本技術(shù)涉及數(shù)據(jù)處理，特別涉及一種洗脫行為的預(yù)測方法和系統(tǒng)、終端設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、柱層析（column?chromatography）是一種重要的分離純化技術(shù)，廣泛應(yīng)用于化學(xué)、生物化學(xué)及中藥研究領(lǐng)域。其基本原理是利用固定相（如硅膠、離子交換樹脂或凝膠）與流動相（如有機溶劑或緩沖液）之間的不同吸附能力，使不同組分在固定相上的保留時間不同，從而實現(xiàn)分離。在現(xiàn)代工業(yè)生產(chǎn)中，高純度、高效率的分離技術(shù)是保證產(chǎn)品質(zhì)量、提高生產(chǎn)效率和降低成本的關(guān)鍵。隨著醫(yī)藥、生物技術(shù)、食品加工等行業(yè)對高純度化合物的需求不斷增長，柱層析因其高效分離的特性成為工業(yè)生產(chǎn)中不可或缺的一環(huán)。例如，在生物制藥行業(yè)，蛋白質(zhì)、抗體等生物大分子需要經(jīng)過精細(xì)分離以確保療效和安全性；在中藥提取領(lǐng)域，復(fù)雜的化學(xué)成分需要精準(zhǔn)分離以保證藥效一致性。柱層析憑借其高效分離能力、廣泛適用性、可擴展性及與現(xiàn)代檢測和智能優(yōu)化技術(shù)的結(jié)合，在工業(yè)生產(chǎn)中具有重要的應(yīng)用價值。

2、工業(yè)柱層析洗脫過程的監(jiān)控及起點、終點判定主要依賴人工經(jīng)驗和理化檢測技術(shù)的結(jié)合。技術(shù)人員通常依據(jù)歷史數(shù)據(jù)、實驗記錄和洗脫時間窗口推測最佳收集時機，并通過定期取樣（tlc/hplc）輔助確認(rèn)。與此同時，工業(yè)生產(chǎn)中常采用uv-vis、折光檢測（ri）、電導(dǎo)檢測（cd）等在線監(jiān)測手段來追蹤目標(biāo)化合物的洗脫情況，高精度生產(chǎn)還可能借助hplc/lc-ms離線分析以確保分離效果。這種經(jīng)驗與技術(shù)相結(jié)合的方式，使工業(yè)柱層析在生產(chǎn)過程中能夠?qū)崿F(xiàn)對洗脫過程的基本控制和質(zhì)量監(jiān)測。其中，tlc?(thin?layer?chromatography)：薄層色譜是一種分離技術(shù)，用于分離混合物中的不同成分；hplc?(high-performanceliquid?chromatography)：高效液相色譜是一種更精確和強大的分離技術(shù)，能夠分離、鑒定和量化樣品中的各種成分；uv-vis?(ultraviolet-visible?spectroscopy)：紫外-可見分光光度法通過測量物質(zhì)對紫外光或可見光的吸收來確定其濃度或結(jié)構(gòu)特性；ri(refractive?index?detection)：折光檢測是基于物質(zhì)的折射率變化來進行檢測的技術(shù)。

3、工業(yè)柱層析主要依賴人工經(jīng)驗進行洗脫監(jiān)控，但仍存在局限。經(jīng)驗判斷依賴于操作人員的熟練程度和歷史數(shù)據(jù)，易受批次差異影響，導(dǎo)致洗脫起點、終點誤判。理化檢測技術(shù)中hplc和uplc等離線檢測手段費時費力，無法實時反饋洗脫過程的濃度變化，導(dǎo)致洗脫終點和起點的判斷滯后。uv-vis僅適用于具有紫外吸收的物質(zhì)，ri易受溶劑梯度影響，cd則局限于離子型化合物適用范圍有限。

4、因而現(xiàn)有技術(shù)還有待改進和提高。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供一種洗脫行為的預(yù)測方法和系統(tǒng)、終端設(shè)備及存儲介質(zhì)，旨在解決現(xiàn)有技術(shù)中在預(yù)測洗脫行為的起止點時，預(yù)測效率低且精度差的問題。

2、第一方面，本技術(shù)實施例提供一種洗脫行為的預(yù)測方法，包括：

3、等時間間隔地多次采集模擬柱層析洗脫過程中析出的目標(biāo)液體，獲得多批按時間排序的模擬采集樣本；

4、分別對每批次中所有的模擬采集樣本進行近紅外光譜采集并進行預(yù)處理，得到多批按時間排序的模擬光譜數(shù)據(jù)；

5、分批利用滑動時間窗口機制將所述模擬光譜數(shù)據(jù)中的訓(xùn)練集對長短期記憶網(wǎng)絡(luò)組合模型進行訓(xùn)練，以使訓(xùn)練后的長短期記憶網(wǎng)絡(luò)組合模型學(xué)習(xí)所述模擬光譜數(shù)據(jù)中時間特征數(shù)據(jù)與輸出目標(biāo)之間的映射關(guān)系；

6、利用所述訓(xùn)練后的長短期記憶網(wǎng)絡(luò)組合模型根據(jù)所述映射關(guān)系，以及目標(biāo)時刻采集到的柱層析洗脫過程中的實際光譜數(shù)據(jù)，預(yù)測得到所述柱層析洗脫過程中在所述目標(biāo)時刻的后一時刻的生物大分子的實際預(yù)測濃度，以確定所述柱層析洗脫過程中的關(guān)鍵節(jié)點。

7、在一些實施例中，所述輸出目標(biāo)包括：生物大分子的模擬預(yù)測濃度；

8、所述利用滑動時間窗口機制將所述模擬光譜數(shù)據(jù)中的訓(xùn)練集對長短期記憶網(wǎng)絡(luò)組合模型進行分批訓(xùn)練，以使訓(xùn)練后的長短期記憶網(wǎng)絡(luò)組合模型學(xué)習(xí)所述模擬光譜數(shù)據(jù)中與輸出目標(biāo)之間的映射關(guān)系，包括：

9、在每一批次中，利用所述長短期記憶網(wǎng)絡(luò)組合模型，對當(dāng)前時間窗口對應(yīng)的所述訓(xùn)練集進行預(yù)測，得到所述當(dāng)前時間窗口后一時刻的所述生物大分子的模擬預(yù)測濃度；

10、對移動預(yù)設(shè)距離后選取的下一時間窗口對應(yīng)的所述訓(xùn)練集進行預(yù)測，得到所述下一時間窗口后一時刻的所述生物大分子的模擬預(yù)測濃度，直至所有時刻的所述訓(xùn)練集完成預(yù)測，得到模擬預(yù)測濃度序列；

11、以及對所述模擬預(yù)測濃度序列進行訓(xùn)練，直至所述長短期記憶網(wǎng)絡(luò)組合模型的損失函數(shù)達(dá)到目標(biāo)閾值，以使得到的所述訓(xùn)練后的長短期記憶網(wǎng)絡(luò)組合模型學(xué)習(xí)所述模擬光譜數(shù)據(jù)中的時間特征數(shù)據(jù)與所述生物大分子對應(yīng)的模擬預(yù)測濃度之間的映射關(guān)系；

12、其中，每一個時間窗口具有相同的預(yù)設(shè)時間步長度；所述時間特征數(shù)據(jù)由按時間排序的光譜數(shù)據(jù)構(gòu)成；所述生物大分子包括：蛋白質(zhì)、皂苷和抗體；所述關(guān)鍵節(jié)點包括：洗脫起點和洗脫終點。

13、在一些實施例中，所述長短期記憶網(wǎng)絡(luò)組合模型包括：依次連接的雙層的長短期記憶網(wǎng)絡(luò)子模型、展平層和全連接層；

14、每一層所述長短期記憶網(wǎng)絡(luò)子模型包括依次連接的目標(biāo)數(shù)目的長短期記憶網(wǎng)絡(luò)，第一層所述長短期記憶網(wǎng)絡(luò)子模型中每一個所述長短期記憶網(wǎng)絡(luò)與第二層所述長短期記憶網(wǎng)絡(luò)子模型中相同位置的長短期記憶網(wǎng)絡(luò)連接；

15、每一個長短期記憶網(wǎng)絡(luò)包含隱藏單元，用于對所述時間特征數(shù)據(jù)進行特征提取。

16、在一些實施例中，所述預(yù)處理包括：白黑板校正、吸光度轉(zhuǎn)換、sg平滑處理、一階導(dǎo)數(shù)處理和最大最小歸一化處理；

17、所述分別對每批次中所有的模擬采集樣本進行近紅外光譜采集并進行預(yù)處理，得到多批按時間排序的模擬光譜數(shù)據(jù)，包括：

18、利用近紅外光譜儀采集所有的所述模擬采集樣本中目標(biāo)波長范圍的光譜數(shù)據(jù)，得到目標(biāo)光譜數(shù)據(jù)；

19、對所述目標(biāo)光譜數(shù)據(jù)依次進行白黑板校正、吸光度轉(zhuǎn)換、sg平滑處理、一階導(dǎo)數(shù)處理和最大最小歸一化處理，得到所述多批按時間排序的模擬光譜數(shù)據(jù)；

20、其中，所述按時間排序的模擬光譜數(shù)據(jù)為在連續(xù)的目標(biāo)時刻上采集的模擬光譜數(shù)據(jù)。

21、在一些實施例中，該洗脫行為的預(yù)測方法，還包括：

22、將所述模擬光譜數(shù)據(jù)中的驗證集輸入至所述訓(xùn)練后的長短期記憶網(wǎng)絡(luò)組合模型中對評價指標(biāo)進行計算，根據(jù)計算結(jié)果調(diào)整所述訓(xùn)練后的長短期記憶網(wǎng)絡(luò)組合模型的結(jié)構(gòu)或超參數(shù)；

23、其中，所述評價指標(biāo)包括：決定系數(shù)、平均絕對誤差、均方根誤差和相對預(yù)測偏差。

24、在一些實施例中，所述利用滑動時間窗口機制將所述模擬光譜數(shù)據(jù)中的訓(xùn)練集對長短期記憶網(wǎng)絡(luò)組合模型進行分批訓(xùn)練，之后還包括：

25、每次在當(dāng)前批次所有時刻的所述訓(xùn)練集完成預(yù)測后，利用所述驗證集計算所述決定系數(shù)；

26、若所述決定系數(shù)在經(jīng)過連續(xù)目標(biāo)批次的訓(xùn)練過程中均保持不變，則結(jié)束訓(xùn)練過程，否則，直至所有批次所有時刻的所述訓(xùn)練集完成預(yù)測后完成訓(xùn)練過程；

27、其中，所述當(dāng)前批次所有時刻的所述訓(xùn)練集完成預(yù)測為所述當(dāng)前批次的訓(xùn)練過程結(jié)束。

28、第二方面，本技術(shù)實施例提供一種洗脫行為的預(yù)測系統(tǒng)，包括：

29、采集模塊，用于等時間間隔地多次采集模擬柱層析洗脫過程中析出的目標(biāo)液體，獲得多批按時間排序的模擬采集樣本；

30、預(yù)處理模塊，用于分別對每批次中所有的模擬采集樣本進行近紅外光譜采集并進行預(yù)處理，得到多批按時間排序的模擬光譜數(shù)據(jù)；

31、訓(xùn)練模塊，用于分批利用滑動時間窗口機制將所述模擬光譜數(shù)據(jù)中的訓(xùn)練集對長短期記憶網(wǎng)絡(luò)組合模型進行訓(xùn)練，以使訓(xùn)練后的長短期記憶網(wǎng)絡(luò)組合模型學(xué)習(xí)所述模擬光譜數(shù)據(jù)中時間特征數(shù)據(jù)與輸出目標(biāo)之間的映射關(guān)系；

32、預(yù)測模塊，用于利用所述訓(xùn)練后的長短期記憶網(wǎng)絡(luò)組合模型根據(jù)所述映射關(guān)系，以及目標(biāo)時刻采集到的柱層析洗脫過程中的實際光譜數(shù)據(jù)，預(yù)測得到所述柱層析洗脫過程中在所述目標(biāo)時刻的后一時刻的生物大分子的實際預(yù)測濃度，以確定所述柱層析洗脫過程中的關(guān)鍵節(jié)點。

33、第三方面，本技術(shù)實施例提供一種柱層析洗脫過程的實時檢測系統(tǒng)，包括：

34、依次連接的在線采集單元、近紅外光譜獲取模塊、后臺處理系統(tǒng)和用戶可視化模塊；

35、所述在線采集單元，用于等時間間隔地對模擬柱層析洗脫過程中析出的目標(biāo)液體進行采集，得到模擬采集樣本；

36、所述近紅外光譜獲取模塊，用于采集所述模擬采集樣本中目標(biāo)波長范圍的光譜數(shù)據(jù)，得到目標(biāo)光譜數(shù)據(jù)，并根據(jù)所述目標(biāo)光譜數(shù)據(jù)生成近紅外特征曲線，以使所述用戶可視化模塊進行顯示；

37、所述后臺處理系統(tǒng)，用于對所述目標(biāo)光譜數(shù)據(jù)進行預(yù)處理操作后，并根據(jù)目標(biāo)時刻的預(yù)處理后的所述目標(biāo)光譜數(shù)據(jù)，預(yù)測得到在所述目標(biāo)時刻的后一時刻的生物大分子的實際預(yù)測濃度，以及用于根據(jù)所述近紅外特征曲線，確定出所述柱層析洗脫過程中的關(guān)鍵節(jié)點時，發(fā)出預(yù)警信號。

38、第四方面，本技術(shù)實施例提供一種終端設(shè)備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執(zhí)行時實現(xiàn)如上所述的洗脫行為的預(yù)測方法的步驟。

39、第五方面，本技術(shù)實施例提供一種計算機可讀存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述的洗脫行為的預(yù)測方法的步驟。

40、相較于現(xiàn)有技術(shù)，本技術(shù)提供的一種洗脫行為的預(yù)測方法和系統(tǒng)、終端設(shè)備及存儲介質(zhì)，所述方法通過等時間間隔地多次采集模擬柱層析洗脫過程中析出的目標(biāo)液體后，對得到的模擬采集樣本分批次進行近紅外光譜采集并進行預(yù)處理，利用滑動時間窗口機制將得到的多批按時間排序的模擬光譜數(shù)據(jù)對長短期記憶網(wǎng)絡(luò)組合模型進行訓(xùn)練，再利用訓(xùn)練后的模型對柱層析洗脫過程進行預(yù)測，預(yù)測出柱層析洗脫過程中的關(guān)鍵節(jié)點，從而能夠高效且準(zhǔn)確地識別出洗脫行為中關(guān)鍵節(jié)點，以使得操作人員掌握目標(biāo)成分的洗脫時機，從而有效提升洗脫過程的適應(yīng)性和生產(chǎn)效率。