Analisi chemiometrica dei dati spettroscopici
Panoramica
Questo caso di studio dimostrerà il flusso di lavoro analitico per l'analisi dei dati spettrali utilizzando entrambe le piattaforme JMP e JMP Pro.L'utilizzo di tecniche di analisi spettroscopiche per la caratterizzazione di materie prime, intermedi e prodotti finiti è diffuso in tutta la Chimica.Dai laboratori di chimica universitaria ai laboratori di ricerca e innovazione, così come 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 allo sviluppo di tecniche di analisi spettrale multivariata integrate, note anche come analisi chemiometriche.
Definizione Wiki per chemiometria:
“Chemiometria è la scienza dell'estrazione di informazioni dai sistemi chimici con mezzi basati sui dati. La chemiometria è intrinsecamente interdisciplinare, utilizzando metodi frequentemente impiegati nelle discipline di base dell'analisi dei dati come statistica multivariata , matematica applicata , E informatica , al fine di affrontare i problemi in chimica , biochimica , medicinale , biologia E Ingegneria Chimica .
La chemiometria viene applicata per risolvere problemi descrittivi e predittivi nelle scienze naturali sperimentali, specialmente in chimica. Nelle applicazioni descrittive, le proprietà dei sistemi chimici sono modellate con l'intento di apprendere le relazioni sottostanti e la struttura 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 di JMP per l'analisi dei dati spettrali
- Ottenere dati spettrali in JMP è la prima sfida.C'è un componente aggiuntivo per inserire i file *.csv e *.jdx.I file .jdx devono essere nel formato standard e non compressi.In alternativa, è possibile utilizzare l'importazione di più file, ma richiederà una configurazione iniziale.
- I dati spettrali possono essere analizzati sia nel formato stacked che nel formato wide.Utilizzare il formato in pila (per riga) con Costruttore di grafici durante la prima revisione dei dati e per una pre-elaborazione iniziale.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 necessaria una pre-elaborazione dei dati.
- Il primo passaggio consiste nell'utilizzare i dati della lunghezza d'onda in pila per calcolare la Standard Normal Variate (SNV).SNV può essere trovato nel componente aggiuntivo.
- Un'altra opzione di pre-elaborazione è l'utilizzo del filtro più uniforme/derivato di Savitzy-Golay.Puoi prendere la prima o la seconda derivata.La derivata prima ripulisce le variazioni additive e la derivata seconda ripulisce i dati sia additivi che moltiplicativi.Prendere la derivata cambia la struttura dei dati e può rendere più difficile l'interpretazione.
- A volte dovrai fare sia Savitzy-Golay che SNV.Fai prima Savitzy-Golay e poi SNV.*Presto sarai in grado di eseguire tutte le pre-elaborazioni 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 deve essere utilizzato per mostrare la multicollinearità e il sottoraggruppamento.
- Modellazione in JMP normale:
- È stato dimostrato che la regressione graduale in JMP normale funziona bene con i dati del vicino infrarosso ed è un buon modo per trovare lunghezze d'onda importanti (variabili)
- Gli alberi decisionali funzionano bene, ma tenere presente che potrebbe essere preferibile eseguire le divisioni manualmente piuttosto che lasciare che JMP esegua tutte le divisioni.
- È possibile utilizzare i componenti principali salvati per eseguire la regressione dei componenti principali nella piattaforma Stima modello.È più difficile determinare le lunghezze d'onda più importanti in questo modo, ma è possibile con Assess Variable Importance utilizzando il Prediction Profiler.
- Partial Least Squares (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 complessivo tramite PLS.Detto questo, se i dati sono ben condizionati durante la pre-elaborazione, in genere non è necessario utilizzare PLS per la selezione delle variabili, a meno che non si stia esaminando una combinazione di componenti costitutivi.
- 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 penalizzata 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 il tempo di scansionare la gamma di Elastic Net Alpha, puoi scegliere qualcosa nella fascia media (0,56) per vedere se questo fornisce un modello ragionevole.
- Functional Data Explorer (FDE) – FDE non è necessariamente una piattaforma di modellazione predittiva in 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.
- Neural Nets, 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 qual è la migliore piattaforma di modellazione da utilizzare per i tuoi dati.
La chemiometria sta per diventare una tendenza nel settore farmaceutico e HLS. Di seguito sono riportati alcuni dei miei articoli di LinkedIn sull'argomento che sposa JMP
Guida NIR della FDA per l'industria | Linkedin
Tecniche analitiche emergenti in QbD – Paradigma PAT | Linkedin
JMP® - un primer per AQbD | Linkedin
