Úselo cuando las réplicas y las muestras independientes sean importantes para la conclusión científica, no cuando solo necesite identificar un espectro desconocido.
Lote de investigación · Guía
Lote de investigación · FTIR.fun
Lote de investigación — Cómo usarlo
Utilice Lote de investigación cuando su pregunta científica dependa de una serie de espectros FTIR en lugar de un solo archivo: tratamientos, concentraciones, formulaciones, puntos temporales o grupos biológicos con réplicas. El flujo de trabajo mantiene visible la estructura del estudio mientras pasa de los patrones de los grupos a las regiones espectrales que los sustentan.
La similitud, el PCA, la agrupación y las diferencias entre picos son distintas perspectivas del mismo estudio y deben interpretarse conjuntamente.
Exporta los valores en lugar de depender de capturas de pantalla, manteniendo disponibles la asignación de muestras y la evidencia espectral para los coautores o análisis posteriores.
Qué hace este banco de trabajo
- Organiza muchos espectros en muestras, réplicas y clases opcionales.
- Compara los espectros y las medias de los aislados mediante métricas de similitud.
- Ejecuta un PCA para mostrar los principales patrones de variación en todo el lote.
- Construye una agrupación UPGMA para mostrar las relaciones relativas entre las muestras.
- Resalta los picos que difieren entre los grupos definidos.
- Puede construir un modelo de clases de tipo SIMCA cuando haya al menos 5 aislados independientes por clase.
Cuándo usar Research Batch
- Series de formulaciones, grupos de tratamiento, puntos temporales o grupos biológicos.
- Comprobaciones de consistencia entre réplicas dentro de un experimento.
- Revisión exploratoria de patrones, agrupaciones y valores atípicos.
- Identificación de las bandas que contribuyen a las diferencias entre grupos predefinidos.
Importante: Research Batch proporciona evidencia numérica exploratoria. La separación de grupos en PCA o mediante agrupamiento no constituye, por sí sola, una prueba de identidad química ni de causalidad.
El flujo de trabajo en cuatro pasos
1Cargar espectrosCarga los archivos FTIR de tu estudio. Se pueden añadir varios archivos en un solo lote.
2Describe las muestrasAsigne cada archivo a una muestra, réplica o aislado, y una etiqueta de clase opcional. Para lotes más grandes, utilice la opción de CSV de metadatos.
3Ejecutar el análisisEl banco de trabajo calcula la similitud, el PCA, la agrupación y las diferencias entre picos utilizando la configuración seleccionada.
4Revisar y exportarInspeccione los gráficos y las tablas, y luego exporte los resultados numéricos para realizar estadísticas independientes o elaborar informes.
Asignación de muestras y réplicas
Utiliza identificadores de muestra que tengan sentido fuera del software. Las réplicas deben representar mediciones repetidas de la misma muestra; los aislados independientes deben seguir siendo distinguibles cuando representen unidades experimentales separadas.
- ID de muestra — Un nombre estable para la muestra o la unidad experimental.
- Réplica / aislado — Utilice los campos de asignación para mantener correctamente agrupadas las mediciones repetidas y las muestras independientes.
- Etiqueta de clase — Grupo predefinido opcional, como Control, Tratamiento o grupo de formulación.
Rango de análisis y normalización
Rango de huella dactilar: El rango de análisis predeterminado es 1800–900 cm⁻¹. Cámbielo cuando su protocolo requiera una región diferente; los picos fuera del rango seleccionado no se utilizan en esos cálculos.
Normalización: La normalización vectorial es la opción predeterminada. SNV también está disponible cuando resulta adecuada para su conjunto de datos. Mantenga constante el preprocesamiento en todos los espectros que pretenda comparar.
Qué significan las pestañas de resultados
- Matriz de similitud — Comparación por pares de espectros o medias de aislados utilizando las métricas de similitud o distancia disponibles.
- PCA & SIMCA — Las puntuaciones de PCA y la varianza explicada; los diagnósticos del modelo de clase se muestran cuando los datos cumplen los requisitos del modelo de clase.
- Agrupamiento — Dendrograma UPGMA que muestra las relaciones relativas en el espacio de características analizado.
- Diferencias de picos — Las bandas con las diferencias de grupo más marcadas y la evidencia estadística disponible.
- Muestras — Los archivos y metadatos utilizados en el análisis.
Modelo de clases de estilo SIMCA
El modelo de clases requiere al menos 5 aislados independientes por clase. Es un modelo de calibración construido a partir de los datos del lote, no un clasificador validado de forma independiente. Utilice una validación externa antes de considerar el modelo como un método de clasificación predictiva.
Exportar resultados
Utilice exportaciones CSV, Excel o JSON para conservar los resultados numéricos y continuar el análisis fuera de FTIR.fun. Los valores exportados son más adecuados que las capturas de pantalla para realizar estadísticas independientes y mantener registros.