EXPLICANDO O ARTIGO: Análise das ultradiluições: Explorando os

efeitos da potencialização por meio de microscopia eletrônica,

espectroscopia Raman e deep learning

O fim da controvérsia: A homeopatia no microscópio

Nos últimos 200 anos, tem ocorrido um contínuo debate em relação à eficácia das
substâncias altamente diluídas utilizadas nos remédios homeopáticos. Esse debate tem um
significativo impacto negativo para o desenvolvimento e aceitação da homeopatia na
comunidade médica mais ampla. Como resultado, a homeopatia tem permanecido, em
grande parte, às margens da medicina convencional e não conseguiu desenvolver
completamente seu potencial.

Esse artigo de pesquisa publicado em uma revista científica altamente respeitada, da

prestigiosa editora Elsevier, apresenta evidências convincentes de que os remédios
homeopáticos potencializados deixam um sinal detectável na diluição sucussada. Os
resultados provavelmente irão surpreender a comunidade científica, já que sugerem a
existência de fenômenos naturais cujos métodos científicos atuais não conseguem
investigar ou explicar integralmente.

O estudo que a comunidade homeopática esperava há 200 anos.

Nos últimos oito anos, a dedicada equipe de pesquisas da Academia Internacional de

Homeopatia Clássica, sob orientação do Professor George Vithoulkas e o trabalho
minucioso da líder da equipe, Dra. Camelia Grosan, tem trabalhado diligentemente para
fornecer evidências conclusivas para refutar o persistente ceticismo em torno dos remédios
homeopáticos.
Por meio de uma combinação meticulosa de técnicas analíticas avançadas, incluindo a
Microscopia Eletrônica de Transmissão (MET), a Espectroscopia Raman e algoritmos de
Deep Learning (DL), esse estudo confirma, com sucesso, que os remédios homeopáticos
são ativos. A investigação teve foco na avaliação das características morfológicas de
soluções de ouro (Aurum metallicum) altamente diluídas, preparadas em base de etanol,
assim como de água, em três diferentes níveis de potencialização (6C, 30C e 200C). As
descobertas apresentadas nesta pesquisa concluem definitivamente o debate sobre as altas
potências na homeopatia.

Aplicação prática dos métodos utilizados

Além do impacto positivo que essa pesquisa terá nas questões científicas e éticas desse
fenômeno, existem outros benefícios.

Os autores propõem um sistema utilizando três ferramentas analíticas distintas para avaliar
as preparações homeopáticas. Isso pode ser uma ferramenta valiosa para o controle de
qualidade dos medicamentos homeopáticos, permitindo que os farmacêuticos verifiquem
se esses remédios foram adequadamente preparados – algo que não era possível antes.
De modo geral, a pesquisa fornece perspectivas importantes sobre a natureza dos
medicamentos homeopáticos e oferece uma solução prática para assegurar sua qualidade
e consistência.
Os resultados desafiam o conhecimento científico atual e provavelmente impulsionará mais
investigações sobre os mecanismos subjacentes à homeopatia, levando a um momento, no
futuro, em que a medicina, em geral, reduzirá drasticamente seus efeitos colaterais.

Explicação simplificada sobre o artigo científico:

Análise das ultra diluições - Explorando os efeitos da potencialização por meio de
microscopia eletrônica, espectroscopia Raman e deep learning - Berghian-Grosan C et al
https://www.sciencedirect.com/science/article/pii/S0167732224005932?via%3Dihub

Resumo:
A discussão em torno das diluições ultra altas têm sido contínua devido às limitadas
possibilidades de análise. Este estudo utilizou a microscopia eletrônica de transmissão
(MET) para analisar soluções de ouro altamente diluídas em etanol e água. Foram
estudados três níveis de diluição (6C (100-6), 30C (100-30) e 200C (100-200)) para cada tipo
de solvente. Espectroscopia Raman e algoritmos de deep learning também foram
empregados para análise das soluções. Os resultados mostraram características distintas
em diferentes níveis de diluições. O modelo de deep learning mostrou elevada exatidão na
classificação das soluções. O estudo sugere que a MET, a espectroscopia Raman e o Deep
Learning podem efetivamente caracterizar e diferenciar soluções altamente diluídas.

Introdução:

A potencialização, introduzida por Samuel Hahnemann, envolve a diluição e agitação das

substâncias para criar os remédios homeopáticos, conhecidos por seus efeitos terapêuticos.
Esses remédios, derivados de diversas substâncias, são submetidos à potencialização para
intensificar suas propriedades curativas. Apesar da preocupação em relação à altas
diluições, alguns estudos mostraram a presença das matérias-primas em diluições
extremas, desafiando as crenças convencionais.
A água, um solvente crucial, tem propriedades anômalas importantes para os processos
biológicos e químicos. Entender sua estrutura e dinâmica continua sendo um tópico de
interesse, com técnicas como a espectroscopia vibracional utilizadas para análise.
No entanto, devido à complexidade da água e das altas diluições envolvidas, sua análise é
desafiadora. Técnicas quimiométricas e modelos de machine learning (ML), incluindo o
deep learning (DL), têm sido utilizados para analisar os sinais Raman.
Algoritmos de ML, especialmente o DL, estão ganhando popularidade na classificação de
tarefas, devido à sua eficiência e superioridade nos resultados.
Esse estudo investiga soluções altamente diluídas de Aurum metallicum (AUR), um remédio
homeopático, usando microscopia eletrônica de transmissão (MET) e espectroscopia
Raman. Diferentes organizações das soluções foram observadas por dois laboratórios
independentes. Os espectros Raman de diversas soluções potencializadas, à base de água,
foram processados usando algoritmos de DL para classificá-las e diferenciá-las.
O estudo demonstra a efetividade da MET, da espectroscopia Raman e do DL na
caracterização de soluções altamente diluídas resultantes de potencializações.

Materiais e Método:
2.1 Material:

As soluções utilizadas neste estudo foram preparadas pela empresa Korres, em Atenas, na
Grécia. A empresa é certificada pela Agência Nacional de Medicamentos, da Grécia, e segue
diretrizes restritas na preparação dos remédios homeopáticos descritas na Farmacopeia
Homeopática Alemã (GHP) e padrões da Boas Práticas de Manufatura (GMP). As soluções
foram divididas em três grupos: água purificada (PW), não-purificada (UW), e Aurum
metallicum (AUR). Foram preparados três níveis de potências (6C, 30C e 200C) para cada
categoria, com três lotes produzidos em dias diferentes.
2.1.1. Microscopia eletrônica de Transmissão (MET):
Para os estudos com MET, foram analisados dois tipos de amostras de AUR: as preparadas
em solução alcóolica a 50% (E-AUR), na Romênia, e as preparadas com água purificada
(PW), na Turquia (W-AUR). Foram investigados três níveis de potências (6C, 30C e 200C) de
cada tipo de AUR.
2.1.2. Investigações Raman:
Foi utilizada espectroscopia Raman para analisar três tipos de solução: água purificada
(PW), não-purificada (UW), e AUR. Para PW e UW - ambas amostras nanopotencializadas -
três níveis de potência (6C, 30C e 200C) foram estudados, com três lotes preparados em
diferentes dias para cada nível. Somente as soluções AUR à base de água foram
investigadas, resultando em um total de 12 amostras de PW, 12 de UW e 9 de AUR.
2.2 Método:
2.2.1. Procedimentos MET e EDX romenos:

Um microscópio STEM Hitachi HD-2700 foi utilizado para análise estrutural das amostras de
AUR na Romênia. Grades de MET revestidas de carbono foram tratadas com soluções de
AUR potencializadas e analisadas a 200 kV. Um detector de desvio de silício X-Max N100TLE
(SDD) foi usado para as investigações EDX.
2.2.2. Procedimentos MET e EDX turcos:

Imagens de MET das amostras de AUR foram obtidas utilizando um MET Hitachi HT 7800,
na Turquia. Uma análise EDX foi realizada para confirmar a presença de ouro nas amostras.

2.2.3. Espectroscopia Raman:

Espectros Raman foram registrados utilizando um espectrômetro Raman NRS-3300 com
laser de 514.5 nm. Os espectros foram obtidos a partir de tubos capilares de vidro e
processados usando os softwares Spectra Manager e OriginPro. O processamento de dados
envolveu normalização e subtração da base de dados.
2.2.4. Deep Learning:
As investigações com DL foram conduzidas utilizando as linguagens de programação Python
e ColabPro. Um modelo de GRU foi construído usando a biblioteca Keras, e treinado com o
Colab Tesla T4 GPU. O pacote Sklearn foi utilizado para análise dos resultados.
Para mais detalhes sobre o protocolo de deep learning, consulte o arquivo de Material
Suplementar.

Resultados:
3.1. Investigações por MET:
Uma análise por MET foi conduzida para compreender as propriedades de diferentes
soluções e potências. Amostras de Aurum metallicum (AUR) nas potências 6C, 30C e 200C
foram examinadas usando MET.
3.1.1. Aurum metallicum 6C:
As imagens de AUR 6C foram obtidas utilizando dois meios distintos: solução de etanol a
50% para as amostras analisadas na Romênia (E-AUR 6C) e água purificada para as amostras
na Turquia (W-AUR 6C). Apesar de utilizar dois solventes diferentes, o formato das
nanopartículas é semelhante nas imagens. Contudo, o tamanho das nanopartículas era
menor nas amostras à base de etanol comparadas às de água. Ambas as amostras
mostraram porcentagens comparáveis de ouro (Au) e a presença de silício (Si) e oxigênio
(O).
3.1.2 Aurum metallicum 30C:
De forma análoga, as amostras de AUR 30C 100-30 mostraram semelhanças no formato das
nanoestruturas e impurezas entre as amostras à base de etanol (E-AUR 30C) e à base de
água (W-AUR 30C). O tamanho das nanopartículas tendeu a ser menor nas amostras à base
de etanol, indicando o efeito estabilizador do álcool.
3.1.3. Aurum metallicum 200C:

Para as amostras de AUR 200C, aquelas à base de etanol tiveram nanoestruturas menores
comparado às amostras de base aquosa. As duas amostras mostraram organização distinta
e impurezas mínimas. Foi observada a presença de ouro e pequenas quantidades de
impurezas, como silício e ferro.
3.2. Investigações por espectroscopia Raman e Deep Learning:

Utilizou-se espectroscopia Raman para analisar melhor as soluções investigadas. O estudo

teve foco em amostras de água purificada (PW), água não-purificada (UW) e AUR, em
diferentes potências (6C, 30C e 200C).

3.2.1. Classificação de todas as classes por meio de Deep Learning:

Um modelo de deep learning (GRU) foi treinado para classificar dados espectrais Raman de
diferentes tipos de amostras e potências. O modelo mostrou elevada precisão na distinção
entre as amostras de AUR, PW e UP, quando considerados dados Raman não-processados.
No entanto, a precisão diminuiu quando foram utilizados dados com subtração de base,
indicando alguma perda de informação.
3.2.2. Classificação das potências dentro de cada grupo:

O modelo de GRU foi usado para classificar diferentes níveis de potência dentro de cada
grupo de amostras. No geral, o modelo teve bom desempenho na distinção entre as
diferentes potências, com alguns desafios na diferenciação das amostras PW 6C e UW 30C.

3.2.3. Classificação dentro do mesmo nível de potencialização:

Analisou-se o desempenho do modelo de GRU na distinção das classes dentro do mesmo
nível de potência. O modelo obteve alta precisão, especialmente para baixas diluições (6C).
Em resumo, A MET e a espectroscopia Raman, associadas às técnicas de deep learning,
fornecem valiosos conhecimentos sobre as propriedades e características das soluções
homeopáticas, auxiliando na sua caracterização e entendimento.

Discussão:
A discussão tem como foco a importância de encontrar técnicas confiáveis para caracterizar,
de forma efetiva, as ultra diluições. O estudo demonstra o uso bem-sucedido de vários
métodos, incluindo MET-EDX e espectroscopia Raman, combinados com deep learning (DL),
para caracterizar e diferenciar soluções altamente diluídas obtidas através de
potencializações.
A MET-EDX é destacada como uma ferramenta valiosa para avaliação da composição e da
morfologia de soluções coloidais, mesmo em elevados níveis de diluição. O estudo sugere
que cada nível de potência pode ser distinguido por características únicas observadas
através de análise por MET-EDX.
A pesquisa observa semelhanças entre a morfologia de AUR 6C e soluções típicas de
nanopartículas de ouro, com tamanho das nanopartículas de ouro influenciadas pela
matéria-prima utilizada. No entanto, para AUR 30C e 200C, o design parece seguir a lei
constructal (ou construtiva), levando à informação de novas arquiteturas.
Amostras de 30C evidenciaram a presença de impurezas como ferro, titânio, cálcio,
magnésio e alumínio, que podem ser originários do solvente ou dos frascos de vidro. A
organização de AUR 30C parece envolver tanto nanopartículas quanto conjuntos de
clusters, com moléculas de etanol e água participando de sua formação.
As amostras de AUR 200C mostram uma organização estendida, indicando estruturas
estáveis sobre uma área maior. Impurezas estão presentes em grandes conjuntos, e a
presença de ouro é observada em ambos os tipos de amostras da 200C.
A discussão também menciona estudos anteriores que confirmam a presença de ouro em
potências altas de AUR, mesmo além do número de Avogadro. A combinação de
nanopartículas e de arranjos de clusters na estrutura de AUR sugere estabilidade e adesão
à lei constructal.
Além disso, o estudo explora o uso de espectroscopia Raman e DL para classificar as
soluções com diferenças estruturais sutis, como água purificada (PW) versus água não-
purificada (UW), e PW versus soluções de AUR.
De mordo geral, o trabalho indica o potencial das abordagens de DL e dos métodos de
segmentação espectral para a classificação exata de bases de dados complexas, abrindo
caminho para uma melhor compreensão e caracterização de soluções altamente diluídas.

Conclusão:
Após a análise dos resultados de MET-EDX e do método de espectroscopia Raman,
associados a algoritmos de DL, fica evidente que esses métodos são efetivos na
caracterização de diluições ultra altas. Essa combinação de técnicas apresenta uma forma
de distinção entre os diversos remédios com base em substâncias utilizadas em sua
preparação ou de diferenciação das amostras segundo seu nível de potência.
Sobretudo, essa abordagem possibilita a análise de soluções altamente diluídas em uma
escala muito maior do que era possível antes.

Segue o link para aqueles que desejarem ler o artigo na íntegra:

https://www.sciencedirect.com/science/article/pii/S0167732224005932?via%3Dihub
Tradução: Nathália Ursino
Tradutora oficial da língua portuguesa da IACH
www.vithoulkas.com