Мера волновых чисел рамановских сдвигов и возможности ее применения для количественного анализа

Рамановская спектроскопия в основном используется для качественного анализа, поскольку интенсивность рамановских линий зависит от прибора, на котором измерен спектр. В то же время высокая селективность рамановских спектров стимулирует интерес к поиску способов их использования также и для количественного анализа. В этой связи особую актуальность приобретает разработка способов эффективного применения рамановской спектроскопии для количественного анализа.

Целью настоящего исследования являлось изучение возможностей применения для количественного анализа по рамановским спектрам разработанной в ФГБУ «ВНИИОФИ» меры, предназначенной для калибровки рамановских приборов по шкале волновых чисел рамановских сдвигов.

Разработанная мера (93847-24 – регистрационный номер в Федеральном информационном фонде по обеспечению единства измерений) представляет собой полимерную пленку из полистирола с добавлением серы. Мера позволяет хранить и передавать единицу волновых чисел рамановских сдвигов для длин волн возбуждения рамановского рассеяния 532, 633 и 785 нм.

В статье описано исследование, в ходе которого рассмотрена возможность применения данной меры для количественного анализа веществ за счет измерения интенсивности рамановских линий в приборно-независимых единицах. Установлено, что применение меры позволяет определять объемную долю индивидуальных веществ (на примере этанола) с относительной случайной погрешностью менее 3 % и относительной систематической погрешностью менее 6 %. Для анализа многокомпонентных смесей (спиртов, сахаров) с помощью меры строилась многомерная градуировка с применением метода частичных наименьших квадратов. При этом объемная доля компонентов в неизвестном образце определялась с относительной погрешностью, не превышающей 15 %.

Практическая значимость полученных результатов исследования позволяет производить калибровку рамановских микроскопов и спектрометров по шкале волновых чисел рамановских сдвигов, а также осуществлять количественный анализ индивидуальных веществ в многокомпонентных системах с помощью рамановской спектроскопии.

1. Benattia F. K., Arrar Z., Dergal F. Methods and applications of Raman spectroscopy: a powerful technique in modern research, diagnosis, and food quality control // Current Nutrition & Food Science. 2024. Vol. 20, № 1. P. 41–61. https://doi.org/10.2174/1573401319666230503150005

2. Xiao L., Feng S., Lu X. Raman spectroscopy: Principles and recent applications in food safety // Advances in Food and Nutrition Research. 2023. Vol. 106. P. 1–29. https://doi.org/10.1016/bs.afnr.2023.03.007

3. Khristoforova Y., Bratchenko L., Bratchenko I. Raman-based techniques in medical applications for diagnostic tasks: a review // International Journal of Molecular Sciences. 2023. Vol. 24, № 21. P. 15605. https://doi.org/10.3390/ijms242115605

4. Raman spectroscopy for viral diagnostics / J. Lukose [et al.] // Biophysical Reviews. 2023. Vol. 15, № 2. P. 199–221. https://doi.org/10.1007/s12551-023-01059-4

5. Recent advancements and applications of Raman spectroscopy in pharmaceutical analysis / K. C. Shah [et al.] // Journal of Molecular Structure. 2023. Vol. 1278. P. 134914. https://doi.org/10.1016/j.molstruc.2023.134914

6. Ott C. E., Arroyo L. E. Transitioning surface-enhanced Raman spectroscopy (SERS) into the forensic drug chemistry and toxicology laboratory: Current and future perspectives // Wiley Interdisciplinary Reviews: Forensic Science. 2023. Vol. 5, № 4. P. e1483. https://doi.org/10.1002/wfs2.1483

7. Chauhan S., Sharma S. Applications of Raman spectroscopy in the analysis of biological evidence // Forensic Science, Medicine and Pathology. 2024. Vol. 20, № 3. P. 1066–1090. https://doi.org/10.1007/s12024–023–00660-z

8. Recent progresses in machine learning assisted Raman spectroscopy / Y. Qi [et al.] // Advanced Optical Materials. 2023. Vol. 11, № 14. P. 2203104. https://doi.org/10.1002/adom.202203104

9. Berghian-Grosan C., Magdas D. A. Application of Raman spectroscopy and Machine Learning algorithms for fruit distillates discrimination // Scientific reports. 2020. Vol. 10, № 1. P. 21152. https://doi.org/10.1038/s41598-020-78159-8

10. Using Raman spectroscopy as a fast tool to classify and analyze Bulgarian wines-A feasibility study / V. Deneva [et al.] // Molecules. 2019. Vol. 25, № 1. P. 170. https://doi.org/10.3390/molecules25010170

11. Learning algorithms for identification of whisky using portable Raman spectroscopy / K. J. Lee [et al.] // Current Research in Food Science. 2024. Vol. 8. P. 100729. https://doi.org/10.1016/j.crfs.2024.100729

12. Black Carbon characterization with Raman spectroscopy and machine learning techniques: first results for urban and rural area / L. Drudi [et al.] // Global NEST International Conference on Environmental Science & Technology: Collection of works 18th International Conference on Environmental Science and Technology CEST 2023, Athens, Greece, 30 August to 2 September 2023. https://doi.org/10.30955/gnc2023.00088

13. Machine-learning models for Raman spectra analysis of twisted bilayer graphene / N. Sheremetyeva [et al.] // Carbon. 2020. Vol. 169. P. 455–464. https://doi.org/10.1016/j.carbon.2020.06.077

14. Raman spectroscopy combined with machine learning algorithms to detect adulterated Suichang native honey / S. Hu [et al.] // Scientific reports. 2022. Vol. 12, № 1. P. 3456. https://doi.org/10.1038/s41598-022-07222-3

15. Machine learning assisted Raman spectroscopy: A viable approach for the detection of microplastics / M. Sunil [et al.] // Journal of Water Process Engineering. 2024. Vol. 60. P. 105150. https://doi.org/10.1016/j.jwpe.2024.105150

16. Machine learning-assisted raman spectroscopy and SERS for bacterial pathogen detection: clinical, food safety, and environmental applications / M. H. U. Rahman [et al.] // Chemosensors. 2024. Vol. 12, № 7. P. 140. https://doi.org/10.3390/chemosensors12070140

17. Qi Y., Liu Y., Luo J. Recent application of Raman spectroscopy in tumor diagnosis: from conventional methods to artificial intelligence fusion // PhotoniX. 2023. Vol. 4, № 1. P. 22. https://doi.org/10.1186/s43074-023-00098-0

18. Machine learning analysis of Raman spectra to quantify the organic constituents in complex organic-mineral mixtures / M. Zarei [et al.] // Analytical Chemistry. 2023. Vol. 95, № 43. P. 15908–15916. https://doi.org/10.1021/acs.analchem.3c02348

19. Аленичев М. К., Юшина А. А. Мера волновых чисел рамановских сдвигов широкого диапазона на основе полимерного материала обучения // Измерительная техника. (В печати.)

20. Kumar K. Partial least square (PLS) analysis: Most favorite tool in chemometrics to build a calibration model // Resonance. 2021. Vol. 26. P. 429–442. https://doi.org/10.1007/s12045-021-1140-1

21. Саакян А. В., Левин А. Д. Программное обеспечение для обработки спектральных данных методами хемометрики и машинного обучения // Аналитика. 2024. Т. 14, № 2. C. 154–160. https://doi.org/10.22184/2227–572X.2024.14.2.154.160