Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN EVALUACIÓN DEL USO DEL MÉTODO DE MÍNIMOS CUADRADOS PARCIALES EN LA CUANTIFICACIÓN DE UN ACTIVO EN MATRIZ DE COMPONENTES DESCONOCIDOS EN JARABE T E S I S QUE PARA OBTENER EL TITULO DE: QUÍMICA FARMACÉUTICA BIÓLOGA P R E S E N T A: SUSANA FRANCO RENDON ASESOR: QFB. JOSÉ ANTONIO GARDUÑO ROSAS CUAUTITLÁN IZCALLI, EDO. DE MÉX 2009 UNAM – Dirección General de Bibliotecas Tesis Digitales Restricciones de uso DERECHOS RESERVADOS © PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL Todo el material contenido en esta tesis esta protegido por la Ley Federal del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México). El uso de imágenes, fragmentos de videos, y demás material que sea objeto de protección de los derechos de autor, será exclusivamente para fines educativos e informativos y deberá citar la fuente donde la obtuvo mencionando el autor o autores. Cualquier uso distinto como el lucro, reproducción, edición o modificación, será perseguido y sancionado por el respectivo titular de los Derechos de Autor. AGRDECIMIENTOS A ti Dios por que hoy me das lo que necesito no lo que quiero A ti mamá por levantarte temprano y preguntar como voy en mi escuela, por ser la mujer más maravillosa que tengo a mi lado y sobre todo por darme tu bendición día con día. A ti Papi por todos los detalles, por todas las llamadas, por tus consejos y buenos deseos, por darme lo que necesitaba. A ti Pancho, por ser un ejemplo a seguir, por ser a quien admiro tanto, gracias por ser mi hermanito. A ti Antoni, por darme la oportunidad de conocerte y recuperar el tiempo. A mi familia en Estados Unidos, gracias tía Lucas por ser una segunda madre para mi, gracias Memo y Queto por ser mis hermanos con los que tanto discutí y con los que tanto reí, los extraño. A Peke, Poli y Flavia por que durante este tiempo me han ensañado lo mágico que es tener a tres hermanas a mi lado que me brindan su tiempo, consejo y sabiduría, pero sobre todo por brindar una sonrisa en mi rostro cuando más lo necesito. A Iván y Jorge que siempre me han enseñado una forma diferente de ver la vida con sus palabras y sus acciones. A mis amigos de generación Ome, Chris, Pelos, Jhony, Jacobito, Fredy, Nancy, Chayito, Osama, Carlitos con los que compartí los mejores momentos de mi carrera. A mi Grupo Samadhi por darle un nuevo sentido a mi vida, donde el trajo duro tiene su recompensa. A ti Bimbo por ser mi maestro de vida, la persona que me ayuda a recorrer el laberinto que algunas veces parece ser mi vida. A mi asesor de tesis: QFB. José Antonio Garduño Rosas que me brindo el conocimiento necesario para realizar este trabajo, el cual me servirá durante toda mi vida. A mi Jurado: D.E.E.S Rodolfo Cruz Rodríguez, QFB. Elia Granados Enríquez, QFB. Guadalupe Rebollar Barrera y MC. Elvia Adriana Morales Hipólito por brindar su tiempo y opiniones sobre este trabajo. A la UNAM y a FESC-Campo 1 que me dio todo el conocimiento. A ti Susana por que lo has logrado, solo tú sabes lo difícil que fue, gracias por permitírtelo. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 1 ÍNDICE Abreviaturas…………………………………………………………………....………5 Introducción…………………………………………………………………………….6 Objetivos………………………………………………………………………………..8 Capítulo 1. Marco Teórico 1.1 Mapa conceptual de las formas líquidas orales………………………………10 1.2 Formas líquidas orales...………………………………………………………..11 1.3 Definición de jarabe……………………………………………………………..12 1.4 Características de los jarabes………………………………………………….12 1.5 Tipos de Jarabes………………………………………………………………...13 1.6 Componentes generales de los jarabes……………………………………...13 1.7 Obtención del jarabe medicamentoso………………………………………..15 1.8 Ventajas y desventajas de los jarabes medicamentosos…………………..16 1.9 Pruebas físico-químicas para jarabes…………………………………………17 1.10 Valoración del contenido químico del fármaco en jarabe………………….17 1.11 Proceso Analítico……………………………………………………………….17 1.12 Quimiometría……………………………………………………………………18 1.13 Diseño de Experiencias………………………………………………………..20 1.14 Método Univariante y multivariante......……… ………………………… .21 1.15 Análisis multivariante………………………………………………………….22 1.16 Tipos de Métodos Multivariantes……………………………………………..23 1.17 Etapas Básicas de un Modelo Multivariante………………………………...24 1.18 Calibración Multivariante………………………………………………………24 1.19 Fundamento Matemático para modelos matemáticos de análisis multivariante…………………………………………………………………………..26 1.20 Análisis de Componentes Principales………………………………………..28 1.21 Regresión sobre componentes Principales…………………………………28 1.22 Mínimos Cuadrados Parciales……………………………………………….29 1.23 Algoritmo para MPC……………………………………………………………30 Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 2 1.23.1Etapa de Calibración………………………………………………….30 1.23.2Etapa de Predicción…………………………………………………..34 1.24 Selección del número óptimo de factores: análisis de SCERP...............35 1.25 Selección del número de estándares ..………………………………………36 1.26 Detección de muestras desechables………………………………………...37 1.27 Selección de la región espectral……………………………………………...37 1.28 Elección de activos jarabe……… …………………………………………38 1.28.1 Características generales del Metamizol sódico………………………….38 1.28.2 Características generales del Paracetamol……………………………….39 1.28.3 Características generales del Bromhidrato de Dextrometorfano.………40 1.28.4 Características generales del Clorhidrato de Fenilefrina..………………41 Capítulo 2. Evaluación del uso del método de MPC en la cuantificación de un activo en matriz de componentes desconocidos en jarabe. 2.1 Reactivos, soluciones estándar, material, instrumental y programas……...43 2.2 Desarrollo experimental…………………………………………………………44 2.3 Selección de las condiciones óptimas de operación………………………...45 2.3.1 Selección de los componentes generales de jarabe que se incluyen en la curva de calibración………………………………………………………………….45 2.3.2 Selección del medio de disolución…………………………………………..46 2.3.3 Selección de la longitud de onda……………………………………………54 2.4 Empleo del método de MPC…………………………………………………...55 2.4.1 Desarrollo de la calibración………………………………………………….55 2.4.2 Análisis de Calibración…………… ………………………………………..56 2.5 Evaluación del método de MCP……………………………………………….57 2.5.1 Predicción………………………………………………………………………57 2.5.2 Precisión y exactitud del método…………………………………………….58 Capítulo 3. Resultados 3.1 Metamizol sódico………………………………………………………………..60 Universidad Nacional Autónoma de México FESC - Campo 1Susana Franco Rendon 3 3.1.1 Calibración de Metamizol Sódico.….………………………………..60 3.1.2 Análisis de la calibración de Metamizol Sódico………..…………..61 3.1.3 Evaluación del método de MCP..…...……………………………….62 3.1.4 Predicción de Metamizol Sódico.……………………………………64 3.1.5 Precisión y Exactitud de Metamizol Sódico..……………………….65 3.2 Paracetamol……...………………………………………………………………66 3.2.1 Calibración de Paracetamol…..……………………………………...66 3.2.2 Análisis de la calibración de Paracetamol.…….…………………...67 3.2.3 Evaluación del método de MCP……………………………………..68 3.2.4 Predicción de Paracetamol…......……………………………………70 3.2.5 Precisión y Exactitud de Paracetamol.…………….………………..71 3.3 Bromhidrato de Dextrometorfano………………………………………………72 3.3.1 Calibración del Bromhidrato de Dextrometorfano.…….…………...72 3.3.2 Análisis de la calibración de Bromhidrato de Dextrometorfano......73 3.3.3 Evaluación del método de MCP…………………………….………..74 3.3.4 Predicción de Bromhidrato de Dextrometorfano..………….………76 3.3.5 Precisión y Exactitud de Bromhidrato de Dextrometorfano……….77 3.4 Clorhidrato de Fenilefrina…………………………….…………………………78 3.4.1 Calibración de Clorhidrato de Fenilefrina…………….……………..78 3.4.2 Análisis de la calibración de Clorhidrato de Fenilefrina…………...79 3.4.3 Evaluación del método de MCP……………………………………..80 3.4.4 Predicción del Clorhidrato de Fenilefrina.……..……………………72 3.4.5 Precisión y Exactitud de Clorhidrato de Fenilefrina……………….83 Conclusiones………………………………………………………………………..84 Anexos………………………………………………………………………..………88 A1. Reactivos…………………………………………………………………………89 A2. Solución Ácida y Solución Básica……………………………………………..89 A3. Barrido de Metilparabeno y Propilparabeno………………………………….90 Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 4 A4. Preparación de Soluciones Estándar, Soluciones de la Curva de calibración y placebos………………………………………………………………92 Bibliografía…………………………………………………………………………100 Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 5 ABREVIATURAS A Absorbancia HCl Acido clorhídrico CV Coeficiente de Variación C Concentración Conc. Concentración c.b.p. Cuanto Baste Para S Desviación Estándar Fig. Figura gl Grados de Libertad g Gramos mcg Microgramo ml Mililitro Lt. Litros Min. Minutos MCC Mínimos cuadrados Clásicos MIC Mínimos cuadrados Inversos MCP Mínimos Cuadrados Parciales nm Nanómetros Outliers Muestras Desechables % Porcentaje SCERP Suma de cuadrados del error residual de Predicción UV Ultravioleta € Coeficiente de Absortividad Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 6 INTRODUCCIÓN En años pasados la industria farmacéutica se benefició con el desarrollo de instrumentos que permitieron obtener, tratar y almacenar datos químico- analíticos, también los análisis físico-químicos eran más sencillos y más confiables. Este desarrollo además sirvió para determinar el contenido químico de uno o varios activos en muestras que son altamente complejas, como tabletas, jarabes y emulsiones. Lo anterior trajo como consecuencia un problema, en la actualidad los equipos de instrumentación son altamente costosos, debido a los previos acondicionamientos a los que son sometidos, utilización de reactivos especiales, cambio de piezas y mantenimiento. Se ha demostrado que por medio de técnicas instrumentales sencillas como es la espectrofotometría, y el uso de técnicas numéricas como el Método de Mínimos Cuadrados Parciales se pueden determinar uno o varios activos en mezclas como son los jarabes. La importancia de este trabajo radica en la poca información bibliográfica sobre métodos alternativos que cuantifiquen un activo en jarabe sin ocupar HPLC. El propósito es evaluar el uso del Método de Mínimos Cuadrados Parciales, como una alternativa para determinar el contenido químico de un activo presente en una matriz de jarabe de componentes desconocidos. Al inicio de este trabajo se encuentran las generalidades acerca de los Jarabes, las bases de la quimiometría, características generales del Metamizol Sódico, Paracetamol, Bromhidrato de Dextrometorfano y Clorhidrato de Fenilefrina. En el Capítulo 2 se encuentra el desarrollo experimental, la selección de los componentes generales que debe incluir la calibración y la precisión y exactitud del método de MPC. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 7 En Capítulo 3 se encuentran todos los resultados por cada activo analizado, en gráficos, tablas, y el análisis estadístico. Al final de este se encuentran las conclusiones, Anexos y Bibliografía consultada. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 8 Objetivo General Evaluar la capacidad del método de Mínimos Cuadrados Parciales en la cuantificación de activos presentes en dos matrices de jarabe cuyos componentes no se conocen. Objetivos Particulares Establecer condiciones que permitan determinar el contenido químico de Metamizol Sódico, Paracetamol, Bromhidrato de Dextrometorfano y Clorhidrato de Fenilefrina de jarabe cuyos componentes son desconocidos. Buscar los factores del método de MCP que permitan la cuantificación de Metamizol Sódico, Paracetamol, Bromhidrato de Dextrometorfano y Clorhidrato de Fenilefrina presentes en dos matrices de jarabe. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 9 Capítulo 1 Marco Teórico Universidad Nacional Autónoma de México FESC - Campo 1Susana Franco Rendon 10 1.1 MAPA CONCEPTUAL DE LAS FORMAS LÍQUIDAS ORALES Fig. 1 Mapa conceptual de las diferentes formas liquidas Orales Formas Líquidas Orales Soluciones Orales Suspensiones Orales Emulsiones Orales Soluciones Gargantismo Destinadas a ser Ingeridas Destinadas a su aplicación en la Cavidad Bucal Soluciones Enjuagues Jarabes Colutorios Elixires Soluciones Medicamentosos Aromáticos Simples Compuestos Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 11 1.2 FORMAS LÍQUIDAS ORALES1 Los líquidos de administración oral son normalmente disoluciones, suspensiones o emulsiones que contienen uno o más fármacos en un vehículo apropiado y que están destinadas a ser ingeridas sin diluir o previa dilución. Atendiendo al sistema fisicoquímico que constituye la formulación y a su destino en el organismo, las preparaciones líquidas orales pueden clasificarse del siguiente modo: 1. Soluciones Orales: Destinadas a ser ingeridas - Soluciones - JARABES - Elíxires Destinadas a su aplicación tópica a nivel de la cavidad bucal - Colutorios - Soluciones para gargarismo - Soluciones para enjuagues 2. Suspensiones Orales 3. Emulsiones Orales Comparadas con las formas sólidas, las formas líquidas orales suelen presentar como ventajas, una mayor biodisponibilidad, un menor efecto irritante sobre la mucosa gástrica y una mayor facilidad de ingestión por parte de los pacientes pediátricos y geriátricos. Entre los inconvenientes, cabe destacar un mayor riesgo de contaminación y la posible inestabilidad de los fármacos en dilución. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 12 1.3 DEFINICIÓN DE JARABE Solución acuosa con alta concentración de carbohidratos tales como: sacarosa, sorbitol, dextrosa, entre otros; de consistencia viscosa, en la que se encuentra disuelto el o los principios activos y aditivos.2 1.4 CARACTERÍSTICAS DE LOS JARABES Características Físicas - Generalmente son transparentes y no presentan partículas en suspensión a excepción de los denominados “jarabes suspensión”. - Sabor y olor agradable - La densidad del jarabe es 1.32 aproximadamente, varía dependiendo de la temperatura y del porcentaje de sacarosa en la formulación. - Punto de ebullición aproximado es de 105 ºC, varía según la formulación. Características Químicas - Tienen un pH ligeramente ácido. - Disminuye la constante dieléctrica del agua debido al azúcar. - Facilitan la disolución de algunas sustancias poco polares como el ácido p-aminobenzoico. - Contienen una pequeña cantidad de azúcar invertido. Características Fisicoquímicas - La viscosidad en jarabes es próxima a 190 Cp. a 20 ºC - La presión osmótica es elevada. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 13 1.5 TIPOS DE JARABES Existen dos tipos de Jarabes: Jarabes Aromáticos Consiste por lo general en un jarabe no medicado que contiene diversas sustancias aromáticas o de sabor agradable y agentes correctores de color, suele utilizarse como vehículo o agente aromatizante en jarabes medicamentosos, en preparaciones extemporáneas ya sean soluciones o suspensiones, para corregir el sabor de las formas líquidas orales y como agentes aglutinantes en la preparación de granulados. Jarabes Medicamentosos Son jarabes aromáticos que contienen un fármaco (Jarabe simple) o varios fármacos (Jarabe Compuesto) y se emplean en terapéutica por la acción característica de los fármacos de la fórmula.1 1.6 COMPONENTES GENERALES DE LOS JARABES Los componentes básicos de un jarabe son azúcares, agua purificada, conservadores antimicrobianos, codisolventes, saborizantes y otras sustancias auxiliares como espesantes, estabilizantes y colorantes.1 Azúcares El azúcar ejerce una acción conservante, edulcorante y viscosante. - Acción conservante: El azúcar más frecuentemente utilizado es la sacarosa, cuya concentración de saturación es del 64-65% (p/p). Es importante que la concentración de sacarosa se aproxime al punto de saturación pero sin llegar a este debido a que una solución saturada Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 14 puede conducir a la cristalización de una fracción de la sacarosa al modificarse la temperatura. La aproximación a la concentración de sacarosa confiere al jarabe una elevada presión osmótica que impide el desarrollo fúngico y bacteriano. Las soluciones azucaradas sustraen de los microorganismos, por osmosis, el agua que estos necesitan para su desarrollo. - Acción Viscosante: Es debido a la cantidad de sacarosa que se tiene en el jarabe.1 - Acción Edulcorante: La fructuosa es el azúcar que está de forma natural en todas las frutas. Es un componente de la sacarosa que se encuentra en forma de edulcorante de mesa en alimentos, bebidas y fármacos3. En algunas ocasiones el azúcar es sustituido, total o parcialmente, por sustancias que no son azúcares: sorbitol, glicerina y propilenglicol. Agua2 Es necesario utilizar agua purificada o destilada, desprovista de sales (fundamentalmente iones de calcio) que puedan ocasionar precipitaciones de los fármacos incorporados. Así mismo, que esté excenta de anhídrido carbónico porque facilita el proceso de hidrólisis de la sacarosa. Conservadores La cantidad de conservador que se requiere para proteger un jarabe contra el crecimiento microbiano varía según la cantidad de agua disponible para el crecimiento, la naturaleza y la actividad inherente de los conservadores en la formulación y de su capacidad de preservación4. Entre los conservadores de uso común en jarabes están el ácido benzoico (0.1 al 0.3%), el benzoato de sodio (0.1 al 0.2%), los parabenos (0.001 al 0.2%)5. De los parabenos generalmente se ocupan el metilparabeno y el propilparabeno en una proporción de 10:1 respectivamente6. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 15 Codisolventes Aumentan la solubilidad de los componentes del jarabe. En los jarabes el cosolvente común es el Etanol y suele estar presente al final y en una proporción del 10% respecto a la formulación.Saborizantes Debido al uso de azúcares, el jarabe usualmente es de sabor dulce, sin embargo existen ciertas sustancias como fármacos o conservadores que tiene un sabor desagradable. Por lo cual se agregan a la formulación saborizantes sintéticos (sustancias aromáticas obtenidas por síntesis química) con el fin de mejorar la sensación gustativa. Colorantes Se utilizan para mejorar la apariencia del jarabe se seleccionan de acuerdo al saborizante empleado, los colorantes generalmente usados son solubles en agua y estos no reaccionan con los otros componentes del jarabe y se encuentran en una concentración del 0.001%. 1.7 OBTENCIÓN DEL JARABE MEDICAMENTOSO1. De entre las diferentes técnicas de preparación de jarabes medicamentosos, se seleccionan las más adecuadas en función de las propiedades fisicoquímicas de los diversos componentes del jarabe: Jarabes obtenidos por disolución directa del azúcar en el líquido medicamentoso Se añade el azúcar a una disolución acuosa, previamente preparada que contiene el fármaco y las sustancias auxiliares. Este método es aplicable siempre que el fármaco esté disuelto en un líquido acuoso. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 16 Jarabes obtenidos por disolución de sus componentes en jarabe simple La disolución de los componentes sólidos en el jarabe simple es un proceso lento debido a la elevada viscosidad del mismo y a la limitada cantidad de agua disponible. Por lo cual se puede disolver el fármaco o los fármacos en una pequeña cantidad de agua (mínima) e incorporar la solución resultante al jarabe simple. Jarabes obtenidos por la adición del jarabe simple a un líquido medicinal Este método se emplea cuando el jarabe contiene extractos fluidos, tinturas u otros líquidos medicinales. Normalmente se mezclan 5 partes de líquido extractivo y 95 partes de jarabe simple. Los jarabes preparados con esta técnica suelen formar precipitados por lo que, a menudo, los líquidos medicinales contienen alcoholes, y las sustancias resinosas y oleosas, disueltas por el alcohol, precipitan al mezclarse con el jarabe, produciendo preparados de mal aspecto. 1.8 VENTAJAS Y DESVENTAJAS DE LOS JARABES MEDICAMENTOSOS Ventajas de los Jarabes Medicamentosos Fácil preparación. Permite la administración de dosis elevadas del principio activo(s). Tienen un buena aceptación tanto en pacientes Pediátricos y Geriátricos debido a su fácil administración cuando hay problemas de deglución. Menor efecto Irritante sobre la mucosa gástrica. Mayor biodisponibilidad que las formas sólidas. Atractivos debido a sus propiedades Organolépticas. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 17 Desventajas de los Jarabes Medicamentosos Inestabilidad, ya que gran cantidad de principios activos se hidrolizan o pierden su actividad en medio acuoso. La dosificación no es exacta. Baja solubilidad de algunos principios activos, lo que hace necesario el uso de cosolventes (alcohol, glicerina, polietilenglicol) o modificadores del pH y cambios químicos en el activo. Mayor riesgo de contaminación. 1.9 PRUEBAS FÍSICO-QUÍMICAS PARA JARABES Al margen del ensayo general de identificación y de concentración del fármaco o fármacos que contienen, se realizan los ensayos de: Densidad Punto de Ebullición Viscosidad Sacarosa y azúcar invertido 1.10 VALORACIÓN DEL CONTENIDO QUÍMICO DEL FÁRMACO EN JARABE. El método de cuantificación de contenido químico varía dependiendo del activo y de la industria farmacéutica que lo cuantifique; sin embargo el método en la farmacopea más utilizado el cual es CLAR. 1.11 PROCESO ANALÍTICO7. Todo proceso está constituido por tres etapas bien diferenciadas: Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 18 Obtención de los datos químico-analíticos: Se extraen todos los resultados que contengan datos que sean relevantes en el contexto analítico planteado. Presentación condensada de la Información: Es plasmar los resultados en forma de tablas, gráficos o resúmenes que permitan transmitir la información de manera breve y concisa, pero a la vez clara. Análisis estadístico de la información y conclusiones que derivan de ella: Se obtiene la mayor cantidad de información posible que explique el acontecimiento planteado. Debido a que en alguna de las etapas anteriores se llegaba a desaprovechar u obtener gran cantidad de información, la química analítica se planteó como objetivo el optimizar cada etapa del análisis para potenciar e incrementar el conocimiento de todo proceso analítico, pero este objetivo se cumplió hasta la creación de la QUIMIOMETRÍA. 1.12 QUIMIOMETRÍA ¿Cómo nace la quimiometría? El desarrollo de la Quimiometría fue tardío como consecuencia de la lenta evolución de la instrumentación científica. En la primera mitad del siglo XX era difícil y costoso obtener, tratar y almacenar datos químico-analíticos. Se disponía de pocos datos, y su examen directo no permitía al analista extraer toda la información significativa. Esta situación comenzó a cambiar hacia 1960, debido al fuerte impulso que experimentó el desarrollo de nueva instrumentación8. Sin embargo, en la década 1960-1970, la recopilación de los datos y su tratamiento manual con algoritmos matemáticos eran procesos lentos y tediosos. Por ello, los algoritmos con cierta complejidad de cálculo no tuvieron interés práctico hasta la popularización de las calculadoras8. Así la Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 19 palabra Quimiometría es introducida en 1972, por el profesor Svante Wold y el profesor Bruce R. Kowalki.9 A pesar de lo anterior, el impulso definitivo de la Quimiometría como una disciplina científica independiente fue debido a la popularización del microordenador y su incorporación a los instrumentos científicos a mediados de la década 1980-1990.8 ¿Qué es la Quimiometría? La quimiometría es una disciplina metrológica que aplica conocimientos matemáticos, especialmente estadísticos, a procesos químicos para extraer de los datos experimentales la mayor cantidad posible de información y extender el conocimiento del sistema químico. Además para que este conocimiento sea óptimo se deberá discriminar entre la información relevante y aquella de menor interés siendo ésta otra faceta de la quimiometría.7 ¿Cómo trabaja la quimiometría?La base de la quimiometría no es complicada y se sustenta en modelos matemáticos sencillos como el álgebra matricial (en sistemas multivariantes). La quimiometría está presente en cada etapa del proceso analítico, aunque de forma un tanto diferente. Antes de iniciar la obtención de datos se plantea el problema a resolver (composición cualitativa y cuantitativa de la muestra, estudio de parámetros y variables analíticas, reducción del número de variables). Después se inicia la parte del análisis químico, con los resultados obtenidos se realiza un tratamiento estadístico (que tiene su origen en la distribución binomial)7 Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 20 1.13 DISEÑO DE EXPERIENCIAS7. Antes de establecer y aplicar un método analítico de forma continua y rutinaria se requerirá un planteamiento integral del problema, destacando de forma relevante la optimización de las variables que puedan afectar a los parámetros analíticos (sensibilidad, selectividad, concentración de reactivos, tiempo, costos etc.) para aumentar el rendimiento y la eficacia de las determinaciones. La planificación y el diseño de experiencias es un proceso de optimización que se realiza antes de iniciar el trabajo experimental. El estudio del modelo matemático que debe realizarse con los datos experimentales, entra en el campo de la Quimiometría. El diseño Quimiométrico permite obtener una estimación del error que sirva de pauta para interpretar la medida posterior de los resultados obtenidos. Toda experiencia correctamente diseñada y planificada debe responder a una serie de cuestiones elementales de carácter general como: Finalidad de la experiencia y principales factores que deben considerarse. Tiempo previsto, disponibilidad del equipo y métodos necesarios. Información bibliográfica previa sobre experiencias similares. Y otras condiciones que deben definirse a priori para permitir el diseño quimiométrico son: Cual puede ser la variabilidad permitida de los factores principales (Ej. Concentración y absorbancia) y cómo pueden afectar ésta sobre la determinación final (Ej. En una concentración alta se pueden dar absorbancias mayores a 3) Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 21 Si existe interacción entre los factores principales que importancia puede tener y cual podría ser su magnitud. A que nivel se pueden considerar significativas las diferentes interacciones. 1.14 MÉTODO UNIVARIANTE Y MULTIVARIANTE7. En los métodos de regresión, las variables se clasifican en dependientes e independientes, el método se considera univariante si únicamente existe una variable, mientras que será multivariante cuando existe más de una variable. En los métodos univariantes se define una única variable experimental a partir de una serie de características relativas a una única muestra. Antes del desarrollo de la Quimiometría, a lo máximo que se solía recurrir era a aplicar pruebas univariantes para extraer la información de los datos mediante aplicaciones muy elementales aunque la incidencia quimiométrica actual ha permitido nuevos enfoques en la extracción de la información. Actualmente los sistemas univariantes siguen siendo funcionales en muchas situaciones. Un ejemplo de ello la calidad del agua (variable Dependiente) en una instalación de agua purificada, esta se regula a través de la conductividad (variable Independiente), que es la que controla la concentración salina máxima permitida antes de cortar la acción de las resinas de intercambio. En este caso el problema se describe por una información univariante simple (de una sola variable independiente). El siguiente paso en la estructura de los datos implica considerar dos variables (sistema bivariante). Aquí las variables pueden determinarse sobre una misma muestra o sobre muestras distintas y, aunque desde el punto de vista quimiométrico la aplicación sigue siendo muy simple, se pueden abordar situaciones de enorme trascendencia para los métodos analíticos. En otros casos se requiere el conocimiento de varias variables para definir el problema, los datos se ordenan en una tabla o matriz de datos donde cada columna corresponde a una variable y cada fila a una muestra, un caso objeto. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 22 1.15 ANÁLISIS MULTIVARIANTE. Es el conjunto de métodos estadísticos cuya finalidad es analizar simultáneamente conjuntos de datos multivariantes en el sentido de que hay varias variables medidas para cada individuo ú objeto estudiado. El propósito del análisis multivariable es comprender el objeto de estudio, por medio, de datos que los métodos estadísticos univariantes y bivariantes son incapaces de conseguir.10 Por ejemplo: Cuando una muestra es sometida a un análisis por medio de la espectrofotometría y existe más de una especie absorbente, el espectrofotómetro no puede distinguir la fracción de absorbancia correspondiente a cada especie que integra la muestra, solo detecta la suma total de las absorbancias emitidas por cada especie absorbente. Matemáticamente la absorbancia total que presenta una muestra se puede descomponer si las distintas moléculas que la integran tienen absortividades diferentes a diferentes longitudes de onda. Pero si en la muestra existen dos o más moléculas que absorben a la misma longitud de onda, se utilizan los métodos multivariados.11 Objetivos del análisis Multivariante10 Proporcionar métodos cuya finalidad es el estudio conjunto de datos multivariantes que el análisis estadístico uni y bidimensional es incapaz de conseguir. Ayudar al analista o investigador a tomar decisiones óptimas en el contexto en el que se encuentre teniendo en cuenta la información disponible por el conjunto de datos analizado Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 23 1.16 TIPOS DE TÉCNICAS MULTIVARIANTES10. Métodos de dependencia. Suponen que las variables analizadas están divididas en dos grupos: las variables dependientes y las variables independientes. El objetivo de los métodos de dependencia consiste en determinar si el conjunto de variables independientes afecta al conjunto de variables dependientes y de qué forma. Métodos de interdependencia Estos métodos no distinguen entre variables dependientes e independientes y su objetivo consiste en: Identificar qué variables estánrelacionadas, cómo lo están y por qué. Métodos estructurales Suponen que las variables están divididas en dos grupos: el de las variables dependientes y el de las independientes. El objetivo de estos métodos es analizar, no sólo como las variables independientes afectan a las variables dependientes, sino también cómo están relacionadas las variables de los dos grupos entre sí. Técnicas Multivariantes Métodos de Dependencia Dependiente Métrica Dependiente No Métrica Análisis de Regresión Análisis de Supervivencia MANOVA Correlación Canónica Análisis Discriminante Regresión Logística Análisis Conjoint Modelos estructurales Métodos de Interdependencia Datos Métricos Datos No Métricos A. Comp. Principales Análisis Factorial Escalas Multidimensionales Análisis Cluster Análisis de Correspondencias Modelos log-lineales Escalas Multidimensionales Análisis Cluster Fig. 2 División de las Técnicas multivariantes Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 24 1.17 ETAPAS BÁSICAS DE UN MODELO MULTIVARIANTE Las etapas básicas en el desarrollo de un modelo predictivo multivariante son: Calibración: Implica maximizar la respuesta de uno o varios componentes principales en relación al sujeto de estudio, para lo cual se necesitan tantas muestras como sean posibles que representen muestras futuras. Verificación: Disponer de otro conjunto de muestras (diferentes y no usadas para calibrar) con el objeto de verificar que el modelo predice correctamente. Predicción: Disponer del modelo previamente usado para hacer de éste un uso rutinario. 1.18 CALIBRACIÓN MULTIVARIANTE12. Un ejemplo de la aplicación de la regresión multivariante se encuentra en la determinación de la concentración de los constituyentes de una mezcla de analitos mediante análisis espectral. En la aproximación clásica de la intensidad, yi (absorbancia), cada serie de longitudes de onda estaría relacionada con las concentraciones de los constituyentes mediante una ecuación de la forma: yi = b0i +blixi + b2ix2 +….. Donde los coeficientes para cada constituyente dependen de la longitud de onda. Entonces, a partir del espectro medido de un espécimen con composición desconocida (es decir, un ejemplar de ensayo) se podría estimar las concentraciones de los analitos de este ejemplar. El método requiere conocimiento del espectro de los constituyentes puros y ejemplares de la calibración de composición conocida. Supone que no hay otros componentes en los ejemplares que interfieran a los componentes de interés, en el Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 25 intervalo de concentración utilizado, y que los componentes de interés no interfieran unos con otros. En muchos casos las muestras predictoras no contienen otras sustancias más que aquellas de interés y éstas actúan como interferentes. Si este es el caso, es mejor calibrar con muestras de fuentes similares (que tendrán composición similar) y utilizar calibración inversa. Esto significa que la concentración de analito se modela como una función del espectro (es decir lo contrario del método clásico). La calibración inversa es apropiada ya que la concentración no es una variable controlada. Incluso cuando sea posible preparar muestras de calibración de composición conocida, si las sustancias de interés interfieren unas con otras , entonces las concentraciones de estas sustancias ya no son en efecto variables controladas: en estas circunstancias de nuevo la calibración inversa resulta ser apropiada. La regresión múltiple es una técnica adecuada cuando el número de variables predictoras es bajo y la matriz de correlación en la muestra no es muy alta. Pero en la práctica, se emplearía un espectro de absorbancia conteniendo todas las mediciones de interés. Como resultado el número de variables predictoras es probable que sea mucho más grande que el número de muestras de calibración. Puesto que no es posible llevar a cabo regresión múltiple en estas circunstancias, se debe reducir el número de variables. Una solución sería utilizar las medidas de intensidad a sólo algunas longitudes de onda, pero esto plantea el problema, es decir cuáles serían las mejores longitudes de onda para elegir. También significaría que una gran cantidad de datos (y la información que ellos contienen) sería descartada. Podría también ser un problema al utilizar la regresión múltiple debido a la correlación entre las variables predictoras. Ambos problemas se pueden superar utilizando Regresión Componentes Principales o Mínimos Cuadrados Parciales. Estos métodos reducen el número de variables predictoras a sólo unas pocas y también proporcionan resultados satisfactorios cuando hay correlación entre variables predictoras. El método Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 26 preferido en una situación dada dependerá de la naturaleza precisa de los datos: se puede llevar a cabo un análisis mediante cada método y evaluar los resultados a fin de encontrar el método que funcione mejor. 1.19 FUNDAMENTO MATEMÁTICO PARA MODELOS MATEMÁTICOS DE ANÁLISIS MULTIVARIANTE13. En el análisis cuantitativo se busca alguna relación lineal entre la medición y la concentración de un componente en particular. En espectroscopía, la ley de Lambert y Beer define la relación entre la absorbancia y la concentración a una longitud de onda de la siguiente manera: A = €bc 1.0 Donde el coeficiente de Absortividad (€) y la longitud del paso óptico (b) se multiplican para tener una sola constante K. A = KC 1.1 Como se observa en la ecuación (1.0), ésta puede resolverse estudiando una sola muestra. Sin embargo ante las limitaciones por ruido, error instrumental, error en la manipulación de soluciones, etc. Se recomienda analizar cierto número de muestras de distinta concentración, se grafican los resultados y localiza la línea recta que mejor comprenda los puntos mediante lo que se conoce matemáticamente como ajuste de mínimos cuadrados, el cual encuentra simplemente la ecuación de la recta donde el error total entre las absorbancias sea mínimo. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 27 Un camino parcialmente eficiente pararesolver ecuaciones simultaneas es utilizar métodos matriciales, pues si bien implican numerosos cálculos, éstos pueden efectuarse por computadora. En términos matriciales las ecuaciones anteriores se expresarían así: C (n.m)= A (n.p) K (m.p) + E (n.p) 1.2 Donde: C = Concentración. A = Absorbancia. K = Es la resultante del producto del coeficiente de absortividad por la longitud del paso óptico. E = Son los errores residuales, es decir es una parte de la medida del vector que no está explicada por el modelo. También conocida como errores de ajuste, es la diferencia de la absorbancia experimental y la determinada a cada longitud de onda según el modelo. n = número de soluciones patrón (muestras de calibración). p = número de longitudes de onda. m = número de analitos. Por ejemplo, para dos muestras, dos analitos y dos longitudes de onda, las ecuaciones son: Para la longitud de onda 1 A11 = C11K11 + C12K21 + E11 1.3 A12 = C11K12 + C12K22 + E12 1.4 Para la longitud de onda 2 A21 = C21K11 + C22K21 + E21 1.5 A22 = C21K12 + C22K22 + E22 1.6 Utilizando álgebra matricial es fácil encontrar la solución de estas expresiones por computadora y plantear la matriz de calibración (o matriz de Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 28 coeficientes de absortividad), que proporciona la línea (o líneas) que ajustan mejor a los datos por mínimos cuadrados parciales. 1.20 ANÁLISIS DE COMPONENTES PRINCIPALES12. Un problema que aparece en el análisis multivariante es que el volumen bruto de los datos puede dificultar el reconocimiento de pautas. Por lo tanto, el objetivo de muchos métodos del análisis multivariante es la reducción de datos. El análisis de componentes principales (ACP) es una técnica para reducir la cantidad de datos cuando está presente la correlación. En términos matemáticos los componentes principales son autovectores o vectores propios de la matriz de correlación y la técnica para encontrar estos autovectores se llama análisis propio. A cada componente principal (es decir, autovector) le corresponde un autovalor que proporciona la cantidad de variancia en el conjunto de datos que se encuentra explicado por ese componente principal. Para datos estandarizados cada una de las variables originales tiene una desviación estándar, y por tanto una variancia de 1. Así, la variancia total del conjunto de datos y la suma de los autovalores son ambos igual al número de variables. 1.21 REGRESIÓN SOBRE COMPONENTES PRINCIPALES12. Un problema con la regresión múltiple es que las correlaciones entre las variables predictoras pueden producir complicaciones matemáticas, que resulten en predicciones no fiables de y. Una forma de sortear esto es realizar un ACP sobre las variables x y luego realizar una regresión de y sobre los componentes principales. Esto se conoce como regresión sobre componentes Principales (RCP). Puesto que los componentes principales no se encuentran correlacionados, el problema de la correlación entre las variables predictoras resulta superado. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 29 RCP resulta también una técnica valiosa cuando el número de variables predictoras originales supera al número de muestras de la calibración disponibles. El número de variables predictoras se puede reducir utilizando los primeros componentes principales en lugar de las variables originales. Este método proporciona resultados satisfactorios con tal que los componentes principales utilizados recojan entre ellos la mayor parte de la variación en las variables predictoras. Está técnica se utiliza a menudo en la calibración multivariante. 1.22 MÍNIMOS CUADRADOS PARCIALES. La regresión por mínimos cuadrados parciales (regresión PLS, por sus siglas en inglés) fue introducida por Herman Wold para ser aplicada en ciencias económicas y sociales. Sin embargo gracias a las contribuciones de su hijo Svante Wold, ha ganado popularidad en el área química conocida como Quimiometría, en donde se analizan datos que se caracterizan por muchas variables predictoras, con problemas de multicolinealidad, y pocas unidades experimentales en estudio. La metodología de MCP generaliza y combina características del Análisis de Componentes Principales y Análisis de Regresión Múltiple. Regresión de Mínimos Cuadrados Parciales Se parte de la idea base de que se tienen dos conjuntos de variables (matrices X e Y) medidas sobre las mismas muestras y que deseamos emplear X para poder predecir Y. Se considera que: Dentro de cada bloque existe una relación externa, lo anterior se conoce como “correlación”. Esto equivale a realizar un PCA en cada bloque de variables: X (predictoras) e Y (predichas). Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 30 A las variables que muestran una alta correlación con las variables respuesta se les asigna un peso extra porque serán más efectivas en la predicción. De esta forma se eligen combinaciones lineales de las variables X (predictoras) que estén altamente correlacionadas con las variables Y (predichas) y también que expliquen la variación en las variables X (predictoras). Se realiza una descomposición externa mediante una relación interna 1.23 ALGORITMO PARA MPC14. El algoritmo utilizado en este trabajo, es una modificación del algoritmo NIPALS, utilizado para ACP, pero en donde ahora el principal objetivo es utilizar la información que pueda proporcionar la concentración del componente de interés para descomposición de los datos de la matriz X. Así el algoritmo de MCP establecido por Haland, se realiza en el análisis de la calibración y la predicción para solo un componente a la vez. Esto significa que solo emplea la concentración de un solo componente de interés en los datos de la calibración, mientras que las concentraciones de los demás componentes no se incluyen en el análisis. Sin embargo, si se desea conocer la concentración de algún otro componente presente en la mezcla, lo único que se debe de hacer es realizar el análisis en donde solo se incluya este componente en los datos de la calibración. El algoritmo de MCP consta de dos etapas: Etapa de Calibración Etapa de Predicción Universidad Nacional Autónoma de México FESC - Campo 1Susana Franco Rendon 31 1.23.1 Etapa de Calibración 11 La relación entre las absorbancias obtenidas a diferentes longitudes de onda y la concentración del componente de interés se estima a partir de un conjunto de soluciones de referencia que presentan las posibles combinaciones de los componentes de la mezcla. Así se obtiene: Una matriz compuesta por valores de Absorbancia a diferentes longitudes de onda. Matriz A. A1, A2, A3,…. ………...An Un vector compuesto por las concentraciones del analito de Interés. Vector C. C1 C2 . . Cn A partir de esta información se realiza el siguiente procedimiento: 1. A partir de la ecuación lineal inversa: C (n.m)= A (n.p) K (m.p) + E (n.p) 1.2 Donde: C = Concentración. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 32 A = Valores de las absorbancia. K = Es la resultante del producto del coeficiente de absortividad por la longitud del paso óptico. E = Son los errores residuales, es decir es una parte de la medida del vector que no está explicada por el modelo. También conocida como errores de ajuste, es la diferencia de la absorbancia experimental y la determinada a cada longitud de onda según el modelo. n = número de soluciones patrón (muestras de calibración). p = número de longitudes de onda. m = número de analitos. 2. Así los espectros de la calibración están dados por: A = TB + Ea…..………………………………...1.3 Donde A = Variable Latente (puede ser como una transformación de las variables predictoras considerando una respuesta dada, o para predecir un pequeño número de datos). TB = Son matrices Ea = Variabilidad del Error 3. La concentración del analito de interés está representada por: C = Tv + Ec………….………………………….1.4 Donde Tv = El producto T y v aproxima a las concentraciones reales, ya que v es el vector de los coeficientes que relacionan a las concentraciones. Aquí se calculan los promedios, tanto de la matriz A como del vector C, para obtener valores de A y C centrados, esto es, resaltando el promedio de las Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 33 absorbancias a cada longitud de onda y el promedio de los valores del vector C a cada concentración. 4. Posteriormente se calcula el factor de peso Wh, partiendo de: A = CWh + Ea…………………….………………1.5 Obtenemos: Wh = A´C/C´C…………….………………………1.6 Donde: A´ = La matriz transpuesta de la Absorbancia. C´ = El vector transpuesto de la concentración del analito 5. Los valores de Wh se normalizan. 6. Una vez normalizados, se calcula el valor de la variable latente Th, a partir de: A = ThWh +Ea.………………………………………...1.7 Th = AWh……………………………………………1.8 7. Estos valores se relacionan linealmente con la concentración mediante el valor de V (como coeficiente de regresión: C = ThVh + Ec ……….………………………………..1.9 De donde se obtiene: Vh = Th´C/ Th´ T………………………………………..2.0 Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 34 8. Los valores de T, también se relacionan con el vector de carga Bh el cual es estimado por: A = TB + Ea….....………………………………...2.1 A = ThBh +Ea……………………………………...2.2 Bh = ATh´/ Th´ Th´.................................................2.3 9. Enseguida Ea de la ecuación y Ec en la ecuación Ea = A - ThBh...................................................2.4 Ec = C - ThVh…………….................................2.5 El producto del vector Th y el vector de carga Bh es una aproximación de MCP para el espectro de calibración. El producto de Vh por Th es una estimación de la concentración del componente de interés por el método de MCP basado en el Espectro. 10. Finalmente, se sustituye Ea por A y Ec por C en el paso 2 y se vuelve a realizar hasta el paso 7 y así sucesivamente, calculando entonces el error de predicción que se expresa como la suma de cuadrados de los errores residuales de predicción (SCERP) los cuales son graficados contra el número óptimo de factores, para encontrar los factores que sean necesarios en la optimización del modelo. La SCERP indica qué tan bien se están estimando las concentraciones de la soluciones de la calibración con cada número de factores. 1.23.2 Etapa de Predicción MCP11. En esta etapa la concentración del componente de interés, se resume en los siguientes pasos: Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 35 1. Para cuantificar la concentración es necesario la utilización de los parámetros estimados en la calibración, así, que: Th = AWh.......................................................2.6 Ch = Ch-1 + ThVh……………...............……….2.7 2. Se calcula el valor del residual de la absorbancia: Eh = eh - ThBh…………………………………….2.8 En donde Eh = Error asociado al vector de las absorbancias eh = Error asociado a una de las calibraciones. 3. Finalmente Eh se sustituye por A y se vuelve a realizar el cálculo de la concentración y de Eh2 y así sucesivamente hasta calcular el número óptimo de factores dado en la etapa de la calibración. 1.24 SELECCIÓN DEL NÚMERO ÓPTIMO DE FACTORES: ANÁLISIS DE SCERP12. Una de las tareas más difíciles en la aplicación del MCP y en otros métodos, es la determinación del número óptimo de factores para modelar los datos. Si se utilizan muy pocos factores, la predicción de las concentraciones es pobre al no analizar todas las variaciones espectrales importantes. Conforme se incorporan más vectores al estudio, se ordenan en grado de importancia para el modelo (ponderación) de concentración en MCP. Eventualmente, los vectores comenzarán a modelar el ruido del sistema (el cual generalmente contribuye en menor cantidad a los datos); si los vectores Universidad NacionalAutónoma de México FESC - Campo 1 Susana Franco Rendon 36 “ruido” se incluyen en la calibración, el error comenzará a incrementarse. La descomposición espectral con tales métodos y la correcta selección del número de factores es un camino muy efectivo para eliminar el ruido. La manera más efectiva para establecer el número de factores es la aplicación del SCERP. Los valores del SCERP es un indicador de qué tan bien se está estimando la concentración de las soluciones de la calibración con cada número de factores. El incluir vectores ruido en la matriz de calibración se conoce como sobreajuste (overfiting). Por ello es recomendable elegir el mejor número de factores donde el valor de SCREP alcance el mínimo para evitar el problema del sobreajuste. 1.25 SELECCIÓN DEL NÚMERO DE ESTÁNDARES Para la obtención de buenos resultados es importante el diseño de soluciones estándar para la calibración. Para ello se deben cumplir las siguientes condiciones: Las soluciones preparadas para la curva deben contener tantas variables como fuentes de variación relevantes puedan influir sobre las variables seleccionadas de la matriz A. Así, debe haber por lo menos tantas muestras como componentes de interés y generalmente muchas más que estos. Las soluciones preparadas deberán cubrir todo el intervalo de concentraciones esperadas para las muestras problemas. Las variables seleccionadas en la matriz A, deben contener variancia correlacionada con todas y cada una de las variables de la matriz C. Las variables seleccionadas en la matriz A, deben estar poco correlacionadas entre sí. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 37 1.26 DETECCIÓN DE MUESTRAS DESECHABLES13. La detección de muestras desechables resulta tan importante como el diseño de las soluciones patrón o como la elección de números de factores óptimos en el método de MCP, ya que si una o más muestras son erróneas, dará lugar a enormes errores en la calibración y, finalmente, falsos resultados en la predicción de las concentraciones de los componentes de interés en las muestras reales o muestras problema. Una o varias de las muestras de la calibración pueden tener su valor de concentración incorrecto debido a que las muestras pudieron ser mal preparadas ó que las muestras tuvieran una manipulación inadecuada durante la medición del espectro u otros errores relacionados. 1.27 SELECCIÓN DE LA REGIÓN ESPECTRAL Una de las ventajas de utilizar el método de MCP es que se pueden utilizar el espectro completo para la construcción del modelo con solo el conocimiento de los espectros de los componentes puros de interés. En estos casos el número de longitudes de onda puede ser muy grande y el tiempo para realizar los cálculos de la calibración puede ser largo y laborioso, además, ciertas longitudes de onda pueden contener ruido espectral o simplemente no contienen información relevante que pueda ayudar a construir el modelo robusto. Por ello es importante seleccionar longitudes de Onda que aporten la información necesaria, y descartar aquellas que no sean de interés. Una forma de realizar lo anterior es seleccionando: Puntos Máximos Puntos Mínimos Puntos de Inflexión Hombros Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 38 Éstos se encuentran dentro de un espectro de absorción del componente de interés como se muestra a continuación: CORREGIR Fig. 3 Localización de Longitudes de Onda Óptimas 1.28 ELECCIÓN DE ACTIVOS EN JARABE. Se buscaron 4 Activos que se encontraran en jarabes simples, de ahí se escogieron 2 que se encontraran en una proporción elevada y otros 2 con una proporción muy baja, con respecto a los conservadores. Tres de los cuatro jarabes son de uso común, en el caso del Clorhidrato de Fenilefrina, no se reportó como jarabe simple, pero se incluyó dentro del análisis tomando como referencia la concentración del Clorhidrato de la Pseudoefedrina. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 39 1.28.1 CARACTERÍSTICAS GENERALES DEL METAMIZOL SÓDICO (DIPIRONA)15-17. Nombre Químico: [ (1,5-dimetil-2- fenil-2,3-dihidro-3-oxo-1H-pirazol-4il) (metil) amino] metanosulfonato de sodio. Fórmula Molecular: C13H16N3NaO4 . H2O. Peso Molecular: 351.36 g/mol. Descripción: Polvo cristalino Blanco. pka: no reportado. Solubilidad: Fácilmente soluble en agua; soluble en metanol; ligeramente soluble en etanol; casi insoluble en éter diétilico, acetona benceno y cloroformo. Coeficiente de Absortividad: Solución ácida 258 nm (A=266ª). Uso: Debido a sus propiedades analgésicas, antipiréticas, antiespasmódicas y antiinflamatorias, está indicado en: dolor agudo o crónico de moderada a severa intensidad de tal forma que está indicado en cefalea, odontalgia, enfermedades reumáticas, dolor causado por tumores, dolor originado por intervención quirúrgica y traumatismos. Está indicado también en el tratamiento del dolor cólico originado en región gastrointestinal, tracto urinario y tracto biliar. Por su acción antipirética está indicado en el manejo de la fiebre de diversa etiología Farmacocinética y Farmacodinamia. El metamizol se absorbe rápida y completamente cuando se administra por vía oral. Es hidrolizado por mecanismos enzimáticos en el intestino y se transforma en metilaminoantipirina, el cual es el principal producto de biotransformación detectado en sangre. La concentración máxima en plasma se logra entre los 30 y 120 minutos. El metamizol se distribuye uniforme y ampliamente, casi no hay ligadura a proteínas y ésta dependerá de la concentración de sus productos de biotransformación. La vida media de eliminación es entre 7 y 9 horas. La metilaminoantipirina se biotransforma en el hígado a aminoantipirina y es Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 40 eliminada por riñón en 90%. Las propiedades analgésica, antipirética y antiinflamatoria del metamizol se deben a la actividad de los productos de biotransformación metilaminoantipirina y aminoantipirina. 1.28.2 CARACTERÍSTICAS GENERALES DEL PARACETAMOL15-17. Nombre Químico: 4-Hidroxiacetanilida.Fórmula Molecular: C8H9NO2. Peso Molecular: 151.16 g/mol. Descripción: Polvo Blanco Cristalino. pka: 9.5 Solubilidad: Fácilmente soluble en alcohol y metanol; soluble en acetona, agua caliente y en solución de Hidróxido de Sodio 1N. Coeficiente de Absortividad: Solución ácida 245nm (A=668ª) Solución básica 257nm (A=715). Uso: Es útil para reducir la fiebre y en la analgesia temporal de algias menores, dolores y malestares asociados con fiebre y dolor, cefalea, neuralgias y dolores articulares, otalgias, síntomas del resfriado común o afecciones similares, fiebre posvacunal, posamigdalectomía, odontalgias y poscirugía, como la posextracción y otros procesos invasivos del área estomatológica. Farmacocinética y Farmacodinamia. Este fármaco ha demostrado clínicamente una acción antipirética y analgésica rápida y eficaz en lactantes, niños, adolescentes y adultos. Se biotransforma fundamentalmente a nivel de microsomas hepáticos por las enzimas microsomales. Se absorbe rápida y completamente, alcanzando concentraciones plasmáticas pico en 30 a 60 minutos, su vida media es de 2 horas, después de una dosis terapéutica. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 41 1.28.3 CARACTERÍSTICAS GENERALES DEL BROMHIDRATO DE DEXTROMETORFANO15-17. Nombre Químico: Bromhidrato de 3-metoxi-17- metil-alfa, 13alfa,14alfa-morfinano Hidratado. Fórmula Molecular: C18H25NO*HBr*H2O. Peso Molecular: 370.33g/mol. Descripción: Polvo Cristalino blanco o casi blanco. pka: No reportado. Solubilidad: Fácilmente soluble en alcohol y cloroformo; poco soluble en agua; casi insoluble en éter dietílico. Coeficiente de Absortividad: Solución ácida 278 nm (A=70a). Uso: Complemento para el tratamiento de afecciones respiratorias de origen bacteriano. En la tos seca irritada es útil para bloquear el reflejo tusígeno. Farmacocinética y Farmacodinamia. El bromhidrato de dextrometorfano por vía oral es absorbido totalmente en el tracto gastrointestinal de donde llega al hígado para ser biotransformado. Los productos de biotransformación son excretados por vía renal. Inicia su acción rápidamente y se puede ver 20 ó 30 minutos después de su ingestión y se prolonga hasta por 6 horas. 1.28.4 CARACTERÍSTICAS GENERALES DEL CLORHIDRATO DE FENILEFRINA15-17. Nombre Químico: Clorhidrato de (R)-1- (3hidroxifenil)-2-metilaminoetanol Fórmula Molecular: C9H13NO2 * HCl Peso Molecular: 203.67 g/mol Descripción: Cristales Blancos o casi blancos pka: No reportado Solubilidad: Fácilmente soluble en agua y en alcohol, casi insoluble en éter dietílico. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 42 Coeficiente de Absortividad: solución ácida 251nm, 257nm (a=11.9a) Uso: Descongestionante de las vías áreas superiores, especialmente mucosa nasal y sinusal. Tratamiento asintomático de las rinitis alérgica y vasomotora Farmacocinética y Farmacodinamia El clorhidrato de fenilefrina es un antagonista selectivo alfa administrado por vía oral, se absorbe a través del tracto gastrointestinal, como efecto de primer paso es biotransformado por la monoaminooxidasa, tanto a nivel intestinal como a nivel hepático. Los efectos farmacológicos de la fenilefrina causan gran vasoconstricción. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 43 Capítulo 2 Evaluación del uso del método de MCP en la cuantificación de un activo en matriz de componentes desconocidos en jarabe Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 44 2.1 REACTIVOS, SOLUCIONES ESTÁNDAR, MATERIAL, INSTRUMENTAL Y PROGRAMAS Reactivos y Soluciones estándar: Durante la experimentación se trabajó con 4 activos, Metamizol Sódico, Paracetamol, Bromhidrato de Dextrometorfano y el Clorhidrato de Fenilefrina, para cada uno de los anteriores se utilizó su correspondiente Estándar Secundario para realizar la curva de calibración y Materia prima para realizar los placebos cargados (Ver anexo 1). Para el Metilparabeno y Propilparabeno se utilizó materia prima. Las soluciones stock se prepararon pesando la cantidad exacta de activo, disolviendo con su solución correspondiente, de esta solución se toma la alícuota requerida, se lleva al aforo con solución ácida (Ver anexo 2) obteniendo una solución estándar. Para cada activo se preparo una solución estándar de Metilparabeno y Propilparabeno (Ver anexo 2) Material general para los 4 fármacos: Matraces Volumétricos de: 25, 50, 100, 200, 250, 2000 ml. Pipetas Volumétricas de: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 25 ml. Vasos de precipitado de: 25, 100, 150ml Agitadores de Vidrio Piseta Espátula Instrumental y Programas Sé utilizó la balanza analítica Metler-Toledo, el purificador de Agua Mili Q. Las mediciones espectofotométricas fueron realizadas en un Espectrofotómetro UV modelo cary 1E, se emplearon celdas de cuarzo de 1cm de longitud. Los datos obtenidos del espectro fueron tratados mediante el programa de ISHEJA INC. Versión 1.0.0 soportado en ambiente Windows 98, el cual utiliza el algoritmo NIPALS para MCP. Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 45 2.2 DESARROLLO EXPERIMENTAL Fig. 4 Mapa del Desarrollo Experimental Investigación Bibliográfica Selección de las condiciones de operación Selección de los componentes generales de jarabe que se incluyen en la curva de Calibración Uso del Método de MPC Calibración Predicción Ensayo analítico Matriz de jarabe Amarilla Matriz de jarabe Rosa Evaluación del método de MPC Elección de activos en Jarabe Selección del medio de Disolución y Longitudes de Onda Universidad Nacional Autónoma de México FESC - Campo 1 Susana Franco Rendon 46 2.3 SELECCIÓN DE LAS CONDICIONES ÓPTIMAS DE OPERACIÓN 2.3.1 Selección de los componentes generales de jarabe que se incluyen en la curva de calibración Los jarabes generalmente están compuestos por las sustancias indicadas
Compartir