CFQ - BZ

Prévia do material em texto

“Quality evaluation of decoction pieces of 
Rhizoma Atractylodis Macrocephalae by near 
infrared spectroscopy coupled with 
chemometrics”
Alunas: Ana Clara Dias, Carolina Barros e 
Yanne Gargalhone
Disciplina: Controle Físico-Químico I
Turma: FM171
Professores: Vivian e Thaís
12019.2
Espécie: Atractylodis Macrocephalae Koids
Família: Compositae
Nome popular: Bai Zhu (raíz seca)
Ocorrência na China: Nativa
Distribuição geográfica: Províncias de 
Zhejiang, Anhui, Hunan e Jiangxi
Atividade relatada: Ajuda em questões 
gastro-instestinais, protege o fígado e a 
vesícula biliar, anti-oxidante, anti-câncer e 
fortalece o baço.
2
Figura 1: Fotografia do Bai Zhu. FONTE: 
Zhanju, Natural Products.
Como se usa?
Uso na clínica moderna
● Z frito no farelo de trigo é 
preferível ao invés do cru;
Última edição da Farmacopeia 
da República Popular da China 
(RPC)
● O único método de 
processamento para BZ é 
fritar no farelo de trigo;
OBJETIVO: Reduzir a cetona e levar melhor 
secura, levando a um efeito melhor.
 Acredita-se na medicina tradicional 
chinesa (MTC) que a secura é aliviada após 
a fritura em farelo de trigo 
+
O efeito de fortalecimento do baço e 
digestão e harmonização do estômago é 
aprimorado usando farelo
3
Figura 2: Estrutura dos atractinolidos I-III.
● Pouco estudados;
● Principal componente ativo do BZ para avaliar sua qualidade;
● Alguns estudos indicam poder anti-inflamatório, anti-tumoral 
e regulações gastro-intestinais e do baço.
5
Problemática
Coloração: 
Marrom-amarelado;
Aroma: Forte
SUBJETIVIDADE
Controle de Qualidade!
Farmacopeia da RPC: apenas 
determina o extrato de álcool, 
não é suficiente para a 
avaliação e controle da 
qualidade de BZ frito em 
farelo de trigo.
Atualmente: HPLC, TLC, UPLC, 
Cromatografia gasosa acoplada à 
espectrometria de massas
PRÉ-TRATAMENTO 
TRABALHOSO E ANÁLISE, 
CONSUMO DE REAGENTES E 
DESTRUIÇÃO DA AMOSTRA
Novo Controle de Qualidade!
+ Rápido e eficiente
Objetivo
6
Assim, o presente estudo 
pretende estabelecer um 
método rápido, simples e 
confiável para avaliação e 
controle da qualidade da 
BZ processada por 
espectroscopia NIR 
acoplada à quimiometria. 
Vários métodos 
quimiométricos foram 
comparados em detalhes, e 
resultados muito 
satisfatórios foram 
finalmente obtidos.
Estabelecer um método RÁPIDO, 
SIMPLES e CONFIÁVEL para avaliação 
e controle de qualidade da planta por 
espectroscopia NRI acoplada à 
quimiometria.
12 lotes da planta foram 
comprados em farmácias 
na cidade de Guangzhou, 
na China.
Material da planta 
7
MÉTODOS
Estufa a 100ºC por 1h
As fatias cruas foram fritas em 
farelo de trigo. Foi utilizado 
um termômetro infravermelho 
para monitorar quando a 
temperatura atingisse 100ºC.
Após isso, foi adicionado o 
excipiente farelo de mel 
(10% p/p)
Quando o farelo começou a 
soltar vapor, as fatias cruas 
foram adicionadas e aquecidas 
por 3, 6, 9 e 12 min, 
respectivamente.
Material da planta 
8
MÉTODOS
Posteriormente, o farelo 
foi peneirado;
As amostras processadas 
foram resfriadas à 
temperatura ambiente, sendo 
mantidas no dessecador.
As amostras apresentaram cor 
na superfície e desta forma, 
foram dividas em 3 classes 
(clara, moderada e escura).
Espectrofotometria 
de IV
9
Preparação do extrato para o espectro no IV 
10
MÉTODOS
10
As amostras 
foram 
trituradas 
As amostras foram analisadas na região de 12.000 a 4.000 cm-1
6,5 g de pó 
foram testados 
em triplicata no 
espectro
Peneira de 
malha 100
MÉTODOS
11
MÉTODOS
12
Espectrofotometria no Infravermelho
ABSORÇÃO NO IV
➔ Nem toda molécula 
absorve na região do IV;
➔ Ligações que têm um 
momento dipolo;
➔ Ligações simétricas 
como Cl2 e H2, não 
absorvem nesta região;
➔ Uma ligação simétrica 
que tenha grupos 
idênticos ou 
praticamente idênticos:
13
Usos do Espectro IV
➔ ‘’Impressão digital’’ 
das moléculas;
➔ Fornece informações 
sobre a estrutura da 
molécula:
14
15
RESULTADOS
Figura 3: Espectros NIR 
das presentes amostras 
de BZ.
Espectroscopia de infravermelho próximo
 Análise por HPLC
16
Preparação do extrato para HPLC
17
MÉTODOS
17
0,5 gramas de pó 
de BZ foi pesado 
com precisão
Extraído por 
ultrassom com 10 
mL de Metanol por 
30 min
Centrifugação à 
3800 rpm/10 min
Sobrenadante foi 
injetado para 
análise
Resfriada a Tº 
ambiente 
Adicionado Metanol 
para compensar o 
peso perdido
Cromatografia Líquida de Alta Eficiência (HPLC)
18
MÉTODOS
● Método de separação dos componentes da amostra;
Componentes interagem de maneira 
diferente entre a fase móvel e a fase 
estacionária
Fase
móvel
Fase 
estacionária
Amostra
19
MÉTODOS
Figura 4: Estrutura de funcionamento de um HPLC FONTE: Laboratory Journal Figura 5: Imagem do HPLC presente 
no IFRJ. FONTE: Autores.
Análise do HPLC
20
MÉTODOS
● Temperatura ambiente;
● Gradiente linear;
● Fases móveis
● Feito em 220 nm (AI e AIII);
● Feito em 276 nm (AII)
● Volume de 10 uL;
Água com Acetonitrila de 60 á 76% (0-20 min)
Água com Acetonitrila de 76 á 100% (20-22 min)
Acetonitrila 100% (22-38min)
Cromatografia 
21
RESULTADOS
Figura 6: Os cromatogramas típicos da amostra BZ (A, B) e três padrões (C, D, E). Os picos de 1, 2 e 3 representam A-III, 
A-I e A-II, respectivamente.
 Análise de 
Componentes 
Principais (PCA)
22
MÉTODOS
Análise de Componentes Principais (PCA)
● Sumarizar os dados que contém muitas variáveis (p) por 
um conjunto menor de (k) variáveis compostas 
derivadas a partir do conjunto original. 
p
n A n
k
x
PCA 
24
RESULTADOS
Figura 7: O diagrama de dispersão de PC1-PC2 com elipses de confiança de 68,3% para os dados espectrais do NIR por 
análise de PCA.
RESULTADOS
Como método de 
reconhecimento de padrões 
não supervisionado 
comumente usado, o PCA foi 
realizado primeiramente nos 
dados espectrais do NIR, que 
foram pré-processados pelo 
primeiro método de derivada e 
suavização de cinco pontos 
(1D5S). O diagrama de 
dispersão de PC1-PC2 com 
elipses de confiança de 68,3% 
foi mostrado na Fig. 4, onde 
pode ser visto que há um limite 
entre as amostras de BZ 
marcadas na cor escura e as 
outras duas categorias. Embora 
pareça que as amostras de BZ 
marcadas na cor escura 
(círculos magenta na Fig. 4) 
possam ser distinguidas pelo 
modelo PCA, as amostras de BZ 
coloridas claras (estrelas 
vermelhas) e moderadas 
(quadrados azuis) não podem 
ser bem separadas.
 Análise discriminante 
por mínimos quadrados 
parciais (PLS-DA)
25
MÉTODOS
Análise discriminante por mínimos quadrados parciais (PLS-DA)
METODOLOGIA
O PLS-DA foi utilizado para 
relacionar os espectros NIR aos 
rótulos de cores da BZ processada.
Em geral, os espectros consistem 
em algumas informações 
redundantes que possivelmente 
reduzem a precisão do modelo. Com 
a aplicação de métodos eficazes de 
seleção de comprimento de onda, o 
modelo terá melhor desempenho 
[24,25]. Neste estudo, vários 
métodos de seleção de comprimento 
de onda foram usados, incluindo 
InfFS, ECFS, MRMR, Relief-F, 
mutInfFS, FSVFS, Laplacian, MCFS, 
RFE, L0, fisher, UDFS, LLCFS e 
CFS. Todos esses catorze métodos 
foram adotados em uma caixa de 
ferramentas do FSLib_v6.0_2018 
[26].
O desempenho do modelo foi 
avaliado pelo teste de validação 
cruzada de não uso (também como 
teste de canivete) com o cálculo dos 
quatro parâmetros a seguir:
Nas Fórmulas (1) - (4), TP e TN 
representam positivos e negativos 
classificados corretamente, 
enquanto FP e FN representam 
positivos e negativos classificados 
incorretamente. Um método contra 
os outros foi adotado para 
transformar o problema múltiplo 
atual em um problema binário. Um 
bom modelo de classificação 
produziu valores mais altos de TPR, 
TNR e F1, mas menor ERR
● Relaciona espectro de NIR com rótulos de cores de BZ processada;
● Avalia o quão possivelmente preciso pode ser o método;
● Métodos de seleção de comprimento de onda: qual possui o melhor 
desempenho (14 métodos);
● Desempenho avaliado com teste devalidação e com 4 diferentes 
fórmulas
MÉTODOS
Análise discriminante por mínimos quadrados parciais (PLS-DA)
METODOLOGIA
O PLS-DA foi utilizado para 
relacionar os espectros NIR aos 
rótulos de cores da BZ processada.
Em geral, os espectros consistem 
em algumas informações 
redundantes que possivelmente 
reduzem a precisão do modelo. Com 
a aplicação de métodos eficazes de 
seleção de comprimento de onda, o 
modelo terá melhor desempenho 
[24,25]. Neste estudo, vários 
métodos de seleção de comprimento 
de onda foram usados, incluindo 
InfFS, ECFS, MRMR, Relief-F, 
mutInfFS, FSVFS, Laplacian, MCFS, 
RFE, L0, fisher, UDFS, LLCFS e 
CFS. Todos esses catorze métodos 
foram adotados em uma caixa de 
ferramentas do FSLib_v6.0_2018 
[26].
O desempenho do modelo foi 
avaliado pelo teste de validação 
cruzada de não uso (também como 
teste de canivete) com o cálculo dos 
quatro parâmetros a seguir:
Nas Fórmulas (1) - (4), TP e TN 
representam positivos e negativos 
classificados corretamente, 
enquanto FP e FN representam 
positivos e negativos classificados 
incorretamente. Um método contra 
os outros foi adotado para 
transformar o problema múltiplo 
atual em um problema binário. Um 
bom modelo de classificação 
produziu valores mais altos de TPR, 
TNR e F1, mas menor ERR
● TRP = TP/ (TP + FN) 
● TRN = TN/ (TN + FP)
● ERR= (FP + FN) / (TP+TN+FP+FN)
● F1 = 2 X TP / (2 X TP+FP+FN)
Onde:
TP e TN= positivos e 
negativos “corretos”
FP e FN= positivos e 
negativos “incorretos”
⬆TPR, TRN e F1 e menor 
ERR = melhor!
28
RESULTADO
S
Figura 7: O diagrama de dispersão de PC1-PC2 com elipses de confiança de 68,3% para os dados espectrais do NIR por 
análise de PCA.
Figura 8: Comparação de resultados por modelos PLS-DA com vários métodos de pré-tratamento.
Figura 9: Comparação de resultados por modelos PLS-DA com vários métodos de seleção de recursos.
PLS-DA 
 Modelos quantitativos
29
30
RESULTADOS
Na análise por HPLC, o conteúdo varia 
de três atractilenolidos em
as amostras de BZ foram determinadas 
como 0,08-0,85 (%), 0,10-0,52 (%) e
0,07-0,93 (%). As médias foram de 
0,29%, 0,25%, 0,36% e os desvios 
padrão foram de 0,16%, 0,08%, 0,21%, 
respectivamente. Com o objetivo de 
determinar rapidamente o conteúdo de 
três atractilenolidos, os modelos PLSR 
baseados
nos dados espectrais NIR foram 
estabelecidos.
Na Tabela 4, pode-se observar que, 
como para A-I, o modelo com a
espectros produziram resultados de 
calibração de R2
C = 0,9584, RMSEC = 0,0332%,
MAEC = 0,0265%, enquanto os 
resultados da previsão se deterioraram 
para R2
P =
0,3392, RMSEP = 0,1017%, MAEP = 
0,0768% e o valor de RPD foi
tão baixo quanto 1.2658. Os resultados 
da calibração foram muito melhores que 
os resultados da previsão, e fenômenos 
semelhantes também foram observados 
para outros
dois atractilenolidos. Tais resultados 
indicaram que os modelos estavam 
ausentes
boa robustez, e pode ocorrer o excesso 
de ajuste. Portanto, dois métodos de 
seleção de recursos foram utilizados para 
eliminar as informações redundantes
no espectro completo e para melhorar a 
confiabilidade e robustez do modelo.
No implemento de PSO e GA, a função 
fitness foi definida como a
diferença absoluta entre RMSEC e 
RMSEP e outros parâmetros
foram usados com os valores padrão.
Como pode ser visto na Tabela 4, com o 
auxílio de PSO e GA, os modelos
teve um desempenho muito melhor que o 
FULL-PLSR original. Especialmente para 
o
GA-PLSR, os modelos produziram R2
P = 0,9764, RMSEP = 0,0192, MAEP =
0,0169 e RPD = 6,6994 além de R2
C = 0,9527, RMSEC =
0,0354, MAEC = 0,0293 como A-I. 
Quanto aos outros dois
atractylenolides, também foram obtidos 
resultados muito satisfatórios. Fig. 5
ilustra os gráficos de dispersão de 
medições de referência e previsões de 
NIR para o conteúdo de três 
atractilenólidos usando os modelos 
GAPLSR. Quanto mais próximos os 
pontos da linha diagonal, melhor
o modelo executa. Na Fig. 5 pode-se 
observar que todos os dados
pontos agrupados perto das linhas 
diagonais. Enquanto isso, conforme 
relatado
em nosso artigo anterior [16] e sugerido 
na Ref [32], o modelo quantitativo possui 
boa capacidade de previsão ao produzir 
o valor de RPD
maior que 3 e valor da inclinação entre 
0,9 e 1,1. Todos os resultados da Tabela 
4 e Fig. 5 demonstraram que os modelos 
GA-PLSR
possui boa robustez e excelente precisão 
de previsão em relação
os espectros NIR para o conteúdo de três 
atractilenolidos na BZ
amostras.
●
31
RESULTADOS
Na análise por HPLC, o conteúdo varia 
de três atractilenolidos em
as amostras de BZ foram determinadas 
como 0,08-0,85 (%), 0,10-0,52 (%) e
0,07-0,93 (%). As médias foram de 
0,29%, 0,25%, 0,36% e os desvios 
padrão foram de 0,16%, 0,08%, 0,21%, 
respectivamente. Com o objetivo de 
determinar rapidamente o conteúdo de 
três atractilenolidos, os modelos PLSR 
baseados
nos dados espectrais NIR foram 
estabelecidos.
Na Tabela 4, pode-se observar que, 
como para A-I, o modelo com a
espectros produziram resultados de 
calibração de R2
C = 0,9584, RMSEC = 0,0332%,
MAEC = 0,0265%, enquanto os 
resultados da previsão se deterioraram 
para R2
P =
0,3392, RMSEP = 0,1017%, MAEP = 
0,0768% e o valor de RPD foi
tão baixo quanto 1.2658. Os resultados 
da calibração foram muito melhores que 
os resultados da previsão, e fenômenos 
semelhantes também foram observados 
para outros
dois atractilenolidos. Tais resultados 
indicaram que os modelos estavam 
ausentes
boa robustez, e pode ocorrer o excesso 
de ajuste. Portanto, dois métodos de 
seleção de recursos foram utilizados para 
eliminar as informações redundantes
no espectro completo e para melhorar a 
confiabilidade e robustez do modelo.
No implemento de PSO e GA, a função 
fitness foi definida como a
diferença absoluta entre RMSEC e 
RMSEP e outros parâmetros
foram usados com os valores padrão.
Como pode ser visto na Tabela 4, com o 
auxílio de PSO e GA, os modelos
teve um desempenho muito melhor que o 
FULL-PLSR original. Especialmente para 
o
GA-PLSR, os modelos produziram R2
P = 0,9764, RMSEP = 0,0192, MAEP =
0,0169 e RPD = 6,6994 além de R2
C = 0,9527, RMSEC =
0,0354, MAEC = 0,0293 como A-I. 
Quanto aos outros dois
atractylenolides, também foram obtidos 
resultados muito satisfatórios. Fig. 5
ilustra os gráficos de dispersão de 
medições de referência e previsões de 
NIR para o conteúdo de três 
atractilenólidos usando os modelos 
GAPLSR. Quanto mais próximos os 
pontos da linha diagonal, melhor
o modelo executa. Na Fig. 5 pode-se 
observar que todos os dados
pontos agrupados perto das linhas 
diagonais. Enquanto isso, conforme 
relatado
em nosso artigo anterior [16] e sugerido 
na Ref [32], o modelo quantitativo possui 
boa capacidade de previsão ao produzir 
o valor de RPD
maior que 3 e valor da inclinação entre 
0,9 e 1,1. Todos os resultados da Tabela 
4 e Fig. 5 demonstraram que os modelos 
GA-PLSR
possui boa robustez e excelente precisão 
de previsão em relação
os espectros NIR para o conteúdo de três 
atractilenolidos na BZ
amostras.
●
32
RESULTADOS
Na análise por HPLC, o conteúdo varia 
de três atractilenolidos em
as amostras de BZ foram determinadas 
como 0,08-0,85 (%), 0,10-0,52 (%) e
0,07-0,93 (%). As médias foram de 
0,29%, 0,25%, 0,36% e os desvios 
padrão foram de 0,16%, 0,08%, 0,21%, 
respectivamente. Com o objetivo de 
determinar rapidamente o conteúdo de 
três atractilenolidos, os modelos PLSR 
baseados
nos dados espectrais NIR foram 
estabelecidos.
Na Tabela 4, pode-se observar que, 
como para A-I, o modelo com a
espectros produziram resultados de 
calibração de R2
C = 0,9584, RMSEC = 0,0332%,
MAEC = 0,0265%, enquanto os 
resultados da previsão se deterioraram 
para R2
P =
0,3392, RMSEP = 0,1017%, MAEP = 
0,0768% e o valor de RPD foi
tão baixo quanto 1.2658. Os resultados 
da calibração foram muito melhores que 
os resultados da previsão, e fenômenos 
semelhantes também foram observados 
para outros
dois atractilenolidos. Tais resultados 
indicaram que os modelos estavam 
ausentesboa robustez, e pode ocorrer o excesso 
de ajuste. Portanto, dois métodos de 
seleção de recursos foram utilizados para 
eliminar as informações redundantes
no espectro completo e para melhorar a 
confiabilidade e robustez do modelo.
No implemento de PSO e GA, a função 
fitness foi definida como a
diferença absoluta entre RMSEC e 
RMSEP e outros parâmetros
foram usados com os valores padrão.
Como pode ser visto na Tabela 4, com o 
auxílio de PSO e GA, os modelos
teve um desempenho muito melhor que o 
FULL-PLSR original. Especialmente para 
o
GA-PLSR, os modelos produziram R2
P = 0,9764, RMSEP = 0,0192, MAEP =
0,0169 e RPD = 6,6994 além de R2
C = 0,9527, RMSEC =
0,0354, MAEC = 0,0293 como A-I. 
Quanto aos outros dois
atractylenolides, também foram obtidos 
resultados muito satisfatórios. Fig. 5
ilustra os gráficos de dispersão de 
medições de referência e previsões de 
NIR para o conteúdo de três 
atractilenólidos usando os modelos 
GAPLSR. Quanto mais próximos os 
pontos da linha diagonal, melhor
o modelo executa. Na Fig. 5 pode-se 
observar que todos os dados
pontos agrupados perto das linhas 
diagonais. Enquanto isso, conforme 
relatado
em nosso artigo anterior [16] e sugerido 
na Ref [32], o modelo quantitativo possui 
boa capacidade de previsão ao produzir 
o valor de RPD
maior que 3 e valor da inclinação entre 
0,9 e 1,1. Todos os resultados da Tabela 
4 e Fig. 5 demonstraram que os modelos 
GA-PLSR
possui boa robustez e excelente precisão 
de previsão em relação
os espectros NIR para o conteúdo de três 
atractilenolidos na BZ
amostras.
●
33
Na análise por HPLC, o conteúdo varia 
de três atractilenolidos em
as amostras de BZ foram determinadas 
como 0,08-0,85 (%), 0,10-0,52 (%) e
0,07-0,93 (%). As médias foram de 
0,29%, 0,25%, 0,36% e os desvios 
padrão foram de 0,16%, 0,08%, 0,21%, 
respectivamente. Com o objetivo de 
determinar rapidamente o conteúdo de 
três atractilenolidos, os modelos PLSR 
baseados
nos dados espectrais NIR foram 
estabelecidos.
Na Tabela 4, pode-se observar que, 
como para A-I, o modelo com a
espectros produziram resultados de 
calibração de R2
C = 0,9584, RMSEC = 0,0332%,
MAEC = 0,0265%, enquanto os 
resultados da previsão se deterioraram 
para R2
P =
0,3392, RMSEP = 0,1017%, MAEP = 
0,0768% e o valor de RPD foi
tão baixo quanto 1.2658. Os resultados 
da calibração foram muito melhores que 
os resultados da previsão, e fenômenos 
semelhantes também foram observados 
para outros
dois atractilenolidos. Tais resultados 
indicaram que os modelos estavam 
ausentes
boa robustez, e pode ocorrer o excesso 
de ajuste. Portanto, dois métodos de 
seleção de recursos foram utilizados para 
eliminar as informações redundantes
no espectro completo e para melhorar a 
confiabilidade e robustez do modelo.
No implemento de PSO e GA, a função 
fitness foi definida como a
diferença absoluta entre RMSEC e 
RMSEP e outros parâmetros
foram usados com os valores padrão.
Como pode ser visto na Tabela 4, com o 
auxílio de PSO e GA, os modelos
teve um desempenho muito melhor que o 
FULL-PLSR original. Especialmente para 
o
GA-PLSR, os modelos produziram R2
P = 0,9764, RMSEP = 0,0192, MAEP =
0,0169 e RPD = 6,6994 além de R2
C = 0,9527, RMSEC =
0,0354, MAEC = 0,0293 como A-I. 
Quanto aos outros dois
atractylenolides, também foram obtidos 
resultados muito satisfatórios. Fig. 5
ilustra os gráficos de dispersão de 
medições de referência e previsões de 
NIR para o conteúdo de três 
atractilenólidos usando os modelos 
GAPLSR. Quanto mais próximos os 
pontos da linha diagonal, melhor
o modelo executa. Na Fig. 5 pode-se 
observar que todos os dados
pontos agrupados perto das linhas 
diagonais. Enquanto isso, conforme 
relatado
em nosso artigo anterior [16] e sugerido 
na Ref [32], o modelo quantitativo possui 
boa capacidade de previsão ao produzir 
o valor de RPD
maior que 3 e valor da inclinação entre 
0,9 e 1,1. Todos os resultados da Tabela 
4 e Fig. 5 demonstraram que os modelos 
GA-PLSR
possui boa robustez e excelente precisão 
de previsão em relação
os espectros NIR para o conteúdo de três 
atractilenolidos na BZ
amostras.
●
Obrigada!
34
Conclusões e Observações
Bibliografia
35
● Y.W. Zhu, X.Y. Chen, S.M. Wang, S.W. Liang, C. Chen, Simultaneous measurement of contents of 
liquirtin and glycyrrhizic acid in liquorice based on near infrared spectroscopy, Spectrochim. 
Acta A 196 (2018) 209–214.
● J. G. Sabin1. M. F. Ferrão, J. C. Furtado. Análise multivariada aplicada na identificação de 
fármacos antidepressivos. Parte II: Análise por componentes principais (PCA) e o método de 
classificação SIMCA .
● S. R. P. Garcia. A. C. Neto. S. R. Oro. F. Beltrão, T. R. Mafioleti, C. N. Junior. MODELO DE 
REGRESSÃO POR MÍNIMOS QUADRADOS PARCIAIS PARA DADOS DE MONITORAMENTO DE 
BARRAGENS
● Rambo, M. K. D.;* Ferreira, M. M. C. Análise de Resíduos Lignocelulósicos por Espectroscopia 
NIR Associada a Pré-tratamentos Multivariados Dentro do Contexto de Química Verde