Hola a todos. Me llamo Marco Kunzelmann y trabajo como estadístico principal en Boehringer Ingelheim. Tenemos una excelente colaboración con Chris Gotwalt de JMP en un tema en el que queremos combinar los DOE con los datos cromatográficos. Si bien esto aún está en desarrollo, creemos que este proyecto ya ha alcanzado una fase en la que podemos mostrarles los resultados actuales. Tengan en cuenta que muchos de los pasos de la presentación aún se realizan manualmente, pero se automatizarán en futuras versiones de JMP.
La motivación detrás de este proyecto fue que, por supuesto, el aumento de la eficiencia y la reducción de costos son objetivos fundamentales en la industria. Además, las autoridades y las directrices regulatorias han impulsado cada vez más la caracterización e investigación del espacio de diseño multivariante en los últimos años. Por mencionar solo un par de ejemplos, se encuentran la ICH Q8 y la recientemente publicada ICH Q14. Una forma establecida de cumplir con estos requisitos de las autoridades es el diseño de experimentos o, en resumen, DOE.
A más tardar con la entrada en vigor de la ICH Q14, publicada en junio de 2024, el modelado estadístico mediante DOE se incorporó al desarrollo analítico. Sin embargo, los cromatogramas suelen ser muy complejos y, por lo general, quienes desean combinar el desarrollo de métodos analíticos suelen extraer características de los cromatogramas y modelarlas en función de los parámetros de entrada del UE.
¿A qué me refiero? La extracción de características se refiere a información del cromatograma, como la altura o el tiempo de retención del pico, o incluso la resolución analítica, que describe la precisión con la que se separan dos o tres picos. El problema con la extracción de características es que es un trabajo tedioso, ya que se necesita un software para la detección de picos. Después, generalmente se requiere la integración de picos, y luego se debe exportar toda esta información desde el software analítico a JMP, donde se puede realizar posteriormente el modelado con el método DOE habitual.
Además, se necesita un modelo para cada una de estas características extraídas. En mi ejemplo anterior, donde vimos nueve picos diferentes, necesitamos nueve modelos solo para describir el tiempo de retención del pico. Luego, se necesitan nueve modelos para describir la resolución, la altura del pico, etc. Como puede imaginar, al optimizar todos estos modelos individuales, la interpretación es realmente difícil al final, ya que solo se obtiene información sobre los tiempos de retención, la altura del pico, la resolución, etc., pero nunca se obtiene una imagen completa. Nunca se ve el cromatograma completo.
Este es básicamente el objetivo que queríamos alcanzar en este proyecto. Nuestra idea era detectar picos inmediatamente en JMP, dentro del explorador de datos funcionales. Posteriormente, queríamos obtener una parametrización numérica del cromatograma completo, también, por supuesto, dentro de JMP. Se debía aplicar un modelado directo al cromatograma completo, incluyendo todos los picos. Finalmente, queríamos aprovechar la capacidad interactiva de JMP. Esto significa que queríamos tener un cromatograma interactivo directamente en el perfilador, donde se pudiera trabajar y observar cómo las diferentes configuraciones del factor DOE afectan al cromatograma.
Chris y yo pensamos que podríamos ilustrar nuestro proceso de la mejor manera mostrándoles dos ejemplos de conjuntos de datos con los que hemos trabajado durante el último año. Comencemos con el primer ejemplo, con datos de cromatografía de gases. La cromatografía de gases (GC), en resumen, es un método analítico ampliamente utilizado. En pocas palabras, se evapora la muestra y, en la fase gaseosa, se produce una interacción entre la fase móvil y la fase estacionaria, que se encuentra en el capilar. Estos efectos de interacción son diferentes para cada componente de la muestra analítica. En base a esto, se pueden separar estos componentes y detectarlos mediante un detector.
En este ejemplo, utilizamos un instrumento de cromatografía de gases diferente, llamado cromatografía hiperrápida, y el principio de separación sigue siendo el mismo que en el cromatografía de gases normal. Sin embargo, la principal diferencia radica en que la velocidad de calentamiento aumenta considerablemente, lo que nos permite crear cromatogramas con un tiempo completo de 1 minuto o menos. Esto, por supuesto, es muy beneficioso para este proyecto, ya que podemos ejecutar fácilmente diversas configuraciones sin perder mucho tiempo.
Nuestro experimento de DOE se basó en cuatro factores DOE diferentes. Esto significa que teníamos una temperatura inicial, una temperatura final, el tiempo de mantenimiento y el tiempo delta. Pensé que, en lugar de mostrar esta información solo en la tabla de datos, también la mostraría en un formulario de perfil de temperatura aquí a la derecha. Esta fue la temperatura inicial que teníamos. Variamos esta temperatura inicial y la mantuvimos en diferentes tiempos de mantenimiento.
La aplicación de diferentes delta t nos permitió aplicar diferentes velocidades de calentamiento, combinadas con diferentes temperaturas finales (T₂). Dado que podíamos ejecutar fácilmente numerosos experimentos en este GC ultrarrápido, decidimos usar un diseño factorial completo con 81 experimentos y siete ejecuciones de punto central para obtener la máxima información posible de este sistema.
Por ello, investigamos aquí, en el DOE, el impacto de los cuatro factores del DOE en nueve picos diferentes del cromatograma. En la parte inferior, vemos un ejemplo del cromatograma de cromatografía de gases, donde se observan los nueve picos individuales como datos brutos. Como puede imaginar, obtenemos este cromatograma para los 88 experimentos del DOE.
Esta es básicamente la parte donde le cedo la palabra a Chris, quien les mostrará con más detalle cómo extrajo la información de los cromatogramas para crear los cromatogramas sintéticos finales. Por favor, Chris.
Gracias, Marco. Aquí está la representación visual definitiva del cromatograma sintético o predicho en un perfilador, junto con los cuatro factores DOE. El cromatograma sintético está a la izquierda con fondo amarillo. Hay nueve picos de interés específicos que necesitábamos modelar.
El enfoque que mostraré crea una visualización fácil de entender con controles de perfilador, lo que permite al profesional ajustar la configuración del factor DOE que genere el mejor cromatograma. En este caso, el que presenta los picos mejor separados o con mayor resolución. Se puede pasar de esta configuración en el centro del espacio de diseño, que presenta varios picos agrupados, a estas configuraciones, que lograron la mejor separación que pudimos encontrar en este estudio.
Para lograrlo, tuvimos que superar varios desafíos. Primero, eliminamos el pico de disolvente poco interesante y la ejecución ciega de la línea base. A partir de ahí, utilizamos las funciones de modelado de picos del explorador de datos funcionales de JMP Pro 18 para identificar y etiquetar los picos. Extrajimos las alturas de pico, los anchos de media altura y los tiempos de elución de cada uno de los picos de todos los cromatogramas. A continuación, los modelamos con Genreg y ensamblamos las fórmulas de predicción resultantes en una fórmula sintética general para el cromatograma.
Cuando empezamos a hacer esto el año pasado, requería mucho trabajo manual. Ryan Parker y Clay Barker han trabajado arduamente para optimizar el proceso en JMP Pro 18. Como verán en mi demo, aún hay muchos pasos, pero el proceso ha pasado de varios días de trabajo manual a aproximadamente una hora, y nos comprometemos a optimizarlo aún más en las próximas versiones de JMP Pro.
Comenzamos analizando el FDE de la forma habitual. Un paso previo necesario fue usar la función de tabulación para calcular los tiempos de inicio y fin originales de cada lote. Esto es necesario para desalinear los datos y escalar el modelo para la ejecución a ciegas, de modo que se pueda restar de cada cromatograma. Aquí vemos los cromatogramas sin procesar. Queremos eliminar el pico de disolvente que domina la imagen. Para ello, usamos la función de alineación máxima.
Ahora podemos encontrar el tiempo de alineación posterior al pico de disolvente, pero anterior al primer pico de interés. Para ello, usamos la herramienta de cruceta y descubrimos que 0,26 es el tiempo transcurrido entre todos los picos de disolvente y el primer pico de interés. Filtramos todas las observaciones anteriores a 0,26. Ahora solo tenemos los picos de interés en los datos, y los guardaremos como un nuevo conjunto de datos para saber con qué estamos trabajando.
Se realizó un análisis a ciegas de referencia sin producto. Queremos eliminar esta señal de los datos, ya que contamina nuestro modelo y sesga nuestros resultados. En este caso, ajusté solo el análisis a ciegas con un p-spline y guardé los resúmenes. Luego, copié la fórmula en los datos, eliminando el pico de disolvente. Alineé manualmente los cromatogramas con la fórmula del análisis a ciegas y resté el escurrimiento a ciegas al crear la columna de intensidad a fórmula a ciegas, que estaba en la escala de tiempo absoluta.
Ahora que tenemos los datos del cromatograma en el formato deseado, podemos volver a FDE. Utilizaremos la nueva función de búsqueda de picos de JMP Pro 18. Lo primero que hacemos es ejecutar la Detección Automática de Picos. Esto, por supuesto, encuentra muchos picos en los datos y proporciona rangos y ubicaciones centrales a cada pico candidato que encuentra. Podemos hacer clic en la pestaña Resúmenes para ver las métricas de pico derivadas más importantes.
Aquí puede ver las AUC, las resoluciones, las alturas de pico y otras medidas derivadas del resumen de picos. Observamos un problema porque muchos cromatogramas tienen más de nueve picos en los resúmenes, pero sabemos que, en realidad, solo hay nueve picos por espectro.
Volvemos a la interfaz de usuario de búsqueda de picos, donde investigamos los espectros con más de nueve picos. Tras una breve búsqueda, descubrimos que todos los supuestos picos con alturas inferiores a 500 se deben simplemente a pequeñas anomalías en los datos. Aquí se destaca un ejemplo de uno de estos picos falsos. Podemos usar la herramienta Eliminación Automática de Picos para eliminarlos haciendo clic en ella e introduciendo 500 como límite inferior para lo que consideraremos una altura de pico válida.
Tras eliminar los picos inferiores a 500, obtenemos una extracción limpia y correcta de las estadísticas de resumen de picos necesarias para crear nuestro modelo RAM cromático sintético. Guardamos estos resúmenes en una nueva tabla y, a continuación, aplicamos la regresión generalizada para ajustar los modelos de superficie de respuesta cuadrática log-normal a todas las métricas extraídas. Usamos log-normal porque todas las métricas son estrictamente positivas.
En la práctica, debemos evaluar nuestros modelos para asegurarnos de que se ajusten correctamente, como en cualquier otro ejercicio de modelado. Voy a omitir este paso, pero una vez que estemos satisfechos, podemos mantener presionada la tecla Control y guardar las fórmulas de predicción para guardar las fórmulas de predicción de todas las respuestas de una sola vez. Ahora tenemos modelos que utilizan los factores DOE para predecir cada característica de los cromatogramas, y utilicé una columna de fórmulas para crear una fórmula de predicción que calcula el cromatograma sintético con una columna de fórmulas que combina los modelos DOE individuales para la ubicación, la semialtura, la anchura y la altura de cada pico.
Para verificar nuestro modelo, analizamos los gráficos de superposición de los cromatogramas sintéticos, dibujados en rojo, y los cromatogramas reales, dibujados en azul. En general, observamos que el modelo no es perfecto, pero parece que captura las características principales de los espectros reales con bastante precisión. A partir de aquí, simplemente usamos el perfilador para encontrar ajustes de factores que mejoren la resolución general de los picos, desde el centro del diseño hasta los ajustes que nos brindan un método analítico que separa los componentes del proceso de producción lo mejor posible para todos los picos.
Ahora tenemos una visualización sencilla y fácil de entender que muestra cómo configurar el proceso de forma que sea fácil de comunicar a quienes trabajan en el desarrollo de métodos analíticos. Le devuelvo la palabra a Marco.
Muchas gracias, Chris. Chris nos ha mostrado cómo funcionan los cromatogramas en sílice con datos de cromatografía de gases. Ya hemos aplicado esta metodología en otro ejemplo: la electroforesis capilar en gel. La electroforesis capilar en gel (CGE), en resumen, es simplemente otro instrumento analítico. Sin embargo, la técnica de separación es ligeramente diferente, lo que también da lugar a diferentes formas de pico, pero hablaremos de ello en breve. La principal motivación para desarrollar el método CGE fue la necesidad de separar dos picos diferentes. Francamente, aquí, el pico 1 del pico 2.
Como ven, esto es bastante difícil porque el Pico 1 es muy pequeño en comparación con el Pico 2, y estos dos picos también se superponen considerablemente. Intentamos encontrar la configuración óptima para separar estos dos componentes. En esta ocasión, utilizamos cinco factores de UE diferentes, principalmente en tres niveles distintos, excepto la concentración final. Esto se investigó en cuatro niveles diferentes.
Normalmente, si se desea investigar todas las combinaciones, se necesitarían 324 experimentos en un diseño factorial completo. Esta es, por supuesto, la razón principal por la que finalmente utilizamos un diseño I-óptimo. De esta forma, pudimos ahorrar alrededor del 80 % de los experimentos, ya que creamos un diseño de tan solo 64 experimentos. Este diseño no solo fue capaz de resolver efectos principales, interacción de dos factores y efectos cuadráticos, sino que también permitió resolver efectos de interacción de tres, cuatro y cinco factores, así como efectos cuadráticos en combinación con los efectos principales.
¿Por qué lo hicimos? Bueno, en el ejemplo de GC, investigamos la interacción entre muchos factores analíticos del DOE, y queríamos investigar esto más a fondo y comprender mejor la complejidad que deben tener los modelos para lograr una buena precisión y exactitud.
Normalmente, como ya hemos explicado, también se podría modelar el cromatograma completo para extraer las características desde el principio. Sin embargo, esto no fue posible en absoluto en esta situación, ya que, debido a la extrema superposición de los dos picos, el software analítico ya no podía calcular la resolución analítica de estos dos componentes. Esta es otra razón por la que necesitábamos encontrar otra forma de describir el cromatograma matemáticamente.
¿Qué hicimos aquí? Bueno, como ya explicó Chris, podemos describir, por supuesto, un pico mediante una función matemática. La altura del pico, el tiempo de retención, la anchura del pico, etc. El pico simétrico se puede describir mediante esta fórmula, aquí a la izquierda.
En el CGE, lamentablemente, las cosas son más complejas, ya que siempre produce picos asimétricos. Aquí también se observa que el segundo componente, el segundo pico, no es realmente simétrico. Necesitamos encontrar otra fórmula que describa la asimetría de este pico.
Lo que encontramos en la literatura fue esta fórmula. El parámetro a es el que nos permite describir la asimetría del pico. Se puede observar claramente en los lados izquierdo y derecho, donde se observa que un valor de 0 aún produce un pico asimétrico. Cuanto mayor sea el valor de a, más asimétrico será el pico. Los demás parámetros son básicamente el tiempo de retención del pico, la altura del pico, etc. Esto es básicamente igual que antes, solo que parece un poco más complejo.
¿Cómo podemos transferir esta fórmula a JMP? Creamos una nueva columna de fórmula en JMP. Para ello, simplemente vaya a Columnas, Fórmula y, a continuación, al Editor de Fórmulas. Vaya a Parámetros en la esquina inferior izquierda, haga clic en Nuevo parámetro y agregue todos los parámetros necesarios.
Al hacerlo, puede crear las dos fórmulas de pico, como hicimos aquí, dentro de los rectángulos verdes. Tenemos la fórmula para el Pico 1, donde asumimos un pico simétrico, y la fórmula más compleja para el segundo pico, donde también queremos describir la parte asimétrica del pico. También puede ver todos los parámetros que insertamos aquí: h1, w1, t1, m2, d2, a2 y H2 para el segundo pico. El siguiente paso es encontrar los valores correctos para todos estos parámetros.
Para ello, primero cargue todos los datos sin procesar de su instrumento analítico en JMP. Tenemos una columna para el tiempo de migración y otra para la intensidad. Separamos todos los electroferogramas individuales mediante una tercera columna, denominada simplemente "Run", que corresponde al número de Run del DOE.
Después, puede ir a Analizar, Modelado especializado en la plataforma no lineal. Lo que hacemos allí es simplemente introducir la respuesta Y, la intensidad, y para la fórmula del predictor, usamos nuestra columna de fórmula recién creada, por supuesto, y simplemente separamos todo por columna, que es la columna Ejecución que he mostrado aquí, que incluye todos los experimentos individuales de DOE.
Después, al hacer clic en Aceptar, se obtiene una vista como la que vemos aquí. Aquí tenemos el segundo experimento del DOE, y lo amplí un poco para que simplemente veamos los datos de los minutos 26 a 28. Los puntos son, en realidad, los datos reales sin procesar. La línea continua representa la función parametrizada con las estimaciones de los parámetros que se muestran a continuación. Como puede ver, los valores iniciales no son, por supuesto, los óptimos.
El siguiente paso es ejecutar JMP para encontrar las estimaciones correctas de todos estos parámetros individuales y ajustar los datos brutos lo mejor posible. Este es un paso iterativo. Con cada iteración, nos acercamos cada vez más a los resultados óptimos. Intento ilustrar esto con este pequeño diagrama y solo cuatro o cinco iteraciones. En realidad, tenemos 250 iteraciones y debemos repetir este proceso para los 64 experimentos.
Es crucial inspeccionar visualmente si el optimizador realmente encontró buenas estimaciones para todos los parámetros. Para que esto sea posible, necesitamos encontrar buenos valores iniciales. De lo contrario, nos encontraremos con un óptimo local o el optimizador del algoritmo no convergerá en absoluto, lo cual, por supuesto, representa un problema. Para encontrar buenos valores iniciales, conviene proporcionar al algoritmo límites inferior y superior, y también investigar primero los cromatogramas para obtener buenas estimaciones de la altura del pico, el tiempo de retención, etc., al menos de forma aproximada. Actualmente, este paso es bastante tedioso y requiere mucho trabajo, pero se automatizará en JMP 19.
Si bien esto ya representaba mucho trabajo, nuestro desafío se agravó aún más porque nueve de estos 64 experimentos resultaron en un borde de fallo. Esto significa que el tiempo de migración de nuestros dos picos fue inesperadamente largo, para algunas combinaciones de factores DOE. Dado que el método se detiene automáticamente después de 60 minutos de registro, no obtuvimos datos sobre estos picos en nueve de los experimentos. Ahora tenemos dos opciones: o simplemente declaramos que estos experimentos se han perdido, o usamos una técnica ya implementada en JMP para utilizar al menos parte de la información de este pico.
La metodología se denomina censura de datos. Dado que sabemos, por ejemplo, que el tiempo de migración de los picos se produce al menos después de 60 minutos, y los expertos en la materia podrían preguntar si deberían estar entre 60 y 62 minutos, podemos utilizar esta información, al igual que otros parámetros de los picos, como la altura y el ancho, entre otros.
¿Cómo usamos esta información en JMP? Simplemente crea una nueva columna, denominada "inferior" y "superior", para todos tus parámetros. En este ejemplo, usé el parámetro más sencillo, M2, que corresponde al tiempo de retención o migración del segundo pico. Aquí tenemos M2_inferior y M2_superior.
Para todos los experimentos donde recibimos datos, podemos simplemente insertar el mismo tiempo de retención para el componente inferior y el superior. Esto se aplica a la segunda, tercera ejecución, y así sucesivamente. Sin embargo, para todos los picos donde no recibimos tiempo de migración (ejecuciones en el borde de falla), usamos el tiempo de migración esperado más bajo para ese pico; esto es para el Experimento 1, 60 minutos, y el tiempo de migración esperado más alto, que es 62. Procedemos de la misma manera con los demás parámetros de pico, como a₂, d₂, etc.
El siguiente paso es bastante sencillo. Acceda a la plataforma de Ajuste del Modelo, a la Regresión Generalizada. Inserte M2_inferior y M2_superior, e inserte, por supuesto, todos los factores DOE y su combinación, los efectos de interacción, etc. Simplemente haga clic en "Ejecutar" y JMP reconocerá automáticamente que ha utilizado datos de censura por intervalo y le preguntará si es correcto. Haga clic en "Sí". De esta forma, podrá usar la información con el límite superior e inferior de todos sus datos. Esto es mucho mejor que simplemente eliminar los datos, ya que tenemos información sobre los datos perdidos y la usamos para el modelado.
Procedemos de la misma manera para todos los demás parámetros, como a2 (la altura del pico), el parámetro asimétrico, y también para el primer pico. En el siguiente paso, tras el ajuste y la selección del modelo (en este caso, utilicé el método de selección por poda hacia adelante de la plataforma de mínimos cuadrados generalizados), se guarda la columna de cada parámetro individual con la fórmula de predicción "Guardar".
El siguiente paso es bastante sencillo. Se repite este proceso para cada parámetro: h1, t1, w1, etc. Ahora, reconstruimos la fórmula del cromatograma simplemente reemplazando los parámetros con las fórmulas de predicción correspondientes.
Si recuerdan, al principio teníamos esta fórmula compleja para el Pico 1 y el Pico 2, y ahora reemplazamos los parámetros individuales con las fórmulas de predicción. Ahora, h1 ya no aparece en la fórmula de predicción, sino en la columna de fórmulas. Ahora tenemos h1_upper (Fórmula de Predicción), y este proceso se repite para todos los demás parámetros. Dado que obtenemos una fórmula extremadamente larga, no se ve tan bien en mi pantalla, pero pueden imaginar cómo continúa esto para la fórmula completa al final.
Este es el resultado. Ahora queremos obtener el resultado de forma interactiva en el JMP Profiler. El siguiente paso es ir al Graph Profiler y seleccionar la fórmula de intensidad, que ahora es la fórmula reensamblada que vimos aquí. Haga clic en "Expandir fórmulas intermedias", introduzca la fórmula de intensidad y la fórmula de predicción Y, y pulse "Aceptar".
Me gustaría mostrarles brevemente cómo se ve el resultado dentro de JMP. Aquí tenemos la plataforma de perfiles de JMP, y pueden ver a la izquierda el pH del tampón, el factor DOE, el SDS del tampón, el factor DOE y todos los factores DOE que hemos investigado.
La parte interesante está aquí, a la derecha, en el electroferograma, donde en el eje x tenemos el tiempo de migración y en el eje y la intensidad. Ya he ampliado un poco la imagen, y esta es la razón principal por la que tenemos una vista de tan solo 35-47 minutos. Pero es mucho mejor ver también la precisión con la que estos dos picos están separados. Ahora puedo cambiar directamente el perfilador, los factores DOE, y ver qué sucede en el cromatograma. Al cambiar la concentración final, la altura del pico cambia, por supuesto.
Pero al cambiar el voltaje de separación, también cambia el tiempo de migración de estos dos picos. Puedo repetir este proceso con la temperatura capilar y con el tampón SDS. A veces, si se observa con atención, la separación entre los dos picos es mejor, y a veces, como en este caso, es mucho peor porque ya no es posible la separación. Sin embargo, al reducir el pH del tampón, se obtiene una separación mucho mejor de estos dos componentes.
Esta es una parte. Ahora tenemos la interactividad en JMP combinada con nuestro cromatograma sintético. Pero quería ir un paso más allá. Permítanme ampliar un poco el electroferograma con la configuración elegida y ajustar la fórmula de predicción e intervalo de confianza. Reemplacé la fórmula de confianza e intervalo de predicción por la fórmula del Pico 1 y el Pico 2. La fórmula del intervalo de confianza ahora muestra solo el componente del Pico 1.
Ampliemos esto un poco más. La fórmula del intervalo de predicción nos muestra simplemente el segundo componente del pico. Lo que ahora es posible es bastante interesante. Vemos que incluso estos dos picos se superponen. Seguimos viendo de dónde proviene cada pico y qué tan separados están.
Ahora puedo localizar con precisión dónde se encuentra mi componente del Pico 1 debajo del componente del Pico 2. Esto, por supuesto, me ayuda mucho a comprender la eficacia de la separación y qué ajustes son los mejores al final.
Algo que siempre se debe hacer después de modelar es vincular los datos brutos reales con la predicción del modelo. Esto es lo que hice aquí en forma de gráficos de predicción versus medición. En rojo, vemos los datos reales y en azul, la predicción del modelo. He seleccionado un par de experimentos para mostrar el buen rendimiento del modelo.
No se confundan. Empezaré con la Ejecución 2 porque la Ejecución 1 fue uno de los experimentos donde tuvimos un límite de fallo y, por ello, no disponemos de datos con componentes de pico ni realizamos comparaciones con la predicción del modelo. Esto no es realmente útil en este caso. Sin embargo, en todos los demás experimentos, desde la Ejecución 2 hasta la 11, podemos ver que el modelo funciona bastante bien. A veces hay un pequeño cambio en el tiempo de retención, pero la altura del pico suele ajustarse bastante bien. Además, el ancho del pico es bastante bueno.
Aquí tenemos un pequeño problema con la línea base, pero es algo que Chris y su equipo están abordando y mejorando con las técnicas de modelado de línea base. En general, si observamos el rendimiento del modelo, diría que tenemos una predicción muy buena entre los datos reales y el modelo.
Un último paso en el ejemplo de CGE era, por supuesto, encontrar la mejor configuración del factor DOE para separar los picos lo mejor posible. Normalmente, se calcula la resolución analítica de dos componentes del pico. Simplemente se resta el tiempo de retención o, en ese caso, el tiempo de migración del segundo pico menos el del primero y se divide por el ancho del pico en la mitad del pico, el ancho en la mitad del máximo del primero y el del segundo pico.
Ya tenemos todos los modelos para estos parámetros modelados en función de nuestros factores DOE. Simplemente conectamos esta información y la ejecutamos, lo que nos permite crear un modelo auxiliar con la resolución en función de los factores DOE investigados. Aquí podemos ver, junto a nuestro cromatograma, en la parte superior derecha. Además, en la segunda fila, la resolución en función de los factores DOE.
Ahora simplemente usamos la capacidad de JMP, que nos permite optimizar la configuración. Esto significa que simplemente le indico que optimice la resolución al máximo y, como condiciones límite, los expertos en la materia no querían tiempos de migración superiores a 50 minutos. Así que configuramos la fórmula de predicción M2, que ya tenemos, en un límite superior de 50 minutos. Luego, ejecutamos el algoritmo para optimizar todo y obtenemos los resultados. Eso es lo que vemos aquí. Con estos ajustes del factor DOE, obtenemos una buena separación entre estos dos componentes de pico y podemos resolver el problema del desarrollo del método CGE.
Este fue un gran logro. En resumen, lo más importante es que ahora contamos con detección de picos en JMP y, en el futuro, también automatizaremos esta optimización de la parametrización numérica de los cromatogramas directamente en JMP. Actualmente, sigue siendo un proceso manual, algo que todos pueden hacer por sí mismos si lo desean, pero sigue siendo un trabajo tedioso por ahora, pero esto cambiará en JMP 19.
Ahora contamos con la interesante función de modelar directamente el cromatograma completo, incluyendo todos los picos, y visualizar estos resultados directamente en el perfil JMP. En mi experiencia, esto fue de gran beneficio para los expertos en la materia, quienes pudieron comprender cómo funcionan los DOE y cómo pueden optimizar su metodología. Esta es una tecnología de vanguardia que facilita la comunicación entre los estadísticos, por un lado, y los químicos analíticos, por otro.
Con esto, me gustaría terminar, y me alegra mucho que hayan escuchado esta presentación. Muchas gracias.
