《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Approaches to data mining reaction kinetics using Raman spectroscopic analysis of Claisen-Schmidt condensation as a model
编辑推荐：
摘要
拉曼光谱为多组分动力学的实时监测提供了一种强大的无损工具。然而，从动力学演化的拉曼数据中提取可靠的动力学信息可能具有挑战性，原因在于组分光谱特征的高度重叠、秩亏缺（rank deficiency）以及旋转模糊性（rotational ambiguity
摘要
拉曼光谱为多组分动力学的实时监测提供了一种强大的无损工具。然而，从动力学演化的拉曼数据中提取可靠的动力学信息可能具有挑战性，原因在于组分光谱特征的高度重叠、秩亏缺（rank deficiency）以及旋转模糊性（rotational ambiguity）。在本工作中，研究人员以苯甲醛与丙酮在室温下无溶剂、碱催化的Claisen-Schmidt缩合反应作为模型反应，使用拉曼显微光谱（Raman microspectroscopy）对其进行原位监测，时间尺度为1000分钟。所得多组分数据集采用基于问题的非线性最小二乘（nonlinear least squares, NLS）拟合（对反应组分光谱的加权求和）以及多变量曲线分辨-交替最小二乘（multivariate curve resolution-alternating least squares, MCR-ALS）分析进行处理。研究人员在NLS框架内探索了三组分和四组分模型，同时为MCR-ALS硬建模（hard modelling）实施了基于机理的约束模型（A + B → C, C + A → D）。常规的软建模（soft modelling）和硬建模MCR-ALS方法均未能识别正确的反应组分并解析出具有化学意义的谱图，而种子化MCR-ALS（seeded MCR-ALS）配合10,000倍优化的种子权重成功克服了上述不足，得到了物理上一致的谱图和浓度分布。通过将解析的浓度分布拟合至动力学模型（A → C → D）来评估反应动力学。种子化MCR-ALS方法提供了最可靠的动力学描述，相比之下，基于解析光谱和纯组分光谱的NLS方法拟合精度较低。定量比较显示，种子化MCR-ALS模型表现更优，决定系数（coefficient of determination, R2）= 0.935，残差平方和（residual sum of squares, RSS）= 0.156，相对残差误差（relative residual error, RRE）= 0.70%，而使用解析光谱的NLS（R2 = 0.782，RSS = 0.524，RRE = 2.34%）和使用纯光谱的NLS（R2 = 0.783，RSS = 0.408，RRE = 2.33%）表现较差。这些结果表明，种子化MCR-ALS结合约束指数动力学建模为解析光谱数据和提取可靠的机理与动力学见解提供了一个稳健且物理一致的框架。所提出的方法广泛适用于复杂多组分体系，包括代谢组学、过程分析和制药动力学等，在这些体系中，严重的光谱重叠和秩亏缺限制了常规分析方法的应用。
基于拉曼光谱与化学计量学方法的反应动力学数据挖掘研究——以Claisen-Schmidt缩合反应为模型体系
实时监测化学反应对现代化学、制药和生物化学过程至关重要，精确控制反应路径和产物分布是这些领域的核心需求。过程分析技术（process analytical technology, PAT）框架常将在线探针与多变量曲线分辨-交替最小二乘（multivariate curve resolution-alternating least squares, MCR-ALS）等过程建模方法相结合，以深入理解反应动力学和过程动态。在众多光谱方法中，拉曼光谱因其分子特异性、样品制备要求低以及能够实时提供化学体系演化信息等优势，成为一种强有力的分析工具。然而，多组分反应体系中拉曼光谱的分析仍面临重大挑战。反应物、中间体和产物的光谱特征之间常常存在显著重叠，掩盖了各组分对光谱的独立贡献，使得直接谱图解读十分困难。因此，应用化学计量学模型从这类复杂数据集中提取有意义的化学和动力学信息变得不可或缺。
MCR-ALS是应用最广泛的多元分辨方法之一，它能够在无需纯组分光谱的前提下将光谱数据分解为浓度分布和光谱分布。然而，MCR-ALS的性能固有地受到旋转模糊性（rotational ambiguity）和秩亏缺（rank deficiency）等问题的限制。在反应体系中，数据矩阵的秩受独立反应路径数量的约束，该数量可能低于体系中实际存在的化学物种数目。因此，奇异值分解（singular value decomposition, SVD）及相关双线性模型可能无法分辨所有组分，而是得到代表物种线性组合的分布。这些局限性在光谱重叠严重、信噪比低或存在瞬态中间体的体系中尤为突出，从而限制了纯数据驱动方法的可靠性。已有多种策略被提出以应对这些挑战，包括通过组合互补数据集（如光谱与色谱联用）进行数据增广，以及引入基于已知反应动力学的硬约束。然而这些方法往往需要额外的实验工作或详细的先验知识。因此，开发稳健且实用的方法以在保持灵活性和较低实验复杂度的同时提高组分分辨能力，仍是当前的研究需求。
此前研究已证明，在MCR-ALS中用反应物和产物的加权光谱对多组分数据集进行种子化（seeding）可解决上述问题，并通过非线性最小二乘（nonlinear least squares, NLS）拟合加权反应组分光谱之和得到了进一步支持。然而，由于种子化对数据集施加了较大的权重，无法对MCR-ALS分析施加动力学约束，因此两种方法均未以速率常数的形式对反应动力学进行量化。本研究旨在开发和验证一种集成方法，用于解析多组分反应体系，特别关注克服秩亏缺和改善动力学解释，并对两种方法定量比较其准确再现已知反应组分光谱和反应速率的能力。为此，本研究以苯甲醛和丙酮的无溶剂改良Claisen-Schmidt缩合反应作为模型体系，该反应可在室温温和条件下无溶剂进行，非常适合在拉曼显微镜下进行原位监测。无溶剂条件消除了溶剂可能带来的光谱干扰和复杂性。
研究人员采用的主要技术方法包括：使用配备532 nm半导体二极管激光器的Horiba LabRAM共聚焦拉曼光谱显微镜进行原位反应监测，对苯甲醛与丙酮在哌啶催化下于室温（约20 °C）的无溶剂缩合反应进行长达1000分钟的时程光谱采集。数据预处理采用Savitzky-Golay平滑、非对称最小二乘和Rubber band基线校正以及向量归一化。分析策略包括基于问题的NLS光谱拟合（三组分和四组分模型）、软建模与硬建模MCR-ALS、种子化MCR-ALS（以10,000倍优化的纯组分光谱种子权重），以及基于连续伪一级反应动力学模型的指数动力学拟合。反应原料和产物均采购自商业供应商（Merck、Fisher Scientific、Thermo Scientific、Fluorochem EU），未额外说明样本队列来源。
在结果方面，首先是NLS拟合分析。基于问题的NLS拟合分析用于评估光谱随反应组分的变化。三组分模型的拟合残差在1263 cm?1和3010 cm?1附近以及1600–1700 cm?1和2900–3100 cm?1等关键区域出现显著且一致的特征峰，表明反应过程模型不完整。考虑到新生成的亚苄基丙酮可能进一步与另一分子苯甲醛反应生成二亚苄基丙酮，研究人员进行了四组分NLS拟合，结果显示先前观察到的残差特征峰减弱，总体残差显著降低。相对拟合误差（relative fitting error, RFE）和残差平方和（residual sum of squares, RSS）的定量比较证实四组分模型的拟合优度明显优于三组分模型，从而确认在该反应条件下亚苄基丙酮作为中间产物，进一步反应生成二亚苄基丙酮作为最终产物。四组分NLS拟合还给出了各组分的动力学演化曲线，显示出反应物浓度随时间下降，产物D（二亚苄基丙酮）逐渐主导，中间体C（亚苄基丙酮）呈现先升后降的趋势。
其次是MCR-ALS软建模和硬建模。研究对反应数据集应用了软约束和硬约束的MCR-ALS方法，以解析反应组分并提取动力学信息。无论是软建模还是硬建模MCR-ALS，均无法识别数据矩阵中正确的组分光谱，并生成了具有误导性的浓度分布。硬建模MCR-ALS在动力学约束下得到的结果类似于二组分演化（A → B），表明仅靠软建模或硬建模MCR-ALS不足以从反应数据中提取准确的光谱和动力学信息。
第三是种子化MCR-ALS。鉴于常规MCR-ALS的局限，研究人员采用种子化MCR-ALS方法，将四种已知纯组分光谱以加权形式增广至反应数据矩阵中，以引导分解过程。通过系统变化种子权重（100至100,000倍）并监测各组分的残差总和（sum residual error, SUMR），确定10,000倍为最优种子权重。种子化MCR-ALS成功识别出与纯组分几乎一致的反应组分光谱，A-D各组分的SUMR分别为0.0145、0.0088、0.0423和0.0182。其解析的浓度分布在整体趋势上与NLS拟合结果一致，但曲线存在一定的强度差异，例如组分A（苯甲醛）在种子化MCR-ALS中起始约1.0 a.u.，终止约0.48 a.u.，而在NLS动力学曲线中起始约0.88 a.u.，终止约0.42 a.u.。
第四是指数动力学拟合。种子化MCR-ALS解析的浓度分布进一步采用连续伪一级反应模型（A → C → D）进行指数动力学拟合。该模型对种子化MCR-ALS数据提供了良好的拟合描述，拟合误差为0.6964%，RSS为0.156，R2为0.935。拟合得到第一、二步速率常数分别为k? = 0.0027 ± 0.0002 min?1和k? = 0.0960 ± 0.0732 min?1。动力学分析显示反应进程中约有66%的产物D（二亚苄基丙酮）生成，并观察到中间产物C（亚苄基丙酮）的出现。种子化MCR-ALS解析谱与纯组分光谱之间的百分比光谱误差极小：A为0.00071%，B为0.00117%，C为0.00046%，D为0.00075%；残差在?0.0002至0.0006 a.u.范围内，相对于组分的归一化强度可以忽略不计。
第五是种子化MCR-ALS与NLS光谱拟合模型的动力学比较。研究还分别用种子化MCR-ALS解析的光谱分布（NLS (sopt)）和纯组分光谱（NLS (pure)）对反应数据进行指数动力学拟合。NLS (sopt)模型给出k? = 0.0025 ± 0.0003 min?1和k? = 0.2000 ± 0.5440 min?1，RSS为0.5243，百分比误差为2.3388%，R2为0.7824。NLS (pure)模型给出k? = 0.0025 ± 0.0003 min?1和k? = 0.1847 ± 0.4657 min?1，RSS为0.4083，百分比误差为2.3324%，R2为0.7825。两种NLS模型的k?不确定度均超过了参数本身的值。三种模型的性能比较显示，MCR (sopt)拟合性能最优，两种NLS模型动力学行为相当，NLS (pure)的残差表现略优。
在讨论部分，研究人员首先探讨了Claisen-Schmidt反应的拉曼光谱演化。该反应虽改编自传统Claisen-Schmidt缩合，但在无溶剂条件下以哌啶催化进行，观察到的反应趋势和动力学行为与碱催化缩合的预期机理一致。研究最初假设三组分反应体系，但NLS拟合分析揭示了第四组分的存在，四组分NLS拟合的残差、拟合误差和RSS均低于三组分模型，且浓度曲线与四组分反应体系高度吻合。其次，关于MCR-ALS纯组分分辨，软建模和硬建模MCR-ALS均因秩亏缺问题无法解析反应组分。种子化多变量分析过程首次在PCA背景下被描述，种子化通过将数据集的方差偏向已知组分方向使其更容易被区分。种子化MCR-ALS则引入先验光谱信息引导分辨过程，同时直接恢复浓度和光谱分布。需要注意的是，种子光谱中部分（亚苄基丙酮和二亚苄基丙酮）来自固态纯品，而反应在液相监测，环境差异可能引起微小光谱差异；但参考光谱并非作为固定光谱约束，而是通过增广数据矩阵提高已知组分的方差贡献。均匀施加10,000倍种子权重即可确保收敛到稳定解并获得最小残差，超过1000倍后继续增大种子权重不再显著改善SUMR，因此选择等于或高于该阈值的种子权重是最佳实践。关于动力学模型解释，三种方法的k?均被良好约束且不确定度低，而k?的不确定度显著较大，特别是在NLS方法中。这一现象归因于第二步反应生成的二亚苄基丙酮浓度较低、光谱贡献较弱，其浓度分布更容易受到噪声、光谱重叠和未建模贡献的影响。此外，实验设计中的时间采样密度也可能影响浓度分布分辨率和动力学参数精度，较快的第二步反应时间分辨率不足，加之二亚苄基丙酮光谱贡献弱，共同导致了k?较大的不确定度。文中速率常数仅为化学计量学浓度分布的相对比较提供参考，不应解释为该缩合反应的固有机理速率常数。
在结论部分，该研究总结为：开发了一种结合化学计量学与动力学分析的联合策略用于复杂反应体系的光谱数据分析，以苯甲醛和丙酮的Claisen-Schmidt缩合反应为模型。该策略基于通过NLS进行初始组分识别，继而以优化的种子权重进行种子化MCR-ALS，实现了重叠物种及其时间演化的准确分辨。指数动力学拟合进一步证实了提取的浓度分布的可靠性，其中种子化MCR-ALS较NLS方法表现出更优的一致性。值得注意的是，种子化MCR-ALS持续产生更平滑、噪声更低、更具化学意义的分布，从而改善了动力学参数估计并降低了拟合误差。对比分析还显示了不同方法间的明确性能差异：种子化MCR-ALS精度最高（R2 = 0.94），其次为NLS (sopt)，NLS (pure)表现最弱。这些发现强调了在解决光谱重叠、噪声和秩亏缺等问题时引入先验知识和全局优化策略的重要性。总体而言，所提出的方法为分析复杂反应体系和提取可靠动力学信息提供了一个强大且可推广的框架，在过程监测、代谢组学研究以及多步或级联反应体系等更复杂场景中具有广阔的应用前景，在这些场景中，准确分辨动态化学变化至关重要。
