Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Rápida implementación
DATOS INSTRUMENTALES DE SEGUNDO ORDEN
D D D
dt1 ,1 dt1 ,2 . . dt1 ,NC dpH1 ,1 dpH1 ,2 . . dpH1 ,NC dx1 ,e1 dx1 ,e2 . . dx1 ,NC
d d t 2 , 2 . . dt 2 ,NC dpH2 ,1 dpH2 ,2 . . dpH2 ,NC dx 2 ,1 dx 2 ,2 . . dx 2 ,NC
t t2 ,1 pH Ex .
. . . . . . . . . . . . . .
dt , dtNR ,2 . . dtNF ,NC dpH , dpH , . . dpHNR ,NC dx , dx , . . dxNR ,NC
NR 1 NR 1 NR 2 NR 1 NR 2
Em
DATOS INSTRUMENTALES DE SEGUNDO ORDEN
D(NF,NC)
COLUMNAS
Variación en la respuesta
OBJETIVO
Aislar las contribuciones de todas las especies involucradas en el sistema, a través de la
obtención de sus perfiles de concentración y espectros puros.
C ST
D = CST + E
MODELO BILINEAL
espectro
cromatograma D = DA + DB + E
s A s B
D = cA + cB
ST
D = C × D = CST + E
Determinación de tartrazina por oxidación con bromato de potasio catalizada por Fe(II),
en presencia de una interferencia causada por azul brillante
250
200
D
150
100 =
50
0
0 50 100 150 200 250 300
C ST
×
Second-order advantage from kinetic-spectroscopic data matrices in the presence of extreme spectral overlapping. A
multivariate curve resolution-Alternating least-squares approach. María J. Culzoni, Héctor C. Goicoecheaa, Gabriela A.
Ibañez, Valeria A. Lozano, Nilda R. Marsili, Alejandro C. Olivieri, Ariana P. Pagani. Analytica chimica acta 614 (2008) 46–57
Muestra de calibración: tartrazina
1 Matriz experimental D
Análisis
Análisis simultáneo
simultáneode
devarias
variasmatrices
matricesde
dedatos
datos
D1 C1 ST
Varios experimentos
monitorizados con la misma
D2 C2
técnica = C2
Espectros puros
D3 C3 comunes a todos los
C3
experimentos
D C
t
ESTIMACIONES INICIALES
ESPECTROS
PANTALLA PRINCIPAL DE LA INTERFAZ GRÁFICA PARA APLICAR MCR-ALS
t
ESTIMACIONES INICIALES
CINÉTICAS
PANTALLA PRINCIPAL DE LA INTERFAZ GRÁFICA PARA APLICAR MCR-ALS
Un mismo experimento S1 T S2 T S3 T
monitorizado por D1 D2 D3
diferentes técnicas = ST
D C
Espectros puros
correspondientes a cada
técnica
Perfiles de concentración
comunes a todos los experimentos
ST
C
MATRIZ EXPERIMENTAL D: ANÁLISIS SIMULTÁNEO DE VARIAS MATRICES DE DATOS
D C
PROCESO DE RESOLUCIÓN MEDIANTE MCR-ALS
1 Matriz experimental D
RANGO MATEMÁTICO
Número de filas o columnas linealmente independientes
RANGO QUÍMICO
Número de componentes presentes en una mezcla
Se puede estimar a través de los métodos de análisis de factores (PCA, SVD), los que se
diseñaron para matrices de rango completo:
p1
p2
= PT
t1 t2
D T
22
20
18
16
Contribuciones debidas al ruido
14
12
1 2 3 4 5 6 7
MODELOS BILINEALES: PCA vs. MCR
D = TPT = USVT
Matriz diagonal
Magnitud del valor singular = importancia de la contribución
5
x 10
2.5
Valores singulares
1.5
4 contribuciones RANGO = 4
0.5
0
1 2 3 4 5 6 7 8 9 10
Número de componentes
DEFICIENCIA DE RANGO
ST
D = C
Espectros con la misma forma
D L (enantiómeros)
Perfiles de concentración Espectro D = Espectro L = Rango 1
con la misma forma
A+BC
[A] = [B]= Rango 2
Second-order advantage from kinetic-spectroscopic data matrices in the presence of extreme spectral overlapping. A multivariate
curve resolution-Alternating least-squares approach. María J. Culzoni, Héctor C. Goicoecheaa, Gabriela A. Ibañez, Valeria A. Lozano,
Nilda R. Marsili, Alejandro C. Olivieri, Ariana P. Pagani. Analytica Chimica Acta 614 (2008) 46–57.
Chemometric resolution of fully overlapped CE peaks: Quantitation of carbamazepine in human serum in the presence of several
interferences. Luciana Vera-Candioti, María J. Culzoni, Alejandro C. Olivieri, Héctor C. Goicoechea. Electrophoresis 29 (2008) 4527–4537.
DEFICIENCIA DE RANGO – MATRICES AUMENTADAS
1 Matriz experimental D
“ARTESANALMENTE”
• Combinación de señales reales y las restantes obtenidas por PURE o EFA
• Utilización de matrices sopt (ST) obtenidas en análisis previos por MCR-ALS
• …
Pure
Estimaciones ST [sp,imp]=pure(d,nr,f )
Filas más diferentes
Columnas más diferentes
Entrada
d: matriz de datos
Estimaciones C
Matriz
estimada Estimaciones
por CM iniciales
PCA de D
CONSTRUCCIÓN DE LAS ESTIMACIONES INICIALES: Pure
CONSTRUCCIÓN DE LAS ESTIMACIONES INICIALES: Pure
PROCESAMIENTO DE UNA ÚNICA MATRIZ
Estimaciones Matriz
iniciales estimada
por CM
PROCESAMIENTO SIMULTÁNEO DE VARIAS MATRICES
MATRIZ D AUMENTADA EN COLUMNAS
Matrices
Estimaciones
estimadas
iniciales
por CM
PCA de D
PROCESAMIENTO SIMULTÁNEO DE VARIAS MATRICES
MATRIZ D AUMENTADA EN COLUMNAS
Matrices
Estimaciones
estimadas
iniciales
por CM
EFA: efa.m
Monitorización quimiométrica por pasos de un proceso químico: permite investigar la
aparición y desaparición de las especies involucradas en el proceso.
Realiza análisis SVD sucesivos en matrices agrandadas en la dirección del proceso
mediante la adición de una nueva fila a la vez.
• Forward EFA (desde el principio hasta el final)
• Backward EFA (desde el final hasta el principio)
Técnica versátil para obtener información de rango local en sistemas en evolución.
[e,eforward,ebackward]=efa(d,ns )
Espectro
Entrada
d: matriz de datos
Cromatograma
1 Matriz experimental D
S C C C D
T T
1 T
S T C D
C DS S S T 1
CDS T
Diferentes juegos de matrices C y ST que difieren solo en el factor de escala de los perfiles
proveen el mismo ajuste de los datos.
2 15000
c1 C T
1.5 s2 S
D = C ST 1 c2
10000
s1
n
1 T
D k i ci si
5000
0.5
ki
0 0
i 1 0 20 40 60 0 50 100
D = C’ S’T 4
k1c1
30000
(1/k2)s2
3
20000
2
k2c2
ki= escalar; k1=2; k2=0.5
1
10000
(1/k1)s1
0 0
0 20 40 60 0 50 100
Diferentes juegos de matrices C y ST que difieren en las formas de los perfiles proveen el
mismo ajuste de los datos.
Equivalentes MATEMÁTICAMENTE, pero totalmente diferentes QUÍMICAMENTE.
2 15000
1.5
C ST
10000
D = C ST
1
5000
0.5
D = C (TT-1)ST 0
0 20 40 60
0
0 50 100
CT T-1 ST
D = C’ S’T
3 4000
2 2000
1 0
0 -2000
0 20 40 60 0 50 100
• Para un set de perfiles C y ST, dado que la aplicación de restricciones hace posible solo
algunas matrices T, se buscan las matrices Tnmax y Tnmin que proveen fnmax y fnmin para cada
componente del sistema
• El set de perfiles cn y snT que proveen fnmax y fnmin, llamados cnmax snTmax y cnmin snTmin,
respectivamente, se grafican junto con los perfiles iniciales propuestos, cn y snT, para
inspeccionarlos visualmente
• No negatividad
• Unimodalidad
• Clausura (cierre o balance de masas)
• Modelado rígido
• Igualdad (rango local/selectividad)
• Trilinealidad
La aplicación debe ser prudente: una restricción solo debe aplicarse cuando
se tiene total seguridad de su validez
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
UNA ÚNICA MATRIZ
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
UNA ÚNICA MATRIZ
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
MATRIZ D AUMENTADA
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
MATRIZ D AUMENTADA
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
No negatividad (C, S)
0.3 0.35
0.25 0.3
0.2 0.25
0.15
0.2
0.1
0.15
0.05
0 0.1
-0.05 0.05
-0.1
0 10 20 30 40 50 00 10 20 30 40 50
Tiempo Tiempo
Vertical
Horizontal
0.35 0.35
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
00 00 5 10 15 20 25 30 35 40 45 50
5 10 15 20 25 30 35 40 45 50
Tiempo Tiempo
Tolerancia: define qué tan estricta será la restricción, permitiendo desviaciones locales.
En general: valores entre 1.0 (no hay desviaciones) y 1.1
1.5 significa que se permite 50% de desviación local: en pendientes decrecientes del pico principal un
punto particular puede aumentar como máximo 50% del valor previo antes de que la restricción se aplique
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
Clausura (C)
Ecuaciones de balance de masa en sistemas
S = c total de reacción cerrados
0.25
c total 0.3
0.25
c total a un valor fijo o variable
0.2
0.2
0.15
0.15
0.1
0.05
0.1
0.05
No se puede aplicar cuando existen
5 10 15 20 25 30 35
0
0 5 10 15 20 25 30 35
especies no absorbentes, debido a que las
especies que contribuyen a la señal medible
no conforman un sistema cerrado
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
Igualdad (C, S)
Posibilidad de fijar valores conocidos en los perfiles de concentración o en los espectros
durante la optimización.
Señales puras de componentes conocidos
Información de selectividad o rango local: si se sabe que algunos componentes están
ausentes en ciertas regiones
A B C x x x ... x x x
Región selectiva
para el compuesto C
0 0 1.32
T
S sel k k k ... k k k
0 0 1.28
NaN NaN 1.26 x x x ... x x x
NaN NaN 1.24
NaN: valores no NaN NaN 1.22
restringidos NaN NaN 1.04 Perfil conocido
NaN NaN 1.04
Fijando un espectro
NaN 0 1.04 conocido
Información de
NaN 0 1.04
rango local
NaN 0 1.04 Csel y STsel tienen que ser del mismo
(ausencia de B) NaN 0 1.04
tamaño de C y ST
Csel
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
Trilinealidad
TEST DE TRILINEALIDAD
D1
D D3
D
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
RESTRICCIONES PARA LA RESOLUCIÓN SIMULTÁNEA DE VARIAS MATRICES
Datos trilineales
Datos no trilineales
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
Trilinealidad
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
Modelo
1 1
0.9 0.9
0.8 fisicoquímico 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0
2 3 4 5 6 7 8 9 02 3 4 5 6 7 8 9
pH pH
Cuando no se tiene conocimiento sobre las especies presentes en cada experiencia o cuando
todas están presentes en todos los experimentos se deja libre el espacio y se genera
automáticamente una matriz de unos de dimensiones apropiadas.
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
RESTRICCIONES PARA LA RESOLUCIÓN SIMULTÁNEA DE VARIAS MATRICES
Correspondencia entre especies
D=[D1;D2;D3] C ST
D1
C1
A B C
isp1=[1 1 1
D2 C2 1 0 0
0 0 1];
D3
C3
OPTIMIZACIÓN MEDIANTE ALS: aplicación de restricciones
cknown =
Útil para evaluar la calidad de la regresión cuando se trabaja con datos de primer orden
(un espectro por muestra)
Se debe generar una matriz de las dimensiones de la isp_matrix que contenga las
concentraciones nominales de las muestras de calibración para el analito de interés, y en
el resto de las posiciones NaN
Solo se puede aplicar la restricción de no negatividad
No es compatible con la normalización de los espectros
Restricciones para el sistema Tartrazina - Fe
UNA ÚNICA MATRIZ
Restricciones para el sistema Tartrazina - Fe
UNA ÚNICA MATRIZ
Restricciones para el sistema Tartrazina - Fe
RESTRICCIONES PARA LA RESOLUCIÓN SIMULTÁNEA DE VARIAS MATRICES
TI
isp1=[1 1
11
11
11
11
10
10
10
10
1 0 ];
Restricciones para el sistema Tartrazina - Fe
RESTRICCIONES PARA LA RESOLUCIÓN SIMULTÁNEA DE VARIAS MATRICES
OPTIMIZACIÓN MEDIANTE ALS
Criterio de convergencia:
La convergencia se alcanza cuando en
dos ciclos iterativos consecutivos las
diferencias relativas en las desviaciones
estándares de los residuos entre los
valores experimentales y los calculados
por ALS son menores a un valor
previamente seleccionado, denominado
TOLERANCIA, usualmente del 0.1%
copt y sopt: matriz de perfiles de concentración y espectros puros resueltos (única o aumentada)
Std. dev: % óptimo de LOF en unidades de desviación estándar relativa (el primer elemento es la LOF de
los resultados de la resolución con respecto a la matriz reproducida por PCA, mientras que el segundo es la
LOF entre los resultados de la resolución y los datos originales)
Residuals: residuos entre los datos originales y los perfiles de concentración y espectros resueltos
Area opt: áreas bajo los perfiles de concentración de cada especie en cada submatriz C
Ratio opt: información cuantitativa relativa (cociente entre las áreas de ciertas especies en las diferentes
submatrices C y el área de las especies en la primer submatriz C tomada como referencia)
PROCESO DE RESOLUCIÓN MEDIANTE MCR-ALS
1 Matriz experimental D
A’
T en las muestras
Interferencia
1.0396 2.0036
1.8654 1.9967
0.7403 2.7204
1.7130 2.8123
1.3399 2.4678
0.2949 0
1.0234 0
2.5277 0
3.0366 0
4.3459 0
d dij
* 2
dij= elemento de la matriz experimental D
ij
dij *= elemento de la matriz D reproducida por MCR-ALS
nfilasncolumnas nfilas y ncolumnas = número de filas y columnas de la matriz D
d d * 2
LOF% 100 ij ij ij
d 2
ij ij
R2 d 2*
ij
d 2
ij
MCR-ALS
Pocos requisitos
Gran flexibilidad
En la introducción de la información
• Aplicación de restricciones
• Adaptable a compuestos y/o experimentos individuales
CONSIDERACIONES GENERALES
Estimaciones iniciales:
• Pure: el nivel de ruido seleccionado debe ser mayor al nivel de ruido de los datos,
para obtener estimaciones iniciales libres de ruido y con la forma esperada. Probar
diferentes opciones hasta encontrar el nivel de ruido que provea estimaciones iniciales
adecuadas.
• EFA: cuando se trabaja con múltiples experimentos, no se recomienda aplicar EFA a la
matriz D aumentada. Las estimaciones iniciales deben obtenerse para cada matriz
individual y luego concatenarse, respetando la correspondencia de especies en la matriz D.
Aplicación de restricciones:
• Es importante aplicar las restricciones que realmente describen los datos, para
obtener soluciones reales.
• En el caso de trabajar con una matriz D aumentada en columnas, se recomienda el
uso de la matriz de identificación de especies (isp), pero teniendo especial cuidado
en la asignación de los componentes.
APLICACIÓN
Determination of marker pteridines in urine by HPLC with fluorimetric detection and second-order multivariate calibration using MCR-
ALS. A. Mancha de Llanos, M.M. De Zan, M.J. Culzoni, A. Espinosa-Mansilla, F. Cañada-Cañada, A. Muñoz de la Peña, H.C. Goicoechea.
Anal. Bioanal. Chem. 399 (2011) 2123 - 2135.
Enhanced MCR-ALS modeling of HPLC with fast scan fluorimetric detection second-order data for quantitation of metabolic disorder
marker pteridines in urine. M.J. Culzoni, A. Mancha de Llanos, M.M. de Zan, A. Espinosa Mansilla, F. Cañada Cañada, A. Muñoz de la
Peña, H. C. Goicoechea. Talanta 85 (2011) 2368– 2374.
COMPLEJIDAD DEL SISTEMA
Otros
componentes
de la orina
ESTRATEGIA 1 Aumento en modo temporal
Inicialización con espectros
Un modelo para cada región:
los analitos con espectros idénticos quedan espectros
en distintas regiones
cromatogramas
15 calibradores
5 niveles (n=3)
ST
t D C
Espectros puros
NEO
2
Aumento en modo espectral
ESTRATEGIA 2
Inicialización con cromatogramas
espectros
15 calibradores
5 niveles (n=3)
CT
D S
t Cromatogramas
1 2
MCR-ALS
• http://www.mcrals.info/
• J. Jaumot, R. Gargallo, A. de Juan, R. Tauler, Chemom. Intell. Lab. Syst., 2005, 76,
101-110.
• J. Jaumot, A. de Juan, R. Tauler, Chemom. Intell. Lab. Syst., 2015, 140, 1-12.