Analisi chemiometrica di dati spettroscopici
Panoramica
Questo case study dimostrerà il flusso di lavoro analitico per l'analisi dei dati spettrali utilizzando le piattaforme JMP e JMP Pro.L'uso di tecniche di analisi spettroscopica per la caratterizzazione di materie prime, intermedi e prodotti finiti è diffuso in tutta la Chimica.Dai laboratori di chimica universitari ai laboratori di ricerca e innovazione, nonché l'ambiente di produzione. L'analisi spettrale è praticamente ovunque.La parte più difficile dell'analisi spettrale non è la raccolta degli spettri, ma l'analisi dei dati forniti con gli spettri.Negli ultimi anni JMP ha lavorato a tecniche integrate di analisi spettrale multivariata note anche come analisi chemiometriche.
Definizione Wiki per la chemiometria:
“Chemiometria è la scienza dell'estrazione di informazioni dai sistemi chimici con mezzi basati sui dati. La chemiometria è intrinsecamente interdisciplinare, utilizzando metodi spesso impiegati nelle discipline di analisi dei dati fondamentali come statistica multivariata , matematica applicata , e informatica , per affrontare i problemi in chimica , biochimica , medicinale , biologia e Ingegneria Chimica .
La chemiometria viene applicata per risolvere problemi sia descrittivi che predittivi nelle scienze naturali sperimentali, in particolare in chimica. Nelle applicazioni descrittive, le proprietà dei sistemi chimici sono modellate con l'intento di apprendere le relazioni e la struttura sottostanti del sistema (cioè, la comprensione e l'identificazione del modello). Nelle applicazioni predittive, le proprietà dei sistemi chimici sono modellate con l'intento di prevedere nuove proprietà o comportamenti di interesse. In entrambi i casi, i set di dati possono essere piccoli, ma sono spesso molto grandi e molto complessi, coinvolgendo da centinaia a migliaia di variabili e da centinaia a migliaia di casi o osservazioni”.
Il flusso di lavoro analitico JMP per l'analisi dei dati spettrali
- L'acquisizione di dati spettrali in JMP è la prima sfida.C'è un componente aggiuntivo per estrarre i file *.csv e *.jdx.I file .jdx devono essere nel formato standard e non compressi.In alternativa, è possibile utilizzare l'importazione di file multipli, ma sarà necessaria la configurazione iniziale.
- I dati spettrali possono essere analizzati sia nel formato impilato che nel formato largo.Utilizzare il formato impilato (per riga) con Graph Builder durante la prima revisione dei dati e per alcune pre-elaborazioni iniziali.I grafici paralleli in Graph Builder funzionano bene per i dati di grande formato.
- Quando si utilizzano grafici paralleli, trascinare i dati della lunghezza d'onda sull'asse x, quindi fare clic con il pulsante destro del mouse, passare il mouse su Combina scale e utilizzare Parallel Merged per avere un'idea delle differenze nello spostamento della linea di base.
- Potrebbe essere necessario un pretrattamento dei dati.
- Il primo passaggio consiste nell'utilizzare i dati di lunghezza d'onda impilati per calcolare la variazione normale standard (SNV).SNV può essere trovato nel componente aggiuntivo.
- Un'altra opzione di pre-elaborazione è l'utilizzo del filtro smoother/derivato Savitzy-Golay.Puoi prendere la prima o la seconda derivata.La prima derivata ripulisce le variazioni additivi e la seconda derivata ripulisce sia i dati additivi che moltiplicativi.Prendere la derivata cambia la struttura dei dati e può rendere più difficile l'interpretazione.
- A volte dovrai eseguire sia Savitzy-Golay che SNV.Esegui prima Savitzy-Golay e poi SNV.*Presto sarai in grado di eseguire tutta la pre-elaborazione all'interno della piattaforma FDE in JMP Pro 17.
- L'uso di molte tecniche multivariate tra cui MDMVCC, PCA, Multidimensional Scaling e clustering può e dovrebbe essere utilizzato per mostrare multicollinearità e sottogruppi.
- Modellazione in JMP normale:
- È stato dimostrato che la regressione graduale in JMP normale funziona bene con i dati nel vicino infrarosso ed è un buon modo per trovare lunghezze d'onda (variabili) importanti
- Gli alberi decisionali funzionano bene, ma tieni presente che potrebbe essere meglio eseguire le divisioni manualmente anziché lasciare che JMP esegua tutte le divisioni.
- È possibile utilizzare i componenti principali salvati per eseguire la regressione dei componenti principali nella piattaforma Fit Model.È più difficile determinare le lunghezze d'onda più importanti in questo modo, ma è possibile con Valutare l'importanza delle variabili utilizzando il Prediction Profiler.
- I minimi quadrati parziali (PLS) il più prolifico di tutti gli strumenti di modellazione chemiometrica.PLS è progettato per gestire i set di dati altamente correlati e tipicamente molto ampi relativi ai dati spettrali e cromatografici.PLS può essere utilizzato per la selezione delle variabili per determinare quali variabili possono essere attribuite al miglior adattamento generale tramite PLS.Detto questo, se i dati sono ben condizionati attraverso la pre-elaborazione, in genere non è necessario utilizzare PLS per la selezione delle variabili a meno che non si stia guardando una miscela di componenti dei componenti.
- Passaggio a JMP Pro per la modellazione:
- Minimi quadrati parziali (PLS) – Vedi sopra, PLS è disponibile anche in JMP normale .
- Regressione generalizzata (Gen Reg) – i modelli di regressione penalizzati sono utili per la selezione delle variabili e poiché possono esserci centinaia se non migliaia di colonne per spettro/cromatogramma Elastic Net funziona molto bene per determinare le variabili più importanti (lunghezze d'onda/picchi).Si consiglia inoltre di scansionare la gamma di possibilità di Elastic Net Alpha per evitare di perdere variabili importanti.Ad esempio, l'Elastic Net Alpha predefinito è 0,99. Se scegli l'impostazione predefinita, probabilmente otterrai un buon modello, ma molto probabilmente perderai anche alcune variabili molto importanti che miglioreranno la tua capacità predittiva.Se non hai tempo per scansionare la gamma di Elastic Net Alpha, puoi scegliere qualcosa nella gamma media (0,56) per vedere se questo fornisce un modello ragionevole.
- Functional Data Explorer (FDE) – FDE non è necessariamente una piattaforma di modellazione predittiva quanto può essere utilizzata per analizzare i dati sul continuum e determinare quali e quanti componenti principali funzionali sono correlati alla forma di un insieme di curve.L'uso di Functional DOE utilizzando variabili supplementari rende FDE molto potente e puoi ottenere una calibrazione inversa usando FDOE.
- Reti neurali, Bootstrap Forest, Support Vector Machines, XG Boost, possono essere tutti utilizzati nell'analisi dei dati chemiometrici.Con JMP Pro puoi utilizzare Model Screening per determinare quale sia la migliore piattaforma di modellazione da utilizzare per i tuoi dati.
