Modelado quimiométrico con señales instrumentales de segundo orden. Aplicación a la determinación de fármacos y aditivos alimentarios en muestras complejas

Abstract

En la presente tesis se desarrollaron métodos de análisis que permitieron determinar especies químicas que formaban parte de muestras complejas, como fármacos y sus metabolitos en materiales biológicos, en preparaciones farmacéuticas y muestras ambientales, y aditivos en muestras alimenticias. Este desafío se pudo concretar satisfactoriamente gracias a la implementación de algoritmos quimiométricos adecuados, que permitieron extraer información relevante de cada muestra y cuantificar los analitos, aún en presencia de interferencias no modeladas. El eje principal de este trabajo se centró en la utilización de datos de segundo orden, procesados mediante algoritmos quimiométricos que aportaran la ventaja de segundo orden, con el objetivo de desarrollar metodologías que permitieran resolver de manera eficiente los diferentes problemas analíticos. Los sistemas analizados involucran el uso de datos de segundo orden que, en algunos casos, presentan una relación señal-concentración lineal y en otros no lineal, con respecto al analito de interés. La clase de datos implicados condicionó el tipo de modelo implementado, el que fue seleccionado entre los algoritmos PARAFAC, U-PLS/RBL y MCR-ALS para resolver sistemas lineales, y U-PCA/RBL, seguido de la aplicación de diferentes redes neuronales artificiales, para resolver sistemas no lineales.

In this thesis were developed methods of analysis for determining chemical species that were part of complex samples such as drugs and metabolites in biological materials and pharmaceuticals in environmental samples, and additives in food samples. This challenge could be concretized through the successful implementation of appropriate chemometric algorithms, which allow extracting relevant information from each sample and quantify analytes even in the presence of non-modeled interferences. The main focus of this work was based on the use of second-order data processed by chemometric algorithms, which brings the benefits of the second order advantage, with the aim of developing methodologies which could efficiently solve various analytical problems. The analyzed systems involve the use of second order data which, in some cases, have a linear and in other non-linear signal-concentration relationship with respect to the analyte of interest. The kind of data involved determined the type of model implemented, which was selected among the algorithms PARAFAC, MCR-ALS and U-PLS/RBL for solving linear systems, and U-PCA/RBL coupled to different artificial neural networks, to solve nonlinear systems.