CIENCIAS EXACTAS Y NATURALES

Una investigación en la que colaboró Alejandro Olivieri, reciente ganador del Premio Houssay, fue escogida como tapa de una revista especializada en química analítica

Se trata de Analytica Chimica Acta. El artículo presenta el desarrollo de un modelo matemático que permite evaluar los parámetros de calidad de distintos métodos analíticos basados en redes neuronales, en particular las de tipo convolucional.


Una investigación de la que participó Alejandro Olivieri, investigador del CONICET en el Instituto de Química de Rosario (IQUIR, CONICET-UNR), junto con científicos de Irán y Rusia, fue escogida como tapa del número de febrero de la revista especializada Analytica Chimica Acta. El artículo presenta el desarrollo de un método matemático que permite estimar los parámetros de calidad de cualquier red neuronal -sin importar su arquitectura ni su funcionamiento interno ni el tipo de muestras a las que se aplique- usada en química analítica (QA) para calibrar líneas curvas. En particular, el trabajo se enfocó en las llamadas redes neuronales convolucionales, un nuevo tipo de herramienta quimiométrica que está ganando popularidad en el campo de la QA.

 

¿Qué es la química analítica?

La QA es la disciplina a que se ocupa de medir concentraciones de compuestos químicos de interés, denominadas analitos, en diversos tipos de muestras, se trate de muestras biológicas, farmacológicas, industriales, ambientales o de cualquier otra clase.

En este sentido, la QA está presente en numerosas ramas y actividades, como, por ejemplo, en la industria farmacéutica (para asegurar que los medicamentos tengan el principio activo en la cantidad que lo deben tener), el control de calidad de alimentos, el análisis bioquímico y el monitoreo de contaminantes en agua, aire y suelo.

 

La quimiometría y el camino hacia una química analítica sustentable

Tradicionalmente, a la preparación de muestras y a la realización de diversas mediciones instrumentales, en la QA se suma el uso de métodos cromatográficos, que normalmente requieren de la utilización de solventes y reactivos poco amigables con el medioambiente, además de insumir mucho tiempo e implicar costos significativos.

La quimiometría es una disciplina que, desde hace ya algunos años, apuesta a reemplazar (en el marco de la QA) los métodos cromatográficos, por el desarrollo de algoritmos computacionales, que, a partir del procesamiento de datos y la combinación de modelos matemáticos y estadísticos, permitan extraer la mayor cantidad de información posible de las mediciones tomadas con los instrumentos más modernos que se disponen.

“Hoy en día, un instrumento de medición es capaz de medir millones de datos que no se pueden analizar fácilmente. Nuestra idea es, con ayuda de estas herramientas quimiométricas, tratar de separar matemáticamente aquello que no se puede separar de manera física o química, y evitar, de esta forma, recurrir a métodos cromatográficos, que son muy confiables, pero que pueden tener consecuencias poco beneficiosas para el ambiente”, explica Alejandro Olivieri, quien recientemente recibió el  Premio Houssay Trayectoria en la categorìa Química no biológica, Ciencias de la Tierra, del Agua y de la Atmósfera .

 

La calibración analítica y los modelos de redes neuronales

Uno de los aspectos fundamentales del desarrollo de un método analítico quimiométrico es lo que se conoce cono calibración analítica, que es el proceso mediante el cual se establecen reglas -a partir de medidas en sustancias patrones-, que vinculan las señales de los instrumentos de medición con la concentración de compuestos químicos de interés, que luego se pueden aplicar a nuevas muestras para predecir la concentración de analitos presentes en ellas.

Básicamente, las calibraciones se basan en establecer relaciones de proporcionalidad entre las señales de los instrumentos de medición y las concentraciones de determinados analitos en las muestras analizadas. La recta que grafica esta relación se denomina recta de calibración.

“Tradicionalmente, la calibración está basada en relaciones lineales entre señales y concentraciones de compuestos, y la ley que vincula estas variables es muy sencilla y se grafica con una línea recta. El problema es cuando estas relaciones no son lineales y se desconoce la ley que las vincula. Porque (a diferencia de lo que ocurre con las líneas rectas) son infinitas las curvas que pueden pasar por los puntos obtenidos de las mediciones en sustancias patrones”, explica Olivieri.

Para poder sortear este inconveniente, los químicos analíticos disponen de modelos computacionales flexibles y sofisticados, conocidos como redes neuronales, que tienen la capacidad de aprender la relación que vincula los diferentes puntos en una línea curva y, a partir de ello, hacer predicciones sobre la composición de nuevas muestras, aun cuando la expresión que liga las variables sea desconocida porque no se sepa cuál es el principio físico que gobierna ese vínculo.

 

¿Qué son los parámetros de calidad?

Existe una serie de parámetros de calidad para evaluar los métodos analíticos basados en calibraciones de línea recta, llamados también cifras de mérito, definidos como sensibilidad, selectividad, limite detección y límite de cuantificación. El método analítico con mejores parámetros de calidad será preferido frente a otros, por su capacidad de ofrecer mejores respuestas frente muestras desconocidas.

“Pero en los métodos analíticos que calibran líneas curvas a través de distintos modelos de redes neuronales, la definición de estos parámetros es todavía un tema de investigación. Esto hace que todavía no haya criterios claramente definidos para preferir un método analítico por sobre otro”, afirma Olivieri.

“Hasta ahora había parámetros de calidad para evaluar determinadas redes neuronales, lo que presentamos en este trabajo es un modelo más general, que permite estimar esos parámetros de calidad o cifras de mérito para cualquier tipo de rede neuronal”, concluye el investigador.

 

Por Miguel Faigón

 

Referencia bibliográfica

Shariat, K., Kirsanov, D., Olivieri, A. C., & Parastar, H. (2021). Sensitivity and Generalized Analytical Sensitivity Expressions for Quantitative Analysis Using Convolutional Neural Networks. Analytica Chimica Acta, 338697. https://doi.org/10.1016/j.aca.2021.338697

 

Sobre investigación:

Kourosh Shariat. Sharif University of Technology (Irán).

Dimitry Kirsanov. Saint-Petersburg State University (Rusia).

Alejandro C. Olivieri. Investigador superior. IQUIR.

Hadi Parastar. Sharif University of Technology (Irán).