综述：分析化学样品前处理技术中的实验设计（DoE）——当前趋势与展望

《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》：Design of Experiments (DoE) in Sample Preparation Techniques for Analytical Chemistry – Current Trends and Perspectives

　　

实验设计（DoE）的应用已成为分析化学中不可或缺的工具，尤其是在样品前处理技术领域。这些技术涉及在仪器分析之前旨在提取、净化、富集或分离目标分析物的关键步骤。由于存在许多可能影响其性能的变量，传统的试错方法往往效率低下，使得DoE成为开发更稳健、可靠和可持续分析方法的重要策略。本综述全面概述了过去五年中报道的DoE在样品前处理技术中的应用。首先，讨论了实验设计的基本原理，包括统计概念、术语、主要实验设计以及模型构建、评估、验证和优化的策略。随后，批判性地审视了涉及固相萃取（SPE）和液-液萃取（LLE）技术的最新应用，重点介绍了当前的趋势、优势、局限性以及文献中观察到的反复出现的缺陷，特别是与统计验证和多响应优化相关的缺陷。除了对所综述研究的关键评估外，还进行了文献计量分析，以识别新兴趋势、研究空白和未来研究机会。还讨论了先进的但仍未充分探索的样品前处理实验方法，包括分类筛选设计、混合物设计、组合实验设计、定义筛选设计（DSDs）以及可提高这些方法可及性的计算工具。总体而言，本综述提供了对艺术状态（state of the art）的批判性和最新视角，强调了当前挑战、机遇和未来方向，以将DoE应用于开发更高效的样品前处理技术。

**1. 引言**

实验设计（DoE）是一种系统化的统计学方法，用于实验的规划、实施、分析与优化。与传统单变量轮换法（One Variable At a Time, OVAT）相比，DoE可同时评估多个变量及其交互效应，减少实验次数并提升方法稳健性。在分析化学的样品前处理过程中，大量变量（如样品pH、吸附剂类型与用量、接触时间、洗脱溶剂组成与体积、温度、搅拌速率等）均可能显著影响分析结果的准确度、精密度与重现性，因此DoE已成为开发高效、可靠分析方法的核心工具。

**2. DoE概述**

2.1 统计背景：方差分析（ANOVA）将数据总变异分解为系统来源与随机误差，通过p值检验区分真实效应与随机波动；回归分析用于建立因子与响应间的定量经验模型，以支持预测与优化。

2.2 因子与响应：因子分为定量因子与定性（分类）因子，响应可为单一或多重性能指标。编码可将因子原始值转换为-1至+1的标准化坐标。混合物设计（MD）中组分比例受总和为1约束，须采用Scheffé模型等专用回归模型。

2.3 实验设计：筛选阶段常用部分析因设计（FrFD）、Plackett-Burman设计（PBD）与Taguchi设计（TD）；定义筛选设计（DSD）可评估三水平因子并识别曲率效应。响应曲面法（RSM）中，独立因子设计包括中心复合设计（CCD）、Box-Behnken设计（BBD）、Doehlert设计（DD）与三水平全因子设计（TLFFD）；实验域不规则或受约束时可采用D-最优设计（DOD）等计算机辅助设计（CAD）。因子依赖的RSM即混合物设计，常用单纯形格子设计（SLD）与单纯形重心设计（SCD），亦可通过伪组分处理约束体系。

2.4 建模与验证：经典最小二乘法（OLS）用于估计模型系数，人工神经网络（ANNs）可作为非线性替代方案。模型验证通过ANOVA的回归显著性、失拟检验、决定系数（R²）、校正决定系数（校正R²）、预测决定系数（预测R²）及均方根误差（RMSE）评估；残差分析用于检验正态性、方差齐性与独立性假设。

2.5 优化：可通过等高线图与三维响应面进行定性评估；数值优化包括驻点法（偏导数法）以及遗传算法（GA）、粒子群优化（PSO）、ANNs等无模型策略。

2.6 多响应优化：最常用Derringer-Suich期望函数法，将各响应转化为个体期望值（d_i），并以几何平均计算全局期望值（D_g），以实现多目标综合最优。

**3. 样品前处理技术概述**

3.1 DoE在SPE类技术中的应用：涉及固相萃取（SPE）、QuEChERS、固相微萃取（SPME）、分散固相萃取（DSPE）、薄膜固相微萃取（TF-SPME）、移液枪头分散萃取（DPX）及搅拌棒吸附微萃取（BAμE）。各技术中BBD、PBD、CCD、FrFD、FFD为常用设计；TF-SPME和BAμE还采用了单纯形重心设计（SCD）以优化解吸溶剂组成；DPX研究展示了CCD、FFD、DD、SCD等多种设计的组合应用。

3.2 DoE在LLE类技术中的应用：涵盖液相微萃取（LPME）、分散液-液微萃取（DLLME）、单滴微萃取（SDME）、中空纤维液相微萃取（HF-LPME）及中空纤维微孔膜液-液萃取（HF-MMLLE）。DLLME中CCD与FFD应用最为广泛，并出现了因子多水平分类设计（FMLCD）；HF-MMLLE因含萃取与解吸两步，常以MD（SCD、SLD）优化解吸溶剂，以DD优化萃取条件，并出现了混合物-过程变量设计（MPD）等组合策略。

**4. 结论与趋势**

文献调研表明，DoE在样品前处理中的应用持续增长，但建模与统计验证仍常被忽视，如ANOVA、失拟检验、残差分析等参数未充分报道；部分研究未达到真实实验最优值，响应面呈现鞍点区域。多响应优化中，常见将多响应合并为单一综合指标或直接以实验值计算期望函数的现象，降低了模型的解释能力与统计可靠性。文献计量分析显示，SPME、RSM、BBD为网络中心节点，而CCD、DD、TF-SPME、DLLME、DPX等为共现频率较低但仍具潜力的方向。未来趋势包括MD、FMLCD、MPD、DSD等高级设计策略的推广，以及GAMMA-GUI、DSDApp等免费计算工具的开发利用。