Application of chemometrics methods in the monitoring of environmental pollutants

Subject Areas : Modeling

Leila Aalizadeh ¹ , Mohammad Reza Baezat ² , Saeed Yousefinejad ³

1 - Department of Chemistry, Payame Noor University, Tehran, Iran
2 - Department of Chemistry, Payame Noor University, Tehran, Iran
3 - Research Center for Health Sciences, Institute of Health, Department of Occupational Health Engineering, School of Health, Shiraz University of Medical Sciences, Shiraz, Iran

Received: 2024-05-31 Accepted : 2024-06-14 Published : 2024-08-07

Keywords: Multivariate methods, Organic compounds, Environmental pollutants, Monitoring, Pollution, Chemometrics,

Abstract :

Due to the importance of measurement and monitoring of environmental pollutants, the amount of exposure and the need to reduce environmental risks for humans and living organisms, the use of chemometrics in environmental studies has increased over the past two decades. These applications are designed to test and prove the power of dedicated data processing techniques and the availability of suitable software with broad applications in this field. In this review study, we have discussed aspects of the ability of chemometrics methods in gathering environmental data and measuring hazardous pollutants. Considering the advantages of multivariate methods and chemometrics, it is expected that it can be more effective in solving difficult problems and extracting useful information. As environmental monitoring continues to monitor complex pollutant mixtures, the use of advanced chemometrics approaches will be important to gain comprehensive insight into the following of the pollutants in environmental or biological systems. Future prospects and challenges in the application of chemometrics show the great potential of these methods to enhance environmental monitoring and pollutant analysis. Integration of big data, machine learning, advance hyperspectral imaging, sensor fusion, and uncertainty quantification can be considered as emerging and innovative approaches in environmental chemometrics.

References:

1. S. Yuan, Y. Li, F. Bao, H. Xu, Y. Yang, Q. Yan, S. Zhong, H. Yin, J. Xu, Z. Huang, and J. Lin, Sci. Total Environ. 858, 159741 (2023).
2. F. Dehghani, S. Yousefinejad, D. I. D. I. Walker, and F. Omidi, Metabolomics 18, 73 (2022).
3. M. A. Mallah, L. Changxing, M. A. Mallah, S. Noreen, Y. Liu, M. Saeed, H. Xi, B. Ahmed, F. Feng, A. A. Mirjat, W. Wang, A. Jabar, M. Naveed, J.-H. Li, and Q. Zhang, Chemosphere 296, 133948 (2022).
4. H. Kang, S. Sung, J. Hong, S. Jung, T. Hong, H. S. Park, and D.-E. Lee, J. Hazard. Mater. 402, 123483 (2021).
5. Z. Idrees and L. Zheng, J. Ind. Inf. Integr. 17, 100123 (2020).
6. M. Thakur and D. Pathania, in Abat. Environ. Pollut. (Elsevier, 2020), pp. 245–262.
7. R. Nigar, S. Zhao, X. Liu, H. Huang, L. Tian, Y. Xiao, A. Habib, and G. Zhang, Emerg. Contam. 10, 100356 (2024).
8. A. K. Sharma, M. Sharma, A. K. Sharma, M. Sharma, and M. Sharma, J. Geochemical Explor. 255, 107325 (2023).
9. A. Zappi, V. Marassi, S. Giordani, N. Kassouf, B. Roda, A. Zattoni, P. Reschiglian, and D. Melucci, Chemosensors 11, 45 (2023).
10. S. Yousefinejad and B. Hemmateenejad, Chemom. Intell. Lab. Syst. 149, (2015).
11. A. G. Usman, N. Usanase, S. I. Abba, I. Ozsahin, B. Uzun, M. A. Yassin, S. M. Rahman, and D. U. Ozsahin, Sustain. Chem. Environ. 2, 100011 (2023).
12. B. Lavine and J. Workman, Anal. Chem. 80, 4519 (2008).
13. M. M. R. Mostert, G. A. Ayoko, and S. Kokot, TrAC Trends Anal. Chem. 29, 430 (2010).
14. S. Mas, A. de Juan, R. Tauler, A. C. Olivieri, and G. M. Escandar, Talanta 80, 1052 (2010).
15. S. P. J. van Leeuwen and J. de Boer, J. Chromatogr. A 1186, 161 (2008).
16. M. Gros, M. Petrović, and D. Barceló, Talanta 70, 678 (2006).
17. H.-P. Wang, P. Chen, J.-W. Dai, D. Liu, J.-Y. Li, Y.-P. Xu, and X.-L. Chu, TrAC Trends Anal. Chem. 153, 116648 (2022).
18. D.L. Massart, B.G.M. Vandeginste, L.M.C. Buydens, S. de Jong, P.J. Lewi, J.S. Verbeke, Handbook of Chemometrics and Qualimetrics, Elsevier, Amsterdam, The Netherlands, 1997, Parts A and B. (1997).
19. J. A. Arancibia, P. C. Damiani, G. A. Ibañez, and A. C. Olivieri, J. AOAC Int. 97, 39 (2014).
20. K. S. Booksh and B. R. Kowalski, Anal. Chem. 66, 782A (1994).
21. G. M. Escandar, A. C. Olivieri, N. (Klaas) M. Faber, H. C. Goicoechea, A. Muñoz de la Peña, and R. J. Poppi, TrAC Trends Anal. Chem. 26, 752 (2007).
22. A. C. Olivieri, Anal. Chem. 80, 5713 (2008).
23. R. Tauler, A. Smilde, and B. Kowalski, J. Chemom. 9, 31 (1995).
24. R. Bro, Chemom. Intell. Lab. Syst. 38, 149 (1997).
25. G. N. Piccirilli and G. M. Escandar, Analyst 131, 1012 (2006).
26. D. B. Gil, A. M. de la Peña, J. A. Arancibia, G. M. Escandar, and A. C. Olivieri, Anal. Chem. 78, 8051 (2006).
27. R. C. Henry, C. W. Lewis, P. K. Hopke, and H. J. Williamson, Atmos. Environ. 18, 1507 (1984).
28. J. Einax, H. Zwanziger, S. Geiss (Eds.), Chemometrics in Environmental Analysis, VCH, Weinheim, Germany, 1997. (n.d.).
29. D. C. Aydin, J. Zamudio Pineres, F. Al-Manji, H. Rijnaarts, and T. Grotenhuis, Anal. Methods 13, 1635 (2021).
30. L. Liu, Q. Wu, X. Miao, T. Fan, Z. Meng, X. Chen, and W. Zhu, Chemosphere 286, 131815 (2022).
31. S. Veerasingam, M. Ranjani, R. Venkatachalapathy, A. Bagaev, V. Mukhanov, D. Litvinyuk, M. Mugilarasan, K. Gurumoorthi, L. Guganathan, V. M. Aboobacker, and P. Vethamony, Crit. Rev. Environ. Sci. Technol. 51, 2681 (2021).
32. S. Tajik, H. Beitollahi, F. G. Nejad, Z. Dourandish, M. A. Khalilzadeh, H. W. Jang, R. A. Venditti, R. S. Varma, and M. Shokouhimehr, Ind. Eng. Chem. Res. 60, 1112 (2021).
33. T. S. Bos, W. C. Knol, S. R. A. Molenaar, L. E. Niezen, P. J. Schoenmakers, G. W. Somsen, and B. W. J. Pirok, J. Sep. Sci. 43, 1678 (2020).
34. A. Gredilla, S. Fdez-Ortiz de Vallejuelo, N. Elejoste, A. de Diego, and J. M. Madariaga, TrAC Trends Anal. Chem. 76, 30 (2016).
35. M. Tarapoulouzi, V. Ortone, and S. Cinti, Talanta 244, 123410 (2022).
36. B. Igne and C. R. Hurburgh, J. Chemom. 24, 75 (2010).
37. P. Mishra, A. Biancolillo, J. M. Roger, F. Marini, and D. N. Rutledge, TrAC Trends Anal. Chem. 132, 116045 (2020).
38. L. Shao, X. Lin, and X. Shao, Appl. Spectrosc. Rev. 37, 429 (2002).
39. A. Craig, O. Cloarec, E. Holmes, J. K. Nicholson, and J. C. Lindon, Anal. Chem. 78, 2262 (2006).
40. R. A. van den Berg, H. C. Hoefsloot, J. A. Westerhuis, A. K. Smilde, and M. J. van der Werf, BMC Genomics 7, 142 (2006).
41. R. Bro and A. K. Smilde, J. Chemom. 17, 16 (2003).
42. P. A. Aguilera, A. G. Frenich, H. Castro, and J. L. M. Vidal, Environ. Monit. Assess. 62, 193 (2000).
43. S. Wold, P. Geladi, K. Esbensen, and J. Öhman, J. Chemom. 1, 41 (1987).
44. S. Wold, M. Sjöström, and L. Eriksson, Chemom. Intell. Lab. Syst. 58, 109 (2001).
45. R. G. Brereton, J. Jansen, J. Lopes, F. Marini, A. Pomerantsev, O. Rodionova, J. M. Roger, B. Walczak, and R. Tauler, Anal. Bioanal. Chem. 410, 6691 (2018).
46. S. Yousefinejad, F. Honarasa, F. Abbasitabar, and Z. Arianezhad, J. Solution Chem. 42, 1620 (2013).
47. Y. OUYANG, Water Res. 39, 2621 (2005).
48. N. Kumar, A. Bansal, G. S. Sarma, and R. K. Rawal, Talanta 123, 186 (2014).
49. M. D. Peris-Díaz and A. Krężel, TrAC Trends Anal. Chem. 135, 116157 (2021).
50. V. Yadav, A. K. Yadav, V. Singh, and T. Singh, Results Eng. 22, 102305 (2024).
51. W. Zheng, D. Tian, X. Wang, W. Tian, H. Zhang, S. Jiang, G. He, Y. Zheng, and W. Qu, Toxicology 313, 151 (2013).
52. J. F. Bobb, L. Valeri, B. Claus Henn, D. C. Christiani, R. O. Wright, M. Mazumdar, J. J. Godleski, and B. A. Coull, Biostatistics 16, 493 (2015).
53. A. de Juan and R. Tauler, Anal. Chim. Acta 1145, 59 (2021).
54. H. Parastar and R. Tauler, Anal. Chem. 86, 286 (2014).
55. M. Bayat, M. Marín-García, J. B. Ghasemi, and R. Tauler, Anal. Chim. Acta 1113, 52 (2020).
56. K. P. Singh, A. Malik, S. Sinha, and V. K. Singh, Water. Air. Soil Pollut. 185, 79 (2007).
57. R. D. JiJi, G. G. Andersson, and K. S. Booksh, J. Chemom. 14, 171 (2000).
58. K. Matta, T. Lefebvre, E. Vigneau, V. Cariou, P. Marchand, Y. Guitton, A.-L. Royer, S. Ploteau, B. Le Bizec, J.-P. Antignac, and G. Cano-Sancho, Environ. Int. 158, 106926 (2022).
59. A. T. Lebedev, D. M. Mazur, V. B. Artaev, and G. Y. Tikhonov, Environ. Chem. Lett. 18, 1753 (2020).
60. D. M. Mazur, E. A. Detenchuk, A. A. Sosnova, V. B. Artaev, and A. T. Lebedev, Sci. Total Environ. 761, 144506 (2021).
61. P. Plaza-Bolaños, N. M. Valera-Tarifa, and A. G. Frenich, in (2013), pp. 431–454.
62. X. Liu, D. Lu, A. Zhang, Q. Liu, and G. Jiang, Environ. Sci. Technol. 56, 2124 (2022).
63. N. Taoufik, W. Boumya, M. Achak, H. Chennouk, R. Dewil, and N. Barka, Sci. Total Environ. 807, 150554 (2022).
64. Y. Lyu, Q. Ju, F. Lv, J. Feng, X. Pang, and X. Li, Environ. Pollut. 306, 119420 (2022).
65. T. Portolés, E. Pitarch, F. J. López, J. V. Sancho, and F. Hernández, J. Mass Spectrom. 42, 1175 (2007).
66. F. Hernández, M. I. Cervera, T. Portolés, J. Beltrán, and E. Pitarch, Anal. Methods 5, 5875 (2013).
67. A. Guiberteau, T. Galeano, N. Mora, F. Salinas, J. M. Ortı́z, and J. C. Viré, Comput. Chem. 25, 459 (2001).
68. Y. Ni, D. Cao, and S. Kokot, Anal. Chim. Acta 588, 131 (2007).
69. D. Brunet, T. Woignier, M. Lesueur-Jannoyer, R. Achard, L. Rangon, and B. G. Barthès, Environ. Pollut. 157, 3120 (2009).
70. Y. Ni, W. Xiao, and S. Kokot, J. Hazard. Mater. 168, 1239 (2009).
71. E. Comas, R. A. Gimeno, J. Ferré, R. M. Marcé, F. Borrull, and F. X. Rius, J. Chromatogr. A 1035, 195 (2004).
72. E. Peré-Trepat, A. Hildebrandt, D. Barceló, S. Lacorte, and R. Tauler, Chemom. Intell. Lab. Syst. 74, 293 (2004).
73. E. Peré-Trepat, S. Lacorte, and R. Tauler, J. Chromatogr. A 1096, 111 (2005).
74. E. Peré-Trepat and R. Tauler, J. Chromatogr. A 1131, 85 (2006).
75. E. Peré-Trepat, S. Lacorte, and R. Tauler, Anal. Chim. Acta 595, 228 (2007).
76. T. Khayamian, G. H. Tan, A. Sirhan, Y. F. Siew, and S. M. Sajjadi, Chemom. Intell. Lab. Syst. 96, 149 (2009).
77. E. Bezemer and S. Rutan, Anal. Chim. Acta 459, 277 (2002).
78. J. Saurina, C. Leal, R. Compañó, M. Granados, R. Tauler, and M. D. Prat, Anal. Chim. Acta 409, 237 (2000).
79. R. Loos, G. Hanke, and S. J. Eisenreich, J. Environ. Monit. 5, 384 (2003).
80. I. S. Pérez, M. J. Culzoni, G. G. Siano, M. D. G. García, H. C. Goicoechea, and M. M. Galera, Anal. Chem. 81, 8335 (2009).
81. A. Inobeme, V. Nayak, T. J. Mathew, S. Okonkwo, L. Ekwoba, A. I. Ajai, E. Bernard, J. Inobeme, M. Mariam Agbugui, and K. R. Singh, J. Environ. Manage. 309, 114653 (2022).
82. É. F. Batista, A. dos S. Augusto, and E. R. Pereira-Filho, Talanta 150, 206 (2016).
83. M. Cocchi, G. Franchini, D. Manzini, M. Manfredini, A. Marchetti, and A. Ulrici, J. Agric. Food Chem. 52, 4047 (2004).
84. M. S. Shackley, in X-Ray Fluoresc. Spectrom. Geoarchaeology (Springer New York, New York, NY, 2011), pp. 7–44.
85. M. A. Stapanian, J. Chemom. 5, 121 (1991).
86. S. Aidene, M. Khaydukova, G. Pashkova, V. Chubarov, S. Savinov, V. Semenov, D. Kirsanov, and V. Panchuk, Spectrochim. Acta Part B At. Spectrosc. 185, 106310 (2021).
87. M. I. Kaniu, K. H. Angeyo, M. J. Mangala, A. K. Mwala, and S. K. Bartilol, X-Ray Spectrom. 40, 432 (2011).
88. H. Gramowska, I. Krzyzaniak, D. Baralkiewicz, and R. Goldyn, Environ. Monit. Assess. 160, 479 (2010).
89. E. G. Nasr, E. N. Epova, A. de Diego, R. Souissi, M. Hammami, H. Abderrazak, and O. F. X. Donard, Foods 11, 82 (2021).
90. E. Varhan Oral, Ö. Tokul-Ölmez, İ. Yener, M. Firat, Z. Tunay, P. Terzioğlu, F. Aydin, M. Öztürk, and A. Ertaş, Anal. Lett. 52, 320 (2019).
91. I. Komorowicz, H. Gramowska, and D. Barałkiewicz, J. Environ. Sci. Heal. Part A 45, 348 (2010).
92. J. L. Zajicek, D. E. Tillitt, T. R. Schwartz, C. J. Schmitt, and R. O. Harrison, Chemosphere 40, 539 (2000).
93. J. K. Lee, K. C. Ahn, O. S. Park, S. Y. Kang, and B. D. Hammock, J. Agric. Food Chem. 49, 2159 (2001).
94. G. S. Nunes, I. A. Toscano, and D. Barceló, TrAC Trends Anal. Chem. 17, 79 (1998).
95. B. M. Brena, L. Arellano, C. Rufo, M. S. Last, J. Montaño, E. E. Cerni, G. Gonzalez-Sapienza, and J. A. Last, Environ. Sci. Technol. 39, 3896 (2005).
96. K. Anagnostopoulpou, C. Nannou, V. G. Aschonitis, and D. A. Lambropoulou, Sci. Total Environ. 849, 157887 (2022).
97. E. L. Jamin, N. Bonvallot, M. Tremblay-Franco, J.-P. Cravedi, C. Chevrier, S. Cordier, and L. Debrauwer, Anal. Bioanal. Chem. 406, 1149 (2014).
98. W.-L. Chen, S.-Y. Yu, S.-Y. Liu, S.-C. Lin, and T.-H. Lee, Sci. Total Environ. 862, 160830 (2023).
99. L. L. Hohrenk, M. Vosough, and T. C. Schmidt, Anal. Chem. 91, 9213 (2019).
100. M. Pourchet, L. Debrauwer, J. Klanova, E. J. Price, A. Covaci, N. Caballero-Casero, H. Oberacher, M. Lamoree, A. Damont, F. Fenaille, J. Vlaanderen, J. Meijer, M. Krauss, D. Sarigiannis, R. Barouki, B. Le Bizec, and J.-P. Antignac, Environ. Int. 139, 105545 (2020).
101. S. Liesenfeld, P. Steliopoulos, and G. Hamscher, J. Agric. Food Chem. 68, 12493 (2020).
102. N. Pouyanfar, S. Z. Harofte, M. Soltani, S. Siavashy, E. Asadian, F. Ghorbani-Bidkorbeh, R. Keçili, and C. M. Hussain, Trends Environ. Anal. Chem. 34, e00160 (2022).
103. A. E. D. Mahmoud and M. Fawzy, in (2021), pp. 229–246.
104. R. Pol, F. Céspedes, D. Gabriel, and M. Baeza, TrAC Trends Anal. Chem. 95, 62 (2017).
105. J. P. Lafleur, S. Senkbeil, T. G. Jensen, and J. P. Kutter, Lab Chip 12, 4651 (2012).
106. F. Zhang, W. Liu, S. Zhou, L. Jiang, K. Wang, Y. Wei, A. Liu, W. Wei, and S. Liu, Anal. Chem. 92, 7200 (2020).
107. R. Houhou and T. Bocklitz, Anal. Sci. Adv. 2, 128 (2021).
108. H. Parastar and R. Tauler, Angew. Chemie 134, (2022).
109. J. shan, J. Zhao, L. Liu, Y. Zhang, X. Wang, and F. Wu, Environ. Pollut. 238, 121 (2018).
110. V. Olmos, M. Marro, P. Loza‐Alvarez, D. Raldúa, E. Prats, F. Padrós, B. Piña, R. Tauler, and A. de Juan, J. Biophotonics 11, (2018).
111. H. D. T. Jones, D. M. Haaland, M. B. Sinclair, D. K. Melgaard, M. H. Van Benthem, and M. C. Pedroso, J. Chemom. 22, 482 (2008).
112. A. M. Lines, G. B. Hall, S. Asmussen, J. Allred, S. Sinkov, F. Heller, N. Gallagher, G. J. Lumetta, and S. A. Bryan, ACS Sensors 5, 2467 (2020).

Full-Text:



 

 

 

کاربرد روشهای کمومتریکس در پایش آلاینده های زیست محیطی 

لیلا عالی زاده1، محمدرضا باعزت1 ، سعید یوسفی نژاد2 ،3 *

1گروه شیمی، دانشگاه پیام نور، تهران ، ایران

2 مرکز تحقیقات علوم بهداشتی، پژوهشکده سلامت دانشگاه علوم پزشکی شیراز، شیراز، ایران

3 گروه مهندسی بهداشت حرفه ای و ایمنی کار، دانشگاه علوم پزشکی شیراز، شیراز، ایران 

[e-mail]

 

 

1- مقدمه 

هدف اصلی پایش زیست محیطی، مدیریت و به حداقل رساندن تأثیر فعالیت بر محیط زیست است، که می تواند از جنبه های مختلف از جمله اطمینان از انطباق با قوانین و مقررات و نیز برای کاهش خطرات اثرات مضر بر محیط زیست طبیعی و حفاظت از سلامت انسان ها مورد استفاده قرار گیرد[1–3]. از آنجایی که جمعیت انسان ها، فعالیت‌های صنعتی و مصرف انرژی همچنان در حال رشد هستند، توسعه مداوم برنامه‌ها و دستگاه‌های نظارت خودکار و پیشرفته برای افزایش دقت گزارش‌های پایش زیست‌ محیطی و مقرون‌ به‌ صرفه بودن فرآیند نظارت بر محیط‌ زیست بسیار مهم است[4,5].

در سال های اخیر، نگرانی فزاینده ای در مورد این وجود داشته است که افزایش مواجهه با آلاینده های آلی پایدار زیست محیطی، شامل هیدروکربن‌های آروماتیک چند حلقه‌ای، آفت کش های کلر دار آلی و آلاینده های آلی نو ظهور از جمله، بازدارنده های بروم دار آسیب بر سلامت انسان و حیات وحش را به دنبال داشته باشد و شواهد بسیاری نیز در این زمینه ارئه شده است[6,7]. وجود این مواد مضر می تواند باعث اختلالاتی در طبیعت شود و از طرف دیگر نیاز به بکارگیری چرخه ها و فرآیندها و نیاز به دستیابی به دانش بهتر و عمیق تر در مورد مدیریت تخلیه آلاینده های آلی و اثرات زیست محیطی مرتبط  با آنها همواره احساس می شود. آلاینده های زیست محیطی، از جمله مواد شیمیایی، فلزات سنگین و ترکیبات آلی، تهدیدات قابل توجهی برای اکوسیستم، سلامت انسان و محیط زیست به طور کلی ایجاد می کنند. بنابراین تشخیص دقیق، شناسایی و تعیین کمیت این آلاینده ها برای پایش و مدیریت موثر زیست محیطی ضروری است[8].

کمومتریکس، کمومتری یا شیمی سنجی یک شاخه چند رشته ای است که اصول ریاضیات، آمار و شیمی را برای استخراج اطلاعات ارزشمند از داده های شیمیایی پیچیده ترکیب می کند و نقش مهمی در علوم زیست محیطی، به ویژه در تجزیه و تحلیل و تفسیر داده های مربوط به آلاینده های زیست محیطی ایفا می کند[9]. کاربرد کمومتریکس در زمینه آلاینده های زیست محیطی شامل توسعه و اجرای روش های آماری و ریاضی برای تجزیه و تحلیل مجموعه داده های بزرگ تولید شده از برنامه های پایش محیطی، آزمایش های آزمایشگاهی و مطالعات میدانی است[10]. این روش‌ها دانشمندان را قادر می‌سازد تا اطلاعات معنی‌داری را از داده‌های شیمیایی پیچیده استخراج کنند، الگوها و روندها را شناسایی کنند و در مورد استراتژی‌های کنترل آلودگی و اصلاح تصمیمات آگاهانه بگیرند[11]. روشهای کمومتریکس با توجه به توانایی ها و مزایای خود به ویژه کالیبراسیون های چند متغیره و روشهای طبقه بندی دسته بندی، در حل بسیاری از مسائل تجزیه ای به کار رفته اند[12]. از میان این کاربردها ، افزایش استفاده از کمومتریکس در مطالعات زیست محیطی در طول دو دهه گذشته، محکی برای اثبات قدرت روش های پردازش داده ها بوده است. همچنین در دسترس بودن نرم افزارهای مناسب به تحقیقات فشرده کمک شایانی به حل مسائل در پایش ها و اندازه گیری های زیست محیطی را داشته است[13].

سه حوزه اصلی مورد علاقه محققان کمومتریکس در حوزه زیست محیطی شامل تجزیه و تحلیل شیمیایی کمی، نظارت بر ارزیابی و مدل سازی و پیش بینی کیفیت زیست محیطی و اثرات سم شناسی است[14].

مطالعات پایش زیست محیطی منجر به جمع آوری مقادیر زیادی از پارامترهای فیزیکی و غلظت های شیمیایی جمع آوری شده در مکان های جغرافیایی مختلف، دوره های زمانی و/یا بخش های مختلف مطالعات زیست محیطی (به عنوان مثال، هوا، آب، خاک و موجودات زنده) می شود. به منظور آشکار ساختن الگوهای مرتبط و تنوع منابع در این مجموعه داده های بزرگ زیست محیطی، رویکردهای کمومتریکس بر اساس تجزیه و تحلیل داده های چند متغیره آماری و تحلیل فاکتوری در دهه های گذشته پیشنهاد شده و به کار گرفته شده است. فرض اساسی این روش ها این است که تغییر هر یک از پارامترها یا غلظت های شیمیایی اندازه گیری شده در یک نمونه خاص را می توان با کاهش تعداد مشارکت های مختلف ناشی از منابع محیطی مستقل یا مزاحمت ها توضیح داد و تحلیل کرد.

یکی از روش های متداول برای آنالیز الاینده های محیط زیستی استفاده از روش های کروماتوگرافی است. با این حال، روش های کروماتوگرافی نسبتاً گران و زمان بر هستند و اغلب نیاز به روشهای آماده سازی پر زحمت قبل از آنالیز دارند. البته برخی راهکارها برای مشکل گران قیمت بودن روشهای آنالیز کروماتوگرافی پیشنهاد شده است که از جمله آن استفاده از راهبردهای جایگزین آنالیز دستگاهی است. از جمله این روش ها استفاده از روش های فسفریمتری و فلورمتری است که حد تشخیص های پایینی دارند و برای آنالیز غلظت های بسیار پایین نیز مناسب هستند[16]. با این وجود، به طور کلی اندازه گیری های مبتنی بر روشهای طیف سنجی فاقد گزینش پذیری هستند و به ویژه این مشکل زمانی که ترکیبات شیمیایی مشابه در نمونه های پیچیده باید آنالیز شوند و در حضور گونه های مداخله گر مرتبط با نمونه های طبیعی برجسته تر می شود. استفاده از روش های کمومتریکس مبتنی بر روش های کالیبراسیون چند متغیره به منظور غلبه بر این محدودیت ها و تکمیل روش های آنالیز طیف سنجی می تواند بسیار کمک کننده باشد[17]. شکل 1 روشهای کمومتریکس مختلف در تحلیل داده های تجزیه های زیست محیطی را خلاصه کرده است. 

روشهای کالیبراسیون چند متغیره با استفاده از مدل های ریاضی سیگنال های چند متغیره را به غلظت آنالیت یا ویژگی های نمونه مرتبط می کند[18]. در حالی که در کالیبراسیون تک متغیره، که به طور معمول و سنتی در تهیه یک منحنی کالیبراسیون به کار می رود، یک مقدار عددی واحد (مثلا جذب در یک طول موج خاص) در هر نمونه را ثبت و آنالیز می کند. به عبارت دیگر کالیبراسیون چند متغیره با آرایه های داده های پیچیده تر، مثلا یک بردار داده یا یک ماتریس داده به ازای هر نمونه کار می کند و امکان تخمین های کمی تحلیلی را در سیستم های حاوی چند گونه شیمیایی و فاقد گزینش پذیری را فراهم می کند[19]. در روشهای کالیبراسیون مرتبه اول، پاسخ یک "بردار عددی" (داده های مرتبه اول، به عنوان مثال، طیف، ولتاموگرام، پروفایل های زمانی) برای هر نمونه است. استفاده از این اطلاعات به اصطلاح "مزیت مرتبه اول" را فراهم می کند. با استفاده از مزیت مرتبه اول، کمی سازی یک آنالیت (آلاینده هدف) در حضور گونه مزاحم یا مداخله گر، زمانی که ترکیبات مزاحم در نمونه های کالیبراسیون در طول ایجاد مدل کالیبراسیون وجود داشته باشند را ممکن می سازد[20,21]. در روش‌های کالیبراسیون "مرتبه دوم"، پاسخ حاصل از آنالیز یک نمونه یک ماتریس داده برای هر نمونه است. به عنوان مثال به ازای هر نمونه، داده‌های مرتبه دوم همچون یک کروماتوگرام ¹HPLC-DAD یا اندازه‌گیری فلورسانس برانگیختگی-نشر ثبت می شود که در نهایت به این 

 

شکل 1. روش های کمومتریکس مختلف در تحلیل داده های تجزیه های زیست محیطی

معناست که سهم آنالیت را می‌توان از نظر کمی حتی در حضور گونه های مداخله گر ناشناخته تخمین زد و این مهم بدون حضور گونه های مزاحم در نمونه‌های کالیبراسیون نیز امکان پذیر است[20,21]. هر چند تا اینجا به روش های چند متغیره مرتبه اول و دوم اشاره شد. اما مجموعه داده های مرتبه بالاتر از این دو مورد و استراتژی های کالیبراسیون مربوط به آنها نیز امکان پذیر است و قادر است قدرت تفکیک و برآوردهای کمی را بیش از مراتب اول و دوم بهبود بخشد.

امکان استفاده از پاسخ های دستگاهی بسیار متنوع می تواند از مزیت های روش های چند متغیره کمومتریکس باشد که به پیش بینی غلظت آنالیت منجر می شود. بر اساس نتایج منتشر شده تحقیقات در متون علمی، کالیبراسیون چند متغیره به ابزارهای تحلیلی بسیار قدرتمندی تبدیل شده اند. اگرچه اولین انتشارات در این زمینه تحقیقاتی است در حدود 30 سال قبل منتشر شد، اما پس از آن و در دهه اخیر رشد قابل توجهی در برنامه های کاربردی مرتبه دوم و سوم و جعبه ابزارهای محاسباتی مرتبط در حوزه چند متغیره در زمینه های مختلف شیمی تجزیه صورت گرفته است[22].

الگوریتم ها و کاربردهای کالیبراسیون چند متغیره مرتبه دوم و سوم در مقالات و متون مختلف مورد بررسی و بحث قرار گرفته اند[21]. جدای از الگوریتم‌های درجه دوم کالیبراسیون، مانند تفکیک منحنی چند متغیره با حداقل کردن مربعات به روش متناوب²(MCR-ALS)[23] و تحلیل عاملی موازی³ (PARAFAC)[24]، روش های دیگری بر اساس مدل‌سازی داده‌های انعطاف‌پذیر پیشنهاد شده‌اند که از میان آنها می توان به حداقل مربعات جزئی⁴(PLS) برای تجزیه نمونه های زیست محیطی اشاره کرد[25,26].

به این ترتیب، با استفاده از روشهای چند متغیره و کمومتریکس می توان منابع آلودگی نقطه ای و پراکنده متعلق به یک منشاء خاص(طبیعی، انسانی، صنعتی، کشاورزی) را مشخص کرد و تقسیم نسبی آنها برای آشکار کردن الگوهای جغرافیایی، زمانی یا غیره را انجام داد[27]. بنابراین با توجه به مزایای بیان شده می توان اذعان کرد که کاربرد کمومتریکس در تحقیقات آلودگی زیست محیطی اغلب جایگاه ویژه ای دارد[27,28].

۲- نقش کمومتریکس در افزایش دقت و صحت آنالیزهای زیست محیطی

در دهه های اخیر، پیشرفت های قابل توجهی در روش های آنالیز و تجزیه دستگاهی برای تشخیص آلاینده های محیطی صورت گرفته است. این روش ها شامل کروماتوگرافی[29]، طیف سنجی جرمی[30]، طیف سنجی [31]، روش های الکتروشیمیایی[32] و غیره می باشد. این ابزارهای تجزیه ای اطلاعات ارزشمندی در مورد وجود، غلظت و توزیع آلاینده ها در نمونه های محیطی مانند هوا، آب، خاک و موجودات زنده ارائه می دهند.

با این حال، داده های تولید شده توسط این روش ها اغلب پیچیده و چند متغیره هستند و حاوی اطلاعاتی در مورد ترکیبات شیمیایی متعدد و برهمکنش های آنها هستند. این پیچیدگی چالش هایی را در تجزیه و تحلیل و تفسیر داده ها ایجاد می کند و استخراج اطلاعات مرتبط با استفاده از روش های آماری سنتی را دشوار می کند. اینجاست که کمومتریکس وارد عمل می شود و مجموعه ای از ابزارها و روش های قدرتمند را برای کشف پیچیدگی داده های آلاینده های محیطی ارائه می دهد[14,33–35] .

کمومتریکس، به عنوان یک زمینه چند رشته ای، نقش مهمی در افزایش دقت و صحت تجزیه و تحلیل داده های شیمیایی ایفا می کند[36]. در زمینه علوم زیست محیطی و پایش آلاینده ها، کاربرد کمومتریکس در پرداختن به چالش های مربوط به کیفیت داده ها، کاهش نویز و اعتبارسنجی مدل دستگاهی است. در این قسمت از مقاله به طور جامع به جنبه‌های کلیدی نقش کمومتریکس در افزایش دقت و صحت پرداخته می شود و از متون علمی مربوطه برای ایجاد درک کاملی از تأثیر آن بر تجزیه آلاینده‌های زیست محیطی استفاده می شود.

1-2- پیش پردازش داده ها و کاهش نویز

یکی از کمک های اولیه کمومتریکس در افزایش دقت و صحت از طریق روش های پیشرفته پیش پردازش داده هاست[37]. داده‌های آلاینده‌های زیست محیطی اغلب حاوی نویز، نقاط پرت و مداخله گرهایی هستند که می‌توانند بر قابلیت اطمینان نتایج تجزیه ای تأثیر بگذارند. روش‌های کمومتریکس مانند تصحیح خط پایه، هموارسازی⁵ و تشخیص نقاط پرت نقش مهمی در بهبود کیفیت داده‌ها با کاهش تأثیر تنوع ابزار به کاررفته یا اثرات محیطی بر داده ایفا می‌کنند[12]. با حذف موثر اجزای نویز ناخواسته، روش‌های پیش‌پردازش کمومتریکس به افزایش دقت و صحت داده‌ها کمک می‌کند[38] و منجر به تفسیرهای مطمئن‌تر از سطوح آلاینده در نمونه‌های زیست محیطی می‌شود.

2-2- نرمال سازی و کالیبراسیون

روش‌های کمومتریکس برای نرمال‌سازی و کالیبراسیون داده‌ها نیز ضروری هستند، که گام‌های مهمی در حصول اطمینان از صحت و دقت تجزیه آلاینده‌های زیست محیطی هستند[39]. روش های نرمال‌سازی مانند مقیاس خودکار و مرکزیت میانگین، حذف اثرات مقیاس و تغییرات در پاسخ‌های دستگاهی را ممکن می‌سازد. در نتیجه مقایسه منطقی مقادیر آلاینده را در نمونه‌های مختلف یا مکان‌های مورد پایش تسهیل می‌کنند[40,41].

علاوه بر این، روش‌های کالیبراسیون کمومتریکس، از جمله روش‌های رگرسیون چند متغیره مانند حداقل مربعات جزئی(PLS) و رگرسیون مؤلفه اصلی⁶(PCR)، به طور گسترده برای ایجاد روابط قوی بین سیگنال‌های تجزیه ای و غلظت آلاینده استفاده می‌شوند[42]. این مدل‌های کالیبراسیون نه تنها دقت کمی‌سازی آلاینده‌ها را افزایش می‌دهند، بلکه دقت پیش‌بینی‌ها را نیز بهبود می‌بخشند. این مزایا به خوبی در مطالعات پایه نشان داده شده است[43,44].

3-2- اعتبار سنجی مدل و کمی سازی عدم قطعیت

نقش کمومتریکس در افزایش دقت و صحت به جنبه مهم اعتبار سنجی مدل و تعیین کمیت عدم قطعیت در تجزیه آلاینده های زیست محیطی  در حال گسترش است. مدل‌های کمومتریکس که برای پیش‌بینی مقادیر آلاینده یا شناسایی منابع آلودگی ایجاد شده‌اند، باید برای اطمینان از قابلیت اطمینان و تعمیم‌پذیری آنها، مراحل اعتبارسنجی دقیقی را پشت سر بگذارند.

اهمیت روش‌های اعتبارسنجی متقاطع، مانند اعتبارسنجی متقاطع یک‌تایی و اعتبارسنجی متقاطع k تایی، برای ارزیابی عملکرد پیش‌بینی‌کنندگی در مدل‌های کمومتریکس تأکید شده است[45، 46]. این روش‌های اعتبارسنجی نه تنها دقت پیش‌بینی‌های مدل را افزایش می‌دهند، بلکه بینش‌هایی را در مورد صحت تخمین‌های انجام شده توسط مدل را ارائه می‌دهند[10] و در نتیجه محققان را قادر می‌سازند تا عدم قطعیت‌های مرتبط با اندازه‌گیری‌های آلاینده را کمی کنند.

4-2- روش های آماری چند متغیره قوی در جهت افزایش صحت و دقت

استفاده از روش‌های آماری چند متغیره قوی یکی از ویژگی‌های کمومتریکس در افزایش دقت و صحت در تجزیه آلاینده‌های زیست محیطی است[45]. روش‌های چند متغیره مانند تجزیه و تحلیل PCA، PLS و تجزیه و تحلیل خوشه‌ای، محققان حوزه های پایش آلاینده های زیست محیطی و مواجهات شغلی را قادر می‌سازد تا اطلاعات مرتبط را از مجموعه داده‌های پیچیده استخراج کنند و در عین حال تأثیر نقاط دورافتاده و تغییرات نامربوط را به حداقل برسانند. به عنوان مثال، در مطالعه ای از روش‌های تحلیل مؤلفه اصلی(PCA) و تحلیل عاملی اصلی⁷(PFA) برای ارزیابی اثربخشی شبکه پایش کیفیت آب سطحی در رودخانه‌ای استفاده شده است که متغیرهای ارزیابی شده ایستگاه‌های پایش بودند[47].

5-2- ادغام روش های پیشرفته دستگاهی

ادغام روش های پیشرفته دستگاهی با روش های کمومتریکس در افزایش دقت و صحت تجزیه آلاینده های زیست محیطی اهمیت بسیاری دارد[48]. پلتفرم‌های تجزیه ای مدرن مانند سیستم‌های کروماتوگرافی-طیف‌سنجی جرمی، طیف‌سنجی جذب اتمی و ابزارهای طیف‌سنجی مجموعه‌های داده‌های چند متغیره پیچیده‌ای را تولید می‌کنند که برای تفسیر مؤثر به ابزارهای کمومتریکس پیچیده نیاز دارند[49].

6-2- استفاده از روابط غیرخطی در چالش ها 

سهم مهم دیگر کمومتریکس در افزایش دقت و صحت و توانایی آن برای رسیدگی به چالش های مرتبط با روابط غیرخطی بین آلاینده ها و سیگنال های تجزیه ای است. روش‌های سنتی تک متغیره ممکن است برای ثبت برهم‌کنش‌های غیرخطی پیچیده بین آلاینده‌های متعدد و عوامل محیطی مشکل داشته باشند که منجر به عدم دقت در تعیین کمیت آلاینده می‌شود. از طرف دیگر، روش‌های کمومتریکس پیشرفته  مبتنی بر روشهای هوش مصنوعی مانند شبکه‌های عصبی مصنوعی⁸(ANN)[50]، ماشین‌های بردار پشتیبان⁹(SVM)[51] و روش‌های مبتنی بر هسته(Kernel)[52] راه‌حل‌های قدرتمندی برای مدل‌سازی روابط غیرخطی در داده‌های آلاینده‌های زیست محیطی ارائه می‌دهند.

3- رویکردهای کمومتریکس نوآورانه برای پایش آلاینده های پیچیده

با توجه به مزایای روشهای کمومتریکس در تحلیل داده های پیچیده، در این بخش از مقاله، رویکردهای کمومتریکس نوآورانه‌ای را بررسی خواهیم کرد که به عنوان ابزار قدرتمندی برای مقابله با چالش‌های مرتبط با آلاینده‌های پیچیده ظاهر شده‌اند. بر اساس تحقیقات منتشر شده، در این بخش به صورت خلاصه درکی از کاربردها، مزایا و چشم‌اندازهای آینده روش‌های کمومتریکس پیشرفته ارائه خواهد شد.

1-3- تفکیک منحنی چند متغیره (MCR) برای واهم گشت¹⁰ سیگنال های همپوشانی

یکی از رویکردهای کمومتریکس نوآورانه که در تجزیه و تحلیل آلاینده های پیچیده انقلابی ایجاد کرده است، تفکیک منحنی چند متغیره (MCR) است. روش‌های MCR، دکانولوشن یا تفکیک سیگنال‌های همپوشانی را در داده‌های تحلیلی امکان‌پذیر می‌سازد، که به ویژه در نمونه‌های زیست محیطی حاوی مخلوط‌هایی از آلاینده‌ها با غلظت‌ها و ویژگی‌های طیفی متفاوت، بسیار ضروری و مفید است[53].

بسیاری از مطالعات کارایی MCR را در مخلوط‌های آلاینده پیچیده در نمونه‌های  مختلف و از جمله آن زیست محیطی نشان داده‌اند که منجر به شناسایی دقیق و تعیین کمیت اجزای موجود در مخلوط به صورت جداگانه می‌شود[54]. با استخراج پروفایل‌های طیفی و غلظت خالص از سیگنال‌های دارای همپوشانی، MCR به افزایش دقت و صحت در تجزیه آلاینده‌ها کمک می‌کند و در نتیجه بینش‌های ارزشمندی در مورد منابع و رفتار آنها در سیستم‌های محیطی ارائه می‌دهد[55].

2-3- روش های دستگاهی تلفیقی و روشهای کمومتریکس چند بلوکی برای تجزیه جامع  آلاینده ها

ادغام روش های تجزیه ای با عنوان روشهای تلفیقی، مانند کروماتوگرافی گازی-طیف سنجی جرمی و کروماتوگرافی مایع-طیف سنجی جرمی، با روش های کمومتریکس چند بلوکی به عنوان یک رویکرد نوآورانه برای تجزیه و تحلیل جامع آلاینده های پیچیده پدید آمده است. این روش‌های تلفیقی می توانند داده‌های چند بعدی تولید ‌کنند و چالش مهمی برای تفسیر دقیق و تعیین کمیت آلاینده‌ها ایجاد می‌کنند. اما روشهای کمومتریکس در حل این چالش ها بسیار مهم و کارگشا بوده اند[56].

مطالعات مختلفی کاربرد روش‌های کمومتریکس چند بلوکی، از جمله تحلیل عاملی موازی[57] و حداقل مربعات جزئی چند بلوکی¹¹(MB-PLS)[58] را در مدیریت موثر داده‌های چند بعدی از روش‌های دستگاهی تلفیقی برجسته کرده‌اند. این روش‌ها با یکپارچه‌سازی اطلاعات از بلوک‌های تجزیه ای مختلف، تجزیه جامع آلاینده‌های پیچیده را امکان‌پذیر می‌کنند که منجر به بهبود دقت و صحت در شناسایی و تعیین کمیت کلاس‌های متنوع آلاینده‌ها در نمونه‌های محیطی می‌شود.

3-3- غربالگری غیر هدفمند با استفاده از طیف سنجی جرمی با وضوح بالا و داده کاوی کمومتریکس

استفاده از طیف‌سنجی جرمی با وضوح بالا¹²(HRMS) همراه با داده‌کاوی کمومتریکس، مرزهای جدیدی را در غربالگری غیرهدفمند آلاینده‌های پیچیده در نمونه‌های زیست محیطی و مواجهه با آلاینده ها باز کرده است[59]. HRMS داده‌های طیفی با کیفیت بالا را فراهم می‌کند و امکان شناسایی آلاینده‌های ناشناخته و محصولات تبدیلی را که ممکن است با استفاده از روش‌های تجزیه ای مرسوم هدف قرار نگیرند را فراهم می‌کند[60]. مطالعات مختلف پتانسیل روش های داده کاوی کمومتریکس مانند انتخاب ویژگی، خوشه بندی و الگوریتم های طبقه بندی را در تجزیه و تحلیل داده های HRMS برای غربالگری غیر هدفمند آلاینده های پیچیده نشان داده است[60]. این رویکردهای کمومتریکس نوآورانه، شناسایی سریع آلاینده‌های نوظهور و محصولات تبدیلی را امکان‌پذیر می‌سازد. در نتیجه دقت و صحت پایش آلاینده‌ها و ارزیابی ریسک در سیستم‌های زیست‌محیطی را افزایش می‌دهد[61].

4-3- رویکردهای شیمی‌سنجی مبتنی بر یادگیری ماشین برای توسعه مدل های پیش‌بینی‌کننده

ادغام رویکردهای کمومتریکس مبتنی بر یادگیری ماشین، مدل‌سازی پیش‌بینی‌کننده آلاینده‌های پیچیده در نمونه‌های زیست محیطی را به‌طور قابل‌توجهی پیشرفته کرده است. الگوریتم‌های یادگیری ماشین، از جمله جنگل‌های تصادفی، ماشین‌های بردار پشتیبان  و مدل‌های یادگیری عمیق، ابزارهای قدرتمندی را برای ثبت روابط غیرخطی پیچیده بین داده‌های آلاینده و عوامل محیطی ارائه می‌دهند[62].

مطالعات مختلفی اثربخشی رویکردهای کمومتریکس مبتنی بر یادگیری ماشین را در پیش‌بینی دقیق مقادیر آلاینده، تقسیم منبع و الگوهای توزیع فضایی آلاینده ها در سیستم‌های زیست محیطی نشان داده‌اند[63,64]. این رویکردهای نوآورانه با استفاده از مجموعه داده‌های بزرگ و گرفتن الگوهای پیچیده، دقت و صحت مدل‌سازی پیش‌بینی‌کننده را افزایش می‌دهند و در نتیجه بینش‌های ارزشمندی در مورد رفتار و سرنوشت آلاینده‌های پیچیده در بافت های مختلف زیست محیطی ارائه می‌دهند.

4- روش های تجزیه دستگاهی متداول برای تشخیص آلاینده های محیطی

آلودگی های محیطی ناشی از انتشار آلاینده های مختلف در هوا، آب و خاک، تهدیدات قابل توجهی برای زیست بوم ها و سلامت انسان به شمار می رود. شناسایی و تعیین کمیت آلاینده ها در نمونه های زیست محیطی برای ارزیابی تاثیر آنها و اجرای اقدامات کاهش موثر ضروری است. اساسا بدون در نظر گرفتن نقش کمومتریکس روش‌های تجزیه ای به خودی خود نقش مهمی در شناسایی و شناسایی آلاینده‌ها ایفا می‌کنند و بینش‌های ارزشمندی را در مورد منابع، رفتار و خطرات احتمالی آلاینده های زیست محیطی ارائه می‌کنند. در این بخش تعدادی از مهمترین روش‌های تجزیه ای مورد استفاده برای تشخیص آلاینده‌های زیست‌محیطی را بررسی می‌کنیم که می توانند داده های ورودی روش های کمومتریکس را تامین نمایند. شکل 2 شمایی از پرکاربردترین روشهای تجزیه ای به عنوان ورودی روش های کمومتریکس در تجزیه های زیست محیطی را نشان می دهد.  در ادامه به بررسی این روش ها پرداخت می شود.

 

شکل 2. پرکاربردترین روشهای تجزیه ای به عنوان ورودی روش های کمومتریکس در تجزیه های زیست محیطی

4-1- کروماتوگرافی گازی - طیف سنجی جرمی¹³ (GC-MS) برای تجزیه آلاینده های آلی

کروماتوگرافی گازی - طیف سنجی جرمی (GC-MS) به عنوان یک روش تحلیلی قدرتمند برای تشخیص و تعیین غلظت آلاینده های آلی در نمونه های محیطی بسیار پرکاربرد است. GC مخلوط های پیچیده ترکیبات آلی را بر اساس فراریت و میل ترکیبی آنها به فاز ساکن جدا می کند، در حالی که آشکار ساز MS شناسایی ترکیبات مجزا را با تجزیه و تحلیل طیف جرمی آنها امکان پذیر می کند[65].

مطالعات مختلفی کاربرد گسترده GC-MS در تجزیه و تحلیل آلاینده های محیطی، به ویژه برای ترکیبات آلی فرار (VOCs)، هیدروکربن های آروماتیک چند حلقه ای (PAHs) و آفت کش ها را نشان داده اند[65,66]. در جدول 1 تعدادی از مطالعات، که با استفاده از روش GC-MS و سایر روش های دستگاهی و با به کارگیری روش های کمومتریکس به اندازه گیری آفت کش ها پرداخته اند، آورده شده است. حساسیت بالا، گزینش پذیری و قابلیت تجزیه طیف گسترده ای از آلاینده های آلی، GC-MS را به ابزاری همه کاره برای پایش های زیست محیطی ، ارزیابی ریسک و انطباق با مقررات تبدیل کرده است.

4-2- کروماتوگرافی مایع - طیف سنجی جرمی (LC-MS) برای تجزیه آلاینده های قطبی

کروماتوگرافی مایع-طیف‌سنجی جرمی (LC-MS) برای تجزیه آلاینده‌های قطبی و نیمه قطبی در ماتریس‌های زیست محیطی اهمیت پیدا کرده است[79]. LC ترکیبات را بر اساس تمایل آنها به فازهای متحرک و ثابت جدا می کند، در حالی که MS اطلاعات ساختاری را از طریق تجزیه و تحلیل جرم ارائه می دهد. تحقیقات متعدد استفاده گسترده از LC-MS در تشخیص داروها، محصولات مراقبت شخصی و آلاینده های نوظهور در نمونه های آب و خاک تاکید می کند[75]. توانایی LC-MS برای مدیریت ترکیبات قطبی و قابل یونیزه شدن، همراه با حساسیت و وضوح بالای آن، این روش دستگاهی تلفیقی را برای غربالگری جامع و تعیین مقدار طبقات مختلف آلاینده ها در نمونه های زیست محیطی ضروری می کند[80].

4-3- طیف سنجی جذب اتمی (AAS) برای تجزیه و تحلیل آلاینده های فلزی 

 

---

[1]  High-Performance Liquid Chromatography with Diode-Array Detection

[2]  Multivariate Curve Resolution-Alternating Least Squares

[3]  PARAllel FACtor analysis

[4]  Partial Least Squares regression

[5]  Smooting

[6]  Principal Component Regression

[7]  Principal Factor Analysis

[8]  Artificial Neural Networks

[9]  Support Vector Machines

[10]  Deconvolution

[11]  Multi Block-Partial Least Squares

[12]  High Resolution Mass Spectrometry

[13]  Gas Chromatography-Mass Spectroscopy

جدول 1. کاربرد روشهای کمومتریکس در اندازه گیری آفت کش ها در نمونه های زیست محیطی

منابع	نمونه ها	روش دستگاهی	روش های آنالیز کمومتریکس	نام آفت کش
[67]	آب رودخانه	پلاروگرافی جریان مستقیم و پالس تفاضلی	PLS, PCR, ANNs	کاپتان، کاتپتافول، فلپت
[68]	نمونه آب شیر، دریاچه و برکه	سینتیک/ اسپکتروفتومتری	PLS, PCR, RBF-ANNs	کارباریل، فوکسیم
[69]	خاک	اسپکتروسکوپی مادون قرمز نزدیک	PLS	کلرودکون
[70]	نمونه سبزیجات و آب	سینتیک/ اسپکتروفتومتری	PLS, PCR, BNN	کارباریل
[71]	رودخانه و فاضلاب	HPLC-DAD	GRAM, PARAFAC, MCR-ALS	اکسامیل، متومیل، رزورسینول فنل، 4-نیتروفنول، 2،4-دی نیتروفنول
[72]	فاضلاب و رسوبات	HPLC-DAD	MCR-ALS	متومیل، دی اتیل سیمازین، دی اتیل آترازین، کاربندازیم، کربوفوران، سیمازین، آترازین، آلاکلر، کلرپیریفوس-اکسون، تربوترین، کلرفن وینفوس، پیریمیفوس متیل، کلرپیریفوس
[73]	فاضلاب و رسوبات	HPLC-MS	MCR-ALS	متومیل، دی اتیل سیمازین، دی اتیل آترازین، کاربندازیم، کربوفوران، سیمازین، آترازین، آلاکلر، کلرپیریفوس-اکسون، تربوترین، کلرفن وینفوس، پیریمیفوس متیل، کلرپیریفوس
[74]	فاضلاب و رسوبات	HPLC-DAD-MS	MCR-ALS	آلاکلر، آترازین، کاربندازیم، کربوفوران، کلرفن وینفوس، کلرپیریفوس، کلرپیریفوس-اکسون، دی اتیل آترازین، دی اتیل سیمازین، متومیل، پیریمیفوس متیل، سیمازین، تربوترین
[75]	صدف	HPLC-MS  در مدهای تک یون و اسکن	MCR-ALS, calibration methods	آلاکلر، آترازین، کلرفنوینفوس، پیریمیفوس متیل، تربوترین
[76]	نمونه های مصنوعی	GC-MS	MCR-ALS, PARAFAC	بیفنترین، تترامترین
[77]	نمونه های مصنوعی	سینتیک / روزنانس مغناطیسی هسته	MCR-ALS	متیل سولفورون و محصولات هیدرولیز
[78]	آب دریا	اسپکتروسکوپی فلورسانس نشری تحریکی	MCR-ALS	تری فنیل تین

 

طیف‌سنجی جذب اتمی(AAS) یک روش پایه برای تجزیه و تحلیل آلاینده‌های فلزی در نمونه‌های زیست محیطی است. AAS جذب نور توسط اتم های آزاد در فاز گاز را اندازه گیری می کند و اطلاعات کمی در مورد غلظت فلزات خاص در یکنمونه ارائه می دهد[81].

تحقیقات زیادی بر کاربرد گسترده AAS و نیز نشر اتمی در تشخیص فلزات سنگین مانند سرب، کادمیوم و جیوه در آب، خاک و موجودات زنده تاکید می کند[82]. حساسیت بالا، سادگی و مقرون به صرفه بودن AAS، آن را به ابزاری ضروری برای پایش آلاینده‌های فلزی در سیستم‌های زیست‌محیطی تبدیل می‌کند که به ارزیابی ریسک و تلاش‌های انطباق با مقررات کمک می‌کند[83].

4-4- طیف‌سنجی فلورسانس اشعه ایکس(XRF) برای تجزیه و تحلیل آلاینده‌های عنصری

طیف‌سنجی فلورسانس اشعه ایکس(XRF) به عنوان یک روش ارزشمند برای آنالیز عنصری آلاینده‌ها در نمونه‌های مختلف محیطی ظاهر شده است[83]. XRF پرتوهای ایکس مشخصی را که از عناصر ساطع می‌شود در هنگام تحریک فوتون‌های پرانرژی اندازه‌گیری می‌کند و امکان تعیین سریع و غیر مخرب ترکیب عنصر را فراهم می‌کند[84].

مطالعات زیادی در حوزه کاربرد XRF در تجزیه و تحلیل آلاینده های عنصری مانند فلزات سنگین، متالوئیدها و عناصر خاکی کمیاب در خاک، رسوبات و ذرات هوا انجام شده است که اهمیت این روش دستگاهی را در اندازه گیری های زیست محیطی نشان می دهد[85]. ماهیت غیر مخرب، سرعت بالای تجزیه و تحلیل و قابلیت چند عنصری، XRF را به ابزاری ضروری برای غربالگری آلاینده های عنصری و نقشه برداری فضایی در مطالعات زیست محیطی تبدیل کرده است[86,87].

4-5- طیف سنجی جرمی پلاسما جفت شده القایی (ICP-MS) برای آنالیز چند عنصری

طیف سنجی جرمی پلاسما جفت شده القایی (ICP-MS) تجزیه چند عنصری آلاینده ها را در بافت های مختلف محیطی متحول کرده است[88]. ICP پلاسما را در دماهای بالا تولید می کند تا عناصر را اتمی و یونیزه کند که سپس با طیف سنجی جرمی با حساسیت و دقت استثنایی کمی سازی می شود.

تحقیقات مختلفی منتشر شده است که بر استفاده گسترده از ICP-MS برای تشخیص عناصر کمیاب، فلزات سنگین و متالوئیدها (شبه فلزات) در آب، خاک، رسوبات و نمونه های بیولوژیکی تاکید می کند[89–91]. حد تشخیص فوق‌العاده، قابلیت اندازه گیری چند عنصری و محدوده غلظتی گسترده ICP-MS آن را به ابزاری توانمند و ضروری برای تجزیه جامع در پایش ها و تحقیقات زیست محیطی تبدیل می‌کند[89].

4-6- سنجش ایمونوسوربنت متصل به آنزیم (ELISA)  برای تشخیص آلاینده های بیوشیمیایی

سنجش ایمونوسوربنت متصل به آنزیم (ELISA) به عنوان یک روش همه کاره برای تشخیص آلاینده های بیوشیمیایی مانند آفت کش ها، هورمون ها و سموم در نمونه های محیطی پدیدار شده است[92]. این روش از آنتی‌بادی‌های اختصاصی برای جذب انتخابی آنالیت‌های هدف و به دنبال آن تشخیص آنزیمی برای تجزیه کمی استفاده می‌کند.

با بررسی متون می توان کاربرد گسترده ELISA را در پایش زیست محیطی باقیمانده آفت کش ها، مواد شیمیایی مختل کننده غدد درون ریز و سموم جلبکی مضر در نمونه های آب، خاک و مواد غذایی مشاهده کرد[93–95]. ویژگی¹ بالا، سرعت و مقرون به صرفه بودن ELISA، آن را به ابزاری ارزشمند برای غربالگری هدفمند آلاینده های بیوشیمیایی با پیامدهای بالقوه اکولوژیکی و سلامت انسان تبدیل کرده است.

4-7- طیف سنجی جرمی با وضوح بالا (HRMS) برای غربالگری آلاینده های غیر هدفمند

طیف سنجی جرمی با وضوح بالا(HRMS)، در غربالگری غیر هدفمند آلاینده های پیچیده در نمونه های محیطی پیشرفت های زیادی را ایجاد کرده است[96,97]. روش HRMS اندازه گیری دقیق جرم یون ها را با قدرت تفکیک بالا فراهم می کند و امکان تشخیص و شناسایی آلاینده های ناشناخته و محصولات تبدیل را فراهم می کند.

مطالعات متعددی نیز پتانسیل HRMS را در ارتباط با رویکردهای داده کاوی کمومتریکس برای غربالگری جامع آلاینده های نوظهور در نمونه های آب، هوا و موجودات زنده نشان می دهد[98–100]. گزینش پذیری، حساسیت و توانایی بالا برای توضیح فرمول های مولکولی، HRMS را به ابزاری قدرتمند برای شناسایی آلاینده های جدید و ردیابی وقوع آنها در سیستم های محیطی تبدیل می کند[101].

4-8- فناوری های نوظهور: دستگاه های میکروسیال و نانوحسگرها برای پایش در محل

فناوری‌های نوظهور مانند دستگاه‌های میکروسیال و نانوحسگرها، نوید زیادی برای پایش آلاینده‌های محیطی در محل دارند[102,103]. دستگاه های میکروسیال پردازش و تجزیه نمونه های کوچک را با کاهش مصرف معرف و زمان آنالیز سریع امکان پذیر می کنند[104].

تحقیقات مختلف، پتانسیل دستگاه‌های میکروسیال را برای پایش در زمان واقعی آلاینده‌ها در نمونه‌های آب، هوا و خاک، در مکان‌های دورافتاده یا منابع نقطه‌ای را نشان داده اند[105,106]. نانوحسگرهای مبتنی بر نانومواد قابلیت‌های تشخیص فوق حساس را برای آلاینده‌های خاص از طریق عملکرد سطح و مکانیسم‌های انتقال سیگنال ارائه می‌کنند[103].

به عنوان جمع بندی این بخش می توان گفت آرایه متنوعی از روش‌های تجزیه ای نقش اساسی در تشخیص آلاینده‌های زیست محیطی در بافت ها و کلاس‌های مختلف آلاینده ایفا می‌کند. از روش‌های سنتی مانند GC-MS و AAS گرفته تا فناوری‌های پیشرفته مانند HRMS و نانوحسگرها، بر گستردگی رویکردهای موجود برای تجزیه جامع آلاینده‌ها تاکید دارد. از آنجا که پایش های زیست محیطی با چالش‌های نوظهور و پیشرفت‌های فناوری به تکامل خود ادامه می‌دهد، ادغام این روش‌های تجزیه ای برای درک سرنوشت، انتقال و تأثیر آلاینده‌ها بر زیست بوم ها و سلامت انسان نقش مهم و حیاتی خواهد داشت.

5- چشم اندازها و چالش های آینده در کاربرد کمومتریکس

5-1- ادغام تجزیه داده های بزرگ و یادگیری ماشین

آینده کمومتریکس در پایش های زیست محیطی، در ادغام تجزیه داده های بزرگ و الگوریتم های یادگیری ماشین نهفته است. با گسترش آرایه های حسگر، بستر سنجش از راه دور و ابزارهای تحلیلی با توان عملیاتی بالا، حجم عظیمی از داده های چند بعدی تولید می شود[107,108]. یکی از مباحث مهم در این موضوع همان ادغام تجزیه داده‌های بزرگ و یادگیری ماشین است که چالش‌هایی را در رابطه با کیفیت داده، قابلیت تفسیر مدل و منابع محاسباتی ایجاد می‌کند[108]. بنابراین می توان گتف که اطمینان از قابلیت اعتماد و نمایندگی مجموعه داده های زیست محیطی در مقیاس بزرگ و همچنین توسعه مدل های یادگیری ماشینی شفاف و قابل تفسیر، برای به دست آوردن بینش عملی از داده های بزرگ در کمومتریکس زیست محیطی ضروری است[108].

5-2- پیشرفت در تصویربرداری فراطیفی و طیف سنجی

تصویربرداری و طیف‌سنجی فراطیفی با ارائه اطلاعات فضایی و طیفی دقیق در مورد آلاینده‌ها در ماتریس‌های مختلف، یکی از زمینه های تحقیقاتی است که می تواند در آینده پایش های زیست محیطی نقش متحول کننده داشته باشد[109]. کاربرد آتی کمومتریکس در تجزیه و تحلیل داده های فراطیفی فرصت های بی سابقه ای را برای نقشه برداری توزیع فضایی، شناسایی نقاط داغ آلاینده و مشخص کردن مخلوط های پیچیده آلاینده ها ارائه می دهد[110]. تحقیقات مختلف، پتانسیل روش‌های کمومتریکس مانند تفکیک منحنی چند متغیره، عدم اختلاط طیفی و انتخاب ویژگی را برای استخراج اطلاعات مرتبط از مجموعه داده‌های فراطیفی در مطالعات تجزیه ای برجسته می‌کنند[110] که می توانند در آینده مطالعات زیست محیطی بسیار کمک کننده باشند.

چالش موجود در این موضوع آن است که استفاده موثر از داده های فراطیفی در کمومتریکس زیست محیطی مستلزم پرداختن به دشواری ها و پیچیدگی های مربوط به پیش پردازش داده ها، کاهش ابعاد و تنوع طیفی است[111]. توسعه ابزارهای کمومتریکس قوی برای مدیریت مجموعه داده های فراطیفی با ابعاد بالا و استخراج اطلاعات معنی دار از سیستم های پیچیده زیست محیطی برای تحقق پتانسیل کامل تصویربرداری فراطیفی و طیف سنجی ضروری خواهد بود.

5-3- روندهای نوظهور در همجوشی حسگر² و تجزیه چند وجهی³

آینده کمومتریکس زیست محیطی شاهد تغییری به سمت همجوشی حسگرها و تجزیه چندوجهی خواهد بود که داده ها را از حسگرهای مختلف و روش های تجزیه ای برای افزایش جامعیت پایش آلاینده ها یکپارچه می کند[112]. روش‌های همجوشی حسگر ترکیبی از اطلاعات انواع حسگرهای مختلف، مانند حسگرهای نوری، الکتروشیمیایی و مبتنی بر جرم را برای دستیابی به درک جامع‌تری از آلاینده‌های زیست محیطی امکان‌پذیر می‌سازد.

تحقیقات مختلف منتشر شده، توانایی رویکردهای کمومتریکس را برای یکپارچه‌سازی داده‌های حسگر چندوجهی نشان می‌دهد. این روش، امکان پایش بلادرنگ آلاینده‌ها را با حساسیت، انتخاب‌پذیری و پوشش فضایی افزایش می‌دهد[112]. ادغام ترکیب حسگر و تجزیه و تحلیل چند وجهی چالش‌هایی را در رابطه با یکپارچه‌سازی داده‌ها، انتقال کالیبراسیون و مقایسه بین پلتفرمی ارائه می‌کند. توسعه چارچوب‌های کمومتریکس قوی برای هماهنگ کردن داده‌ها از حسگرهای متفاوت و همچنین پرداختن به مسائل مربوط به رانش حسگر، هماهنگ‌سازی کالیبراسیون و عدم قطعیت همجوشی حسگر، برای پیشبرد کاربرد تجزیه چندوجهی در کمومترکس زیست محیطی حیاتی خواهد بود.

5-4- ادغام اندازه گیری عدم قطعیت و ارزیابی ریسک

کاربرد آتی کمومتریکس در پایش زیست محیطی به طور فزاینده ای بر ترکیب چارچوب های اندازه گیری عدم قطعیت و ارزیابی ریسک در تجزیه و تحلیل آلاینده ها متمرکز خواهد شد. روش‌های اندازه گیری یا کمی‌سازی عدم قطعیت، تخمین عدم قطعیت‌های اندازه‌گیری، خطاهای مدل و تنوع در داده‌های محیطی را امکان‌پذیر می‌کنند و درک جامع‌تری از قابلیت اطمینان و استحکام نتایج تجزیه ای ارائه می‌دهند.

ادغام کمی‌سازی عدم قطعیت و ارزیابی ریسک در کمومتریکس زیست محیطی چالش‌هایی را در رابطه با اعتبارسنجی مدل، انتشار عدم قطعیت و تصمیم‌گیری در شرایط عدم قطعیت ایجاد می‌کند. توسعه روش‌های استاندارد شده برای کمی‌سازی و برقراری ارتباط عدم قطعیت‌ها در مدل‌های زیست‌محیطی و همچنین ادغام سیستم‌های پشتیبانی تصمیم آگاه از عدم قطعیت  در شیوه‌های پایش زیست محیطی، برای پرداختن به چالش‌های نوظهور در ارزیابی ریسک ضروری خواهد بود.

6- نتیجه گیری

تاکید می گردد که نقش کمومتریکس در افزایش دقت و صحت در تجزیه آلاینده های زیست محیطی یک نقش چند وجهی است که شامل پیش پردازش داده ها، کالیبراسیون، اعتبارسنجی مدل، استفاده از روش های آماری قوی، ادغام با ابزار دقیق پیشرفته و پرداختن به روابط غیرخطی است. بررسی متون مرتبط با موضوع تأثیر قابل توجه کمومتریکس بر بهبود کیفیت داده ها، کاهش عدم قطعیت ها و ارائه بینش قابل اعتماد در مورد مقادیر و منابع آلاینده را برجسته می کند. از آنجایی که برنامه های پایش زیست محیطی به تولید مجموعه داده های چند متغیره پیچیده ادامه می دهند، استفاده از کمومتریکس برای اطمینان از ارزیابی دقیق و صحیح آلاینده های زیست محیطی ضرورت خواهد داشت.

روش‌های کمومتریکس نوآورانه، تجزیه و تحلیل آلاینده‌های پیچیده در نمونه‌های محیطی را با پرداختن به چالش‌های مربوط به تفکیک سیگنال‌های دارای همپوشانی تجزیه ای، تجزیه جامع با استفاده از روش‌های دستگاهی تلفیقی، غربالگری غیرهدفمند با طیف‌سنجی جرمی با وضوح بالا و مدل‌سازی پیش‌بینی‌کننده با استفاده از یادگیری ماشین، به‌طور قابل‌توجهی پیشرفت داده‌اند. رویکردهای مبتنی بر مقالات منتشر شده بر تأثیر اساسی این روش‌های کمومتریکس نوآورانه در افزایش دقت، صحت و قابلیت اطمینان در تجزیه آلاینده تأکید می‌کنند. از آنجایی که پایش های زیست محیطی همچنان با مخلوط‌های آلاینده پیچیده‌تر مواجه می‌شود، استفاده از این رویکردهای کمومتریکس پیشرفته برای به دست آوردن بینش جامع در مورد سرنوشت و رفتار آلاینده‌ها در سیستم‌های زیست‌محیطی دارای اهمیت خواهد بود.

روش های مختلفی از کمومتریکس در اندازه گیری آلاینده های زیست محیطی مورد استفاده قرار گرفته اند که روش های کالیبراسیون چند متغیره همچون PLS و PCR و نیز روش های تحلیل نمودار به ویژه MCR-ALS از جمله پر کاربردترین آنها هستند. هر چند روش های کالیبراسیون و طبقه بندی غیر خطی همچون شبکه عصبی مصنوعی نیز در اندازه گیری آلاینده های زیست محیطی استفاده شده اند. همچنین روش های کالیبراسیون چند بعدی همچون PARAFAC نیز مزایای بسیاری در تحلیل داده های مربوط به پایش های زیست محیطی را نشان داده است. به نظر می رسد روش های کمومتریکس با توجه به مزایا و توانمندی ها می توانند در آینده اقبال بیشتری در بین محققان حوزه اندازه گیری آلاینده ها و پایش های زیست محیطی داشته باشد و به واسطه بکارگیری آنها اطلاعات مفید بیشتری از حجم انبوده داده های دستگاهی در زمینه های مختلفی از جمله الکتروشیمی ، اسپکتروسکوپی و کروماتوگرافی استخراج نماید.

چشم اندازها و چالش‌های آینده در کاربرد کمومتریکس، پتانسیل زیادی برای پیشبرد پایش زیست‌محیطی و تجزیه آلاینده‌ها دارد. از ادغام تجزیه داده‌های بزرگ و یادگیری ماشین گرفته تا پیشرفت‌ها در تصویربرداری فراطیفی، همجوشی حسگر و کمی‌سازی عدم قطعیت، اطلاعات موجود در متون علمی بر وسعت روندهای نوظهور و رویکردهای نوآورانه در کمومتریکس زیست محیطی تأکید می‌کند. همانطور که فناوری به تکامل خود ادامه می‌دهد و چالش‌های جدید ایجاد می‌شود، پرداختن به چالش‌های شناسایی‌شده برای استفاده از پتانسیل کامل کمومتریکس در رسیدگی به مسائل پیچیده زیست‌محیطی و تضمین مدیریت پایدار منابع طبیعی، حیاتی خواهد بود.

مراجع

1. S. Yuan, Y. Li, F. Bao, H. Xu, Y. Yang, Q. Yan, S. Zhong, H. Yin, J. Xu, Z. Huang, and J. Lin, Sci. Total Environ. 858, 159741 (2023).

2. F. Dehghani, S. Yousefinejad, D. I. D. I. Walker, and F. Omidi, Metabolomics 18, 73 (2022).

3. M. A. Mallah, L. Changxing, M. A. Mallah, S. Noreen, Y. Liu, M. Saeed, H. Xi, B. Ahmed, F. Feng, A. A. Mirjat, W. Wang, A. Jabar, M. Naveed, J.-H. Li, and Q. Zhang, Chemosphere 296, 133948 (2022).

4. H. Kang, S. Sung, J. Hong, S. Jung, T. Hong, H. S. Park, and D.-E. Lee, J. Hazard. Mater. 402, 123483 (2021).

5. Z. Idrees and L. Zheng, J. Ind. Inf. Integr. 17, 100123 (2020).

6. M. Thakur and D. Pathania, in Abat. Environ. Pollut. (Elsevier, 2020), pp. 245–262.

7. R. Nigar, S. Zhao, X. Liu, H. Huang, L. Tian, Y. Xiao, A. Habib, and G. Zhang, Emerg. Contam. 10, 100356 (2024).

8. A. K. Sharma, M. Sharma, A. K. Sharma, M. Sharma, and M. Sharma, J. Geochemical Explor. 255, 107325 (2023).

9. A. Zappi, V. Marassi, S. Giordani, N. Kassouf, B. Roda, A. Zattoni, P. Reschiglian, and D. Melucci, Chemosensors 11, 45 (2023).

10. S. Yousefinejad and B. Hemmateenejad, Chemom. Intell. Lab. Syst. 149, (2015).

11. A. G. Usman, N. Usanase, S. I. Abba, I. Ozsahin, B. Uzun, M. A. Yassin, S. M. Rahman, and D. U. Ozsahin, Sustain. Chem. Environ. 2, 100011 (2023).

12. B. Lavine and J. Workman, Anal. Chem. 80, 4519 (2008).

13. M. M. R. Mostert, G. A. Ayoko, and S. Kokot, TrAC Trends Anal. Chem. 29, 430 (2010).

14. S. Mas, A. de Juan, R. Tauler, A. C. Olivieri, and G. M. Escandar, Talanta 80, 1052 (2010).

15. S. P. J. van Leeuwen and J. de Boer, J. Chromatogr. A 1186, 161 (2008).

16. M. Gros, M. Petrović, and D. Barceló, Talanta 70, 678 (2006).

17. H.-P. Wang, P. Chen, J.-W. Dai, D. Liu, J.-Y. Li, Y.-P. Xu, and X.-L. Chu, TrAC Trends Anal. Chem. 153, 116648 (2022).

18. D.L. Massart, B.G.M. Vandeginste, L.M.C. Buydens, S. de Jong, P.J. Lewi, J.S. Verbeke, Handbook of Chemometrics and Qualimetrics, Elsevier, Amsterdam, The Netherlands, 1997, Parts A and B. (1997).

19. J. A. Arancibia, P. C. Damiani, G. A. Ibañez, and A. C. Olivieri, J. AOAC Int. 97, 39 (2014).

20. K. S. Booksh and B. R. Kowalski, Anal. Chem. 66, 782A (1994).

21. G. M. Escandar, A. C. Olivieri, N. (Klaas) M. Faber, H. C. Goicoechea, A. Muñoz de la Peña, and R. J. Poppi, TrAC Trends Anal. Chem. 26, 752 (2007).

22. A. C. Olivieri, Anal. Chem. 80, 5713 (2008).

23. R. Tauler, A. Smilde, and B. Kowalski, J. Chemom. 9, 31 (1995).

24. R. Bro, Chemom. Intell. Lab. Syst. 38, 149 (1997).

25. G. N. Piccirilli and G. M. Escandar, Analyst 131, 1012 (2006).

26. D. B. Gil, A. M. de la Peña, J. A. Arancibia, G. M. Escandar, and A. C. Olivieri, Anal. Chem. 78, 8051 (2006).

27. R. C. Henry, C. W. Lewis, P. K. Hopke, and H. J. Williamson, Atmos. Environ. 18, 1507 (1984).

28. J. Einax, H. Zwanziger, S. Geiss (Eds.), Chemometrics in Environmental Analysis, VCH, Weinheim, Germany, 1997. (n.d.).

29. D. C. Aydin, J. Zamudio Pineres, F. Al-Manji, H. Rijnaarts, and T. Grotenhuis, Anal. Methods 13, 1635 (2021).

30. L. Liu, Q. Wu, X. Miao, T. Fan, Z. Meng, X. Chen, and W. Zhu, Chemosphere 286, 131815 (2022).

31. S. Veerasingam, M. Ranjani, R. Venkatachalapathy, A. Bagaev, V. Mukhanov, D. Litvinyuk, M. Mugilarasan, K. Gurumoorthi, L. Guganathan, V. M. Aboobacker, and P. Vethamony, Crit. Rev. Environ. Sci. Technol. 51, 2681 (2021).

32. S. Tajik, H. Beitollahi, F. G. Nejad, Z. Dourandish, M. A. Khalilzadeh, H. W. Jang, R. A. Venditti, R. S. Varma, and M. Shokouhimehr, Ind. Eng. Chem. Res. 60, 1112 (2021).

33. T. S. Bos, W. C. Knol, S. R. A. Molenaar, L. E. Niezen, P. J. Schoenmakers, G. W. Somsen, and B. W. J. Pirok, J. Sep. Sci. 43, 1678 (2020).

34. A. Gredilla, S. Fdez-Ortiz de Vallejuelo, N. Elejoste, A. de Diego, and J. M. Madariaga, TrAC Trends Anal. Chem. 76, 30 (2016).

35. M. Tarapoulouzi, V. Ortone, and S. Cinti, Talanta 244, 123410 (2022).

36. B. Igne and C. R. Hurburgh, J. Chemom. 24, 75 (2010).

37. P. Mishra, A. Biancolillo, J. M. Roger, F. Marini, and D. N. Rutledge, TrAC Trends Anal. Chem. 132, 116045 (2020).

38. L. Shao, X. Lin, and X. Shao, Appl. Spectrosc. Rev. 37, 429 (2002).

39. A. Craig, O. Cloarec, E. Holmes, J. K. Nicholson, and J. C. Lindon, Anal. Chem. 78, 2262 (2006).

40. R. A. van den Berg, H. C. Hoefsloot, J. A. Westerhuis, A. K. Smilde, and M. J. van der Werf, BMC Genomics 7, 142 (2006).

41. R. Bro and A. K. Smilde, J. Chemom. 17, 16 (2003).

42. P. A. Aguilera, A. G. Frenich, H. Castro, and J. L. M. Vidal, Environ. Monit. Assess. 62, 193 (2000).

43. S. Wold, P. Geladi, K. Esbensen, and J. Öhman, J. Chemom. 1, 41 (1987).

44. S. Wold, M. Sjöström, and L. Eriksson, Chemom. Intell. Lab. Syst. 58, 109 (2001).

45. R. G. Brereton, J. Jansen, J. Lopes, F. Marini, A. Pomerantsev, O. Rodionova, J. M. Roger, B. Walczak, and R. Tauler, Anal. Bioanal. Chem. 410, 6691 (2018).

46. S. Yousefinejad, F. Honarasa, F. Abbasitabar, and Z. Arianezhad, J. Solution Chem. 42, 1620 (2013).

47. Y. OUYANG, Water Res. 39, 2621 (2005).

48. N. Kumar, A. Bansal, G. S. Sarma, and R. K. Rawal, Talanta 123, 186 (2014).

49. M. D. Peris-Díaz and A. Krężel, TrAC Trends Anal. Chem. 135, 116157 (2021).

50. V. Yadav, A. K. Yadav, V. Singh, and T. Singh, Results Eng. 22, 102305 (2024).

51. W. Zheng, D. Tian, X. Wang, W. Tian, H. Zhang, S. Jiang, G. He, Y. Zheng, and W. Qu, Toxicology 313, 151 (2013).

52. J. F. Bobb, L. Valeri, B. Claus Henn, D. C. Christiani, R. O. Wright, M. Mazumdar, J. J. Godleski, and B. A. Coull, Biostatistics 16, 493 (2015).

53. A. de Juan and R. Tauler, Anal. Chim. Acta 1145, 59 (2021).

54. H. Parastar and R. Tauler, Anal. Chem. 86, 286 (2014).

55. M. Bayat, M. Marín-García, J. B. Ghasemi, and R. Tauler, Anal. Chim. Acta 1113, 52 (2020).

56. K. P. Singh, A. Malik, S. Sinha, and V. K. Singh, Water. Air. Soil Pollut. 185, 79 (2007).

57. R. D. JiJi, G. G. Andersson, and K. S. Booksh, J. Chemom. 14, 171 (2000).

58. K. Matta, T. Lefebvre, E. Vigneau, V. Cariou, P. Marchand, Y. Guitton, A.-L. Royer, S. Ploteau, B. Le Bizec, J.-P. Antignac, and G. Cano-Sancho, Environ. Int. 158, 106926 (2022).

59. A. T. Lebedev, D. M. Mazur, V. B. Artaev, and G. Y. Tikhonov, Environ. Chem. Lett. 18, 1753 (2020).

60. D. M. Mazur, E. A. Detenchuk, A. A. Sosnova, V. B. Artaev, and A. T. Lebedev, Sci. Total Environ. 761, 144506 (2021).

61. P. Plaza-Bolaños, N. M. Valera-Tarifa, and A. G. Frenich, in (2013), pp. 431–454.

62. X. Liu, D. Lu, A. Zhang, Q. Liu, and G. Jiang, Environ. Sci. Technol. 56, 2124 (2022).

63. N. Taoufik, W. Boumya, M. Achak, H. Chennouk, R. Dewil, and N. Barka, Sci. Total Environ. 807, 150554 (2022).

64. Y. Lyu, Q. Ju, F. Lv, J. Feng, X. Pang, and X. Li, Environ. Pollut. 306, 119420 (2022).

65. T. Portolés, E. Pitarch, F. J. López, J. V. Sancho, and F. Hernández, J. Mass Spectrom. 42, 1175 (2007).

66. F. Hernández, M. I. Cervera, T. Portolés, J. Beltrán, and E. Pitarch, Anal. Methods 5, 5875 (2013).

67. A. Guiberteau, T. Galeano, N. Mora, F. Salinas, J. M. Ortı́z, and J. C. Viré, Comput. Chem. 25, 459 (2001).

68. Y. Ni, D. Cao, and S. Kokot, Anal. Chim. Acta 588, 131 (2007).

69. D. Brunet, T. Woignier, M. Lesueur-Jannoyer, R. Achard, L. Rangon, and B. G. Barthès, Environ. Pollut. 157, 3120 (2009).

70. Y. Ni, W. Xiao, and S. Kokot, J. Hazard. Mater. 168, 1239 (2009).

71. E. Comas, R. A. Gimeno, J. Ferré, R. M. Marcé, F. Borrull, and F. X. Rius, J. Chromatogr. A 1035, 195 (2004).

72. E. Peré-Trepat, A. Hildebrandt, D. Barceló, S. Lacorte, and R. Tauler, Chemom. Intell. Lab. Syst. 74, 293 (2004).

73. E. Peré-Trepat, S. Lacorte, and R. Tauler, J. Chromatogr. A 1096, 111 (2005).

74. E. Peré-Trepat and R. Tauler, J. Chromatogr. A 1131, 85 (2006).

75. E. Peré-Trepat, S. Lacorte, and R. Tauler, Anal. Chim. Acta 595, 228 (2007).

76. T. Khayamian, G. H. Tan, A. Sirhan, Y. F. Siew, and S. M. Sajjadi, Chemom. Intell. Lab. Syst. 96, 149 (2009).

77. E. Bezemer and S. Rutan, Anal. Chim. Acta 459, 277 (2002).

78. J. Saurina, C. Leal, R. Compañó, M. Granados, R. Tauler, and M. D. Prat, Anal. Chim. Acta 409, 237 (2000).

79. R. Loos, G. Hanke, and S. J. Eisenreich, J. Environ. Monit. 5, 384 (2003).

80. I. S. Pérez, M. J. Culzoni, G. G. Siano, M. D. G. García, H. C. Goicoechea, and M. M. Galera, Anal. Chem. 81, 8335 (2009).

81. A. Inobeme, V. Nayak, T. J. Mathew, S. Okonkwo, L. Ekwoba, A. I. Ajai, E. Bernard, J. Inobeme, M. Mariam Agbugui, and K. R. Singh, J. Environ. Manage. 309, 114653 (2022).

82. É. F. Batista, A. dos S. Augusto, and E. R. Pereira-Filho, Talanta 150, 206 (2016).

83. M. Cocchi, G. Franchini, D. Manzini, M. Manfredini, A. Marchetti, and A. Ulrici, J. Agric. Food Chem. 52, 4047 (2004).

84. M. S. Shackley, in X-Ray Fluoresc. Spectrom. Geoarchaeology (Springer New York, New York, NY, 2011), pp. 7–44.

85. M. A. Stapanian, J. Chemom. 5, 121 (1991).

86. S. Aidene, M. Khaydukova, G. Pashkova, V. Chubarov, S. Savinov, V. Semenov, D. Kirsanov, and V. Panchuk, Spectrochim. Acta Part B At. Spectrosc. 185, 106310 (2021).

87. M. I. Kaniu, K. H. Angeyo, M. J. Mangala, A. K. Mwala, and S. K. Bartilol, X-Ray Spectrom. 40, 432 (2011).

88. H. Gramowska, I. Krzyzaniak, D. Baralkiewicz, and R. Goldyn, Environ. Monit. Assess. 160, 479 (2010).

89. E. G. Nasr, E. N. Epova, A. de Diego, R. Souissi, M. Hammami, H. Abderrazak, and O. F. X. Donard, Foods 11, 82 (2021).

90. E. Varhan Oral, Ö. Tokul-Ölmez, İ. Yener, M. Firat, Z. Tunay, P. Terzioğlu, F. Aydin, M. Öztürk, and A. Ertaş, Anal. Lett. 52, 320 (2019).

91. I. Komorowicz, H. Gramowska, and D. Barałkiewicz, J. Environ. Sci. Heal. Part A 45, 348 (2010).

92. J. L. Zajicek, D. E. Tillitt, T. R. Schwartz, C. J. Schmitt, and R. O. Harrison, Chemosphere 40, 539 (2000).

93. J. K. Lee, K. C. Ahn, O. S. Park, S. Y. Kang, and B. D. Hammock, J. Agric. Food Chem. 49, 2159 (2001).

94. G. S. Nunes, I. A. Toscano, and D. Barceló, TrAC Trends Anal. Chem. 17, 79 (1998).

95. B. M. Brena, L. Arellano, C. Rufo, M. S. Last, J. Montaño, E. E. Cerni, G. Gonzalez-Sapienza, and J. A. Last, Environ. Sci. Technol. 39, 3896 (2005).

96. K. Anagnostopoulpou, C. Nannou, V. G. Aschonitis, and D. A. Lambropoulou, Sci. Total Environ. 849, 157887 (2022).

97. E. L. Jamin, N. Bonvallot, M. Tremblay-Franco, J.-P. Cravedi, C. Chevrier, S. Cordier, and L. Debrauwer, Anal. Bioanal. Chem. 406, 1149 (2014).

98. W.-L. Chen, S.-Y. Yu, S.-Y. Liu, S.-C. Lin, and T.-H. Lee, Sci. Total Environ. 862, 160830 (2023).

99. L. L. Hohrenk, M. Vosough, and T. C. Schmidt, Anal. Chem. 91, 9213 (2019).

100. M. Pourchet, L. Debrauwer, J. Klanova, E. J. Price, A. Covaci, N. Caballero-Casero, H. Oberacher, M. Lamoree, A. Damont, F. Fenaille, J. Vlaanderen, J. Meijer, M. Krauss, D. Sarigiannis, R. Barouki, B. Le Bizec, and J.-P. Antignac, Environ. Int. 139, 105545 (2020).

101. S. Liesenfeld, P. Steliopoulos, and G. Hamscher, J. Agric. Food Chem. 68, 12493 (2020).

102. N. Pouyanfar, S. Z. Harofte, M. Soltani, S. Siavashy, E. Asadian, F. Ghorbani-Bidkorbeh, R. Keçili, and C. M. Hussain, Trends Environ. Anal. Chem. 34, e00160 (2022).

103. A. E. D. Mahmoud and M. Fawzy, in (2021), pp. 229–246.

104. R. Pol, F. Céspedes, D. Gabriel, and M. Baeza, TrAC Trends Anal. Chem. 95, 62 (2017).

105. J. P. Lafleur, S. Senkbeil, T. G. Jensen, and J. P. Kutter, Lab Chip 12, 4651 (2012).

106. F. Zhang, W. Liu, S. Zhou, L. Jiang, K. Wang, Y. Wei, A. Liu, W. Wei, and S. Liu, Anal. Chem. 92, 7200 (2020).

107. R. Houhou and T. Bocklitz, Anal. Sci. Adv. 2, 128 (2021).

108. H. Parastar and R. Tauler, Angew. Chemie 134, (2022).

109. J. shan, J. Zhao, L. Liu, Y. Zhang, X. Wang, and F. Wu, Environ. Pollut. 238, 121 (2018).

110. V. Olmos, M. Marro, P. Loza‐Alvarez, D. Raldúa, E. Prats, F. Padrós, B. Piña, R. Tauler, and A. de Juan, J. Biophotonics 11, (2018).

111. H. D. T. Jones, D. M. Haaland, M. B. Sinclair, D. K. Melgaard, M. H. Van Benthem, and M. C. Pedroso, J. Chemom. 22, 482 (2008).

112. A. M. Lines, G. B. Hall, S. Asmussen, J. Allred, S. Sinkov, F. Heller, N. Gallagher, G. J. Lumetta, and S. A. Bryan, ACS Sensors 5, 2467 (2020).

 

---

[1]  Specificity

[2]  Sensor Fusion

[3]  Multi-Modal Analysis

Application of chemometrics methods in the monitoring of environmental pollutants 

        Leila Aalizadeh 1, Mohammad Reza Baezat 1, Saeed Yousefinejad 2,3*

1 Department of Chemistry, Payame Noor University, Tehran, Iran

2 Research Center for Health Sciences, Institute of Health, Shiraz University of Medical Sciences, Shiraz, Iran

Abstract: Due to the importance of measurement and monitoring of environmental pollutants, the amount of exposure and the need to reduce environmental risks for humans and living organisms, the use of chemometrics in environmental studies has increased over the past two decades. These applications are designed to test and prove the power of dedicated data processing techniques and the availability of suitable software with broad applications in this field. In this review study, we have discussed aspects of the ability of chemometrics methods in gathering environmental data and measuring hazardous pollutants. Considering the advantages of multivariate methods and chemometrics, it is expected that it can be more effective in solving difficult problems and extracting useful information. As environmental monitoring continues to monitor complex pollutant mixtures, the use of advanced chemometrics approaches will be important to gain comprehensive insight into the following of the pollutants in environmental or biological systems. Future prospects and challenges in the application of chemometrics show the great potential of these methods to enhance environmental monitoring and pollutant analysis. Integration of big data, machine learning, advance hyperspectral imaging, sensor fusion, and uncertainty quantification can be considered as emerging and innovative approaches in environmental chemometrics.

3 Department of Occupational Health Engineering, School of Health, Shiraz University of Medical Sciences, Shiraz, Iran

Keywords: Multivariate methods, Organic compounds, Environmental pollutants, Monitoring, Pollution, Chemometrics

 

تاریخ دریافت : 11/3/۱403         سال سوم | شماره 1 | بهار ۱403                17

تاریخ پذیرش : 25/3/۱403