EASYPROC-NMR: interfaz gráfica interactiva para el procesamiento de señales de 1HNMR-LC desarrollada con el objetivo de optimizar la extracción de información en análisis multivariado

RAMALLO, I.A.; GATTI, P. D.; TAPIA, E.; FURLÁN, R.L.E.; IBAÑEZ, G. A.; OLIVIERI, A. C.

Mendoza

Congreso; VII Congreso Argentino Química Analítica; 2013

Asociación Argentina de Químicos Analíticos

Si bien la técnica de HPLC preparativa ofrece beneficios en calidad de aislamiento su uso no está ampliamente implementado, siendo cromatografía líquida (CL) de bajo rendimiento la técnica separativa más usada.La CL combinada con resonancia magnética nuclear 1HRMN es una estrategia de gran interés [1]. Sin embargo, los espectros de 1HRMN presentan variaciones entre fracciones no asociadas a cambios en la composición, que llevan a que los datos no se ajusten a los supuestos de bilinealidad requeridos por los modelos quimiométricos. Por ello previo al análisis multivariado, los datos espectroscópicos requieren pre procesamientos que los acondicionen [2].Los programas disponibles hoy día tienden a la automatización del pre-procesamiento. Esto ofrece simplicidad pero por otro lado la aplicación de criterios únicos para la corrección de todos los espectros del perfil de CL lleva a resultados indeseados. Por ello, escribimos EasyProcNMR en MATLAB reuniendo de forma amigable las mejores herramientas para las distintas etapas del procesamiento de 1HRMN: corrección de línea base [3], eliminación de ruido, supresión de señales indeseadas, alineamiento [4], normalización, etc. EasyProcNMR permite la interacción fácil e intuitiva entre los datos y el usuario, quien aporta su conocimiento y toma decisiones en cada etapa seleccionando qué espectros del perfil CL o parte de ellos procesar con una función dada.La eficiencia del progama se probó procesando tres sets de datos de 1HRMN de mezclas de alcaloides, aromáticos y flavonoides, que simulaban fracciones complejas de CL. Cada set se evaluó pre/post procesamiento a través de diferentes indicadores, asumiendo que cuanto mejor esté pre-procesado un set de datos mejor se estimarán los mismos. Se consideraron: estimación del N° de estructuras químicas presentes; cálculo del N° de fragmentos generados mediante fragmentado inteligente [5]; bondad de ajuste de la regresión no lineal gaussiana de perfiles de concentración; bondad de ajuste de la regresión lineal de valores predichos de PC1 vs valores verdaderos de PC1 (CV-PCA vs PCA); capacidad de clustering de los distintos sets de CL (score plot PCA); precisión en la identificación de señales de la misma estructura (loading plot FA).Los resultados muestran que EasyProcNMR es capaz de optimizar un set de datos de CL 1HNMR para su posterior análisis multivariado. Si bien se diseñó para el uso en CL es posible extender su aplicación a diferentes campos de análisis de 1HRMN.Referencias[1] Lindon, J.C.; Nicholson, J.K. Annu. Rev. Anal. Chem. 1 (2008) 45.[2] De Meyer, T.; Sinnaeve, D.; Van Gasse, B.; Rietzschel, E.R.; De Buyzere, M.L.; Langlois, M.R.; Bekaert, S.; Martins, J.C.; Van Criekinge, W. Anal. Bioanal. Chem. 398 (2010) 1781.[3] Xi, Y.; Rocke, D.M. Baseline BMC Bioinformatics 9 (2008) 324.[4 ]Savorani, F.; Tomasi, G.; Engelsen, S.B. J. Magn. Reson. 202 (2010) 190.[5] De Meyer, T.; Sinnaeve, D.; Van Gasse, B.; Tsiporkova, E.; Rietzschel, E.R.; De Buyzere, M.L.; Gillebert, T.C.; Bekaert, S.; Martins, J.C.; Van Criekinge, W. Anal. Chem. 80 (2008) 3783.