Ep 19 — Introducción al Análisis Cualitativo: Búsqueda y Coincidencia en Bibliotecas

Serie: Enciclopedia de Espectroscopia Infrarroja: De Principios a la Práctica
Sección: Segunda Parte · Nivel Básico — Entrando al Laboratorio
Público objetivo: Estudiantes de secundaria/universidad, graduados, técnicos de laboratorio que recién comienzan
Conocimientos previos: Ep 04 (Cómo leer un espectro infrarrojo), Ep 17 (Operación del instrumento), Ep 18 (Procesamiento de espectros)
Tiempo de lectura: Aprox. 38 minutos

Introducción: Un espectro, un sospechoso, diez mil "comparaciones"

En una escena de incautación aduanera en 2018, un químico recibió 1 g de polvo blanco sospechoso. GC-MS tomaría 2 horas y el equipo estaba fuera del lugar. Solo había un FTIR portátil en escena: 1 minuto para obtener el espectro. Pero el espectro estaba listo, ¿qué era esto? El espectro mostraba un C=O a 1700, C-O a 1200, C-H a 3000... Parecía un éster, pero ¿qué éster específico?

Esta es la "pregunta del alma" del análisis cualitativo — el espectro está obtenido, pero la identidad no está clara.

La respuesta proviene de la búsqueda en bibliotecas (Library Search): comparar el espectro desconocido con una "biblioteca de espectros estándar" uno por uno, ordenar por similitud y encontrar los candidatos más probables [1][2].

El software FTIR moderno completa la búsqueda en 1–2 segundos contra decenas de miles de espectros estándar, mostrando los 10 mejores candidatos ordenados de mayor a menor "coincidencia". Pero una alta coincidencia no significa necesariamente que sea correcto — la búsqueda en bibliotecas solo proporciona una "lista de sospechosos", la "condena" final debe ser realizada por un humano [1][3].

Este episodio explicará sistemáticamente el concepto de bibliotecas espectrales, las bibliotecas comerciales principales, los principios de los algoritmos de búsqueda, el significado del valor HQI, estrategias para mezclas, riesgos de identificación errónea y métodos para construir bibliotecas propias. Después de leer este episodio, podrás usar correctamente las herramientas de búsqueda en bibliotecas y sabrás cuándo confiar en los resultados y cuándo dudar.

💡 Enfoque de este episodio: Ep 1–10 explicaron "cómo leer un espectro"; Ep 11–18 explicaron "cómo obtener un espectro"; este episodio comienza a tratar "cómo usar el espectro para hacer análisis" — primero, análisis cualitativo.

1. Concepto de Biblioteca Espectral

1.1 ¿Qué es una biblioteca espectral?

Una biblioteca espectral (Spectral Library / Database) es una base de datos que recolecta espectros infrarrojos de compuestos conocidos, cada entrada contiene [1][2][4]:

• Nombre del compuesto
• Número CAS / Fórmula molecular / Estructura
• Condiciones de medición (transmisión/ATR, estado, solvente)
• Datos del espectro (pares número de onda-intensidad)
• Fuente (laboratorio, literatura)

Valor central [1][2]:

• Proporciona una referencia de "huella dactilar" para compuestos conocidos
• Identificación rápida de desconocidos
• Referencia para asignación de picos

1.2 Clasificación de bibliotecas

Por fuente [1][2][4]:

Por contenido [1][2]:

• Bibliotecas generales: Cubren varios tipos de compuestos (ej. Sadtler, Aldrich)
• Bibliotecas especializadas: Enfocadas en categorías específicas (ej. Biblioteca de polímeros Hummel, bibliotecas farmacopeicas)
• Bibliotecas de grupos funcionales: Clasificadas por grupo funcional (ej. biblioteca de grupos funcionales ftir.fun)

1.3 Indicadores clave de calidad de bibliotecas

① Calidad del espectro [1][4]

• SNR > 1000:1
• Precisión de la posición del pico ±0.5 cm⁻¹
• Rango espectral completo (4000–400 cm⁻¹)
• Sin picos planos (flat-top) ni picos fantasma

② Metadatos completos [4]

• Nombre del compuesto (IUPAC + nombre común)
• Número CAS
• Condiciones de medición (transmisión/ATR, estado)
• Medidor, fecha, instrumento

③ Diversidad [1][4]

• Cubrir diversidad de estructuras químicas
• Diferentes concentraciones, diferentes estados
• Incluir interferentes comunes

2. Bibliotecas Comerciales Principales

2.1 Biblioteca espectral Sadtler

La biblioteca Sadtler fue fundada por Sadtler Research Laboratories y es una de las bibliotecas de espectros infrarrojos más grandes del mundo [1][2][4].

• Historia: Comenzó en la década de 1950, actualmente más de 250,000 espectros
• Cobertura: Orgánicos, inorgánicos, polímeros, fármacos, pesticidas, aditivos, etc.
• Formato: Originalmente tarjetas impresas, ahora digital
• Característica: Preparación de muestras estandarizada (principalmente pastillas de KBr)

Subbibliotecas [2][4]:

• Sadtler Pure Organic (Orgánicos puros)
• Sadtler Commercial Products (Productos comerciales)
• Sadtler Inorganics (Inorgánicos)
• Sadtler Polymers (Polímeros)

2.2 Biblioteca espectral Aldrich

La biblioteca Aldrich fue establecida por Sigma-Aldrich [1][2]:

• Tamaño: Aprox. 15,000 espectros de compuestos orgánicos comunes
• Característica: Cubre compuestos vendidos por Sigma-Aldrich
• Formato: Papel + digital
• Ventaja: Alta pureza química, adecuada para investigación

2.3 Biblioteca de polímeros Hummel

La biblioteca de polímeros Hummel fue creada por el profesor Dieter Hummel y es la "biblia" para la identificación de polímeros [1][3][5]:

• Historia: Desde la década de 1960
• Tamaño: Aprox. 1900 espectros de polímeros
• Característica: Cubre plásticos, cauchos, fibras, recubrimientos, aditivos
• Formato: Espectros de transmisión (películas, pastillas de KBr)
• Aplicaciones: Identificación de plásticos, control de calidad de polímeros, análisis de fallos

Ventajas [5]:

• Incluye "huellas dactilares" de muchos productos comerciales
• Contiene aditivos, copolímeros, mezclas
• Metadatos detallados (grado, fuente, uso)

🔗 Extensión: La interpretación de grupos funcionales de polímeros se puede consultar en página de grupos funcionales alquílicos C-H de ftir.fun.

2.4 Bibliotecas farmacopeicas

Las bibliotecas farmacopeicas están diseñadas para la industria farmacéutica [1][6]:

• Biblioteca de Farmacopea China: Aprox. 600 espectros de principios activos (pastillas de KBr)
• Biblioteca USP: Aprox. 1200 espectros de principios activos
• Característica: Medidas totalmente conforme a métodos de farmacopea, compatibles con la regulación
• Aplicaciones: Identificación de principios activos, pruebas de liberación

2.5 Biblioteca NIST

NIST WebBook es mantenido por el Instituto Nacional de Estándares y Tecnología de EE.UU. [1][7]:

• Acceso gratuito en línea
• Tamaño: Aprox. 7000 espectros infrarrojos en fase gaseosa
• Característica: Espectros en fase gaseosa (diferentes de la fase condensada)
• Aplicaciones: GC-FTIR acoplado, identificación de sustancias en fase gaseosa

2.6 Bibliotecas incluidas por fabricantes

Thermo OMNIC [1][8]:

• Biblioteca básica integrada (aprox. 1000 compuestos comunes)
• Bibliotecas extendidas disponibles para compra (Aldrich, Sadtler, Hummel, etc.)

Bruker OPUS [3][8]:

• Biblioteca básica integrada
• Bibliotecas propias de Bruker disponibles para compra (aprox. 9000 espectros)

2.7 Biblioteca en línea: ftir.fun

ftir.fun es una base de datos de espectros infrarrojos en línea orientada a usuarios chinos [9]:

• Característica: Organizada por grupos funcionales (ej. carbonilo, molécula de agua, alquílico C-H)
• Ventajas: Acceso gratuito, interfaz en chino, incluye explicaciones de asignación de picos
• Aplicaciones:
  • Aprender absorciones características de grupos funcionales
  • Comparación rápida en línea de compuestos
  • Ayuda en la interpretación de espectros

🔗 Extensión: Visita sitio principal de ftir.fun para explorar el catálogo completo de grupos funcionales.

3. Algoritmos de Búsqueda

El núcleo de la búsqueda en bibliotecas es comparar la similitud entre dos espectros y ordenarlos por un valor numérico (HQI). Diferentes algoritmos tienen diferentes definiciones de similitud [1][3][10].

3.1 Método del coeficiente de correlación (Correlation Coefficient)

Algoritmo [1][3][10]:

$$r = \frac{\sum_{i=1}^{n} (A_i - \bar{A})(B_i - \bar{B})}{\sqrt{\sum_{i=1}^{n} (A_i - \bar{A})^2 \cdot \sum_{i=1}^{n} (B_i - \bar{B})^2}}$$

donde $A_i$ es el $i$-ésimo punto de datos del espectro desconocido, $B_i$ es el punto correspondiente del espectro de la biblioteca, $\bar{A}, \bar{B}$ son los promedios.

Características [1][3]:

• Rango [-1, 1], 1 = completamente similar
• Insensible a la intensidad absoluta (elimina diferencias de preparación de muestras)
• Sensible a la posición de los picos
• Cierta tolerancia al ruido

Conversión a HQI [3]:

$$\text{HQI} = \frac{(1 + r)}{2} \times 1000$$

Mapea $r \in [-1, 1]$ a HQI $\in [0, 1000]$ para facilitar la lectura [3].

3.2 Método de Diferencia Absoluta

Algoritmo [1][3][10]:

$$D = \sum_{i=1}^{n} |A_i - B_i|$$

Características [1][3]:

• Cuanto menor es $D$, más similares
• Sensible a la intensidad
• Sensible a la posición de los picos
• Sensible al ruido (los valores absolutos amplifican el ruido)

Conversión a HQI [3]:

$$\text{HQI} = \frac{1000}{1 + D/D_0}$$

donde $D_0$ es una constante de normalización.

3.3 Método de Primera Derivada

Algoritmo [1][3][10]:

1. Calcular la primera derivada de cada espectro
2. Calcular el coeficiente de correlación de los espectros derivados

Características [1][3]:

• Insensible a la deriva de la línea base (la derivada elimina líneas base constantes y lineales)
• Sensible a la forma del pico
• Muy sensible a la posición del pico
• Adecuado para análisis fino de posición de picos

Ventajas [3]: Elimina diferencias de línea base, empareja formas de pico

Desventajas [3]: Sensible al ruido (la derivada amplifica el ruido)

3.4 Método de Distancia Euclidiana

Algoritmo [1][3]:

$$d = \sqrt{\sum_{i=1}^{n} (A_i - B_i)^2}$$

Características [1][3]:

• Similar al método de diferencia absoluta
• Sensible a la intensidad absoluta
• Común en quimiometría

3.5 Comparación de Algoritmos

Tabla 1: Comparación de algoritmos de búsqueda principales (compilado de [1][3][10])

Recomendaciones de selección [1][3]:

• Análisis de rutina: Método de correlación (predeterminado)
• Línea base deficiente: Método de primera derivada
• Posición fina de picos: Método de primera derivada
• Enfoque mixto: Primero, correlación para cribado grueso; luego, primera derivada para cribado fino

Cuarto, Valor HQI (Hit Quality Index)

4.1 Definición de HQI

HQI (Índice de Calidad de Acierto) es un valor numérico que mide la similitud entre dos espectros [1][3][10]:

• Normalmente en el rango 0–1000
• 1000 = coincidencia perfecta
• 0 = sin coincidencia
• Diferentes fabricantes tienen definiciones ligeramente distintas (ej. Bruker 0–1, Thermo 0–100)

4.2 Reglas de Interpretación de HQI

Estándar Bruker OPUS [3][6]:

Tabla 2: Reglas de interpretación de HQI según Bruker OPUS (referencia [3])

Estándar Thermo OMNIC [1][8]:

• Usa rango 0–100

• 95: Coincidencia alta

• 90–95: Coincidencia buena
• 80–90: Coincidencia posible
• < 80: Coincidencia baja

4.3 Limitaciones de HQI

Advertencia importante [1][3][10]:

① HQI alto ≠ necesariamente correcto

• Los homólogos (ej. propanol, butanol, pentanol) tienen espectros muy similares
• Todos pueden tener HQI > 950, pero son compuestos diferentes
• Es necesario verificar manualmente las posiciones de los picos

② HQI afectado por la calidad del espectro

• Espectros desconocidos con mucho ruido tienden a tener HQI bajo
• Un suavizado excesivo puede "inflar falsamente" el HQI
• La búsqueda debe basarse en espectros originales

③ HQI afectado por el algoritmo

• Para el mismo par de espectros, diferentes algoritmos dan diferentes HQI
• Al comparar, se debe usar el mismo algoritmo

④ HQI no representa concentración

• HQI solo refleja "similitud"
• No refleja la pureza de la muestra
• Los picos de impurezas reducen el HQI

4.4 Recomendaciones Prácticas de Uso de HQI

Reglas empíricas [1][3][10]:

• Mire los 5 primeros candidatos, no solo el primero
• Compare la "brecha" entre candidatos: si el primero tiene HQI=980 y el segundo HQI=850, la brecha es grande, confiable
• Si el primero tiene HQI=950 y el segundo HQI=945, la brecha es pequeña, se necesita juicio manual
• Verifique el "espectro de diferencia" (desconocido - biblioteca) del primero: si es plano, confiable; si hay desviaciones sistemáticas, no confiable

Quinto, Proceso de Búsqueda

5.1 Proceso de Búsqueda Estándar

1. Preparar el espectro desconocido
   │ Procesamiento ya completado (Ep 18)
   │ (corrección de línea base, suavizado, corrección ATR, etc.)
   │
   ▼
2. Seleccionar la biblioteca
   │ Biblioteca general + biblioteca especializada
   │ Elegir según el tipo de muestra
   │
   ▼
3. Seleccionar el algoritmo
   │ Método de correlación (predeterminado)
   │ Método de primera derivada (cuando la línea base es deficiente)
   │
   ▼
4. Configurar parámetros
   │ Rango de número de onda: 4000–400 cm⁻¹ (o enfocar región de grupos funcionales)
   │ Umbral: HQI > 700
   │ Top N: 10
   │
   ▼
5. Ejecutar la búsqueda
   │ El software devuelve resultados en 1–5 segundos
   │
   ▼
6. Analizar los 5 primeros candidatos
   │ Ver valores de HQI
   │ Comparar la brecha entre candidatos
   │ Verificar el espectro de diferencia
   │
   ▼
7. Verificación manual
   │ Verificar los picos clave del primer candidato
   │ Comparar uno por uno con el espectro desconocido
   │
   ▼
8. Juicio integral
   │ HQI > 950 + coincidencia de picos clave → Confirmado
   │ HQI 900–950 + coincidencia de picos clave → Muy probable
   │ HQI < 900 + coincidencia parcial de picos clave → Se necesita más análisis
   │
   ▼
9. Registrar resultados
   │ Guardar resultados de búsqueda (captura de pantalla, informe)
   │ Registrar algoritmo, versión de biblioteca, parámetros

Figura 1: Proceso estándar de búsqueda en biblioteca (compilado de [1][3])

5.2 Configuración de Parámetros de Búsqueda

Rango de número de onda [3][10]:

• Búsqueda de espectro completo: 4000–400 cm⁻¹ (más común)
• Región de grupos funcionales: 4000–1400 cm⁻¹ (más rápida, pero ignora la región de huella dactilar)
• Región de huella dactilar: 1400–400 cm⁻¹ (mayor confiabilidad en coincidencia de huella dactilar)
• Pico específico: Enfocar un pico clave (ej. región C=O 1750–1650 cm⁻¹)

Umbral (Threshold) [3]:

• HQI > 700: listar todos los candidatos que cumplan
• HQI > 800: solo coincidencias de alta calidad
• Sin umbral: listar Top N (recomendado)

Top N [3]:

• 10 (predeterminado, basta con ver los 5 primeros)
• 20 (para análisis de mezclas, mirar más)

Preprocesamiento [3][10]:

• Corrección ATR automática: Sí
• Normalización automática: Sí
• Corrección de línea base automática: Sí (siempre que se haya realizado un procesamiento razonable)

Sexto, Estrategias de Búsqueda para Mezclas

Las muestras reales suelen ser mezclas (por ejemplo, plásticos + aditivos, mezclas de polímeros, fármacos + excipientes). Una simple búsqueda en bibliotecas a menudo solo identifica el componente principal, y se requieren estrategias más complejas [1][3][10].

6.1 Búsqueda del componente principal + espectro diferencia

Procedimiento [3][10]:

1. Búsqueda de espectro completo → candidato principal (componente principal)
2. Calcular espectro diferencia: $D = A{\text{unknown}} - k \cdot A{\text{library}}$
   • $k$ es el factor de escala óptimo (minimiza $|D|$)
3. Examinar el espectro diferencia — ¿todavía hay picos?
4. Volver a buscar el espectro diferencia → segundo componente
5. Repetir hasta que el espectro diferencia no tenga picos

Ejemplo: Muestra de plástico

• Espectro completo: coincide con PE (polietileno), HQI=950
• Espectro diferencia: se encuentra un pico C=O a 1700 cm⁻¹
• Nueva búsqueda del espectro diferencia: coincide con un antioxidante

6.2 Búsqueda multicomponente

Algunos software avanzados admiten "coincidencia simultánea de múltiples componentes" [3][10]:

• El usuario especifica el número máximo de componentes (por ejemplo, 3)
• El software intenta combinaciones automáticamente
• Proporciona una puntuación de coincidencia combinada

Ventajas [3]:

• Automatización
• Adecuado para mezclas con número conocido de componentes

Desventajas [3]:

• Alta carga computacional
• Requiere que el usuario estime primero el número de componentes

6.3 Métodos quimiométricos

Análisis de componentes principales (PCA) [1][3][11]

• Reducción de dimensionalidad
• Identifica las principales direcciones de variación
• Adecuado para clasificación de grandes cantidades de muestras

Mínimos cuadrados parciales (PLS) [1][3][11]

• Adecuado para análisis cuantitativo
• Maneja espectros superpuestos

SIMCA (Soft Independent Modeling of Class Analogy) [3][11]

• Modelado de clases
• Adecuado para identificación vs detección de anomalías

Software [3][11]:

• Thermo TQ Analyst
• Bruker OPUS + OPUS QUANT
• PLS_Toolbox (MATLAB)
• Python scikit-learn

6.4 Búsqueda en bibliotecas multidimensionales (búsqueda 2D)

Concepto [10]: búsqueda simultánea de datos multidimensionales como espectros IR + MS + NMR

• Mejora la fiabilidad de la identificación
• Adecuado para muestras complejas
• Frontera de la investigación académica

7. Riesgos de error: No se puede confiar completamente en la búsqueda en bibliotecas

7.1 Fuentes comunes de error

① Error por homólogos [1][3]

• Los espectros de propanol, butanol y pentanol son muy similares
• HQI todos > 950, pero son compuestos diferentes
• Solución: observar pequeñas diferencias en la región de huella dactilar (efecto de la longitud de la cadena de carbono)

② Error por isómeros [1][3]

• Los espectros de hidrocarburos aromáticos sustituidos en orto, meta y para son similares
• Solución: observar las vibraciones de flexión fuera del plano en la región de huella dactilar (700–800 cm⁻¹)

③ Error por mezclas [3][10]

• El componente principal enmascara componentes secundarios
• Solución: análisis de espectro diferencia, búsqueda multicomponente

④ Problemas de calidad del espectro de la biblioteca [1][3]

• El espectro de la biblioteca puede tener defectos (absorción de humedad en KBr, SNR bajo)
• Solución: utilizar bibliotecas comerciales autorizadas, evitar espectros de origen desconocido

⑤ Diferencias instrumentales [1][3]

• Diferentes instrumentos con diferente resolución y detectores
• El espectro de la misma sustancia puede variar ligeramente
• Solución: medir la muestra desconocida y la biblioteca con el mismo instrumento

⑥ Diferencias en el método de preparación de la muestra [1][3][10]

• El espectro ATR tiene baja coincidencia con las bibliotecas de transmisión
• Solución: realizar corrección ATR antes de la búsqueda

7.2 Casos clásicos de error

Caso A: o-xileno vs p-xileno [1][3]

• Picos principales (estiramiento C-H, C=C del anillo bencénico) casi idénticos
• HQI > 950
• Pero la región de huella dactilar muestra diferencias significativas:
  • o-xileno: 742 cm⁻¹ (flexión fuera del plano de 4 H adyacentes)
  • m-xileno: 691 + 767 cm⁻¹
  • p-xileno: 795 cm⁻¹ (flexión fuera del plano de 2 H adyacentes)

Conclusión: es necesario revisar manualmente la región de huella dactilar, no solo el HQI [3].

Caso B: PEG + fármaco [3][10]

• Búsqueda en biblioteca: componente principal PEG (polietilenglicol)
• HQI=940, parece definitivo
• En realidad: excipiente farmacéutico PEG + pequeña cantidad de fármaco
• El espectro diferencia revela picos característicos del fármaco

Conclusión: después de la búsqueda del componente principal, se debe realizar un análisis de espectro diferencia [3][10].

Caso C: Producto de degradación vs estándar [1][3]

• Plástico envejecido coincide con polímero puro en la búsqueda
• HQI > 900
• Pero en realidad: polímero + productos de oxidación/degradación
• Aparece un pico C=O a 1700 cm⁻¹ (degradación)

Conclusión: observar cuidadosamente los picos pequeños para identificar degradación/impurezas [3].

7.3 Estrategias para reducir errores

① Verificación desde múltiples ángulos [1][3]

• HQI alto
• Coincidencia de picos clave
• Espectro diferencia limpio
• Coherencia con el conocimiento químico

② Métodos integrales [1][3]

• IR + NMR
• IR + MS
• IR + análisis elemental

③ Biblioteca propia [3]

• Incluye muestras comunes locales
• Incluye interferentes, impurezas comunes

④ Capacitación y experiencia [3]

• Comprender las limitaciones del algoritmo
• Familiarizarse con errores comunes
• Desarrollar un espíritu crítico

8. Significado y método de la biblioteca propia

8.1 ¿Por qué construir una biblioteca propia?

Limitaciones de las bibliotecas comerciales [1][3]:

• No cubren muestras específicas locales
• No contienen productos/materias primas de la empresa
• No contienen interferentes comunes

Ventajas de la biblioteca propia [3][12]:

• Alta especificidad
• Incluye muestras locales
• Condiciones de medición consistentes
• Acumulación continua

8.2 Escenarios de aplicación de la biblioteca propia

• Empresas farmacéuticas: principios activos, excipientes, intermedios, productos
• Empresas químicas: materias primas, productos, subproductos
• Empresas alimentarias: materias primas, aditivos, aromas
• Laboratorios forenses: drogas, fibras, pinturas, explosivos
• Monitoreo ambiental: contaminantes en suelo, agua, aire

8.3 Proceso de construcción de la biblioteca propia

① Planificación de la biblioteca [3][12]

• Determinar el alcance
• Diseñar el formato de metadatos
• Elegir el software de gestión de bibliotecas

② Preparación de muestras [3][12]

• Estándares de alta pureza
• Fuente conocida, número CAS
• Almacenar en seco, protegido de la luz

③ Adquisición de espectros [3][12]

• Condiciones de medición fijas (transmisión en pastilla de KBr o ATR)
• Múltiples réplicas (≥ 3)
• Verificar la calidad del espectro (SNR, posición de pico, línea base)
• Guardar en formato estándar después del procesamiento (recomendado JCAMP-DX)

④ Ingesta de metadatos [3][12]

• Nombre del compuesto (chino + inglés + IUPAC)
• Número CAS
• Fórmula molecular, peso molecular
• Estructura química
• Condiciones de medición
• Medidor, fecha, modelo del instrumento
• Notas (por ejemplo, número de lote, fuente)

⑤ Gestión de la biblioteca [3][12]

• Copias de seguridad periódicas
• Control de versiones
• Control de acceso
• Expansión continua

8.4 Control de calidad de la biblioteca propia

Calidad del espectro [3][12]:

• SNR > 1000:1
• Precisión de la posición del pico ±0.5 cm⁻¹
• Rango espectral completo
• Sin picos fantasma

Diversidad [3][12]:

• Al menos 3 espectros por compuesto (diferentes lotes, diferentes preparaciones)
• Cubrir compuestos puros + mezclas comunes

Verificación [3][12]:

• Probar la precisión de la búsqueda con muestras conocidas
• Actualizar periódicamente (para evitar contaminación de la biblioteca)

8.5 Estrategia de búsqueda con biblioteca propia

Combinación con bibliotecas comerciales [3]:

• Primero buscar en la biblioteca propia (cubre muestras locales)
• Luego buscar en la biblioteca comercial (cubre compuestos universales)
• Priorizar los resultados de la biblioteca propia (condiciones consistentes)

Algoritmos especializados [3][10]:

• Como las condiciones del espectro de la biblioteca propia son consistentes, se puede usar el método de coeficiente de correlación directamente
• No se necesita método derivado (pequeñas diferencias en la línea base)

9. Casos prácticos de búsqueda

Caso 1: Polvo blanco desconocido

Muestra: Se encontró un polvo blanco desconocido en el laboratorio, se sospecha que es un carbohidrato

Procedimiento de búsqueda [1][3]:

1. Medición ATR → espectro claro (SNR > 1000)
2. Búsqueda de espectro completo (4000–400 cm⁻¹, método de coeficiente de correlación)
3. Top 5 candidatos:
   • Glucosa (HQI=965)
   • Fructosa (HQI=945)
   • Sacarosa (HQI=920)
   • Maltosa (HQI=890)
   • Lactosa (HQI=870)

Verificación manual [1][3]:

• Glucosa vs fructosa: diferencias claras en la región de huella dactilar 900–1100 cm⁻¹
• Examinar pico clave: la glucosa tiene un pico de flexión C-H del carbono anomérico a 836 cm⁻¹
• El espectro desconocido tiene este pico → confirmado como glucosa

Conclusión final: Glucosa (HQI 965 + coincidencia de pico clave)

Caso 2: Identificación del material de una botella de plástico

Muestra: Fragmento de botella de agua mineral

Procedimiento de búsqueda [3][10]:

1. Medición ATR
2. Búsqueda de espectro completo → Top 1: PET (tereftalato de polietileno), HQI=985

(El texto continúa pero no se proporciona más contenido en la fuente. Se traduce lo disponible.)

1. Espectro de diferencia: casi sin picos residuales
2. Verificación manual: 1720 C=O, 1240 C-O, 730/720 CH₂ → coincide completamente con PET

Conclusión: PET (material estándar de botellas de bebidas)

Caso 3: Identificación de excipientes farmacéuticos

Muestra: Polvo de tableta molida

Proceso de búsqueda [3][10]:

1. Medición ATR
2. Búsqueda de espectro completo → Top 1: Lactosa (HQI=890)
3. Espectro de diferencia: se encontraron picos a 1700, 1280 cm⁻¹ (característicos del fármaco)
4. Nueva búsqueda del espectro de diferencia → coincide con un principio activo
5. Búsqueda multicomponente → Lactosa + fármaco, HQI combinado = 920

Conclusión: Lactosa (excipiente) + fármaco (componente principal)

Caso 4: Mezcla desconocida (forense)

Muestra: Polvo sospechoso incautado

Proceso de búsqueda [3][10]:

1. Medición ATR
2. Búsqueda de espectro completo → Top 1: Cafeína (HQI=870)
3. HQI < 900 → se sospecha mezcla
4. Espectro de diferencia: se encontró pico C=O a 1730 cm⁻¹
5. Búsqueda del espectro de diferencia → coincide con un anestésico
6. Búsqueda multicomponente → Cafeína + anestésico, HQI combinado = 950

Conclusión: Droga adulterada (cafeína como diluyente + anestésico)

10. Informe de resultados de búsqueda

10.1 Contenido del informe

Un informe de búsqueda completo debe incluir [3][12]:

• Información de la muestra (nombre, origen, lote)
• Condiciones de medición (instrumento, accesorio, parámetros)
• Parámetros de búsqueda (algoritmo, biblioteca, rango)
• Lista de Top 5 candidatos (nombre, CAS, HQI)
• Resultados de verificación manual (comparación de picos clave)
• Análisis de espectro de diferencia (si lo hay)
• Conclusión integral
• Operador, fecha

10.2 Ejemplo de informe

Informe de búsqueda
================

Información de la muestra:
  Nombre: Polvo blanco desconocido
  Número: CASO-2026-001
  Fecha de medición: 2026-07-24

Condiciones de medición:
  Instrumento: Bruker Tensor II
  Accesorio: ATR Platinum (diamante)
  Resolución: 4 cm⁻¹
  Número de escaneos: 32
  Rango: 4000–400 cm⁻¹

Parámetros de búsqueda:
  Algoritmo: Método de correlación
  Biblioteca: Bruker Polymer + biblioteca propia
  Umbral: HQI > 700
  Top N: 10

Top 5 candidatos:
  1. Glucosa (CAS: 50-99-7), HQI=965
  2. Fructosa (CAS: 57-48-7), HQI=945
  3. Sacarosa (CAS: 57-50-1), HQI=920
  4. Maltosa (CAS: 69-79-4), HQI=890
  5. Lactosa (CAS: 63-42-3), HQI=870

Verificación manual:
  Pico clave 836 cm⁻¹ (flexión C-H del carbono anomérico) → coincide con glucosa ✓
  Pico clave 994 cm⁻¹ → coincide con glucosa ✓
  Diferencia con fructosa: región 900–1100 cm⁻¹ claramente diferente

Análisis de espectro de diferencia:
  Espectro de diferencia de glucosa: prácticamente sin picos residuales (< 0.02)

Conclusión integral:
  La muestra es D-glucosa (concordancia extremadamente alta, HQI=965, todos los picos clave coinciden)

Operador: Zhang San
Fecha: 2026-07-24

11. Tendencias futuras

11.1 Bibliotecas en la nube

Tendencia [1][3][9]:

• Bibliotecas en línea actualizadas en tiempo real
• Compartidas globalmente
• Plataformas abiertas como ftir.fun
• API integrada en sistemas de laboratorio

Ventajas [9]:

• Actualización continua
• Ahorro de almacenamiento local
• Acceso desde múltiples dispositivos

11.2 Asistencia de aprendizaje automático

Aprendizaje profundo [3][13]:

• Redes neuronales aprenden directamente el mapeo espectro-compuesto
• Superan a los algoritmos tradicionales en mezclas complejas
• Aún en fase de investigación

Aprendizaje por transferencia [13]:

• Modelo preentrenado + biblioteca propia con pocos datos
• Adecuado para escenarios con muestras pequeñas

11.3 Fusión multimodal

Búsqueda conjunta [10]:

• Infrarrojo + Raman
• Infrarrojo + espectrometría de masas
• Infrarrojo + RMN
• Múltiples fuentes de información aumentan la fiabilidad

11.4 Aplicaciones móviles

App para teléfono [9]:

• Inspección rápida en campo
• Combinada con FTIR portátil
• Adecuado para aduanas, emergencias, alimentos

🔗 Extensión: Puede experimentar la búsqueda en línea de grupos funcionales en el sitio principal de ftir.fun.

Ilustraciones (esquemas clave de esta serie)

📷 Figura 2: Pipeline de procesamiento de espectros
Fuente: Imagen real/abierta · Estudio de caso de proyecto — Espectro de PE (con marca de agua ftir.fun)

📷 Figura 3: Concepto de búsqueda en biblioteca
Fuente: Diagrama explicativo de ftir.fun (con marca de agua; no es un espectro real, solo para comprensión conceptual)

📷 Figura 4: Esquema de cuantificación de Lambert-Beer
Fuente: Diagrama explicativo de ftir.fun (con marca de agua; no es un espectro real, solo para comprensión conceptual)

Resumen de esta serie

Preguntas de reflexión

1. Tienes un espectro ATR de un polvo desconocido. El Top 1 de la búsqueda es glucosa (HQI=965), el Top 2 es fructosa (HQI=945). ¿Cómo determinarías finalmente qué azúcar es? ¿Qué picos clave deberías verificar?

2. Sospechas que una muestra de plástico es una mezcla de PE (polietileno) con algún antioxidante. Diseña un proceso de búsqueda completo para identificar el componente principal y el aditivo.

3. Tu laboratorio es el departamento de control de calidad de una empresa farmacéutica. Explica por qué deberías construir una biblioteca propia. ¿Qué compuestos debería incluir? ¿Cómo gestionar el control de calidad?

4. El espectro ATR se busca directamente en una biblioteca de espectros de transmisión, dando un HQI bajo (aproximadamente 850). Sin embargo, la verificación manual muestra que los picos coinciden perfectamente. ¿Cuál es la causa? ¿Cómo mejorar el HQI?

5. Sospechas que un espectro es de una mezcla. Explica por qué no puedes confiar simplemente en el HQI del Top 1. ¿Cómo deberías utilizar el análisis de espectro de diferencia? Proporciona un proceso específico de análisis de espectro de diferencia.

Referencias

[1] Griffiths P R, de Haseth J A. Fourier Transform Infrared Spectrometry. 2nd ed. Wiley, 2007. Chapter 12–13. ISBN: 978-0-471-19404-0.

[2] Sadtler Research Laboratories. The Sadtler Standard Spectra. Bio-Rad Laboratories.
https://www.bio-rad.com/en-us…

[3] Smith B C. Fundamentals of Fourier Transform Infrared Spectroscopy. 2nd ed. CRC Press, 2011. Chapter 9–11. ISBN: 978-1420069297.

[4] Bio-Rad Laboratories. "KnowItAll Spectral Library."
https://www.knowitall.com/

[5] Hummel D O, Scholl F. Atlas of Polymer and Plastics Analysis. 3rd ed. Hanser, 1991. ISBN: 978-3446157035.

[6] Bruker Optics. "OPUS Library Search Manual."
https://www.bruker.com/en/pro…

[7] NIST. "NIST Chemistry WebBook, IR Spectra." Standard Reference Database Number 69.
https://webbook.nist.gov/chem…

[8] Thermo Fisher Scientific. "OMNIC Specta Software User Guide."
https://www.thermofisher.com/…

[9] ftir.fun. "红外光谱官能团数据库."
https://ftir.fun

[10] Lauer H H, McMillan C, Donnelly J R. "Library Searching Algorithms for Infrared Spectroscopy." Applied Spectroscopy, 1994, 48(8): 936–943. DOI:10.1366/0003702944029870.

[11] Lavine B K. "Chemometrics and Chemoinformatics." ACS Symposium Series, 2005, 894: 1–19.

[12] ASTM E168-16. "Standard Practices for General Techniques of Infrared Quantitative Analysis." ASTM International, 2016.

[13] Chan C C, Lee H L, Chen C W. "Deep Learning for Infrared Spectra Recognition." Analytical Chemistry, 2020, 92(13): 8959–8966. DOI:10.1021/acs.analchem.0c01294.

Próximo episodio: Ep 20 — Introducción al análisis cuantitativo: Ley de Lambert-Beer
Entraremos en el mundo del análisis cuantitativo por espectroscopía infrarroja, comenzando con la derivación y condiciones de aplicación de la ley de Lambert-Beer A=εbc, y explicando métodos clave como altura de pico vs área de pico, curva de trabajo, y cuantificación multicomponente (solución de ecuaciones simultáneas). Finalmente, demostraremos con un ejemplo cómo determinar el contenido de un componente en una mezcla y compararemos las diferencias entre la cuantificación por IR y UV-Vis o cromatografía.

Este artículo está bajo licencia CC BY-NC-SA 4.0. Las imágenes provienen del dominio público o de recursos en línea con fuente indicada, los derechos de autor pertenecen a sus respectivos autores.