Analisi delle componenti principali (PCA) in chimica analitica

Uno spettro ha centinaia di lunghezze d’onda, un cromatogramma decine di picchi, un’analisi multielemento molte concentrazioni: come si confrontano centinaia di campioni descritti ciascuno da centinaia di numeri? L’analisi delle componenti principali (PCA) risolve il problema comprimendo molte variabili in poche, senza perdere l’informazione essenziale, e rendendo finalmente visibili somiglianze, gruppi e anomalie che nei dati grezzi restavano invisibili.

Vediamo perché serve ridurre la dimensionalità, che cosa sono score e loading, come si legge un grafico PCA e a cosa serve nel fingerprinting, nel controllo qualità e nella classificazione.

Il problema della dimensionalità

Quando ogni campione è descritto da molte variabili — i punti di uno spettro, le aree di molti picchi, decine di concentrazioni — non è più possibile visualizzarlo né confrontarlo a occhio. I dati vivono in uno spazio a molte dimensioni, dove l’intuizione geometrica fallisce. Spesso però quelle variabili sono fortemente correlate: punti vicini di uno spettro si muovono insieme, e l’informazione reale è molto più semplice di quanto il numero di variabili suggerisca. La PCA sfrutta proprio questa ridondanza.

Ridurre la dimensionalità

La PCA costruisce nuove variabili, le componenti principali, come combinazioni delle variabili originali. La prima componente è scelta in modo da catturare la massima variabilità presente nei dati; la seconda, perpendicolare alla prima, cattura la massima variabilità rimanente, e così via. In genere bastano poche componenti per spiegare la grande maggioranza della variabilità: si passa così da centinaia di variabili a due o tre, abbastanza da poter disegnare un grafico e ragionarci.

variabili originali (molte)  →  poche componenti principali (PC1, PC2, …)

Score e loading

La PCA produce due insiemi di numeri che vanno letti insieme. Gli score sono le coordinate di ciascun campione nel nuovo spazio delle componenti: rappresentano i campioni e si visualizzano in un grafico (score plot) dove campioni simili cadono vicini e campioni diversi lontani. I loading indicano quanto ciascuna variabile originale contribuisce a ciascuna componente: rappresentano le variabili e spiegano perché i campioni si separano, cioè quali lunghezze d’onda o quali analiti sono responsabili delle differenze osservate.

Come si legge un grafico PCA

Il grafico degli score è il prodotto più usato della PCA. Ogni punto è un campione; la sua posizione riassume centinaia di numeri. Leggerlo è intuitivo.

A cosa serve: fingerprinting, QC, classificazione

La PCA è entrata stabilmente nel controllo qualità e nell’identificazione. Nel fingerprinting si confronta l’impronta complessiva di un campione (spettro, profilo cromatografico) con quella di riferimenti: la PCA riduce l’impronta a pochi numeri e rende immediato il confronto, utile per autenticità di alimenti, materie prime e prodotti naturali. Nel controllo qualità serve a verificare che nuovi lotti cadano nella stessa regione dei lotti conformi, segnalando subito chi se ne discosta. Nella classificazione distingue categorie — origine geografica, varietà, fornitore — sulla base del profilo analitico complessivo, senza bisogno di un singolo marcatore.

Perché conta nella pratica

Per chi gestisce dati spettrali o profili complessi, la PCA trasforma un diluvio di numeri in una mappa leggibile. Verificare a colpo d’occhio se un nuovo lotto è in linea con lo storico, individuare un campione anomalo prima che diventi un reclamo, autenticare una materia prima confrontandone l’impronta: sono operazioni che la PCA rende rapide e oggettive. È inoltre la porta d’ingresso alla calibrazione multivariata, oggi standard nel monitoraggio di processo e nel controllo qualità basato su spettroscopia, dove nessun singolo segnale è sufficiente e l’informazione va estratta dall’insieme.

Domande frequenti

Che cos’è l’analisi delle componenti principali?

È una tecnica multivariata che comprime molte variabili correlate in poche nuove variabili, le componenti principali, scelte per catturare la massima variabilità dei dati. Permette di passare da centinaia di numeri per campione a due o tre coordinate, rendendo possibile visualizzare e confrontare i campioni e far emergere gruppi, somiglianze e anomalie che nei dati grezzi restavano invisibili.

Qual è la differenza tra score e loading?

Gli score sono le coordinate dei campioni nel nuovo spazio delle componenti e si usano per vedere quali campioni si somigliano: campioni vicini nel grafico sono simili. I loading misurano quanto ciascuna variabile originale contribuisce a ciascuna componente e servono a capire perché i campioni si separano, cioè quali variabili — quali lunghezze d’onda o analiti — sono responsabili delle differenze.

Come si legge un grafico degli score?

Ogni punto è un campione e la sua posizione riassume tutte le variabili originali. Punti raggruppati in cluster indicano classi o categorie; punti molto vicini indicano campioni equivalenti e lotti coerenti; un punto isolato segnala un’anomalia o un possibile outlier; un andamento graduale lungo un asse rivela una tendenza continua, come un invecchiamento. È una mappa intuitiva dei rapporti tra i campioni.

A cosa serve la PCA nel controllo qualità?

Serve a verificare che i nuovi lotti cadano nella stessa regione del grafico dei lotti conformi storici: chi se ne discosta viene individuato subito. È usata anche per il fingerprinting, cioè il confronto dell’impronta analitica complessiva con riferimenti, e per la classificazione di campioni per origine, varietà o fornitore. In tutti i casi sfrutta il profilo complessivo, non un singolo marcatore.

Quante componenti principali servono?

Di solito poche. Poiché le variabili originali sono spesso fortemente correlate, le prime due o tre componenti catturano la grande maggioranza della variabilità utile, e le successive contengono soprattutto rumore. Si sceglie il numero di componenti che spiega una quota soddisfacente della variabilità totale, abbastanza da rappresentare i dati senza inseguire le fluttuazioni casuali, equilibrio importante anche nella calibrazione multivariata.