Hacer computables los datos de GC–MS: del fichero del fabricante a una capa consultable

Entra en el laboratorio de control de calidad o de I+D de casi cualquier empresa de aromas, fragancias o specialty chemicals y encontrarás lo mismo: un GC–MS produciendo datos composicionales detallados cada día, y una estructura de carpetas en el PC del instrumento donde buena parte de esos datos, en la práctica, va a morir.

El análisis se interpreta una vez, normalmente por una persona. La conclusión acaba en un informe, una hoja de cálculo, un LIMS o un campo del ERP. El cromatograma, los espectros, las identidades candidatas, las alternativas descartadas y el razonamiento que produjo esa conclusión se quedan atrás, dentro del software del instrumento.

Cinco años después, alguien pregunta si los lotes de un proveedor han ido derivando, si una impureza apareció antes de que empezara una reclamación, o si el laboratorio ya ha visto antes este desconocido. Los datos, técnicamente, existen. Obtener una respuesta de ellos es otra historia.

Hemos pasado muchas horas sentados junto a analistas intentando entender por qué ocurre esto, porque sobre el papel no debería. Los instrumentos son excelentes. Los datos existen. El problema es todo lo que hay en medio.

Dónde se atascan los datos

Las adquisiciones nacen dentro de los ecosistemas de cada fabricante: directorios .D de Agilent, ficheros RAW de Thermo y otros formatos propietarios que contienen espectros, cromatogramas, metadatos de adquisición e información del método.

Sacar los datos de esos ecosistemas es posible. Los formatos abiertos de intercambio como mzML están bien establecidos, y herramientas como msConvert, de ProteoWizard, pueden leer muchos formatos habituales y convertirlos a representaciones abiertas. El acceso a formatos propietarios aún puede depender de librerías del fabricante y de software específico de plataforma, así que el problema de interoperabilidad de bajo nivel se describe mejor como manejable que como resuelto.

Pero la conversión de ficheros no es la parte interesante. Lo que la conversión te da son medidas analíticas. Lo que un equipo de I+D necesita está varios niveles de abstracción por encima: picos y sus integraciones; espectros de componentes tras la deconvolución; hipótesis de compuestos y la evidencia que las sostiene; composiciones comparables entre análisis, instrumentos y años. Entre esas dos capas hay ingeniería de verdad, y ahí es donde buena parte de la digitalización de laboratorio se vuelve difícil.

La cadena que tiene que funcionar

Lo primero es la detección de picos y la deconvolución. Las matrices complejas contienen de forma rutinaria compuestos que co-eluyen parcial o totalmente, señales de baja abundancia bajo picos mayores e integraciones que requieren criterio. AMDIS sigue siendo una referencia fundacional para la deconvolución espectral, pero el requisito operativo importante no es que cada instrumento produzca una tabla de picos idéntica. Es que el procesado sea reproducible, inspeccionable y versionado.

La retención aporta otro eje de evidencia. Los tiempos de retención absolutos se desplazan con las dimensiones y el estado de la columna, el flujo, los recortes y los programas de temperatura. Los índices de retención, calculados contra compuestos de referencia como los n-alcanos, hacen más útiles las comparaciones históricas, aunque no son constantes universales y siguen dependiendo de la fase estacionaria y de las condiciones cromatográficas.

La identificación combina después la evidencia espectral con el comportamiento de retención y el contexto químico. La búsqueda en librerías como NIST es tecnología madura, pero un match factor es una puntuación de similitud, no una identidad. Un analista puede rechazar un candidato con puntuación alta por un ion diagnóstico, elegir un candidato peor clasificado, separar manualmente compuestos co-eluidos o dejar un componente como desconocido. Esas decisiones son exactamente la información que un sistema automatizado debería conservar.

Una capa analítica útil almacena, por tanto, más que el nombre final del compuesto. Conserva la adquisición, el pico y el espectro, la lista de candidatos y sus puntuaciones, la evidencia de retención, las confirmaciones y rechazos del analista, las intervenciones manuales, y las versiones de procesado y de librería que los produjeron. El último clic del analista es uno de los datos más valiosos de todo el pipeline, y casi todos los laboratorios lo tiran.

Lo que esto desbloquea

Los beneficios inmediatos son mundanos y valen muchas horas de analista: encontrar todos los análisis de una materia prima en cinco años, comparar un lote entrante de un proveedor con su envolvente composicional histórica, investigar cuándo apareció por primera vez una impureza, o localizar análisis previos de un desconocido en lugar de empezar otra vez de cero. Preguntas que hoy exigen abrir carpetas, métodos de estación de trabajo, PDFs, hojas de cálculo e informes antiguos se convierten en consultas. El premio mayor es que la capa se vuelve entrenable.

Las identificaciones confirmadas y rechazadas se convierten en supervisión para modelos que ordenan candidatos en análisis futuros. Las correcciones del analista se convierten en ejemplos de dónde falla la deconvolución automática. Los perfiles históricos de componentes sostienen la detección de anomalías en lotes entrantes. Las medidas de retención pueden ayudar a adaptar modelos de predicción generales a las fases estacionarias y métodos que un laboratorio usa de verdad.

La distinción importante es que el modelo ya no se entrena para imitar el match factor de una librería. Puede aprender de lo que los analistas experimentados decidieron realmente, junto con la evidencia que usaron para decidirlo. Y como cada resultado queda enlazado a su historial de adquisición y procesado, el sistema puede responder no solo qué se identificó, sino por qué.

El activo que se acumula

Nuestra apuesta no es que la IA sustituya al analista. Es casi lo contrario. El dataset valioso se crea cada vez que un analista toma una decisión difícil que el software existente no puede tomar con fiabilidad. Si esa decisión desaparece en un PDF o queda atrapada en el software de la estación de trabajo, el siguiente analista tiene que resolver el mismo problema otra vez. Si la evidencia, la decisión y el contexto se capturan juntos, el laboratorio aprende de ello. Una vez. Luego otra en el siguiente análisis. Y con el tiempo, automáticamente.

Para las empresas de aromas y fragancias, ese histórico analítico puede acabar conectándose con otro dataset que ya generan: las observaciones sensoriales. Enlazar composición con lo que perfumistas y paneles perciben realmente no vuelve simple la olfacción —la percepción de mezclas es altamente no lineal—, pero crea la posibilidad de aprender qué cambios composicionales importan de verdad a nivel perceptivo.

Las empresas que estructuren ahora su histórico analítico estarán en posición de construir modelos de identificación de compuestos, calidad, detección de anomalías y, con el tiempo, sensoriales, sobre años de medidas propietarias y decisiones expertas. Sus competidores pueden tener los mismos instrumentos y suscribirse a las mismas librerías espectrales. No tendrán el mismo dataset. Los instrumentos nunca fueron el cuello de botella; la capa entre el instrumento y la pregunta siempre lo fue.

Referencias