Escuela de Química

Permanent URI for this community

https://noesis.uis.edu.co/handle/20.500.14071/9118

Browse

Browsing Escuela de Química by browse.metadata.evaluator "Combariza Montanez, Marianny Yajaira"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Análisis por HS-SPME-GC/MS de compuestos orgánicos volátiles emitidos durante la descomposición de cadáveres de ratones
    (Universidad Industrial de Santander, 2025-05-26) Sanabria Alvarez, Juan Diego.; García Caicedo, Alejandra.; Stashenko, Elena E.; Matínez Morales, Jairo René.; Combariza Montanez, Marianny Yajaira; Vargas Fiallo, Luz Yolanda
    La caracterización de los compuestos orgánicos volátiles (VOC) emitidos durante la descomposición es crucial en química forense para estimar el intervalo post-mortem (PMI). Este proceso está influenciado por factores como temperatura, humedad, fauna, tipo de suelo y si el cadáver está enterrado o no. El objetivo de este estudio fue analizar los VOC liberados por cadáveres de ratones, enterrados y no enterrados, mediante la técnica HS-SPME-GC/MS. Se trabajó con cuatro especímenes de Mus musculus (dos enterrados y dos no), colocados en cámaras acrílicas para concentrar los VOC. Se evaluaron cuatro recubrimientos de fibra SPME y tres tiempos de exposición, eligiéndose CAR/PDMS con 1 hora de exposición como las mejores condiciones, determinadas previamente usando tejido de pollo. El monitoreo se extendió por 201 días. Se identificaron compuestos azufrados como disulfuro y trisulfuro de dimetilo, hidrocarburos (hexano, tolueno), alcoholes (hexanol, 4-metilpentanol) y ácidos carboxílicos (propanóico, butanoico, hexanoico y sus ésteres). Algunos compuestos se identificaron tentativamente como posibles marcadores del PMI. En ratones enterrados, los compuestos azufrados resultaron útiles para estimar un PMI entre 10 y 30 días. En los no enterrados, la descomposición fue influida por insectos, lo que alteró tanto la velocidad como la composición de los VOC. Alcoholes como hexanol y 4-metilpentanol permitieron estimar intervalos específicos, mientras que compuestos nitrogenados y ácidos carboxílicos ofrecieron rangos más amplios. La aplicación de HS-SPME-GC/MS para caracterizar estos VOC como marcadores del PMI mejora la precisión en la estimación del tiempo de muerte, fortaleciendo su utilidad en el análisis forense.
  • No Thumbnail Available
    Item
    Implementación de un método diagnóstico para la enfermedad de Chagas utilizando espectrometría de masas (MALDI-TOF) y aprendizaje automatizado Machine Learning
    (Universidad Industrial de Santander, 2024-02-27) Velandia Hernández, Yenny Fernanda; Mejía Ospino, Enrique; Prada Vargas, Yuly Andrea; Combariza Montanez, Marianny Yajaira; Martinez Morales, Jairo Rene
    La enfermedad de Chagas es causada por el parásito Trypanosoma cruzi, y representa una amenaza persistente y potencialmente letal. Las pruebas confirmatorias son clave para prevenir la progresión de la enfermedad a la fase crítica y evitar consecuencias como la insuficiencia cardíaca y muerte. En el diagnóstico, las técnicas iniciales basadas en tinciones sanguíneas y las pruebas serológicas han enfrentado desafíos con falsos negativos y positivos en distintas fases de la enfermedad. En este estudio, se empleó la Espectrometría de masas MALDI-TOF junto con herramientas computacionales basadas en el aprendizaje automatizado supervisado para formular un modelo predictivo de la enfermedad de Chagas. Este enfoque novedoso en el diagnóstico siguió un proceso secuencial que inició con la selección de muestras, determinación de proteínas totales presentes en suero, preparación de muestras por digestión enzimática de proteínas y finalmente la obtención de los perfiles proteómicos para la formulación de modelos predictivos basados en Machine learning. Como resultado del estudio se obtuvieron 9 modelos de predicción con exactitud del 83-100%. De los cuales, los algoritmos de Máquinas de Vectores de Soporte y Clasificación de Vector Nu-Apoyo (NuSVC) brindaron la exactitud más alta (100%) mientras que los algoritmos correspondientes a Perceptrones Multicapa (MLP) y K-Vecinos Más Cercanos (KNN) obtuvieron la exactitud más baja con 90% y 83% respetivamente. Estos resultados respaldan la efectividad de la metodología propuesta, destacando su potencial para una detección precisa y eficiente de la enfermedad de Chagas.