Advanced Near IR Algorithm Compensates for Spectral Features Related to Changes in Sampling Vials

Pokročilý NIR algoritmus kompenzuje spektrální změny způsobené odlišnými odběrovými nádobkami

Význam tématu

Nákladné nebo variabilní vzorkovací pomůcky (např. jednorázové plastové zkumavky) mohou do spektrálních dat FT‑NIR zavádět systematické odchylky, které významně zhoršují kvantitativní přesnost metod kalibrovaných klasickým přístupem. Robustní řešení pro kompenzaci těchto zdrojů variability je klíčové pro spolehlivý přenos metod mezi laboratořemi a mezi přístroji bez rozsáhlého opětovného kalibrování.

Cíle a přehled studie / článku

Cílem technické zprávy bylo demonstrovat, jak augmentovaná klasická metoda nejmenších čtverců (ACLS) implementovaná v softwaru TQ Analyst kompenzuje spektrální rozdíly způsobené změnou dodavatele jednorázových kultivačních zkumavek při měření obsahu vody v ethanolu. Studie porovnává tradiční CLS s ACLS v několika režimech kalibrace a validace, včetně použití tzv. transferních standardů pocházejících z nové série zkumavek.

Použitá metodika a postup experimentu

- Připraveny byly etanolové směsi s přídavkem vody až do 10 % (hmotnostně).
- Spektra byla snímána v transmisním modu na přístroji Thermo Scientific Antaris FT‑NIR při rozlišení 8 cm⁻¹; doba měření 0,5 minuty na vzorek; teplota vzorků nebyla řízena.
- Byly použity dvě sady standardů: Set 1 měřeno v zkumavkách od Fisher Scientific, Set 2 v zkumavkách od Kimble Kontes. Obě sady obsahovaly kalibrační i validační spektra.
- Pro ukázku byly provedeny čtyři kalibrace: 1) CLS (Set 1 kalibrace + validace z Set 1), 2) CLS (kalibrace Set 1, validace Set 2), 3) ACLS bez transferních standardů (metodní standardy = Set 1, validační = Set 2), 4) ACLS s přidáním 3 transferních standardů ze Set 2 do kalibrační matice a validačními spektry zbylých standardů ze Set 2.
- Vyhodnocovány byly RMSEC (chyba kalibrace) a RMSEP (chyba predikce) a počet přidaných tvarů (shapes) použitých pro augmentaci.

Použitá instrumentace

- FT‑NIR spektrometr: Thermo Scientific Antaris (transmission module).
- Software pro vývoj metody a ACLS: Thermo Scientific TQ Analyst (funkce Transfer tab pro ACLS).
- Spektrální nastavení: 8 cm⁻¹, doba měření 0,5 min/vzorek.

Teoretický princip ACLS (stručně)

- Základ CLS předpokládá, že spektrum směsi je lineární kombinací spekter čistých komponent; pokud se ve spektru objeví variability nesouvisející s těmito komponentami, CLS na ně nereaguje, což zvyšuje chybu predikce.
- ACLS rozšiřuje CLS přidáním ortogonálních tvarů (shapes) získaných z rozptylu (reziduí) spekter: jednu sadu tvarů získává z reziduí metodních standardů (popis variability v původní databázi) a druhou ze spekter transferních standardů (popis variability typické pro přenášené vzorky).
- Optimalizace počtu přidaných tvarů probíhá minimalizací chyby křížové validace. Při predikci se použije rozšířená matice tvarů tak, aby bylo možné vypočítat koncentrace vzorku i v přítomnosti nové spektrální variability.

Hlavní výsledky a diskuse

- Porovnání průměrných spekter prázdných zkumavek od obou dodavatelů odhalilo malé, ale významné rozdíly v oblasti kolem ~7000 cm⁻¹ (v oblasti charakteristické pro vodu). Amplituda rozdílu byla řádově do 0,002 absorbance, nicméně tato odchylka zasahuje kalibrovaný pás pro vodu a ovlivňuje kvantifikaci.
- Výsledky čtyř kalibrací (významné hodnoty RMSEC / RMSEP):
- Kalibrace 1 (CLS, všechna data v zkumavkách Fisher): RMSEC ≈ 0,0448 % vody, RMSEP ≈ 0,0637 % vody.
- Kalibrace 2 (CLS, kalibrace Fisher, validace Kimble): RMSEC ≈ 0,0487 %, RMSEP ≈ 0,242 % (předpokládané zhoršení predikce při změně zkumavek).
- Kalibrace 3 (ACLS bez transferních standardů): RMSEC ≈ 0,0373 %, RMSEP ≈ 0,256 % (přidání tvaru z metodních reziduí snížilo RMSEC, ale nerozpoznalo novou variabilitu z Kimble bez transferních standardů).
- Kalibrace 4 (ACLS s 3 transferními standardy ze Set 2): RMSEC ≈ 0,0841 %, RMSEP ≈ 0,0291 % (značné zlepšení predikční chyby na validačních spektrách z Kimble díky dvěma přidaným tvarům popisujícím rozdílné spektrální rysy).
- Interpretace: Přidání několika dobře zvolených transferních standardů, které reprezentují spektrální odlišnosti nového odběrového materiálu, dovolilo ACLS kompenzovat tyto změny a dramaticky snížit chybu predikce. Zvýšení RMSEC po vložení transferních standardů je očekávatelné, protože rozšířená kalibrační matice popisuje větší prostor variability; důležitější je však výrazné snížení RMSEP pro skutečné validační vzorky.

Přínosy a praktické využití metody

- ACLS umožňuje uchovat původní metodické standardy a současně dočasně nebo trvale přidávat transferní informace odděleně (samostatná knihovna transferních standardů v TQ Analyst), což zjednodušuje údržbu metody při změnách spotřebního materiálu nebo přístrojů.
- Metoda je výhodná při přenosu kalibrací mezi přístroji nebo laboratořemi, kde malé systémové spektrální odchylky výrazně ovlivňují výsledky tradičního CLS.
- Užitečné v rutinních aplikacích (QA/QC), kdy je ekonomicky výhodné používat jednorázové zkumavky nebo jiné levné odběrové pomůcky bez nutnosti rozsáhlého překalibrování.

Budoucí trendy a možnosti využití

- Rozšíření ACLS pro automatizované systémy správy kalibrací a centralizované knihovny transferních tvarů, které by usnadnily rychlý přenos metod mezi laboratořemi a přístroji.
- Kombinace ACLS s adaptivními algoritmy pro detekci a automatickou volbu optimálního počtu přidaných tvarů pomocí robustních validačních strategií a statistických testů stabilnosti metody.
- Aplikace ACLS pro další zdroje variability: změny cely, optických komponent, teplotní fluktuace a různé typy plastů/skleněných nádobek v analytických protokolech FT‑NIR i NIR imagingu.

Závěr

Studie demonstruje, že augmentovaná CLS (ACLS) poskytuje praktický a účinný způsob, jak kompenzovat drobné, ale rozhodující spektrální rozdíly způsobené změnou odběrových nádobek. Použití jen několika transferních standardů, které popisují novou spektrální variabilitu, může výrazně snížit chybu predikce bez zásahu do původní metodiky. ACLS tak představuje výhodný kompromis mezi interpretovatelností klasických CLS modelů a prediktivní robustností multivariačních přístupů.

Reference

1. Lowry S., McCarthy W., Ritter G. Advanced Near IR Algorithm Compensates for Spectral Features Related to Changes in Sampling Vials. Thermo Fisher Scientific Technical Note 51696, 2008.
2. Haaland D. M., Melgaard D. K., Sandia National Laboratories – koncept augmentace CLS a použití reziduálních tvarů (uvedeno a aplikováno v textu technické poznámky).