Baixe o app para aproveitar ainda mais
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
Compartilhar