探索优化景观：色谱响应函数在液相色谱自动化方法开发中的作用

《Journal of Chromatography A》：Exploring Optimization Landscapes: The Role of Chromatographic Response Functions in Automated Method Development for Liquid Chromatography

　　

在本研究中，研究人员开发了一个用于系统性比较色谱响应函数（CRF）的框架，重点关注其评分行为及其诱导的响应曲面。结果表明，CRF的选择强烈决定了响应曲面结构，进而影响所产生优化问题的适用性。研究人员发现，不同的CRF会产生显著不同的景观特征，从具有大片近最优解区域的平滑曲面到不规则且高度多模态的景观。这些差异通过崎岖度、导数、局部极值和累积分布函数等指标进行了量化。特别是，基于乘性准则的CRF在非靶向优化场景中会产生较不适宜的景观，而基于分离的CRF通常产生更结构化的曲面。研究人员发现，响应曲面的结构主要取决于CRF而非特定样本，表明CRF选择是决定优化复杂性的主导因素。这些效应随着维度的增加而更加显著，基于时间的准则引入了额外的复杂性。总体而言，结果表明，不应仅从色谱相关性角度评估CRF，还应考虑其产生的响应曲面。所开发的框架为通过CRF诱导的响应景观比较CRF以及制定关于优化难度的假设提供了基础，从而能够在自动化方法开发工作流程中进行系统性评估。

**论文解读：色谱响应函数在自动化方法开发中的优化景观作用**

**1. 研究背景与问题**

液相色谱法（LC）在药物研发、生物制药、环境与食品分析等领域中至关重要，用于解析复杂样品。方法开发通常需要专家知识和大量资源投入。为简化流程，研究者尝试利用计算机策略，包括机器学习等自动化方法。这些方法依赖于色谱响应函数（CRF，一个用于量化色谱分离质量的单数值描述符）来指导优化。然而，尽管已有许多CRF被提出，但关于“什么是好的CRF？”以及“何时使用哪种CRF？”的问题仍未得到解答。当前，自动化方法开发策略的成功高度依赖CRF的质量，但缺乏系统性评估CRF对优化过程影响的手段。特别是，CRF产生的响应曲面如何影响算法效率尚不明确。因此，本研究旨在开发一个以景观为中心的框架，系统比较不同CRF，揭示其如何塑造优化景观，并量化景观特征对优化效率的影响。该论文发表在《Journal of Chromatography A》。

**2. 主要关键技术方法**

研究人员采用线性溶剂强度（LSS）模型模拟保留时间，结合Poppe方程和Hao等人的梯度压缩校正计算峰宽，并假设高斯峰形以模拟色谱图。为生成响应曲面，对参数空间进行网格搜索。通过Moore邻域（半径1）计算响应曲面的崎岖度，包括一阶导数（df）和二阶导数（ddf），并统计局部极值数量。此外，使用经验累积分布函数（CDF）分析评分分布。样本来源：基于WikiChrom项目数据集的87种探针化合物，通过二维核密度估计（KDE）生成模拟样本，并包含一个来自先前工作的实验测定样本（样本E）。

**3. 研究结果**

**3.1 创建现实的基准样本（Creating realistic benchmark samples）**：通过KDE方法从WikiChrom数据集中采样，保留保留参数k₀与S的相关性，生成四种不同类型样本（样本A-D），代表简单到复杂的优化场景，并加入一个实验样本（样本E）。这确保了CRF比较具有实际相关性。

**3.2 基于响应曲面区分CRF（Differentiating CRFs based on their response surface）**：通过网格搜索生成24种CRF的响应曲面（二维参数P1）。定性观察发现，不同CRF产生显著不同的曲面形状和最优位置。部分CRF（如CRF4、6、7、10、14-18、23、24）产生病态景观，例如在预期只有部分洗脱的区域出现高分，或曲面崎岖不平。这些CRF因乘性准则或时间准则主导分数而被排除，剩余16种CRF用于后续分析。

**3.3 定量表征CRF响应曲面（Quantitative characterization of the CRF response surface）**：使用Moore邻域计算df和ddf崎岖度排名，并统计局部极值。结果显示，基于n_obs（观测峰数）的CRF（如CRF19-22）通常最崎岖，而基于分离的CRF（如CRF2、11）更平滑。CDF分析表明，大多数CRF的分数分布相似，但含有时间准则的CRF（如CRF1、9、23、24）的近最优解概率更低。样本依赖性分析显示，CRF排名在不同样本间保持稳定，表明CRF设计是主导因素。

**3.4 结合指标和多模态问题（Combining metrics and the problem of multimodality）**：当扩展到多段梯度（P2、P3）增加维度时，景观差异被放大。基于时间的CRF在多维空间中产生更复杂的曲面，而基于分离的CRF保持更结构化景观。这表明时间准则引入额外复杂性，使优化问题更难。

**3.5 评估不同分析物数量的影响（Evaluating the CRF influence on varying number of analytes in the sample）**：通过样本集F（n=10到150）分析，景观复杂度在n≈80-100后趋于稳定，且CRF设计对景观特征的影响大于样本中分析物数量。主成分分析（PCA）进一步证实，CRF设计是贡献景观变异的主要因素。

**4. 总结讨论与结论**

本研究未得出单一最佳CRF，但建立了一个框架，可系统比较CRF在自动化方法开发中的表现。讨论指出，CRF的选择不仅定义性能指标，还直接决定响应曲面结构，从而影响优化算法的适用性。结论部分翻译如下：在本研究中，研究人员没有得出单一最佳的色谱响应函数（CRF），但开发了一个框架，能够系统比较CRF在自动化方法开发中的表现。通过旨在实现样品的现实模拟，研究人员能够从评分行为以及CRF如何塑造自动化方法开发中遇到的优化景观两个角度考虑CRF。从这个角度看，CRF的选择不仅是定义性能指标的问题，还决定了响应曲面的结构。这意味着CRF直接影响问题对优化的适宜性，因此不能脱离其对优化算法的影响来评估。结果表明，不同CRF导致显著不同的响应曲面特征。这些特征通过崎岖度、平滑度、累积分布函数以及与景观导数和局部极值数量相关的度量进行了量化。一些CRF产生相对平滑的响应曲面，其中最优解嵌入大片近最优解区域，而其他CRF则产生不规则或高度多模态的景观。这些差异不仅是定量的，也是定性的。特别是，一些常用CRF，尤其是基于乘性准则的CRF，在非靶向优化场景（所有峰同等贡献）中产生较不适宜的景观。相比之下，基于分离相关准则的CRF趋向于产生更结构化的响应曲面。此外，研究结果还表明，响应曲面的整体结构在很大程度上独立于所使用的具体样本，而强烈依赖于CRF。这表明CRF是决定优化问题复杂性的主导因素，而增加样本复杂度并不一定导致自动化方法开发中优化难度的比例增加。CRF选择的影响随着优化问题维度的增加而更加显著。在高维梯度空间中，多模态性和景观结构的差异被放大。这对于时间依赖性CRF尤其明显，其中将分离质量与分析时间相结合往往会给优化带来额外的复杂性。相比之下，即使维度增加，时间无关性CRF通常也会产生更结构化的景观。这些观察结果表明，组合时间和分离目标可能会使优化问题相对于仅使用基于分离的准则更加复杂。综合来看，这些观察结果表明，CRF应从色谱相关性和其诱导的响应曲面属性两方面考虑。在实践中，这意味着一个合适的CRF是既保持与色谱原理的清晰关系，又产生能够被优化算法有效建模和探索的响应曲面。作为下一步，仍需确定响应曲面结构观察到的差异在多大程度上转化为自动化方法开发工作流程中的性能差异。最后，应注意此类分析需要在计算可行性和色谱现实性之间取得平衡。在本工作中，使用了简化的峰表示，这可能影响CRF的行为。因此，需要进一步工作来评估这些发现在更现实条件下和自动化工作流程中的适用程度。