534004_de-DE

liliconcom

C64-Fallstudie: Chemometrische Analyse von Spektraldaten

Chemometrische Analyse spektroskopischer Daten

 

Überblick

Diese Fallstudie demonstriert den analytischen Arbeitsablauf für die Analyse von Spektraldaten mit den Plattformen JMP und JMP Pro.Der Einsatz spektroskopischer Analysetechniken zur Charakterisierung von Rohstoffen, Zwischenprodukten und Fertigprodukten ist in der gesamten Chemie weit verbreitet.Von Chemielaboren an Hochschulen über Forschungs- und Innovationslabore bis hin zur Produktionsumgebung. Spektralanalyse ist praktisch überall.Der schwierigste Teil der Spektralanalyse ist nicht die Sammlung der Spektren, sondern die Analyse der mit den Spektren verbundenen Daten.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, mit datengesteuerten Mitteln Informationen aus chemischen Systemen zu extrahieren. Die Chemometrie ist von Natur aus interdisziplinär und nutzt Methoden, die häufig in Kerndisziplinen der Datenanalyse eingesetzt werden, z Multivariate Statistik , angewandte Mathematik , Und Informatik , um Probleme anzugehen Chemie , Biochemie , Medizin , Biologie Und Chemieingenieurwesen .

Chemometrie wird zur Lösung sowohl deskriptiver als auch prädiktiver Probleme in den experimentellen Naturwissenschaften, insbesondere in der Chemie, eingesetzt. In deskriptiven Anwendungen werden Eigenschaften chemischer Systeme modelliert mit der Absicht, die zugrunde liegenden Beziehungen und die Struktur des Systems zu erlernen (dh Modellverständnis und -identifizierung). Bei prädiktiven Anwendungen werden Eigenschaften chemischer Systeme mit der Absicht modelliert, neue Eigenschaften oder Verhaltensweisen von Interesse vorherzusagen. In beiden Fällen können die Datensätze klein sein, sind aber oft sehr umfangreich 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. Die erste Herausforderung besteht darin, Spektraldaten in JMP zu importieren.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 Mehrfachdateiimport verwendet werden, hierfür ist jedoch eine Ersteinrichtung erforderlich.
2. Spektraldaten können sowohl im gestapelten Format als auch im Breitformat analysiert werden.Verwenden Sie das gestapelte Format (zeilenweise) mit Graph Builder, wenn Sie die Daten zum ersten Mal überprüfen und für eine erste Vorverarbeitung.Parallele Diagramme im Graph Builder eignen sich gut für großformatige Daten.
   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 „Skalen kombinieren“ und verwenden Sie „Parallel zusammengeführt“, um eine Vorstellung von den Unterschieden in der Basislinienverschiebung zu erhalten.

 

 

3. Möglicherweise ist eine Vorverarbeitung der Daten erforderlich.
   1. Der erste Schritt besteht darin, gestapelte Wellenlängendaten zu verwenden, um die Standardnormalvariate (SNV) zu berechnen.SNV finden Sie im Add-In.
   2. Eine weitere Vorverarbeitungsoption ist die Verwendung des Savitzy-Golay-Glättungs-/Ableitungsfilters.Sie können 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 durchführen.Machen Sie 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, mehrdimensionaler Skalierung und Clustering, kann und sollte verwendet werden, um Multikollinearität und Untergruppierung darzustellen.
5. Modellierung im regulären JMP:
   1. Die schrittweise Regression im regulären JMP funktioniert nachweislich gut mit Nahinfrarotdaten und ist eine gute Möglichkeit, wichtige Wellenlängen (Variablen) zu finden.
   2. Entscheidungsbäume funktionieren gut, aber bedenken Sie, dass es möglicherweise besser ist, die Aufteilungen manuell durchzuführen, als JMP alle Aufteilungen durchführen zu lassen.
   3. Sie können gespeicherte Hauptkomponenten verwenden, um eine Hauptkomponentenregression in der Fit Model-Plattform durchzuführen.Auf diese Weise ist es schwieriger, die wichtigsten Wellenlängen zu bestimmen, aber mit der Funktion „Variablenbedeutung bewerten“ mithilfe des Prediction Profiler ist dies möglich.
   4. Partielle Kleinste Quadrate (PLS) sind das produktivste aller chemometrischen Modellierungswerkzeuge.PLS ist für die Verarbeitung stark korrelierter und typischerweise sehr umfangreicher Datensätze im Zusammenhang mit Spektral- und Chromatographiedaten konzipiert.PLS kann zur Variablenauswahl verwendet werden, um zu bestimmen, welche Variablen über PLS der insgesamt besten Anpassung zugeordnet werden können.Wenn die Daten jedoch durch Vorverarbeitung gut aufbereitet sind, besteht normalerweise keine Notwendigkeit, PLS für die Variablenauswahl zu verwenden, es sei denn, Sie betrachten eine Mischung aus Komponentenbestandteilen.
6. Wechsel zu JMP Pro für die Modellierung:
   1. Partielle kleinste Quadrate (PLS) – Siehe oben, PLS ist auch im regulären JMP verfügbar .
   2. Generalisierte Regression (Gen Reg) – bestrafte Regressionsmodelle eignen sich gut für die Variablenauswahl und da es Hunderte, wenn nicht Tausende von Spalten pro Spektra/Chromatogramm geben kann, eignet sich Elastic Net sehr gut zur Bestimmung der wichtigsten Variablen (Wellenlängen/Peaks).Es wird außerdem empfohlen, die Bandbreite der Elastic Net Alpha-Möglichkeiten zu prüfen, um zu vermeiden, dass wichtige Variablen übersehen werden.Der Standardwert für Elastic Net Alpha beträgt beispielsweise 0,99. Wenn Sie sich für die Standardeinstellung entscheiden, erhalten Sie wahrscheinlich ein gutes Modell, aber Sie werden höchstwahrscheinlich auch einige sehr wichtige Variablen verpassen, die Ihre Vorhersagefähigkeit verbessern.Wenn Sie keine Zeit haben, den Bereich von Elastic Net Alpha zu durchsuchen, können Sie etwas im mittleren Bereich (0,56) auswählen, um zu sehen, ob das ein vernünftiges Modell ergibt.
   3. Functional Data Explorer (FDE) – FDE ist nicht unbedingt eine prädiktive Modellierungsplattform, sondern kann vielmehr zur Analyse von Kontinuumsdaten und zur Bestimmung verwendet werden, welche und wie viele funktionale Hauptkomponenten mit der Form einer Reihe von Kurven zusammenhängen.Die Verwendung von Functional DOE unter Verwendung zusätzlicher Variablen macht FDE so leistungsstark und Sie können mit FDOE eine inverse Kalibrierung erhalten.
   4. Neuronale Netze, Bootstrap Forest, Support Vector Machines und XG Boost können alle bei der Analyse chemometrischer Daten verwendet werden.Mit JMP Pro können Sie mithilfe von Model Screening ermitteln, welche Modellierungsplattform für Ihre Daten am besten geeignet ist.

Empfohlene VorgehensweiseFallstudienBetreff: C-41 Fallstudie Chemometrische Analyse von Spektraldaten

Die Chemometrie ist auf dem Weg, ein Trend in der Pharma- und HLS-Branche zu werden. Nachfolgend finden Sie einige meiner LinkedIn-Artikel zum Thema „Eintreten für JMP“.

NIR-Leitfaden der FDA für die Industrie | LinkedIn

Neue Analysetechniken im QbD – PAT-Paradigma | LinkedIn

JMP® – ein Primer für AQbD | LinkedIn