Análisis rápido de copolímero de espectros de masa no resueltos por inteligencia artificial

Área de la Ciencia:

• Química de los polímeros
• Química analítica
• Espectroscopia

Sus antecedentes:

• La espectrometría de masas de baja resolución, particularmente el tiempo de vuelo (TOF), presenta desafíos para determinar la composición del copolímero debido a los picos superpuestos a pesos moleculares más altos.
• La caracterización precisa de la estructura del copolímero es crucial para comprender las propiedades y el rendimiento del material.

Objetivo del estudio:

• Desarrollar un nuevo método simplificado de análisis de datos para determinar la composición del copolímero a partir de espectros de masa de baja resolución.
• Ampliar el rango de peso molecular accesible para un análisis confiable del copolímero.
• Para extraer información oculta de los picos espectrales de masa sin resolver.

Principales métodos:

• Desarrollo de las relaciones de regresión entre los parámetros espectrales y las características del copolímero (fracción molar, recuento de unidades de repetición, distribución de monómeros).
• Construcción de dos modelos de regresión: uno utilizando estadísticas convencionales y otro utilizando una red neuronal artificial (ANN).
• Demostración y validación mediante el uso de copolímeros de bloque de poli (N-acrilamorfolina) y poli (N-isopropilacrilamida) (PNAM-b-PNIPAM).

Principales resultados:

• El nuevo método determina con éxito la composición del copolímero a partir de espectros de masa de baja resolución, incluso en regiones de masa más altas.
• El enfoque extrae efectivamente información de picos superpuestos, superando las limitaciones del análisis tradicional.
• Validado con datos experimentales y un método computacionalmente intensivo, que muestra una precisión comparable con una complejidad reducida.

Conclusiones:

• El método de análisis de datos presentado ofrece un enfoque simplificado y eficaz para la determinación de la composición del copolímero mediante espectrometría de masas de baja resolución.
• Esta técnica mejora la capacidad de analizar arquitecturas de polímeros complejos, particularmente a pesos moleculares más altos.
• El uso de modelos estadísticos y de aprendizaje automático proporciona flexibilidad y robustez para diversas aplicaciones.