Un modelo de red de datos previos tabulares linealmente restringidos de múltiples vistas (MLC-TabPFN) para la...

Área de la Ciencia:

• Química Analítica
• Ciencias Ambientales
• Biotecnología

Sus antecedentes:

• La cuantificación precisa del arsénico (As) en plantas hiperacumuladoras como Pteris vittata es crucial para evaluar la eficiencia de la fitorremediación.
• La espectroscopia de desglose inducido por láser (LIBS) ofrece un análisis rápido pero enfrenta desafíos con los efectos de la matriz biológica y los modelos quimiométricos convencionales.
• Los métodos existentes luchan por lograr una alta precisión debido a la complejidad de la composición de las muestras.

Objetivo del estudio:

• Desarrollar un modelo cuantitativo novedoso y de alta precisión para la detección de arsénico en Pteris vittata mediante LIBS.
• Superar las limitaciones de los enfoques quimiométricos tradicionales en matrices biológicas complejas.
• Integrar el aprendizaje basado en datos con principios basados en el conocimiento para mejorar el rendimiento analítico.

Principales métodos:

• Desarrollo y aplicación del modelo de red de datos previos tabulares linealmente restringidos de múltiples vistas (MLC-TabPFN).
• Integración de un módulo de restricción lineal (LC) para incorporar priors físicos (correlación positiva entre la intensidad espectral y la concentración).
• Implementación de un módulo de fusión de múltiples vistas para combinar espectros originales y derivados (primer y segundo orden).

Principales resultados:

• El modelo base TabPFN superó a PLSR con un mayor coeficiente de determinación de predicción (R²p = 0,956 frente a 0,933).
• El módulo LC redujo el error porcentual absoluto medio (MAPEp) del 8,537 % al 7,641 % (R²p = 0,971).
• El modelo final MLC-TabPFN logró un R²p superior de 0,981, con un RMSEp de 40,189 mg/kg y un MAPEp de 6,249 %.

Conclusiones:

• El marco propuesto MLC-TabPFN ofrece una solución superior para el análisis LIBS de alta precisión de arsénico en matrices biológicas complejas.
• La combinación sinérgica de aprendizaje automático avanzado y conocimiento del dominio físico mejora significativamente la precisión analítica.
• Este enfoque valida el potencial de mejorar la evaluación de la eficacia de la fitorremediación mediante la cuantificación precisa de elementos.