534004_de-DE

liliconcom

C- 41 Fallstudie Chemometrische Analyse von Spektraldaten

Chemometrische Analyse spektroskopischer Daten

 

Überblick

Diese Fallstudie demonstriert den analytischen Arbeitsablauf zur Analyse von Spektraldaten mit den Plattformen JMP und JMP Pro.Der Einsatz spektroskopischer Analyseverfahren zur Charakterisierung von Rohstoffen, Zwischenprodukten und Endprodukten ist in der gesamten Chemie weit verbreitet.Von Chemielaboren an Hochschulen bis hin zu Forschungs- und Innovationslabors sowie der Produktionsumgebung. Spektralanalyse ist praktisch überall.Der schwierigste Teil der Spektralanalyse ist nicht das Sammeln der Spektren, sondern die Analyse der Daten, die mit den Spektren einhergehen.In den letzten Jahren hat JMP an integrierten multivariaten Spektralanalysetechniken gearbeitet, die auch als chemometrische Analyse bekannt sind.

Wiki-Definition für Chemometrie:

„Chemometrie ist die Wissenschaft der datengestützten Gewinnung von Informationen aus chemischen Systemen. Die Chemometrie ist von Natur aus interdisziplinär und verwendet Methoden, die häufig in Kerndisziplinen der Datenanalyse eingesetzt werden, wie z multivariate Statistik , angewandte Mathematik , und Informatik , um Probleme in zu beheben Chemie , Biochemie , Medizin , Biologie und Chemieingenieurwesen .

Chemometrie wird angewendet, um sowohl deskriptive als auch prädiktive Probleme in den experimentellen Naturwissenschaften, insbesondere in der Chemie, zu lösen. Bei beschreibenden Anwendungen werden Eigenschaften chemischer Systeme mit der Absicht modelliert, die zugrunde liegenden Beziehungen und die Struktur des Systems zu lernen (dh Modellverständnis und -identifikation). Bei prädiktiven Anwendungen werden Eigenschaften chemischer Systeme mit der Absicht modelliert, neue interessierende Eigenschaften oder Verhaltensweisen vorherzusagen. In beiden Fällen können die Datensätze klein sein, sind aber oft sehr groß und hochkomplex und umfassen Hunderte bis Tausende von Variablen und Hunderte bis Tausende von Fällen oder Beobachtungen.“

Der JMP Analytic Workflow für die Analyse von Spektraldaten

1. Das Einlesen von Spektraldaten in JMP ist die erste Herausforderung.Es gibt ein Add-In zum Einlesen von *.csv- und *.jdx-Dateien.Die .jdx-Dateien müssen im Standardformat vorliegen und dürfen nicht komprimiert sein.Alternativ kann der Import mehrerer Dateien verwendet werden, erfordert jedoch eine anfängliche Einrichtung.
2. Spektraldaten können sowohl im Stacked-Format als auch im Wide-Format analysiert werden.Verwenden Sie das gestapelte Format (nach Zeile) mit Graph Builder, wenn Sie die Daten zum ersten Mal überprüfen und für eine anfängliche Vorverarbeitung.Parallele Diagramme in Graph Builder eignen sich gut für Breitformatdaten.
   1. Wenn Sie parallele Diagramme verwenden, ziehen Sie die Wellenlängendaten auf die x-Achse, klicken Sie dann mit der rechten Maustaste, bewegen Sie den Mauszeiger über Combine Scales und verwenden Sie Parallel Merged, um eine Vorstellung von den Unterschieden in der Basislinienverschiebung zu erhalten.

 

 

3. Eine Vorverarbeitung der Daten kann erforderlich sein.
   1. Der erste Schritt besteht darin, gestapelte Wellenlängendaten zu verwenden, um die Standard Normal Variate (SNV) zu berechnen.SNV finden Sie im Add-In.
   2. Eine weitere Vorverarbeitungsoption ist die Verwendung des Savitzy-Golay-Glättungs-/Ableitungsfilters.Du kannst die erste oder die zweite Ableitung nehmen.Die erste Ableitung bereinigt additive Variationen und die zweite Ableitung bereinigt sowohl additive als auch multiplikative Daten.Die Ableitung verändert die Struktur der Daten und kann die Interpretation erschweren.
   3. Manchmal müssen Sie sowohl Savitzy-Golay als auch SNV machen.Mach zuerst Savitzy-Golay und dann SNV.*Bald können Sie die gesamte Vorverarbeitung innerhalb der FDE-Plattform in JMP Pro 17 durchführen.
4. Die Verwendung vieler multivariater Techniken, einschließlich MDMVCC, PCA, Multidimensional Scaling und Clustering, kann und sollte verwendet werden, um Multikollinearität und Untergruppierung zu zeigen.
5. Modellierung in regulärem JMP:
   1. Es hat sich gezeigt, dass die schrittweise Regression in regulärem JMP gut mit Nahinfrarotdaten funktioniert und eine gute Möglichkeit ist, wichtige Wellenlängen (Variablen) zu finden.
   2. Entscheidungsbäume funktionieren gut, aber denken Sie daran, dass es möglicherweise besser ist, die Aufteilungen manuell durchzuführen, als JMP alle Aufteilungen vornehmen zu lassen.
   3. Sie können gespeicherte Hauptkomponenten verwenden, um eine Hauptkomponentenregression in der Fit-Modell-Plattform durchzuführen.Es ist schwieriger, die wichtigsten Wellenlängen auf diese Weise zu bestimmen, aber es ist mit Assess Variable Importance mit dem Prediction Profiler möglich.
   4. Partial Least Squares (PLS) ist das produktivste aller chemometrischen Modellierungswerkzeuge.PLS wurde entwickelt, um die stark korrelierten und typischerweise sehr breiten Datensätze im Zusammenhang mit spektralen und chromatographischen Daten zu verarbeiten.PLS kann für die Variablenauswahl verwendet werden, um zu bestimmen, welche Variablen der insgesamt besten Anpassung über PLS zugeordnet werden können.Wenn die Daten jedoch durch Vorverarbeitung gut konditioniert sind, besteht in der Regel keine Notwendigkeit, PLS für die Variablenauswahl zu verwenden, es sei denn, Sie betrachten eine Mischung aus Komponentenbestandteilen.
6. Umstieg auf JMP Pro für die Modellierung:
   1. Partielle kleinste Quadrate (PLS) – Siehe oben, PLS ist auch im regulären JMP verfügbar .
   2. Verallgemeinerte Regression (Gen Reg) – Penalisierte Regressionsmodelle eignen sich gut für die Variablenauswahl und da es Hunderte, wenn nicht Tausende von Spalten pro Spektra/Chromatogramm geben kann, funktioniert Elastic Net sehr gut, um die wichtigsten Variablen (Wellenlängen/Peaks) zu bestimmen.Es wird auch empfohlen, die Bandbreite der Elastic Net Alpha-Möglichkeiten zu scannen, um wichtige Variablen nicht zu übersehen.Beispielsweise ist das standardmäßige Elastic Net Alpha 0,99. Wenn Sie sich für die Standardeinstellung entscheiden, erhalten Sie wahrscheinlich ein gutes Modell, aber Sie werden sehr wahrscheinlich auch einige sehr wichtige Variablen verpassen, die Ihre Vorhersagefähigkeit verbessern.Wenn Sie keine Zeit haben, den Bereich von Elastic Net Alpha zu scannen, können Sie etwas im mittleren Bereich (0,56) auswählen, um zu sehen, ob dies ein vernünftiges Modell ergibt.
   3. Functional Data Explorer (FDE) – FDE ist nicht unbedingt eine prädiktive Modellierungsplattform, sondern kann verwendet werden, um Daten auf einem Kontinuum zu analysieren und zu bestimmen, welche und wie viele funktionale Hauptkomponenten mit der Form eines Kurvensatzes zusammenhängen.Die Verwendung von Functional DOE mit zusätzlichen Variablen macht FDE so leistungsfähig, und Sie können mit FDOE eine inverse Kalibrierung erhalten.
   4. Neuronale Netze, Bootstrap Forest, Support Vector Machines, XG Boost können alle bei der Analyse chemometrischer Daten verwendet werden.Mit JMP Pro können Sie Model Screening verwenden, um festzustellen, welche die beste Modellierungsplattform für Ihre Daten ist.

Empfohlene VorgehensweiseFallstudien