http://dx.doi.org/10.5935/0100-4042.

20140205

Quim. Nova, Vol. 37, No. 9, 1525-1532, 2014

Paulo Henrique Maroa,*, Patrcia Valderramaa, Guilherme Lionello Alexandrinob, Ronei Jesus Poppib e Rom Taulerc
a
Universidade Tecnolgica Federal do Paran, CP 271, 87301-899 Campo Mouro PR, Brasil
b
Instituto de Qumica, Universidade Estadual de Campinas, CP 6154, 13083-970 Campinas SP, Brasil
c
Department of Environmental Chemistry, Institute of Environmental Diagnostics and Water Studies IDAEA-CSIC Jordi Girona,
16, 08034, Barcelona, Spain

Reviso

RESOLUO MULTIVARIADA DE CURVAS COM MNIMOS QUADRADOS ALTERNANTES: DESCRIO,

FUNCIONAMENTO E APLICAES

Recebido em 05/02/2014; aceito em 27/05/2014; publicado na web em 22/07/2014

MULTIVARIATE CURVE RESOLUTION WITH ALTERNATING LEAST SQUARES: DESCRIPTION, OPERATION AND
APLICATIONS. Multivariate Curve Resolution with Alternating Least Squares (MCR-ALS) is a resolution method that has
been efficiently applied in many different fields, such as process analysis, environmental data and, more recently, hyperspectral
image analysis. When applied to second order data (or to three-way data) arrays, recovery of the underlying basis vectors in both
measurement orders (i.e. signal and concentration orders) from the data matrix can be achieved without ambiguities if the trilinear
model constraint is considered during the ALS optimization. This work summarizes different protocols of MCR-ALS application,
presenting a case study: near-infrared image spectroscopy.
Keywords: chemometrics; resolution methods; signal separation.

INTRODUO
A qumica analtica oferece um vasto nmero de exemplos de
sistemas multicomponentes com amostras que se apresentam cada vez
mais complexas. Frequentemente, as amostras contm muitas espcies
a serem analisadas simultaneamente (como o caso de reas como
genmica, protemica, etc.) ou poucos analitos na presena de muitos
interferentes (por exemplo, amostras ambientais). A necessidade de
uma instrumentao mais complexa para fazer face a estes sistemas de
forma eficiente exige, da mesma forma, ferramentas computacionais
para manipular e interpretar as informaes obtidas.1,2
A denominao Anlise Multivariada corresponde a um grande
nmero de mtodos que utilizam simultaneamente todas as variveis
na interpretao do conjunto de dados. Essas variveis podem ser as
concentraes de elementos mais importantes, altura de picos em
perfis cromatogrficos, comprimentos de onda em perfis espectroscpicos ou at mesmo imagens.3-5
Os mtodos quimiomtricos de anlise multivariada podem
ser classificados em diferentes categorias com distintas aplicaes,
conforme o objetivo do estudo, como por exemplo a otimizao de
processos, a classificao de dados, as determinaes quantitativas
e qualitativas, podendo assim ser subdivididos em diversas frentes
de pesquisas e aplicaes, tais como planejamento e otimizao de
experimentos, processamento de sinais analticos, reconhecimento de
padres e classificao de dados, calibrao multivariada, mtodos
de inteligncia artificial, dentre outros.5,6
Os mtodos de Resoluo Multivariada de Curvas (MCR, do ingls
Multivariate Curve Resolution) so mtodos de processamento de sinais
analticos que tm o intuito de resolver misturas de sinais.3,5 Esses mtodos recuperam valores de concentrao relativa e os espectros puros
dos componentes relacionados a tais concentraes dentro da amostra,
a partir de uma matriz de dados que contm os valores para as variveis
analisadas. A anlise de dados por MCR pode ser realizada sobre uma
nica matriz de dados (dados de primeira ordem) ou sobre matrizes de
dados para cada amostra (dados de segunda ordem), simultaneamente.3,5
*e-mail: paulohmarco@utfpr.edu.br

O modelo geral do MCR pode ser verificado em uma equao

de forma:4,5

D = CST (1)

em que D a matriz de resposta instrumental, C a matriz de concentrao relativa e S uma matriz de espectros puros.
O mtodo de Resoluo Multivariada de Curvas com Mnimos
Quadrados Alternantes (MCR-ALS, do ingls Multivariate Curve
Resolution with Alternating Least-Squares) um tipo de MCR no
qual a resoluo iterativa da equao 1 realizada por ALS. Para que
o MCR consiga obter resultados mais condizentes com as informaes
qumicas, aproximaes de resoluo iterativa so consideradas mais
populares devido sua flexibilidade para lidar com vrios tipos de
arranjos de dados e problemas qumicos, alm da habilidade para
acomodar informaes externas no processo de resoluo. Todas
elas dividem um passo comum na otimizao (das matrizes C e/ou
ST) que se inicia com as estimativas iniciais de C e ST, adaptadas de
acordo com as informaes qumicas ou matemticas includas no
processo de otimizao sob a forma de restries. A anlise de fatores
de alvo iterativo (ITTFA, do ingls Iterative Target Factor Analysis)7
e o MCR-ALS4,5,8 foram as primeiras aproximaes iterativas a serem
executadas, embora outras metodologias com diferentes princpios,
como a Anlise de resoluo de fatores (RFA, do ingls Resolving
Factor Analysis),9 tenham aparecido posteriormente.
Este trabalho tem como objetivo descrever e apresentar o funcionamento do mtodo MCR-ALS trazendo algumas aplicaes a fim de
facilitar a utilizao do mtodo e possibilitar um maior entendimento
para as possveis aplicaes.
RESOLUO MULTIVARIADA DE CURVAS (MCR)
A Resoluo Multivariada de Curvas um mtodo quimiomtrico
includo na famlia de tcnicas de anlise de fatores (FA, do ingls
Factor Analysis).10,11 Seus principais objetivos so o isolamento,
resoluo12 para informaes qualitativas13,14 e a quantificao
das fontes de variao em um determinado conjunto de dados.15

1526

Maro et al.

Em outras palavras, o MCR recupera informaes misturadas no

seletivas provenientes de um instrumento (D) em contribuies
reais dos componentes puros no sistema (representados pelos perfis
de concentrao em C e perfis espectrais em ST). Para este mtodo
nenhuma hiptese a priori sobre a contribuio dos diferentes fatores
na resposta global necessria. Este recurso pode ser de grande importncia no estudo de problemas qumicos complexos16 e a maneira
de fazer isso com eficincia e confiabilidade tem sido o alvo das
pesquisas do MCR-ALS nos ltimos anos.5
Para que o mtodo MCR-ALS possa ser aplicado, duas condies
fundamentais devem ser anteriormente verificadas. A primeira delas
se o sinal analtico obedece a uma relao semelhante lei de BeerLambert, ou seja, se os dados tm uma relao linear com a concentrao. A segunda a anlise do posto (do ingls, rank) da matriz.17
O posto da matriz deve ser igual ao nmero de espcies que
produzem sinal analtico presentes nas misturas. Este nmero corresponde ao nmero de linhas ou colunas linearmente independentes,
ou seja, o nmero de vetores que no podem ser escritos como uma
combinao linear dos outros. Por exemplo, o posto de uma matriz
de dados dentro de um estudo espectrofotomtrico da cintica de uma
reao vai ser igual ao nmero de espcies espectrometricamente
ativas. J o posto de uma matriz bidimensional de espectros de massas ser igual ao nmero de espectros diferentes gerados a partir dos
fragmentos iniciais. Se uma espcie produz 10 espectros diferentes o
posto ser igual a 10. No entanto, quando analisado um conjunto de
amostras de composio complexa, o posto pode ser igual ou menor
ao nmero de espcies qumicas presentes no sistema3,4 e, para estes
casos, mtodos que permitam uma estimativa do posto so requeridos.
Estimativa do posto de uma matriz em MCR
A estimativa do posto de uma matriz de dados pode ser realizada
por meio de ferramentas de anlise exploratria no supervisionada.
Para dados primeira ordem (nos quais se tem um vetor de resposta
instrumental por amostra organizados no formato de uma matriz)
a estimativa do posto pode ser realizada por meio da percentagem
de varincia explicada por Decomposio em Valores Singulares
(SVD, do ingls Singular Values Decomposition)18,19 ou Anlise de
Componentes Principais (PCA, do ingls Principal Components
Analysis).20 Em dados de segunda ordem (uma matriz de resposta
instrumental para cada amostra organizadas no formato de um
tensor de dados) o posto pode ser estimado a partir da Anlise de
Componentes Principais Multi-Modo (MPCA, do ingls Multi-way
Principal Components Analysis)13 e utilizando Durbin-Watson.21
Alternativamente, o grfico que se refere importncia das variveis, chamado de grfico dos loadings do PCA ou MPCA tambm
pode ser suficientemente informativo: se o grfico de uma componente principal (PC, do ingls Principal Component) em funo
das variveis (comprimento de onda, por exemplo) no mostrarem
apenas rudo, aquela PC pode ser considerada relevante para o posto
da matriz em questo.21
Os espectros muitas vezes podem ser dados ruidosos, o que dificulta a determinao do posto de uma matriz composta por este tipo
de informao (espectral). Como resultado, a estimativa do posto a
partir da decomposio em valores singulares (SVD)18,19 bastante
dificultada. Efetivamente, necessrio distinguir entre as componentes
significativas, ou seja, os auto vetores com grande varincia, e aqueles
correspondentes ao rudo. Na prtica, uma matriz de dados considerada de posto completo se o posto estimado for igual ao nmero de
espcies qumicas presentes, considerando-se este nmero conhecido.
Alm disso, existem diversas situaes experimentais em que a matriz
pode ter deficincia de posto. Isso significa que este posto estimado
diferente do nmero de espcies qumicas presentes. Este seria o caso

Quim. Nova

de um processo onde vrios compostos tm sinais colineares ou perfis

de concentrao idnticos, como o caso, por exemplo, de espcies em
coeluio, que dificilmente podem ser diferenciadas, e em equilbrios
qumicos nos quais as espcies se interconvertem. H mais dificuldades sutis; por exemplo, a deficincia de posto pode ser causada por
problemas de linha de base quando os dados so centrados na mdia.
MCR-ALS
MCR , por definio, um modelo-flexvel (soft-modeling)
cujo foco est na descrio da evoluo das medidas experimentais
multicomponentes a partir das contribuies dos seus componentes
puros. Estes modelos tm como base uma famlia de mtodos computacionais e estatsticos para o isolamento de fontes de variao em
conjuntos de dados experimentais.5,22 Assim, desde que seja possvel
estimar previamente os perfis de concentrao e/ou o sinal analtico
(como descrito no tpico seguinte), apenas a matriz D das medidas
necessria para executar a anlise. Esta informao prvia pode servir
de orientao no processo de resoluo e melhorar significativamente
os resultados finais obtidos.
O clculo realizado pelo MCR-ALS utiliza mnimos quadrados
alternados (ALS) para buscar o resultado que apresenta o melhor
ajuste. Esse processo, chamado de otimizao, permite recuperar
perfis de concentraes individuais e sinais (espectros, imagens) de
espcies que melhor explicam a varincia dos dados observados. Tal
como nos mtodos de anlise de fatores, esta recuperao baseada
na premissa de que a matriz de dados bilinear, ou seja, que ela pode
ser decomposta no produto de duas matrizes.4
Um exemplo ilustrativo seria um sistema cromatogrfico constitudo por dois componentes com deteco espectrofotomtrica por
sistema de arranjo de diodos. Os sistemas de Cromatografia Lquida
de Alta Eficincia com Sistema de Arranjo de Diodos (HPLC-DAD,
do ingls High Performance Liquid Chromatography with Diode
Array Detector) fornecem conjuntos de dados bidimensionais, chamados de segunda ordem (uma matriz D) com duas respostas: uma
relacionada aos perfis de eluio (DA) e a outra aos espectros (DB).
Neste exemplo, as linhas e as colunas da matriz de dados representam
espectros e perfis de eluio, respectivamente. A Figura 1 e Equaes
de 1 a 3 descrevem em detalhes as medidas e os modelos subjacentes
das contribuies de espcies puras:3

D = DA + DB
D = CASAT + CBSBT

(2)
(3)

Assim, o sinal obtido pode ser decomposto em sinais relacionados

a DA e DB puros (Figura 1a e Equao 2). Cada um desses sinais, Di,
o produto de dois perfis Di = cisiT, sendo siT uma unidade de perfil
de espectro puro e ci um perfil de concentrao variando com o
tempo (perfil de eluio em HPLC) que representa a abundncia de
um composto particular ao longo da direo da linha no conjunto de
dados (Figura 1b e Equao 3). Finalmente, o modelo somatrio na
Equao 3 pode ser expresso de uma forma mais compacta, agrupando
todos os perfis de concentrao e todos os espectros nas matrizes C e
ST, respectivamente (Figura 1c e Equao 1). Esta ltima expresso
a forma mais comum para expressar a lei de Beer-Lambert em forma
de matriz e, por extenso, o modelo MCR bilinear.3
Estimativas iniciais
Para que o processo de otimizao seja realizado necessrio o
conhecimento dos sinais (por exemplo, os espectros) ou das concentraes dos componentes puros presentes na matriz de dados. Como
essas informaes nem sempre esto disponveis pode-se estimar

Vol. 37, No. 9

Resoluo multivariada de curvas com mnimos quadrados alternantes

1527

Figura 1. Modelo de medidas para um sistema de dois componentes (Adaptado de de Juan e Tauler)3. (a) Descrito como um modelo de somatria de contribuies de sinais puros; (b) Descrito como um modelo de somatria de dades de perfil puro de concentrao e espectro; (c) Descrito como um modelo bilinear
de perfis de concentrao e espectros

tais perfis por mtodos como a Anlise de Fatores Evolucionrios

(EFA, do ingls Evolving Factor Analysis)23 e mtodos baseados
na aproximao da varivel pura (PURE).24,25 O PURE seleciona
as colunas com as variveis mais puras de acordo com o nmero de
fatores que se acredita existirem na amostra, e tem como base o mtodo SIMPLISMA (do ingls, SIMPLe-to-use InteractiveS Mixture
Analysis).25 Tanto o EFA quanto o PURE so aproximaes iterativas
cujos processos so realizados por ALS, nos quais primeiro se realizam as estimativas iniciais em uma das duas ordens (por exemplo,
tempo ou perfil espectral) e em seguida calcula-se a combinao dos
perfis em duas ordens que melhor descrevam a varincia dos dados.
Alguns desses procedimentos trabalham no espao abstrato
das componentes principais, enquanto outros usam o espao das
medidas reais. Os ltimos so mais comumente utilizados e, entre
eles, o SIMPLISMA ainda o mais popular. Modificaes recentes
do SIMPLISMA implicam no uso combinado dos dados brutos e da
segunda derivada, para uma melhor seleo de variveis, e o uso do
ngulo mximo entre os perfis como critrio de seleo em metodologias derivadas, como o clculo do ngulo mximo gradual (SMAC, do
ingls Stepwise Maximum Angle Calculations). Mtodos de seleo
de variveis puras desempenham um papel importante em conjuntos
de dados nos quais a direo de um processo sequencial perdida,
uma vez que o desempenho dessas aproximaes no afetado pela
falta de ordenao na direo das linhas ou colunas. Este fato explica
porque o SIMPLISMA encontra uma aplicao extensiva em dados
de imagens espectroscpicas ou ambientais.26-28
Recentemente, o emprego de estimativas iniciais baseadas nos
loadings da PCA29 e nos scores ou sinais da Anlise de Componentes
Independentes (ICA, do ingls Independent Component Analysis)30
foram propostas e sugerem promover resultados satisfatrios, podendo, em alguns casos, serem superiores aos obtidos por SIMPLISMA.
Naturalmente, a estimativa do posto s faz sentido se houver uma
ordem inerente aos dados do sistema, normalmente uma ordem na
aquisio dos espectros que compem a matriz. A partir da estimativa
confivel do nmero de contribuies e os perfis da concentrao
inicial, MCR-ALS realiza uma otimizao por mnimos quadrados
alternados das matrizes de concentrao e espectros sob restries,

ligando fatores abstratos com fontes de variaes qumicas.

Otimizao iterativa com ALS
Uma vez que a estimativa inicial gerada, a etapa de otimizao
iterativa iniciada. Em cada ciclo iterativo as matrizes C e ST so
calculadas, sob restries, em duas etapas, por mnimos quadrados:31

C = D S (STS)-1
ST = (CTC)-1CTD

(4)
(5)

No processo, uma matriz D* reconstruda a partir do produto

das matrizes CST, na qual C ou ST advm da estimativa inicial,
calculada e comparada com a matriz D original. A otimizao iterativa
continua at que o critrio de convergncia seja cumprido. O critrio
de convergncia alcanado quando a variao de resultados entre
iteraes consecutivas apresentar valor abaixo de um valor limite
predefinido, ou quando um certo nmero de iteraes for excedido.
A qualidade do resultado final do MCR pode ser avaliada comparando a matriz reconstituda D* com a matriz D original. Indicadores
dessa qualidade so a percentagem de falta de ajuste (% LOF, do ingls
Lack of Fit) e percentagem de varincia explicada (R2), determinados pelas equaes 6 e 7, respectivamente.31 Alm de indicadores de
qualidade, um dos critrios padronizados no mtodo para o trmino
das iteraes a no variao destes parmetros aps 10 iteraes.31

(6)

(7)

na qual eij igual a (dij um elemento da matriz D e o mesmo elemento na matriz reconstituda D*). Desta forma, baixos valores de LOF
so requeridos, bem como valores de R2 o mais prximo possvel de 1.31

1528

Maro et al.

AMBIGUIDADES NO MCR

independente da ambiguidade nas solues, uma fonte comum de

incerteza nos resultados vem do erro nas medidas experimentais.

Com relao estimativa inicial, necessria para iniciar o processo iterativo no MCR-ALS, esta tambm pode ser considerada
uma anlise exploratria. Isso porque diferentes algoritmos para
estimativa inicial podem conduzir a aproximaes iterativas com
maior ou menor eficincia e, portanto, levando a resultados finais
diferentes. Este problema verificado pela possibilidade de mais de
uma resposta possvel para combinaes lineares, ou seja, existem
problemas relacionados ambiguidade rotacional exibida por mtodos de resoluo bilineares.4,32
Embora o MCR possa apresentar resultados muito satisfatrios,
em medidas experimentais brutas os perfis recuperados podem ser
afetados pelas intensidades das ambiguidades e ou das rotaes.
Podemos reescrever a equao 5 na forma da equao 8:

D = CTT-1ST

(8)

na qual T uma matriz de transformao, fornecendo a equao 9:

D = CST

(9)

na qual C = CT e ST = T-1ST
Esta a formulao matemtica da ambiguidade rotacional, a
qual significa que podemos obter a mesma soluo otimizada na
descrio do conjunto de dados D usando os conjuntos de perfis
(C e S) com formas diferentes dos verdadeiros (C e S). Mesmo na
ausncia de ambiguidade rotacional, a Equao 1 pode ser reescrita
como na forma da equao 10:

Quim. Nova

(10)

Isso significa que a dade de perfis resolvidos (ci, si) para cada
componente puro pode apresentar perfis como os procurados, porm ki
vezes menores, (1/ki)ci, ou maiores, kisiT. A extenso da ambiguidade
pode ser significantemente diminuda ou at suprimida pelo uso de
restries. Quanto mais restrito um sistema, menos possibilidades
de combinaes de perfis podem preencher as condies de forma
e intensidade requeridas, ajustando de forma otimizada o conjunto
de dados D.
A ambiguidade tem sido um dos maiores problemas do MCR.
Somente recentemente tem havido tentativas slidas para avaliar a extenso desse fenmeno nos perfis resolvidos de MCR.33-35 Recentemente
foi criada por Jaumot e Tauler uma ferramenta utilizada para avaliar
e quantificar a ambiguidade rotacional, chamada de MCR-BANDS.33
De um modo geral, a ambiguidade dependente dos componentes e
dos perfis e, dentro do mesmo conjunto de dados, possvel encontrar componentes ou perfis com falta de ambiguidade e outros que a
possuam em uma grande extenso. Algumas das ltimas tendncias
optam por determinar cada componente separadamente com os limites
mximo e mnimo das bandas de solues mais adequadas para a dade
de perfis resolvidos.36 A ideia geral encontrar os limites das dades
dos perfis que fornecem as contribuies mximas e mnimas dos
componentes do sinal global medido. Os limites mximo e mnimo
devem corresponder aos perfis que respeitam as restries e devem ser
parte do conjunto global de perfis incluindo todos os componentes e
reproduzindo o conjunto de dados com o melhor ajuste.36
Outras metodologias questionam o quanto os limites mnimos
e mximos realmente aproximam todos os perfis viveis possveis
e, se definidos como mximo e mnimo da contribuio do sinal,
se eles realmente representam as melhores solues. No entanto,

Uso de restries
As diversas formas de aplicao dos mtodos de resoluo de
curvas mostram que a ambiguidade, inerente decomposio na
anlise de fatores de uma matriz de dados bilineares, pode ser apenas
parcialmente superada pelo uso de restries. Lawton e Sylvestre37 foram os primeiros autores a demonstrar que, sob restries como a no
negatividade, um pequeno nmero de solues possvel. O mtodo
foi testado para uma mistura de 2 componentes e mais tarde o teste
foi feito para 3 componentes por Borgen e Kowalski,38 mostrando-se
bastante eficiente quanto ao nmero de respostas possveis.
Desde os primeiros estudos em resoluo de curvas, a seletividade
tem sido um dos aspectos mais relevantes a serem considerados na
recuperao de solues verdadeiras. Um ponto importante no uso
de seletividade est no fato de que a matriz original pode ser subdividida em duas matrizes menores, reduzindo assim a complexidade
da mistura. Nas regies onde o posto da matriz est perto da unidade,
a ambiguidade relacionada decomposio na anlise de fatores
completamente resolvida. Dessa forma, a deteco dessas regies e
o uso da seletividade so de grande importncia para a resoluo de
problemas em MCR.16,17
Alm da no negatividade para concentrao e sinal, outras restries gerais como uni-modalidade, fechamento (closure) e incluso de
modelos pr-definidos (hard-modeling) so propostas.3 A utilizao
das informaes de seletividade e das restries diminui consideravelmente o conjunto de solues possveis na decomposio dos dados.
Contudo, no h garantias de que as solues verdadeiras so obtidas
para um caso geral. Em particular, quando no h seletividade nas
duas ordens (C e ST) de nenhum dos componentes da mistura, no h
garantia de que as solues corretas sero recuperadas.3,13
Em adio s restries clssicas de no-negatividade, unimodalidade, fechamento (closure) e restries de igualdade ligadas seletividade ou ao uso de perfis conhecidos, a contribuio mais notvel
tem sido a introduo de modelos pr-definidos (hard-modeling). A
Figura 2 apresenta de forma resumida o funcionamento de algumas
das restries mais utilizadas.3
Os sistemas podem ser definidos como de modelagem no flexveis (hard-modeling) ou de modelagem flexvel (soft-modeling).3 Os
modelos no flexveis ajustam dados qumicos de acordo com modelos
pr-definidos construdos a partir de expresses matemticas que
descrevem um comportamento fsico-qumico ou, num sentido geral,
a forma de um sinal ou um perfil. Para fazer isso, toda a variao do
conjunto de dados deve ser descrita por aquele modelo particular. O
principal benefcio que esses modelos podem ser utilizados para
descrever apenas uma parte da variao do conjunto de dados (por
exemplo, a evoluo de alguns componentes) enquanto o resto do
sistema (os componentes remanescentes) pode ser modelado por
modelos flexveis. Estas restries permitem a modelagem no
flexvel dos processos na presena de interferentes (modelados por
modelos flexveis) alm do clculo de parmetros fsico-qumicos
como resultados adicionais do MCR. Devido eficcia desse tipo de
restrio, a ambiguidade nos perfis resolvidos suprimida ou significativamente minimizada. Assim, as chances para resolver perfis de
concentrao muito sobrepostos so substancialmente aumentadas.
Exemplos de restries de modelos no flexveis j aplicados com
sucesso incluem a incorporao de modelos cinticos,39 modelos
enzimticos40 ou equilbrios41 nos perfis de concentrao, e incluso
de modelos de formas de sinais, como funes em forma de picos
para medidas voltamtricas42 ou decaimentos de curvas exponenciais
em dados de Ressonncia Magntica Nuclear (RMN-DOSY).43

Vol. 37, No. 9

Resoluo multivariada de curvas com mnimos quadrados alternantes

1529

Figura 2. Restries utilizadas em aproximaes iterativas (Adaptado de de Juan e Tauler)3

Alm destes, Bianchini e Kaufman utilizaram uma mistura de hard

e soft-modeling para estudar a cintica de degradao de uma droga
sob influncia da radiao UV.44
Como mostra a Figura 2, os perfis tm sua forma modificada
pela ao das restries. Quanto mais difcil a modificao, mais
o perfil se distancia da forma que ele tem na realidade. Quando as
correes por restries so muito abruptas, podem aparecer diferenas no processo de otimizao e o efeito da restrio pode no ser
to positivo quanto se espera. A implementao das restries deve
incorporar uma forma harmoniosa para modificar a forma do perfil e
permitir certa flexibilidade no preenchimento das condies para levar
em considerao o rudo experimental ou para efeitos instrumentais
nas medidas. Um bom ajuste tem sido alcanado pela implementao de diferentes nveis de tolerncia e aplicao de funes de
penalidade. No entanto, aproximaes clssicas de substituio que
tambm permitem nveis variveis de tolerncia so interessantes
pela sua tendncia em permitir maior flexibilidade na combinao
das restries aplicadas e na escolha dos perfis ou direes a serem
consideradas. Alm disso, sua aplicao em sistemas que obedecem
naturalmente as restries impostas tambm leva a um melhor ajuste
quando a convergncia alcanada.3 Atualmente, existem variedades
nas aplicaes das restries como, por exemplo, restries de correlao34 e restries para dados quadrilineares.45,46
MATRIZES AUMENTADAS E FUSO DE DADOS
Um grande avano em Resolues Multivariadas foi a extenso
desses mtodos para alm dos conjuntos de dados bidimensionais.
Problemas clssicos de ambiguidades em MCR so reduzidos significativamente com a possibilidade de analisar estruturas mais ricas
em informaes, tais como os dados de segunda ordem por meio
das matrizes de dados aumentadas pelas linhas e/ou colunas, como
mostra a Figura 3.13,47
Matrizes aumentadas podem ser definidas como uma forma de
juno entre duas ou mais matrizes de dados bilineares de sistemas

Figura 3. Modelo bilinear de MCR aumentado (a) pelas linhas, (b) pelas
colunas e (c) pelas linhas e pelas colunas ao mesmo tempo

diferentes, que partilham de alguns ou de todos os seus compostos

em uma terceira direo, que representa a diferena qualitativa ou
quantitativa entre as amostras. Analisar simultaneamente diferentes
misturas dos mesmos compostos, em diferentes condies fsicas ou
qumicas, como pH ou tempo, uma maneira inteligente e confivel
para extrair informaes sobre as individualidades dos sistemas.13
Espectros puros relacionados com a ordem comum do conjunto de
dados aumentados pelas colunas so considerados invariantes e a
matriz desdobrada, C, permite aos perfis de cada composto na direo
da concentrao serem diferentes para cada matriz (Figura 3). Como o
posto pode ser diretamente estimado por SVD em matrizes aumentadas,
a comparao dos resultados obtidos em diferentes matrizes permite
eventualmente detectar a deficincia de posto. Alm disso, escolher
a matriz a ser acrescentada matriz de interesse, como por exemplo,
a fuso desta ltima com padres fornece uma maneira de quebrar a
deficincia de posto, permitindo a deteco de qualquer contribuio
qumica no conjunto de dados aumentados. Esta aproximao deve
ser coerente com outras informaes prvias sobre o sistema, em especial a correspondncia entre as espcies em cada matriz unitria. A
fuso dos dados ou anlises multiconjuntos so nomes recentemente

1530

Maro et al.

formulados para medidas de conjuntos provenientes de um ou mais

experimentos monitorados por diferentes tcnicas, porm, bem antes
desses nomes serem apresentados, o MCR j havia sido aplicado a
estes e a outros tipos de arranjos de dados fundidos.3 A fuso de dados
facilita frequentemente a interpretao de dados de natureza hifenada
ou multi modo dos instrumentos atualmente disponveis (acoplamento
de vrios sistemas de deteco ou a aquisio de vrias respostas em
um tempo). Alm desses dados, outros tipos de arranjos aumentados
de dados, como multi batelas ou conjuntos de dados multi processados,
podem ser agrupados produzindo resultados igualmente interessantes.
QUANTIFICAES COM MCR
A quantificao por MCR apresenta vantagens em relao
calibrao multivariada convencional. A primeira, e talvez a mais
importante de todas, que com MCR no necessrio nem o conhecimento nem a incluso de interferentes no modelo de calibrao. Isso
possibilita alcanar vantagem de segunda ordem48 (possibilidade de
quantificar o analito na presena de interferentes mesmo que esses
interferentes no estejam presentes na etapa de calibrao) em dados
de primeira ordem.49,50 Outra vantagem bastante significativa a
possibilidade de se utilizar uma quantidade reduzida de amostras de
calibrao. Alm disso, como a regresso feita a partir do perfil de
concentrao relativa (referente ao analito de interesse) recuperado
pelo MCR em funo dos valores de concentrao conhecidos, o
modelo assume uma forma matemtica mais simples e considerado pseudo univariado. Com isso o mtodo proporciona outra
vantagem para a quantificao, j que as figuras de mrito podem
ser calculadas como na calibrao univariada e, portanto, de forma
muito mais simples do que na calibrao multivariada convencional,
dispensando o clculo do sinal analtico lquido (NAS, do ingls Net
Analyte Signal).51,52

Quim. Nova

e a meta da anlise dos dados fornecer mapas confiveis de distribuio e caracterizao dos compostos puros na amostra. Esse tipo
de problema pode ser resolvido com grande xito com a aplicao
de MCR, desde que a variao dos dados da imagem responda ao
modelo bilinear que descreve qualquer espectro em um pixel na
imagem como combinao linear da contribuio do sinal de seus
componentes. Utilizar um cubo de dados de imagem para anlise
por MCR requer somente o desdobramento do mesmo em uma matriz que contenha todos os espectros dos pixels. Depois da anlise
de resoluo, os espectros puros dos constituintes so recuperados
bem como seus mapas de distribuio puros relacionados, uma vez
que os perfis em C so dobrados de volta para recuperar a estrutura
espacial da imagem original (Figura 4). A resoluo de imagem por
MCR tem ganhado relevncia durante os ltimos anos36,65,66 e os esforos esto agora focados no uso da informao espacial, vinda de
mtodos exploratrios baseados na anlise de posto local das reas
da imagem ou da aplicao de ferramentas de classificao de pixels,
sob a forma de restries especficas para imagem. Atualmente a rea
farmacutica concentra grande parte das aplicaes de espectroscopia
de imagem para a caracterizao qumica da distribuio de frmacos
e excipientes em diversas formulaes slidas de medicamentos.
Neste contexto, a utilizao de MCR-ALS j se consolida como uma
estratgia de destaque para a resoluo dos mapas de concentrao
dos constituintes em amostras farmacuticas, uma vez que estimativas
iniciais dos espectros puros podem ser obtidas diretamente dos dados
(atravs de loadings de PCA, SIMPLISMA, e outros)29,67 ou, no caso
em que os espectros puros de todos os constituintes da amostra serem
previamente conhecidos, a otimizao de C e ST geralmente resulta
em mapas de concentrao de maior confiabilidade analtica.68,69

APLICAES E AVANOS RECENTES

Em geral observa-se que o MCR uma ferramenta que pode
auxiliar no tratamento e interpretao de dados provenientes de
anlises mais simples, tais como fotodegradaes monitoradas por
espectrofotometria na regio UV-Vis,13 como anlises de dados mais
complexos (provenientes de equipamentos hifenados).5,53,54
O MCR foi inicialmente utilizado para anlises de processos55,56
ou, usando uma expresso mais geral, para sistemas evolutivos multicomponentes. Exemplos tpicos de MCR variam desde o monitoramento de reao em escala de laboratrio57 ou em escala industrial55,58
com muitos tipos de equipamentos hifenados56,59, como anlises por
cromatografia5,53 e anlises por injeo em fluxo.60-62 Estas aplicaes
ainda constituem os campos mais comuns de uso de MCR. Com o
progresso em instrumentao analtica os processos tendem a ser
monitorados por estratgias multitcnicas2,5 (vindo de instrumentos
multi respostas ou de medidas separadas) obtendo-se assim conjuntos
de dados provenientes de multi batelas ou de muitos experimentos.
Estas estratgias tm melhorado grandemente o entendimento de
processos complexos, como aqueles envolvendo biomolculas.63,64
A espectroscopia de imagem36,65 tem emergido na ltima dcada
como uma medida experimental muito poderosa devido obteno
de informao sobre o perfil da composio de uma amostra slida
ao longo de sua superfcie. Nesta tcnica, a regio de interesse da
superfcie de uma amostra dividida em sub-regies regulares
denominadas pixels, cujas posies so definidas no plano xy, que
contero suas respectivas medidas espectroscpicas (e.g. espectros
de infravermelho prximo, raman, massas, etc). Compostos que se
encontram na superfcie podem ser monitorados por meio dos espectros provenientes do cubo espectral (x x y x varivel espectral),

Figura 4. Esquema do tratamento dos dados de imagem hiperespectral

por MCR-ALS, resultando nos espectros puros otimizados de cada espcie
qumica resolvida (ST) bem como seus respectivos perfis de concentrao na
superfcie da amostra (C)

Os perfis de concentrao relativa da forma polimrfica III do

frmaco Carbamazepina (CBZ) e dos principais excipientes (Celulose
microscristalina, Copovidona e Croscarmelose sdica) em uma
formulao de comprimido foi resolvido por meio de medidas de
espectroscopia de imagem no infravermelho prximo (NIR, do ingls
Near InfraRed) seguido do tratamento dos dados por MCR-ALS.70
Os espectros puros de cada uma das espcies qumicas da formulao
foram utilizados como estivas iniciais de ST e as restries empregadas no processo de otimizao foram no negatividades em C e ST
alm do closure (uma vez que o nmero total de espcies qumicas
na amostra era previamente conhecido). Os mapas de concentrao
dos compostos resolvidos pelo MCR-ALS no comprimido, assim
como os espectros puros recuperados, esto ilustrados na Figura 5.70
A caracterizao de formas farmacuticas por imagem qumica
e MCR-ALS a partir de dados de espectroscopia Raman tambm
explorada na literatura,71,72 sendo inclusive utilizada a espectroscopia

Vol. 37, No. 9

Resoluo multivariada de curvas com mnimos quadrados alternantes

1531

Figura 5. a) Mapas de concentraes relativas do frmaco Carbamazepina e principais excipientes no comprimido resolvidos por MCR-ALS, em que o valor
de de cada composto corresponde a sua respectiva concentrao mdia nos pixels. Os valores entre parnteses correspondem s respectivas concentraes
esperadas de acordo com as propores utilizadas no preparado do comprimido. b) Espectros puros (estimativas iniciais) e otimizados pelo MCR-ALS do
frmaco e principais excipientes da formulao do comprimido

Raman amplificada por superfcie (do ingls SERS) para os casos

em que a concentrao do frmaco em certas formulaes muito
pequena.73
Dados biolgicos tambm fazem parte de um campo relevante
de aplicao de MCR. Esse mtodo tem sido aplicado para a anlise
e interpretao de processos biolgicos, tais como o desdobramento
de protenas63,74 ou interaes de drogas com o DNA.64 Para sistemas biolgicos nos quais nenhum modelo fsico-qumico geral est
disponvel, o MCR encontra uma nova rea de desafio no tratamento
de dados micos (genmica, protemica, metabolmica e afins).
Desde 2010, muitos avanos significativos nos modos de resoluo do MCR-ALS foram implementados. Dentre os avanos
recentes, merecem destaque os mtodos utilizados para medida das
incertezas, o chamado MLMCR (Maximum Likelihood Multivariate
Curve Resolution)75 e o MCR-WALS (Multivariate Curve Resolution
Weighted Alternating Least Squares),74 que faz a medida da incerteza
para cada resposta oferecida aps a execuo de uma operao de
mnimos quadrados. Merecem destaque ainda o mtodo MCRBANDS,33 que calcula a extenso da ambiguidade rotacional, e o
emprego do MCR-ALS para quantificao.51 O avano mais recente
de destaque notvel a possibilidade de aplicao do MCR-ALS
em conjuntos de dados nos quais existem informaes faltantes.76
Tal mtodo permite inclusive a comparao de conjuntos de dados
obtidos em diferentes equipamentos pelo ajuste das variveis faltantes.
De um modo geral, o mtodo de Resoluo Multivariada de
Curvas com Mnimos Quadrados Alternantes uma ferramenta que
vem apresentando excelentes resultados em diversas aplicaes.
Assim como a complexidade dos dados obtidos por diferentes equipamentos vem aumentando, mtodos como o MCR-ALS igualmente
vm evoluindo de forma a auxiliar na interpretao das respostas
qumicas e, consequentemente, colaborando com o avano da cincia.
CONCLUSO
O MCR-ALS um mtodo quimiomtrico de resoluo de
curvas bastante verstil, podendo ser aplicado em diferentes tipos
de dados provenientes de diferentes instrumentos analticos. O seu
funcionamento tem base em um modelo matricial bilinear. Os passos
importantes para um bom resultado consistem na estimativa do posto
da matriz de dados e no uso de estimativas iniciais apropriadas. A
partir disso uma otimizao iterativa realizada por meio de mnimos

quadrados alternantes, nas quais restries podem ser aplicadas visando reduzir ambiguidades rotacionais. A Figura 6 sumariza passo
a passo as etapas para a utilizao do MCR-ALS.

Figura 6. Etapas para a utilizao do MCR-ALS

Na Figura 6(a) a matriz D formada por dados de primeira ordem

(que geram um vetor de resposta instrumental por amostra) e podem ser:
espectros UV-Vis, espectros infravermelho mdio ou prximo, espectros Raman, espectros de emisso de fluorescncia em um comprimento
de onda fixo, cromatogramas obtidos a partir de cromatografia gasosa
ou lquida de alta eficincia, dados provenientes de dicrosmo circular,
voltamogramas, fluorescncia de raio-X, etc. Para o tensor D da Figura
6(b) uma matriz de resposta instrumental obtida para cada amostra
(dados de segunda ordem), podendo ser: fluorescncia em diferentes
comprimentos de onda de excitao e emisso, cromatografia gasosa
com deteco por espectrometria de massas, cromatografia lquida com
deteco por espectrometria de massas ou UV-DAD, cromatografia
gasosa bidimensional com detector de ionizao em chama, etc. Por
fim, o arranjo da Figura 6 (c) obtido a partir de espectroscopia de
imagens no infravermelho prximo ou Raman, etc.
Desta forma, a partir das variedades de aplicaes observadas,
conclui-se tambm que se trata de um mtodo que, alm de verstil,
bastante eficaz para diversas aplicaes.

1532

Maro et al.

REFERNCIAS
1. Scarminio, I. S.; Ishikawa, D. N.; Barreto, W. J.; Paczkowski, E. L.;
Arruda, I. C.; Quim. Nova 1998, 21, 590.
2. Malik, A.; Tauler, R.; Anal. Chim. Acta 2013, 794, 20.
3. de Juan, A.; Tauler, R.; Crit. Rev. Anal. Chem. 2006, 36, 163.
4. Tauler, R.; Chemom. Intell. Lab. Syst. 1995, 30, 133.
5. Parastar, H.; Tauler, R.; Anal. Chem. 2014, 86, 286.
6. Otto, M.; Chemometrics,Wiley:Weinheim, 1999.
7. Vandeginste, B.G.M.; Derks, W.; Kateman, G.; Anal. Chim. Acta 1985,
173, 253.
8. Jaumot, J.; Gargallo, R.; de Juan, A.; Tauler, R.; Chemom. Intell. Lab.
Syst. 2005, 76, 101.
9. Manne, R.; Grande, B. V.; Chemom. Intell. Lab. Syst. 2000, 50, 35.
10. Malinowski, E. R.; Factor Analysis in Chemistry, 3rd ed., Wiley: New
York, 2002.
11. Xu, C.J.; Gourvnec, S.; Liang, Y.Z.; Massart, D.L.; Anal. Chim. Acta
2006, 575, 1.
12. Mendieta, J.; Daz-Cruz, M.S.; Esteban, M.; Tauler, R.; Biophys. J.
1998, 74, 2876.
13. Maro, P.H.; Poppi, R.J.; Scarminio, I.S.; Tauler, R.; Food Chem. 2011,
125, 1020.
14. Tauler, R.; Smilde, A.; Kowalski, B.; J. Chemom. 1995, 9, 31.
15. Boeris, V.; Arancibia, J.A.; Olivieri, A. C.; Anal. Chim. Acta 2014, 814,
23.
16. de Juan, A.; Navea, S.; Diewok, J.; Tauler, R.; Chemom. Intell. Lab. Syst.
2004, 70, 11.
17. Xia, A-L.; Wu, H.L.; Zhang, Y; Zhu, S.H.; Han, Q.J.; Yu, R.Q.; Anal.
Chim. Acta 2007, 598, 1.
18. Linder, M.; Sundberg, R.; Chemom. Intell. Lab. Syst. 1998, 42, 159.
19. Milford, D.; Sandell, M.; Signal Process 2014, 102, 163.
20. Wold, S.; Esbensen, K.; Geladi, P.; Chemom. Intell. Lab. Syst. 1987, 2,
37.
21. Valderrama, P.; Maro, P.H.; Locquet, N.; Ammari, F.; Rutledge, D.N.;
Chemom. Intell. Lab. Syst. 2011, 106, 166.
22. Esteban, M.; Ario, C.; Daz-Cruz, J.M.; Daz-Cruz, M.S.; Tauler, R.;
TrAC, Trends Anal. Chem. 2000, 19, 49.
23. Gampp, H.; Maeder, M.; Meyer, C.J.; Zuberbhler, A.D.; Talanta 1986,
33, 943.
24. Windig, W.; Gallagher, N.B.; Shaver, J.M.; Wise, B.M.; Chemom.
Intell. Lab. Syst. 2005, 77, 85.
25. Cao, L.; Harrington, P.B.; Liu, J.; Anal. Chem. 2005, 77, 2575.
26. Gallagher, N.B.; Shaver, J.M.; Martin, E.B.; Morris, J.; Wise, B.M.;
Windig, W.; Chemom. Intell. Lab. Syst. 2004, 73, 105.
27. Windig, W.; Gallagher, N.B.; Shaver, J.M.; Wise, B.M.; Chemom.
Intell. Lab. Syst. 2005, 77, 85.
28. Windig, W.; Two-Way Data Analysis: Detection of Purest Variables:
Reference Module in Chemistry, Molecular Sciences and Chemical
Engineering, from Comprehensive Chemometrics, p 275, Elsevier: 2009,
cap 2.17.
29. Sabin, G.P.; Lozano, V.A.; Rocha, W.F.C.; Romo, W.; Ortiz, R.S.;
Poppi, R.J.; J. Pharm. Biomed. Anal. 2013, 85, 207.
30. Gonalves, R.P.; Valderrama, L.; Rutledge, D.N.; Maro, P.H.;
Valderrama, P.; Resumos do Chimiomtrie 2013, Brest, France, 2013.
31. Jayaraman, A.; Mas, S.; Tauler, R.; de Juan, A.; J. Chromatogr. B 2012,
910, 138.
32. Abdollahi, H.; Tauler, R.; Chemom. Intell. Lab. Syst. 2011, 108, 100.
33. Jaumot, J.; Tauler, R.; Chemom. Intell. Lab. Syst 2010, 103, 96.
34. Oliveira, R.R.; Lima, K.M.G; Tauler, R.; de Juan, A.; Talanta 2014,
125, 233.
35. Leger, M.N.; Wentzell, P.D.; Chemom. Intell. Lab. Syst. 2002, 62, 171.
36. Zhang, X.; Tauler, R.; Anal. Chim. Acta 2013, 762, 25.
37. Lawton, W.H.; Sylvestr E.A.; Technometrics 1971, 13, 617.

Quim. Nova

38. Borgen, O.S.; Kowalski, B.R.; Anal. Chim. Acta 1985, 174, 1.
39. Carvalho, A.R.; Wattoom, J.; Zhu, L.F.; Brereton, R.G.; Analyst 2006,
131, 90.
40. Amigo, J. M.; de Juan, A.; Coello, J.; Maspoch, S.; Anal. Chim. Acta
2006, 567, 236.
41. Daz-Cruz, J.M.; Agull, J.; Daz-Cruz, M.S.; Ario, C.; Esteban, M.;
Tauler, R.; Analyst 2001, 126, 371.
42. Lpez, M.J.; Ario, C.; Daz-Cruz, S.; Daz-Cruz, J.M.; Tauler, R.;
Esteban, M.; Environ. Sci. Technol. 2003, 37, 5609.
43. Huo, R.; Wehrens, R.; Buydens, L.M.C.; J. Magn. Reson. 2004, 169,
257.
44. Bianchini, R. M.; Kaufman, T. S.; Int. J. Chem. Kinet 2013, 11, 734.
45. Fu, H.-Y.; Wu, H.-L.; Yu, Y.-J.; Yu, Li-Li; Zhang, S.-R.; Nie, J.-F.; Li,
S.-F.; Yu, R.-Q.; J. Chemom. 2011, 25, 408.
46. Malik, A.; Tauler, R.; Chemom. Intell. Lab. Syst. 2014, In Press.
47. Ruckebusch, C.; de Juan, A.; Duponchel, L.; Huvenne, J. P.; Chemom.
Intell. Lab. Syst. 2006, 80, 209.
48. Booksh, K.S.; Kowalski, B.R.; Anal. Chem. 1994, 66, 782A.
49. Lpez, M.B.M.; Tese de Doutorado, Universidade Estadual de
Campinas, Brasil, 2013.
50. Mohseni, N.; Bahram, M.; Olivieri, A. C.; Spectrochim Acta A 2014,
122, 721.
51. Goicoechea, H.C.; Olivieri, A.C.; Tauler, R.; Analyst 2010, 135, 636.
52. Rodrguez-Cuesta, M.J.; Boqu, R.; Rius, F.X.; Martnez Vidal, J.L.;
Garrido Frenich, G.; Chemom. Intell. Lab. Syst. 2005, 77, 251.
53. Vosough, M.; Esfahani, H. M.; Talanta 2013, 113, 68.
54. Schiozer, A.L.; Maro, P.H.; Barata, L.E.S.; Poppi, R.J.; Anal. Lett.
2008, 41, 1592.
55. Tauler, R.; Kowalski, B.; Fleming, S.; Anal. Chem. 1993, 65, 2040.
56. Tauler, R.; Barcel, D.; TrAC, Trends Anal. Chem. 1993, 12, 319.
57. Garrido, M.; Lzaro, I.; Larrechi, M.S.; Rius, F.X.; Anal. Chim. Acta
2004, 515, 65.
58. Van Sprang, E.N.M.; Ramaker, H.J.; Westerhuis, J.A.; Smilde, A.K.;
Gurden, S.P.; Wienke, D.; Appl. Spectrosc. 2003, 57, 1007.
59. Van Zomeren, P.V.; Hoogvorst, A.; Coenegracht, P.M.J.; de Jong, G.J.;
Analyst 2004, 129, 241.
60. Carneiro, R.L.; Braga, J.W.B.; Poppi, R.J.; Tauler, R.; Analyst 2008,
133, 774.
61. Alcarz, M.R.; Schenone, A.V.; Culzoni, M.J.; Goicoechea, H.C.;
Microchem. J. 2014, 112, 25.
62. Maro, P.H.; Tese de Doutorado, Universidade Estadual de Campinas,
Brasil, 2009.
63. Wang, Y.; Ni, Y.; Analyst 2014, 139, 416.
64. Zhang, Y.; Zhang, G.; Zhou, X.; Li, Y.; Anal. Bioanal. Chem. 2013, 405,
8871.
65. Carneiro, R. L.; Poppi, R. J.; Spectrochim Acta A 2014, 118, 215.
66. Piqueras, S.; Duponchel, L.; Tauler, R.; de Juan, A.; Anal. Chim. Acta
2014, 819, 15.
67. de Juan, A.; Tauler, R.; Dyson, R.; Marcolli, C.; Rault, M.; Maeder, M.;
TrAC Trend. Anal. Chem. 2004, 23, 70.
68. Amigo, J.M.; Ravn, C.; Eur. J. Pharm. Sci. 2009, 37, 76.
69. Cruz, J.; Blanco, M.; J. Pharm. Biom. Anal. 2011, 56, 408.
70. Terra, L.A.; Poppi, R.J.; Chemom. Intell. Lab. Syst. 2014, 130, 91.
71. Vajna, B.; Pataki, H.; Nagy, Z.; Farkas, I.; Marosi, G.; Int. J. Pharm.
2011, 419, 107.
72. Vajna, B.; Patyi, G.; Nagy, Z.; Bodis, A.; Farkas, A.; Marosi, G.; J. Raman Spectr. 2011, 42, 1977.
73. Firkala, T.; Farkas, A.; Vajna, B.; Farkas, I.; Marosi, G.; J. Pharm. Biom.
Anal. 2013, 76, 145.
74. Wang, Y.; Ni, Y.; Talanta. 2014, 119, 320.
75. Dadashi, M.; Abdollahi, H.; Tauler, R.; Chemom. Intell. Lab. Syst. 2012,
118, 33.
76. Alier, M.; Tauler, R.; Chemom. Intell. Lab. Syst. 2013, 127, 17.