Ordonnée à l’origine de la corrélation – qu’est-ce que c’est et que signifie-t-elle ?

Comparaison des données

J’ai récemment vu une discussion sur l’exportation de données du Zetasizer pour une analyse plus approfondie. Les logiciels Zetasizer Nano et Zetasizer Pro/Ultra incluent une gamme d’outils d’analyse. Je me suis demandé ce qui manquait ?

Lorsqu’on compare des données, il est souvent tentant de simplifier les données pour faciliter ce processus. C’est ce qui a déclenché la question de l’exportation des données. L’utilisateur voulait normaliser les données de la fonction d’autocorrélation (ACF) de leurs mesures de Diffusion Dynamique de Lumière (DLS).

Nous savons par théorie que l’ACF devrait commencer près de 1 et se terminer à zéro. Il semble donc judicieux d’échelonner les données à 1, n’est-ce pas ? Certains instruments DLS le font automatiquement. Cependant, en procédant ainsi, nous pourrions manquer une pièce importante du puzzle de la qualité des données.

Que nous montre l’interception ?

Par exemple, ci-dessous se trouvent deux ensembles de données de corrélation pour un échantillon de latex de polystyrène, où nous avons normalisé les données. Ils montrent tous deux de « bonnes » fonctions de corrélation, mais nous pouvons voir une différence dans la décroissance. La valeur de taille hydrodynamique reportée est différente. Ils doivent être de tailles différentes, n’est-ce pas ?

En réalité, nous avons manqué quelque chose en rééchelonnant les données – l’interception de corrélation. Il s’agit de la valeur du plateau de la fonction d’autocorrélation à de courts temps de retard. En théorie, l’interception de corrélation est 1, mais en réalité, un certain nombre d’effets de bruit interfèrent avec cette valeur. Certains proviennent de l’instrument (laser et optique de détection), mais cela pourrait provenir de l’échantillon.

Si nous prenons nos deux échantillons de latex et regardons les données brutes, nous pouvons voir une différence frappante entre les deux ensembles de données. L’un a une interception beaucoup plus basse que l’autre.

La faible interception des données rouges a été causée par une « diffusion multiple ». C’est là que plusieurs particules diffusent la lumière avant qu’elle ne soit détectée. La théorie d’analyse DLS fonctionne si seulement la lumière diffusée une seule fois est prise en compte, donc ici nous avons une mesure inexacte. Pour remédier à cela, la concentration de l’échantillon pourrait être réduite. Si un Zetasizer capable de mesures en rétro-diffusion est utilisé, la position de la mesure peut être ajustée. Une mesure proche de la paroi de la cellule réduira la diffusion multiple. Nous appelons cette technique Non-Invasive Back Scatter (NIBS).

Qu’est-ce qui affecte la valeur de l’interception ?

D’autres exemples de bruits optiques provenant de l’échantillon incluent :

• Éblouissement – diffusion de la cuvette – généralement parce qu’elle est sale ou rayée.
• Fluorescence – l’échantillon émet sa propre lumière qui est détectée en plus de la lumière diffusée.
• Fluctuations de nombre – le nombre de particules dans le faisceau laser change sensiblement au fil du temps. Cela signifie que l’intensité moyenne de diffusion n’est pas stable.

L’interception de corrélation nous aide à identifier ces effets. La lumière supplémentaire provenant de l’éblouissement, de la fluorescence ou de la diffusion multiple se traduit toutes par une interception plus basse. Les fluctuations de nombre mènent à une interception plus élevée, qui peut être bien supérieure à 1.

Toujours pas sûr si vous avez une mesure de bonne qualité ?

Interpréter les données DLS est délicat, et il y a plus à regarder que juste l’interception. Nous pouvons également interpréter la ligne de base de corrélation et la décroissance, ainsi que le taux de comptage et d’autres paramètres de mesure. Notre logiciel possède des fonctionnalités pour donner des conseils sur la qualité des données. Dans le logiciel Zetasizer Nano, cherchez le rapport d’Expert Advice. Si vous utilisez le nouveau Zetasizer Pro ou Ultra, regardez la fenêtre Data Quality Guidance.

La fonctionnalité Data Quality Guidance utilise l’intelligence artificielle pour identifier les problèmes de mesure. Elle examine la fonction de corrélation et, en se basant sur l’apprentissage de 10 000 autres exemples, classe les données.

L’algorithme affiche une étiquette pour indiquer comment chaque enregistrement peut être utilisé. Des conseils sont également donnés sur la façon de résoudre d’éventuels problèmes de mesure. Si plus d’un problème est identifié, des conseils pour le plus significatif seront donnés. Cela permet d’avoir un flux de travail robuste et guidé pour améliorer les conditions de l’échantillon et de mesure.

Pour plus d’informations

Pour en savoir plus sur certains des artefacts qui peuvent affecter une mesure DLS, consultez ce webinaire : Quand une particule n’est-elle pas une particule ?

Lecture complémentaire

• 5 caractéristiques communes passionnantes des NOUVEAUX Zetasizer Pro et Ultra
• Corrélation adaptative : de meilleures données DLS avec moins de temps et d’efforts