Analyse chimiométrique des données spectroscopiques
Aperçu
Cette étude de cas illustrera le flux de travail analytique pour l'analyse des données spectrales à l'aide des plates-formes JMP et JMP Pro.L'utilisation des techniques d'analyse spectroscopique pour caractériser les matières premières, les intermédiaires et les produits finis est répandue dans toute la Chimie.Des laboratoires de chimie des collèges aux laboratoires de recherche et d'innovation, ainsi que l'environnement de production. L'analyse spectrale est pratiquement partout.La partie la plus difficile de l'analyse spectrale n'est pas la collecte des spectres, mais l'analyse des données fournies avec les spectres.Au cours des dernières années, JMP a travaillé sur des techniques intégrées d'analyse spectrale multivariée, également connues sous le nom d'analyse chimiométrique.
Définition Wiki pour la chimiométrie :
“Chimiométrie est la science de l'extraction d'informations à partir de systèmes chimiques par des moyens axés sur les données. La chimiométrie est intrinsèquement interdisciplinaire, utilisant des méthodes fréquemment employées dans les principales disciplines d'analyse de données telles que statistiques multivariées , mathématiques appliquées , et l'informatique , afin de résoudre les problèmes de chimie , biochimie , Médicament , la biologie et ingénieur chimiste .
La chimiométrie est appliquée pour résoudre des problèmes à la fois descriptifs et prédictifs en sciences naturelles expérimentales, en particulier en chimie. Dans les applications descriptives, les propriétés des systèmes chimiques sont modélisées dans le but d'apprendre les relations sous-jacentes et la structure du système (c'est-à-dire la compréhension et l'identification du modèle). Dans les applications prédictives, les propriétés des systèmes chimiques sont modélisées dans le but de prédire de nouvelles propriétés ou comportements d'intérêt. Dans les deux cas, les ensembles de données peuvent être petits mais sont souvent très volumineux et très complexes, impliquant des centaines à des milliers de variables et des centaines à des milliers de cas ou d'observations.
Flux de travail analytique JMP pour l'analyse des données spectrales
- Obtenir des données spectrales dans JMP est le premier défi.Il existe un complément pour extraire les fichiers *.csv et *.jdx.Les fichiers .jdx doivent être au format standard et non compressés.Alternativement, l'importation de fichiers multiples peut être utilisée mais nécessitera une configuration initiale.
- Les données spectrales peuvent être analysées à la fois au format empilé et au format large.Utilisez le format empilé (par ligne) avec Graph Builder lors de la première révision des données et pour certains prétraitements initiaux.Les tracés parallèles dans Graph Builder fonctionnent bien pour les données au format large.
- Lorsque vous utilisez des tracés parallèles, faites glisser les données de longueur d'onde sur l'axe des x, puis cliquez avec le bouton droit de la souris, survolez Combiner les échelles et utilisez Fusion parallèle pour avoir une idée des différences de décalage de la ligne de base.
- Un prétraitement des données peut être nécessaire.
- La première étape consiste à utiliser des données de longueur d'onde empilées pour calculer la variable normale standard (SNV).SNV se trouve dans le complément.
- Une autre option de prétraitement consiste à utiliser le filtre de lissage/dérivé de Savitzy-Golay.Vous pouvez prendre la première ou la deuxième dérivée.La dérivée première nettoie les variations additives et la dérivée seconde nettoie à la fois les données additives et multiplicatives.Prendre la dérivée modifie la structure des données et peut rendre l'interprétation plus difficile.
- Parfois, vous devrez faire à la fois Savitzy-Golay et SNV.Faites d'abord Savitzy-Golay, puis faites SNV.*Bientôt, vous pourrez effectuer tous les prétraitements au sein de la plate-forme FDE dans JMP Pro 17.
- L'utilisation de nombreuses techniques multivariées, notamment MDMVCC, PCA, la mise à l'échelle multidimensionnelle et le regroupement, peut et doit être utilisée pour montrer la multicolinéarité et le sous-groupement.
- Modélisation dans JMP standard :
- Il a été démontré que la régression pas à pas dans JMP standard fonctionne bien avec les données dans le proche infrarouge et constitue un bon moyen de trouver des longueurs d'onde importantes (variables)
- Les arbres de décision fonctionnent bien, mais gardez à l'esprit qu'il peut être préférable d'effectuer les divisions manuellement plutôt que de laisser JMP effectuer toutes les divisions.
- Vous pouvez utiliser les composants principaux enregistrés pour effectuer une régression des composants principaux dans la plate-forme Fit Model.Il est plus difficile de déterminer les longueurs d'onde les plus importantes de cette façon, mais c'est possible avec Assess Variable Importance à l'aide du Prediction Profiler.
- Moindres carrés partiels (PLS) le plus prolifique de tous les outils de modélisation chimiométrique.PLS est conçu pour gérer les ensembles de données hautement corrélés et généralement très larges liés aux données spectrales et chromatographiques.PLS peut être utilisé pour la sélection de variables afin de déterminer quelles variables peuvent être attribuées au meilleur ajustement global via PLS.Cela dit, si les données sont bien conditionnées par le prétraitement, il n'est généralement pas nécessaire d'utiliser PLS pour la sélection de variables, sauf si vous envisagez un mélange de composants.
- Passage à JMP Pro pour la modélisation :
- Moindres carrés partiels (PLS) - Voir ci-dessus, PLS est également disponible dans JMP standard .
- Régression généralisée (Gen Reg) - les modèles de régression pénalisés sont bons pour la sélection de variables et parce qu'il peut y avoir des centaines voire des milliers de colonnes par spectre/chromatogramme, Elastic Net fonctionne très bien pour déterminer les variables les plus importantes (longueurs d'onde/pics).Il est également conseillé de scanner l'éventail des possibilités d'Elastic Net Alpha pour éviter de manquer des variables importantes.Par exemple, l'Elastic Net Alpha par défaut est 0,99. Si vous optez pour la valeur par défaut, vous obtiendrez probablement un bon modèle, mais vous manquerez également très probablement certaines variables très importantes qui amélioreront votre capacité de prédiction.Si vous n'avez pas le temps d'analyser la gamme d'Elastic Net Alpha, vous pouvez choisir quelque chose dans le milieu de gamme (0,56) pour voir si cela donne un modèle raisonnable.
- Explorateur de données fonctionnelles (FDE) - FDE n'est pas nécessairement une plate-forme de modélisation prédictive dans la mesure où elle peut être utilisée pour analyser des données sur le continuum et déterminer quelles et combien de composantes principales fonctionnelles sont liées à la forme d'un ensemble de courbes.L'utilisation de DOE fonctionnel à l'aide de variables supplémentaires rend FDE très puissant et vous pouvez obtenir un étalonnage inverse à l'aide de FDOE.
- Neural Nets, Bootstrap Forest, Support Vector Machines, XG Boost, peuvent tous être utilisés dans l'analyse des données chimiométriques.Avec JMP Pro, vous pouvez utiliser Model Screening pour déterminer quelle est la meilleure plateforme de modélisation à utiliser pour vos données.
