Ep 37 — Imágenes con matriz de plano focal (FPA): imágenes químicas de alto rendimiento

Serie: Enciclopedia de infrarrojos: desde los principios hasta la práctica
Capítulo: Parte IV · Avanzada — Tecnologías de vanguardia (Episodio 2)
Público: Investigadores de microplásticos y monitoreo ambiental, investigadores de imágenes biomédicas, ingenieros de análisis de mezclas de polímeros, personal de procesamiento de datos espectroscópicos / quimiometría
Conocimiento previo: Ep 14 (principios de ATR), Ep 26 (detección de microplásticos), Ep 33 (diagnóstico infrarrojo de tejidos), Ep 36 (fundamentos de micro-FTIR)
Tiempo de lectura: aproximadamente 50 minutos

Introducción: un filtro de membrana, 470 GB de datos, 110,000 microplásticos

En 2022, el equipo de Wang de la Universidad de Qingdao publicó un estudio sobre microplásticos en envases de comida para llevar en China en Molecules [1]:

"Using FPA-based μ-FTIR whole-filter analysis, we identified 110,000+ microplastic particles on a single 47 mm membrane filter from a single takeaway container, with sizes ranging from 11 μm to 5 mm. The 6-hour measurement generated ~470 GB of raw spectral data, automatically processed by siMPle software to classify 9 polymer types."
—— Zhou X, Wang J, Ren J. Molecules 2022 [1]

Este caso demuestra la notable capacidad de las imágenes FPA (Focal Plane Array, matriz de plano focal): convierte lo que solía requerir semanas de identificación manual punto por punto en imágenes automáticas de unas pocas horas, transformando las imágenes químicas de "artículo de lujo de investigación" a "herramienta de rutina de alto rendimiento". Este episodio explicará sistemáticamente el principio del detector FPA, la estructura del cubo de datos, la comparación de velocidad con el MCT de punto único, y a través de dos casos típicos (análisis de todo el filtro de membrana de microplásticos e imágenes de secciones de tejido), mostrará cómo FPA está remodelando el flujo de trabajo de las imágenes químicas infrarrojas, y discutirá los desafíos de grandes datos y quimiometría que conlleva.

1. Detector FPA: convirtiendo "mil mediciones" en "una sola exposición"

1.1 Cuello de botella del MCT de punto único

Recordando el Ep 36: el μ-FTIR tradicional utiliza un detector MCT (Mercury Cadmium Telluride) de punto único. Para construir una imagen química, es necesario escanear punto por punto — la platina XY se mueve un punto, se mide un espectro, luego se mueve otro punto, se mide otro espectro… [2][3].

Por ejemplo, para un área de 1 mm × 1 mm con un paso de 5 μm:

    Puntos = (1000/5) × (1000/5) = 200 × 200 = 40,000 puntos
    Tiempo de escaneo por punto = 30 s (128 escaneos, resolución 4 cm⁻¹)
    Tiempo total = 40,000 × 30 s = 1,200,000 s ≈ 333 horas ≈ 14 días

14 días para medir 1 mm cuadrado — este es el "cuello de botella de rendimiento" del MCT de punto único en imágenes químicas. Con este rendimiento, la imagen de todo un filtro de membrana de microplásticos (diámetro 47 mm) es prácticamente irreal [2][3].

1.2 FPA: "medición paralela" con una matriz bidimensional

La idea central del detector FPA: integrar miles de píxeles detectores en el plano focal, y adquirir simultáneamente los espectros de todos los píxeles en una sola exposición, equivalente a ejecutar "en paralelo" miles de mediciones de punto único [3][4][5].

    MCT de punto único tradicional:            Matriz de plano focal FPA:

    Muestra                                  Muestra
       ↓                                       ↓
    Diafragma (1 punto)                      Objetivo (imagen)
       ↓                                       ↓
    Detector MCT                             Plano focal (4096 puntos)
       ↓                                       ↓
    1 espectro / exposición                  4096 espectros / exposición
       ↓                                       ↓
    Escaneo XY 40,000 veces                  Escaneo XY 10 veces
       ↓                                       ↓
    333 horas                                ~30 minutos

Estructura física del FPA (ejemplo con matriz 64×64) [3][4]:

   ┌─────────────────────────────────────┐
   │  Matriz FPA (64×64 = 4096 píxeles)   │
   │                                     │
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │  ← Cada píxel es un
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │     detector MCT independiente
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │     Espaciado entre píxeles 40–50 μm
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │    (equivalente en la muestra
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │     5.5 μm @ objetivo 15×)
   │  …                                  │
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │
   └─────────────────────────────────────┘
                ↓
   La luz infrarroja se enfoca en la matriz a través del objetivo
   Cada píxel corresponde a una pequeña área de la muestra

1.3 Parámetros clave del FPA

Tabla 1: Parámetros clave del detector FPA (fuentes de datos: Bruker Hyperion Series Manual [4]; Agilent 620 FTIR Manual [5])

1.4 Principio de adquisición espectral del FPA

La diferencia clave entre FPA y MCT de punto único radica en el método de lectura de la señal [3][4]:

1. Escaneo del interferómetro: El espejo móvil del interferómetro FTIR se mueve, generando un interferograma, exactamente igual que en el MCT de punto único;
2. Lectura de la matriz: En cada punto de muestreo del interferograma (es decir, en cada posición del espejo móvil), los 4096 píxeles de la matriz FPA leen simultáneamente un cuadro — cada píxel registra la señal de interferencia en esa posición en ese instante;
3. Construcción del cubo de datos: Después de completar el escaneo del espejo móvil, cada píxel obtiene un interferograma completo, que mediante la transformada de Fourier se convierte en un espectro, y finalmente se construye un cubo de datos tridimensional (ver sección 3 para más detalles).

Característica clave de rendimiento: El "paralelismo" del FPA proviene de leer 4096 píxeles en una sola exposición, no de una mayor velocidad de escaneo del interferómetro. Por lo tanto, FPA y MCT de punto único utilizan el mismo interferómetro, pero la velocidad de imagen se incrementa en un factor de 4096 (teórico), aunque en la práctica es de aproximadamente 40–100 veces debido a la sobrecarga de lectura y ajustes de SNR [3][4].

Continuará en la parte 2...

二、Imágenes químicas: cada píxel es un espectro completo

2.1 Concepto de imágenes químicas

La imagen óptica tradicional (incluyendo microscopía visible, SEM/EDS) proporciona información morfológica — cada píxel en una imagen bidimensional registra una magnitud física (brillo, color, abundancia elemental). En cambio, la imagen infrarroja química con FPA se caracteriza por [3][6]:

Cada píxel lleva un espectro infrarrojo completo — ese es el verdadero significado de "imagen química".

Esto significa que a partir de un conjunto de datos FPA, el usuario puede:

• Extraer el espectro de cualquier píxel para realizar una búsqueda en bibliotecas e identificar el material en esa ubicación;
• Seleccionar cualquier pico característico (ej. 1715 cm⁻¹ del enlace C=O de éster) y trazar el mapa de intensidad de ese pico, obteniendo un "mapa de distribución de ésteres";
• Realizar clasificación quimiométrica (PCA, PLS-DA) en cada píxel, obteniendo un "mapa de clases químicas";
• Extraer espectros de diferentes ubicaciones para compararlos y estudiar la heterogeneidad química de la muestra.

2.2 Formas de presentación de imágenes químicas

Las imágenes químicas FPA suelen presentarse de tres formas [3][6]:

1. Mapa químico de un solo pico (Chemical Map):
Seleccionar un número de onda característico (ej. 1715 cm⁻¹) y mapear la absorbancia en ese número de onda de cada píxel a un color, obteniendo un mapa bidimensional de la distribución de ese compuesto. Simple e intuitivo, pero ignora la forma del pico y la información de superposición.

   ┌──────────────────────────────────────┐
   │  Mapa químico a 1715 cm⁻¹ (C=O de éster) │
   │                                       │
   │     ░░░░░░░░░░░░░░░░░░░░░░░░░░░     │  ← Rojo (fuerte): alta concentración
   │     ░░░▓▓▓▓▓░░░░░▓▓▓░░░░░░░░░░     │
   │     ░░▓▓▓▓▓▓▓▓░░░▓▓▓▓▓░░░░░░░░     │  ← Amarillo (medio): concentración media
   │     ░░▓▓▓▓▓▓▓▓░░░▓▓▓▓▓▓░░░░░░░     │
   │     ░░░▓▓▓▓▓░░░░░░▓▓▓░░░░░░░░░░     │  ← Azul (débil): baja concentración
   │     ░░░░░░░░░░░░░░░░░░░░░░░░░░░     │
   └──────────────────────────────────────┘

2. Mapa de clases (Class Image):
Realizar una búsqueda en bibliotecas o clasificación quimiométrica para cada píxel, asignando diferentes colores a diferentes materiales. Por ejemplo, en el análisis de microplásticos, PE en rojo, PP en azul, PS en verde...

3. Mapa de puntuaciones PCA (PCA Score Map):
Aplicar PCA al cubo de datos y mapear las puntuaciones de cada píxel en los componentes principales a colores, revelando la estructura de agrupamiento químico de la muestra, sin necesidad de conocer de antemano qué componentes están presentes.

2.3 Niveles de aplicación de las imágenes químicas

Tabla 2: Niveles de aplicación de las imágenes químicas FPA (Fuente: Bhargava Spectroscopy 2013 [6])

三、Cubo de datos (Data Cube): estructura de datos tridimensionales

3.1 Definición del cubo de datos

La imagen FPA produce un cubo de datos tridimensional (data cube / hypercube) [3][7]:

               Número de onda (λ) →
              ↓ 4000 3000 2000 1000 900 cm⁻¹
           ┌───────────────────────────┐
         y │  ●  ●  ●  ●  ●  ●  ●  ●  │  ← Cada posición de píxel
         ↓ │  ●  ●  ●  ●  ●  ●  ●  ●  │    (x,y) guarda un
           │  ●  ●  ●  ●  ●  ●  ●  ●  │    espectro infrarrojo completo
           │  ●  ●  ●  ●  ●  ●  ●  ●  │
           │  ●  ●  ●  ●  ●  ●  ●  ●  │
           └───────────────────────────┘
              x →

   Dimensión 1: x (espacial, píxeles)
   Dimensión 2: y (espacial, píxeles)
   Dimensión 3: λ (número de onda, canales espectrales)

Expresión matemática: I(x, y, λ) — absorbancia en la posición (x, y) y el número de onda λ.

3.2 Estimación del volumen de datos

El tamaño del cubo de datos depende del tamaño del array, el rango espectral y la resolución [3][7]:

Tabla 3: Estimación del volumen de datos FPA (Fuente: Primpke Appl Spectrosc 2020 [7])

Observación clave: El tamaño de un fotograma crece linealmente, pero el área cubierta por un fotograma también crece linealmente, por lo que para cubrir la misma área total, el volumen total de datos es aproximadamente constante (~470 GB / filtro de 47 mm) [7].

3.3 Almacenamiento y formatos de datos

Formatos de datos comunes [3][7][8]:

• Formatos propietarios de instrumentos: Bruker *.dsc / *.dmd (cubo de datos + metadatos); Agilent *.dmt / *.seq; PerkinElmer *.fsm;
• Formatos genéricos: HDF5 (recomendado por HyperSpy), ENVI, JCAMP-DX (solo espectros individuales), Matlab *.mat;
• Soporte de herramientas abiertas: HyperSpy, SpectroChemPy, OpenSpecy pueden leer los formatos principales (ver Ep 54) [8].

3.4 Operaciones de "corte" del cubo de datos

El cubo de datos se puede "cortar" desde tres dimensiones para obtener información desde diferentes perspectivas [3][6]:

   Modo de corte 1: Corte espacial (espectro individual)
   → Cortar a lo largo del eje λ en (x₀, y₀), obteniendo un espectro

   Modo de corte 2: Corte espectral (mapa químico de un solo pico)
   → Cortar en el plano (x, y) en λ₀, obteniendo un mapa químico 2D

   Modo de corte 3: Integración en un rango de números de onda (mapa químico integrado)
   → Integrar para cada píxel en el rango de λ₁ a λ₂, obteniendo un mapa químico 2D

Experiencia práctica: Los mapas químicos integrados (ej. integración de 1700–1750 cm⁻¹) tienen una relación señal-ruido (SNR) más alta que los mapas de un solo pico (solo 1715 cm⁻¹), y son una práctica común [6].

四、FPA vs MCT de punto único: comparación exhaustiva de velocidad y rendimiento

4.1 Comparación de velocidad

Tomando como referencia "escaneo de un área de 1 mm × 1 mm con paso de 5 μm" [3][7]:

| 32×32 FPA | 1,024 | ~30 s por cuadro (matriz completa en paralelo) | ~20 min | 1000× |
| 64×64 FPA | 4,096 | ~30 s por cuadro (matriz completa en paralelo) | ~5 min | 4000× |
| 128×128 FPA | 16,384 | ~30 s por cuadro (matriz completa en paralelo) | ~1.5 min | 13000× |

Tabla 4: Comparación de velocidad FPA vs MCT de punto único (referencia: 1 mm², paso de 5 μm, 4 cm⁻¹, 128 escaneos)

Nota: La aceleración real se ve afectada por la sobrecarga de lectura, el ajuste de SNR, el tiempo de mosaico, etc., los valores teóricos suelen ser reducidos en un 5-10%. Primpke et al. midieron una aceleración de 40–100 veces para FPA 64×64 en comparación con MCT de punto único [7].

4.2 SNR 对比

Tabla 5: Comparación de SNR entre FPA y MCT de punto único (fuente: Nasse Nature Methods 2011 [3])

Compensación clave: FPA intercambia SNR por velocidad. Para aplicaciones que requieren SNR extremadamente alto (como el análisis de estructura secundaria de proteínas en células individuales), el MCT de punto único o la radiación sincrotrón + MCT de punto único sigue siendo la primera opción; para aplicaciones que priorizan el rendimiento (como la detección de microplásticos en filtros completos), el FPA es la opción ideal [3][7].

4.3 空间分辨率对比

Tanto FPA como MCT de punto único están limitados por el límite de difracción, teóricamente la resolución espacial es la misma:

• Modo transmisión: ~10 μm @ 1000 cm⁻¹ (límite de difracción)
• Modo ATR (cristal de Ge): ~3 μm @ 1000 cm⁻¹

Sin embargo, la resolución real de FPA a menudo está limitada por el muestreo de píxeles (Nyquist) — el tamaño del píxel no debe ser mayor de aproximadamente λ/2. Bajo un objetivo de 15×, el píxel es de aproximadamente 5.5 μm, que para λ=10 μm (1000 cm⁻¹) está en el borde de muestreo cercano a/submuestreo, a menudo aceptable en la práctica; números de onda más bajos (longitudes de onda más largas) son más propensos a submuestreo, requiriendo cambio de aumento o aceptación de pérdida de resolución [3][7].

4.4 选型决策树

   ¿Su aplicación necesita imágenes químicas?
            │
            ├─ Sí → ¿Qué tan grande es el área?
            │       │
            │       ├─ < 100×100 μm  → MCT de punto único (área pequeña, alto SNR)
            │       │
            │       ├─ 100 μm–1 mm   → MCT de punto único o 32×32 FPA
            │       │
            │       └─ > 1 mm         → FPA (alto rendimiento necesario)
            │
            └─ No (solo medición puntual) → MCT de punto único

5. Aplicación 1: Análisis automatizado de filtros completos de microplásticos

5.1 Flujo de trabajo de FPA para detección de microplásticos

Los microplásticos (MPs) son la aplicación más clásica de la imagen química con FPA. Flujo de trabajo completo (ejemplo con Agilent 620 + 620-IRT + 64×64 FPA) [1][7][9]:

   ┌─────────────────────────────────────────────┐
   │ Paso 1: Muestreo                            │
   │   Muestra de agua/alimento/sedimento → filtración al vacío en filtro GF/F │
   │   (fibra de vidrio, 47 mm de diámetro, poro de 0.7 μm) │
   ├─────────────────────────────────────────────┤
   │ Paso 2: Digestión                           │
   │   Reactivo Fenton (H₂O₂ + Fe²⁺) para eliminar materia orgánica │
   │   Evitar interferencias de detritos biológicos │
   ├─────────────────────────────────────────────┤
   │ Paso 3: Secado                              │
   │   Horno a 60°C durante 2 h, evitar interferencia del pico de agua │
   ├─────────────────────────────────────────────┤
   │ Paso 4: Imagen FPA                          │
   │   · Modo transmisión (el filtro es transparente al IR) │
   │   · Objetivo 15×, píxel de 5.5 μm          │
   │   · FPA 64×64, cuadro individual de 350×350 μm │
   │   · Mosaico automático: ~19,000 cuadros cubren filtro de 47 mm │
   │   · 128 escaneos por cuadro, 4 cm⁻¹        │
   │   · Tiempo total de medición ~30 horas      │
   ├─────────────────────────────────────────────┤
   │ Paso 5: Procesamiento automático de datos    │
   │   · Búsqueda automática en biblioteca con siMPle / OpenSpecy │
   │   · Bibliotecas candidatas: PE/PP/PS/PET/PA/PVC/PAN/PC/PMMA │
   │   · HQI > 0.85 se considera positivo        │
   │   · Salida: posición de partícula + tamaño + tipo de polímero │
   ├─────────────────────────────────────────────┤
   │ Paso 6: Informe                              │
   │   · Número total de partículas, distribución de tamaños │
   │   · Distribución de tipos de polímero (gráfico circular) │
   │   · Mapa de clases químicas (codificado por colores) │
   └─────────────────────────────────────────────┘

5.2 siMPle y OpenSpecy: herramientas de análisis automático de código abierto

El procesamiento automático de datos FPA de microplásticos depende de software especializado [8][9]:

siMPle (versión independiente, desarrollado por MFVPI, Alemania) [9]:

• Basado en Matlab, búsqueda automática en biblioteca + recuento de partículas;
• Soporta múltiples formatos de datos FPA (Bruker, Agilent, PerkinElmer);
• Proporciona biblioteca de referencia (PRIMPKE_A pristine polymer database);
• Adecuado para uso en laboratorios de investigación.

OpenSpecy (versión en línea, desarrollado por Cowger et al., 2021) [8]:

• Plataforma web, sin necesidad de instalación;
• Admite la carga de cubos de datos FPA;
• Biblioteca de referencia dinámica incorporada (compartida por la comunidad);
• Código abierto (GitHub), admite desarrollo secundario;
• Adecuado para colaboración interinstitucional y enseñanza.

5.3 Resultados típicos de investigación de microplásticos

Estudio 1: Microplásticos en envases de comida para llevar en China (Zhou et al., 2022) [1]:

• Muestras: 5 tipos de envases para llevar (PP/PS/PET/PE/PLA);
• Método: Imagen FPA de filtro completo;
• Resultados: Se detectaron 10,000–110,000 microplásticos por envase, tamaño de partícula 11 μm–5 mm;

• Polímeros principales: consistentes con el envase (los envases de PP liberan partículas de PP);

• Estimación: cada comida para llevar ingiere 3–700 microplásticos.

Estudio 2: Verificación de microplásticos en agua potable de Portugal (Cordeiro et al. 2025) [10]:

• Muestra: 30 muestras de agua del grifo de 5 ciudades;
• Método: μ-FTIR (con FPA) + metodología de validación;
• Resultados: promedio de 0,7–14 microplásticos por litro (< 5 partículas/L como umbral de seguridad);
• Polímeros principales: PE, PP, PET (consistentes con tuberías de agua y agua embotellada);
• Contribución metodológica: propuesta de marco de validación LOD/LOQ para detección de microplásticos con μ-FTIR.

Estudio 3: Estudio LDIR de bebidas carbonatadas en múltiples ciudades (Wang & Wang 2024) [11]:

• Muestra: 36 bebidas carbonatadas de 6 ciudades;
• Método: LDIR (Agilent 8700, imágenes infrarrojas por láser: QCL + escaneo rápido de un solo punto, no la misma tecnología que la imagen de matriz interferométrica FPA);
• Resultados: 5,000–80,000 microplásticos por litro de bebida;
• Polímeros principales: PET (botella), PE (tapa), PA (membrana de filtración).

🔗 Lectura adicional: Páginas de grupos funcionales de ftir.fun para polímeros comunes de microplásticos:

• Estiramiento CH₂ de PE/PP a 2920/2850 cm⁻¹ → C-H alquílico
• Vibraciones del esqueleto del anillo aromático de PS a 1495/1452 cm⁻¹ + flexión fuera del plano de benceno monosustituido a 757/698 cm⁻¹ → Anillo aromático
• C=O de éster de PET a 1715 cm⁻¹ + C-O a 1240 cm⁻¹ → Éster
• Amida I/II de PA a 1640/1540 cm⁻¹ → Amida
• CH-Cl de PVC a 1250 cm⁻¹ + C-Cl a 690 cm⁻¹ → Cloro
• C=O de éster de PMMA a 1730 cm⁻¹ + C-O a 1150 cm⁻¹ → Metacrilato

Sexta parte: Caso de aplicación 2: Imágenes químicas de cortes de tejido

6.1 ¿Por qué usar FPA para imágenes de tejido?

Los tejidos biológicos son naturalmente químicamente heterogéneos: en un mismo corte hay células, matriz extracelular, regiones ricas en lípidos y agregados de proteínas. La imagen química con FPA permite [12][13]:

• Sin marcaje (sin necesidad de anticuerpos ni sondas fluorescentes);
• No destructivo (no daña la muestra);
• Obtener simultáneamente la distribución de múltiples componentes como proteínas, lípidos, ácidos nucleicos y glucógeno;
• Comparación directa con imágenes de tinción histológica H&E.

6.2 Preparación de muestras de tejido

La preparación de cortes de tejido para imágenes FPA es más compleja que para microplásticos [12][13]:

1. Corte congelado: tejido fresco → inclusión en OCT → corte congelado de 8–10 μm;
2. Selección del sustrato: ventanas de BaF₂ o CaF₂ (transparentes al IR, bajo fondo);
3. Evitar fijación con aldehídos: la formalina introduce interferencias C-H;
4. Evitar agua: secar al vacío durante 30 min antes de la medición;
5. Marca de alineación: hacer una muesca física en la esquina de la ventana para alinear con la imagen H&E.

6.3 Información química clave

Las principales características de biomoléculas en imágenes FPA de cortes de tejido [12][13][14]:

Tabla 6: Picos característicos de biomoléculas clave en imágenes FPA de tejido

🔗 Lectura adicional: Páginas de grupos funcionales centrales en imágenes químicas de tejido:

• Estructura secundaria de proteínas (Amida I): Proteína, α-hélice, Lámina β, Bobina aleatoria
• Lípidos: Lípido, Ácido graso, Fosfolípido
• Ácidos nucleicos: Ácido nucleico
• Glucógeno y carbohidratos: Carbohidrato

6.4 Caso de diagnóstico de cáncer

En 2015, el equipo de Baker de la Universidad de Mánchester (Reino Unido) revisó en Chemical Society Reviews la aplicación de FPA en el diagnóstico de cáncer [13]:

Diseño del estudio:

• Muestra: cortes de tejido de cáncer de mama (n=120, incluyendo normal/carcinoma in situ/carcinoma invasivo);
• Método: imágenes FPA (64×64, píxel de 5.5 μm) + clasificación PCA/LDA;
• Hallazgos clave:
  • En tejido canceroso, el centro de Amida I se desplazó de 1654 cm⁻¹ (dominio α-hélice) a 1632 cm⁻¹ (dominio lámina β), reflejando cambios en la estructura secundaria de proteínas durante la transformación maligna;
  • La relación lípido/proteína (1740/1650) disminuyó en tejido canceroso, reflejando anomalías en el metabolismo lipídico;
  • La relación ácido nucleico/proteína (1080/1650) aumentó, reflejando agrandamiento nuclear y aumento del contenido de ADN en células cancerosas;
• Precisión diagnóstica: el modelo LDA alcanzó 92% en el conjunto de validación, comparable a la interpretación de patólogos.

Trabajos similares se han realizado en cáncer de pulmón [14], colon, próstata, glioma cerebral y otros tipos de cáncer; la imagen FPA se considera un complemento importante para la patología futura [13].

6.5 Photizo: Herramienta de patología de código abierto

En 2022, el laboratorio Dendrou de la Universidad de Oxford publicó Photizo, una herramienta de código abierto diseñada específicamente para imágenes de patología con FTIR [15]:

• Implementado en Python, compatible con cubos de datos FPA;
• Preprocesamiento integrado (línea base, normalización), PCA, agrupamiento K-means, PLS-DA;
• Genera mapas químicos, mapas de clases e indicadores estadísticos;
• Adecuado para patólogos sin experiencia en programación;
• GitHub: https://github.com/DendrouLab…

Photizo es una herramienta representativa para la implementación de FPA en el campo biomédico, reduciendo la barrera de entrada a la investigación [15].

Séptima parte: Desafíos de procesamiento de datos y quimiometría

7.1 Desafío de grandes datos

Los desafíos "4V" de los datos FPA [3][7][8]:

• Volumen: de GB a TB por experimento, acumulación anual de PB;
• Velocidad: un solo cuadro FPA genera 25–100 MB, requiere procesamiento en tiempo real;
• Variedad: formatos de múltiples fabricantes, múltiples dimensiones (espacial + espectral + temporal);
• Veracidad: bajo SNR, interferencia atmosférica, deriva de línea base que requieren corrección píxel por píxel.

7.2 Flujo de preprocesamiento

Flujo típico de preprocesamiento de datos FPA (cada píxel se procesa de forma independiente) [3][8]:

   Cubo de datos original
        │
        ▼
   1. Eliminación atmosférica (CO₂ + vapor de agua)
      · Resta de referencia / EMSC / VaporFit
        │
        ▼

1. Corrección de línea base (píxel a píxel)
   · Rubber band / Polinomio / ALS

    │
    ▼
   

   1. Corrección ATR (si aplica)
      · Compensar la profundidad de penetración dependiente de la longitud de onda
      │
      ▼
   2. Normalización
      · Normalización por área / SNV / MSC
      │
      ▼
   3. Suavizado / Derivada
      · Savitzky-Golay / Derivada de segundo orden
      │
      ▼
   4. Selección de banda de características
      · Reducir la dimensionalidad de los datos
      ```

Herramientas clave: HyperSpy, SpectroChemPy, pybaselines (ver Ep 53–54).

7.3 Análisis quimiométrico

Después del preprocesamiento, el cubo de datos ingresa al análisis quimiométrico [3][6][8]:

1. Análisis de Componentes Principales (PCA):

• Trata cada píxel como una muestra y todos los canales de número de onda como variables;
• Reducción de dimensionalidad: 4000 números de onda → 5–10 componentes principales;
• Salida: mapa de puntuaciones PCA (cada componente principal corresponde a un mapa químico), espectros de carga (revelan la información química representada por los componentes principales);
• Uso: agrupamiento no supervisado, descubrimiento de componentes químicos desconocidos.

2. Resolución Multivariante de Curvas (MCR-ALS):

• Descompone el cubo de datos en espectros de componentes puros + mapas de concentración;
• Salida: espectro químico de cada componente + mapa de distribución bidimensional;
• Ventaja: puede resolver picos superpuestos, separar píxeles mixtos.

3. Análisis Discriminante por Mínimos Cuadrados Parciales (PLS-DA):

• Clasificación supervisada, requiere conjunto de entrenamiento etiquetado;
• Salida: etiqueta de clase de cada píxel (ej. "cáncer" vs "normal");
• Uso: discriminación de tipos de microplásticos, clasificación histopatológica.

4. Aprendizaje Profundo (CNN):

• Trata el cubo de datos como una imagen multicanal (cada número de onda es un canal);
• Utiliza CNN para aprender automáticamente características químicas;
• Dirección de vanguardia, adecuada para conjuntos de datos etiquetados a gran escala (ver Ep 44).

7.4 Ejemplo de flujo de trabajo en OpenSpecy

OpenSpecy como plataforma de análisis de microplásticos de código abierto [8], su flujo de trabajo:

   1. Cargar cubo de datos FPA (.dmd / .seq / .mat / ENVI)
        │
        ▼
   2. Preprocesamiento automático (sustracción atmosférica, corrección de línea base, normalización)
        │
        ▼
   3. Identificación de partículas (segmentación por umbral → límites de partículas)
        │
        ▼
   4. Espectro promedio por partícula
        │
        ▼
   5. Búsqueda en biblioteca (biblioteca dinámica de OpenSpecy, con más de 10000 espectros de polímeros)
        │
        ▼
   6. Informe de salida (número de partículas, distribución de tamaño, tipo de polímero, mapa químico)

La naturaleza abierta de OpenSpecy lo convierte en una de las herramientas "estándar de facto" para la investigación de microplásticos [8].

Ocho. Limitaciones y desarrollo futuro de las imágenes FPA

8.1 Limitaciones actuales

1. SNR menor que MCT de punto único: el flujo de luz por píxel es limitado, desfavorable para muestras de baja absorción [3];
2. Rango de números de onda limitado: la mayoría de FPA cubren 4000–900 cm⁻¹, el infrarrojo lejano (< 900 cm⁻¹) requiere detectores especiales [4][5];
3. Crosstalk entre píxeles: existe fuga de señal óptica entre píxeles adyacentes, afectando la resolución real [3];
4. Explosión de datos: un solo experimento genera GB–TB, el almacenamiento y procesamiento son un desafío de ingeniería [7][8];
5. Alto costo: el detector FPA 64×64 cuesta $50,000–150,000, 128×128 es más caro;
6. Dificultad con sincrotrón + FPA: FPA requiere iluminación uniforme, mientras que el haz de sincrotrón es pequeño y de brillo no uniforme, necesitando óptica especial [3].

8.2 Direcciones de desarrollo futuro

1. Matrices más grandes: comercialización de matrices 256×256, 512×512, cubriendo área mayor por cuadro;
2. FPA a temperatura ambiente: basado en superredes Tipo II o versiones mejoradas de MCT, sin necesidad de nitrógeno líquido, adecuado para campo [4];
3. FPA de escaneo rápido: velocidad de cuadro 100+ fps, soporta imágenes químicas resueltas en tiempo (ver Ep 40);
4. Análisis automático por IA: aprendizaje profundo para identificar partículas automáticamente, clasificar polímeros, reduciendo intervención manual [8];
5. Imagen por infrarrojo láser LDIR: como Agilent 8700 usa láser de cascada cuántica (QCL) + detector de punto único + escaneo rápido, a menudo más rápido que FPA (sin barrido tradicional de interferómetro), es un competidor fuerte en microplásticos, pero no es una "tecnología equivalente" a FPA [11];
6. Colaboración en la nube: plataformas en la nube como OpenSpecy permiten compartir datos y modelos entre múltiples instituciones [8].

8.3 FPA vs LDIR: competencia emergente

Tabla 7: Comparación FPA vs LDIR (fuente: Wang & Wang Heliyon 2024 [11])

LDIR es el principal competidor de FPA en el campo de microplásticos, ambos tienen ventajas, y la cuota de mercado cambiará dinámicamente en los próximos 5 años [11].

Figuras (esquemas clave de este episodio)

📷 Figura 1: Esquema de imagen microscópica / de matriz
Fuente: Imagen real / de código abierto · Unsplash — microscopio/laboratorio (con marca de agua ftir.fun)

📷 Figura 2: Cadena de métodos avanzados
Fuente: Imagen real / de código abierto · Activo de proyecto — foto FTIR + ATR (con marca de agua ftir.fun)

📷 Figura 3: Esquema de picos característicos relacionados con técnicas avanzadas
Fuente: Diagrama instructivo de ftir.fun (con marca de agua; no es espectro real, solo para comprensión conceptual)

Resumen de este episodio

| Limitaciones principales | Baja SNR, rango de número de onda limitado, diafonía de píxeles, gran volumen de datos, alto costo |
| Competencia de LDIR | Láser QCL + detector de punto único, mayor SNR, es un fuerte competidor de FPA en el campo de los microplásticos |

Preguntas de reflexión

1. Al medir un filtro de membrana de 47 mm con un FPA de 64×64, se necesitan aproximadamente 19,000 mosaicos y el volumen total de datos es de ~470 GB. Diseñe un plan de almacenamiento y procesamiento de datos: incluya la estrategia de almacenamiento de datos brutos, el pipeline de preprocesamiento y el flujo de trabajo automatizado para la generación del informe final. Si se cambia a un FPA de 128×128, ¿cómo cambiarían el volumen de datos, el número de mosaicos y el tiempo por mosaico?

2. En la imagen FPA de cortes de tejido, el centro de la Amida I en el tejido canceroso se desplaza al rojo de 1654 cm⁻¹ a 1632 cm⁻¹. Explique qué cambio en la estructura secundaria de las proteínas refleja esto. ¿Por qué este cambio está relacionado con la transformación maligna? ¿Cómo se pueden usar las derivadas de segundo orden para mejorar la resolución de las sub-bandas de la Amida I?

3. La SNR de un solo píxel de FPA es menor que la de un detector MCT de punto único, debido a "el bajo flujo luminoso por píxel". Explique desde principios ópticos por qué la energía infrarroja recibida por un solo píxel de FPA es menor que la de un MCT de punto único. ¿Qué impacto tiene esto en el límite de detección (LOD) para el análisis de microplásticos?

4. Compare las ventajas y desventajas de FPA y LDIR en el análisis de microplásticos. Si usted es el director de una estación de monitoreo ambiental, con un presupuesto de 300,000 USD y necesita procesar 1000 muestras de agua al año, ¿qué tecnología elegiría? ¿Por qué?

5. Diseñe un experimento con FPA para estudiar la estructura de separación de fases de un corte de mezcla de polímeros (PE/PP 70:30) de 5 mm × 5 mm. Especifique la preparación de la muestra, los parámetros del FPA (matriz, objetivo, tamaño de píxel), la estimación del tiempo de escaneo y el flujo de procesamiento de datos (incluyendo cómo distinguir PE de PP).

Referencias

[1] Zhou X, Wang J, Ren J. "Analysis of Microplastics in Takeaway Food Containers in China Using FPA-FTIR Whole Filter Analysis." Molecules, 2022, 27(9): 2646. DOI:10.3390/molecules27092646

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

[3] Nasse M J, Walsh M J, Mattson E C, et al. "High-Resolution Fourier-Transform Infrared Chemical Imaging with Multiple Synchrotron Beams." Nature Methods, 2011, 8(5): 413–416. DOI:10.1038/nmeth.1580

[4] Bruker Optik GmbH. Hyperion 3000 FTIR Microscope User Manual. 2020.
https://www.bruker.com/en/pro…

[5] Agilent Technologies. 620 FTIR Imaging System Specifications. 2021.
https://www.agilent.com/en/pr…

[6] Bhargava R. "Infrared Spectroscopic Imaging: The Next Generation." Applied Spectroscopy, 2013, 66(10): 1091–1120. DOI:10.1366/12-06701

[7] Primpke S, Fischer M, Lorenz C, et al. "Comparison of Imaging and FTIR Microscopy Applied for the Analysis of Microplastics in Environmental Samples." Applied Spectroscopy, 2020, 74(9): 1185–1197. DOI:10.1177/0003702820922969

[8] Cowger W, Steinmetz Z, Gray A, et al. "Microplastic Spectral Classification Needs Open Source Tools: Introducing OpenSpecy." Analytical Chemistry, 2021, 93(32): 11184–11193. DOI:10.1021/acs.analchem.1c01349

[9] Primpke S, Wirth M, Lorenz C, Gerdts G. "Reference Database Design for the Automated Analysis of Microplastic Samples Based on Fourier Transform Infrared (FTIR) Microscopy." Analytical and Bioanalytical Chemistry, 2018, 410(21): 5131–5141. DOI:10.1007/s00216-018-1156-x

[10] Cordeiro R D M et al. "Validation of an FT-IR Microscopy Method for the Monitorization of Microplastics in Water for Human Consumption in Portugal." Environmental Science and Pollution Research, 2025, 32(28): 16823–16844. DOI:10.1007/s11356-024-33966-8

[11] Wang Y, Wang Y. "Assessing Microplastic Contamination in Soda Beverages Using LDIR." Heliyon, 2024, 10(12): e32805. DOI:10.1016/j.heliyon.2024.e32805

[12] Lasch P, Naumann D. "Spatial Resolution in Infrared Microspectroscopic Imaging of Tissues." Biochimica et Biophysica Acta — Biomembranes, 2006, 1758(7): 814–829. DOI:10.1016/j.bbamem.2006.06.008

[13] Baker M J, Trevisan J, Bassan P, et al. "Using Fourier Transform IR Spectroscopy to Analyze Biological Materials." Nature Protocols, 2014, 9(8): 1771–1791. DOI:10.1038/nprot.2014.110

[14] Hughes C, Baker M J. "Can Mid-Infrared Biomedical Spectroscopy of Healthy, Diseased and Cancerous Tissues Contribute to Treatment?" Analyst, 2016, 141(2): 467–475. DOI:10.1039/C5AN01858G

[15] Pember B, Smith K, Dendrou C A. "Photizo: An Open-Source Computational Tool for FTIR Histopathology." Bioinformatics, 2022, 38(13): 3490–3491. DOI:10.1093/bioinformatics/btac346

[16] ftir.fun Página del grupo funcional alquil C-H. https://ftir.fun/ir/group/alk…

[17] ftir.fun Página del grupo funcional éster. https://ftir.fun/ir/group/est…

[18] ftir.fun Página del grupo funcional amida. https://ftir.fun/ir/group/ami…

[19] ftir.fun Página del grupo funcional proteína. https://ftir.fun/ir/group/pro…

[20] ftir.fun Página del grupo funcional proteína α-hélice. https://ftir.fun/ir/group/pro…

[21] ftir.fun Página del grupo funcional proteína β-lámina. https://ftir.fun/ir/group/pro…

[22] ftir.fun Página del grupo funcional proteína enrollamiento aleatorio. https://ftir.fun/ir/group/pro…

[23] ftir.fun Página del grupo funcional lípido. https://ftir.fun/ir/group/lip…

[24] ftir.fun Página del grupo funcional fosfolípido. https://ftir.fun/ir/group/pho…

[25] ftir.fun Página del grupo funcional ácido nucleico. https://ftir.fun/ir/group/nuc…

[26] ftir.fun Página del grupo funcional carbohidrato. https://ftir.fun/ir/group/car…

[27] ftir.fun Página del grupo funcional anillo aromático. https://ftir.fun/ir/group/aro…

[28] ftir.fun Página del grupo funcional cloro. https://ftir.fun/ir/group/chl…

[29] ftir.fun Página del grupo funcional metacrilato. https://ftir.fun/ir/group/met…

Avance del próximo episodio: Ep 38 — Fuente de infrarrojos de radiación sincrotrón: superluminosa, superresolución
En este episodio hemos visto cómo el FPA supera el cuello de botella del flujo mediante "medición paralela". El próximo episodio se centrará en otro "amplificador de rendimiento": la fuente de infrarrojos de radiación sincrotrón. Explicaremos las propiedades físicas de la radiación sincrotrón (espectro amplio, alta luminosidad, alta colimación), compararemos su mejora de SNR de 10 a 100 veces respecto a las fuentes de cuerpo negro convencionales, presentaremos las principales estaciones de infrarrojos sincrotrón en el mundo (SOLEIL, ALS, SSRF) y, mediante casos de imágenes de células individuales y caracterización de nanomateriales, mostraremos cómo la radiación sincrotrón lleva el μ-FTIR al límite de difracción.

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