InRA corresponde a una interfaz gráfica de usuario desarrollada bajo el entorno MATLAB y conformada por archivos ejecutables en formato .m. Su desarrollo tiene como propósito automatizar el flujo analítico asociado al procesamiento, alineamiento y análisis quimiométrico de espectros 1H RMN a través de la incorporación de algoritmos especializados y ciertas adaptaciones específicas de metodologías reconocidas. Actualmente, InRA se encuentra en su versión 1.0 y se encuentra bajo la modalidad de software de libre acceso (open source). La interfaz se organiza en cuatro módulos principales los cuales actúan de manera secuencia y complementaria dentro del flujo analítico: 1.- Preprocessing: Permite importar un conjunto de espectros 1H RMN en formato .csv, .xlsx o .xls. Incluye herramientas de eliminación de señales no deseadas, normalización y una versión adaptada del algoritmo icoshift, el cual posibilita el alineamiento espectral automático mediante opciones gráficas intuitivas. 2.- Interval-based detection: Incluye un algoritmo desarrollado íntegramente por nuestro equipo como aporte innovador, compuesto de tres subprocesos llamados: detección de máximos y mínimos, delimitación de intervalos y corrección de intervalos. Este algoritmo fue diseñado para operar exclusivamente en función de la información espectral, sin depender de bibliotecas internas o parámetros instrumentales. 3.- Resonance Integration: Implementa una adaptación del método Multivariate Curve Resolution (MCR) el cual permite obtener información cualitativa y cuantitativa a partir de las señales (intervalos) previamente identificados. Además, el modulo permite visualizar resultados de manera intuitiva, estimar errores de modelamiento y evaluar la calidad de ajuste. 4.- Unsupervised Analysis: Incorpora principalmente el algoritmo Principal Component Analysis (PCA) para la evaluación cualitativa de fuentes de variabilidad y agrupamiento entre muestras. Contiene opciones de visualización específicas y parámetros estadísticos que facilitan la validación del modelo y la interpretación de resultados.

Qué problema resuelve esta capacidad

La espectroscopía de resonancia magnética nuclear protónica (1H RMN) es una técnica analítica que permite evaluar la variabilidad química de matrices complejas (por ejemplo, alimentos o biofluidos) y proporciona información detallada sobre la estructura molecular de diversos compuestos en un solo ensayo1,2. Dichas características la convierten en una herramienta importante para abordar problemáticas asociadas a origen, trazabilidad, calidad e incluso el diagnóstico de enfermedades. Sin embargo, la información espectral obtenida mediante 1H RMN es altamente compleja, lo que dificulta su interpretación directa. Por ello, resulta indispensable aplicar un procesamiento espectral riguroso, complementado con herramientas quimiométricas (machine learning) que permitan reducir la variabilidad inherente de la técnica y extraer información relevante.3 A pesar de la existencia de flujos de trabajo estandarizados para este tipo de técnica, la ejecución práctica de estos procedimientos suele ser predominantemente manual, demandando una alta intervención y experiencia por parte del usuario. Asimismo, la realización de un análisis completo requiere la integración de múltiples plataformas de software o conocimientos avanzados en programación, lo que limita la accesibilidad y reproducibilidad de los resultados4. Estas limitaciones evidencian la necesidad de contar con soluciones versátiles que permitan optimizar y unificar el flujo de trabajo analítico. En este marco, Interval Resonance Analysis (InRA) surge como una interfaz gráfica de usuario (GUI) creada para realizar una canalización analítica completa, desde el procesamiento espectral hasta la interpretación directa de resultados, mediante la implementación de algoritmos especializados y opciones gráficas intuitivas. Por otro lado, InRA constituye una herramienta viable para la identificación de fuentes de variación preservando aquella información espectral relevante para el analista. Su flujo de trabajo ha sido diseñado para facilitar su implementación a diversos objetivos de estudio sin depender de las características particulares de una determinada muestra, además de ofrecer opciones accesibles principalmente para usuarios no expertos como expertos.

Cuáles son las ventajas competitivas de esta capacidad

Atributos Solución “InRA” Solución comercial 1 “Sigma” Solución comercial 2 “NMRProcFlow” Solución comercial 3 “MVAPACK” Procesamiento espectral Incluye opciones para remoción de señales, eliminación de espectros, segmentación espectral (bucketing), normalización y definición de rango espectral. No incorpora Incluye opciones para remoción de señales, eliminación de espectros, segmentación espectral (bucketing), normalización y definición de rango espectral. No incorpora Incluye opciones para remoción de señales, eliminación de espectros, segmentación espectral “inteligente” (bucketing), normalización y definición de rango espectral. Incluye opciones para remoción de señales, eliminación de espectros, segmentación espectral (bucketing), normalización y definición de rango espectral. Incorpora herramientas de corrección de fase y línea base. corrección de fase y línea base. herramientas de corrección de fase y línea base. Incorpora herramientas de corrección de fase y línea base. Alineamiento de señales Adaptación del algoritmo Icoshift Adaptación del algoritmo Icoshift Adaptación del algoritmo Least-Squares Adaptación del algoritmo Icoshift Detección automatizada de señales La detección de señales no depende del tipo de muestra y/o las condiciones empleadas en su preparación. No necesita de una biblioteca espectral. La detección se basa únicamente en la información (señales) de los espectros 1H RMN. La detección de señales depende del tipo de muestra y de las condiciones experimentales empleadas en su preparación. Requiere necesariamente de una biblioteca espectral construida bajo dichas condiciones específicas. No posee No posee Descomposición de señales Incorpora una versión completa y optimizada del algoritmo Multivarite Curve Resolution (MCR) destinada a la descomposición de señales mediante el número de componentes definidos por el usuario. Incorpora una versión simplificada del algoritmo Multivariate Curve Resolution (MCR) destinada a la descomposición de señales mediante un único componente. No posee No posee Análisis no supervisado y supervisado Solo incluye análisis exploratorio basado en PCA. Se incorporarán en el futuro No posee No posee Incluye modelos de clasificación/diferenciación como PCA, LDA, PLS-DA y OPLS.

Qué más deberías saber sobre esta capacidad

TRL 3