Escolar Documentos
Profissional Documentos
Cultura Documentos
Belo Horizonte
2014
UFMG-ICEx/DQ.XXXX
T.473.
Tese
apresentada
ao
Departamento de Qumica do
Instituto de Cincias Exatas da
Universidade Federal de Minas
Gerais como requisito parcial
para a obteno do grau de
Doutor em Cincias - Qumica
Belo Horizonte
2014
(FICHA CATALOGRFICA)
(ATA DE DEFESA)
AGRADECIMENTOS
Gostaria de agradecer primeiramente minha famlia, por todo apoio
dispensado no s nesses quatro anos, mas ao longo de toda a minha vida
acadmica.
Keila, minha noiva e companheira, que dividiu comigo as alegrias e os
perengues enfrentados nesse doutorado. E ao Bolinha, que, nos privou de
algumas horas de sono, mas a cada sorriso banguela, faz tudo valer a pena.
Ao Marcelo, que alm de orientar e transmitir conhecimento, sempre se
mostrou preocupado com minha formao moral e profissional com relao ao
meio acadmico.
Aos companheiros de grupo, incluindo a Cris, que dividiram comigo
todos os momentos alegres e alguns momentos tensos, algumas roubadas em
congressos, e que tambm contriburam para minha formao profissional e
crescimento como pessoa.
Ao IMA, por permitir a utilizao do seu espao, equipamentos e
infra-estrutura, e em especial Bruna, que tanto nos auxiliou no incio desde o
incio desse projeto
Aos professores DQ, em especial aos professores da Analtica, por todo
o conhecimento transmitido.
Aos funcionrios do DQ, em especial s funcionrias da secretaria de
ps graduao, que sempre estavam dispostas a nos ajudar.
Aos amigos de longa data, que, mesmo no entendendo nada de
quimiometria, sempre estavam dispostos a tomar cerveja!
E aos rgos de fomento, que tornaram a realizao desta tese possvel.
Sumrio
1. Introduo ..................................................................................................... 1
2. Reviso bibliogrfica ................................................................................... 3
2.1 INTERAO LUZ/MATRIA
10
2.6 QUIMIOMETRIA
12
19
34
3.2. DETERMINAO
PLS
NIR E
53
3.3 CONCLUSO
64
66
4.2 OBJETIVOS
68
68
71
4.5 CONCLUSO
80
81
5.2 OBJETIVOS
82
83
85
85
5.5 CONCLUSES
92
96
96
100
100
6.5 CONCLUSES
105
ndice de Figuras
Figura 1 Representao esquemtica dos modelos do oscilador harmnico e
anarmnico1 ....................................................................................................... 5
Figura 2 Representao grfica do sistema RGB ......................................... 10
Figura 3 Formao de tons no sistema RGB ................................................ 11
Figura 4 - Decomposio de um arranjo multidimensional atravs do modelo
N-PLS ............................................................................................................... 15
Figura 5 - Representao esquemtica da decomposio da matriz Y atravs
do modelo NPLS .............................................................................................. 16
Figura 6 Representao vetorial do NAS ...................................................... 20
Figura 7 Butirmetro de Gerber..................................................................... 35
Figura 8 Espectros das 123 amostras de queijo muarela ............................ 39
Figura 9 - Espectros de queijo muarela pr-processados com MSC.............. 40
Figura 10 Coeficientes de regresso para o modelo de determinao de
gordura em queijo muarela ............................................................................. 41
Figura 11 - Coeficientes de regresso para o modelo de determinao de
umidade em queijo muarela ........................................................................... 41
Figura 12 Grfico de resduos vs. valores preditos para o modelo de
determinao de gordura amostras de calibrao () e de validao () ..... 44
Figura 13 - Grfico de resduos vs. valores preditos para o modelo de
determinao de umidade amostras de calibrao () e de validao () .... 44
Figura 14 Curva de valores de referncia vs. norma do NAS para o modelo
de determinao de gordura - amostras de calibrao () e de validao () . 46
Figura 15 - Curva de valores de referncia vs. norma do NAS para o modelo de
determinao de umidade - amostras de calibrao () e de validao () ..... 46
Figura 16 Erros relativos das amostras de validao para o modelo de
determinao de gordura ................................................................................. 47
Figura 17 - Erros relativos das amostras de validao para o modelo de
determinao de umidade ................................................................................ 48
Figura 18 Efeitos do teste de robustez, de acordo com um planejamento 22 50
ndice de tabelas
Tabela 1 - Otimizao dos modelos PLS pela deteco de amostras anmalas
(modelos finais esto destacados em negrito) ................................................. 42
Tabela 2 - Figuras de mrito, estimadas para os modelos PLS de determinao
de gordura e umidade ...................................................................................... 45
Tabela 3 - Otimizao dos modelos PLS para determinao de umidade em
queijo minas artesanal pela deteco de amostras anmalas (modelo final est
destacado em negrito)...................................................................................... 57
Tabela 4 - Figuras de mrito estimadas para o modelo PLS de determinao de
umidade em queijo minas artesanal ................................................................. 59
Tabela 5 Planejamento de mistura para a adulterao de leite...................... 69
Tabela 6 Nmero de VLs, varincias explicadas e erros de classificao de
validao cruzada (ECVC) para os modelos PLS-DA desenvolvidos .............. 75
RESUMO
analticas
empregando
ferramentas
quimiomtricas,
nacionais
internacionais.
No
captulo
mostrado
sua utilizao como sinal analtico, com uma srie de vantagens, como rapidez
e simplicidade de anlise. No captulo 6, uma aplicao similar do capitulo 5,
porm empregando um telefone celular como equipamento de aquisio de
imagens, foi desenvolvida para a quantificao do corante vermelho 40 em
balas duras. Este modelo apresentou erros elevados, entre -24,8 e 39,5%,
porm a grande maioria (mais de 80%) das amostras possui erros entre -20 e
+10%.
ABSTRACT
The main objective of this thesis was the development of methods using
chemometric tools, infrared spectroscopy (near and mid) and digital image
analysis obtained using low cost equipment for foodstuff quality control. In all
applications, multivariate analytical validation was emphasized, a subject with
growing importance in chemometrics. All the proposed methods were validated
searching for an harmonization um national and international validation guides.
Chapter 3 presents the development of methods for the determination of quality
parameters in cheese, in a real legal laboratory condition, in an official
laboratory. PLS models were built using NIR spectra for the determination of
moisture and fat in mozzarella cheese and moisture in minas cheese. The
stability of the proposed models was evaluated over a year. The fat
determination model for mozzarella presented erros between -8.7% and 8.1%,
and the moisture determination model for the same cheese type presented
smaller errors (-3.5% 2.9%). The moisture determination model for minas
chesse presented erros ranging from -6.5% to 9.8%. Chapter 4 present the
development of a screening method for the simultaneous detection of five
adulterants in raw milk using MIRS. Water, starch, sucrose, formaldehyde and
sodium citrate were chosen as adulterants due to its presence in adulterated
milk samples recently discovered in the last Federal Police operations. PLS-DA
models were built for the individual identification of the five adulterants, even in
samples that contained two or more adulterants. All the the models presented a
false negative rate below 5%, been the starch model the only exception.
Chapter 5 describes the deveploment of a method for the determination of the
artificial dye sunset yellow in beverages using digitais images obtained from a
commercial flatbed scanner. The model presented prediction errors varying
from -6.2 to 9.0%. This method was also validated, proving that RGB
histograms obtained from digital images are able to be used as analytical data,
with a series of advantages, such as quickness and simplicity. In chapter 6, a
similar application to the one presented in chapter 5 was developed, but using a
cellphone to obtain images of hard candies, and this images were used to
quantify the concentration of the allura red dye. This model presented higher
errors than the ones seen in the other models in this thesis (from -24.8% to
39.5%), but the great majority of the errors (80%) were between -20% and 10%.
1. Introduo
A quantificao de compostos e a determinao de parmetros de
qualidade de produtos alimentcios sempre envolveram processos analticos
laboriosos, principalmente em funo da complexa composio desse tipo de
matriz, o que demanda, na grande maioria das vezes, etapas de extrao e
pr-tratamento das amostras. Essas etapas consomem muito tempo e utilizam
solventes e reagentes que, muitas vezes, so txicos e oferecem risco ao
analista. Tudo isso corrobora para a necessidade de desenvolver mtodos
analticos visando o controle de qualidade de alimentos e bebidas, que sejam
mais simples, rpidos e baratos.
Desde seu incio, a quimiometria encontrou na anlise de alimentos um
campo de aplicao com amplas possibilidades, uma vez que suas
ferramentas, que permitem obter informaes qumicas de uma amostra com
mnimo pr-tratamento e de maneira rpida, conseguem superar o maior
gargalo enfrentado pelos analistas de alimentos. As tcnicas espectroscpicas,
em especial, adquiriram uma importncia notria no desenvolvimento de
mtodos que aplicam quimiometria na anlise de alimentos, principalmente
pela facilidade de manuseio dos equipamentos, versatilidade e rapidez.
A utilizao de mtodos quimiomtricos como metodologias oficiais de
anlise praticamente inexiste, devido principalmente ausncia de guias de
validao que contemplem as particularidades de mtodos multivariados, como
por exemplo, a no existncia de curvas de calibrao e a capacidade de se
trabalhar em condies de baixa seletividade.
Tendo em vista o exposto acima, esta tese teve como principal objetivo
desenvolver e validar mtodos quimiomtricos para a anlise de alimentos,
empregando
trs
diferentes
tcnicas
analticas:
espectroscopias
no
2. Reviso bibliogrfica
2.1 Interao luz/matria
A interao entre luz e matria tem despertado a curiosidade dos
homens ao longo da histria. Por volta de 130 a.C, Ptolomeu descreveu a
refrao da luz por uma gama de materiais transparentes e, em 1305, Von
Freiburg simulou a estrutura do arco-ris utilizando esferas de vidro preenchidas
com gua. Por todo o sculo XVIII, a interao luz-matria foi estudada, e
pesquisadores como Snell, Huyguens, Newton, Bradley e Priestly formularam
leis sobre a refrao e a reflexo da luz, assim como a proposio de sua
natureza dual (partcula/onda). Porm, a descoberta da radiao no
infravermelho creditada ao cientista ingls William Herschell,1 em 1800. A
teoria moderna sobre a luz, baseada na ondulao de um campo
eletromagntico,
foi
desenvolvida
por
JC
Maxwell
(1831 1879).2
Os
primeiros
experimentos
modernos
utilizando
tcnicas
1
1
=
2
2
1
frequncia vibracional
=
1 k
2 m
2
+
3
ou
combinao
tem
intensidade
inferior
suas
anlogas
relao
equivalente
absorbncia
obtida
em
medidas
de
transmisso.1,4,5
Desde os primrdios, o uso das informaes dos espectros do NIR para
efeitos de anlise baseou-se na abordagem multivariada para a calibrao.
Hoje essa interdependncia ainda mais importante, devido ao crescente
poder dos microcomputadores e da qualidade dos espectrofotmetros NIR, que
permitem que milhares de dados sejam obtidos em questo de segundos.
Como a tecnologia NIR prope uma medida direta da amostra sem prtratamento, ela tambm no apresenta nenhum fator inibitrio para aquisio
7
1240
cm-1),
celulose
(1170-1150,
1050
1030
cm-1),
lignina
estas
tcnicas
demandavam
um
considervel
preparo
10
Branco
nas
dcadas
de
1970
1980,
resultando
em
construo
de
modelos
PLS,
so
decompostas
= + =
+
4
5
6
melhor relao linear possvel entre os escores desses dois blocos obtida
atravs de pequenas rotaes das variveis latentes dos blocos X e Y. Os
valores preditos para novas amostras (Y) podem ser ento calculados de
acordo com a equao 7, com base nos seus escores T*.
" = -$
7
14
2.6.3 N-PLS
O N-PLS (N-Way Partial Least Squares, Mnimos Quadrados Parciais
Multilineares) um mtodo de calibrao multivariada para tratar dados de
ordem superior. O N-PLS pode ser considerando uma extenso do PLS, capaz
de lidar com arranjos de dados de ordem maior do que dois. Ele relaciona um
arranjo trilinear de variveis independentes X (I,J,K) com uma matriz de vetores
independentes Y. Neste mtodo, X decomposto de maneira trilinear, de forma
a encontrar a mxima covarincia entre os escores de X e Y. A principal
diferena em relao a outros mtodos de segunda ordem, como por exemplo
o PARAFAC, a modelagem simultnea dos dados das variveis
independentes e dependentes.22
Assim como no modelo PLS, duas etapas so necessrias para a
construo do modelo N-PLS, etapa de calibrao e etapa de previso. Na
@ = AB4 + C
9
modelo.
10
11
Mtodos
de
classificao
supervisionada
so
ferramentas
concentraes.
Situao
similar
ocorre
com
outras
tcnicas
completamente
aspectos
multivariados
intrnsecos
ao
resduos padronizados
Sinal Analtico
NAS
foi ampliado para os mtodos de calibrao inversa, tais como PLS e PCR49 e
JKLM
melhorado43. O vetor de NAS I
+0 pode ser calculado para cada amostra i a
partir dos coeficientes de regresso de um modelo PLS com h variveis
latentes (VL), b, de acordo com a equao 12.
JKLM
I
= HH H
N HO IP
+0
12
G KLM estimado atravs de uma regresso linear entre o vetor ns, o qual
H
KLM
JU0
contm as normas dos vetores I
de cada amostra, e o vetor das
HKLM = VWO VW
NX VWH Y 13
Z[ HKLM VW \ 14
23
0 ]
N
3
8 ` , _ = 1,2,3 . Q
^
1
Q + 4
_
15
0,1371
cde0f 1,0063
cde0f 0,9963
0,1288
Q
0,0211
Q
0,3682 0,7780
+
, iRR j = 0,10
Q
Q
16
1,4106 3,1791
+
, iRR j = 0,01
Q
Q
18
0,6118 1,3505
+
, iRR j = 0,05
Q
Q
17
(k k k
calculada. O valor absoluto das diferenas entre a mediana e cada
SQDj dos dij valores para cada grupo so calculados. A estatstica pq de Levene
m m
1
1
st + u Sv
Q Q
19
Onde Sv a varincia combinada, que pode ser estimada pela equao 20.
Sv =
Como
alternativa,
wxy + wxy
Q + Q 2
os
parmetros
20
da
curva
de
calibrao
|||}~5 ||
||I0 ||
21
medida que cada amostra tem uma SEL diferente, um valor mdio utilizado
para caracterizar o mtodo. J que mtodos multivariados no necessitam de
resoluo de sinal, tambm importante ressaltar que a SEL no til para
fins de controle de qualidade. Ela apenas quantifica quanto do sinal analitico
utilizado no modelo. 55
A sensibilidade (SEN) de mtodos inversos, tais como PLS e PCR,
pode ser calculada como o valor do NAS em concentrao unitria, e obtida a
partir da norma do vetor dos coeficientes de regresso:
wz =
1
||H||
22
wz
23
onde Z0
)_RS =
0
Z0
Z[0
24
25
wydL
cwz
26
wyL
cwz
27
cyL =
base na equao descrita por Faber & Kowalski.58 Esta estratgia permite a
estimativa da incerteza de medida para cada amostra, com base em seu
leverage (h). Esta equao utiliza a incerteza do mtodo de referncia para o
clculo da incerteza multivariada, e justamente por isso, escolhemos esta
abordagem. A incerteza para cada amostra calculada de acordo com a
27
s[1 +
wz ]
28
cwz
cwz
29
62
1
cwy%
o 30
iQe o
28
co 1
1
1
co
1
Qe
Qe
i1
iQe
31
Qe co 1
2.7.4 Validao qualitativa multivariada
Mtodos analticos qualitativos fornecem como respostas variveis
dicotmicas (1/0, Sim/No, Ausncia/Presena, Conforme/No Conforme).
Estes mtodos j foram considerados como um ramo da qumica analtica em
declnio nas ltimas dcadas, principalmente por serem associados de maneira
restrita identificao de ons utilizando reaes qumicas por via mida.
Porm, com os avanos dos mtodos analticos instrumentais e a necessidade
de, muitas vezes, caracterizar a presena ou ausncia de um adulterante ou
contaminante, independente da sua concentrao, mtodos qualitativos esto
sendo revisitados, sendo identificados como ferramentas promissoras para o
desenvolvimento e implementao de mtodos de triagem (screening)
confiveis
64.
PA|y
PB|y
1
33
Py|A
PA
34)
Py|A
PA
Py|B
PB
P(y|A)
(35)
P(y|A) + P(y|B)
e
P(B|y) =
P(y|B)
(36)
P(y|A) + P(y|B)
(37)
+
(38)
+
100 (39)
+
zw =
100 (40)
+
= 100 ( + ) (41)
Apesar de algumas FOM utilizadas nas validaes qualitativa e
quantitativa terem o mesmo nome, os conceitos e maneiras de avalia-las so
diferentes. Enquanto TFP, TFN e TCF expressam a veracidade em anlises
qualitativas, TSL e TES so consideradas FOM relacionadas com a
seletividade do mtodo. Outras duas FOM, Acordncia (ACO) e Concordncia
(CON), expressam a preciso do mtodo. A ACO a probabilidade de duas
31
( 1 ) + (Q )(Q 1)
(42)
Q(Q 1)
=
33
pelas
diretrizes
do
Ministrio
da
Agricultura,
Pecuria
Escala do
butirmetro
Teor de
gordura
Corpo do butirmetro
Abertura
Rolha
geral,
os
mtodos
analticos
para
determinao
de
35
C-H,
os
picos
em
2308
2348
nm,
atribudos
39
superar este problema,94 antes de serem centrados na mdia. O espectros prprocessados por MSC so mostrados na Figura 9.
40
41
Amostras de calibrao
Amostras de validao
Variveis latentes
RMSEC (%)
RMSEP (%)
Amostras de calibrao
Amostras de validao
Variveis latentes
RMSEC (%)
RMSEP (%)
otimizao
do
Gordura
82
41
7
3,1
3,2
Umidade
82
41
4
1,8
2,2
conjunto
de
77
41
8
2,1
3,0
74
37
8
1,8
2,1
-----------
77
41
8
1,0
1,8
74
41
8
0,8
1,7
73
35
6
0,6
0,9
validao
foi
realizada
aps
Destes quinze outliers, trs foram detectados com base no leverage, um com
base nos residuos espectrais (X) e onze com base nos residuos em Y.
Portanto, o modelo PLS otimizado para a determinao de gordura foi
construdo com 74 amostras de calibrao e 37 amostras de validao, usando
8
VLs,
explicando
99,1%
da
varincia
em
89,8%
em
Y.
43
evidente
nas
distribuies
residuais.
No
entanto,
44
Paramtros
Veracidade (n=40)
Gordura
Umidade
Valores
2,1 %
0,1 %
2,6 % (1,8 %)
1,4 % (1,8 %)
DPR preciso
intermediria b
(DPRR)
Durbin-Watson
3,2 % (1,7 %)
3,6 % (1,8 %)
3,1 % (2,7 %)
8,5 % (2,6 %)
4,1 % (2.7 %)
1,8
1,8 % (1,8%)
1,7 % (1,7 %)
1,6 % (2,6 %)
2,2 % (2,8 %)
1,7 % (2,5 %)
1,9
Inclinao
1,00 0,02
1,00 0,03
Intercepto
0,01 2,70
0,00 1,40
Coeficiente de
correlao (r) c
0,9442
0,9702
Faixa de trabalho
38,7 a 58,0 %
41,5 a 55,1 %
Seletividade do modelo
0,07
0,11
DPR repetitividade a
(DPRr)
Preciso (n=18)
Linearidade
Sensibilidade do modelo
0,009
0,012 d
Sensibilidade analtica ()
1,8 %-1
2,4 %-1
0,60%
0,40%
RPD calibrao
-0,7751,942
%
2,1
RPD validao
2,0
Vis
RPD
0,0010,933 %
2,9
2,4
Resultados para trs amostras em trs diferentes concentraes analisadas no mesmo dia
por um mesmo analista, em sextuplicata. Valores limites de DPRr (entre parnteses) calculados
atravs da equao de Horwitz para cada nvel de concentrao estudado.
b Resultados para trs amostras em trs diferentes concentraes em dias diferentes por
analistas diferentes, em sextuplicata. Valores limites de DPRR (entre parnteses) calculados
atravs da equao de Horwitz para cada nvel de concentrao estudado.
c Parmetros do ajuste para a curva de valores de referncia vs. valores preditos para as
amostras de calibrao
d Valores expressos como a razo entre log (1/R) e %
a
45
(44)
(45)
47
49
Placa*Processamento
Processamento
Gordura
Umidade
Placa
0.5
1.5
2.5
Efeitos padronizados
51
40.00
30.00
20.00
10.00
0.00
-10.00
-20.00
-30.00
-40.00
Amostras
52
40.00
30.00
20.00
10.00
0.00
-10.00
-20.00
-30.00
-40.00
Amostras
54
55
Amostras de calibrao
Amostras de validao
Variveis latentes
RMSEC (%)
RMSEP (%)
63
32
3
3,1
5,2
58
32
6
2,0
5,0
55
27
7
1,5
2,0
57
total
de
amostras),
todos
eles
por
altos
resduos
em
Y.
58
Paramtros
Valores
Veracidade (n=27)
-0,7%
Durbin-Watson
1,4 % (1,6 %)
1,4 % (1,5 %)
1,5 % (1,6 %)
1,6 % (2,3 %)
1,4 % (2,3 %)
1,7 % (2,4 %)
2,0
Inclinao
0,95 0,06
Intercepto
1,86 2,40
0,9773
DPR repetitividade a
(DPRr)
Preciso (n=18)
DPR preciso intermediria b
(DPRR)
Linearidade
Faixa de trabalho
28,5 a 55,5 %
Seletividade do modelo
Sensibilidade do modelo
0,120
0,058 d
Sensibilidade analtica ()
10,34 %-1
0,1%
Bias
0,8201,902 %
RPD
RPD calibrao
RPD validao
3,4
2,1
Resultados para trs amostras em trs diferentes concentraes analisadas no mesmo dia
por um mesmo analista, em sextuplicata. Valores limites de DPRr (entre parnteses) calculados
atravs da equao de Horwitz para cada nvel de concentrao estudado.
b Resultados para trs amostras em trs diferentes concentraes em dias diferentes por
analistas diferentes, em sextuplicata. Valores limites de DPRR (entre parnteses) calculados
atravs da equao de Horwitz para cada nvel de concentrao estudado.
c Parmetros do ajuste para a curva de valores de referncia vs. valores preditos para as
amostras de calibrao
d Valores expressos como a razo entre log (1/R) e %
a
59
40.0
30.0
20.0
10.0
0.0
-10.0
-20.0
-30.0
-40.0
Amostras
Figura 30 Carta de controle da estabilidade do modelo para determinao de
umidade em queijo minas artesanal
63
65
realizada
especficas
atravs
e
de
mtodos
variaes
no
fsico-qumicos
ponto
de
baseados
congelamento
em
ou
reaes
gravidade
68
4.3.3 Procedimento
O leite foi armazenado em garrafas de vidro mbar a -18 C, aquecidas
em banho de gua at temperatura ambiente para o preparo das amostras.
Neste preparo, todos os adulterantes foram pesados em balana analtica
(0,0001 g). Para as amostras contendo apenas um adulterante, gua,
sacarose, formol, amido ou citrato foram adicionados em concentraes
variando de 0,5 a 10,0% p/v, com incrementos de 0,5%, resultando em 20
amostras adulteradas para cada analito. Para o preparo das amostras com dois
ou mais adulterantes, um planejamento de misturas com cinco componentes foi
empregado.
Neste
planejamento,
as
concentraes
individuais
dos
Amostras
1
2
3
4
5
gua
0,0
2,5
2,5
7,5
5,0
6
7
8
9
10
11
2,5
0,0
0,0
6,0
0,0
5,0
Adulterao (% p/v)
Amido
Citrato
Formol
5,0
2,5
0,0
0,0
0,0
5,0
0,0
5,0
0,0
2,5
0,0
0,0
0,0
0,0
2,5
0,0
0,0
0,0
1,0
2,5
0,0
2,5
7,5
2,5
1,0
5,0
0,0
2,5
2,5
0,0
1,0
2,5
5,0
Sacarose
2,5
2,5
2,5
0,0
2,5
2,5
0,0
7,5
1,0
0,0
0,0
69
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
1,0
0,0
0,0
0,0
0,0
2,5
0,0
2,5
2,5
0,0
0,0
0,0
2,5
2,5
2,5
5,0
5,0
0,0
0,0
0,0
1,0
2,5
2,5
0,0
7,5
0,0
5,0
0,0
0,0
0,0
1,0
2,5
0,0
2,5
0,0
5,0
0,0
0,0
0,0
7,5
0,0
2,5
5,0
2,5
5,0
0,0
1,0
5,0
2,5
2,5
0,0
5,0
2,5
0,0
2,5
0,0
2,5
5,0
0,0
2,5
5,0
0,0
2,5
5,0
2,5
0,0
1,0
7,5
0,0
7,5
0,0
0,0
2,5
2,0
0,0
0,0
1,0
2,5
0,0
5,0
0,0
0,0
0,0
5,0
2,5
0,0
7,5
0,0
0,0
2,5
2,5
7,5
1,0
5,0
2,5
0,0
0,0
0,0
0,0
0,0
0,0
5,0
7,5
0,0
7,5
2,5
0,0
0,0
2,5
0,0
2,5
0,0
6,0
0,0
0,0
0,0
0,0
2,5
0,0
2,0
2,5
0,0
1,0
0,0
2,5
2,5
5,0
5,0
5,0
2,5
2,5
0,0
0,0
5,0
2,5
2,5
0,0
2,5
6,0
0,0
0,0
7,5
5,0
0,0
0,0
0,0
0,0
5,0
0,0
5,0
0,0
0,0
2,5
0,0
0,0
0,0
5,0
2,5
1,0
0,0
2,5
0,0
0,0
7,5
2,5
2,0
5,0
7,5
1,0
5,0
2,5
0,0
0,0
0,0
2,5
2,5
2,5
2,5
2,5
2,5
0,0
2,5
0,0
0,0
1,0
0,0
5,0
0,0
5,0
2,5
7,5
7,5
5,0
0,0
0,0
0,0
0,0
2,5
0,0
5,0
0,0
5,0
0,0
7,5
1,0
0,0
5,0
2,5
2,5
0,0
0,0
2,0
2,5
2,5
6,0
0,0
5,0
0,0
5,0
0,0
2,5
0,0
2,5
0,0
0,0
0,0
2,5
0,0
2,5
0,0
70
58
59
60
61
62
63
64
65
66
67
68
69
70
71
0,0
5,0
0,0
7,5
2,5
1,0
0,0
0,0
5,0
2,5
2,5
2,5
2,5
0,0
2,5
5,0
0,0
0,0
2,5
6,0
2,5
2,5
0,0
2,5
0,0
0,0
0,0
5,0
0,0
0,0
7,5
2,5
0,0
1,0
0,0
5,0
2,5
5,0
2,5
0,0
2,5
0,0
5,0
0,0
0,0
0,0
2,5
1,0
2,5
0,0
2,5
0,0
5,0
7,5
0,0
2,5
2,5
0,0
2,5
0,0
2,5
1,0
5,0
2,5
0,0
0,0
0,0
0,0
5,0
2,5
com
correo
atmosfrica
instrumental,
algumas
amostras
71
(a)
(b)
(c)
(d)
(e)
(f)
(f)
(10,0 % p/v); (f) adulterao com sacarose (10,0 % p/v). A regio espectral
utilizada para a construo dos modelos est delimitada pelas linhas tracejadas
A regio entre 2000 e 900 cm-1 apresentou as maiores variaes
espectrais e foi considerada de melhor poder discriminante, contendo bandas
caractersticas para quase todos os adulterantes. Ento modelos locais foram
testados e apresentaram erros de classificao menores quando comparados
aos modelos que usaram os espectros inteiros. Por isso, os modelos finais
foram desenvolvidos e validados utilizando apenas esta regio espectral.
5.4.2 Modelos PLS-DA
Cinco modelos PLS1-DA foram construdos, um para cada adulterante.
Cada modelo foi construdo utilizando 155 amostras (15 amostras brancas, 100
amostras contendo apenas um adulterante, sendo 20 para cada um deles, e 40
amostras contendo o adulterante escolhido para aquele modelo em misturas
com outros adulterantes). As amostras foram divididas em conjuntos de
treinamento e de teste; 25% dessas amostras em cada modelo (38) foram
selecionadas para o conjunto teste, sendo escolhidas em intervalos regulares
de acordo com a composio das misturas. Para selecionar o melhor nmero
de VLs, foi feita uma validao cruzada usando o critrio das venezianas
(venetian blinds), com 6 divises. Como o conjunto de calibrao formado por
um
grande
nmero
de
amostras
foi
organizado
agrupando-as
74
Em todos os modelos, a primeira derivada com alisamento SavitzkyGolay foi utilizada, e os dados foram ento centrados na mdia. Outros prprocessamentos foram testados, como OSC, MSC e SNV, porm todos
resultaram em ECVC mais elevados.
A interpretao espectral de modelos PLS ou PLS-DA frequentemente
feita a partir da observao dos seus coeficientes de regresso. Entretanto,
como ressaltado por Brown & Green (2009),116 esta interpretao no deve se
basear somente nos coeficientes de regresso dos modelos, uma vez que eles
so
dependentes
da
composio
das
amostras
no
conjunto
de
75
(a)
(b)
(c)
(d)
(e)
Figura 33 Grficos de previso para adulteraes com (a) gua; (b) amido;
(c) citrato de sdio; (d) formol; (e) sacarose. - Amostras Brancas; adulterao com gua; - Adulterao com amido; - Adulterao com
citrato; - Adulterao com formol; - Adulterao com sacarose. Marcadores
cheios Amostras de treinamento; Marcadores vazios Amostras teste
76
(a)
(b)
(c)
(d)
(e)
77
Como pode ser visto na Figura 34, todos os VIPs escores apresentaram
picos distinguveis em regies especificamente caractersticas de cada
adulterante, como os dois picos entre 1080 e 1040 cm-1 e 1015 e 980 cm-1,
caractersticos do citrato, uma banda larga entre 1100 e 1000 cm-1,
caracterstica do formol, e os dois picos intensos em 1080 e 980 cm-1, relativos
sacarose.
4.4.3 Validao qualitativa multivariada
Conforme mencionado anteriormente, a validao de mtodos analticos
quimiomtricos um tema em desenvolvimento, no muito bem estabelecido, e
a estimativa de FOM para mtodo multivariados qualitativos tem recebido ainda
menos ateno. Como possvel verificar na Tabela 7, sete diferentes FOM
foram estimadas para os conjuntos de treinamento e teste.
O modelo para detectar adulteraes com gua apresentou os mais
altos valores de TFP (4,0 %) e a segunda maior TFN (3,2 %) no conjunto de
treinamento, alm da maior TFP no conjunto de teste (11,5%). O nmero
relativamente alto de classificaes erradas neste modelo pode estar
relacionado com a similaridade entre as amostras adulteradas com gua e as
amostras de branco (leite cru), e tambm com a deteco de amostras com
nveis mais baixos de outros adulterantes (Figura 32).
O modelo de adulterao por amido apresentou baixas TFP e TFN no
conjunto teste (3,0 e 4,8 %, respectivamente), com a classificao errnea de
amostras contendo citrato e gua sendo a ocorrncia mais frequente. Este
modelo tambm apresentou TFP e TFN relativamente elevadas no conjunto de
teste (8,0 e 16,7 %, respectivamente). Os modelos para formol e sacarose
apresentaram TFP (0,0 e 1,0 %, respectivamente) e TFN (3,2 e 4,8 %,
respectivamente) similares no conjunto teste, e resultados idnticos no
conjunto teste para a TFP (4,2 %) e a TFN (0,0 %). O modelo para deteco de
citrato apresentou os melhores resultados, no produzindo nenhuma
classificao equivocada nos conjuntos de treinamento e teste.
78
TSL
96,8%
95,2%
100,0%
96,8%
96,8%
TES
96,0%
97,0%
100,0%
100%
99,0%
TCF
92,8%
92,2%
100,0%
96,8%
95,7%
TSL
93,8%
83,3%
100,0%
93,8%
93,8%
TES
88,5%
92,0%
100,0%
95,8%
95,8%
TCF
82,8%
75,3%
100,0%
89,6%
89,6%
TFP Taxa de falso positivo; TFN Taxa de falso negativo; TSL Taxa de
seletividade; TES Taxa de especificidade; TCF Taxa de confiabilidade
resultados
consonantes
com
os
guias
de
validao
80
como
respostas
alrgicas,
asma,
urticria
imunossupresso,
81
com
determinao
espectrofotomtrica
foram
descritos
na
de
corantes
em
alimentos,
principalmente
usando
84
consequentemente,
corantes
naturais,
interferentes
que
contribuem
que
indica
que
os
sinais
mais
intensos
no
so,
87
conjunto de validao, todos por alto resduo em Y. O modelo final, com 4 VLs,
explicou 98,8% da varincia em X e 97,2% em Y.
Tabela 8 - Resultados da otimizao do modelo PLS atravs da deteco de
outliers (modelo final em negrito)
Modelo
Amostras de calibrao
Amostras de validao
Variveis latentes
RMSEC (mg L-1)
RMSEP (mg L-1)
RPD calibrao
RPD validao
1
56
27
4
2,7
2,6
2,3
3,3
2
51
27
4
2,1
2,9
3,1
3,0
3
48
27
4
1,7
3,1
3,8
2,8
4
45
22
4
1,3
1,3
4,6
6,5
Parmetro
Valores
Veracidade (n=22)
Faixa de trabalho
Seletividade do modelo
Sensibilidade do modelo
-2,0 %
2,9 % (7,2 %)
1,0 % (6,2 %)
3,1 % (6,4%)
4,4 % (11,0 %)
5,6 % (9,2 %)
4,1 % (9,6 %)
1,86
0,97 0,02
0,80 0,74
0,9702
7,8 - 39,7 mg L-1
0,17
154,11d
Sensibilidade analtica ()
3,4 L mg-1
-1
Vis
0,3 mg L-1
0,5121,210 mg L-1
DPR repetitividade a
(DPRr)
Preciso (n=18)
Linearidade
DPR preciso
intermediriab
(DPRR)
Durbin-Watson
Inclinao c
Intercepto c
Coeficiente de correlao
Resultados para trs amostras em trs diferentes concentraes analisadas no mesmo dia
por um mesmo analista, em sextuplicata. Valores limites de DPRr (entre parnteses) calculados
atravs da equao de Horwitz para cada nvel de concentrao estudado.
b Resultados para trs amostras em trs diferentes concentraes em dias diferentes por
analistas diferentes, em sextuplicata. Valores limites de DPRR (entre parnteses) calculados
atravs da equao de Horwitz para cada nvel de concentrao estudado.
c Parmetros do ajuste para a curva de valores de referncia vs. valores preditos para as
amostras de calibrao
d Valores expressos como a razo entre frequncia e mg L-1.
a
entre
-13,7
6,0
%,
para
concentrao
mais
elevada
91
30
20
10
0
8
13
18
23
28
33
38
-10
-20
-30
[AC] (mg.L-1)
92
modelos
multivariados:
Determinao
do
corante
atrativo
esteticamente.
Somado
isto,
diversos
estudos
vm
no
captulo
anterior,
para
determinao
de
corantes
em
96
6.3.2 Amostras
Duzentos e quarenta amostras de balas duras de quatro sabores
diferentes (morango, framboesa, cereja e tutti frutti) e de duas marcas distintas,
contendo o vermelho 40 como nico corante artificial, foram adquiridas
predominantemente no comrcio local de Belo Horizonte/MG e armazenadas a
temperatura ambiente at a data da anlise.
6.3.3 Procedimento
As amostras foram desembaladas e as imagens foram imediatamente
adquiridas. Para a aquisio das imagens foi construda uma cmara, com
material reciclado (uma caixa de papelo). Esta cmara tem por objetivo
padronizar a posio da aquisio das imagens, atravs de suportes para o
celular e para a amostra (feito com durepox), assim como padronizar a
iluminao, o que foi feito utilizando uma luminria alimentada via USB (Figuras
46-48). Aps a aquisio das imagens, as balas foram solubilizadas em 30 mL
de gua deionizada aquecida (50 60 C) por 15 minutos e analisadas pelo
mtodo de referncia, uma adaptao do mtodo oficial substituindo a soluo
metanlica de NH4OH a 5% por gua deionizada. As leituras forma realizadas
em um equipamento Varian Cary100 UV/VIS, utilizando cubetas de quartzo de
10 mm e leitura em 505 nm.
97
Luminria USB
Suporte de
amostras
Luminria USB
98
Suporte para
o celular
99
100
1
160
78
6
4,8
9,3
3,2
1,7
2
124
62
6
3,8
6,8
4,1
2,3
101
102
Parametro
Valores
Veracidade (n=62)
-0,1%
5,3 % (6,1 %)
5,8 % (6,1 %)
5,1 % (6,3 %)
4,6 % (6,0 %)
DPR repetitividade a
Preciso (n=18)
6,2 % (9,1 %)
5,8 % (9,1 %)
8,0 % (9,4 %)
5,5 % (9,0 %)
Linearidade
Faixa de trabalho
Seletividade do modelo
Sensibilidade do modelo
Sensibilidade analtica ()
-1
Vis
1,96
0,940,02
0,330,12
0,9669
22,9 78,8 mg.Kg-1
---2,64
4,25
0,2
-0,1150,6578mg.Kg-1
a Resultados
50
40
ERROS RELATIVOS (%)
30
20
10
0
-10
-20
-30
-40
-50
0
10
20
30
40
50
60
AMOSTRAS DE VALIDAO
30
20
10
0
-10
-20
-30
-40
35
40
45
50
55
60
65
70
75
Vermelho 40 (mg/L)
104
6.5 Concluses
Um mtodo de calibrao baseado em imagens obtidas atravs de um
telefone celular foi desenvolvido e validado para determinao do corante
vermelho 40 em balas duras. Este mtodo foi capaz de quantificar o corante de
maneira no destrutiva, alm de ser muito mais rpido que o mtodo de
referncia. O mtodo foi submetido a um processo completo de validao
analtica, no atendendo porm, a todos os parmetros exigidos.
Mesmo no atendendo a todos parmetros exigidos, a utilizao de um
simples telefone celular como instrumento analtico capaz de realizar medies
da ordem de partes por milho um fato relevante. A utilizao de imagens
digitais em qumica analtica um campo relativamente recente, e muitos
avanos ainda so necessrios, mas o resultados obtidos nesta aplicao
provam que este campo muito promissor.
105
7 Concluses Gerais
A aplicao de tcnicas espectroscpicas e anlise de imagens digitais
se mostraram poderosas ferramentas na anlise de alimentos. A associaes
entre estas tcnicas e ferramentas quimiomtricas como o PLS, PLS-DA e o NPLS permitiu o desenvolvimento de modelos capaz de determinar parmetros
de qualidade, concentrao de aditivos e detectar fraudes de maneira simples,
rpida e eficiente.
Um importante entrave que impede mtodos multivariados de serem
aceitos como mtodos oficiais de anlise ou mesmo de rotina a falta de guias
especficos que contemplem as particularidades destes mtodos. Esta tese
um passo para essa harmonizao entre a realidade univariada e a
multivariada, tentando propor adaptaes para que estes mtodos possam ser
validados e aplicados de maneira adequada.
106
8 Referncias Bibliogrficas
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
107
13.
Borin, A., Ferro, M. F., Mello, C., Cordi, L., Pataca, L. C., Durn, N. &
Poppi, R. J. Quantification of Lactobacillus in fermented milk by
multivariate image analysis with least-squares support-vector machines.
Anal. Bioanal. Chem. 387, 11051112 (2007).
14.
Acevedo, C. A., Skurtys, O., Young, M. E., Enrione, J., Pedreschi, F. &
Osorio, F. A non-destructive digital imaging method to predict immobilized
yeast-biomass. LWT - Food Sci. Technol. 42, 14441449 (2009).
15.
16.
17.
18.
19.
20.
21.
Shao, X., Bian, X., Liu, J., Zhang, M. & Cai, W. Multivariate calibration
methods in near infrared spectroscopic analysis. Anal. Meth. 2, 1662
1666 (2010).
22.
23.
24.
108
25.
26.
27.
Nicola, B. M., Beullens, K., Bobelyn, E., Peirs, A., Saeys, W., Theron, K.
I. & Lammertyn, J. Nondestructive measurement of fruit and vegetable
quality by means of NIR spectroscopy: A review. Postharvest Biol.
Technol. 46, 99118 (2007).
28.
29.
30.
31.
Antonelli, A., Cocchi, M., Fava, P., Foca, G., Franchini, G. C., Manzini, D.
& Ulrici, A. Automated evaluation of food colour by means of multivariate
image analysis coupled to a wavelet-based classification algorithm. Anal.
Chim. Acta 515, 313 (2004).
32.
33.
34.
35.
Casale, M., Oliveri, P., Casolino, C., Sinelli, N., Armanino, C., Forina, M.
& Lanteri, S. Characterisation of PDO olive oil Chianti Classico by nonselective (UV-visible, NIR and MIR spectroscopy) and selective (fatty acid
composition) analytical techniques. Anal. Chim. Acta 712, 5663 (2012).
109
36.
37.
38.
39.
Instituto Nacional de Metrologia, Normalizao e Qualidade Industrial INMETRO. - Orientaes sobre validao de mtodos de ensaios
qumicos. DOQ-CGCRE-008, Rio de Janeiro, 2011. Reviso 04, 20p.
40.
41.
42.
43.
44.
45.
46.
47.
110
48.
49.
50
51.
Olivieri, A. C., Faber, N. M., Ferr, J., Boqu, R., Kalivas, J. H. & Mark, H.
Uncertainty estimation and figures of merit for multivariate calibration
(IUPAC Technical Report). Pure Appl. Chem. 78, 633661 (2006).
52.
53.
54.
55.
56.
57.
58.
59.
60.
de Vries, S. & J.F. ter Braak, C. Prediction error in partial least squares
regression: a critique on the deviation used in The Unscrambler.
Chemom. Intell. Lab. Syst. 30, 239245 (1995).
61.
62.
63.
Rozet, E., Wascotte, V., Lecouturier, N., Prat, V., Dew, W., Boulanger,
B. & Hubert, P. Improvement of the decision efficiency of the accuracy
profile by means of a desirability function for analytical methods
validation. Application to a diacetyl-monoxime colorimetric assay used for
the determination of urea in transdermal iontophoretic ext. Anal. Chim.
Acta 591, 239247 (2007).
64.
Mantanus, J., Zimons, E., Rozet, E., Streel, B., Klinkenberg, R., Evrard,
B., Rantanen, J. & Hubert, P. Building the quality into pellet manufacturing
environment--feasibility study and validation of an in-line quantitative near
infrared (NIR) method. Talanta 83, 305311 (2010).
65.
66.
67.
68.
69.
70.
71.
NATA. Technical Note 17. Guidelines for the validation and verification of
quantitative and qualitative test methods. 32p. Canberra: National
Association of Testing Authorities (2013).
72.
73.
74.
75.
Wise, B. W., Gallagher, N. B., Bro, R., Shaver, J. M., Windig, W. & Koch,
R. S. PLS-Toolbox 4.0 for use with MatlabTM (Manual). (2006).
76.
77.
Harbutt, J., The World Cheese. 1. ed. 2009, Nova Iorque: DK Publishing
78.
79.
80.
81.
82.
83.
84.
85.
86.
87.
88.
Lucas, A., Andueza, D., Rock, E. & Martin, B. Prediction of Dry matter,
fat, ph, vitamins, minerals, carotenoids, total antioxidant capacity, and
color in fresh and freeze-dried cheeses by visible-near-infrared
reflectance spectroscopy. J. Agric. Food Chem. 56, 68016808 (2008).
89.
90.
Ntsame Affane, A. L., Fox, G. P., Sigge, G. O., Manley, M. & Britz, T. J.
Simultaneous prediction of acidity parameters (pH and titratable acidity) in
Kefir using near infrared reflectance spectroscopy. Int. Dairy J. 21, 896
900 (2011).
91.
Huang, H., Yu, H., Xu, H. & Ying, Y. Near infrared spectroscopy for on/inline monitoring of quality in foods and beverages: A review. J. Food Eng.
87, 303313 (2008).
92.
93.
94.
95.
96.
97.
98.
99.
117
118