Libros on-line

Esta entrada puede que sobre para la mayoría, pues casi todos sabemos de la existencia de Google Books. Yo me he hecho mi biblioteca (hace ya tiempo, y puse un enlace en el blog). Es una forma cómoda de acceder a muchos libros y de forma gratuita (el problema es que no están completos, les faltan siempre algunas hojas, pero entre unos y otros se puede consultar casi de todo). Yo recomiendo algunas joyas de Rose, Fresenius o Lavoisier (descargables en pdf, para aquellos que lo descargan todo).

Está claro que esta herramienta puede hacer mucho por la divulgación del conocimiento en general, y de la ciencia en particular. Si habeis visto alguna otra entrada del blog, suelo usar esta herramienta para la bibliografía que recomiendo.

Un saludo

Y os preguntareis que son las redes neuronales artificiales...

Las redes neuronales artificiales (ANN, artificial neural networks) son técnicas sofisticadas de modelado que mimetizan el funcionamiento del sistema nervioso, muy eficaces para resolver problemas de clasificación o regresión complejos. En clasificación, a partir de unos datos de entrada, que en quimiometría suele corresponderse con datos de concentración de determinados compuestos, las ANN calculan la probabilidad de pertenencia de una muestra a una clase (variables de salida). En regresión, se parte de señales instrumentales, generalmente, y se obtiene la concentración de varios compuestos de una mezcla.

Las ANN aprenden la relación entre las variables de entrada y de salida usando un conjunto de datos de entrenamiento. En ocasiones la red puede no solo aprender la estructura gruesa de los datos, sino la fina, llevando a un modelo sobreentrenado, lo que se suele evitar usando un subconjunto de verificación.

Entre las ANN más habituales cabe destacar las de perceptrones multicapa (MLP), que consisten en neuronas ordenadas en capas (entrada, oculta, salida) que tienen conexiones (pesos) unidireccionales desde la entrada hacia la salida. Suelen entrenarse por retro-propagación (BP), utilizando un subconjunto de verificación para ajustar los pesos.

Otro tipo son las redes neuronales probabilísticas (PNN), que consisten en cuatro capas (entrada, patrón, suma, salida). La capa de entrada introduce los valores de las variables de un caso hacia la capa patrón, que contiene una neurona por cada caso de entrenamiento. En cada neurona de la capa patrón se calcula la distancia entre el caso desconocido y el correspondiente caso de entrenamiento. En la capa de suma se calcula la probabilidad que tiene el caso de pertenecer a cada clase y la capa de salida lo clasifica en función de estas probabilidades. Este tipo de redes presenta ciertas ventajas respecto a las BP-MLP-ANN, destacando principalmente la facilidad con la que se establece su estructura y su simplicidad de entrenamiento.

Para saber más:

1. J. Zupan, J. Gasteiger, Neural Networks in Chemistry and Drug Design, VCH, Geinheim, 1999

2. Y. Chtioui, D. Bertrands, M.F. Devaux, D. Barba, Comparison of multilayer perceptron and probabilistic neural Networks in artificial vision. Application to the discrimination of seeds, J. Chemom., 1997, 11, 111.

3. J. M. Jurado, J. A. Ocaña. Fluorometric Determination of Mixtures of Quinolones By Means of Partial Least Squares and Neural Networks. Analytical Sciences. 2007, 23, 337-341

Diferenciación de tipos de alimentación del Cerdo Ibérico a partir de la fracción volatil de la grasa subcutánea del jamón.

Este trabajo (disponible on-line para suscriptores en la revista Analytical and Bioanalytical Chemistry) nace de nuestra colaboración con un grupo de investigación del Departamento de Caracterización de Alimentos y Calidad del CSIC-Instituto de la Grasa (Sevilla). Tras realizar el análisis de la fracción volatil de la grasa subcutanea del jamón fresco, es decir, antes de finalizar su proceso de curación, se emplean estos datos como descriptores químicos y se obtiene un modelo que permite reconocer el tipo de alimentación del cerdo.Los tipos de alimentación considerados fueron el de montanera (o bellota), cebo extensivo (alimentados con pienso y pasto) y cebo intensivo (solo con pienso). Se determinaron 27 compuestos mediante cromatografía de gases - espectrometría de masas con un sistema de purga y trampa.

Un analisis en componentes principales (PCA) permitió previsualizar tendencias en las muestras provenientes de los tres tipos de alimentación.

El análisis discriminante lineal (LDA) permitió crear un modelo que diferenciaba los tres tipos de alimentación con un 100% poder de predicción. Además, el LDA reduce el número de variables hasta 11 (2,2,4,6,6-pentametil-heptano, m-xileno, 2,4-dimetil-heptano, 6-metil-tridecano, 1-metoxi-2-propanol, isopropanol, o-xileno, 3-etil-2,2-dimetiloxirano, 2,6-dimetil-undecano, 3-metil-3-pentanol y limoneno).

Se continuó el estudio mediante modelado suave independiente por analogía de clases (SIMCA), técnica que permite establecer fronteras más flexibles entre clases, ofreciendo un resultado similar al LDA.

En otra ocasión hablaré de este tipo de técnicas quimiométricas.

Diferenciación de té mediante redes neuronales

Se ha publicado una nota de prensa por parte del Servicio de Información y Noticias Científicas sobre un trabajo publicado por nuestro grupo en Food Chemistry. Se trata de analizar el contenido metálico en hojas de té y usar esa composición para diferenciar variedades mediante técnicas de reconocimiento de patrones. 

Puede que la noticia resulte interesante pero, además, a través de la plataforma SINC se puede leer sobre otros temas de interés científico desde un punto de vista divulgativo.

El calibrado y el análisis cuantitativo instrumental

Cuando un químico analítico se enfrenta a una muestra, éste tiene, desde un punto de vista muy general, dos tareas fundamentales: conocer que sustancias forman parte de la materia (análisis cualitativo) y conocer en que cantidad aparecen dichas sustancias (análisis cuantitativo). Centrándonos en esta última, los métodos analíticos empleados pueden ser clásicos, donde se obtiene la cantidad de analito que reacciona estequiométricamente con un reactivo que se añade en cantidad perfectamente conocida a una porción de muestra, o instrumentales donde se mide una propiedad (utilizando un instrumento) que está directamente relacionada con la presencia de analito y cuya intensidad depende de la cantidad del mismo. Es aquí donde debemos introducir el concepto de calibrado. El calibrado en un método instrumental es el proceso mediante el que se obtiene una relación matemática (función analítica) entre la señal del analito y su concentración mediante la comparación con uno o más patrones. Generalmente se trabaja en disolución, con lo que se entiende por patrón a una disolución de analito de concentración perfectamente conocida. Utilizando esta función analítica se puede calcular la concentración de analito en la muestra a partir de la señal medida. La expresión de esta función analítica se corresponde con la ecuación de una curva (curva de calibrado). Siempre que sea posible se busca que la relación entre la señal analítica y la concentración del analito en los patrones sea lineal, obteniendo la línea de mejor ajuste a los datos experimentales obtenidos para los patrones mediante el método de mínimos cuadrados.La IUPAC ofrece guías sobre este tema, para uno (1) o múltiples (2) componentes, siendo recomendable su lectura para profundizar en el tema. Aquí simplemente nombraremos los tipos de calibrado que se suelen emplear en el análisis químico dando unas breves indicaciones de como y cuando se utilizan.

-Calibrado externo

Se lleva a cabo la comparación de señal de analito en la muestra con las obtenidas al medir una serie de patrones preparados. Los patrones suelen ser acuosos (es decir, se disuelve el analito en agua) pero también puede ser recomendable usar una matriz parecida a la de la muestra. Por ejemplo, para la determinación de metales en muestras sólidas, previamente digeridas con ácidos, se suele usar una disolución acuosa con la misma proporción de ácidos que la muestra tratada. En este tipo de calibrado se representa la señal de los patrones frente a su concentración y se obtiene la ecuación de la recta de mejor ajuste. Una vez hecho esto, para calcular la concentración de analito en una muestra se sustituye la señal medida para dicha muestra en la ecuación de la recta y se despeja la correspondiente concentración. Hay que asegurarse de que el valor de señal de la muestra se encuentre entre el mínimo y el máximo de las señales de los patrones (se debe interpolar, no extrapolar) y, si no es así, tratar de diluir la muestra o los patrones, según sea necesario, para que se cumpla este requisito.

Se debe comprobar la presencia de efecto matriz (errores proporcionales, que varían con el nivel de concentración). En caso de existir, hace necesario el uso del método de adición patrón.

- Calibrado por adición patrón

Se realiza añadiendo cantidades conocidas y crecientes de analito a distintas porciones de muestra para construir la curva de calibrado (se debe incluir la muestra sin adición). Se representa la señal obtenida para cada porción frente a la concentración o cantidad añadida a dicha porción. La concentración de la muestra se obtiene como el punto de corte de la prolongación de la recta en el eje de abscisas. Matemáticamente se iguala la señal a cero y se despeja la concentración (cambiando de signo).

Se aplica cuando se observa efecto matriz. Pero, ¿cómo se detecta dicho efecto matriz? Se puede comprobar de forma sencilla representando los datos del calibrado externo y los de adición patrón en el mismo gráfico. Si las rectas son paralelas, es decir, tienen la misma pendiente, no existirá efecto matriz. En caso contrario si habrá efecto matriz.

-Calibrado con patrón interno

En algunas ocasiones, debido a la forma de introducir una muestra en el sistema de medida o a un tratamiento previo de la misma, ésta puede sufrir pérdidas de analito. El problema surge cuando al repetir el mismo proceso una y otra vez las pérdidas de analito son diferentes, con lo que estaremos ante un problema en la repetitividad del método.

Por poner un ejemplo, imaginemos que en el tratamiento de muestra acuosa se realiza una extracción con un volumen X de disolvente orgánico. Ese volumen X se lleva a un volumen final Y y se mide la propiedad proporcional a la cantidad de analito. Quien ha realizado una extracción líquido-líquido sabe que es prácticamente imposible recuperar todo el volumen X en cada extracción. Si en vez de recuperar X recupero X-1 y lo llevamos al mismo volumen final Y, la concentración de analito dependerá del volumen que he recuperado. Este es una caso en el que es aconsejable el uso de un patrón interno. La filosofía de un calibrado con patrón interno es introducir en todas y cada una de las muestras, así como en los patrones, una sustancia en concentración constante (la misma en todas las muestras y patrones) y perfectamente conocida, un patrón interno, que sufra pérdidas de manera análoga al analito. Entre las características básicas de un patrón interno debe estar que sea lo más parecido posible al analito, química y físicamente, y por supuesto, que no sea una especie que ya esté contenida en la muestra originalmente. Ni que decir tiene que debe ser de elevada pureza y estabilidad.

El calibrado se realiza representando el cociente entre la señal obtenida para el analito y la obtenida para el patrón interno frente al cociente de sus concentraciones. Se calculan los parámetros de la recta de calibrado y se sustituye el cociente de señales obtenido para la muestra, obteniendo así el cociente de concentraciones en la muestra. Como conocemos la cantidad de patrón interno añadida, es sencillo calcular la concentración de analito.

Lecturas recomendadas

1) K. Danzer, L. A. Currie. Guidelines for calibration in analytical chemistry. Part 1. Fundamentals and single component calibration. Pure Appl. Chem. 70 (1998) 993-1014) K. Danzer, M. Otto, L. A. Currie. Guidelines for calibration in analytical chemistry. Part 2: Multicomponent calibration (IUPAC Technical Report). Pure Appl. Chem. 76 (2004) 1215-1225


Actualización de la entrada

Debido a un cambio de dirección los links en los comentarios no funcionan bien pero aquí podeis encontrar el link para cálculo de los parámetros de regresión en Excel 2007 y el efecto matriz