Machine Translated by Google

Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010

Listas de conteúdos disponíveis em ScienceDirect

Revista de Análise Farmacêutica e Biomédica Aberta

página inicial da revista: www.journals.elsevier.com/journal-of Pharmaceutical-and-
biomedical-análise-open

1
Avaliação quantitativa H NMR e abordagens quimiométricas para o
combinada do controle de qualidade em produtos comercialmente disponíveis de óleo de ]]]]
]]]]]]
frutas vermelhas (Pandanus conoidues, Lam.)

Liling Triyasmonoa,b , Ulrike Holzgrabea,ÿ

a
Instituto de Farmácia e Química Alimentar, Universidade de Würzburg, 97074 Würzburg, Alemanha
b
Departamento de Farmácia, Faculdade de Matemática e Ciências Naturais, Universidade Lambung Mangkurat, 70713 Banjarbaru, Indonésia

INFORMAÇÕES DO ARTIGO ABSTRATO

Palavras-chave: A avaliação dos parâmetros de ácidos graxos (valor de acidez, valor de saponificação, valor de ésteres, valor de iodo,
Óleo de frutas vermelhas composição de ácidos graxos monoinsaturados, ácidos graxos poliinsaturados e ácidos graxos insaturados totais) em óleos
1
Quantitativo H RMN comestíveis, incluindo óleo de frutas vermelhas, fornece índices essenciais para garantir sua qualidade. Este índice também se
Padrões internos
aplica aos excipientes, bem como aos medicamentos tradicionais. A espectroscopia de RMN é uma ferramenta alternativa aos
Quimiométrico
métodos convencionais para a determinação destes parâmetros de qualidade, oferecendo vantagens atraentes. Aqui, a
Parâmetros de gordura 1
abordagem relatada na literatura baseada no método quantitativo de RMN de 1H é ilustrada, destacando o procedimento de
1
estratégia e processamento de amostra sugerido. Aplicações quimiométricas em 1 aplicação. Os espectros de RMN de 1H também são di
Além disso, esta revisão pode apoiar o papel do controle. H NMR e quimiometria em análises de rotina para qualidade de óleo

1. Introdução
A medicina tradicional tem sido amplamente reconhecida e utilizada como suporte
ou alternativa à medicina moderna como terapia, especialmente para doenças
degenerativas [1]. Tal como é o caso da Indonésia, cerca de 24-32% da população da
Indonésia consome medicamentos tradicionais todos os meses, incluindo comunidades
urbanas e rurais [2]. Portanto, a avaliação da qualidade desses medicamentos tradicionais
é de extrema importância. Como representante, escolhemos a determinação do parâmetro
de qualidade do óleo de Frutas Vermelhas (RFO) sendo matéria-prima para a medicina
tradicional em Papua, Indonésia, que é o óleo extraído da fruta vermelha (Pandanus
conoideus, Lam. ) .
Tradicionalmente, os papuas usam óleo de frutas vermelhas (RFO) para aumentar a
energia e fortalecer o sistema imunológico. RFO contém componentes ativos como
fenóis, carotenóides, tocoferóis e ácidos graxos insaturados. As características relatadas
do RFO diferem das de outros óleos vegetais indonésios, como o óleo de coco e o óleo
de palma. A composição do RFO é dominada por ácidos graxos saturados (10–20%),
ácidos graxos monoinsaturados (oleico) (60–70%) e ácidos graxos poliinsaturados (2–
10%) [3,4].
A literatura registra alguns estudos farmacológicos sobre RFO, conforme demonstrado
por Rohman e Windarsih [5]. Vários estudos foram relatados sobre as atividades
biológicas do RFO, incluindo atividade anticancerígena [6,7], antioxidantes [8,9] e
tratamento de várias doenças degenerativas.
doenças como arteriosclerose, artrite reumatóide e acidente vascular cerebral [10] , bem
como HIV, malária, colesterol e diabetes mellitus [11–13].
A exigência de qualidade dos produtos RFO é um dos fatores críticos na
sustentabilidade destes produtos. As variantes de matérias-primas de frutas vermelhas
que variam devido a fatores geográficos, época de colheita e métodos de processamento
são as razões para as diferenças potenciais no conteúdo dos componentes do óleo de
frutas vermelhas [14] . Posteriormente, as diferenças nos tipos de frutas vermelhas foram
demonstradas por Susanti et al. [15]
(Fig. 1).
Portanto, a garantia de qualidade é exigida pela regulamentação da Autoridade
Indonésia para Alimentos e Medicamentos e por todas as autoridades alimentares e
farmacêuticas nos países da ASEAN para garantir que os produtos RFO tenham padrões
que os qualifiquem como alternativas aos medicamentos tradicionais ou alimentos
funcionais. Alguns dos principais parâmetros de qualidade utilizados para o controle de
qualidade do óleo são comumente conhecidos como parâmetros de gordura, incluindo o
índice de acidez, o índice de saponificação, o índice de iodo, o índice de ésteres e a
composição de ácidos graxos.
Os métodos estabelecidos para medir o valor de acidez (AV), valor de saponificação
(SV) e valor de iodo (IV) são métodos volumétricos (ou seja, titulação), enquanto para a
determinação de componentes de ácidos graxos, métodos de cromatografia gasosa são
aplicados [ 16,17 ]. Infelizmente, os métodos clássicos têm várias desvantagens. Os
volumétricos geralmente são visualmente dependentes e sua precisão pode ser
comprometida, por exemplo, no

ÿ Correspondência para: Instituto de Farmácia e Química de Alimentos, Universidade de Würzburg, Am Hubland, 97074 Würzburg, Alemanha.
Endereço de e-mail: ulrike.holzgrabe@uni-wuerzburg.de (U. Holzgrabe).

https://doi.org/10.1016/j.jpbao.2023.100010 Recebido
em 10 de fevereiro de 2023; Recebido em formato revisado em 5 de abril de 2023; Aceito em 9 de abril
de 2023 2949-771X/© 2023 O(s) Autor(es). Publicado por Elsevier BV Este é um artigo de acesso aberto sob a licença CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/ ).
Machine Translated by Google
L. Triyasmono e U. Holzgrabe
Figura 1. Drupa de frutos vermelhos de seis clones de frutos vermelhos: (a) clone Edewewits; (b) clone Menjib; (c) clone Memeri; (d) clone Monsor; (e) clone Monsrus; e (f) clone Mbarugum.[15].
caso de amostras altamente coloridas como é o caso do RFO. Apesar de
A introdução de tecnologias como a determinação potenciométrica do ponto final
melhorou significativamente os métodos, mas ainda existem algumas desvantagens:
eles geralmente são lentos, requerem grandes tamanhos de amostra, grandes
quantidades de solventes orgânicos e produtos químicos perigosos, e precisam de mais
especificidade. Em relação ao método de cromatografia gasosa (GC), uma etapa de
ésterificação para converter triglicerídeos de óleo em metil ácido graxo volátil
ésteres (FAME) ainda requer procedimentos e tempo mais demorados [18].
Técnicas analíticas alternativas têm sido propostas para a determinação dos
parâmetros clássicos de qualidade do óleo (AV, SV, IV e teor de gordura).
composição ácida), incluindo potenciometria [19], GC [20,21], HPLC
[18,22], FTIR [23–27] e eletroforese [28,29]. Além disso,
Os métodos de espectroscopia quantitativa de RMN (qNMR) [30–35] também estão
ganhando popularidade. O método qNMR tem a vantagem de ser um
método não destrutivo e não invasivo, permite um processo relativamente rápido
preparação da amostra e pode fornecer a composição da amostra
mistura em um único espectro.
Devido à física da espectroscopia de RMN, a integral de um sinal é diretamente
proporcional ao número correspondente de núcleos [36], tornando
concentração molar diretamente acessível. Conseqüentemente, a RMN tornou-se
proeminente como técnica preferida de caracterização de ácidos graxos, obtendo e
prever a composição e a proporção de ácidos graxos contidos nos óleos
com base nos perfis dos diferentes grupos acil. Além disso, a RMN
método também se mostrou útil para classificar óleos comestíveis, monitorar
a ocorrência de processos de hidrólise, oxidação ou deterioração, e
detecção de adulteração de óleo [37–39].
Além disso, para apoiar o potencial da técnica de RMN descrita, alguns autores
também utilizam métodos quimiométricos combinados com
RMN [40–43]. O objetivo principal do uso da quimiometria é reduzir
a quantidade de dados de RMN, obter melhor visualização do sistema e
enfatizar as diferenças e semelhanças das amostras. Kowalski e
Reilly [44] introduziu pela primeira vez a combinação de ambos os métodos. Além disso,
esta combinação tem sido usada ativamente para análise de matrizes biológicas e
farmacêuticas desde a década de 1990 [45,46]. Enquanto isso, a primeira revisão
abrangente dedicada à análise de petróleo foi
publicado no início de 2003 [47].
Portanto, o objetivo da revisão é descrever a aplicabilidade
de qNMR e quimiometria para avaliar a qualidade dos óleos e, em particular
da RFO. Discutiremos os procedimentos experimentais de RMN, enfatizando
2
Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010
em processamento espectral e análise de dados, e compará-los com os resultados
da determinação de AV, EV, IV e SV em relação à composição de
ácidos graxos monoinsaturados (MUFA), ácidos graxos poliinsaturados
(PUFA) e ácidos graxos insaturados totais (UFA total). Ao mesmo tempo,
aplicação de quimiometria em dados de espectros de RMN de prótons para visualização
agrupar diferenças de qualidade do óleo também foi discutido.
2. Considerações práticas de RMN
O uso de RMN na avaliação analítica, especialmente na determinação
parâmetros de óleo (composição AV, SV, IV, MUFA, PUFA e UFA total),
visa simplificar os procedimentos de preparação e análise, por exemplo,
sem extração, derivatização ou separação de amostras. Porque cada
Se um produto petrolífero específico conter espécies componentes em diferentes
concentrações, quaisquer diferenças de concentração devem ser detectadas com precisão.
Portanto as técnicas de qNMR podem ser utilizadas para avaliar todos os parâmetros
desde que o espectrômetro tenha características de desempenho específicas.
Uma das chaves críticas é a intensidade do campo magnético, pois a separação do
sinal é proporcional à intensidade do campo magnético. Além disso,
A RMN é intrinsecamente conhecida como um método de baixa sensibilidade. Esse
desvantagem pode ser parcialmente superada usando alto campo magnético
instrumentos [48]. No entanto, na avaliação da qualidade do óleo, a baixa sensibilidade é
não é um problema, uma vez que os componentes do óleo estão normalmente presentes em
concentrações suficientes. No entanto, uma intensidade de campo mais alta [31,49,50] fornece um
melhor resolução e, portanto, relativamente pouca sobreposição de sinal. A maioria dos estudos
use força média e o campo magnético de 300–400 MHz mostra resultados satisfatórios
[32,33,35].
2.1. Aquisição de parâmetros
Para medições quantitativas de RMN, alguns parâmetros devem ser
ser considerado e, se necessário, adoptado. Holzgrabe [36], Bharti e
Roy [51] geralmente discutiu em detalhes todos os parâmetros essenciais a serem
considerado no experimento qNMR. Além disso, neste contexto, alguns
parâmetros decisivos são brevemente resumidos e comentados, particularmente em
aplicações petrolíferas.
Temperatura. A temperatura durante o experimento é essencial
no que diz respeito à reprodutibilidade dos resultados quantitativos. Assim, o
a temperatura deve ser mantida constante durante todo o estudo. Além disso,
Machine Translated by Google
L. Triyasmono e U. Holzgrabe
variações de temperatura podem afetar as propriedades de relaxamento das
moléculas, incluindo o fluxo de temperatura do ar, que também deve ser mantido
constante e estável durante o tempo de aquisição, pois pode causar artefatos de
"oscilação" na linha de base de sinais fortes em altas taxas de fluxo [51] . Por outro
lado, Holzgrabe [36] também descreveu as configurações de temperatura como tendo
um impacto significativo na resolução dos espectros. Em particular, configurações em
temperaturas mais altas podem induzir um deslocamento ascendente do sinal HOD.
Portanto, no caso de aplicações em óleo, recomenda-se manter uma temperatura
controlada e constante de 20–30 °C para obter relaxamento molecular ideal e
resolução de sinal decente [35,39,52].
Largura do pulso. Os ângulos de pulso mais utilizáveis estão entre 30° e 90° na
gravação de espectro. Um pulso de 90° fornece a intensidade máxima do sinal, mas
na prática, larguras de pulso inferiores a 90° são mais frequentemente usadas para
obter bons dados de qNMR em um tempo razoável [53]. Além disso, a uniformidade
do uso da largura de pulso durante a medição é uma preocupação significativa.
Conseqüentemente, durante a maioria das aplicações de óleo, pulsos de 30° são mais
amplamente utilizados com relaxamento completo da ressonância em um tempo de
experimento mais curto [35,52].
Tempo de repetição. O tempo de repetição é o tempo total gasto na aquisição de
um único espectro de varredura, que é obtido a partir da soma do atraso de
relaxamento e do tempo de aquisição necessário. É um parâmetro essencial para fins
quantitativos e desempenha um papel crucial na obtenção de uma integração precisa.
Como o tempo de repetição depende do maior tempo de relaxamento itudinal T1 do
sinal considerado para atingir mais de 99% de equilíbrio, geralmente é necessário que
o tempo de repetição seja cinco vezes o maior valor de TI [36] . Neste contexto, o
atraso de relaxação depende do tempo de relaxação T1 na molécula de triglicérido
que também se aplica ao protão metileno do grupo glicerilo. Além disso, o tempo de
atraso de relaxação também considera T1 do padrão interno (IS) utilizado [36].
Determinação de T1. O método de sequência de pulso de recuperação de
inversão é um método comumente usado para determinar T1 [36,54], como foi
realizado por Triyasmono et al. [35] sobre RFO (Fig. 2). Conforme descrito por
Holzgrabe [36], o sinal IS aplicado também deve ser considerado, pois
1
Figura 2. 400 MHz v), RMN de 1H; uma sequência de pulsos de recuperação de inversão de experimentos usados para medir os valores de T1 para os prótons de RFO em CDCl3: DMSO-d6 (5:1, v/
foi aplicada uma sequência de pulsos de ângulo de inclinação de 90º-T-90º [35].
3
Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010
muitos IS são frequentemente caracterizados por tempos T1 longos; por exemplo, o
composto padrão 1,2,4,5-tetracloro-3-nitrobenzeno (TCNB) obteve um T1 de 10,7 s,
enquanto a dimetilsulfona (DMSO2) tem um T1 de 2,7 s, como mostrado por Skiera et
al. [32] e Triyasmono et al. [35], respectivamente.
Número de varreduras. O número de varreduras é um dos parâmetros altamente
dependente da concentração da amostra e é governado pela relação S/R desejada e
pelo LOQ a ser alcançado. Este parâmetro também muda com mais frequência
durante experimentos de RMN. Para fins quantitativos com exatidão e precisão
melhores que 1%, a relação S/R deve ser 1:250 [36]. Por outro lado, o aumento na
relação S/N é proporcional à raiz quadrada do número de varreduras, portanto o
aumento na relação S/N afetará o consumo de tempo, especialmente para analitos
que estão presentes em baixas concentrações. No entanto, para aplicações de análise
de óleo, o número recomendado de varreduras entre 32 e 128 mostra bons valores
de exatidão e precisão dentro de um tempo razoável [32,34,35] porque a concentração
não é um problema.
Largura espectral. O parâmetro largura espectral (SW) determina o tamanho da
janela de frequência observada. Conforme relatado por Monakhova e Diehl [55],
recomenda-se um SW superior a 3,0 ppm. Um SW muito estreito = 1,8–2,5 ppm pode
causar distúrbios de intensidade do espectro, especialmente na borda do espectro,
linhas de base distorcidas e sinais dobrados; portanto, terá um impacto negativo no
processo de integração de sinal desejado. Normalmente, em configurações
experimentais padrão, um SW adequado é definido como valor padrão (20–30 ppm),
portanto este parâmetro é mantido principalmente em experimentos de qNMR, inclusive
para aplicações de petróleo [32,35].
Deslocamento de frequência. Além do parâmetro de largura espectral, o
deslocamento do transmissor (frequência) (O1P) também é um parâmetro crítico inter-
relacionado. Para qNMR, o parâmetro O1P também pode produzir outros fatores de
polarização. Este parâmetro determina o ponto central do espectro. Para SW 30,00
ppm, os valores de O1P geralmente variam entre 5 e 8 ppm [51,53]. Quando o pulso
de excitação estiver no meio da janela espectral desejada, a pureza relativa atingirá
seu valor máximo [55].
Também é aplicado para a maioria das amostras de óleo [32,35].
Ganho do receptor. Além disso, para maximizar a capacidade de obter a relação
sinal-ruído correta, a seleção do valor de ganho do receptor também é
Machine Translated by Google

L. Triyasmono e U. Holzgrabe Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010

1
3. O efeito da configuração do ganho do receptor no FID e os espectros de NMR Espectro H de 10%(v/v) de 2-butanol em D2O a 400 MHz. Os FIDs (coluna da esquerda) e seus
1D correspondentes resultantes (coluna da direita) são exibidos com a mesma escala. (a) ganho do receptor ajustado muito baixo, levando a um FID muito pequeno (mal digitalizado) e
pequenos picos de NMR, (b) ganho do receptor ajustado para o ideal, levando a um FID grande e bem digitalizado e grandes picos de NMR não distorcidos, e (c) conjunto de receptor muito
alto, levando a um FID “cortado” e com picos e linha de base de RMN distorcidos [56]; obrigado aos autores que forneceram a figura.

fundamental. Segundo Torres et al. [56], o ganho do receptor (RG) não deve
ser muito alto, caso contrário ficará “cortado” no sinal grande (Fig. 3).
Isso significa que a parte inicial mais poderosa do Free Induction Decay
(FID) será truncada porque está além das capacidades do conversor analógico-
digital. Resumindo, o FID terá um perfil de sinal retangular, resultando em uma
diferença em vez do decaimento exponencial usual. Dados de Triyasmono et
al. [35] mostram que RG na faixa de 4–5 fornece o valor S/N ideal (S/N> 1000).
e outros. [34] utilizaram misturas de solventes que garantem a separação do
sinal. Além disso, para a amostra RFO foi aplicada uma mistura de CDCl3:DMSO-
d6 (5:1, v/v) que deu resultados claros para a presença de um próton específico
do grupo metileno ÿ-CH2 em ÿ = 2,37–2,20 ppm [35].
O efeito benéfico da adição de DMSO-d6 ao CDCl3 é devido à formação de
complexos de RMN entre DMSO e grupos de ácidos graxos [59,60].

2.2. Preparação de amostra
A preparação da amostra é relativamente simples porque uma certa
quantidade de óleo ou gordura deve ser dissolvida em um solvente deuterado
adequado apenas em proporções específicas. O clorofórmio deuterado (CDCl3)
é mais comumente usado como solvente [34,37,57], assim como DMSO-d6
[38,39] e uma mistura de ambos (DMSO-d6 com CDCl3) [34,41,58 ]. Conforme
discutido por Holzgrabe [36], Bharti e Roy [51], a atribuição de sinais separados
e inequívocos na linha de base é um pré-requisito absoluto para técnicas
quantitativas de RMN. Portanto, Skiera et al. [32] e Hafer
2.3. 1
Atribuição espectral H
O 1 O espectro de H NMR de RFO é mostrado na Fig. 4, a atribuição dos
espectros de RFO foi realizada de acordo com a literatura anterior [61–63]
sobre análise de óleo.
Conforme discutido por Ravaglia et al. [64], a adição de padrões de azeite
pode auxiliar na confirmação da atribuição do sinal nos espectros enriquecidos
[41,48]. Este método foi usado para atribuir todo o espectro de prótons do
RFO. Padrões de ácido palmítico e oleico foram adicionados ao RFO [35].
Como pode ser visto na Figura 5, a adição de ambas as substâncias padrão é
comprovada pelos dados de regressão que mostram um aumento na integração

4
Machine Translated by Google

L. Triyasmono e U. Holzgrabe Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010

1
4. a Estruturas representativas de triacilglicerídeo (TAG) e ácido graxo livre (FFA) e b (5:1 v/v) Espectro de H NMR de RFO dissolvido em uma mistura de CDCl3 e DMSO-d6
contendo TMS 0,1% com sinal de ampliação em ÿ = 2,20–2,37 ppm (são rotulados por F1 e F2 ) [35].

Figura 5. Correlação entre RFO e palmítico

1
adição de ácido versus Integral de H NMR RFO
(ÿ = 5,37–5,27 ppm, ÿ = 2,37–2,27 ppm,
ÿ = 2,27–2,20 ppm, ÿ = 2,37–2,20 ppm) e b
Correlação entre RFO com ácido palmítico
adição versus SV, AV, EV e IV por qNMR
Cálculo. c Correlação entre RFO com
1
adição de ácido oleico versus integral de H RMN
RFO (ÿ = 5,37–5,27 ppm, ÿ = 2,37–2,27 ppm,
ÿ = 2,27–2,20 ppm, ÿ = 2,37–2,20 ppm) e d
correlação entre RFO com adição de ácido oleico
versus SV, AV, EV e IV por cálculo de qNMR [35].

5
Machine Translated by Google

L. Triyasmono e U. Holzgrabe Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010

tabela 1
1
Atribuição de deslocamento químico do Sinais de H RMN dos principais componentes do RFO [35].

Sinal Grupo funcional Deslocamento químico (ppm)

MARCAÇÃO FFA

A (-CH3) cadeias acil saturadas, oleicas e linoléicas 0,93–0,83 0,93–0,83

a (-CH3) cadeias acil linolênicas 1,03–0,93 1,03–0,93
B grupos (-(CH2)n-) metileno 1,42–1,22 1,42–1,22
C (–OCO-CH2-CH2-) prótons ÿ-metileno 1,70–1,52 1,70–1,52
D (–CH2-CH=CH-) prótons alil metileno 2,14–1,94 2,14–1,94
E 4,32–4,10 -
(–CH2OCOR) prótons metileno no grupo glicerila
F1 - 2,27–2,20
(–OCO-CH2-) prótons ÿ-metileno
F2 2,37–2,27 -
(–OCO-CH2-) prótons ÿ-metileno
H (=HC-CH2-CH=) prótons divinil metileno 2,84–2,70 2,84–2,70
ÿ (-CHOCOR) próton metino em C2 do glicerídeo 5,26–5,20 5,26–5,20
EU
(–CH=CH-) prótons olefínicos 5,37–5,27 5,37–5,27

valor do sinal correspondente e o valor de gordura correlacionado para
metro.
Na Tabela 1, a atribuição de sinais de prótons de todos os compostos é
relatado.
2.4. Parâmetros de pós-processamento
Para resultados de quantificação confiáveis, cada espectro de RMN gerado
deve ser processado considerando parâmetros de pós-processamento, incluindo
referenciando mudança química (descrito anteriormente), faseamento, linha de base
correção e integração. Por exemplo, Emwas et al. [65] ilustrar
a influência dos parâmetros de pós-processamento na Fig .
Correção de fase. O primeiro passo é a correção de fase; o sinal
A fase deve ser precisa para obter uma medição de intensidade precisa. Se um
ocorrer um erro durante o faseamento, isso resultará em um erro significativo no
medição da relação de pico e, portanto, também será correlacionada com o
erro na concentração absoluta ou relativa do composto qNMR.
Freqüentemente, a correção de fase manual é preferível à correção de fase automática
porque pequenos sinais podem ser distorcidos. Isto demonstra que
um desvio negativo do sinal x% pode produzir um erro de área de 2x%
em comparação com outros sinais. Portanto, a aplicação da fase manual
a correção aumentará a precisão ideal [65].
Correção da linha de base. A segunda etapa é a correção da linha de base;
a correção automática da linha de base geralmente é realizada, mas ainda assim é
necessário observar o perfil espectral resultante. Existe um
número de algoritmos incorporados ao software de análise NMR que podem ser
selecionado para facilitar o processo de correção da linha de base para que cálculos
precisos sejam obtidos [65]. Quanto ao processamento dos espectros de
amostra RFO usando o polinômio ABSG [35], uma largura total estreita em
metade do valor máximo (FWHM) é obtido para o sinal selecionado [66].
Integração. O terceiro passo é a integração. Esta etapa é uma das
[67,68], e métodos absolutos usando padrões internos que são
ganhando popularidade [32,35,69]. Esta técnica de quantificação requer
compostos padrão para calcular a concentração do analito. O
O padrão interno selecionado para medição deve estar disponível em um
forma altamente pura, ser relativamente barato, estável, inerte, não volátil,
e estar disponível em uma forma não higroscópica e solúvel no solvente
usado. Os sinais dos compostos padrão devem ser completamente
separado dos sinais do analito e deve preferencialmente ser um
camiseta. Além disso, o tempo de relaxamento é relativamente curto, de modo que o
o tempo de medição não aumenta, o que reduzirá a eficácia e eficiência do método em
termos de tempo [36,70]. No mesmo
mistura de solventes (CDCl3:DMSO-d6 (5:1 v/v)), Skiera et al. [32] usado
TCNB como o composto padrão com um sinal de próton singleto em
7,70 ppm, enquanto Triyasmono et al. [35] usaram DMSO2 como padrão
com um sinal de próton singleto a 2,90 ppm.
Com base na sua utilização, os compostos de referência podem ser classificados como
padrões internos e externos. Neste contexto, oferecemos uma particular
revisão das técnicas de quantificação de padrões internos. O interno
procedimento padrão é realizado com uma concentração conhecida ou
quantidade ponderada de um composto de referência dissolvido em um volume conhecido
de solução de analito para estimativa quantitativa, como mostrado na Fig. 7.
As condições mais críticas para um padrão interno são a sua solubilidade
e interação química com o analito.
Posteriormente, a quantificação do parâmetro de qualidade de cada amostra
o valor é calculado diretamente a partir da integral do sinal de NMR selecionado,
juntamente com o peso inicial da amostra e do composto de referência,
massa molecular e o número de prótons que contribuem para a
respectivo sinal e pureza certificada do composto de referência, conforme
mostrado na seguinte fórmula [36]:
EU
x N Mx eu
Px = · padrão
· · padrão
·P padrão
eu Nx M padrão eu (1)
padrão

etapas mais cruciais na análise qNMR. A faixa de área integral, inclinação e

o viés influencia muito a precisão quantitativa, pois a integração
deve ser obtido acima de 99% da área total do sinal. Monakhova e
Diehl [55] sugere a integração de 64 x FWHM para obter alta precisão. Todos
os sinais devem ser harmonizados para faixa de área, configuração de inclinação e polarização
incluídos ou excluídos, por exemplo, todas as integrais são medidas em uma faixa de
+/- 5 Hz em torno de cada sinal. Configurando parâmetros de integração manual
onde, I, N, M, W e P são área integral, número de núcleos, massa molar,
peso gravimétrico e pureza do analito (x) e padrão (std), respectivamente.
Skiera et al. [32] e Triyasmono et al. [35] desenvolveram o método de quantificação
em relação ao cálculo dos parâmetros de qualidade do óleo
com a modificação da fórmula acima.

e selecionar a "área integrada de coordenadas exatas" é considerada uma

processo de integração confiável [35].
Como as integrais são muito sensíveis às diferenças da linha de base, a linha de base
a correção deve ser feita com muito cuidado para minimizar vieses e erros.
Portanto, realizando integrações de 5 a 10x por espectro para obter uma média
de todos os valores para reduzir erros de análise é altamente recomendado [65].
2.5. Método de quantificação
As técnicas quantitativas com RMN incluem dois tipos principais, a saber:
métodos relativos, que são comumente usados em RMN quantitativa
3. Aplicação ao controle de qualidade RFO
De acordo com o método compendial, as características químicas
de gorduras e óleos comestíveis pode ser determinada medindo o AV, SV, EV,
e IV usando titulações, enquanto a determinação de MUFA, PUFA e
o conteúdo total de UFA é feito usando Cromatografia Gasosa. Este valor
também determina a qualidade do prazo de validade e, portanto, influencia o valor
económico do óleo. Por outro lado, Skiera et al. [32] e
Triyasmono et al. [35] demonstraram que vários parâmetros de gordura podem ser
avaliado por qNMR usando um padrão interno, incluindo:

6
Machine Translated by Google

L. Triyasmono e U. Holzgrabe Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010

6. Uma visualização simples dos efeitos de faseamento , referência b e correção de linha de base c em um espectro de RMN [65].

3.1. Valor ácido / Ácido graxo livre método descrito acima, o cálculo do valor AV pode ser obtido através da seguinte
fórmula:
O 1
Espectro de RMN de 1H do RFO na mistura de solventes de
M KOH · m.P
DMSO2 DMSO2 · NDMSO2 ·
EU
CH2 (ácido) (2,27-2,20 ppm)
CDCl3:DMSO-d6 permite obter diretamente esta informação; este valor AV RMN
= ·1000I
foi obtido a partir da avaliação da integral de metileno alfa
mais _ DMSO2 _ Né(2) DMSO2 (2,98 ppm)
ressonância do sinal (ácido ÿ-CH2) em ÿ = 2,20–2,27 ppm (F1), ver Fig . (2)
O padrão de sinais obtidos de diferentes produtos RFO apresentou intensidades Segundo Skiera et al. [32], o AV do óleo de colza pode ser determinado
diferentes. Esta atribuição de sinal também foi confirmada por integrando o sinal COOH em ÿ = 11,4 ppm e o sinal TCNB em
experimentos de hidrólise [35]. Além disso, com o padrão interno ÿ = 7,70 ppm e AV RMN em mg KOH/g calculado com base na Eq. 3:

7. Procedimento geral de um experimento qNMR usando um padrão interno com modificação e de acordo com Sigma-Aldrich [71].

7
Machine Translated by Google

L. Triyasmono e U. Holzgrabe Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010

mesa 2
Teste F estatístico, teste t de Student e resultados de RSD para quatro parâmetros de qualidade de RFO calculados a partir do método qNMR versus método de titulação [35].

Parâmetro Teste F Valor F-crítico P (T < =t) unicaudal t crítico unicaudal P (T < = t) bicaudal t crítico bicaudal DPR (%)

SV 0,47 1,65 0,47 1,66 0,94 1,99 1,74

AV 0,47 0,47 0,93 1,65
VE 0,48 0,44 0,89 2.15
4 0,50 0,46 0,92 0,90

M KOH · m.P
TCNB TCNB · N TCNB · EU
COOH ressonância em ÿ = 5,27–5,37 ppm, que se correlaciona com -CH=CH- em
AV RMN
= · 1000
mais _ M TCNB N é(2) EU
TCNB (3) ácidos graxos insaturados. IV também pode ser calculado usando a fórmula:

Infelizmente, o sinal singleto COOH (ÿ = 10–11 ppm) não M Iod m.P

DMSO2 DMSO2 NDMSO2 EU
CH =
CH (5,37-5,27 ppm)
4 RMN = . . .
sempre aparecem claramente em todos os espectros de petróleo. Conforme descrito por Skiera eué M DMSO2 Né(2) DMSO2
EU
0,100 (2,98 ppm)
e outros. [32], como os grupos carboxila são grupos próticos, sua presença é (6)
fortemente influenciado por outros grupos próticos na solução amostral (por exemplo,
componentes da matriz oleosa ou presença de impurezas do solvente).
O rápido processo de troca de prótons no solvente CDCl3 puro pode causar 3.5. Ácidos graxos poliinsaturados, ácidos graxos monoinsaturados e ácidos graxos totais

a linha de sinal COOH será ampliada; não é claramente visível com um S/N baixo
proporção (insensível para quantificação). Também pode ser afetado pela
presença de grupos alcoólicos na solução amostral, levando a uma
alargamento substancial do sinal COOH. Mesmo usando CDCl3:DMSO-d6
como solvente (5:1, v/v), o sinal COOH permanece claramente invisível devido a
a grande quantidade de grupos álcool na solução amostral, como mostrado para
óleo de castor. Por outro lado, também pode ser naturalmente influenciado por menos
Conteúdo de AGL, conforme encontrado no espectro de óleo reprimido [32].
ácido graxo insaturado
Desenvolvimentos recentes relacionados com a determinação de MUFA, PUFA,
e UFA total que também pode ser determinado por espectros de RMN. A atribuição de
sinal correspondente para a determinação de gorduras insaturadas
os valores de acidez foram adotados de Hama et al. [33], ou seja, o sinal em
ÿ = 2,80–2,71 ppm, que se correlaciona com o próton bis-alílico (=CH CH2-CH=) do
PUFA; a integração deste sinal pode ser usada para
quantificação dos valores de PUFA. A integração do sinal em

3.2. Valor de saponificação ÿ = 2,10–1,90 ppm, associado a prótons alílicos de metileno (-CH2-
CH=CH-), pode ser usado para calcular o valor total de UFA. Além disso,

Tal como acontece com a determinação do AV, o

1
Espectro de RMN de H de RFO adotando a equação anterior, os valores de PUFA, UFA Total e

(Fig. 4) permite calcular diretamente o valor de SV; este valor O MUFA pode ser calculado usando a seguinte fórmula:

foi obtido a partir da integral da ressonância do metileno alfa M PUFA · m·P · NDMSO2 ·
DMSO2 DMSO2 I CH2 (bisalílico) (2,80-2,71 ppm)
PUFA RMN
= ·100%
(ÿ-CH2 total) em ÿ = 2,20–2,37 ppm (F1 e F2) que se correlaciona com eué M DMSO2 N é(2) DMSO2
EU
(2,98 ppm)
a estrutura dos triglicerídeos e ácidos graxos livres. Além disso, SV pode
(5)
ser calculado usando a seguinte fórmula [35]:
1
M TotalUFA · m·P . I (2,10-1,90 ppm)
M KOH m.P = DMSO2 DMSO2 · NDMSO2 · 2 CH2(alílico)
· N DMSO2 · (2,37-2,20 ppm) TotalUFA ·100%
EU

VSRMN
= · DMSO2 DMSO2 CH2 (total)
·1000 RMN
mais _ M DMSO2 Né(2) I DMSO2
(2,98 ppm)
mais _ M DMSO2 N é(2) EU
DMSO2 (2,98 ppm)
(6)
(3)

Skiera et al. [32] conseguiram demonstrar uma RMN quantitativa

MUFANMR = Total UFANMR - PUFANMR (7)
método com padrões internos para determinação de SV em que o sinal integrado de
metileno alfa próton é o mesmo utilizado pelo O benefício obtido com o uso desta técnica de quantificação
Triyasmono et al. [35]. Apenas o sinal de uma substância padrão diferente O uso de RMN é que todos esses parâmetros podem ser determinados simultaneamente
foi usado para comparação. A fórmula de cálculo utilizada é a seguinte: porque uma medição de RMN de prótons produzirá todos os perfis espectrais de RMN

M KOH · m.P correspondentes. Portanto, o analista pode realizar

· N TCNB ·
EU
TCNB TCNB Carbonila CH2
VSRMN
= · 1000 o processo de determinação do valor do parâmetro de qualidade em um único
eué M TCNB N é(2) TCNB
EU (4)
experimento, confirmando que qNMR usando o método interno padrão
é relativamente eficaz e eficiente no controle de qualidade RFO.
3.3. Valor de éster Além disso, é necessário um método de comparação testando os mesmos
amostra usando o método padrão para mostrar a precisão da RMN
1
De acordo com os resultados dos espectros de RMN de H de RFO obtidos por medições do método obtidas. Por exemplo, Triyasmono et al. [35]
Triyasmono et al. [35], o sinal F2 (Fig. 4) pode ser atribuído ao compararam os resultados da determinação dos valores AV, IV, SV e EV
próton alfa metileno (ÿ-CH2 TAG) adjacente ao triacilglicerol utilizando o método NMR e o método padrão (titulação); ambos
carbonila. Esta abordagem também foi verificada pela etapa de hidrólise e métodos mostram resultados comparáveis em cada amostra após serem testados
em comparação com os achados de Nieva et al. [37]. Portanto, o VE pode com estatísticas de teste t e teste F (Tabela 2). Ambos os métodos têm o mesmo
também ser calculado através dos espectros RFO usando a fórmula: precisão.

M KOH · m.P
DMSO2 DMSO2 · N DMSO2 ·
EU
CH2 (éster) (2,37-2,27 ppm)
EVRMN
= · 1000 4. Métodos quimiométricos na análise espectroscópica de RMN de RFO
mais _ M DMSO2 N é(2) DMSO2
EU
(2,98 ppm)
(5)
Em geral, a quimiometria é definida como uma disciplina científica que
combina métodos matemáticos, estatísticos e outros baseados em
3.4. Valor de iodo lógica para modelar e selecionar métodos ideais e experimentais
projetos, bem como extrair informações importantes em análises multivariadas
O IV é um dos parâmetros de qualidade do óleo utilizado para avaliar a análise de dados [72]. A quimiometria se tornou uma primadona em todo o mundo
1
grau de insaturação. A partir dos espectros de RMN de 1H, como mostrado na Fig. 3, IV como técnica de análise de dados, especialmente em combinação com espectroscopia
também pode ser determinado diretamente, usando o sinal de diagnóstico do durante a última década [73]. Esta condição não pode ser desvinculada

8
Machine Translated by Google
L. Triyasmono e U. Holzgrabe
do desenvolvimento de hardware de alta tecnologia e mais sofisticado e da capacidade
de medir grandes quantidades de dados repetidos.
Monakhova et al. [74] publicaram uma revisão sobre a aplicação de algoritmos
quimiométricos combinados a dados espectrais de RMN, especialmente para amostras
de alimentos, onde a utilidade de vários algoritmos quimiométricos é discutida,
juntamente com exemplos de sua aplicação. Estas técnicas geralmente podem ser
agrupadas de acordo com os objetivos práticos a serem alcançados [75]. Primeiro, a
análise de componentes principais (PCA) pode simplificar múltiplos dados complexos
e massivos e procurar um grupo de influências ocultas [76]. Em segundo lugar, os
métodos de classificação e discriminação podem ser divididos em classificação sem
treinamento e classificação com treinamento na próxima etapa, em que os mínimos
quadrados parciais (PLS) são um exemplo de um tipo deste segundo grupo. A aplicação
do segundo método é preferível porque neste caso é utilizado um conjunto de amostras
de treinamento com informações conhecidas a priori sobre sua classificação [73].
Por outro lado, a própria espectroscopia de RMN e a análise de RMN dos
componentes de misturas complexas de alimentos/óleo não são triviais. Conforme
explicado acima, os espectros de amostra de RMN de prótons produzem posições de
intensidade e larguras de sinal que são influenciadas pelo tipo de componentes mistos
presentes na amostra, pelos padrões de acoplamento de spin correspondentes e por
vários outros parâmetros da amostra [36] . As configurações de RMN e os parâmetros
de processamento também podem ter um impacto significativo na qualidade do espectro
de RMN e na interpretação subsequente [65,66]. Várias estratégias para manipulação
e processamento de espectros de amostras são amplamente discutidas. No entanto,
ainda há relativamente pouco consenso sobre o que fazer após a coleta dos espectros
de RMN, ou seja, etapas de pós-processamento, particularmente para análise
quimiométrica de acompanhamento [74]. Portanto, vários tipos de software foram
desenvolvidos para deconvolução de espectros de RMN, usando abordagens
estatísticas para o alinhamento de múltiplos espectros de RMN, para dimensionar ou
normalizar espectros alinhados e, em seguida, para identificar regiões espectrais de
interesse (por exemplo, binning) ou sinais que diferenciam casos do controle [77].
Neste contexto, a Figura 8 mostra um esboço das etapas de processamento de
dados de RMN referentes ao processamento espectral, pós-processamento e análise
de dados realizados conforme aplicado por Triyasmono et al. [43] para amostras RFO.
No processamento de espectros, vários algoritmos são usados. Uma delas é a
técnica Bucketing. A operação desta técnica consiste em reduzir os dados e agrupar os
espectros espectrais divididos em janelas igualmente espaçadas, chamadas bins, ou
baldes, cuja largura geralmente varia empiricamente entre 0,005 e 0,05 ppm, consistente
com os espectros típicos obtidos [78] . Portanto, um novo conjunto menor de variáveis
é gerado com intensidades permanecendo iguais ao espectro original, pois as novas
variáveis são o resultado da soma das intensidades com a área sob cada região usada
como intensidades individuais.
Além disso, a largura do balde também é ajustada para cobrir a variabilidade dos
deslocamentos químicos em torno do sinal, de modo que o problema do desalinhamento
tende a ser superado [77]. Lachenmeier et al. [78] também sugeriram esta estratégia
para gerar uma matriz composta por integrais, que pode ser posteriormente analisada
com a ajuda de métodos quimiométricos.
Da mesma forma, Triyasmono et al. [43] usaram uma estratégia de alinhamento com
intervalo de 0,009 ppm para obter uma matriz espectral de amostra suficiente para
análise quimiométrica, conforme mostrado na Figura 9.
Ao mesmo tempo, este método é eficaz em termos de consumo de tempo,
mantendo a estrutura fina do espectro.
No entanto, a desvantagem de tal método é que é necessário um sinal estável na
escala de desvio químico no espectro inicial. Apesar disso, é fato que binning/bucketing
é o método de escolha mais bem-sucedido e frequentemente usado para o pré-
tratamento de dados experimentais de espectroscopia de RMN [43,78–80]. Portanto,
as análises estatísticas subsequentes são sempre realizadas de forma agrupada e não
pelo uso direto de intensidades ou integrais individuais. Esta é uma característica
especial básica da abordagem quimiométrica para o tratamento espectral de RMN.
Deve-se notar que a maioria das intensidades do sinal de RMN em diferentes
regiões do espectro pode ser diferente, conforme explicado por Monakhova et al. [74].
A construção de modelos para diferentes regiões do espectro e a posterior busca por
modelos ótimos é uma prática comum. Além disso, o sinal padrão interno é insignificante
9
Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010
porque mudanças aleatórias na concentração desses compostos não afetam os
resultados analíticos.
Além disso, qualquer procedimento estatístico adequado para gerar agrupamentos
de produtos de acordo com critérios específicos deve ser realizado após a seleção
adequada das variáveis. No contexto da análise de amostras RFO, foi determinada a
seleção de sinais correlacionados para cada parâmetro de qualidade do óleo [54]. Além
disso, um algoritmo de bucketing é usado para gerar uma matriz variável adequada
para o pré-processamento dos dados. Após a obtenção de uma matriz adequada,
aplica-se a técnica de Análise de Componentes Princípios (PCA) para agrupamento
das amostras.
PCA é uma técnica estatística amplamente utilizada para analisar grandes
conjuntos de dados multidimensionais, como o ponto de dados espectrais de RMN.
Esta técnica pode identificar a direção da variação mais significativa nos dados através
de componentes principais (P1;P2;...) e representar os dados em um sistema de
coordenadas determinado pelos PCs [76].
A aplicação do PCA para quantização na discriminação espectral é inteiramente
análoga: suponha que, no caso dos espectros RFO, tipos coerentes de variação no
conjunto de dados espectrais incluam a amplitude de uma forma de linha fixa, então o
primeiro PC identifica esta forma, independentemente de se é Lorentziano, Gaussiano
ou uma forma mais complexa.
Além disso, formas de PC de ordem superior também indicarão o tipo de variação
(diferente da amplitude) nos dados, incluindo mudanças de frequência e/ou químicas,
bem como variações de largura de linha. Portanto, todo o conjunto de dados espectrais
pode ser aproximado por uma projeção de pontos de dados ao longo de P1 (chamada
pontuação) com perda mínima de informação [76].
Conseqüentemente, o PCA é adequado para conjuntos de dados contendo
espectros adquiridos sob as mesmas condições - mesmo instrumento, mesmos
parâmetros de aquisição (por exemplo, número de pontos no FID, largura de banda
espectral, pulsos de saturação, desacoplamento) para evitar interferência na análise.
No caso da maioria das análises de petróleo, o PCA aplicado aos espectros de
RMN é utilizado para encontrar classes ou agrupamentos de classes que tenham o
mesmo objeto em comum. Por exemplo; agrupamento baseado na posição geográfica
e autenticação e presença de adulterantes [40–42,64]. Triyasmono et al. [43]
demonstraram o PCA para visualizar o agrupamento da qualidade do RFO com base
em dois parâmetros principais, a saber, o grau de insaturação usando 13 sinais de
variáveis de matriz em ÿ = 5,27–5,37 ppm e o valor FFA usando 18 sinais de variáveis
de matriz em ÿ = 2,20– 2,37 ppm, conforme mostrado na Figura 10.
De acordo com os resultados dos gráficos de PCA acima, existem diferenças na
visualização do grupo dos produtos RFO analisados por RMN com base nas categorias
utilizadas. Por exemplo, na Figura 10A, os produtos RFO são distribuídos em cada PC
e divididos em seis grupos de valores de grau de insaturação, respectivamente. Na
Figura 10B, os produtos RFO estão espalhados ao longo do PC, que podem ser
diferenciados em sete grupos de valores FFA, respectivamente. Assim, o algoritmo
PCA aplicado aos espectros de RMN de 1H de uma amostra pode ser uma solução
1
alternativa eficaz
na determinação da qualidade de um óleo.
Conforme discutido anteriormente, o PCA incluindo análise exploratória é o primeiro
e fundamental passo no processamento de dados quimiométricos. Em alguns casos,
pode ser a única abordagem necessária para caracterizar a amostra sob investigação.
Porém, devido às limitações do seu método não supervisionado, para apoiar e fornecer
soluções que ocorrem com mais frequência nas práticas de controle de qualidade, é
necessário não apenas confiar no controle qualitativo, mas também fornecer estimativas
quantitativas [75] . Portanto, a regressão PLS [81–83] foi proposta como um método
alternativo para calcular um modelo de calibração multivariada confiável.
Resumidamente, conforme discutido por Biancolillo e Marini [73], a técnica PLS
baseia-se na extração de um conjunto de escores T projetando um bloco X no
subespaço da variável latente, o que é relevante para questões de calibração. No PLS,
a variável latente (ou seja, a direção para onde os dados são projetados) é definida de
forma a maximizar a covariância entre a pontuação e a(s) resposta(s) de ajuste:
maximizar a covariância permite obter uma pontuação que ao mesmo tempo descreve
a parte relevante da variância de X e se correlaciona com a resposta Y. Em termos
simples, no método PLS, é realizada a decomposição simultânea de duas matrizes:
uma matriz de sinal analítico (X) e uma matriz
Machine Translated by Google

L. Triyasmono e U. Holzgrabe Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010

8. Resumo das etapas de processamento espectral, pós-processamento e análise de dados em espectros de RFO RFO com modificação e permissão de Emwas et al. [65].

dos índices químicos correspondentes (Y). Além disso, Masili et al. [84]
demonstraram o sucesso da modelagem NMR e PLS no teste de caracterização
físico-química de 64 amostras de petróleo bruto puro obtidas
de 28 campos de extração diferentes com a maior parte do coeficiente de
determinação não inferior a 0,85 e um erro padrão relativamente baixo.
Ao preparar os conjuntos de calibração e previsão, a maior parte da amostra
proporção dividida em 70:30 segue o algoritmo Kennard-Stone
[41,85]. No entanto, ao mesmo tempo, o número de amostras disponíveis para
criar um modelo de calibração geralmente é limitado devido ao custo da análise
e/ou disponibilidade de amostra. Portanto, o número de amostras de calibração
é muitas vezes muito inferior ao número de variáveis utilizadas para previsão.
Conforme discutido por Kvalheim et al. [86], usando um Monte Carlo

1
Figura 9. Redução de baldes Espectros de RMN de 1H de todas as amostras de RFO com uma faixa espectral ampliada de ÿ = 5,37–5,27 ppm e ÿ = 2,37–2,20 ppm. Os espectros são
codificados por cores de acordo com a marca. [43].

10
Machine Translated by Google

L. Triyasmono e U. Holzgrabe Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010

10. Pontuações gráficas de todas as amostras (120 espectros) nos componentes principais PC1 e PC2 nos espectros de RMN de 1H do sinal selecionado com base no grau de insaturação (A)
e a categoria de valor FFA com modificação e permissão de Triyasmono et.al [43].

abordagem [87], dois métodos foram desenvolvidos e comparados para selecionar
o número ideal de componentes PLS que é definido como o número
onde nenhum aumento estatisticamente significativo no erro de previsão é observado
quando componentes adicionais são introduzidos no modelo. Ambos
métodos definem medidas de probabilidade e fornecem resultados semelhantes para o modelo
seleção nesta aplicação. Conforme aplicado por Triyasmono et al. [43] em
Amostras de espectros RFO, modelo PLS com composição de calibração e
taxa de previsão próxima de 50:50 ainda fornece um valor de erro relativamente pequeno
(<4%).
Além disso, a comparação dos resultados da espectroscopia de RMN com os dados
obtido por outros métodos espectroscópicos também é interessante. Por exemplo, o
modelo PLS para determinar os parâmetros de qualidade de RFO
(grau insaturado e FFA) é construído com base em seu espectro IR.
No entanto, os valores de R2 para conjuntos de ensaios independentes (0,83 e 0,94) e
erros quadráticos médios de (5,50 e 5,10), respectivamente, foram muito
inferiores aos da espectroscopia de RMN [43]. Isto provavelmente se deve a
a quantidade muito mais significativa de formação espectroscópica (estrutural) obtida no
espectro de RMN, em vez de na faixa de IR
[74]. Assim, embora a espectroscopia de RMN seja relativamente cara e o
o tempo de medição é mais longo (cerca de 15 minutos, em comparação com 2 minutos para IR
espectroscopia), acreditamos que a espectroscopia de RMN fornece resultados analíticos
quantitativos mais confiáveis e é uma técnica altamente eficiente,
conforme mostrado na Tabela 3.
Por outro lado, Giese et al. [88] relataram que os resultados do bacalhau
autenticação de óleo de fígado usando espectros de NMR e FTIR combinados com
algoritmos de redes neurais artificiais mostraram que o limite de detecção de
O FTIR foi menor (0,22%) com uma raiz quadrada média do erro de previsão
1
(RMSEP) de 0,86% que RMN H (3,0%) e RMN 13C (1,8%) com
RMSEP 2,7% e 1,1%, respectivamente. No entanto, a comparação dos modelos 13C
NMR e FTIR produziu a maior precisão com 100% de
classificação correta em uma série de calibrações, testes e validações. Em
1
Além disso, eles afirmaram que o sinal de RMN de 1H é essencial para um dos
falsificações de previsões de óleo de fígado de bacalhau que podem ser identificadas por
analisando sua carga fatorial PLS.
Além disso, para atender à qualidade e confiabilidade dos
modelo, é necessário realizar um processo de validação com um
definição diagnóstica apropriada, a maior parte da qual é baseada em
cálculos [75]. Neste contexto, para evitar o optimismo excessivo e para obter uma
estimativa justa, tanto quanto possível, é necessário calcular os erros
de diferentes conjuntos de dados, o que é geralmente referido como validação cruzada
[89]. Por outro lado, a validação cruzada pode ser baseada em repetições
reamostragem de conjuntos de dados de treinamento e teste. A validação cruzada, em particular,
é adequado quando o número de amostras disponíveis é pequeno e há
nenhuma possibilidade de construir um conjunto de testes externo. No entanto, o
potencial de viés ainda pode ocorrer, uma vez que a calibração e a validação não são
completamente independentes um do outro [90]. No entanto, a validação cruzada ainda
pode ser eficazmente utilizada para estimar os valores óptimos do
metaparâmetros do modelo (por exemplo, o número de variáveis ocultas no PLS
regressão ou classificação PLSDA) [89,91].
5. Conclusão
Algumas das descrições delineadas nesta perspectiva indicam que
1
o método quantitativo de RMN de H usando padrões internos é capaz de
avaliar direta e simultaneamente vários parâmetros de qualidade do óleo (AV,
EV, IV, SV e a composição de MUFA, PUFA e UFA Total). Em
1
além disso, a combinação de uma A espectroscopia e quimiometria de RMN de 1H é
ferramenta confiável para a análise rotineira de derivados de petróleo, incluindo RFO
amostras. O PCA pode demonstrar agrupamento exploratório ou visualizado de
dados multivariados e PLS, fornecendo aos edifícios calibração confiável
e estratégias de classificação para prever quantitativamente com base nos experimentos
de perfil 1espectral de RMN de 1H coletados.
Infelizmente, atualmente a espectroscopia de RMN não é amplamente utilizada em
análise oficial do produto (método compendial) e controle de qualidade do óleo
laboratórios porque é considerado complicado e muito caro. Em
Na prática, um espectro de RMN pode ser obtido muito rapidamente em aproximadamente
15 minutos e subsequente análise quimiométrica de todo o espectro.
O espectro pode ser feito de forma rápida e automática com software quimiométrico
como o Unscrambler, para que as operações PCA e PLS
também pode ser realizado muito rapidamente (cerca de 10 min). Portanto, no
futuro, é necessário aumentar o papel dos produtos mais baratos e mais pequenos
instrumentação e software de NMR de bancada para fazer NMR

Tabela 3
Resultados da modelagem PLS e previsão das propriedades do RFO com base em ambos os métodos (1 H RMN e FTIR) [43].

Parâmetro Método Valor Fator R2 Erro quadrático médio raiz (RMSE)

Calibração Validação Predição RMSEC RMSEV RMSEP

1
Grau insaturado H RMN 0–90 1 0,972 0,967 0,915 3.08 3.29 4.18
FTIR 0–90 1 0,919 0,914 0,834 5.31 5,49 5,50
1
Valor AGL H RMN 0–100 2 0,988 0,986 0,982 3,49 3,76 3.12
FTIR 0–100 2 0,977 0,977 0,948 4,88 5.15 5.10

11
Machine Translated by Google
L. Triyasmono e U. Holzgrabe
espectroscopia mais adequada e acessível para análises de rotina no controle de
qualidade do óleo.
Declaração de interesse concorrente
Os autores declaram os seguintes interesses financeiros/relações pessoais
que podem ser considerados como potenciais interesses concorrentes: Liling
Triyasmono relata que o apoio financeiro foi fornecido pela Lambung Mangkurat
University.Agradecimentos Este trabalho foi
apoiado pelo financiamento da Lambung Mangkurat University (Grant No.
3894 /UN8/KP/2019). Os autores agradecem calorosamente ao Dr. Ludwig Höllein
pelo apoio editorial durante a redação e preparação para submissão desta
publicação.
Contribuições do autor
O manuscrito foi escrito através de contribuições de ambos os autores. Todos
os autores aprovaram a versão final do manuscrito.
Liling Triyasmono: Metodologia, redação – rascunho original, redação – revisão e
edição e administração do projeto. Ulrike Holzgrabe: metodologia, redação –
revisão e edição e aquisição de financiamento.
Referências
[1] S. Joos, K. Glassen, B. Musselmann, Fitoterapia em cuidados de saúde primários em
Alemanha: a perspectiva do paciente, Evid. - Complemento Baseado. Alternativo. Med (2012) 1–10,
https://doi.org/10.1155/2012/294638
[2] S. Pengpid, K. Peltzer, Utilização da medicina tradicional e complementar em
Indonésia: resultados de uma pesquisa nacional em 2014–15, Complemento. Lá. Clin. Pratique. 33
(2018) 156–163, https://doi.org/10.1016/j.ctcp.2018.10.006 [3] A. Rohman, R.
Sugeng, YB Che Man, Caracterização do óleo de frutas vermelhas (Pandanus conoideus Lam), Int.
Alimentos Res. J. 19 (2) (2012) 563–567.
[4] ZL Sarungallo, P. Hariyadi, N. Andarwulan, EH Purnomo, Caracterização de propriedades químicas,
perfil lipídico, teor total de fenol e tocoferol de óleos extraídos de nove clones de frutas vermelhas
(Pandanus conoideus), J. Nat. Ciência. 49 (2) (2015) 237–250.
[5] A. Rohman, A. Windarsih, Caracterização, atividades biológicas e autenticação de óleo de frutas
vermelhas (Pandanus conoideus Lam), Food Res 2 (2) (2017) 134–138.
[6] OP Astirin, M. Harini, NS Handajani, O efeito do extrato bruto de Pandanus
conoideus Cordeiro. var. fruta amarela na expressão apoptótica da linha celular de câncer de mama
(T47D), Biodiversitas 10 (1) (2009) 44–48.
[7] R. Siagian, Efeito da fruta vermelha (Pandanus conoideus) no crescimento do câncer de mama, J.
Agromed Unila 2 (4) (2015) 500–503.
[8] SA Sangkala, MR Jura, IM Tangkas, Teste de atividade antioxidante de frutas vermelhas
(Pandanus baccari L) extrai área de Poso Central Sulawesi, J. Akad. Kim. 3 (4) (2014) 198–205.
[9] A. Rohman, S. Riyanto, N. Yuniarti, WR Saputra, R. Utami, W. Mulatsih,
Atividade antioxidante, fenólica total e flavaonóide total de extratos e frações de frutas vermelhas
(Pandanus conoideus, Lam.), Int. Alimentos Res. J. 17 (2010) 97–106.
[10] M. Budi, FR Paimin, Fruta vermelha (Pandanus conoideus Lam), Penebar Swadaya 3–26 (47–56) (2004)
67–68.
[11] Y. Astuti, LLR Dewi, O efeito do extrato de frutas vermelhas (Pandanus conoideus L.) para o
nível de glicose no sangue, Mutiara Med. 7 (1) (2007) 01–06.
[12] K. Khiong, OA Adhika, M. Chakravitha, Inibição da via NF-ÿB como o potencial terapêutico da fruta
vermelha (Pandanus conoideus Lam.) no tratamento de doenças inflamatórias intestinais, JKM
(J. Kedokt. Maranatha ). 9 (1) (2009) 69–75.
[13] T. Tambaip, MB Karo, M. Hatta, R. Dwiyanti, R. Natzir, MN Massi, AA Islam, K. Djawad, Efeito
imunomodulador de frutas vermelhas por via oral ( Pandanus conoideus)
Extrato sobre a expressão do mRNA do receptor 5 de quimiocina CC em pacientes com HIV com
terapia antirretroviral, J. Immunol. Res. 11 (2018) 15–21, https://doi.org/10. 3923/rji.2018.15.21
[14] Sarungallo ZL
Murtiningrum, NL Mawikere, A exploração e diversidade de frutas vermelhas (Pandanus conoideus, Lam.) de
Papua com base em suas características físicas e composição química, J. Biol. Mergulhadores. 13
(3) (2012) 124–129.
[15] EP Susanti, A. Rohman, W. Setyaningsih, Otimização de resposta dupla da extração de óleo
assistida por ultra-som de frutas vermelhas (Pandanus conoideus): Recuperação e Compostos
Fenólicos Totais, Agronomy 12 (523) (2022) 1–16, https://doi.org/10. 3390/agronomia12020523
[16] Y. Endo, Métodos analíticos para avaliar a qualidade de gorduras e óleos comestíveis: os métodos
padrão JOCS para análise de gorduras, óleos e materiais relacionados e métodos avançados, J.
Oleo Sci. 67 (1) (2018) 1–10, https://doi.org/10.5650/jos.ess17130 [17] Farmacopeia Europeia 10.º.
Departamento Europeu para a Qualidade dos Medicamentos.
2020.Estrasburgo. França: cap. 2.5.1, 2.5.2, 2.5.4, 2.5.6.
[18] HH Chiu, CH Kuo, análise analítica baseada em cromatografia gasosa-espectrometria de massa
estratégias para análise de ácidos graxos em amostras biológicas, J. Food Drug Anal. 28 (1) (2020)
60–73, https://doi.org/10.1016/j.jfda.2019.10.003
12
Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010
[19] YI Tur'yan OY Berezin I. Kuselman A. Shenhar Determinação pHmétrica de valores de ácido em óleos
vegetais sem titulação J. Am. Química do Petróleo. Soc. 73 1996 295 301.
[20] WQ Xiea, X.-S. Chai, Um método eficiente para determinar o valor ácido em óleos comestíveis por
cromatografia gasosa headspace assistida por solvente, Anal. Métodos 8 (2016) 5789-579.
[21] N. Bazina, J. He, Análise de perfis de ácidos graxos de ácidos graxos livres gerados no processo de
fritura, J. Food Sci. Tecnologia. 55 (2018) 3085–3092.
[22] M. Tarvainen, JP Suomela, H. Kallio, Cromato líquido de ultra alto desempenho
análise gráfica-espectrométrica de massa de ácidos graxos livres oxidados e acilgliceróis, Eur. J.
Lipid Sei. Tecnologia. 113 (2011) 409–422.
[23] FR Van de Voort, J. Sedman, G. Emo, AA Ismail, Valor rápido e direto de iodo e determinação do
número de saponificação de gorduras e óleos por espectroscopia infravermelha de reflactância
total atenuada/transformada de Fourier, J. Am. Química do Petróleo. Soc. 69 (11) (1992) 1118–1123.
[24] MD Guill'en, N. Cabo, Fourier transformam dados de espectros infravermelhos versus valores de peróxido
e anisidina para determinar a estabilidade oxidativa de óleos comestíveis, Food Chem. 77 (2002)
503–510, https://doi.org/10.1016/S0308-8146(01)00371-5 [25] C. Gertz, HJ Fiebig,
JNS Hancock, análise de triagem por espectroscopia de infravermelho próximo (NIR) FT de gorduras e óleos
de fritura usados para determinação rápida de compostos polares, triacilgliceróis polimerizados,
índice de acidez e valor de anisidina [DGF C-VI 21a (13)], Eur. J. Lipid Sei. Tecnologia. 115 (2013)
1193–1197, https://doi.org/10.1002/ejlt. 201300221
[26] L. Triyasmono, S. Riyanto, A. Rohman, Determinação do valor de iodo e ácido
valor do óleo de frutas vermelhas por espectroscopia infravermelha e calibração multivariada, Int.
Alimentos Res. J. 20 (6) (2013) 3259–3263.
[27] A. Rohman, L. Triyasmono, S. Riyanto, L. Andina, Determinação rápida do valor de saponificação em
óleo de frutas vermelhas por espectroscopia infravermelha e calibração parcial de mínimos quadrados,
Res. J. Med. Plantar. 9 (8) (2015) 442–448.
[28] RT Sato, R. de Jesus Coelho Castro, PM de Castro Barra, MAL de Oliveira, Separação rápida de ácidos
graxos livres em óleos vegetais por eletroforese de zona capilar, Phytochem. Anal. 25 (2014) 241–
246, https://doi.org/10.1002/pca.2499 [29] TL Amorim, LM Duarte, EM da Silva, MAL
Oliveira, Eletromigra capilar
métodos de determinação para determinação de ácidos graxos em óleos vegetais e marinhos: Uma
revisão, Eletroforese 42 (3) (2020) 289–304, https://doi.org/10.1002/elps.202000260 Ressonância
1
[30] MD Guillén, A. Ruiz, alta resolução magnética nuclear H no estudo de óleos e gorduras
comestíveis, Trends Food Sci. Tecnologia. 12 (9) (2001) 328–338, https://doi.org/10.1016/
S0924-2244(01)00101-7
[31] AS Sarpal, SR Silva, PRM Silva, TV Monteiro, J. Itacolomy, VS Cunha,
RJ Daroda, Método direto para a determinação do valor de iodo do biodiesel por espectroscopia
quantitativa de ressonância magnética nuclear (q1H NMR), Energy Fuels 29 (12) (2015) 7956–7968,
https://doi.org/10.1021/acs . energiacombustíveis.5b01462 [32] C. Skiera, P. Steliopoulos, T.
Kuballa, B. Diehl, U. Holzgrabe, Determinação de ácidos graxos livres em lipídios farmacêuticos por H NMR
1
e comparação com o valor de ácido clássico, J. Pharm. Biomédica. Anal. 93 (2014) 43–50, https://
doi.org/10.1016/j. jpba.2013.04.010 [33] JR Hama, V. Fitzsimmons-Thoss, Determinação da
composição de ácidos
graxos insaturados em óleo de noz (Juglans regia L.) usando espectroscopia de RMN, Food Anal.
Métodos 15 (5) (2022) 1226–1236, https://doi.org/10.1007/s12161-021-02203-0 [34] E. Hafer, U.
Holzgrabe, S. Wiedemann, KM Adams, B. Diehl, espectroscopia de RMN: determinação do valor de peróxido
em óleo vegetal e de krill usando trifenilfo esfina como reagente de marcação, Eur. Alimentos Res.
Tecnologia. 122 (5) (2020) 1–11, https://doi. org/10.1002/ejlt.201900442 [35] L. Triyasmono, C.
Schollmayer, J. Schmitz, E. Hovah,
C. Lombo, S. Schmidt,
U. Holzgrabe, Determinação simultânea do valor de saponificação, valor de ácido, valor de éster e
valor de iodo em óleo de frutas vermelhas comercialmente disponível (Pandanus conoideus, Lam.)
1
usando espectroscopia H qNMR, Food Anal. Métodos (2022) 1–13, https://doi.org/10.1007/
s12161-022-02401-4
[36] U. Holzgrabe, espectroscopia quantitativa de RMN em aplicações farmacêuticas, Prog.
Núcleo. Magn. Ressonância. Espectro. 57 (2010) 229–240, https://doi.org/10.1016/j.
pnmrs.2010.05.001
[37] B. Nieva-Echevarría, E. Goicoechea, MJ Manzanos, MD Guillén, Um método baseado em dados
1 em espectrais de H NMR úteis para avaliar o nível de hidrólise em lipídios complexos
misturas, Food Res. Internacional 66 (2014) 379–387, https://doi.org/10.1016/j.foodres. 2014.09.031
[38] A. Sacco, MA Brescia, V. Liuzzi, F. Reniero, C. Guillou, S. Ghelli, P. Van Der Meer, Caracterização de
azeites italianos com base em determinações analíticas e de ressonância magnética nuclear, J. Am .
Química do Petróleo. Soc. 77 (6) (2000) 619–625, https://doi. org/10.1007/s11746-000-0100-y
[39] RIM Almoselhy, MH Allam, MH El-Kalyoubi, AA El-Sharkawy,
1H RMN
análise espectral como um novo aspecto para avaliar a estabilidade de alguns óleos comestíveis, Ann.
Agrícola. Ciência. 59 (2) (2014) 201–206, https://doi.org/10.1016/j.aoas.2014.11.006 [40] L.
Mannina, F. Marini, M. Gobbino, AP Sobolev, D. Capitani, RMN e quimioterapia
métricas no rastreamento de azeites europeus: o estudo de caso de amostras da Ligúria, Talanta 80
(2009) 2141–2148, https://doi.org/10.1016/j.talanta.2009.11.021 [41] C. Ingallina, A.
Cerreto, L. Mannina, S. Circi, S. Vista, D. Capitani, F. Marini, Extra H NMR-caracterização quimiométrica
1
azeites virgens de nove regiões italianas: An tion,
Metabolites 9 (4) (2019) 1–12, https://doi.org/10.3390/metabo9040065
[42] R. Popescu, D. Costinel, OR Dinca, A. Marinescu, I. Stefanescu, RE Ionete,
Discriminação de óleos vegetais usando espectroscopia de RMN e quimiometria, Food Control 48
(2015) 84–90, https://doi.org/10.1016/j.foodcont.2014.04.046 [43] L. Triyasmono, C.
1H
Schollmayer, U. Holzgrabe, Análise quimiométrica aplicada a dados de RMN e FTIR para uma distinção
de parâmetros de qualidade de produtos petrolíferos de frutas vermelhas (Pandanus conoideus,
lam.), Phytochem. Anal. (2022) 1–12, https://doi.org/10. 1002/pca.3196 [44] B. Kowalski, C. Reilly,
Ressonância
Magnética Nuclear, Spectr. Interpretar. Padrão
Reconhecer. J. Física. Química. 75 (10) (1971) 1402–1411.
Machine Translated by Google
L. Triyasmono e U. Holzgrabe
[45] H. Grahn, F. Delaglio, MA Delsuc, GC Levy, Análise multivariada de dados para reconhecimento de padrões
em RMN bidimensional, J. Magn. Ressonância. 77 (1988) 294–307.
[46] RE Hoffman, GC Levy, Métodos modernos de processamento de dados NMR e avaliação de dados, Prog.
Espectro de RMN. 23 (1991) 211–258.
[47] G. Le Gall, IJ Colquhoun, Espectroscopia NMR em Autenticação Alimentar (em Autenticidade e
Rastreabilidade Alimentar), Woodhead, Nova York, 2003, pp.
[48] L. Mannina, AP Sobolev, A. Segre, Azeite visto por RMN e quimiometria,
Espectro. EUR. 15 (3) (2003) 6–14.
[49] KK Ketshajwang, J. Holmback, SO Yeboah, Estudos de qualidade e composição de alguns óleos de
sementes de leguminosas comestíveis em Botswana, J. Am. Química do Petróleo. Soc. 75 (1998)
741–743.
[50] V. Thoss, PJ Murphy, R. Marriott, T. Wilson, composição de triacilglicerol do óleo de semente de bluebell
britânico (Hyacinthoides non-scripta), RSC Adv. 2 (12) (2012) 5314–5322, https://doi.org/10.1039/
c2ra20090b
1
[51] SK Bharti, R. Roy, Quantitativo Espectroscopia de RMN de 1H, TrAC - Tendências Anal.
Química. 35 (2012) 5–26, https://doi.org/10.1016/j.trac.2012.02.007 [52] D.
1
Castejón, P. Fricke, MI Cambero, A. Herrera, Automático Triagem de H NMR da
composição de ácidos graxos em óleos comestíveis, Nutrients 8 (2) (2016) 1–10, https://doi.org/ 10.3390/
nu8020093 [53] T. Beyer,
B. Diehl, U. Holzgrabe, espectroscopia quantitativa de RMN de biologicamente
substâncias ativas e excipientes, Bioanal. Rev. 2 (2010) 1–22, https://doi.org/10. 1007/s12566-010-0016-8
[54] S. Sun, M. Jin, X. Zhou, J. Ni, X. Jin, H. Liu, Y. Wang, A aplicação de
quantitativo1 H RMN para a determinação de orlistat em comprimidos, Molecules 22 (9) (2017) 1–10.
1
[55] YB Monakhova, BWK Diehl, Guia prático para seleção de Parâmetros de aquisição
e processamento de H qNMR confirmados por avaliação de espectro automatizada, Magn.
Ressonância. Química. 55 (11) (2017) 996–1005, https://doi.org/10.1002/mrc.4622 [56.] AM
Torres, WS Price, Problemas comuns e artefatos encontrados em experimentos de NMR de estado de solução,
Concepts Magn. Ressonância. Parte A 45A (2) (2016) 1–16, https://doi.org/10.1002/cmr.a.21387
[57] MD Guillén, A. Ruiz, determinação
simultânea rápida por RMN de prótons de un
saturação e composição de grupos acil em óleos vegetais, Eur. Alimentos Res. Tecnologia. 105 (11)
(2003) 688–696, https://doi.org/10.1002/ejlt.200300866 Abordagem de H RMN como
1 1
[58] C. Skiera, P. Steliopoulos, T. Kuballa, U. Holzgrabe, B. Diehl, uma alternativa
ao método clássico de valor de p-anisidina, Eur. Alimentos Res. Tecnologia. 235 (6) (2012) 1101–1105,
https://doi.org/10.1007/s00217-012-1841-5 Mudanças químicas de H em RMN: Parte 23,
1
[59] RJ Abraham, JJ Byrne, L. Griffiths, M. Perez, o efeito do
1
dimetilsulfóxido versus solvente de clorofórmio em Magn. Ressonância. Química. H mudanças químicas,
44 (5) (2006) 491–509, https://doi.org/10.1002/mrc.1747 [60] T. Beyer, C. Schollmayer, U. Holzgrabe,
O papel dos solventes na separação do sinal
1
para quantitativo Espectroscopia de RMN de 1H, J. Pharm. Biomédica. Anal. 52 (1) (2010)
51–58, https://doi.org/10.1016/j.jpba.2009.12.007 [61.] B. Nieva-
1H
Echevarría, E. Goicoechea, MJ Manzanos, MD Guillén, Utilidade de
RMN na avaliação da extensão da digestão lipídica, Food Chem. 179 (2015) 182–190, https://doi.org/
10.1016/j.foodchem.2015.01.104 [62] M. Guillén, I. Carton, E.
Goicoechea, PS Uriarte, Caracterização de óleo de fígado de bacalhau por técnicas espectroscópicas. Novas
abordagens para a determinação de parâmetros de composição, grupos acil e colesterol a partir de
1
dados espectrais infravermelhos de ressonância e transformada H Nuclear Magnético
de Fourier, J. Agric. Química Alimentar. 56 (19) (2008) 9072–9079.
[63.] LF Johnson, JN Schoolery, Determinação da insaturação e peso molecular médio de gorduras naturais por
ressonância magnética nuclear, Anal. Química. 34 (1962) 1136–1139.
[64] LM Ravaglia, ABC Pizzotti, GB Alcantara, aplicação quimiométrica e baseada em RMN
abordagens aplicáveis a estudos de adulteração para avaliação da origem botânica de óleos comestíveis,
J. Food Sci. Tecnologia. 56 (1) (2019) 507–511, https://doi.org/10.1007/ s13197-018-3485-3 [65] AH
Emwas, E. Saccenti, X.
Gao, RT McKay, dos Santos VAPM, R. Roy,
DS Wishart, Estratégias recomendadas para processamento espectral e pós-processamento de dados
de RMN11D H de biofluidos com foco particular na urina, Metabolômica 14 (31) (2018) 1–23, https://
doi.org/10.1007/s11306- 018-1321-4 [66] C. Deborde, JX Fontaine, D. Jacob, A.
Botana, V. Nicaise, F. Richard-Forget, R. Molinié, Otimizando o perfil de RMN 1D H de amostras de
1
plantas para análise de alto rendimento: preparação de extrato, padronização, automação e processamento
de espectros, Metabolomics 15 (28) (2019) 1–12, https://doi.org/10.1007/s11306-019-1488-3
1H
[67] Y. Miyake, K. Yokomizo, N. Matsuzaki, Determinação rápida do valor de iodo por
espectroscopia de ressonância magnética nuclear, J. Am. Química do Petróleo. Soc. 75 (1998) 15–19.
1
[68] G. Knothe, JA Kenar, Determinação do perfil de ácidos graxos por Espectroscopia
de H RMN, Eur. J. Lipid Sei. Tecnologia. 106 (2) (2004) 88–96, https://doi.org/10.
13
Jornal de Análise Farmacêutica e Biomédica Aberto 1 (2023) 100010
1002/ejlt.200300880 [69]
C. Yu, Q. Zhang, PY Xu, Y. Bai, WB Shen, B. Di, MX Su, determinação quantitativa e validação de acetato de
1
octreotida usando método padrão externo, Magn. Ressonância Espectroscopia de RMN de 1H com
Química. 56 (1) (2018) 37–45 , https://doi.org/10.1002/mrc.4665
[70] RJ Wells, J. Cheung, JM Hook, Dimetilsulfona como padrão universal para análise de produtos
orgânicos por QNMR, Accredit. Qual. Assur. 9 (8) (2004) 450–456, https://doi.org/10.1007/
s00769-004-0779-0
[71] Sigma-Aldrich. RMN QUANTITATIVA - Detalhes Técnicos e Materiais de Referência Certificados
TraceCERT®. Sigma-Aldrich. 2017;8. Obtido em ÿhttps://www. sigmaaldrich.com/content/dam/
sigma-aldrich/docs/SigmaAldrich/Brochure/1/qnmr-brochure-rjo.pdf ÿ.
[72] YO Rodionova, LA Pomerantsev, Quimiometria: conquistas e perspectivas,
Russo. Química. 75 (4) (2006) 271–287.
[73] A. Biancolillo, F. Marini, Métodos quimiométricos para análise farmacêutica baseada em espectroscopia,
Front. Química. 6 (576) (2018) 1–16 , https://doi.org/10.3389/fchem.2018.00576
[74] YB Monakhova, T. Kuballa, DW Lachenmeier, Métodos quimiométricos em análise espectroscópica de
RMN de produtos alimentícios, J. Anal. Química. 68 (9) (2013) 755–766, https://doi.org/10.1134/
S1061934813090098 [75]RG Brereton, J. Jansen, J. Lopes,
F. Marini, A. Pomerantsev, O. Rodionova,
Quimiometria em química analítica – parte II: modelagem, validação e aplicações, Anal. Bioanal.
Química. 410 (2018) 6691–6704, https://doi.org/10.1007/ s00216-018-1283-4 [76] R. Stoyanova,
TR Brown, quantificação
espectral de RMN por análise de componentes principais, RMN Biomed. 14 (2001) 271–277, https://doi.org/
10.1002/nbm.700 [77] SA Sousa, A. Magalhães, MMC Ferreira, Bucking otimizado para espectros
de RMN: três estudos de caso, Chemom. Intel. Laboratório. Sist. 122 (2013) 93–102 , https://doi.org/10.1016/
j.chemolab.2013.01.006
[78] DW Lachenmeier, W. Frank, E. Humpfer, H. Schäfer, S. Keller, M. Mörtter,
M. Spraul, Controle de qualidade de cerveja usando espectroscopia de ressonância magnética nuclear
de alta resolução e análise multivariada, Eur. Alimentos Res. Tecnologia. 220 (2) (2005) 215–221.
[79] P. Maes, YB Monakhova, T. Kuballa, H. Reusch, DW Lachenmeier, Controle qualitativo e quantitativo de
bebidas carbonatadas de cola usando J. Agric. Química Alimentar. 60 (11) Espectroscopia de RMN de 1H,
(2012) 2778–2784.
[80] H. Köbler, YB Monakhova, T. Kuballa, C. Tschiersch, J. Vancutsem, G. Thielert, A. Mohring, DW
Lachenmeier, Espectroscopia de ressonância magnética nuclear e quimiometria para identificar
pinhões que causam perturbação do paladar, J. Agrícola. Química Alimentar . 59 (13) (2011) 6877–
6881.
[81] P. Geladi, BR Kowalski, Regressão parcial de mínimos quadrados: um tutorial, Anal. Chim.
Acta 185 (1986) 1–17, https://doi.org/10.1016/0003-2670(86)80028-9 [82] Martens H.,
Geladi P. “Calibração Multivariada”, na Enciclopédia de Ciências Estatísticas, eds eds S. Kotz, CB Read, N.
Balakrishnan, B. Vidakovic e NL
Johnson (Hoboken, NJ: Wiley), 5177–5189.
[83] S. Wold, H. Martens, H. Wold, “O problema de calibração multivariada em química resolvido pelos métodos
PLS, em: A. Ruhe, B. Kagstrøm (Eds.), em Matrix Pencils: Proceedings of A Conference Realizado
em Pite Havsbad, Suécia, Springer Verlag, Heidelberg, 1983, pp.
[84] A. Masili, S. Puligheddu, L. Sassu, P. Scano, A. Lai, Predição de físico-químico
1
propriedades de petróleos brutos Análise de H RMN de amostras puras e quimiometria,
por Magn. Ressonância. Química. 50 (11) (2012) 729–738, https://doi.org/10.1002/mrc.3872 [85] RW
Kennard, LA Stone, Projeto de experimentos auxiliado por computador, Technometrics 11 (1969) 137–148,
https://doi.org/10.1080/00401706.1969.10490666 [86] OM Kvalheim, B. Grung, T.
Rajalahti, Número de componentes e erro de previsão na regressão parcial de mínimos quadrados determinado
por estratégias de reamostragem de Monte Carlo, Chemom. Intel. Laboratório. Sist. 188 (2019) 79–86,
https://doi.org/10.1016/j.chemolab. 2019.03.006
[87] QS Xu, YZ Liang, validação cruzada de Monte Carlo, Chemom. Intel. Laboratório. Sist. 56
(2001) 1–11.
[88] E. Giese, S. Rohn, J. Fritsche, Ferramentas quimiométricas para a autenticação de óleo de fígado de
bacalhau com base em ressonância magnética nuclear e dados de espectroscopia infravermelha, Anal.
Bioanal. Química. 411 (2019) 6931–6942.
[89] Stone M. Escolha de validação cruzada e avaliação de previsões estatísticas, J. R.
Estado. Soc. 36 (1974) 111–147.
[90] F. Westad, F. Marini, Validação de modelos quimiométricos - um tutorial, Anal. Chim.
Acta 893 (2015) 14–24, https://doi.org/10.1016/j.aca.2015.06.056
[91] A. Biancolillo, F. Marini, C. Ruckebusch, R. Vitale, Estratégias quimiométricas para autenticação
alimentar baseada em espectroscopia, 1-34, Appl. Ciência. 10 (18) (2020) 6544, https://doi.org/
10.3390/app10186544