層析數據學習

層析數據分析：
從零開始

一步一步看懂訊號、基線、峰與定量。每章只學一個關鍵概念，先觀察，再操作。

學習進度 0 / 70%
原始訊號基線校正後
時間 (min)偵測器響應 (mAU)

七個小章節，逐步建立概念

建議依序完成。每張卡片都包含「觀察、操作、解釋、練習」，完成小測驗後才記錄進度。

把論文圖表變成可操作的教材

保留科學概念與來源，但重新繪圖、簡化標籤，讓初學者能改變參數並立即觀察結果。

基線漂移如何扭曲峰面積？

左圖是原始訊號，右圖是扣除估計基線後的訊號。拖曳滑桿，觀察漂移越大時，未校正面積的誤差如何放大。

55%

依據文獻方法概念改繪：Obořil et al. (2024), Digital Discovery, 3, 2041–2051。此圖為教學重繪，不是原論文圖像。

完成概念後，再選分析工具

三套工具不是競爭關係；資料格式與分析問題，才是選擇依據。

MOCCA2

適合：DAD 多波長資料、純度、共洗脫與批次追蹤。

  • 基線、adaptive peak picking
  • 峰純度與解卷積
  • compound tracking
最小 Python 範例
from mocca2 import example_data
chrom = example_data.example_1()
chrom.correct_baseline()
chrom.find_peaks(min_height=2)
chrom.plot()
官方文件

hplc-py

適合：用 time–signal tidy CSV 教 1D 峰形擬合與定量。

  • 清楚的 Chromatogram 流程
  • 峰擬合與面積參數
  • 校正曲線教學容易銜接
最小 Python 範例
from hplc.quant import Chromatogram
chrom = Chromatogram(df)
chrom.show()
peaks = chrom.fit_peaks()
print(peaks[["retention_time","area"]])
GitHub 專案

chromatoPy

適合：HPLC／GC-FID、手動積分比較與樣本群聚。

  • 自動與手動積分
  • Gaussian fitting
  • chromatogram similarity
最小 Python 範例
from chromatopy import FID
FID.integration(folder_path,
                manual_peak_integration=False)
FID.plot_chromatogram(time_window=[0,20])
FID.clusterer(n_clusters=4)
PyPI 頁面