资源提供、数据整理、写作 - 审稿和编辑、监督、项目管理。Li Hankе： 构思、方法论、正式分析、写作 - 初稿撰写和资金获取。Chen Lichang： 调查、方法论、软件。Wang Yue： 资源提供。Dong Ben： 写作 - 审稿和编辑。Su Qi-Zhi： 方法论、写作 - 审稿和编辑。Xu Can： 写作 - 审稿和编辑。Cui An-Qi： 写作 - 审稿和编辑。Liang Jinxin： 写作 - 审稿和
数据可用性
数据可根据请求提供。
附录A. 支持信息
与本文相关的支持信息，包括包含补充文本和图表的附录1（Word文档）以及包含补充表格的附录2（Excel电子表格），可以在在线版本中找到。
CRediT作者贡献声明
Lu Shiqiang： 写作 - 审稿与编辑、监督、资源提供、项目管理、数据整理。Li Hankе： 写作 - 初稿撰写、方法论、资金获取、正式分析、构思。Chen Lichang： 软件、方法论、调查。Wang Yue： 资源提供。Dong Ben： 写作 - 审稿与编辑。Su Qi-Zhi： 写作 - 审稿与编辑。Xu Can： 写作 - 审稿与编辑。Cui An-Qi： 写作 - 审稿与编辑。Liang Jinxin： 写作 - 审稿与编辑。Li Dan：
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文的工作。
致谢
本工作得到了国家自然科学基金（资助编号：32402256）和广东省关键技术研发计划（资助编号：2025B0202120004）的支持
Lu Shiqiang|Li Hankе|Chen Lichang|Wang Yue|Dong Ben|Su Qi-Zhi|Xu Can|Cui An-Qi|Liang Jinxin|Li Dan|Chen Sheng|Zhong Huai-Ning
