Real

Noticias

HogarHogar / Noticias / Real

Jun 25, 2023

Real

Scientific Reports volumen 13, Número de artículo: 6059 (2023) Citar este artículo 586 Accesos Detalles de métricas Resultados tempranos y significativos para un espectrómetro de masas de gases miniaturizado sin columnas y en tiempo real

Scientific Reports volumen 13, número de artículo: 6059 (2023) Citar este artículo

586 Accesos

Detalles de métricas

Se informan los primeros y significativos resultados de un espectrómetro de masas de gases miniaturizado sin columnas en tiempo real para detectar especies objetivo con espectros superpuestos parciales. Los logros se han logrado utilizando tanto agujeros a nanoescala como un sistema de entrada de muestreo de nanofluidos y una técnica estadística sólida. Incluso si la implementación física presentada pudiera usarse con columnas de cromatografía de gases, el objetivo de una alta miniaturización requiere investigar su rendimiento de detección sin ayuda. Como caso de estudio, en el primer experimento se utilizó diclorometano (CH2Cl2) y ciclohexano (C6H12) con concentraciones en el rango de 6 a 93 ppm en mezclas simples y compuestas. El enfoque sin columna de nanoorificio adquirió espectros sin procesar en 60 s con coeficientes de correlación de 0,525 y 0,578 con la base de datos de referencia del NIST, respectivamente. Luego, creamos un conjunto de datos de calibración en 320 espectros sin procesar de 10 mezclas diferentes conocidas de estos dos compuestos utilizando regresión de mínimos cuadrados parciales (PLSR) para la inferencia de datos estadísticos. El modelo mostró una precisión de la desviación cuadrática media (NRMSD) normalizada a gran escala de \(10.9\mathrm{\%}\) y \(18.4\mathrm{\%}\) para cada especie, respectivamente, incluso en mezclas combinadas. Se realizó un segundo experimento con mezclas que contenían otros dos gases, xileno y limoneno, que actuaban como inhibidores. Se adquirieron 256 espectros adicionales en 8 nuevas mezclas, a partir de las cuales se desarrollaron dos modelos para predecir CH2Cl2 y C6H12, obteniendo valores NRMSD de 6,4% y 13,9%, respectivamente.

La combinación de los resultados más recientes en micro y nanotecnología1 con enfoques evaluados específicos de instrumentos analíticos de gases está cambiando la forma en que se pueden realizar las mediciones2. Las nuevas generaciones de instrumentos analíticos que utilizan avances en el campo de los sistemas microelectromecánicos (MEMS) y nanoelectromecánicos (NEMS) abren perspectivas para dispositivos con un nivel muy alto de miniaturización para cromatografía de gases (GC). Avances recientes en técnicas analíticas de cromatografía de gases-espectrometría de masas (GC-MS) y tecnologías más específicas, como la espectroscopia de movilidad de iones (IMS), ondas acústicas superficiales-espectrometría de masas (SAW-MS) y cromatografía de gases-ondas acústicas superficiales- La espectrometría de masas (GC-SAW) muestra una clara tendencia a reducir el tamaño, el tiempo de análisis y los costes de instalación y despliegue. Por lo tanto, se deben satisfacer condiciones de vacío estrictas, que requieren sistemas de vacío diferenciales complejos, conexiones voluminosas y bombas de vacío costosas. Sin embargo, resulta complicado eliminar la necesidad de flujos de entrada de gas relativamente grandes para los instrumentos. Se pueden encontrar ejemplos de estos esfuerzos en varias publicaciones recientes, donde los distintos gases se inyectaron con un valor de sccm en el rango de 10 a 200 sccm3,4,5,6,7,8. Para reducir aún más los flujos, varios investigadores estudiaron una reducción de las dimensiones de todo el sistema, obteniendo la primera reducción consiguiente de los rendimientos de entrada necesarios: por ejemplo, en 2007, Kim et al.9 informaron de la primera integración de un micro GC, donde Se conectó una microbomba de gas de 4 etapas a una microcolumna de 25 cm de longitud. Este sistema obtuvo la mejor separación de vapor entre 0,2 y 0,3 sccm. Más recientemente, Hsieh y Kim10 desarrollaron un sistema de cromatografía de gases microcirculatoria y lo probaron con éxito en la separación de diferentes isómeros, trabajando a un caudal fijo de 0,5 sccm. Se obtuvieron resultados similares utilizando una tecnología particular llamada Knudsen Pump (KP), basada en canales paralelos creados con membranas de nano-orificios. Sobre ese tema, Qin et al. escribieron varios artículos11,12,13, desarrollando pequeños sistemas con un flujo de 0,4, 0,82 y 0,15 sccm, respectivamente. En general, los dispositivos nanotecnológicos pueden cambiar drásticamente la forma en que se podrían llevar a cabo estas medidas, permitiendo reducciones radicales y extremadamente relevantes en las dimensiones del sistema y en el suministro de energía. Es posible lograr una mejora significativa en la simplificación del sistema14,15 mediante el uso de orificios a escala nanométrica16 como puntos de muestreo e interfaces inteligentes de gas hacia la presión atmosférica.

En lo que respecta al procesamiento de datos de espectros de MS, en la literatura varios artículos han aplicado técnicas multivariadas (especialmente PCA) a espectros medidos con GC-MS, centrándose principalmente en problemas de clasificación. Estos trabajos abarcan varios campos, donde la alimentación es uno de los más activos: por ejemplo, en 2013 Welke et al.17 utilizaron la detección por espectrometría de masas junto con PCA y el Análisis Discriminante Lineal por Pasos (SLDA) para discriminar entre 5 tipos diferentes de vino. con una tasa de éxito del 100%. Lv et al.18 utilizaron GC-MS para adquirir espectros de huellas dactilares del té verde Puerh y otros seis tés verdes y luego utilizaron el análisis de conglomerados (CA) y PCA para evaluar la diferencia entre la variante Puerh y las otras. Más recientemente, Mogollon et al.19 realizaron adquisiciones por GC-MS en bebidas espirituosas ecuatorianas, cuyas muestras fueron preparadas con una técnica particular llamada microextracción en fase sólida Headspace (HS-SPME). Este pretratamiento, junto con PCA, les permitió utilizar la espectrometría de masas para una valiosa inspección de calidad de estos alcohólicos. Otros estudios se realizaron en humanos: por ejemplo, Jha et al.20 analizaron datos de olores corporales humanos adquiridos con GC-MS con Kernel PCA (KPCA). Esta técnica les permitió encontrar compuestos volátiles que podrían actuar como biomarcadores, obteniendo una buena clasificación entre diferentes sujetos. En 2019, Stark et al.21 aplicaron técnicas de aprendizaje profundo más complejas a los datos de EM adquiridos en muestras de melanoma, intentando clasificarlos entre un lunar melanoma y no melanoma. Se exploraron tres algoritmos de aprendizaje profundo diferentes: perceptrón de capa única, perceptrón multicapa de 1 capa oculta y perceptrón multicapa de 5 capas ocultas, dando mejores resultados el segundo (63,3% de clasificaciones correctas). Jajin et al.22 consideraron técnicas como el Modelado Independiente Suave de Analogía de Clase (SIMCA) y el Análisis Discriminante de Mínimos Cuadrados Parciales Ortogonales (OPLS-DA) para discriminar entre sujetos afectados por cáncer medular de tiroides y sanos, utilizando espectros de GC-MS. en muestras de plasma. Utilizando OPLS-DA se obtuvo un valor del parámetro R2 (coeficiente de determinación, con máximo 1) de 0,925.

Este artículo tiene como objetivo demostrar la eficacia del enfoque combinado de nanotecnologías experimentalmente y procesamiento de señales para lograr la detección de compuestos gaseosos sin columnas de MS en tiempo real. Más específicamente, primero esbozamos brevemente el fondo físico basado en nanoorificios, lo que nos permite reducir significativamente el tiempo de lectura y el consumo de energía. Luego, probamos el instrumento con dos compuestos, seleccionando intencionalmente especies que tienen espectros m/z parcialmente superpuestos para que actúen como interferencias entre sí. Finalmente, utilizamos análisis multivariado para desarrollar un modelo predictivo simple y computacionalmente ligero para obtener una evaluación cuantitativa de compuestos en concentraciones individuales y combinadas. Incluso si las sugerencias de caracterización física del instrumento y su implementación mecánica se detallarán en un próximo artículo, consideramos esencial aquí esbozar brevemente las características clave de la técnica física subyacente para comprender completamente la potencialidad general del sistema.

En esta sección, mostraremos los aspectos críticos de la tecnología que permite espectros de masas en tiempo real con el único propósito de dar un breve esbozo del enfoque físico subyacente sin entrar en detalles. Más específicamente, discutiremos por qué la tecnología probada podría ahorrar órdenes de magnitud en consumo de energía y tiempo de respuesta.

En los sistemas MS estándar, los haces de iones moleculares se pueden generar de varias maneras y mediante diferentes técnicas, por ejemplo, ionización electrónica, fuente de iones de descarga, fotoionización, etc.16. Una vez generados, los haces de iones deben volar primero hacia un filtro de masas para ser seleccionados (a través de un solo filtro de masas o con un espectrómetro de masas en tándem), luego a través de un par de filtros de masas con una celda de dispersión hasta un detector para medir la intensidad de los iones seleccionados. Como bien se sabe, para reducir los graves efectos de dispersión y las consiguientes pérdidas del haz de iones, es fundamental alcanzar un régimen de gas para el sistema MS en el que la trayectoria libre media del ión sea comparable con las dimensiones geométricas del sistema analítico D, volando desde la fuente de iones hasta el detector, alias, logrando un número de Knudsen \(K=\lambda /D>1\), donde D es la dimensión del recipiente y \(\lambda\) es el camino libre medio

donde T es la temperatura (en grados Kelvin), \(\sigma\) es la sección transversal de dispersión, p es la presión (en Pascales) y k es la constante de Boltzmann. Por lo tanto, para reducir las pérdidas de MS del haz de iones, es necesario alcanzar un régimen de gas donde el camino libre medio λ de las partículas cargadas sea comparable con las dimensiones geométricas del sistema analítico D. Por lo tanto, los iones deben volar desde la fuente hasta el detector, que requiere presiones del sistema analítico estándar (cuya longitud es de aproximadamente decenas de cm) en el rango de \({10}^{-6}\div {10}^{-7}\mathrm{ mbar}\). En este caso, los iones chocan principalmente con las paredes internas de la cámara y no entre sí.

Para comprender las características críticas de la MS basada en nanodispositivos, tomamos la ecuación de continuidad de un solo recipiente que tiene un rendimiento de entrada o flujo/tasa de gas Q (en \(mbar\cdot L\cdot {s}^{-1}\equiv W\)) y la velocidad de bombeo efectiva de salida (o caudal volumétrico) \(S=dV/dt\) (en \(L\cdot {s}^{-1}\)) como

donde nuevamente, V es el volumen del recipiente.

Es fácil demostrar que la ecuación diferencial podría resolverse con condiciones de contorno como una caída exponencial inversa de la presión.

donde \({p}_{0}\) es la presión inicial, \({\left(Q/S\right)}_{\infty }\) es la presión en régimen estacionario y \(\tau = V/S\) es la constante de tiempo del sistema. Cuando el sistema alcanza un estado estacionario, tenemos

Además, en el régimen estacionario, otra ecuación relaciona las presiones a través de un orificio a través de la conductancia C (en \(L\cdot {s}^{-1}\))

donde p2 y p1 son las presiones a través del orificio.

Cuando se interconectan múltiples recipientes mediante bombas y orificios, la restricción de flujo másico constante establece, usando (4) y (5) para cada recipiente, una ecuación diferencial de orden N que proporciona presiones en cada punto en condiciones iniciales. Generalmente se define un modelo eléctrico equivalente para comprender mejor el comportamiento, donde el potencial eléctrico, la capacitancia y la corriente son equivalentes a la presión, el volumen y el rendimiento, respectivamente, como se muestra en la Fig. 1.

Comparación entre el enfoque convencional (a) y el enfoque de nanodispositivos (b). El modelo eléctrico nos permite comprender el comportamiento de la presión entre cámaras en regímenes transitorios y estacionarios. El modelo se basa en la analogía: rendimiento: corriente: \(Q\leftrightarrow Sp\), volumen: capacitancia eléctrica: \(V\leftrightarrow C\) y presión: potencial eléctrico: \(p\leftrightarrow V\), ya que ambos sistemas obedecen a las mismas ecuaciones diferenciales.

En los sistemas MS estándar, la muestra de gas se eluye en un portador de gas (contenido en un tanque) para que fluya hacia una columna de cromatografía para su separación a rendimiento constante. Para lograr regímenes moleculares, se utiliza un sistema de múltiples cámaras y bombas, como se muestra en la Fig. 1A, donde \(Q={S}_{1}{p}_{1}+{S}_{2}{ p}_{2}+{S}_{3}{p}_{3}\) (usamos un sistema simplificado de 3 cámaras para mostrar el concepto). Como muestra el modelo eléctrico, podemos reducir la presión (potencial eléctrico) a un rendimiento constante (corriente eléctrica). En los sistemas industriales, una unidad estándar para Q es la barra SCCM@1 (en \({cm}^{3}\cdot min\cdot 1bar\equiv 1.66W\)), utilizando 10 SCCM@1 barra como valor típico . Con este valor, es fácil demostrar que para tal flujo y usando una única cámara, la velocidad de bombeo sería técnicamente impracticable, requiriendo múltiples cámaras. Sin embargo, el esfuerzo de poder es generalmente relevante. Como ejemplo aproximado, velocidades de bomba de S1 ~ 700 L/s, S2 ~ 300 L/s y S3 ~ 300 L/s requerirían energía eléctrica de aproximadamente 700 W utilizando bombas de paletas de aceite turbomoleculares y rotativas.

Por el contrario, el uso de un orificio nanométrico para muestrear el gas a analizar a presión ambiente permite lograr regímenes moleculares con un número reducido de cámaras y requisitos de energía, como se muestra en la Fig. 1B. Además, la constante de tiempo dominante \(\tau ={V}_{1}/{S}_{x}\) (dado que las conductividades entre cámaras son mucho más bajas que las conductividades efectivas de salida) disminuye drásticamente. Más específicamente, en los sistemas estándar tenemos valores típicos de V1 ~ 1000 cm3 y Sx ~ 0,1–1 L/s, mientras que para la técnica propuesta, podría ser V1 ~ 1 mm3 y Sx ~ 0,1–1 L/s, por lo que reduciendo la constante de tiempo de órdenes de magnitud. Finalmente cabe señalar una nota sobre el uso de la columna. Incluso si el enfoque propuesto también podría usarse con GC, que ahora es más fácil de miniaturizar e implementar en EM (como informaron recientemente Bristow et al.23 o Huang et al.24, por ejemplo), la posibilidad de evitar su uso en conjunto, con la consiguiente disminución de costos y tiempo de adquisición, vale la pena explorar. En otras palabras, incluso si el GC pudiera aumentar en gran medida la selectividad del sistema general al introducir la separación como una variable de información adicional, un punto central de este artículo es mostrar una identificación sólida de compuestos sin utilizar columnas de gas.

El uso de nanodispositivos permite una disminución dramática en la complejidad del sistema general utilizando uno o múltiples orificios (matriz) a un nivel nanométrico en el flujo molecular, logrando conductancias muy bajas. En el régimen de flujo molecular, en lugar de considerar el movimiento colectivo del fluido, podemos centrarnos en el movimiento de una sola molécula, que vuela “prácticamente sola” de un extremo a otro de una tubería y sólo sobre una base estadística. En este caso, una conductancia C (en \(L\cdot {s}^{-1}\)) ya no depende de la presión (como en la ecuación de Poiseuille) en sus extremos sino sólo de su geometría, la velocidad promedio de la molécula. (o temperatura) y masa molecular como

donde A es la superficie de la apertura, T (en 0 K) es la temperatura del gas, V y l son el volumen y la profundidad del nanoorificio, y m es la masa molecular (en kg) del analito del gas. Más específicamente, usando (6) para un diámetro de orificio redondo de 490 nm y una profundidad de 250 nm, obtenemos una conductancia de aproximadamente 21,7 nL/s para partículas de aire, lo que significa, por (4) un rendimiento a presión ambiente de aproximadamente 1,3 × 10– 3 SCCM@1 bar, por lo tanto, varios órdenes de magnitud menor que el espectrómetro de masas estándar que utiliza aproximadamente 10 SCCM@1 bar. Usando una fórmula más sofisticada16 considerando efectos 3D de segundo orden, podemos obtener una conductancia de alrededor de un 25% menor; sin embargo, la referencia de (6) sigue siendo válida para una verificación rápida del modelo en diferentes condiciones experimentales. La dependencia de la conductividad versus la masa molecular (los gases más livianos ingresan a una velocidad mayor porque \(C\) es mayor para los gases más pesados) no debería ser motivo de preocupación porque el mismo efecto ocurre en el flujo de salida. Por lo tanto, obtenemos la misma concertación de gas muestreada a presión atmosférica pero un nivel de presión mucho más bajo según la ecuación de balance de masa.

En resumen, la técnica del orificio nanométrico logra las siguientes ventajas con respecto a los sistemas MS estándar: (i) implementación mecánica simplificada y consumo de energía reducido; (ii) reducción de la constante de tiempo de muestreo; (iii) rendimiento reducido. Estas características permiten mediciones en tiempo real y simplifican drásticamente el dispositivo analítico, haciéndolo portátil para identificar y cuantificar compuestos en una matriz ambiental compleja.

Otras ventajas no cubiertas en este artículo son que los flujos a través de conductancia en régimen molecular no dan origen a movimientos colectivos de gases, evitando efectos de condensación, reacciones químicas e incluso eventos de obstrucción15. Las nuevas técnicas a micro/nanoescala que se están investigando permiten recortar la presión de ionización en el volumen de la fuente de iones mediante la actuación del nanoorificio14 para maximizar la sensibilidad final del instrumento analítico14, minimizando así el tiempo de medición y conduciendo a una mayor simplificación del sistema.

Los espectros son señales que transportan una gran cantidad de información. Sin embargo, está muy extendido en todos los componentes del espectro, lo que hace muy difícil vislumbrar una tendencia a partir de los datos sin procesar. Por la razón anterior, el diseño del sensor debe maximizar la cantidad de información transmitida25 y necesita utilizar un modelo predictivo mediante el procesamiento de señales en datos espectrales sin procesar. El objetivo final de este trabajo es crear un modelo capaz de inferir la concentración de CH2Cl2 y C6H12 a partir de un espectro medido por el espectrómetro de masas. Esto se obtuvo gracias a un análisis estadístico multivariado llamado Regresión de mínimos cuadrados parciales (PLSR), una estrategia de modelado introducida por Wold en 197526. PLS se basa en la idea de que un espectro completo podría verse como un solo punto en un espacio K-dimensional. , donde K es el número de variables adquiridas (frecuencia, longitudes de onda, u/e−, etc.). Generalmente, un grupo de N espectros podría definirse como N observaciones descritas por una serie de K variables o una nube de N puntos en un espacio K-dimensional. Entonces, un conjunto de datos de espectros se organiza en una matriz X (\(N\times K\)), también conocida como “matriz de datos” que contiene N espectros, cada uno definido por K variables. Además del conjunto de datos X, se considera una matriz de salida Y \((N\times M)\) (donde M es el número de salidas), que contiene el valor de la variable de interés (en nuestro caso, las concentraciones de sustancias químicas) vinculados a cada uno de los N espectros de X. PLSR identifica nuevas direcciones en el espacio de datos, llamadas variables latentes (LV), que intentan maximizar al mismo tiempo la varianza de X, la varianza de Y y la covarianza entre los dos. Matemáticamente, esto podría resumirse en el hecho de que PLSR puede dividir la matriz X en dos matrices arbitrarias, T \((N\times A)\) (puntuación) y W \((A\times K)\) (cargas). , siguiendo la fórmula

donde W maximiza las varianzas a lo largo de las nuevas direcciones, minimizando de esta manera la matriz residual de error E \((N\times K)\). Además, para el supuesto mencionado anteriormente, la matriz de puntuación T no sólo es un buen predictor de X sino también de Y.

donde C y F son, respectivamente, las cargas y las matrices residuales de Y. La maximización de las varianzas y la covarianza se logra mediante soluciones iterativas entre (7) y (8). Por lo tanto, al final de las iteraciones, fusionando (7) y (8), tenemos

De (3) es fácil ver cómo el PLSR logra la predicción de la variable de interés: el algoritmo estima una matriz de coeficientes B (\(K \times M)\), lo que nos permite usar la ecuación lineal

para predecir fácilmente el valor de la variable de interés, \(\widehat{{\varvec{Y}}}\) a partir de un espectro recién adquirido, \(\widehat{X}\). En nuestro caso, M = 2: esa es la concentración de CH2Cl2 y C6H12, y \(\widehat{{\varvec{X}}}\) podría ser tan pequeño como un espectro, convirtiéndose en un \((1\times K )\) matriz. En la Fig. 2 se muestra un resumen de toda la técnica. En el archivo complementario se puede encontrar una descripción más detallada del Análisis de Componentes Principales (PCA), en el que se basa PLS.

Regresión de mínimos cuadrados parciales (PLSR). El conjunto de datos de calibración X (arriba a la izquierda) representa los espectros obtenidos con el espectrómetro de masas, cada uno vinculado con la concentración respectiva de C6H12 (conjunto de datos de calibración Y, arriba a la derecha). Los conjuntos de datos se utilizan como entrada para crear un modelo PLSR y calcular una serie de coeficientes de calibración B, lo que nos permite crear el modelo para inferir concentraciones desconocidas \(\widehat{{\varvec{Y}}}\) a partir de nuevas entradas espectrales \ (\widehat{{\varvec{X}}}\).

En la Fig. 3A se muestra un dibujo conceptual despiezado del espectrómetro de masas miniaturizado y se basa en una combinación de micro y nanotecnologías (MEMS y NEMS) con técnicas utilizadas actualmente para mediciones analíticas. El prototipo analítico está equipado con un dispositivo de muestreo de nanogas realizado a través de orificios a nanoescala conectados directamente con componentes estándar como una fuente de iones, lentes de iones, un filtro de masas y un detector para muestrear objetivos directamente a presión atmosférica. El prototipo experimentado se muestra en la Fig. 3B. Una interfaz de nanomembrana encapsulada2 utiliza orificios nanométricos y actúa como un dispositivo de muestreo inteligente que opera directamente a la presión atmosférica en el régimen molecular. El gas de entrada muestreado fluye directamente hacia una fuente de iones, donde se genera un haz de iones. Luego, un único filtro de masa cuádruple puede seleccionar iones definidos detectados a través de una copa de Faraday o un multiplicador de electrones (CEM) de segundo canal, simplificando el sistema de vacío y, en consecuencia, realizando mediciones en tiempo real. El diámetro típico de los agujeros es de 500 nm, aunque esta tecnología permite una gran versatilidad en función de necesidades específicas. Dependiendo de la aplicación, es posible realizar membranas con orificios únicos o conjuntos de orificios adaptados a compuestos en una matriz compleja a concentración reducida2. Un filtro de masas cuadrupolo (CIS 300 de Research Systems) está equipado con una fuente de iones cerrada y con un multiplicador de electrones de segundo canal (modelo 4220 Stanford Research Systems) como detector; el espectro podría registrarse configurando el voltaje CEM para amplificar la señal también para muestras menos concentradas. En la Fig. 4 se muestra una microfotografía SEM del orificio nanométrico, donde se adoptó una estructura de membrana dentro de membrana y se realizan submembranas más pequeñas donde se crean agujeros nanoscópicos2. Se fabricaron y probaron varios dispositivos, con diámetros de orificio de 300 a 600 nm en un lado de la membrana de 80 µm. El dispositivo utilizado para los experimentos presentados en este artículo tiene las siguientes características: un rango de masa de 1 a 300 m/z, una resolución de masa típica de 0,8 m/z y un límite de detección de alrededor de 1 ppm (dependiendo del compuesto bajo análisis). análisis).

Estructura conceptual mecánica de la nanointerfaz integrada en una fuente de iones (a) e implementación del prototipo (b). La imagen fue generada por el software Fusion 360 (https://www.autodesk.eu/products/fusion-360/overview?term=1-YEAR&tab=subscription&plc=F360).

Imagen SEM de una membrana desde la parte posterior del chip (a) con detalle de la submembrana y el orificio (b)2. Imagen SEM de instrumentos EVO Zeiss (https://www.zeiss.com/microscopy/en/products/sem-fib-sem/sem/evo.html), cortesía de Fondazione Bruno Kessler (Trento, Italia).

El propósito del experimento es doble: por un lado, adquirir espectros de MS en tiempo real con el sistema sin la ayuda de una columna de GC; por otro lado, caracterizar la capacidad del sistema para distinguir entre gases objetivo que tienen espectros de picos de masa parcialmente superpuestos utilizando un modelo predictivo. Este estudio tiene como objetivo mostrar el potencial del enfoque para caracterizar matrices analíticas complejas que involucran compuestos orgánicos volátiles (COV). Así, hemos elegido dos disolventes habituales habitualmente utilizados en aplicaciones analíticas: diclorometano (CH2Cl2 con un peso molecular de 85 u) y ciclohexano (C6H12 con un peso molecular de 84 u), ofreciendo un caso de estudio típico en términos de complejidad y dificultades experimentales. Más específicamente, ambos son volátiles que muestran patrones de fragmentación relativamente grandes que oscilan entre 40 y 85 u; Hay regiones del espectro donde los fragmentos generados durante el proceso de ionización de electrones se superponen entre sus picos de masa relativos. Los compuestos CH2Cl2 y C6H12 se diluyeron en una matriz gaseosa de argón preparada usando bolsas de tres litros y una válvula de polipropileno con un tabique que se usó para inyectar los estándares líquidos en la bolsa. Los compuestos líquidos utilizados para la preparación de muestras se obtuvieron de Merck (Darmstadt, DE). Todas las soluciones gaseosas se prepararon el día de su uso y se almacenaron en las mismas condiciones ambientales de temperatura y presión. Para la preparación de las muestras de gas se utilizó una matriz de argón (99,9999%) (Nippon Gases), bolsas Tedlar® (Restek, PA, EE. UU.) y un caudalímetro (Brooks Scientific, DE) para llenar las bolsas.

Para la elaboración de los estándares de bolsas Tedlar se utilizó la Técnica de Evaporación Total (FET)27. Esta técnica utilizó una pequeña cantidad de muestra pura (unos pocos μL), lo que redujo la exposición del operador a sustancias tóxicas. El FET se basó en una transferencia de analitos desde una matriz condensada, líquida o sólida, a una fase de vapor confinada27: los analitos se inducían a evaporarse en la bolsa Tedlar hasta alcanzar una condición de equilibrio en un corto tiempo bajo la condición P < Po, donde P es la presión de los moles de analitos en el volumen de las bolsas a una temperatura de trabajo, y Po es la presión de vapor saturado de la muestra. El tubo de inyección de la bolsa Tedlar® se conectó al caudalímetro y la bolsa se lavó con argón durante 18 min a temperatura ambiente y una presión primaria de 2 bar hasta 2,4 L usando un caudalímetro. Luego, se inyectó un pequeño volumen de la matriz líquida (del orden de μL) en el tabique de la bolsa usando una jeringa hermética y se dejaron evaporar en la matriz de gas para obtener la solución madre. Usando una jeringa hermética de 25 ml, se prepararon las soluciones diluidas y se inyectaron unos pocos ml de la solución madre y se colocaron en la bolsa Tedlar® llena con 2,4 litros de argón. Las concentraciones se eligieron para cubrir el rango dinámico del instrumento: entre el límite de detección (6 ppm para CH2Cl2 y 20 ppm para C6H12) y alrededor de un orden de magnitud mayor para evitar problemas de saturación con el dispositivo. Este método se utilizó para preparar soluciones de 6 ppm, 30 ppm y 58 ppm para CH2Cl2, y soluciones de 20 ppm, 50 ppm y 93 ppm para C6H12, respectivamente. Además de las bolsas con sólo CH2Cl2 y C6H12, se prepararon otras bolsas con ambos usando el mismo método. Las concentraciones de CH2Cl2 y C6H12 utilizadas para el conjunto de datos para un total de 10 combinaciones de mezclas se informan en la Tabla 1.

Luego se llevó a cabo una segunda campaña de adquisición para crear modelos que pudieran predecir la concentración de los dos gases en una mezcla más compleja, donde otros dos gases, xileno y limoneno, actúan como interferencias. El método de preparación de la muestra sigue siendo el mismo y se midieron 8 mezclas nuevas. Las concentraciones de los 4 gases en estas mezclas se informan en la Tabla 2.

La membrana del chip que alberga los orificios del nanodispositivo se colocó entre el lado de alta presión del entorno externo (aproximadamente 1013 mbar) y el lado de baja presión hacia el cuadrupolo, lo que permitió realizar muestreos a presión constante. No se utilizó ninguna columna cromatográfica aguas arriba. La bolsa Tedlar se conectó al compartimento portamuestras y la muestra gaseosa se lavó unos minutos antes de registrar el espectro de masas. Se han registrado espectros de 45 a 90 u/e-, para las concentraciones indicadas en la Tabla 1 donde cada adquisición de espectro dura aproximadamente 60 s. Al principio, se examinaron las muestras que contenían únicamente CH2Cl2 y C6H12. Las Figuras 5B y C muestran un ejemplo de los espectros de masas de los analitos en la concentración máxima del experimento, 58 ppm para CH2Cl2 y 93 ppm para C6H12, respectivamente.

Los espectros de masas se registraron a 45–90 u/e−. Cada adquisición de espectro dura unos 60 s. Espectro de masas de 58 ppm de CH2Cl2 (a), 93 ppm de C6H12 (b) y 93 ppm de C6H12 combinados con 58 ppm de CH2Cl2 (c). Espectros de masas NIST (a 70 eV de energía de ionización electrónica) de CH2Cl2 y C6H12 (d).

Luego, se registraron los espectros de masas de las mezclas gaseosas, donde se muestra un ejemplo (58 ppm de CH2Cl2 más 93 ppm de C6H12) en la Fig. 5D. Como referencia, los espectros NIST de las dos especies se muestran en la Fig. 5A. Debido a la ausencia del GC que diferenciaría las especies analíticas en función de los diferentes tiempos de retención, es evidente cómo los espectros se superponen parcialmente y se pudieron observar picos de fragmentación significativos (el principal a 84 u/e-). Para construir el conjunto de datos de calibración, se registraron espectros repetitivos y automatizados, como se detalla en la sección Métodos.

En una segunda campaña de adquisición adquirimos, de la misma manera, las mezclas presentadas en la Tabla 2, en el rango de 47 a 110 uma. Los espectros NIST de los 4 componentes se muestran en la Fig. 6A, y un ejemplo de los espectros de una de estas mezclas se representa en la Fig. 6B.

Espectros de masas registrados en un intervalo de 47–110 u/e−. Espectros de masas NIST (a 70 eV de energía de ionización electrónica) de CH2Cl2, C6H12, xileno y limoneno (a). Espectro de masas de una mezcla de 31 ppm de CH2Cl2, 75 ppm de C6H12, 84 ppm de xileno y 80 ppm de limoneno (b).

Para comprender la coherencia de los datos sin procesar, estimamos el error entre los datos adquiridos y los datos normalizados de referencia del NIST28. Más específicamente, es bien sabido que los espectros de MS están sujetos a no linealidades debido al sistema físico y la lectura electrónica, por lo que se debe evaluar el error global. Por lo tanto, los espectros se han normalizado al pico máximo para compuestos singulares y compuestos, como en las referencias del NIST. Luego, los datos se comparan utilizando el coeficiente de correlación29 después de un preprocesamiento de alineación (consulte la sección Aumento de datos y preprocesamiento). En la Fig. 7 se muestra una comparación entre la media de los datos experimentales y la referencia del NIST. El coeficiente de correlación se calculó en tres casos: solo CH2Cl2, solo C6H12 y una combinación de ambos. Se calculó el valor r para cada adquisición (32 para cada mezcla), y luego calculamos la media y la desviación estándar. Los resultados son los siguientes: r = 0,470 ± 0,020 para C6H12, r = 0,571 ± 0,012 para CH2Cl2 y r = 0,420 ± 0,010 para el compuesto C6H12 + CH2Cl2. Por lo tanto, es evidente que la adquisición de espectros sufre efectos no lineales que alteran la relación entre picos, una característica esencial de la huella espectral. Además, los valores estándar bajos nos mostraron que la adquisición en la misma combinación era altamente repetible. Veremos en la subsección Discusión que, a pesar de la deformación de los espectros, el análisis multivariado podrá superar el problema gracias a la construcción de un conjunto de datos basado en referencias conocidas.

Comparación entre los espectros adquiridos y la referencia NIST para CH2Cl2 (a), C6H12 (b) y CH2Cl2 + C6H12 (c).

El modelo PLSR se creó utilizando PLS_Toolbox30 (Eigenvector Research, inc., WA), que funciona en un entorno Matlab. Entre los modelos predictivos que se construirán en el conjunto de datos de espectros31,32,33,34,35,36,37,38 (considerando modelos agrupados o no agrupados), nos centramos en PLSR239 porque nuestro objetivo era estimar concentraciones semicuantitativas de CH2Cl2 y C6H12 con modelo de dos salidas variables (M = 2). Utilizamos 12 espectros nuevos como conjunto de prueba para investigar la capacidad de predicción del modelo, medida en un solo gas o una combinación de los dos. La bondad del ajuste del modelo se evaluó con un coeficiente de determinación (\({R}^{2})\) para medir qué tan bien las predicciones de regresión se aproximan a los puntos de datos reales, con un valor máximo de 1.

El conjunto de datos de calibración X se creó con espectros adquiridos para cada una de las mezclas de CH2Cl2 y C6H12 informadas en la Tabla 1 para un total de 320 adquisiciones, recopilando alrededor de 32 espectros de 427 puntos para cada combinación. Para reducir el ruido y al mismo tiempo realizar un aumento de datos, calculamos la media de 20 espectros aleatorios para cada combinación para un total de 100 espectros promediados para un conjunto de datos X final, donde K = 427 y N = 100. A partir de los datos experimentales, se encontró una cambio entre los picos del espectro debido a un error intrínseco del espectrómetro de masas alrededor de ± 0,25 u/e−, por lo que aplicamos una función de Matlab llamada icoshift, desarrollada por Savorani et al.40 en espectros promediados. Finalmente, antes de ser utilizados como entrada para el modelo PLSR, los espectros se sometieron a un preprocesamiento llamado autoscale, que consiste en el centrado medio y el escalamiento de cada variable a la desviación estándar unitaria.

También se realizó el mismo preprocesamiento sobre los espectros adquiridos durante la segunda campaña, obteniendo 80 espectros alineados. Para estos datos, los errores debidos a un nuevo sistema de adquisición se minimizaron gracias a la normalización del xileno: como se puede ver en la Fig. 6A, para el valor ua de 106, el espectro resultante está influenciado sólo por la cantidad de xileno ( y por Limoneno de forma insignificante). Entonces, dado que en las mezclas adquiridas reportadas en la Tabla 2, el xileno se usa solo en dos concentraciones (0 y 84 ppm), para todos los 80 espectros (así como los utilizados como prueba) el valor pico correspondiente al valor ua de 106 se normalizó a 2 valores de referencia entre todos los medidos. En particular, elegimos el valor más alto medido para ambas concentraciones: 1*10–11 para 0 ppm y 7,25*10–10 para 84 ppm. Para cada espectro, se calculó la relación entre el pico medido en 106 ua y el valor de referencia correspondiente, y se multiplicó todo el espectro por esa relación.

Los resultados del modelo muestran un número reducido de variables latentes, LVs = 5, y valores apreciables del coeficiente de determinación, \({R}^{2}\)= 0,886 para CH2Cl2 y \({R}^{2}\) = 0,900 para C6H12. El modelo se probó con espectros medidos en 12 mezclas desconocidas de CH2Cl2 y C6H12, no presentes en el conjunto de datos de calibración X, promediados y alineados como se describió anteriormente. La relación entre las concentraciones medidas y predichas se muestra en la Fig. 8, donde también se muestran las barras de error del modelo de predicción. Teniendo en cuenta todos los valores numéricos, las concentraciones estimadas de gases obtenidas con el PLSR son bastante buenas: la precisión se estima en una desviación cuadrática media normalizada a gran escala (NRMSD) con una precisión de \(10,9\mathrm{\%}\) para C6H12 y \(18.4\mathrm{\%}\) para CH2Cl2. Tenga en cuenta que la precisión considera la presencia de ambas especies en la detección.

Concentraciones previstas y medidas con barras de error del modelo de predicción para CH2Cl2 (a) y C6H12 (b). Unidades en ppm.

Con los datos adquiridos en la segunda campaña, se crearon dos modelos, para la predicción de CH2CL2 y C6H12, respectivamente: con la adición de Xileno y Limoneno, las diferencias en la precisión nos hicieron preferir dos modelos que predicen una sola variable a una sola. modelo que predice ambos. Dada la simplicidad del cálculo requerido para la predicción de la variable (ver Ec. (10)), la variación en el tiempo de cálculo usando dos modelos en lugar de uno es insignificante. Estos dos modelos se probaron con 3 mezclas desconocidas que contenían los 4 elementos. Los gráficos de predicción se muestran en la Fig. 9: los puntos negros representan los espectros utilizados para la creación y calibración de los modelos, y los puntos rojos los espectros de prueba. Los resultados fueron muy buenos: para CH2Cl2 obtuvimos un R2 de 0,981 y un NRMSD de 4,7%; mientras que para C6H12 obtuvimos un R2 de 0,987 y un NRMSD del 17%.

Gráficos de predicción de los dos modelos creados con los espectros adquiridos en mezclas de 4 componentes. (a) Predicción de CH2Cl2 (b) Predicción de C6H12. En ambos gráficos, los puntos negros representan los espectros utilizados para crear y calibrar el modelo, y los puntos rojos son los espectros utilizados como conjunto de prueba. La línea verde es la bisectriz del gráfico y representa la predicción ideal, mientras que la línea roja representa el ajuste lineal del modelo.

Este artículo ha mostrado resultados de análisis cuantitativos multivariados de espectros experimentales de un sistema de espectroscopía de masas basado en nanodispositivos donde no se utilizó ninguna columna cromatográfica aguas arriba. Se construyó un conjunto de datos a partir de 320 espectros sin procesar derivados de 10 mezclas diferentes de dos compuestos con picos superpuestos que actúan como interferencias. El modelo mostró una precisión con un error NMRSD de \(10,9\mathrm{\%}\) y \(18,4\mathrm{\%}\) para cada especie, respectivamente, incluso en mezclas combinadas. Luego, se creó un segundo conjunto de datos con 256 espectros adquiridos en mezclas de los dos compuestos y otros dos gases utilizados como inhibidores. Se creó un modelo para cada uno de los dos compuestos y ambos mostraron una buena capacidad de predicción, con una NMRSD del 4,7% y el 17%, respectivamente. La precisión del modelo podría aumentarse ampliando el conjunto de datos de calibración X con más adquisiciones en un mayor número de concentraciones diferentes para los dos gases, utilizando una configuración más extensa y que requiere más tiempo. Sin embargo, una vez que el modelo se construye fuera de línea, se podría implementar fácilmente en un sistema de detección en tiempo real con recursos computacionales muy bajos (puede encontrar una descripción más detallada de los requisitos computacionales de un modelo en el archivo complementario).

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Kurth, ML y Gramotnev, DK Entrega nanofluídica de moléculas: detección plasmónica integrada con nanoagujeros. Microfluido. Nanofluidos 14, 743–751 (2013).

Artículo CAS Google Scholar

Bagolini, A., Correale, R., Picciotto, A., Di Lorenzo, M. & Scapinello, M. Membranas MEMS con orificios a nanoescala para aplicaciones analíticas. Membranas (Basilea) 11, 74 (2021).

Artículo CAS PubMed Google Scholar

Khalizov, AF y cols. Detección directa de cloruro de mercurio en fase gaseosa mediante deriva de iones: espectrometría de masas de ionización química. Atmos. Reinar. 238, 117687 (2020).

Artículo CAS Google Scholar

Niu, Q. y col. Exploración de la pirólisis catalítica de Palm Shell sobre HZSM-5 mediante cromatografía de gases/espectrometría de masas y espectrometría de masas de fotoionización. J.Anal. Aplica. Pirólisis. 152, 104946 (2020).

Artículo CAS Google Scholar

Drees, C. y col. Optimización gradual de un plasma de microtubos flexibles (FμTP) como fuente de ionización para espectrometría de movilidad iónica. Anal. Chim. Acta 1127, 89–97 (2020).

Artículo CAS PubMed Google Scholar

Jung, JK, Kim, IG, Chung, KS y Baek, UB Análisis de las características de permeación del hidrógeno en caucho de nitrilo butadieno mediante cromatografía de gases. Madre. Química. Física. 267, 124653 (2021).

Artículo CAS Google Scholar

Jung, JK, Kim, IG, Chung, KS & Baek, UB Técnicas de cromatografía de gases para evaluar las características de permeación de hidrógeno en caucho: monómero de etileno propileno dieno. Ciencia. Representante 11, 1-12 (2021).

Google Académico

Jung, H. y col. Detección selectiva de niveles de isopreno inferiores a 1 ppb utilizando una película delgada de In2O3 recubierta de Pd integrada en una cromatografía de gases portátil. Aplica. Navegar. Ciencia. 586, 152827 (2022).

Artículo CAS Google Scholar

Kim, H. y col. Un sistema de cromatografía de gases mems de alta velocidad impulsado por microbomba. en TRANSDUCTORES y EUROSENSORS '07 - 4ª Conferencia Internacional sobre Sensores, Actuadores y Microsistemas de Estado Sólido 1505–1508 (IEEE, 2007). https://doi.org/10.1109/SENSOR.2007.4300430.

Hsieh, HC y Kim, H. Separación de isómeros habilitada por un sistema de cromatografía de gases microcirculatorio. J. Cromatogr. A 1629, 461484 (2020).

Artículo CAS PubMed Google Scholar

Qin, Y. & Gianchandani, YB Un enfoque de fabricación sencillo y estandarizado y una arquitectura escalable para un sistema de microcromatografía de gases con bomba integrada. en 2013 Transductores y Eurosensores XXVII: La 17ª Conferencia Internacional sobre Sensores, Actuadores y Microsistemas de Estado Sólido, TRANSDUCTORES y EUROSENSORS 2013 2755–2758 (2013) https://doi.org/10.1109/Transducers.2013.6627376.

Cheng, Q., Qin, Y. & Gianchandani, YB Una bomba Knudsen bidireccional con gestión térmica superior para aplicaciones de cromatografía de microgases. Proc. IEEE Internacional. Conf. Microelectromecánico. Sistema. 167–170 (2017) https://doi.org/10.1109/MEMSYS.2017.7863367.

Byambadorj, T., Qin, Y. & Gianchandani, YB Mejora de la presión de bloqueo en BOMBAS Knudsen monolíticas a través de oblea SOI. en el Simposio IEEE sobre tecnologías y sistemas de almacenamiento masivo 43–46 (2022).

US10229809B2. Dispositivo para generar un flujo iónico controlado por composición e intensidad y método relacionado. (2015).

US20170133212A1. Dispositivo electrónico portátil para el análisis de una composición gaseosa. (2017).

Lafferty, JM Fundación de Ciencia y Tecnología del Vacío (Wiler, 1998).

Google Académico

Welke, JE, Manfroi, V., Zanus, M., Lazzarotto, M. & Zini, CA Diferenciación de vinos según variedad de uva mediante análisis multivariado de cromatografía de gases bidimensional integral con datos de detección de espectrometría de masas de tiempo de vuelo. Química de los alimentos. 141, 3897–3905 (2013).

Artículo CAS PubMed Google Scholar

Lv, SD y col. Análisis multivariado basado en huellas dactilares GC-MS y composición volátil para la evaluación de la calidad del té verde Pu-Erh. Anal de comida. Métodos 8, 321–333 (2015).

Artículo de Google Scholar

Mogollón, NGS et al. Cromatografía de gases bidimensional integral-espectrometría de masas combinada con análisis de datos multivariados para el reconocimiento de patrones en bebidas espirituosas ecuatorianas. Química. Centavo. J. 12, 1-10 (2018).

Artículo de Google Scholar

Jha, SK, Imahashi, M., Hayashi, K. y Takamizawa, T. Enfoque de fusión de datos para la discriminación de olores del cuerpo humano mediante espectros GC-MS. en IEEE ISSNIP 2014 - 2014 Novena Conferencia Internacional IEEE sobre Sensores Inteligentes, Redes de Sensores y Procesamiento de Información Actas de la Conferencia 21–24 (2014) https://doi.org/10.1109/ISSNIP.2014.6827592.

Stark, EN et al. Investigación de aprendizaje profundo del análisis de espectrometría de masas a partir de muestras de melanoma. en ISOEN 2019 - 18.º Simposio internacional sobre olfato y nariz electrónica, Actas 1 a 4 (2019) https://doi.org/10.1109/ISOEN.2019.8823194.

Jajin, MG et al. La metabolómica no dirigida basada en cromatografía de gases y espectrometría de masas revela perturbaciones metabólicas en el carcinoma medular de tiroides. Ciencia. Rep. 12, 1–9 (2022).

Artículo de Google Scholar

Bristow, RL y cols. Un método automatizado de detección de cromatografía de gases y espectrometría de masas de extracción en fase microsólida (μSPE-GC-MS) para geosmina y 2-metilisoborneol en agua potable. Ciencia. Representante 13, 1–9 (2023).

Artículo MathSciNet Google Scholar

Huang, X. y col. Cromatografía de microgases bidimensional integral portátil que utiliza un modulador neumático de flujo restringido integrado. Microsistema. Nanoeng. https://doi.org/10.1038/s41378-022-00452-5 (2022).

Artículo PubMed PubMed Central Google Scholar

Tartagni, M. Principios de diseño de sensores electrónicos (Cambridge University Press, Reino Unido, 2022).

Reservar Google Académico

Wold, HOA Modelado suave: el diseño básico y algunas extensiones. en Sistemas bajo observaciones indirectas: Parte II 36–37 (Holanda Septentrional, 1982).

Markelov, M. & Guzowski, JP Análisis cromatográfico de gases en espacio de cabeza independiente Matrix. Esta técnica de evaporación total. Anal. Chim. Acta 276, 235–245 (1993).

Artículo CAS Google Scholar

Wallace, WE Espectros de masas. En NIST Chemistry WebBook Base de datos de referencia estándar del NIST número 69 (eds Linstrom, PJ & Mallard, W.) (Instituto Nacional de Estándares y Tecnología, 2022).

Google Académico

Stoll, DL, Rutan, SC y Venkatramani, CJ Pureza máxima en cromatografía líquida, parte I: conceptos básicos, software comercial y limitaciones. LCGC Norte Am. 36, 110-118 (2018).

Google Académico

Eigenvector Research, Inc. PLS_Toolbox 8.9.2 (2021).

Abdel-Rahman, EM et al. Estimación de las concentraciones foliares de macro y micronutrientes de acelgas bajo diferentes fuentes de agua de riego utilizando datos hiperespectrales terrestres y cuatro algoritmos de regresión basados ​​en mínimos cuadrados parciales (PLS) (PLS1, PLS2, SPLS1 y SPLS2). Computadora. Electrón. Agrícola. 132, 21-33 (2017).

Artículo de Google Scholar

Einarson, KA et al. Predecir la fuerza del rendimiento de la pectina utilizando datos espectroscópicos del infrarrojo cercano: una evaluación comparativa de la red neuronal convolucional 1-D, mínimos cuadrados parciales y modelado de regresión de crestas. J. Chemom. 36, 1-15 (2022).

Artículo de Google Scholar

Coelho, E. et al. Enfoque sistemático para el desarrollo de vinos de frutas a partir de concentrados de frutas procesados ​​industrialmente, incluyendo optimización de parámetros de fermentación, caracterización química y evaluación sensorial. Lwt 62, 1043-1052 (2015).

Artículo CAS Google Scholar

Metz, M. y col. RoBoost-PLS2-R: una extensión del método RoBoost-PLSR para respuesta múltiple. Quimio. Intel. Laboratorio. Sistema. 222, 104498 (2022).

Artículo CAS Google Scholar

Mishra, P. & Passos, D. Redes neuronales convolucionales unidimensionales de salida múltiple para la predicción simultánea de diferentes rasgos de la fruta basándose en espectroscopia de infrarrojo cercano. Biol poscosecha. Tecnología. 183, 111741. https://doi.org/10.1016/j.postharvbio.2021.111741 (2022).

Artículo de Google Scholar

Franceschelli, L. et al. Imágenes hiperespectrales Vis/NIR para evaluar la frescura de sardinas (Sardina pilchardus). en 2020 Taller internacional IEEE sobre metrología para agricultura y silvicultura (MetroAgriFor) 124–128 (2020).

Berardinelli, A., Iaccheri, E., Franceschelli, L., Tartagni, M. & Ragni, L. Evaluación no destructiva de la firmeza de la pulpa del kiwi mediante un dispositivo de guía de ondas sin contacto y análisis de regresión multivariada. IEEE J. Emerg. Sel. Arriba. Sistema de circuitos. 11, 515–522 (2021).

ADS del artículo Google Scholar

Franceschelli, L. et al. Arquitectura electrónica de un sistema de detección de humedad del suelo no invasivo: una evaluación del entorno real. Sensores 20, 6147 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Wold, S. en Modelado PLS con Variables Latentes en Dos o Más Dimensiones. (1987).

Savorani, F., Tomasi, G. & Engelsen, SB icoshift: una herramienta versátil para la alineación rápida de espectros de RMN 1D. J. Magn. Reson. 202, 190–202 (2010).

Artículo ADS CAS PubMed Google Scholar

Descargar referencias

Los autores agradecen a Michele Castelluzzo por sus útiles sugerencias para el artículo revisado.

Departamento de Ingeniería Eléctrica, Electrónica y de la Información (DEI), Alma Mater Studiorum Universidad de Bolonia (IT), Bolonia, Italia

Leonardo Franceschelli, Aldo Romani y Marco Tartagni

NanoTech Analysis SRL, Turín, Italia

Carla Ciricugno, Maurizio Di Lorenzo y Raffaele Correale

Departamento de Ingeniería Industrial, Universidad de Trento (IT), Trento, Italia

Annachiara Berardinelli

Centro C3A Agricultura, Alimentación y Medio Ambiente, Universidad de Trento (IT), Trento, Italia

Annachiara Berardinelli

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Concepción del artículo y enfoque interdisciplinario: MT y RC Modelo y análisis de datos: LF Modelo físico: RC y MT Adquisición de datos y configuración experimental: CC Análisis computacional: AR Escritura: MT, LF, CCAR, RC Revisión crítica: todos los autores. Aprobación final: todos los autores.

Correspondencia a Leonardo Franceschelli.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Franceschelli, L., Ciricugno, C., Di Lorenzo, M. et al. Espectroscopia de masas de gases en tiempo real mediante análisis multivariado. Representante científico 13, 6059 (2023). https://doi.org/10.1038/s41598-023-33188-x

Descargar cita

Recibido: 11 de agosto de 2022

Aceptado: 08 de abril de 2023

Publicado: 13 de abril de 2023

DOI: https://doi.org/10.1038/s41598-023-33188-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.