El equipo de desarrollo de JMP ha trabajado arduamente y ha implementado algunas herramientas nuevas y excelentes para la capacidad de análisis quimiométrico en la estructura del software. Muchas gracias a @clay_barker , @RyanParker y @chris_gotwalt1 por sus superpoderes que les permitieron reunir toda esta capacidad de análisis quimiométrico en una sola plataforma. Además, un agradecimiento especial a @MikeD_Anderson por sus contribuciones al análisis de picos y a la búsqueda de picos basados en su complemento Spectris, que se puede encontrar en User Community File Exchange .
En este blog, @Mark_Bailey y yo le informamos sobre las novedades de la última versión de JMP y JMP Pro 18. Se han agregado varios modelos directos nuevos a la caja de herramientas FDE. Estos tipos de modelado son mejores para la interpretabilidad directa, especialmente cuando se analizan mezclas.
También hay un nuevo script de Python que te permite abrir archivos .spc, gracias a @nick_shelton y un nuevo script de Python de @jmpstopper que te permite abrir archivos .spa.
Nuevos métodos de PCA funcional directo
JMP ha agregado cuatro nuevas opciones a la pestaña PCA funcional directa existente:
- Resolución de curva multivariada (MCR)
- MCR sin restricciones
- Descomposición de valores singulares penalizada (SVD)
- SVD no negativo penalizado
Estos nuevos métodos se basan en la capacidad actual y se pueden encontrar en Functional Data Explorer cuando vaya a Modelos > Modelos directos.
Figure 1. New Direct Model options in FDEFigure 1. New Direct Model options in FDEFigura 1. Nuevas opciones de modelo directo en FDE
Resolución de curva multivariada
La resolución de curva multivariada (MCR) se ha utilizado durante muchos años en el análisis de datos quimiométricos. Es especialmente útil al analizar espectros de mezclas y discernir los componentes de una mezcla, hasta el punto de que MCR también se conoce como análisis de mezclas de automodelado.
A continuación se muestran imágenes del análisis de RMN de una mezcla de alcoholes: butanol, propanol y pentanol. Los datos se configuran en un formato amplio para su análisis y no hay preprocesamiento inicial ni limpieza de datos. Hay 23 filas de datos y los componentes de la mezcla se determinan basándose en los espectros de RMN de los alcoholes puros.
Figure 2. MCR model fit for all 23 NMR spectraFigure 2. MCR model fit for all 23 NMR spectraFigura 2. Modelo MCR apto para los 23 espectros de RMN
El análisis dura alrededor de 30 segundos, así que no te preocupes si no ves algo inmediatamente. Según la imagen de arriba, se necesitaron 20 funciones de forma o componentes principales funcionales para lograr el mejor ajuste con este método. En general, el modelo logró identificar el desglose de los componentes de la mezcla.
MCR viene en dos versiones: MCR regular y sin restricciones. MCR sin restricciones permite una ponderación negativa en las funciones de forma. En un blog de Daniel Pelliccia, “Resolución de curvas multivariadas: una introducción”, Pelliccia afirma “que una restricción de no negatividad sólo tiene sentido cuando estás seguro de que se aplica a las funciones que estás tratando de estimar, como una forma de acelerar la proceso de convergencia. Deshazte de él en el caso general”.
Descomposición de valores singulares penalizada (SVD)
Hay dos opciones para SVD penalizado: SVD penalizado no negativo restringe el análisis a una ponderación no negativa como MCR, y SVD penalizado permite una ponderación negativa como MCR- sin restricciones. Ambas opciones SVD utilizan una penalización de tipo LASSO en las cargas y los valores singulares para permitir la puesta a cero de cargas inactivas.
Figure 3. Penalized SVD model of the alcohol mixtureFigure 3. Penalized SVD model of the alcohol mixtureFigura 3. Modelo SVD penalizado de la mezcla de alcohol
Comparación de MCR y SVD mediante gráficos de puntuación
Al observar los gráficos de puntuación de MCR sin restricciones, MCR y SVD penalizado que se muestran a continuación, el MCR sin restricciones tuvo más dificultades para discernir los espectros puros del pentanol (1020) frente a los otros dos modelos basados en el subgrupo de otros modelos cercanos. espectros. Como referencia, el propanol es el espectro 1008 y el butanol es el espectro 1018.
Figure 4. Unconstrained MCR score plotFigure 4. Unconstrained MCR score plotFigura 4. Gráfico de puntuación MCR sin restricciones
Figure 5. MCR score plotFigure 5. MCR score plotFigura 5. Gráfico de puntuación MCR
Figure 6. Penalized SVD score plotFigure 6. Penalized SVD score plotFigura 6. Gráfico de puntuación de SVD penalizado
Acceder a más tipos de archivos de datos
Con el lanzamiento de JMP 18 y su integración mejorada con Python, hay dos nuevas opciones para importar datos espectrales a JMP para su análisis.
Ahora se pueden importar archivos .spa y .spc directamente a JMP gracias a Christian Stopp para .spa y Nick Shelton para .spc, respectivamente. Ambos formatos de archivo se basan en diferentes paquetes de instrumentos, con .spa proveniente del software OMNIC y .spc del software Grams. Ambos tipos de archivos se importan en un formato alto y deben transponerse para su posterior preprocesamiento y análisis.
JMP siempre busca mejorar nuestro software y esperamos que nos informe qué herramientas serían útiles para analizar datos quimiométricos, especialmente espectros y cromatogramas.
