Хемометрика для оптического спектрального анализа многокомпонентных смесей

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Современная оптическая спектроскопия успешно решает задачи количественного и качественного анализа многокомпонентных смесей сложного химического и морфологического состава. Многие природные и техногенные образцы требуют прямого анализа без разделения на компоненты или сложной пробоподготовки, а зачастую и без возможности физического отбора проб. Это стало возможным благодаря техническому совершенствованию аналитического оборудования, с одной стороны, и развитию математических методов анализа многомерных данных (хемометрики) – с другой. Настоящий обзор посвящен рассмотрению наиболее важных алгоритмов хемометрики с точки зрения их вклада в создание и развитие методов оптического спектрального анализа многокомпонентных смесей. Акцент сделан на молекулярной спектроскопии в ультрафиолетовой, видимой и инфракрасной областях, где из-за существенного наложения полос поглощения (испускания) точность и устойчивость результата анализа во многом зависит от используемого математического аппарата. Приведена основополагающая теоретическая информация, дающая ключ к пониманию эффективности рассмотренных методов и алгоритмов в построении моделей для градуировки, классификации и разведочного анализа многомерных данных. Часть приведенной информации впервые отражена в русскоязычной научной периодике. Собраны иллюстративные примеры использования оптической спектроскопии и хемометрики для решения реальных аналитических задач в химической, пищевой и фармацевтической промышленностях, экологии и медицине без предварительной пробоподготовки.

Об авторах

А. Ю. Богомолов

Самарский государственный технический университет

Email: a.bogomolov@mail.ru
ул. Молодогвардейская, 244, Самара, 443100 Россия

А. С. Мананков

Самарский государственный технический университет

Автор, ответственный за переписку.
Email: a.bogomolov@mail.ru
ул. Молодогвардейская, 244, Самара, 443100 Россия

Список литературы

  1. ГОСТ 5962-2013. Спирт этиловый ректификованный из пищевого сырья. Технические условия. М.: Стандартинформ, 2013. 8 с.
  2. ГОСТ Р 53753-2009. Молоко и молочная продукция. Определение содержания стабилизаторов методом газовой хроматографии. М.: Стандартинформ, 2010. 11 с.
  3. ГОСТ Р 4388-72. Вода питьевая. Методы определения массовой концентрации меди. М.: Стандартинформ, 2010. 8 с.
  4. ГОСТ 23781-87. Газы горючие природные. Хроматографический метод определения компонентного состава. М.: Стандартинформ, 2006. 11 с.
  5. ГОСТ 10679-2019. Газы углеводородные сжиженные. Метод определения углеводородного состава. М.: Стандартинформ, 2019. 35 с.
  6. ГОСТ 32167-2013. Мед. Метод определения сахаров. М.: Стандартинформ, 2013. 17 с.
  7. ГОСТ Р 53766-2009. Продукция соковая. Определение сахарозы, глюкозы, фруктозы и сорбита методом высокоэффективной жидкостной хроматографии. М.: Стандартинформ, 2010. 15 с.
  8. ГОСТ Р 54039-2010. Качество почв. Экспресс-метод ИК-спектроскопии для определения количества и идентификации загрязнения почв нефтепродуктами. М.: Стандартинформ, 2019. 8 с.
  9. Lacorn M., Heßler-Noll M., Wehling P., Hektor T. Determination of ethanol in food by enzymatic method Enzytec™ liquid ethanol, collaborative study: Final action 2017.07 // J AOAC Int. 2023. V. 106. № 2. P. 341. https://doi.org/10.1093/jaoacint/qsac145
  10. D-Fructose/D-Glucose, UV method. URL: https://www.nzytech.com/media/dds/brochurescertificates/ak0004_pb_en_v2201.pdf (дата обращения 26.05.2025).
  11. Спектрофотометрические методы анализа. URL: http://www.psu.ru/files/docs/science/books/uchebnie-posobiya/Elchishcheva-Spektrofotometricheskie-metody-analiza.pdf (дата обращения 15.05.2025).
  12. Берштейн И.Я., Каминский Ю.Л. Спектрофотометрический анализ в органической химии. Л.: Химия, 1975. 232 с.
  13. Alander J.T., Bochko V., Martinkauppi B., Saranwong S., Mantere T. A review of optical nondestructive visual and near-infrared methods for food quality and safety // Int. J. Spectrosc. 2013. V. 1. P.1. https://doi.org/10.1155/2013/341402
  14. Bogomolov A.Yu. Multivariate process trajectories: capture, resolution and analysis // Chemom. Intell. Lab. Syst. 2011. V. 108. P. 49. https://doi.org/10.1016/j.chemolab.2011.02.005
  15. Beć K.B., Huck C.W. Breakthrough Potential in Near-Infrared Spectroscopy: Spectra Simulation. A Review of Recent Developments // Front. Chem. 2019. V. 7. https://doi.org/10.3389/fchem.2019.00048
  16. Ríos-Reina R., Azcarate S.M. How chemometrics revives the UV-Vis spectroscopy applications as an analytical sensor for spectralprint (nontargeted) analysis // Chemosensors. 2023. V. 11. № 1. P. 8. https://doi.org/10.3390/chemosensors11010008
  17. Parixit R.P., Deepika N.R., Vishalkumar Sh.M., Tarashankar B. Chemometrics and its applications in UV spectrophotometry // Int. J. Pharm. Chem. Anal. 2016. V. 3. № 1. P. 43. https://doi.org/10.5958/2394-2797.2016.00005.8
  18. Хемометрика. URL: https://ru.wikipedia.org/wiki/%D0 %A5 %D0 %B5 %D0 %BC%D0 %BE%D0 %BC%D0 %B5 %D1 %82 %D1 %80 %D0 %B8 %D0 %BA%D0 %B0 (дата обращения 17.02.2025).
  19. Geladi P., Esbensen K. The start and early history of chemometrics: Selected interviews. Part 1 // J. Chemom. 1990. V. 4. № 5. P. 337. https://doi.org/10.1002/cem.1180040503
  20. Родионова О.Е., Померанцев А.Л. Хемометрика: достижения и перспективы // Успехи химии. 2006. Т. 75. № 4. С. 302. https://doi.org/https://doi.org/10.1070/RC2006v075n04ABEH003599
  21. Шараф М.А., Иллмэн Д.Л., Ковальски Б.Р. Хемометрика / Пер. с англ. Мариничева А.Н., Чарыкова А.К. / Под ред. Ибрагимова И.А., Чарыкова А.К. Л.: Химия, 1989. С. 272.
  22. Богомолов А.Ю. Внелабораторный анализ с помощью оптических мультисенсорных систем / Тез. докл. ХП Менделеевского съезда по общей и прикладной химии. Туапсе, федеральная территория “Сириус”. 7–12 октября 2024. Т. 2. С. 307. URL: https://mendeleevcongress.ru/#tezisy
  23. Золотов Ю.А. Проблемы аналитической химии. Т. 13. Внелабораторный химический анализ. Москва: Наука, 2010. С. 564.
  24. Kessler R.W. Prozessanalytik: Strategien und Fallbeispiele aus der industriellen Praxis. Deutschland: Wiley, 2006. 746 p.
  25. Pomerantsev A.L., Rodionova, O.Ye. Process analytical technology: A critical view of the chemometricians // J. Chemom. 2012. V. 26. № 6. P. 299. https://doi.org/10.1002/cem.2445
  26. Roggo Y., Pascal Ch., Maurer L., Carmen L., Edmond A., Nadine J. A review of near infrared spectroscopy and chemometrics in pharmaceutical technologies // J. Pharm. Biomed. Anal. 2007. V. 44. № 3. P. 683. https://doi.org/10.1016/j.jpba.2007.03.023
  27. Pu Y.-Y., O’Donnell C., Tobin J., O’Shea N. Review of near-infrared spectroscopy as a process analytical technology for real-time product monitoring in dairy processing // Int. Dairy J. 2019. V. 103. Article 104623. https://doi.org/10.1016/j.idairyj.2019.104623
  28. Challa S., Potumarthi R. Chemometrics-based process analytical technology (PAT) tools: Applications and adaptation in pharmaceutical and biopharmaceutical industries // Appl. Biochem. Biotechnol. 2012. V. 169. № 1. P. 66. https://doi.org/10.1007/s12010-012-9950-y
  29. Yin X.-L., Wu H.-L., Gu H.-W., Hu Y., Wang L., Xia H., Yu R.-Q. Chemometrics-assisted high performance liquid chromatography-diode array detection strategy to solve varying interfering patterns from different chromatographic columns and sample matrices for beverage analysis // J. Chromatogr. 2016. V. 1435. № 1435. P. 75. https://doi.org/10.1016/j.chroma.2016.01.042
  30. Zhao Y., Yuan Y., Chen J., Li M., Pu X. Chemometrics-enhanced high performance liquid chromatography strategy for simultaneous determination on seven nitroaromatic compounds in environmental water // Chemom. Intell. Lab. Syst. 2018. V. 174. P. 149. https://doi.org/10.1016/j.chemolab.2017.10.022
  31. Liu Q., Wu H.-L., Liu Z., Xiao R., Wang T., Hu Y., Yu R. Chemometrics-assisted HPLC-DAD as a rapid and interference-free strategy for simultaneous determination of 17 polyphenols in raw propolis // Anal. Methods. 2018. V. 10. № 46. P. 5577. https://doi.org/10.1039/c8ay01986j
  32. Гладилович В.Д., Подольская Е.П. Возможности применения метода ГХ-МС (обзор) // Научное приборостроение. 2010. Т. 20. № 4. С. 36.
  33. Amigo J.M., Martí I., Gowen A. Hyperspectral imaging and chemometrics: A perfect combination for the analysis of food structure, composition and quality / Data Handling in Science and Technology / Ed. Marini F. Elsevier, 2013. V. 28. P. 343.
  34. Kucheryavskiy S., Windig W., Bogomolov A. Spectral Unmixing Using the Concept of Pure Variables. Resolving Spectral Mixtures – With Applications from Ultrafast Time-Resolved Spectroscopy to Super-Resolution Imaging. Elsevier, 2016. P. 53. https://doi.org/10.1016/b978-0-444-63638-6.00003-6
  35. Богомолов А.Ю. Развитие мультисенсорного подхода в оптическом спектральном анализе. Дис. … докт. хим. наук. М.: Московский государственный университет им. М.В. Ломоносова, 2020. 307 с.
  36. Bogomolov A. Developing multisensory approach to the optical spectral analysis // Sensors. 2021. V. 21. № 10. P. 3541. https://doi.org/10.3390/s21103541
  37. Mukund S., Mayurkumar R. Ch. 5. Advancement in multisensor remote sensing studies for assessing crop health / Vegetation Dynamics and Crop Stress. Academic Press, 2024. P. 93. https://doi.org/10.1016/B978-0-323-95616-1.00005-5
  38. Богомолов А.Ю. Оптические мультисенсорные системы в аналитической спектроскопии // Журн. аналит. химии. 2022. Т. 77. № 3. С. 227. (Bogomolov A.Y. Optical multisensor systems in analytical spectroscopy // J. Anal. Chem. 2022. V. 77. P. 277.) https://doi.org/10.31857/S0044450222030033
  39. Kessler W. Multivariate Datenanalyse: für die Pharma, Bio- und Prozessanalytik. Deutschland, 2007. ISBN: 978-3-527-61003-7. 340 p.
  40. Næs T., Martens H. Multivariate Calibration. Norway, 1992. 440 p.
  41. Brereton R.G. Chemometrics: Data Analysis for the Laboratory and Chemical Plant. Chichester: Wiley, 2003. 504 p.
  42. Gemperline P. Practical Guide to Chemometrics. 2nd Ed. Boca Raton: CRC Press, 2006. 552 p.
  43. Malinowski E.R. Factor Analysis in Chemistry. 3rd Ed. New York: Wiley, 2002. 432 p.
  44. Matthias O. Chemometrics: Statistics and Computer Application in Analytical Chemistry. 3rd Ed. Germany: Wiley-VCH, 2016. 383 p.
  45. Esbensen K.H. Multivariate Data Analysis: In Practice: An Introduction to Multivariate Data Analysis and Experimental Design. Norway: CAMO, 2013. 598 p.
  46. Pomerantsev A.L. Chemometrics in Excel. Hoboken: Wiley, 2014. https://doi.org/10.1002/9781118873212
  47. Кучерявский С.В. Технология анализа процессов // Методы менеджмента качества. 2006. Т. 5. С. 12–17.
  48. MDA tools. URL: https://mda.tools/ (дата обращения 10.03.2025).
  49. Кучерявский С.В., Панчук В.В., Монахова Ю.Б., Кирсанов Д.О. Введение в хемометрику. Интернет-издание. 2023. 372 с. URL: https://www.chemometrics.ru/books/Введение-в-хемометрику.pdf (дата обращения 28.05.2025).
  50. Родионова О.Е. Интервальный подход к анализу больших массивов физико-химических данных. Дис. … докт. физ.-мат. наук. М.: Институт химической физики РАН, 2007. 272 с.
  51. Монахова Ю.Б. Методология хемометрического моделирования спектрометрических сигналов в анализе объектов сложного состава. Дис. … докт. хим. наук. Саратов: Сарат. нац. исслед. гос. ун-т им. Н.Г. Чернышевского, 2016. 318 с.
  52. Скворцова М.И. Математические модели и алгоритмы в исследованиях связи между структурой и свойствами органических соединений. Дис. … докт. физ.-мат. наук. М.: Московский государственный университет им. М.В. Ломоносова, 2007. 272 с.
  53. Львова Л.Б. Химические сенсоры и мультисенсорные системы на основе порфиринов и гетерокраун-эфиров. Дис. … докт. хим. наук. СПб.: С.-Петербургский гос. ун-т, 2017. 286 с.
  54. Померанцев А.Л. Методы нелинейного регрессионного анализа для моделирования кинетики химических и физических процессов. Дис. … докт. физ.-мат. наук. М.: Институт химической физики им. Н.Н. Семенова РАН, 2003. 304 с.
  55. Васильева И.Е. Система компьютерной интерпретации дуговых атомно-эмиссионных спектров в анализе твердых природных и техногенных образцов. Дис. … докт. тех. наук. М.: Государственный научно-исследовательский и проектный институт редкометаллической промышленности “ГИРЕДМЕТ”, 2006. 328 с.
  56. Шабанова Е.В. Многомерная обработка спектральной информации в дуговом атомно-эмиссионном анализе природных и техногенных образцов. Дис. … докт. физ.-мат. наук. М.: Институт геохимии и аналитической химии РАН, 2014. 155 с.
  57. Власова И.В. Спектрофотометрический анализ неразделенных смесей (лекарственных и витаминных препаратов) с применением хемометрических алгоритмов. Дис. … докт. хим. наук. Томск: Том. политехн. ун-т, 2011. 275 с.
  58. Померанцев А.Л. Четвертая парадигма // Химия и жизнь ХХI век. 2006. № 6. С. 22.
  59. Родионова О.Е. Хемометрический подход к исследованию больших массивов химических данных // Российский химический журнал. 2006. Т. 50. № 2. С. 128.
  60. Российское хемометрическое общество. URL: https://rcs.chemometrics.ru/ (дата обращения 11.03.2025).
  61. Колесникова С.С., Монахова Ю.Б., Муштакова С.П. Спектрохемометрическое определение некоторых металлов в смесях сложного состава // Изв. Саратовского ун-та. Новая серия. Серия: Химия. Биология. Экология. 2011. Т. 11. № 1. С. 25. https://doi.org/10.18500/1816-9775-2011-11-1-25-31
  62. Вершинин В.И. Новые подходы к спектрофотометрическому анализу неразделенных смесей органических веществ // Химия в интересах устойчивого развития. 2013. Т. 21. С. 9.
  63. Васильева И.Е., Шабанова Е.В. Стандартные образцы геологических материалов и объектов окружающей среды: проблемы и решения (обзор) // Журн. аналит. химии. 2017. Т. 72. № 2. С. 129. (Vasil’eva I.E., Shabanova E.V. Certified reference materials of geological and environmental objects: Problems and solutions // J. Anal. Chem. 2017. V. 72. № 2. P. 129.)
  64. Вершинин В.И. Хемометрика в работах российских аналитиков (обзор) // Журн. аналит. химии. 2011. Т. 66. № 11. С. 1124. (Vershinin V.I. Chemometrics in the works of Russian analysts // J. Anal. Chem. 2011. V. 66. P. 1010.)
  65. Васильева И.Е., Шабанова Е.В., Васильев И.Л. Оптимизационные задачи при выборе методических условий анализа вещества // Заводск. лаборатория. 2001. Т. 67. № 5. С. 60.
  66. Васильева И.Е., Кузнецов А.М., Васильев И.Л., Шабанова Е.В. Градуировка методик атомно-эмиссионного анализа с компьютерной обработкой спектров // Журн. аналит. химии. 1997. Т. 52. № 12. С. 1238. (Vasil'eva I.E., Kuznetsov A.M., Vasil'ev I.L., Shabanova E.V. Calibration of procedures of atomic emission spectroscopy with computer processing of spectra // J. Anal. Chem. 1997. V. 52. № 12. P. 1118.)
  67. 14th Winter Symposium on Chemometrics. URL: https://www.wsc14.com (дата обращения 18.05.2025).
  68. Эсбенсен К. Анализ многомерных данных. Избранные главы / Пер. с англ. Кучерявского С.В. Черноголовка: ИПХФ РАН, 2005. 160 с.
  69. Сhemometrics. URL: https://goldbook.iupac.org/terms/view/CT06948 (дата обращения 26.05.2025).
  70. Zhang W., Kasun L.Ch., Wang Q.J., Zheng Yu., Lin Zh. A review of machine learning for near-infrared spectroscopy // Sensors. 2022. V. 22. № 24. Article 9764. https://doi.org/10.3390/s22249764
  71. Милман Б.Л. Большие данные в современном химическом анализе // Журн. аналит. химии. 2020. Т. 75. № 4. С. 316. (Milman B. Big data in modern chemical analysis // J. Anal. Chem. 2020. V. 75. P. 316. https://doi.org/10.1134/S1061934820020124)
  72. Саакян А.В., Левин А.Д. Программное обеспечение для обработки спектральных данных методами хемометрики и машинного обучения // Аналитика. 2024. Т. 14. № 2. С. 154. https://doi.org/10.22184/2227-572X.2024.14.2.154.160
  73. Баскин И.И. Моделирование свойств химических соединений с использованием искусственных нейронных сетей и фрагментных дескрипторов. Дис. … докт. физ.-мат. наук. М.: Московский государственный университет имени М.В. Ломоносова, 2010. 365 с.
  74. Käser S., Vazquez-Salazar L.I., Meuwly M., Töpfer K. Neural network potentials for chemistry: Concepts, applications and prospects // Digit. Discov. 2023. V. 2. P. 28. https://doi.org/10.1039/D2DD00102K
  75. Artyushenko V., Bocharnikov A., Colquhoun G., Leach C., Lobachev V., Sakharova T., Savitsky D. Mid-IR fibre optics spectroscopy in the 3300-600 cm-1 range // Vib. Spectrosc. 2008. V. 48. P. 168.
  76. Allsop T., Neal R. A review: Application and implementation of optic fibre sensors for gas detection // Sensors. 2021. V. 21. № 20. Article 6755. https://doi.org/10.3390/s21206755
  77. Золотов Ю.А. Основы аналитической химии. 5-е изд. Т. 2. М.: Издательский центр “Академия”, 2012. 408 с.
  78. Chen H.-Y., Chen Ch. Comparison of classical and inverse calibration equations in chemical analysis // Sensors. 2024. V. 24. № 21. Article 7038. https://doi.org/10.3390/s24217038
  79. Workman J. Jr., Mark H. From classical regression to AI and beyond: The chronicles of calibration in spectroscopy: Part I // Spectroscopy. 2025. V. 40. № 2. P. 13. https://doi.org/10.56530/spectroscopy.pu3090t7
  80. Workman J. Jr., Mark H. Classical least squares, Part 3: Spectroscopic theory // Spectroscopy. 2018. V. 1. P. 645. https://doi.org/10.1016/B978-0-323-91164-1.00092-X
  81. Отто М. Современные методы аналитической химии. Т. 2. М.: Техносфера, 2004. С. 136.
  82. Naguib I.A. Stability indicating analysis of bisacodyl by partial least squares regression, spectral residual augmented classical least squares and support vector regression chemometric models: A comparative study // Bull. Faculty Pharmacy Cairo Univ. 2011. V. 49. № 2. P. 91. https://doi.org/10.1016/j.bfopcu.2011.10.001
  83. Gribov L.A., Elyashberg M.E., Karasev Y.Z. Quantitative molecular analysis by infrared spectrometry without standard materials // Anal. Chim. Acta. 1995. V. 316. № 2. P. 217. https://doi.org/10.1016/0003-2670(95)00358-7
  84. Elyashberg M.E., Gribov L.A., Karasev Y.Z., Martirosian E.R. IR quantitative analysis of organic mixtures without any calibration // Anal. Chim. Acta. 1997. V. 353. № 1. P. 105. https://doi.org/10.1016/s0003-2670(97)00374-7
  85. Sarstedt M., Mooi E. Regression analysis / A Concise Guide to Market Research. Berlin: Springer, 2014. P. 193. https://doi.org/10.1007/978-3-642-53965-7_7
  86. Melenteva A., Galyanin V., Savenkova E., Bogomolov A. Building global models for fat and total protein content in raw milk based on historical spectroscopic data in the visible and short-wave near infrared range // Food Chem. 2016. V. 203. P. 190.
  87. Halstensen M., Hundhausen U., Esbensen K.H. Partial least squares PLS1 vs. PLS2 – optimal input/output modeling in a compound industrial drying oven / SIMS Conference on Simulation and Modelling SIMS. Finland. September 22–24, 2020.
  88. Karaoğlan G.K., Gümrükçü G., Özgür M.Ü., Bozdoğan A., Aşçı B. Abilities of partial least-squares (PLS-2) multivariate calibration in the analysis of quaternary mixture of food colors (E-110, E-122, E-124, E-131) // Anal. Lett. 2007. V. 40. № 10. P. 1893. https://doi.org/10.1080/00032710701384675
  89. Benoudjit N., Melgani F., Bouzgou H. Multiple regression systems for spectrophotometric data analysis // Chemom. Intell. Lab. Syst. 2009. V. 95. № 2. P. 144. https://doi.org/10.1016/j.chemolab.2008.10.001
  90. Пентин Ю.А., Вилков Л.В. Физические методы исследования в химии. М.: Мир, 2003. 692 с.
  91. Marini F. Orthogonal PLS (O-PLS) and related algorithms // J. Chemom. 2020. V. 34. № 1. Article e3214. https://doi.org/10.1002/cem.3214
  92. Niazi A., Azizi A., Leardi R. A comparative study between PLS and OSC-PLS in the simultaneous determination of lead and mercury in water samples: Effect of wavelength selection // Can. J. Anal. Sci. Spectrosc. 2007. V. 52. P. 365.
  93. Wold S., Esbensen K., Geladi P. Principal component analysis // Chemom. Intell. Lab. Syst. 1987. V. 2. P. 37.
  94. Mark H., Workman J. More about CLS. Part 3: Expanding the analysis to include concentration information (PCR and PLS) // Chemom. Spectrosc. 2018. V. 1. P. 1029. https://doi.org/10.1016/b978-0-12-805309-6.00128-8
  95. Zheng J., Zhou H., Liu X., Yang Z., Zhiqiang G. Local deep learning of principal component regression model for spectroscopic calibration of time-varying spectra data // Measurement. 2025. V. 247. Article 116855. https://doi.org/10.1016/j.measurement.2025.116855
  96. Wold S., Sjöström M., Eriksson L. PLS-regression: A basic tool of chemometrics // Chemom. Intell. Lab. Syst. 2001. V. 58. P. 109.
  97. Mahesh S., Jayas D.S., Paliwal J. Comparison of Partial least squares regression (PLSR) and principal components regression (PCR) methods for protein and hardness predictions using the near-infrared (NIR) hyperspectral images of bulk samples of Canadian wheat // Food Bioprocess Technol. 2015. V. 8. P. 31. https://doi.org/10.1007/s11947-014-1381-z
  98. Kumar K. Partial least square (PLS) Analysis // Resonance. 2021. V. 26. № 3. P. 429. https://doi.org/10.1007/s12045-021-1140-1
  99. Savitzky A., Golay M.J.E. Smoothing and differentiation of data by simplified least squares procedures // Anal. Chem. 1964. V. 36. P. 1627. https://doi.org/10.1021/ac60214a047
  100. Li Y., Zhang M., Bian Xi., Tian L., Tang Ch. Progress of independent component analysis and its recent application in spectroscopy quantitative analysis // Microchem. J. 2024. V. 202. Article 110836. https://doi.org/https://doi.org/10.1016/j.microc.2024.110836
  101. Awad M., Khanna R. Ch. 4. Support vector regression / Efficient Learning Machines. Berkley: Apress, 2015. P. 67. https://doi.org/10.1007/978-1-4302-5990-9_4
  102. Cleveland W.S., Devlin S.J. Locally weighted regression: An approach to regression analysis by local fitting // J. Am. Stat. Assoc. 1988. V. 83. № 403. P. 596. https://doi.org/10.1080/01621459.1988.10478639
  103. Payal B.J. Navigating with chemometrics and machine learning in chemistry // Artif. Intell. Rev. 2023. V. 56. № 9. P. 9089. https://doi.org/10.1007/s10462-023-10391-w
  104. Bogomolov A., Evseeva A., Ignatiev E., Korneev V. New approaches to data processing and analysis in optical sensing // Trends Anal. Chem. 2023. V. 160. Article 116950. https://doi.org/10.1016/j.trac.2023.116950
  105. Galyanin V., Melenteva A., Bogomolov A. Selecting optimal wavelength intervals for an optical sensor: A case study of milk fat and total protein analysis in the region 400–1100 nm // Sens. Actuators B: Chem. 2015. V. 218. P. 97. https://doi.org/10.1016/j.snb.2015.03.101
  106. Surkova A., Shmakova Y., Salukova M., Samokhina N., Kostyuchenko J., Parshina A., Ibatullin I., Artyushenko V., Bogomolov A. LED-based desktop analyzer for fat content determination in milk // Sensors. 2023. V. 23. № 15. Article 6861. https://doi.org/10.3390/s23156861
  107. Fernandes G.M., Silva W.R., Barreto D.N., Lamarca R.S., Lima Gomes P.C.F., Flávio da S. Petruci J., Batista A.D. Novel approaches to colorimetric measurements in analytical chemistry – A review // Anal. Chim. Acta. 2020. V. 1135. P. 187. https://doi.org/10.1016/j.aca.2020.07.030
  108. Eriksson L., Johansson E., Kettaneh-Wold N., Wikström C., Wold S. Design of Experiments: Principles and Applications. 3rd Ed. Umeå: Umetrics AB, 2008. 329 p.
  109. Lind J. A Treatise of the Scurvy in Three Parts. Containing an Inquiry into the Nature, Causes, and Cure of that Disease; Together with a Critical and Chronological View of What Has Been Published on the Subject. 1st Ed. Cambridge University Press: Cambridge, 1753. 456 p.
  110. Налимов В.В. Теория эксперимента. М.: Наука, 1971. 208 с.
  111. Bogomolov A. Diagonal designs for a multi-component calibration experiment // Anal. Chim. Acta. 2017. V. 951. P. 46. https://doi.org/10.1016/j.aca.2016.11.038
  112. Bogomolov A. Designing a multi-component calibration experiment: Basic principles and diagonal approach / Comprehensive Chemometrics. 2nd Ed. / Eds. Brown S., Tauler R., Walczak B. Amsterdam: Elsevier B.V., 2020. Ch. 1.15. P. 411.
  113. Brereton R.G. Multilevel multifactor designs for multivariate calibration // Analyst. 1997. V. 122. P. 1521.
  114. McKay M.D., Beckman R.J., Conover W.J. A comparison of three methods for selecting values of input variables in the analysis of output from a computer code // Technometrics. 2000. V. 42. P. 55.
  115. Fang K.T., Lin D.K.J. Uniform Experimental Design and Its Applications in Industry. North Holland: New York, 2003. P. 131.
  116. Kirsanov D., Panchuk V., Agafonova-Moroz M., Khaydukova M., Lumpov A., Semenova V., Legin A. A sample-effective calibration design for multiple components // Analyst. 2014. V. 139. P. 4303.
  117. Leardi R. Experimental design in chemistry: A tutorial // Anal. Chim. Acta. 2009. V. 652. P. 161.
  118. Мананков А.С., Богомолов А.Ю. Критерии оценки обучающего набора образцов при планировании многокомпонентного градуировочного эксперимента / Сборник научных трудов Международной научно-практической конференции молодых ученых, аспирантов и студентов. Кинель. 10–11 декабря 2024. С. 61.
  119. Schulz L., Stähle P., Reining S. Multivariate curve resolution for kinetic modeling and scale-up prediction // J. Flow Chem. 2023. V. 13. P. 13. https://doi.org/10.1007/s41981-022-00252-y
  120. Bogomolov A., McBrien V. Mutual peak matching in a series of HPLC-DAD mixture analyses // Anal. Chim. Acta. 2003. V. 490. P. 41.
  121. Tauler R., Barceló D. Multivariate curve resolution applied to liquid chromatography—diode array detection // Trends Anal. Chem. 1993. V. 12. № 8. P. 319. https://doi.org/10.1016/0165-9936(93)88015-w
  122. De Juan A., Tauler R. Multivariate curve resolution: 50 years addressing the mixture analysis problem – A review // Anal. Chim. Acta. 2020. V. 1145. P. 59. https://doi.org/10.1016/j.aca.2020.10.051
  123. Богомолов А.Ю., Смирнов В.В., Ростовщикова Т.Н. Кинетика и механизм гомогенно-каталитического гидрохлорирования олефинов в присутствии FeCl3 // Кинетика и катализ. 1995. Т. 36. № 6. 831 с.
  124. De Juan A., Maeder M., Martı́nez M., Tauler R. Combining hard- and soft-modelling to solve kinetic problems // Chemom. Intell. Lab. Syst. 2000. V. 54. № 2. P. 123. https://doi.org/10.1016/s0169-7439(00)00112-x
  125. Shabatina T.I., Vovk E.V., Khasanova T.V., Bogomolov A.Y., Sergeev G.B. Spectroscopic study of some mesogenic cyanophenyls in condensate films and inert matrices. molecular crystals and liquid crystals science and technology. Section A. // Mol. Cryst. Liq. Cryst. 1999. V. 332. № 1. P. 355. https://doi.org/10.1080/10587259908023779
  126. Windig W., Keenan M.R. Angle-constrained alternating least squares // Appl. Spectrosc. 2011. V. 65. № 3. P. 349. https://doi.org/10.1366/10-06139
  127. Powerful Resources for Intelligent Data Analysis. URL: https://eigenvector.com (дата обращения 27.05.2025).
  128. Science at Your Fingertips with Software Designed for R&D. URL: https://www.acdlabs.com (дата обращения 27.05.2025).
  129. Jaumot J., Gargallo R., De Juan A., Tauler R. A graphical user-friendly interface for MCR-ALS: A new tool for multivariate curve resolution in MATLAB // Chemom. Intell. Lab. Syst. 2005. V. 76. № 1. P. 101. https://doi.org/10.1016/j.chemolab.2004.12.007
  130. Bogomolov A., Williams A.J. Software for interactive curve resolution using SIMPLISMA / Progress in Chemometrics Research. New York: Nova Science Publishers, 2005. p. 119.
  131. Windig W., Guilment J. Interactive self-modeling mixture analysis // Anal. Chem. 1991. V. 63. № 14. P. 1425. https://doi.org/10.1021/ac00014a016
  132. Windig W., Bogomolov A., Kucheryavskiy S. Two-way data analysis: Detection of purest variables / Comprehensive Chemometrics. 2nd Ed. / Eds. Brown S., Tauler R., Walczak B. Amsterdam: Elsevier B.V., 2020. Ch. 2.08. P. 107.
  133. Windig W., Stephenson D.A. Self-modeling mixture analysis of second-derivative near-infrared spectral data using the SIMPLISMA approach // Anal. Chem. 1992. V. 64. № 22. P. 2735. https://doi.org/10.1021/ac00046a015
  134. Windig W. Spectral data files for self-modeling curve resolution with examples using the Simplisma approach // Chemom. Intell. Lab. Syst. 1997. V. 36. P. 3.
  135. Stets S., Tavares T.M., Peralta-Zamora P.G., Pessoa C.A., Nagata N. Simultaneous determination of rifampicin and isoniazid in urine and pharmaceutical formulations by multivariate visible spectrophotometry // J. Braz. Chem. Soc. 2013. V. 24. P. 1198.
  136. Nagavalli D., Vaidhyalingam V., Santha A., Sankar A.S.K., Divya O. Simultaneous spectrophotometric determination of losartan potassium, amlodipine besilate and hydrochlorothiazide in pharmaceuticals by chemometric methods // Acta Pharm. 2010. V. 60. P. 141.
  137. Samadi-Maybodi A., Nejad-Darzi S.K.H. Simultaneous determination of paracetamol, phenylephrine hydrochloride and chlorpheniramine maleate in pharmaceutical preparations using multivariate calibration // Spectrochim. Acta A: Mol. Biomol. Spectrosc. 2010. V. 75. № 4. P. 1270.
  138. Silva F.E.B., Ferrão M.F., Parisotto G., Müller E.I., Flores E.M.M. Simultaneous determination of sulphamethoxazole and trimethoprim in powder mixtures by attenuated total reflection-Fourier transform infrared and multivariate calibration // J. Pharm. Biomed. Anal. 2009. V. 49. P. 800.
  139. Khoshayand M.R., Abdollahi H., Shariatpanahi M., Saadatfard A., Mohammadi A. Simultaneous spectrophotometric determination of paracetamol, ibuprofen and caffeine in pharmaceuticals by chemometric methods // Spectrochim. Acta A: Mol. Biomol. Spectrosc. 2008. V. 70. P. 491.
  140. Luca De M., Ioele G., Risoli A., Ragno G. Improvement of multivariate calibration techniques applied to 1-to-N component mixtures through an optimized experimental design // Microchem. J. 2006. V. 83. P. 24.
  141. Ni Y., Qi Z., Kokot S. Simultaneous ultraviolet-spectrophotometric determination of sulfonamides by multivariate calibration approaches // Chemom. Intell. Lab. Syst. 2006. V. 82. P. 241.
  142. Sorouraddin M.-H., Rashidi M.-R., Ghorbani-Kalhor E., Asadpour-Zeynali K. Simultaneous spectrofluorimetric and spectrophotometric determination of melatonin and pyridoxine in pharmaceutical preparations by multivariate calibration methods // Il Farmaco. 2005. V. 60. P. 451.
  143. Sena M.M., Poppi R.J. N-way PLS applied to simultaneous spectrophotometric determination of acetylsalicylic acid, paracetamol and caffeine // J. Pharm. Biomed. Anal. 2004. V. 34. P. 27.
  144. Nevado J.J.B., Flores J.R., Peñalvo G.C. Simultaneous spectrophotometric determination of ethinylestradiol and levonorgestrel by partial least squares and principal component regression multivariate calibration // Anal. Chim. Acta. 1997. V. 340. P. 257.
  145. Bedini A., Zanolli V., Zanardi S., Bersellini U., Dalcanale E., Suman M. Rapid and simultaneous analysis of xanthines and polyphenols as bitter taste markers in bakery products by FT-NIR spectroscopy // Food Anal. Methods. 2013. V. 6. P. 17.
  146. Bogomolov A., Melenteva A. Scatter-based quantitative spectroscopic analysis of milk fat and total protein in the region 400–1100 nm in the presence of fat globule size variability // Chemom. Intell. Lab. Syst. 2013. V. 126. P. 129.
  147. Bogomolov A., Dietrich S., Boldini B., Kessler R.W. Quantitative determination of fat and total protein in milk based on visible light scatter // Food Chem. 2012. V. 134. P. 412.
  148. Ni Y., Zhang G., Kokot S. Simultaneous spectrophotometric determination of maltol, ethyl maltol, vanillin and ethyl vanillin in foods by multivariate calibration and artificial neural networks // Food Chem. 2005. V. 89. P. 465.
  149. Wiberg K., Sterner-Molin A., Jacobsson S.P. Simultaneous determination of albumin and immunoglobulin G with fluorescence spectroscopy and multivariate calibration // Talanta. 2004. V. 62. P. 567.
  150. Espinosa-Mansilla A., Durán-Merás I., Salinas F. Simultaneous determination of pteridines in multicomponent mixtures using derivative spectrophotometry and partial least-squares calibration // J. Pharm. Biomed. Anal. 1998. V. 17. P. 1325.
  151. Lima K.M.G., Raimundo I.M. Jr., Pimentel M.F. Simultaneous determination of BTX and total hydrocarbons in water employing near infrared spectroscopy and multivariate calibration // Sens. Actuators B. 2011. V. 160. P. 691.
  152. Zhang G., Pan J. Simultaneous spectrophotometric multivariate determination of atrazine and cyanazine by chemometric methods // Spectrochim. Acta. A: Mol. Diomol. Spectrosc. 2011. V. 78. P. 238.
  153. Şahin S., Demir C., Güçer Ş. Simultaneous UV–Vis spectrophotometric determination of disperse dyes in textile wastewater by partial least squares and principal component regression // Dyes Pigm. 2007. V. 73. P. 368.
  154. Yasin N., Naqvi S.M.D., Akhter S.M. Simultaneous spectrophotometric determination of Co (II) and Co (III) in acidic medium with partial least squares regression and artificial neural networks // Heliyon. 2024. V. 10. № 4. Article e26373. https://doi.org/10.1016/j.heliyon.2024.e26373
  155. Guryanova A., Ermakov V., Galyanin V., Artyushenko V., Sakharova T., Usenov I., Bykov D.E., Bogomolov A. Quantitative analysis of total hydrocarbons and water in oil-contaminated soils with attenuated total reflection (ATR) infrared spectroscopy // J. Chemom. 2017. V. 31. P. 1.
  156. Hasani M., Moloudi M. Application of principal component-artificial neural network models for simultaneous determination of phenolic compounds by a kinetic spectrophotometric method // J. Hazard. Mater. 2008. V. 157. № 1. P. 161. https://doi.org/10.1016/j.jhazmat.2007.12.096
  157. Devos O., Fanget B., Saber A.-I., Paturel L., Naffrechoux E., Jarosz J. Use of a Plackett-Burman design with multivariate calibration for the analysis of polycyclic aromatic hydrocarbons in micellar media by synchronous flourescence // Anal. Chem. 2002. V. 74. P. 678.
  158. Kirsanov D., Babain V., Agafonova-Moroz M., Lumpov A., Legin A. Combination of optical spectroscopy and chemometric techniques – A possible way for on-line monitoring of spent nuclear fuel (SNF) reprocessing // Radiochim. Acta. 2012. V. 100. P. 185.
  159. Bogomolov A., Mannhardt J., Heinzerling O. Accuracy improvement of in-line near-infrared spectroscopic moisture monitoring in a fluidized bed drying process // Front. Chem. 2018. V. 6. № 388. https://doi.org/10.3389/fchem.2018.00388
  160. Tauler R., Kowalski B., Fleming S. Multivariate curve resolution applied to spectral data from multiple runs of an industrial process // Anal. Chem. 1993. V. 65. № 15. P. 2040. https://doi.org/10.1021/ac00063a019
  161. Bogomolov A., Heßling M., Wenzel U., Princz S., Hellmuth T., Bernal M.J.B., Meyer H. Development and testing of mid-infrared sensors for in-line process monitoring in biotechnology // Sens. Actuators B: Chem. 2015. V. 221. P. 1601. https://doi.org/10.1016/j.snb.2015.07.118
  162. Никитина А.М., Игнатьев Е.А., Богомолов А.Ю. Одновременное определение Cu(II), Co(II) и Ni(II) при помощи светодиодной оптической мультисенсорной системы / Сборник научных трудов Международной научно-практической конференции молодых ученых, аспирантов и студентов. Кинель. 12 декабря 2023. С. 68.
  163. Kucheryavskiy S.V., Melenteva A., Bogomolov A. Determination of fat and total protein content in milk using conventional digital imaging // Talanta. 2014. V. 121. P. 144.
  164. Bogomolov A., Engler M., Melichar M., Wigmore A. In-line analysis of a fluid bed pellet coating process using a combination of near infrared and Raman spectroscopy // J. Chemom. 2010. V. 24. P. 544.
  165. Kucheryavski S. Extracting useful information from images // Chemom. Intell. Lab. Syst. 2011. V. 108. P. 2.
  166. Bogomolov A., Zabarylo U., Kirsanov D., Belikova V., Ageev V., Usenov I., Artyushenko V. Development and testing of an LED-based near-infrared sensor for human kidney tumor diagnostics // Sensors. 2017. V. 17. № 8. Article 1914. https://doi.org/10.3390/s17081914
  167. Bogomolov A., Sakharova T., Usenov I., Mizaikoff C., Belikova V., Perevoschikov S., Artyushenko V., Bibikova O. Fiber probe for simultaneous mid-infrared and fluorescence spectroscopic analysis // Anal. Chem. 2021. V. 93. № 15. P. 6013. https://doi.org/10.1021/acs.analchem.1c00080
  168. Blanchet L., Mezzetti A., Ruckebusch C., Huvenne J.P., De Juan A. Multivariate curve resolution of rapid-scan FTIR difference spectra of quinone photoreduction in bacterial photosynthetic membranes // Anal. Bioanal. Chem. 2007. V. 387. P. 1863.
  169. Mas S., Miguel C., Melo M.J., Lopes J.A., De Juan A. Screening and quantification of proteinaceous binders in medieval paints based on μ-Fourier transform infrared spectroscopy and multivariate curve resolution alternating least squares // Chemom. Intell. Lab. Syst. 2014. V. 134. P. 148.
  170. Jaumot J., Escaja N., Gargallo R., González C., Pedroso E., Tauler R. Multivariate curve resolution: a powerful tool for the analysis of conformational transitions in nucleic acids // Nucleic Acids Res. 2002. V. 30. P. 92.
  171. Wentzell P.D., Karakach T.K., Roy S., Martinez M.J., Allen C.P., Werner-Washburne M. Multivariate curve resolution of time course microarray data // BMC Bioinform. 2006. V. 7. № 1. Article 343.
  172. Jaumot J., Piña B., Tauler R. Application of multivariate curve resolution to the analysis of yeast genome-wide screens // Chemom. Intell. Lab. Syst. 2010. V. 104. P. 53.
  173. Tauler R. Ch. 16. Interpretation of environmental data using chemometrics / Sample Handling and Trace Analysis of Pollutants: Techniques, Applications and Quality Assurance / Ed. Barceló D. Elsevier, 2000. P. 689.
  174. Marín-García M., Tauler R. Chemometrics characterization of The Llobregat river dissolved organic matter // Chemom. Intell. Lab. Syst. 2020. V. 201. Article 104018. https://doi.org/10.1016/j.chemolab.2020.104018
  175. Terrado M., Barceló D., Tauler R. Quality assessment of the multivariate curve resolution alternating least squares method for the investigation of environmental pollution patterns in surface water // Environ. Sci. Technol. 2009. V. 43. P. 5321.
  176. Tauler R., Viana M., Querol X., Alastuey A., Flight R.M., Wentzell P.D., Hopke P.K. Comparison of the results obtained by four receptor modelling methods in aerosol source apportionment studies // Atmos. Environ. 2009. V. 43. P. 3989.
  177. Hopke P.K. Review of receptor modeling methods for source apportionment // J. Air Waste Manag. Assoc. 2016. V. 66. P. 237.
  178. Azzouz T., Tauler R. Application of multivariate curve resolution alternating least squares (MCR-ALS) to the quantitative analysis of pharmaceutical and agricultural samples // Talanta. 2008. V. 74. P. 1201.
  179. Amigo J.M., Cruz J., Bautista M., Maspoch S., Coello J., Blanco M. Study of pharmaceutical samples by NIR chemical-image and multivariate analysis // Trends Anal. Chem. 2008. V. 27. P. 696.
  180. Jonsson P., Johansson E.S., Wuolikainen A., Lindberg J., Schuppe-Koistinen I., Kusano M., Sjöström M., Trygg J., Moritz T., Antti H. Predictive metabolite profiling applying hierarchical multivariate curve resolution to GC– MS data a potential tool for multi-parametric diagnosis // J. Proteome Res. 2006. V. 5. P. 1407.
  181. Lyndgaard L.B., Berg F., De Juan A. Quantification of paracetamol through tablet blister packages by Raman spectroscopy and multivariate curve resolution-alternating least squares // Chemom. Intell. Lab. Syst. 2013. V. 125. P. 58.
  182. Martins A., Coddington J., Snickt G., Driel B., McGlinchey C., Dahlberg D., Janssens K., Dik J. Jackson Pollock’s Number 1A, 1948: A non-invasive study using macro-x-ray fluorescence mapping (MA-XRF) and multivariate curve resolution-alternating least squares (MCR-ALS) analysis // Heritage Sci. 2016. V. 4. P. 1.
  183. Nguyen T.Y., Hamissa M.F., Šafařík M., Bouř P., Sebestík J. Acidobasic equilibria of inubosin derivatives studied by UV–Vis spectroscopy // Spectrochim. Acta A: Mol. Biomol. Spectrosc. 2025. V. 334. Article 125950. https://doi.org/10.1016/j.saa.2025.125950
  184. Debus B., Kirsanov D.O., Panchuk V.V., Semenov V.G., Legin A. Three-point multivariate calibration models by correlation constrained MCR-ALS: A feasibility study for quantitative analysis of complex mixtures // Talanta. 2017. V. 163. P. 39.
  185. Tauler R., Smilde A.K., Henshaw J.M., Burgess L.W., Kowalski B.R. Multicomponent determination of chlorinated hydrocarbons using a reaction-based chemical sensor. Part 2. Chemical speciation using multivariate curve resolution // Anal. Chem. 1994. V. 66. P. 3337.
  186. Wise B.M., Gallagher N.B. The process chemometrics approach to process monitoring and fault detection // J. Process Control. 1996. V. 6. № 6. P. 329.
  187. Bogomolov A., Grasser T., Heßling M. In-line monitoring of saccharomyces cerevisiae fermentation with a fluorescence probe: New approaches to data collection and analysis // J. Chemom. 2011. V. 25. P. 389.
  188. Fedotov N.G., Roi A.V. Biological microobject analysis by stochastic geometry methods // Meas. Tech. 2004. V. 47. № 4. P. 407. https://doi.org/10.1023/b:mete.0000033701.49053.14
  189. Surkova A., Bogomolov A. Analysis of milk microstructure using Raman hyperspectral imaging // Molecules. 2023. V. 28. № 6. Article 2770. https://doi.org/10.3390/molecules28062770
  190. Tian W., Luo L., Wang B., Zhao Zh., Kang Ch., Chen D., Yan Xi., Long Y. Raman imaging-chemometrics analysis of cell wall biopolymer dynamics in pseudomonas syringae pv. actinidiae-infeicted kiwifruit stems // Chinese J. Anal. Chem. 2025. May. Article 100556. https://doi.org/10.1016/j.cjac.2025.100556
  191. De Oliveira R.R., de Lima K.M.G., Tauler R., de Juan A. Application of correlation constrained multivariate curve resolution alternating least-squares methods for determination of compounds of interest in biodiesel blends using NIR and UV–visible spectroscopic data // Talanta. 2014. V. 125. P. 233. https://doi.org/10.1016/j.talanta.2014.02.073
  192. Tomza P., Czarnecki M.A. Microheterogeneity in binary mixtures of propyl alcohols with water: NIR spectroscopic, two-dimensional correlation and multivariate curve resolution study // J. Mol. Liq. 2015. V. 209. P. 115. https://doi.org/10.1016/j.molliq.2015.05.033
  193. De Juan A., Jaumot J., Tauler R. Multivariate curve resolution (MCR). Solving the mixture analysis problem // Anal. Methods. 2014. V. 6. № 14. P. 4964. https://doi.org/10.1039/c4ay00571f
  194. Bogomolov A., Windig W., Geer S.M., Blondell D.B., Robbins M.J. Interactive series baseline correction algorithm / 4th Winter Symposium on Chemometrics (WSC-4). Chernogolovka (Russia). February 15–18, 2005.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».