The high-throughput screening by flow injection coupled to high-resolution mass spectrometry (HTS-FIA-HRMS) is a powerful technique that enables the identification of several types of samples in a short period of time, either with qualitative or quantitative purposes. Sensory attributes of tobacco are affected by its chemical composition, and it is very important to quantify multi-analytes in a high-throughput methodology. HTS-FIA-HRMS coupled to multivariate analysis was used to create calibration models for 27 analytes, or group of compounds, of tobacco sensory interest. The models were validated by different approaches, including permutation test to avoid overfitting, evaluation of the equipment repeatability by control samples, reproducibility comparison of results from two different equipment and analysts, and with a blind test analysis. All tests demonstrated a good response to the proposed method. No statistical difference between the errors of both equipment was observed, with less than 7% error from the control samples, and a blind test error between 5.96% and 20.10%. The partial least squares (O-PLS) regression models were applied to 815 samples, and a principal component analysis (PCA) was performed from the predicted concentration values, aiming at the non-supervised classification based on tobacco type. We expect that this proposed methodology shows not only the applicability in tobacco samples, but also demonstrates a guideline to an efficient performance of multi-analytes target analysis using the flow injection mass spectrometry with reliable and robust validation steps.

通过流动注射结合高分辨率质谱（HTS-FIA-HRMS）进行的高通量筛选是一项强大的技术，可在短时间内鉴定定性或定量目的几种类型的样品。烟草的感官属性受其化学成分影响，因此以高通量方法对多种分析物进行量化非常重要。将HTS-FIA-HRMS与多变量分析相结合，创建了针对烟草感官感兴趣的27种分析物或一组化合物的校准模型。通过各种方法对模型进行了验证，包括避免过度拟合的置换测试，对照样品对设备可重复性的评估，两个不同设备和分析人员的结果的可重复性比较以及盲法测试分析。所有测试均显示出对所提出方法的良好响应。两种设备的误差之间没有统计学差异，与对照样品相比误差小于7％，盲测误差在5.96％和20.10％之间。将偏最小二乘（O-PLS）回归模型应用于815个样品，并根据预测的浓度值进行主成分分析（PCA），以基于烟草类型的非监督分类为目标。我们希望这种提议的方法不仅显示出在烟草样品中的适用性，而且还展示了使用流动注射质谱法以及可靠且可靠的验证步骤有效执行多分析物目标分析的指南。两种设备的误差之间没有统计学差异，与对照样品相比误差小于7％，盲测误差在5.96％和20.10％之间。将偏最小二乘（O-PLS）回归模型应用于815个样品，并根据预测的浓度值进行主成分分析（PCA），以基于烟草类型的非监督分类为目标。我们希望这种提议的方法不仅显示出在烟草样品中的适用性，而且还展示了使用流动注射质谱法以及可靠且可靠的验证步骤有效执行多分析物目标分析的指南。两种设备的误差之间没有统计学差异，与对照样品相比误差小于7％，盲测误差在5.96％和20.10％之间。将偏最小二乘（O-PLS）回归模型应用于815个样品，并根据预测的浓度值进行主成分分析（PCA），以基于烟草类型的非监督分类为目标。我们希望这种提议的方法不仅显示出在烟草样品中的适用性，而且还展示了使用流动注射质谱法以及可靠且可靠的验证步骤有效执行多分析物目标分析的指南。将偏最小二乘（O-PLS）回归模型应用于815个样品，并根据预测的浓度值进行主成分分析（PCA），以基于烟草类型的非监督分类为目标。我们希望这种提议的方法不仅显示出在烟草样品中的适用性，而且还展示了使用流动注射质谱法以及可靠且可靠的验证步骤有效执行多分析物目标分析的指南。将偏最小二乘（O-PLS）回归模型应用于815个样品，并根据预测的浓度值进行主成分分析（PCA），以基于烟草类型的非监督分类为目标。我们希望这种提议的方法不仅显示出在烟草样品中的适用性，而且还展示了使用流动注射质谱法以及可靠且可靠的验证步骤有效执行多分析物目标分析的指南。