MCP HubMCP Hub
Retour aux compétences

interpret-chromatogram

pjt222
Mis à jour Yesterday
4 vues
17
2
17
Voir sur GitHub
Autregeneral

À propos

Cette compétence interprète les chromatogrammes HPLC ou GC pour le contrôle qualité et la validation de méthode. Elle réalise des tests d'aptitude du système, identifie et quantifie les pics, calcule les paramètres chromatographiques et évalue la qualité des pics. Les développeurs peuvent l'utiliser pour automatiser les rapports de diagnostic, évaluer les performances des méthodes ou résoudre les problèmes liés à des données chromatographiques complexes.

Installation rapide

Claude Code

Recommandé
Principal
npx skills add pjt222/agent-almanac -a claude-code
Commande PluginAlternatif
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternatif
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-chromatogram

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation


name: interpret-chromatogram locale: zh-CN source_locale: en source_commit: 6f65f316 translator: claude-sonnet-4-6 translation_date: 2026-03-16 description: > 解读色谱图(HPLC 或 GC),包括系统适应性检验、峰鉴别与定量、色谱 参数计算,以及峰质量评估。用于质量控制报告、方法适用性评估或 疑难谱图诊断。 license: MIT allowed-tools: Read Grep Glob WebFetch WebSearch metadata: author: Philipp Thoss version: "1.0" domain: chromatography complexity: intermediate language: natural tags: chromatography, peak-integration, resolution, tailing-factor, system-suitability

解读色谱图

通过系统检验系统适应性参数、评估峰质量、计算色谱参数并进行峰鉴别和定量,全面解读色谱图,得出分析结论。

适用场景

  • 色谱方法日常运行的系统适应性检验
  • 检查峰的身份(保留时间比对、UV 纯度、MS 确认)
  • 计算分辨率、板数和拖尾因子
  • 评估峰积分的准确性(基线选择、峰谷)
  • 解读异常谱图(宽峰、鬼峰、基线漂移)

输入

  • 必填:色谱图(信号 vs. 时间)
  • 必填:方法规范(流动相、色谱柱、流速、检测器)
  • 必填:目标分析物的参考保留时间(或标准品谱图)
  • 可选:系统适应性验收标准(来自方法文件)
  • 可选:标准曲线数据(定量分析时需要)

步骤

第 1 步:系统适应性检验

在解读样品谱图之前,确认仪器状态正常:

必查参数

参数公式典型验收标准
理论板数(N)N = 5.54 × (tR/w½)²≥ 2000(USP)
分辨率(Rs)Rs = 2(tR2-tR1)/(w1+w2)≥ 1.5(基线分离);≥ 2.0(严格)
拖尾因子(Tf,USP 法)Tf = W0.05/(2 × f)0.8–2.0
对称因子(As,EP 法)As = W0.05/(2 × d1)0.8–1.5
峰面积 %RSD(重复进样)%RSD = (s/x̄) × 100< 1.0%(精密度高时);< 2.0%(常规)
保留时间 %RSD同上< 0.5%

:USP 拖尾因子(Tf)和 EP 对称因子(As)的计算位点相同(峰高 5%处的半峰宽),但定义方式略有差异,需按适用药典方法计算。

## 系统适应性检验结果
| 参数 | 测量值 | 验收标准 | 通过/失败 |
|-----|------|---------|---------|
| N(系统适应性峰) | [值] | ≥ [标准] | [P/F] |
| Rs(关键峰对) | [值] | ≥ [标准] | [P/F] |
| Tf(或 As) | [值] | [范围] | [P/F] |
| %RSD 峰面积(n=X) | [值] | < [标准] | [P/F] |

预期结果: 所有系统适应性参数满足方法规范要求,可继续进行样品分析。

失败处理: 若系统适应性失败,停止样品分析,查明原因(见 troubleshoot-separation 技能)。常见原因:色谱柱退化、流动相污染、进样器问题、仪器漏液。

第 2 步:峰鉴别

确认各峰的身份:

主要鉴别方法(按可靠性排序)

  1. 绝对保留时间比对:在相同条件下与参考标准品的保留时间比较(差异 < ±0.5%)。适用于方法受控的常规分析。
  2. 相对保留时间(RRT)比对:以主峰为参考,计算各峰的 RRT = tR(峰X)/tR(主峰)。对系统波动(如流速微小变化)更稳定。
  3. UV 光谱比对(DAD 检测器):在峰顶处提取 UV 光谱,与参考光谱比较。相关系数(r)> 0.999 可认为谱形一致。
  4. MS 确认(LC-MS 联用):通过分子离子峰([M+H]+)和碎片谱(MS/MS)确认峰身份。最高可靠性,适用于未知峰或监管报告。
  5. 峰加标(spike-in):向样品中添加已知标准品,观察目标峰是否增高而无新峰出现。适用于验证定性归属。
## 峰鉴别结果
| 峰编号 | tR(min) | RRT | 鉴别方法 | 归属化合物 | 置信度 |
|------|---------|-----|---------|---------|------|
| [#] | [值] | [值] | [方法] | [名称] | [高/中/低] |

预期结果: 所有目标峰均通过保留时间和光谱数据明确鉴别,未知峰已标注并报告。

失败处理: 若保留时间偏移超过规定范围(可能由流动相 pH 变化或柱温波动引起),重新建立 RRT 参考值;若 UV 光谱匹配度差,考虑共流出杂质(用峰纯度检验确认)。

第 3 步:峰积分评估

准确积分是定量的前提:

基线类型和选择规则

情况推荐基线方法注意事项
峰基线平坦,无漂移水平基线(谷-谷)最理想情况
基线漂移(梯度洗脱)斜线基线(穿过峰两侧基线点)切勿用水平线处理漂移基线
部分重叠峰(谷点分割)垂直降线法(峰谷处垂直切割)仅当 Rs > 0 时适用
严重重叠(Rs < 1)高斯拟合去卷积需数学模型支持,须注明

积分问题常见表现及原因

  • 积分面积偏低:积分起止点设置不当(过早截止拖尾峰),或拖尾峰的尾部被漏计
  • 空白峰被积分:噪声峰被误积分(提高最小峰面积阈值)
  • 基线扣除不当:基线未正确穿过峰两侧的基线点(梯度漂移情况下常见)

预期结果: 所有目标峰均已正确积分,积分区域包含完整的峰面积(起点和终点正确设置),基线合理反映背景信号。

失败处理: 若积分结果受基线漂移影响显著,调整梯度末端再平衡时间(减少漂移),或在积分方法中采用动态基线修正算法。

第 4 步:定量计算

将峰面积换算为浓度或含量:

定量方法选择

方法公式适用场景
外标法c = A_样品/A_标准 × c_标准最常用;需精确进样量
内标法c = (A_样品/A_IS) × (c_IS/响应因子)克服进样体积误差;适用于复杂基质
面积归一化法% = A_i/ΣA × 100仅用于估算组成;各组分响应因子相近时有效
标准曲线法多浓度点回归需要宽线性范围或未知样品浓度时

外标法计算示例

已知:标准品浓度 c_std = 1.00 mg/mL;标准品峰面积 A_std = 856432
样品峰面积 A_smp = 843201
计算:c_smp = 843201 / 856432 × 1.00 mg/mL = 0.985 mg/mL

预期结果: 定量结果已计算,相对标准偏差(%RSD,n ≥ 3)在方法规定的精密度范围内,结果已换算至适当单位(mg/mL、%、μg/g 等)。

失败处理: 若样品浓度超出标准曲线范围(吸光度过高或过低),按比例稀释或浓缩后重新测定。若 %RSD 超标,检查进样量精度(换新进样针)、温度波动(稳定柱温)或流动相组成变化。

第 5 步:综合解读和报告

整合所有参数,形成分析结论:

## 谱图解读报告

### 系统适应性
- [通过 / 失败],详见系统适应性表

### 峰鉴别
- 目标峰:[峰名],tR = [值] min,RRT = [值](通过/偏移 [%])
- 未知峰:[有/无],面积百分比 [%]

### 定量结果
| 分析物 | 峰面积 | 浓度(mg/mL) | %RSD(n=[次]) |
|-------|-------|------------|------------|
| [名称] | [值] | [值] | [值] |

### 峰质量评估
- 峰形:[正常 / 拖尾 / 前伸]
- 基线:[平坦 / 有漂移 / 有噪声]
- 峰纯度(若 DAD 检测):[合格 / 不合格(疑似杂质共洗脱)]

### 结论
[合格 / 不合格 / 需进一步测试]

预期结果: 完整的谱图解读报告,包含所有必要的定量结果和质量判断。

失败处理: 若出现无法解释的未知峰(面积 > 0.1%)或峰形异常,在报告中标注,并启动调查(见 troubleshoot-separation 技能)。

验证清单

  • 系统适应性参数(N、Rs、Tf、%RSD)均已计算并与验收标准比对
  • 所有目标峰通过保留时间和光谱数据完成鉴别
  • 峰积分基线设置合理,起止点正确
  • 定量方法(外标/内标/归一化)已按方法文件明确
  • 计算结果的单位和换算因子正确
  • 未知峰已标注并报告(面积 > 0.1% 时)
  • 报告格式满足监管或实验室要求

常见问题

  • 忽视系统适应性:跳过系统适应性检验直接处理样品数据,如果仪器状态异常(柱效下降、检测器灵敏度漂移),则所有结果均不可靠。
  • 拖尾峰积分面积偏低:手动设置积分终点时,若过早截止拖尾峰,将丢失 5–20% 的峰面积,导致含量偏低。使用自动积分算法并检查积分区域。
  • 将基线噪声误认为小峰:在噪声较大的 UV 谱图中,尤其是 210 nm 附近,基线波动可能被误识为微量杂质峰。应通过增大峰面积阈值或换算信噪比来判断。
  • 面积归一化用于不同官能团的混合物:不同官能团的摩尔消光系数或 FID 响应因子不同,面积归一化仅适用于结构相近(响应因子相近)的同系物或已验证的情况。
  • 忽视峰纯度:在复杂样品中,两个化合物可能共流出形成表面上正常的单峰。用 DAD 检测器检查峰纯度(不同波长下峰形是否一致),或用 MS 确认单一成分。
  • 保留时间作为唯一鉴别依据:在不同实验室或仪器之间,相同方法下保留时间可能略有差异。应结合 UV 光谱(DAD)或 MS 数据进行确认,仅靠保留时间鉴别未知物风险较高。

相关技能

  • troubleshoot-separation — 处理谱图中的异常问题
  • validate-analytical-method — 方法的正式定量验证
  • develop-hplc-method — 方法开发,为解读提供方法背景
  • develop-gc-method — GC 方法开发和解读背景

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/zh-CN/skills/interpret-chromatogram
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Compétences associées

llamaguard

Autre

LlamaGuard est le modèle de Meta, doté de 7 à 8 milliards de paramètres, conçu pour modérer les entrées et sorties des LLM selon six catégories de sécurité comme la violence et les discours haineux. Il offre une précision de 94 à 95 % et peut être déployé avec vLLM, Hugging Face ou Amazon SageMaker. Utilisez cette compétence pour intégrer facilement le filtrage de contenu et des garde-fous de sécurité dans vos applications d'IA.

Voir la compétence

cost-optimization

Autre

Cette compétence de Claude aide les développeurs à optimiser les coûts du cloud grâce au redimensionnement des ressources, aux stratégies d'étiquetage et à l'analyse des dépenses. Elle fournit un cadre pour réduire les dépenses cloud et mettre en œuvre une gouvernance des coûts sur AWS, Azure et GCP. Utilisez-la lorsque vous devez analyser les coûts d'infrastructure, redimensionner les ressources ou respecter des contraintes budgétaires.

Voir la compétence

quantizing-models-bitsandbytes

Autre

Cette compétence quantifie les LLMs en précision 8 bits ou 4 bits à l'aide de bitsandbytes, permettant une réduction de 50 à 75 % de la mémoire utilisée avec une perte de précision minime. Elle est idéale pour exécuter des modèles plus volumineux sur une mémoire GPU limitée ou pour accélérer l'inférence, prenant en charge des formats comme INT8, NF4 et FP4. La compétence s'intègre à HuggingFace Transformers et permet l'entraînement QLoRA ainsi que l'utilisation d'optimiseurs en 8 bits.

Voir la compétence

dispatching-parallel-agents

Autre

Cette compétence Claude déploie plusieurs agents pour enquêter et résoudre simultanément 3 problèmes indépendants ou plus. Elle est conçue pour des scénarios impliquant des défaillances non liées qui peuvent être résolues sans état partagé ni dépendances. La capacité fondamentale est la résolution de problèmes en parallèle, en assignant un agent par domaine problématique indépendant afin de maximiser l'efficacité.

Voir la compétence