盧曉剛，王 飛，王紅梅*

(1.國(guó)民核生化災(zāi)害防護(hù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102205；2.陸軍裝備部裝備項(xiàng)目管理中心，北京 100072)

法醫(yī)學(xué)是一種利用科學(xué)手段處理、解決與司法體系利益相關(guān)問(wèn)題的科學(xué)[1]。從復(fù)雜證據(jù)中提取關(guān)鍵信息，正確識(shí)別采集的證據(jù)樣本，并根據(jù)類別特征對(duì)其進(jìn)行分類有助于在法醫(yī)案件中做出公正的判決。對(duì)于大量樣本，輸出數(shù)據(jù)量將大大增加，數(shù)據(jù)分析工作變得非常繁瑣、耗時(shí)，且人工檢測(cè)可能會(huì)產(chǎn)生假陽(yáng)性結(jié)果。隨著先進(jìn)的化學(xué)計(jì)量學(xué)方法的多領(lǐng)域運(yùn)用，其在快速時(shí)域中提供了準(zhǔn)確和顯著的分析歸納結(jié)果。將化學(xué)計(jì)量學(xué)方法與應(yīng)用于法醫(yī)領(lǐng)域的化學(xué)歸因相結(jié)合，對(duì)研判因化學(xué)物質(zhì)引起的化學(xué)安全事件起到了推動(dòng)作用。

化學(xué)歸因是應(yīng)用法醫(yī)學(xué)的思路和概念對(duì)毒物樣本進(jìn)行分析和鑒定，從而開(kāi)展追蹤溯源和歸因研究。其主要目的是通過(guò)多種分析技術(shù)結(jié)合一定的化學(xué)計(jì)量手段對(duì)化學(xué)物質(zhì)本身或其相關(guān)的材料成分進(jìn)行解析，尋找其中有價(jià)值的成分，對(duì)感興趣(或目標(biāo))的物質(zhì)(或混合物)進(jìn)行溯源[2]，而這些有價(jià)值的成分稱之為化學(xué)歸因特征(Chemical attribution signatures,CAS)。利用CAS能夠提供關(guān)鍵化學(xué)特征信息這一重要特性，不論是在中毒溯源還是在法醫(yī)相關(guān)領(lǐng)域開(kāi)展鑒定工作時(shí)，均可根據(jù)它們保留的、缺失的或出現(xiàn)的譜學(xué)信息相對(duì)強(qiáng)度等，將化學(xué)事件或事故現(xiàn)場(chǎng)發(fā)現(xiàn)的樣品和污染證據(jù)與人、地點(diǎn)和其他信息相關(guān)聯(lián)。

毒物的化學(xué)歸因研究可起溯自2010年。本文作者從事有機(jī)合成及有機(jī)磷硫化合物的歸因研究[3-5]，結(jié)合自身研究工作，針對(duì)化學(xué)計(jì)量學(xué)在毒物化學(xué)歸因研究中的應(yīng)用進(jìn)行評(píng)述，希望幫助相關(guān)研究人員進(jìn)一步了解每種化學(xué)計(jì)量學(xué)方法及其在毒物化學(xué)歸因中的應(yīng)用概況。

1 多變量數(shù)據(jù)分析

不同種類的樣品通過(guò)分析方法獲得的光譜或色譜圖是不同的。通過(guò)化學(xué)計(jì)量學(xué)手段提取樣品中獨(dú)特的信息對(duì)特定類別樣品進(jìn)行分類的方法，稱之為化學(xué)模式識(shí)別(Chemical pattern recognition)。這些模式識(shí)別方法可分為有監(jiān)督模式識(shí)別和無(wú)監(jiān)督模式識(shí)別兩大類。

目前，有監(jiān)督模式識(shí)別方法已廣泛應(yīng)用于樣品分類、判別分析、指紋提取和雜質(zhì)檢測(cè)等不同的數(shù)據(jù)處理。在這些方法中，必須有訓(xùn)練集和測(cè)試樣本。通過(guò)訓(xùn)練集和測(cè)試樣本尋找規(guī)律，訓(xùn)練模型的最優(yōu)性能。然后，通過(guò)外部數(shù)據(jù)測(cè)試集對(duì)建立的模型進(jìn)行評(píng)估，驗(yàn)證其有效性。使用有監(jiān)督模式識(shí)別的方法有兩種：一是基于類間判別，即偏最小二乘判別分析(Partial least squares discrimination analysis，PLSDA)[6]、K最近鄰分類算法(K nearest neighbors，KNN)[7-8]、支持向量機(jī)判別分析(Support vector machine discriminant analysis，SVMDA)[9]和隨機(jī)森林(Random forests，RF)[10-11]等；二是基于單個(gè)類的建模，即軟獨(dú)立建模(Soft independent modeling of class analogies,SIMCA)[12]。

無(wú)監(jiān)督模式識(shí)別方法主要為主成分分析(Principal components analysis，PCA)，通常作為數(shù)據(jù)分析的第一步，以檢測(cè)數(shù)據(jù)的集中趨勢(shì)。PCA在不丟失原始數(shù)據(jù)的情況下對(duì)數(shù)據(jù)集降維處理[13-15]。由PCA生成的幾個(gè)主成分能夠解釋數(shù)據(jù)集中的大部分信息。除了PCA分析外，無(wú)監(jiān)督模式識(shí)別方法還包括K-均值和層次聚類分析(Hierarchical cluster analysis，HCA)[16]等聚類分析用作分類目的。

2 化學(xué)計(jì)量學(xué)在毒物化學(xué)歸因中的應(yīng)用

使用WOS(Web of Knowledge)知識(shí)網(wǎng)絡(luò)對(duì)2009年至2020年在法醫(yī)學(xué)中運(yùn)用多元分析的文獻(xiàn)進(jìn)行了調(diào)查，發(fā)現(xiàn)采用化學(xué)計(jì)量學(xué)方法進(jìn)行法醫(yī)檢查的范圍很廣。法醫(yī)學(xué)針對(duì)物理層面的分析涉及涂料[17]和紡織纖維[18]等，結(jié)合化學(xué)計(jì)量學(xué)的分析方法檢測(cè)微量和未知樣品。經(jīng)過(guò)詳細(xì)的分析檢查后，法醫(yī)專家判定這兩件物品/證物是否相同。PCA對(duì)數(shù)據(jù)進(jìn)行了簡(jiǎn)化，是近年來(lái)使用最多的方法。一般會(huì)將PCA和其他判別分析方法結(jié)合使用，判別分析的改進(jìn)形式可能會(huì)獲得更好的有價(jià)值的結(jié)果。法醫(yī)學(xué)針對(duì)生物層面的分析鑒定包括血跡[19]和唾液[20]等相關(guān)證據(jù)。最近的文獻(xiàn)表明，在進(jìn)行DNA分析前，化學(xué)計(jì)量學(xué)與分析方法的結(jié)合，可以提供關(guān)于個(gè)體鑒別的有用信息。這種結(jié)合方法提供了基于生物學(xué)證據(jù)對(duì)嫌疑人進(jìn)行區(qū)分/個(gè)體化的有價(jià)值的結(jié)果。法醫(yī)學(xué)針對(duì)化學(xué)層面的分析研究涉及藥物片劑[21-23]、煙草[24]和槍彈殘留物[25]等證物及其鑒定，一些非破壞性的光譜方法，如拉曼光譜[21]、紅外光譜[26-28]和熒光光譜[29-30]獲得較多的應(yīng)用。研究人員利用氣相色譜-質(zhì)譜(GC-MS)[31]和液相色譜-質(zhì)譜(LC-MS)[32]等多種分析技術(shù)，同時(shí)利用化學(xué)計(jì)量學(xué)不同的變量方法對(duì)輸出數(shù)據(jù)進(jìn)行分析，以獲得有效、快速、可靠的結(jié)果。然而，關(guān)于毒物化學(xué)歸因有關(guān)的文獻(xiàn)目前較少。表1匯總了毒物化學(xué)歸因研究中有關(guān)文獻(xiàn)的研究信息。

表1 毒物化學(xué)歸因研究Table 1 Chemical attribution of toxic chemicals

2.1 化學(xué)計(jì)量學(xué)在毒性無(wú)機(jī)物化學(xué)歸因研究中的應(yīng)用

無(wú)機(jī)氰化物是一種重要的化工原料，可應(yīng)用于化學(xué)合成、冶金、電鍍、農(nóng)藥及金屬處理等各個(gè)方面[43-44]，但它們也是一種劇毒化合物，皮膚傷口接觸、吸入、微量吞食均可導(dǎo)致中毒死亡。2011年，F(xiàn)raga等[33]使用氰化鉀(KCN)作為模型毒物，探索了陰離子雜質(zhì)作為法醫(yī)特征的可行性。該研究針對(duì)來(lái)自4個(gè)國(guó)家的8種KCN原料，制備了60種KCN水溶液樣品，采用陰離子交換柱和電導(dǎo)檢測(cè)對(duì)樣品進(jìn)行高效離子色譜(High performance ion chromatography，HPIC)分析，對(duì)比標(biāo)樣和空白樣，篩選出11種陰離子雜質(zhì)。根據(jù)樣品和陰離子濃度構(gòu)成了一個(gè)數(shù)據(jù)矩陣。為獲取數(shù)據(jù)集的集中變化信息，采用HCA和PCA進(jìn)行分析。為進(jìn)一步優(yōu)化樣本聚類，采用Fisher比值法和級(jí)別分離法(Degree-of-class separation，DCS)對(duì)KCN樣品進(jìn)行雜質(zhì)特征選擇，篩選出4種特征陰離子雜質(zhì)。為考察以11種陰離子雜質(zhì)和4種特征陰離子雜質(zhì)構(gòu)建的KNN分類模型匹配庫(kù)存來(lái)源的能力，選取了10個(gè)測(cè)試樣品進(jìn)行比較，根據(jù)4種特征陰離子雜質(zhì)進(jìn)行的來(lái)源匹配正確率達(dá)到100%，而根據(jù)11種陰離子雜質(zhì)的匹配出現(xiàn)了一處錯(cuò)誤。作者采用Fisher比值法和DCS進(jìn)行特征選擇，提高了分類的準(zhǔn)確性和置信度，減少了數(shù)據(jù)處理量，有利于模型的廣泛應(yīng)用。

2016年，Mirjankar等[34]進(jìn)一步采用同位素比值質(zhì)譜法(Isotope ratio mass spectrometry，IRMS)和電感耦合光學(xué)發(fā)射光譜法(Inductively coupled plasma optical emission spectroscopy，ICP-OES)對(duì)氰化物的化學(xué)歸因特征進(jìn)行研究。為了提高判別的準(zhǔn)確性以及剔除無(wú)用的雜質(zhì)信息，在特征變量選擇方面采用區(qū)間偏最小二乘(Interval partial least-squares，iPLs)、基于遺傳算法的偏最小二乘(Genetic algorithm-based partial least-squares，GAPLS)與Fisher比值法進(jìn)行比較，此外，還采用PLSDA、SVMDA與KNN對(duì)收集到的數(shù)據(jù)進(jìn)行比較分析。經(jīng)過(guò)數(shù)據(jù)比較發(fā)現(xiàn)，總體而言，iPLs和Fisher比值法優(yōu)于GAPLS。這兩種特征變量選擇法提高了KNN和SVMDA分類的能力，可將分類誤差降至零。

2.2 化學(xué)計(jì)量學(xué)在毒性有機(jī)物化學(xué)歸因研究中的應(yīng)用

2.2.1 典型化學(xué)毒劑的化學(xué)歸因研究2010年，F(xiàn)raga等研究了沙林(GB，異丙基甲基膦酸二氟酯)的化學(xué)歸因特征[45]，在此基礎(chǔ)上，進(jìn)一步開(kāi)展了GB的源匹配研究[35]。該研究以2份97%純度的甲基膦酰二氯(DC)商業(yè)庫(kù)存作為原材料合成了6個(gè)批次的GB及其中間體甲基膦酸二氟酯(DF)，通過(guò)GC-MS對(duì)DC、GB和DF樣品進(jìn)行了分析。在數(shù)據(jù)分析前，對(duì)數(shù)據(jù)進(jìn)行了歸一化處理，可有效糾正由樣品制備引起的變化。由樣品的雜質(zhì)譜庫(kù)柱狀圖可以明顯看出不同的庫(kù)存樣品之間存在特征分布。作者對(duì)比分析了GB和DF的雜質(zhì)譜庫(kù)與DC雜質(zhì)譜庫(kù)的差異性，發(fā)現(xiàn)合成的GB雜質(zhì)譜的相對(duì)數(shù)量與相應(yīng)的DC庫(kù)存雜質(zhì)譜相似，說(shuō)明一些特征雜質(zhì)在合成過(guò)程中未發(fā)生變化，可作為歸因溯源的依據(jù)。經(jīng)由HCA聚類分析，能夠直觀地看到GB樣品與相應(yīng)DC樣品庫(kù)的聚類信息。作者對(duì)篩選的特征雜質(zhì)也進(jìn)行了簡(jiǎn)要分析，推測(cè)這些雜質(zhì)可能來(lái)源于樣品合成過(guò)程中的溶劑、催化劑等。

2016年，F(xiàn)raga等[37]在研究氮芥化合物(HN3)時(shí)，探索了合成的HN3與不同試劑庫(kù)存匹配的可行性。首先采用GC-MS對(duì)具有不同庫(kù)存的4種試劑(三乙胺、亞硫酰氯、丙酮和氯仿)樣品的雜質(zhì)進(jìn)行分析，得到相應(yīng)的雜質(zhì)譜庫(kù)。為提高分類的準(zhǔn)確性，采用Fisher比值法和DCS進(jìn)行特征選擇。根據(jù)4種試劑的化學(xué)歸因特征，采用PLSDA和KNN對(duì)試劑樣品進(jìn)行分類。所建立的分類模型通過(guò)交叉驗(yàn)證，最高平均分類誤差僅為11%。對(duì)比了未建立分類模型的樣品，發(fā)現(xiàn)未建立分類模型的7個(gè)氯仿庫(kù)存僅有2個(gè)得到正確分類。雖然基于試劑雜質(zhì)譜庫(kù)建立的模型具有較好的分類性能，但分析由這些試劑合成的HN3樣品時(shí)未獲得理想的結(jié)果。由于在合成HN3樣品過(guò)程中，一些雜質(zhì)出現(xiàn)損耗及反應(yīng)變化，基于最初的試劑庫(kù)存雜質(zhì)譜庫(kù)，考察HN3合成樣品及其重復(fù)樣品和特定的試劑庫(kù)存之間并未發(fā)現(xiàn)明顯的相關(guān)性，無(wú)法通過(guò)PLSDA和KNN進(jìn)行分類關(guān)聯(lián)。需要進(jìn)一步捕獲更加穩(wěn)定的CAS以建立樣品與庫(kù)存的關(guān)聯(lián)性。

2018年，Hojer等[38]開(kāi)展了芥子氣(HD)合成路線的溯源分析研究，根據(jù)11種文獻(xiàn)報(bào)道的HD合成方法，制備了66個(gè)樣品。樣品經(jīng)GC-MS分析，所得的質(zhì)譜數(shù)據(jù)分析比對(duì)篩選出103個(gè)CAS。對(duì)樣品-CAS組成的數(shù)據(jù)集進(jìn)行PCA分析獲取數(shù)據(jù)集的集中變化，而后運(yùn)用正交偏最小二乘判別分析(Orthogonal partial least squares discriminant analysis，OPLSDA)建立樣品分類的多元模型。所建立的模型對(duì)不涉及純度較高合成步驟的方法路線能夠較好地分類。該研究還考慮了老化的影響，但由于選擇的CAS隨著時(shí)間推移發(fā)生變化，導(dǎo)致某些合成路線的樣品分類出現(xiàn)偏差。該作者還研究了一種能夠快速進(jìn)行現(xiàn)場(chǎng)分析的手持式拉曼和便攜式紅外儀器(Attenuated total reflectance Fourier transform infrared，ATR-FTIR)[39]。利用HD的光譜數(shù)據(jù)構(gòu)造隨機(jī)森林多元模型，根據(jù)光譜中波數(shù)的微小變化對(duì)測(cè)試集樣本進(jìn)行分類。隨機(jī)森林算法在處理數(shù)據(jù)方面不涉及降維，它是在隨機(jī)選擇的數(shù)據(jù)和變量的子樣本上構(gòu)建許多樹(shù)(一個(gè)森林)。使用分層隨機(jī)樣本代替每棵樹(shù)上的簡(jiǎn)單隨機(jī)樣本，以確保所有數(shù)據(jù)源均被平等地表示出來(lái)，由于每棵樹(shù)中只使用數(shù)據(jù)的1個(gè)子樣本，因此未使用的數(shù)據(jù)可用于評(píng)估算法，而不會(huì)過(guò)度擬合。拉曼和紅外光譜在一定程度上可互補(bǔ)，兩者的組合數(shù)據(jù)可使模型性能得到增強(qiáng)，建立的模型針對(duì)測(cè)試集的分類準(zhǔn)確率能達(dá)到83%。然而，這項(xiàng)研究對(duì)涉及純度較高合成步驟的方法路線的分類不理想。

早期關(guān)于俄羅斯維?？怂?VR)的研究主要集中在化學(xué)驗(yàn)證分析，即證明化合物的使用或存在[46-48]。2018年，Holmgren等[40]開(kāi)展了VR的溯源分析研究，采用氣相色譜-電子電離質(zhì)譜(GC-MS-EI)分析了6條路線中雜質(zhì)和副產(chǎn)物的化學(xué)成分，并標(biāo)記了49種潛在的CAS。首先利用PCA獲取數(shù)據(jù)集中的變化，在不丟失原始數(shù)據(jù)的情況下對(duì)數(shù)據(jù)集進(jìn)行降維處理。由PCA生成的7個(gè)主成分可解釋82%的數(shù)據(jù)集中信息。用PLSDA建立分類模型，根據(jù)CAS的分布情況對(duì)訓(xùn)練集樣品進(jìn)行合成路線的分類。建立的PLSDA模型對(duì)由6條路線合成的11個(gè)測(cè)試樣品進(jìn)行了分析預(yù)測(cè)，準(zhǔn)確性達(dá)100%。另外，該研究還對(duì)樣品進(jìn)行了衍生化處理，得到相應(yīng)的衍生化雜質(zhì)譜庫(kù)。然而，相較于未包含衍生化信息的模型，包含衍生化信息的模型預(yù)測(cè)性能并未提升。衍生化所針對(duì)的是酸、醇類等極性化合物，這些極性化合物不存在太多的特異性，基本屬于所有合成路線的共性化合物，對(duì)分類性能貢獻(xiàn)不大。該研究所有樣品的合成和分析由兩個(gè)實(shí)驗(yàn)室完成，可在一定程度排除人員以及環(huán)境因素對(duì)實(shí)驗(yàn)的影響。該工作是瑞典與美國(guó)合作完成的法醫(yī)系列研究之一，在此基礎(chǔ)上，兩國(guó)的實(shí)驗(yàn)室還拓展研究了不同食品基質(zhì)對(duì)CAS的影響[41-42]。對(duì)復(fù)雜食品基質(zhì)中含有的VR研究分為兩部分進(jìn)行，第一部分采用LC-MS/MS多反應(yīng)監(jiān)測(cè)方式進(jìn)行樣品檢測(cè)，標(biāo)記了17個(gè)CAS，利用PLSDA建立多變量統(tǒng)計(jì)校正模型。該模型能夠?qū)?種路線合成的VR樣品組成的外部測(cè)試集進(jìn)行正確匹配，識(shí)別率達(dá)到94%。V類神經(jīng)毒劑在水中易水解[49]，這項(xiàng)研究所篩選的特征雜質(zhì)在實(shí)驗(yàn)所選食品基質(zhì)中比較穩(wěn)定，因而能夠達(dá)到準(zhǔn)確預(yù)測(cè)的效果。第二部分主要聚焦3條合成路線的VR樣品，比較VR原體樣品和食品基質(zhì)中VR樣品的差別，重點(diǎn)檢測(cè)揮發(fā)性雜質(zhì)，采用固相微萃取技術(shù)處理樣品，雖然不同基質(zhì)會(huì)對(duì)萃取的樣品造成一定影響，但利用該技術(shù)能獲得60%以上的CAS信息。研究采用GC-MS和LC-MS相互結(jié)合鑒定目標(biāo)物的化學(xué)歸因特征，能夠獲取更多有價(jià)值的雜質(zhì)信息[50]。該研究進(jìn)行了特征化合物重要性排序，發(fā)現(xiàn)無(wú)論在VR原體樣品還是在食品基質(zhì)VR樣品中，LC-MS檢測(cè)出的特征化合物均占據(jù)較大比例。這些化合物結(jié)構(gòu)比較穩(wěn)定，不易發(fā)生水解。該研究將PLSDA與梯度提升機(jī)器(Gradient boosted machine，GBM)結(jié)合建立分類模型，GBM是一種基于邏輯的決策算法[51]，對(duì)過(guò)度擬合問(wèn)題具有魯棒性，且對(duì)小的訓(xùn)練數(shù)據(jù)集具有較高的性能[11,52]，研究測(cè)試的樣品匹配率大于75%。

2.2.2 有機(jī)磷農(nóng)藥的化學(xué)歸因研究化學(xué)計(jì)量學(xué)手段在處理復(fù)雜數(shù)據(jù)時(shí)具有出色的表現(xiàn)。2016年，Strozier等[36]選擇隨機(jī)森林統(tǒng)計(jì)識(shí)別技術(shù)(Balanced random forest，BRF)與全二維飛行時(shí)間質(zhì)譜(GC×GC-TOF MS)結(jié)合分析3種有機(jī)磷農(nóng)藥(毒死蜱、敵敵畏和百治磷)。為了減小樣品老化以及儀器波動(dòng)的影響，樣品在不同時(shí)間進(jìn)行至少7次的重復(fù)分析，確保了數(shù)據(jù)的可靠性。根據(jù)雜質(zhì)峰的存在與否或者峰的響應(yīng)強(qiáng)度，區(qū)別不同來(lái)源的樣品。在使用橢圓面積變量的3次實(shí)驗(yàn)中，分類成功率為97%～100%；使用輸入/輸出變量的3次實(shí)驗(yàn)中，分類成功率為87%～100%。為驗(yàn)證BRF分類模型的準(zhǔn)確性，該實(shí)驗(yàn)采用毒死蜱的4個(gè)盲樣進(jìn)行測(cè)試，使用輸入/輸出或橢圓面積變量進(jìn)行盲樣識(shí)別時(shí)，每個(gè)樣本均能正確進(jìn)行歸屬分類。

上述研究中，PCA分析是近來(lái)使用最廣泛的方法，因?yàn)樗鼘?shù)據(jù)矩陣進(jìn)行降維，通過(guò)降維得到的幾個(gè)主成分進(jìn)行分析。在模型開(kāi)發(fā)前可應(yīng)用PCA來(lái)考察數(shù)據(jù)集之間的線性關(guān)系，然后運(yùn)用判別分析的高級(jí)形式獲取相應(yīng)的預(yù)測(cè)模型。模型的準(zhǔn)確性和重要性取決于儀器的敏感性和輸出數(shù)據(jù)，研究人員往往會(huì)開(kāi)發(fā)多個(gè)模型比較樣品的分類效果，從而獲取最佳結(jié)果。不同算法以及不同模型的比較也表明，其均可以應(yīng)用于相似類型數(shù)據(jù)集的建模。多變量分析中，一般要進(jìn)行一定的數(shù)據(jù)預(yù)處理，否則可能會(huì)獲得假陽(yáng)性結(jié)果。

3 結(jié) 論

多元分析方法因有助于樣品的鑒定、區(qū)分和分類等目標(biāo)任務(wù)的快速調(diào)查研究，在毒物化學(xué)歸因分析中的運(yùn)用正在迅速增加，但化學(xué)歸因研究需要數(shù)學(xué)建模的基礎(chǔ)知識(shí)，如果缺少化學(xué)計(jì)量學(xué)的基本信息，可能無(wú)法獲得可靠、準(zhǔn)確和重要的預(yù)測(cè)數(shù)據(jù)分析模型。本綜述總結(jié)了有監(jiān)督和無(wú)監(jiān)督模式識(shí)別方法及其在毒物化學(xué)歸因中的應(yīng)用。為獲得良好的模型效果，需考慮提供充足的樣本量以代表數(shù)據(jù)集中的可變性，同時(shí)開(kāi)發(fā)的模型需先用PCA進(jìn)行分析，以減少錯(cuò)誤分類的幾率，再進(jìn)行一定的交叉驗(yàn)證。對(duì)于目標(biāo)樣品的數(shù)據(jù)研究，往往涉及多個(gè)方面的影響因素，數(shù)據(jù)量比較龐大，而在數(shù)據(jù)處理方面，人工神經(jīng)網(wǎng)絡(luò)具有一定的優(yōu)勢(shì)，因而未來(lái)人工神經(jīng)網(wǎng)絡(luò)結(jié)合化學(xué)計(jì)量學(xué)的方法在化學(xué)歸因領(lǐng)域中可能會(huì)得到更好的發(fā)展和應(yīng)用。