...

Controle de qualidade de azeite de oliva extra virgem e misturas

by user

on
Category: Documents
8

views

Report

Comments

Transcript

Controle de qualidade de azeite de oliva extra virgem e misturas
UNIVERSIDADE FEDERAL DE MINAS GERAIS
INSTITUTO DE CIÊNCIAS EXATAS
DEPARTAMENTO DE QUÍMICA
Júnia de Oliveira Alves
Controle de qualidade de azeite de oliva extra virgem e
misturas diesel/biodiesel utilizando espectrometria de massas
e validação multivariada
BELO HORIZONTE
2014
UFMG/ICEx/DQ. 1043ª
T. 472ª
Júnia de Oliveira Alves
Controle de qualidade de azeite de oliva extra virgem e misturas diesel/biodiesel
utilizando espectrometria de massas e validação multivariada
Tese apresentada ao Departamento de
Química do Instituto de Ciências Exatas
da Universidade Federal de Minas
Gerais como requisito parcial para a
obtenção do grau de Doutor – Ciências
Química.
BELO HORIZONTE
2014
Dados Internacionais de Catalogação na Publicação (CIP)
A474c
Alves, Júnia de Oliveira.
Controle de Qualidade de Azeite de Oliva Extra Virgem e
Misturas Diesel/Biodiesel Utilizando Espectrometria de Massas
e Validação Multivariada. / Júnia de Oliveira Alves
124p. : il. color.
Orientador: Prof. Rodinei Augusti
Coorientador: Prof.Marcelo Martins de Sena
Tese de doutorado - Universidade Federal de Minas Gerais.
Inclui bibliografia.
1. Azeite de Oliva 2.Diesel b 3. Espectrometria de massas
4. Quimiometria I. Augusti,Rodinei, Orientador II. Sena,
Marcelo Martins de. III Título
CDU 043
Elaborada por: Sérgio Ferreira da Silva. CRB6-2919
Dedico este trabalho aos meus pais, Jorge e Lurdinha, em especial à minha mãe que
sempre me incentivou e mesmo nos momentos mais delicados da sua vida sempre
esteve firme e de cabeça erguida, um exemplo para mim...
AGRADECIMENTOS
A Deus pela vida, força e fé, pois nada disso seria possível se ele não estivesse
cuidando de mim durante a caminhada.
Aos meus pais pelo amor que não tem medida, por serem exemplo de vida e por
sempre me guiarem pelo caminho do bem. Infelizmente minha querida mãe se
transformou em um anjo e hoje não está presente de corpo para comemorar comigo a
conclusão do trabalho, mas sempre estará presente no meu coração.
Ao meu marido, amor da minha vida, por ter sido meu porto seguro no momento
mais triste da minha vida e por ter me ajudado a levantar a cabeça quando achei que não
daria conta de continuar. A ele também agradeço pelos fins de semana trabalhando
juntos, chegando até às 2:00 da manhã operando o fleet.
Aos meus filhos Augusto e Beatriz por encherem nossa casa de alegria
impulsionando a vida para frente de maneira milagrosa.
Aos meus irmãos pela amizade e companheirismo.
Ao prof. Rodinei pelos valiosos ensinamentos, por todo o carinho, pelo exemplo
de vida, dedicação ao trabalho e por ser tão presente e paciente.
Ao prof. Marcelo por ter aceitado fazer parte do trabalho, pelos ensinamentos e
principalmente pela confiança.
À fapemig EDT PRONEX 479/07 pela compra do equipamento LCQ-Fleet.
Ao prof. Marcos Erbelin e ao Jandyson pela ajuda nas análises com EASI-MS.
Ao Júlio pela ajuda nas análises com IT-TOF-MS e pela convivência
maravilhosa por três anos e meio.
Aos meus amigos Bruno e Cristina pelas valiosas discussões sobre
quimiometria.
Aos amigos Karla, Vanessa, Renata, Isabela, Amauri, Helvécio, Miriany, Bulé,
Janaina, Bruna e Alberto pela ótima convivência no laboratório.
Aos amigos do DQ: Frank, Liliane, Patrícia, Elisangela, Meiriane, Ana Paula,
Bruno, Leonel, Jaqueline, Rose, Silvéria, Camila, Keila, Leandro e Roberta pelo
carinho.
Aos colegas que conheci no DQ e que se tornaram grandes amigos: Raquel,
Luis, Taiane, Beatriz, Núbia e Poly, eu agradeço pela força!
Às meninas da secretaria, em especial a Paulete e Liliam por toda a paciência
durante os anos.
Ao CNPq e CAPES pela bolsa de doutorado.
Enfim, agradeço a todos que de forma direta ou indireta contribuíram para a
realização deste trabalho.
O que conduz o mundo é o espírito e não a inteligência.
Antoine de Saint-Exupéry
SUMÁRIO
RESUMO .............................................................................................................................................. 3
ABSTRACT .......................................................................................................................................... 4
LISTA DE ABREVIATURAS ............................................................................................................. 5
LISTA DE FIGURAS ........................................................................................................................... 7
LISTA DE TABELAS ........................................................................................................................ 10
CAPITULO 1 – RELEVÂNCIA DO TRABALHO ........................................................................... 12
1.1 UNIÃO DA ESPECTROMETRIA DE MASSAS E VALIDAÇÃO MULTIVARIADA .......................................... 13
CAPITULO 2 – REVISÃO BIBLIOGRÁFICA ................................................................................ 14
2.1 ESPECTROMETRIA DE MASSAS .......................................................................................................... 15
2.1.1 Ionização por Electrospray - ESI ............................................................................................. 16
2.1.2 Ionização por Easy Ambient Sonic-Spray - EASI ..................................................................... 18
2.1.3 Analisadores de massas ............................................................................................................ 20
2.2 QUIMIOMETRIA ................................................................................................................................. 21
2.2.1 Calibração Multivariada por Mínimos Quadrados Parciais - PLS.......................................... 22
2.2.1.1 Correção do sinal ortogonal - OSC ..................................................................................................... 23
2.2.1.2 Detecção de amostras anômalas ....................................................................................................... 24
2.2.2 Análise Discriminante por Mínimos Quadrados Parciais PLS-DA.......................................... 24
2.2.3 Validação Analítica Multivariada ............................................................................................ 25
2.2.3.1 Sinal analítico líquido – NAS .............................................................................................................. 25
2.2.3.1 Figuras de Mérito............................................................................................................................... 26
CAPITULO 3 - OBJETIVOS GERAIS E ESPECÍFICOS ............................................................... 33
3.1 OBJETIVOS GERAIS ........................................................................................................................... 34
3.2 OBJETIVOS ESPECÍFICOS ................................................................................................................... 34
CAPITULO 4 -IDENTIFICAÇÃO E QUANTIFICAÇÃO DE ÓLEOS ADULTERANTES EM
AZEITE DE OLIVA EXTRA VIRGEM ........................................................................................... 35
4.1 INTRODUÇÃO .................................................................................................................................... 36
4.2 DESENVOLVIMENTO DE UM MODELO PLS2-DA E MODELOS PLS A PARTIR DE DADOS DE ESI-MS
OBTIDOS NUM ESPECTRÔMETRO DE MASSAS DE BAIXA RESOLUÇÃO ....................................................... 39
4.2.1 Objetivos ................................................................................................................................... 39
4.2.2 Parte experimental.................................................................................................................... 39
4.2.2.1 Amostras ............................................................................................................................................ 39
4.2.2.2 Preparo de amostras ......................................................................................................................... 40
4.2.2.3 Obtenção dos Espectros de Massas................................................................................................... 41
4.2.2.4 Tratamento dos dados ....................................................................................................................... 41
4.2.3 Resultados ................................................................................................................................. 42
4.2.3.1 Análise dos espectros de massas nos modos positivo e negativo ..................................................... 42
4.2.3.1 Classificação das amostras de azeite ................................................................................................. 46
1
4.2.3.2 Quantificação de óleos adulterantes em azeite de oliva extra virgem .............................................. 54
4.3 DESENVOLVIMENTO DE MODELOS PLS COM DADOS DE ESI-MS DE ALTA RESOLUÇÃO – ESI-HRMS
............................................................................................................................................................... 76
4.3.1 Objetivo .................................................................................................................................... 76
4.3.2 Parte experimental.................................................................................................................... 76
4.3.2.1 Amostras ............................................................................................................................................ 76
4.3.2.2 Preparo de amostras ......................................................................................................................... 77
4.3.2.3 Obtenção dos espectros de massas ................................................................................................... 77
4.3.2.4 Tratamento dos dados ....................................................................................................................... 78
4.3.3 Resultados ................................................................................................................................. 78
4.3.3.1 Análise dos espectros de massas nos modos positivo e negativo ..................................................... 78
4.3.3.2 Quantificação de óleo de girassol em azeite de oliva extra virgem ................................................... 82
4.4 DESENVOLVIMENTO DE MODELOS PLS COM DADOS DE EASI-MS ................................................... 90
4.4.1 Objetivo .................................................................................................................................... 90
4.4.2 Parte experimental.................................................................................................................... 90
4.4.2.1 Amostras ............................................................................................................................................ 90
4.4.2.2 Obtenção dos Espectros de Massas................................................................................................... 90
4.4.2.3 Tratamento dos dados ....................................................................................................................... 91
4.4.3 Resultados ................................................................................................................................. 91
4.4.3.1 Análise dos espectros de massas nos modos positivo e negativo ..................................................... 91
4.3.3.2 Quantificação de óleo de girassol em azeite de oliva extra virgem ................................................... 93
4.5 CONCLUSÕES PARCIAIS ........................................................................................................................... 98
CAPITULO 5 - QUANTIFICAÇÃO DE BIODIESEL EM DIESEL.............................................. 100
5.1 INTRODUÇÃO...................................................................................................................................... 101
5.2 OBJETIVO .......................................................................................................................................... 103
5.3 PARTE EXPERIMENTAL .......................................................................................................................... 104
5.3.1 Amostras ................................................................................................................................. 104
5.3.2 Preparo de amostras............................................................................................................... 104
5.3.3 Obtenção dos espectros de massas ........................................................................................ 105
5.3.4 Tratamento dos dados ............................................................................................................ 105
5.4 RESULTADOS ...................................................................................................................................... 105
5.4.1 Quantificação de biodiesel em diesel...................................................................................... 107
5.5 CONCLUSÕES PARCIAIS ......................................................................................................................... 111
CAPITULO 6 - CONCLUSÃO FINAL ........................................................................................... 112
CAPITULO 7 – REFERENCIAS BIBLIOGRÁFICAS .................................................................. 113
2
RESUMO
Visando a possibilidade de união de técnicas modernas de espectrometria de massas,
(espectrometria de massas com ionização eletrospray-ESI-MS e espectrometria de massas com
ionização easy ambiente sonic spray-EASI-MS), com ferramentas quimiométricas, (PLS
regressão por mínimos quadrados parciais do inglês, Partial Least Squares) e PLS-DA (análise
discriminante por mínimos quadrados parciais, Partial Least Squares Discriminant
Analysis), o presente trabalho foi desenvolvido para análise de azeite de oliva extra virgem e
diesel b (misturas diesel/biodiesel). Os resultados foram organizados em dois capítulos, um
destinado ao controle de qualidade do azeite de oliva extra virgem, capitulo 4, e o outro voltado
ao controle de qualidade do diesel b, capitulo 5.
Um modelo PLS2-DA foi desenvolvido, com dados de ESI-MS, para a classificação de
sete classes de azeite de oliva (extra virgem, puro e adulterado com cinco tipos de óleos
adulterantes). O melhor modelo foi construído com oito varáveis latentes e apresentou bons
valores de sensibilidade qualitativa (1,000) e especificidade (0,967-1,000) para os conjuntos de
treinamento e teste. Foi desenvolvido também 10 modelos PLS para quantificação de óleos
adulterantes (soja, milho, girassol e canola) sendo dois deles construídos com dados obtidos de
um espectrômetro de massas de alta resolução ESI-HRMS e um modelo construído a partir de
dados de EASI(+)-MS. Os modelos foram validados por meio de algumas figuras de mérito e
todos os modelos têm comportamento linear e não apresentaram erros sistemáticos. Calcularamse os erro médio quadrático de calibração e previsão (RMSEC e RMSEP) dos modelos que
variaram de 0,55 a 1,47 % m/m e 1,01 a 1,98 % m/m, respectivamente. Os limites de detecção e
quantificação variaram de 0,1 a 0,7 %m/m e 0,3 a 1,39 % m/m, respectivamente. A relação de
desempenho do desvio (RPD) para os conjuntos de calibração e validação também foram
avaliados, figura de mérito que representa a capacidade preditiva do modelo e variaram de 1,4 a
5,6 e 2,94 a 5,5, sendo que apenas um modelo ficou com o RDP abaixo de 2,5.
Um modelo foi construído com dados de ESI-MS para quantificação de biodiesel em
diesel e também foi validado da mesma maneira como descrito acima, apresentando
desempenho semelhante aos modelos de quantificação de óleos adulterantes em azeite de oliva.
As metodologias proposta se mostraram bastante promissoras, por serem simples e
rápidas. Todos os modelos apresentaram alta eficiência podendo ser usados no controle de
qualidade de amostras de azeite de oliva extra virgem e diesel b.
Palavras-chave: Controle de Qualidade, Azeite de Oliva extra virgem, adulteração, Diesel b,
ESI-MS, EASI-MS, PLS, PLS-DA, Validação Multivariada.
3
ABSTRACT
Title: Quality control of olive oil extra virgin and diesel / biodiesel blends using
modern techniques of mass spectrometry and multivariate validation
Aiming at merging modern mass spectrometry techniques (electrospray
ionization mass spectrometry - ESI-MS and easy ambient sonic-spray ionization mass
spectrometry -EASI-MS) with chemometric methods (partial least squares -PLS and
partial least squares discriminant analysis PLS-DA) the present work was developed for
quality control of extra virgin olive oil and diesel b (blends diesel/biodiesel). The
chapters were organized as following indicated:
Chapter 4 was designed for quality control of extra virgin olive oil. A PLS2-DA
model was developed basead on ESI-MS data, for classification of seven classes of
olive oil (ordinary olive oil, extra virgin olive oil and adulterated with five adulterants
oils). The best model was built with eight latent variables and showing good sensitivity
(1.000) and specificity (0.967 – 1.000) values for the training and test sets. PLS models
were also built, with seven models built with ESI-MS data, two models with data from a
mass spectrometer for high resolution ESI-HRMS and a model constructed from data
EASI (+)-MS. The 10 models were constructed for the quantification of adulterants oils
( soybean, corn, sunflower and canola) in extra virgin olive oil. The models were
validated by means of some figures of merit, was evaluated in models linearity, bias,
accuracy, precision, selectivity, sensitivity and analytical sensitivity, limits of detection
and quantification and Residual Prediction Deviation (RPD).
Chapter 5 was intended for diesel b quality control ESI-MS data was used to
construct a model for quantification of biodiesel in diesel. This model was also
validated similarly as above mentioned.
The proposed methods are promising because they are simple and fast. All
models showed high efficiency and can be used in quality control of samples of extra
virgin olive oil and biesel b.
Keywords: Quality Control, Extra Virgin olive oil, Adulteration, Diesel b, ESI-MS, EASI-MS,
PLS, PLS-DA, Multivariate Validation.
4
LISTA DE ABREVIATURAS
ABNT
Associação Brasileira de Normas Técnicas
ANP
Agência Nacional do Petróleo, Gás Natural e Biocombustíveis
ANVISA
Agência Nacional de Vigilância Sanitária
ASTM
American Society for Testing and Materials
B0
Diesel puro
B100
Biodiesel puro
CCD
Cromatografia em Camada Delgada
COI
Conselho Oleícola Internacional
DESI
Ionização e dessorção por electrospray, Desorption Electrospray Ionization
EASI
Ionização por Easy Ambient Sonic-Spray, Easy Ambient Sonic-Spray Ionization
ER
Erro Relativo
ESI
Ionização por Electrospray, Electrospray Ionization
HRMS
Espectrometria massas de alta resolução, High Resolution Mass Spectrometry
ICS
International Chemometrics Society
LD
Limite de detecção
LEC
Laboratório de ensaios de combustíveis
LQ
Limite de quantificação
MALDI
Ionização e dessorção a laser assistida por matriz, Matrix assisted laser
desorption ionization
MRL
Regressão linear multipla, Multiple Linear Regression
NAS
Sinal analítico líquido, Net Analyte Signal
OSC
Correção do sinal ortogonal, Orthogonal Signal Correction
PCR
Regressão por componentes principais, Principal Component Regression
PLS
Mínimos quadrados parciais, Partial least squares
PLS-DA
Análise discriminante por mínimos quadrados parciais, Partial Least Squares
Discriminant Analysis
REGAP
Refinaria Gabriel Passos - Betim/MG
RMSEC
Raiz quadrada dos erros médios quadrados da calibração, Root Mean
Square Error of Calibration
RMSECV Raiz quadrada dos erros médios quadrados da validação cruzada, Root Mean
5
Square Error of Cross Validation
RMSEP
Raiz quadrada dos erros médios quadrados de previsão, Root Mean
Square Error of Prediction
RPD
Relação de desempenho do desvio, Residual Prediction Deviation
VL
Variável Latente
6
LISTA DE FIGURAS
Figura 1: Esquema dos Constituintes básicos de um espectrômetro de massas .......................... 15
Figura 2: Representação do processo de ionização por electrospray e formação do cone de
Taylor. [16]-adaptada. ................................................................................................................. 17
Figura 3: Representação do processo de ionização EASI [12].................................................... 19
Figura 4: Representação vetorial do NAS [42]. .......................................................................... 26
Figura 5: Construção da matriz X a partir de dados coletados nos espectros de massas. ........... 41
Figura 6: ESI(+)-MS referentes às amostras de azeite de oliva extra virgem (a), azeite de oliva
puro (b), óleo de soja (c), óleo de milho (d), óleo de girassol (e) e óleo de canola (f)................ 43
Figura 7: ESI(-)-MS referente às amostras de azeite de oliva (a), óleo de soja (b), óleo de milho
(c), óleo de girassol (d) e óleo de canola (e). .............................................................................. 45
Figura 8: Representação esquemática indicando as classes utilizadas no modelo de classificação
PLS-DA. ...................................................................................................................................... 46
Figura 9: Gráficos de classificação para as sete classes: OEV (●); OP (▲); OEV/SO (♦);
OEV/MI (▼); OEV/GI (■); OEV/CA (►); OEV/OP (*). .......................................................... 48
Figura 10: Vetores dos coeficientes de regressão do modelo PLS2-DA: (a) OEV, (b) OP, (c)
OEV/SO, (d) OEV/MI, (e) OEV/GI, (f) OEV/CA e (g) OEV/OP. ............................................. 51
Figura 11: Estratégia quimiométrica utilizada para a identificação e a quantificação de
adulterantes em azeite de OEV. .................................................................................................. 54
Figura 12: Coeficientes de regressão dos modelos de quantificação de óleo de a) SO, b) MI, c)
GI e d) CA em azeite de OEV. .................................................................................................... 57
Figura 13: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de SO em azeite de OEV construído a partir
de dados de ESI(+)-MS. .............................................................................................................. 58
Figura 14: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo MI em azeite de OEV construído a partir de
dados de ESI(+)-MS. ................................................................................................................... 59
Figura 15: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo GI em azeite de OEV construído a partir de
dados de ESI(+)-MS. ................................................................................................................... 60
Figura 16: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de CA em azeite de OEV construído a partir
de dados de ESI(+)-MS. .............................................................................................................. 62
7
Figura 17: Coeficientes de regressão dos modelos de quantificação de óleo de SO (a), MI (b) e
GI (c) em azeite de OEV para os modelos construídos a partir de dados de ESI(-)-MS. ........... 68
Figura 18: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de SO em azeite de OEV construído a partir
de dados de ESI(-)-MS. ............................................................................................................... 69
Figura 19: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de MI em azeite de OEV construído a partir
de dados de ESI(-)-MS. ............................................................................................................... 70
Figura 20 Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de ESI(-)-MS..................................................................................................................... 71
Figura 21: ESI(+)-HRMS referente à amostra de azeite de oliva extra virgem. ......................... 79
Figura 22: ESI(+)-HRMS referente à amostra de óleo de girassol. ............................................ 79
Figura 23: ESI(-)-HRMS referente à amostra de azeite de oliva extra virgem. .......................... 79
Figura 24: ESI(-)-HRMS referente à amostra de óleo de girassol. ............................................. 80
Figura 25: Coeficiente de regressão dos modelos de quantificação de óleo de GI em azeite de
OEV obtido do modelo construído com dados ESI(+)-HRMS. .................................................. 83
Figura 26: Coeficiente de regressão dos modelos de quantificação de óleo de GI em azeite de
OEV - obtido do modelo construído com dados ESI(-)-HRMS. ................................................ 84
Figura 27: Ajuste dos valores preditos vs valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo GI em azeite de OEV construído a partir de
dados de ESI(+)-HRMS. ............................................................................................................. 85
Figura 28: Ajuste dos valores preditos vs valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo GI em azeite de OEV construído a partir de
dados de ESI(-)-HRMS. .............................................................................................................. 86
Figura 29: EASI(+)-MS referente à amostra de azeite de OEV: (a) Toda a faixa estudada e (b)
ampliação na região dos TAGs. .................................................................................................. 92
Figura 30: EASI(+)-MS referente à amostra de óleo de GI: (a) Toda a faixa estudada e (b)
ampliação na região dos TAGs. .................................................................................................. 92
Figura 31: EASI(-)-MS referente à amostra de azeite de OEV. .................................................. 93
Figura 32: EASI(-)-MS referente à amostra de óleo de GI. ........................................................ 93
Figura 33: Ajuste dos valores preditos vs valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo GI em OEV construído a partir de dados de
EASI(+)-MS. ............................................................................................................................... 94
8
Figura 34: Coeficiente de regressão do modelo de quantificação de óleo de girassol em azeite de
oliva extra virgem obtido dos dados de EASI(+)-MS. ................................................................ 95
Figura 35: Distribuição da não conformidade por item especificado para o diesel (Fonte: ANP,
dados de Maio de 2014). ........................................................................................................... 103
Figura 36: ESI(+)-MS referente à amostra de diesel................................................................. 106
Figura 37: ESI(+)-MS referente à amostra de biodiesel............................................................ 106
Figura 38: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de biodiesel em diesel construído a partir de dados de
ESI(+)-MS. ................................................................................................................................ 108
9
LISTA DE TABELAS
Tabela 1: Composição em ácido graxo do azeite de oliva .......................................................... 37
Tabela 2: Resultados obtidos para sensibilidade qualitativa, especificidade e gap dos conjuntos
de treinamento e teste para o modelo de classificação das sete classes estudadas ...................... 50
Tabela 3: Íons mais importantes para a classificação de cada grupo de amostras e uma possível
identificação para eles com base na literatura. ............................................................................ 53
Tabela 4: Número de amostras de validação e calibração e número de variáveis latentes para
cada modelo construído a partir de dados de ESI(+)-MS ........................................................... 56
Tabela 5: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de SO em azeite de OEV construído a partir de
dados de ESI(+)-MS. ................................................................................................................... 58
Tabela 6: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de MI em azeite de OEV construído a partir de
dados de ESI(+)-MS. ................................................................................................................... 60
Tabela 7: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de ESI(+)-MS. ................................................................................................................... 61
Tabela 8: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de CA em azeite de OEV construído a partir
de dados de ESI(+)-MS. .............................................................................................................. 62
Tabela 9: Figuras de mérito dos quatro modelos PLS construídos com os dados ESI(+)-MS (os
testes foram realizados a 95% de confiança)............................................................................... 66
Tabela 10: Número de amostras de validação e calibração e número de variáveis latentes para
cada modelo construído a partir de dados de ESI(-)-MS ............................................................ 67
Tabela 11: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de SO em azeite de OEV construído a partir de
dados de ESI(-)-MS..................................................................................................................... 69
Tabela 12: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de MI em azeite de OEV construído a partir de
dados de ESI(-)-MS..................................................................................................................... 70
Tabela 13: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de ESI(-)-MS..................................................................................................................... 72
Tabela 14: Figuras de mérito dos quatros modelos PLS construídos com dados ESI(-)-MS (os
testes foram realizados a 95% de confiança)............................................................................... 75
10
Tabela 15: Fórmula molecular, massa experimental e teórica, erro e DBE dos compostos
identificados por HRMS.............................................................................................................. 80
Tabela 16: Fórmulas molecular e estrutural dos compostos identificados por HRMS ............... 81
Tabela 17: Número de amostras de validação e calibração e número de variáveis latentes para os
modelos de quantificação de óleo de GI em azeite de OEV ....................................................... 82
Tabela 18: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de ESI(+)-HRMS .............................................................................................................. 85
Tabela 19: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de ESI(-)-HRMS ............................................................................................................... 87
Tabela 20: Figuras de mérito para validação dos modelos de quantificação de óleo de GI em
azeite de OEV construídos a partir de dados de ESI-RHMS ...................................................... 89
Tabela 21: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de EASI(+)-MS ................................................................................................................. 95
Tabela 22: Figuras de mérito para validação do modelo de quantificação de óleo de GI em azeite
de OEV construído a partir de dados de EASI(+)-MS ................................................................ 98
Tabela 23: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de biodiesel em diesel construído a partir de dados de
ESI(+)-MS. ................................................................................................................................ 108
Tabela 24: Figuras de mérito para validação do modelo de quantificação de biodiesel em diesel
construído a partir de dados de ESI(+)-MS. .............................................................................. 111
11
Capitulo 1 – Relevância do trabalho
12
1.1 União da espectrometria de massas e validação multivariada
O presente trabalho traz uma proposta inovadora de unir técnicas modernas de
espectrometria de massas, espectrometria de massas com ionização por electrospray(ESI-MS) e espectrometria de massas com ionização ambiente por sonic-spray (EASIMS), a tratamentos quimiométricos avançados para o controle de qualidade de dois
produtos, azeite de oliva extra virgem e misturas diesel/biodiesel (diesel B).
As técnicas ESI-MS e EASI-MS foram escolhidas por serem extremamente
sensíveis e fornecerem respostas rápidas. Por exemplo, com as técnicas ESI-MS e
EASI-MS foi possível analisar 120 e 240 amostras num único dia, respectivamente, sem
a necessidade de manipulações complexas.
Em química analítica, a rapidez na aquisição de dados espectrais, prontamente é
associada a métodos capazes de processar grande quantidade de dados e por isso surge a
ideia de se aplicar métodos quimiométricos aos dados de ESI-MS e EASI-MS. Não é a
primeira vez que a espectrometria de massas é utilizada para construir modelos de
classificação e calibração multivariada, mas, pela primeira vez um estudo de validação
multivariada é realizado. Para que fosse possível validar os métodos, o presente estudo
baseou-se em aspectos de validação univariada e, também, de validação de métodos
multivariados construídos com dados de espectrometria no infravermelho, técnica para a
qual o uso de calibração multivariada e validação multivariada são muito difundidos.
No presente trabalho foram validados modelos quantitativos e um modelo
qualitativo, construídos a partir de dados de espectrometria de massas. Os modelos PLS
e PLS-DA foram construídos para a análise de dois tipos de amostras, azeite de oliva
extra virgem adulterados com outros óleos vegetais e misturas diesel/biodiesel (diesel
B).
13
Capitulo 2 – Revisão bibliográfica
14
2.1 Espectrometria de Massas
A espectrometria de massas é uma técnica analítica de grande importância e
durante muitos anos foi empregada exclusivamente na elucidação de estruturas
orgânicas [1]. Mais recentemente, seu uso se difundiu e, juntamente com técnicas de
separação, ela tem sido utilizada para quantificação de moléculas conhecidas em
misturas complexas [2-5]. Recentemente, a espectrometria de massas ganhou novo
destaque, sendo utilizada em conjunto com métodos quimiométricos de análise
exploratória [6], classificação supervisionada [7] e calibração multivariada [8].
Os espectrômetros de massas são constituídos basicamente pelos seguintes
compartimentos (Figura 1):
Fonte de íons: onde as moléculas são ionizadas;
Analisador de massas: responsável pela medição das massas dos íons formados;
Detector: normalmente uma multiplicadora de elétrons, responsável pela
transformação dos íons em sinal elétrico (fluxo de elétrons) para posterior envio
ao sistema de dados [1].
Figura 1: Esquema dos Constituintes básicos de um espectrômetro de massas
Vários tipos de moléculas podem ser analisadas por espectrometria de massas,
visto que existem diversos tipos de fontes de ionização. Na ionização por elétrons (EI,
Electron Ionization), uma molécula na fase gasosa é bombardeada com um feixe de
elétrons de alta energia; há remoção de um elétron e a espécie iônica gerada
15
(denominada íon molecular, um cátion-radical) é instável e pode se fragmentar
(processo unimolecular). O resultado é registrado quantitativamente na forma de um
espectro de massas com a razão massa-carga de cada fragmento iônico e suas
respectivas intensidades relativas [9].
Em outra forma de ionização, a ionização química (CI, Chemical Ionization), a
amostra vaporizada é introduzida no espectrômetro de massas com um excesso de gás
reagente (normalmente metano); este gás é ionizado por colisão com elétrons de alta
energia e os íons gerados deste gás reagem com o analito. Normalmente, observa-se a
formação de espécies protonadas (modo positivo) ou desprotonadas (modo negativo).
Os íons gerados por CI são menos energéticos que os íons gerados por EI [9].
Outras formas de ionização, mais recentes, também são descritas na literatura,
por exemplo, MALDI (Matrix Assisted Laser Desorption Ionization) [10], ESI
(Electrospray Ionization), DESI (Desorption Electrospray Ionization) [11], EASI (Easy
Ambient Sonic-spray Ionization) [12], dentre outras. Neste trabalho as técnicas de
ionização utilizadas foram ESI e EASI.
2.1.1 Ionização por Electrospray - ESI
A ionização ESI foi citada pela primeira vez por Dole, em 1968, o qual sugeriu o
electrospray como um possível modo de ionização para espectrometria de massas, mas,
infelizmente, seus experimentos não foram convincentes. Mais tarde, Yamashita e Fenn
[13] demonstraram a aplicabilidade da técnica electrospray como um método de
ionização branda. Em 2002, John Fenn recebeu o prêmio Nobel em Química devido aos
avanços proporcionados pela técnica, como o sequenciamento de peptídeos [14].
A ESI é considerada uma técnica branda de ionização, pois os íons analisados
não possuem, normalmente, uma grande quantidade de energia interna. Devido ao fato
de não possuir muita energia, a espécie iônica não se fragmenta e, por isso, nos
espectros de massas gerados por este tipo de ionização é observado, geralmente, um
único íon referente à molécula de interesse. Na ionização por eletrospray a formação
dos íons está relacionada às propriedades químicas dos compostos: reações ácido-base,
complexação com cátions ou ânions e/ou reações redox [15].
16
Pela técnica ESI, uma solução é submetida a um spray eletrolítico sob pressão
atmosférica. Um fino spray se forma na presença de um alto campo elétrico e gotas com
excesso de carga (positiva ou negativa) são produzidas. A evaporação do solvente,
devido à ação do gás nebulizador, diminui o tamanho destas gotas e, consequentemente,
aumenta a repulsão eletrostática entre as cargas. A tensão superficial das gotas vai se
tornando cada vez menor até que a gota seja rompida (cone de Taylor) (Figura 2).
Eventualmente, gotas contendo apenas um íon são formadas e após toda a evaporação
do solvente, o íon é transferido para a fase gasosa. Podem também ser formadas gotas
com vários íons e estes são expelidos para a fase gasosa devido à alta repulsão entre
íons de mesma carga.
Figura 2: Representação do processo de ionização por electrospray e formação do cone de
Taylor. [16]-adaptada.
Neste tipo de ionização pode-se escolher se serão analisados íons positivos ou
negativos, dependendo se o analito em questão é mais susceptível a formar cátions ou
ânions em solução. Por exemplo, moléculas que possuem o grupo funcional ácido
carboxílico em sua estrutura geram, com facilidade, espécies desprotonadas (base
conjugada) em solução aquosa. Assim sendo, melhores resultados são obtidos quando se
trabalha no modo negativo de ionização. Espectros de massas obtidos nos modos
positivo e negativo são representados pelas siglas ESI(+)-MS e ESI(-)-MS,
respectivamente.
17
Os ESI-MS de amostras complexas geralmente apresentam vários sinais, cada
sinal referente a um íon de uma molécula presente na amostra. Os ESI-MS são
chamados fingerprints, ou seja, impressões digitais das amostras e podem ser utilizados
para diferenciação ou verificação de autenticidade. As respostas são rápidas e a
manipulação das amostras não envolve etapas complexas. Vários pesquisadores
trabalharam com obtenção de fingerprints de amostras complexas como extratos de
plantas [17], vinhos [18], cerveja [19], whisky [20], óleos essenciais [21], óleos
comestíveis [22], dentre outras. Muitas vezes, somente uma análise visual dos
fingerprints não permite uma análise completa. Então, este padrão de informação pode
ser utilizado na construção de modelos quimiométricos, os quais envolvem análise
exploratória (métodos não supervisionados) [6,23], métodos de classificação
supervisionada [7,24] e métodos de calibração multivariada. Os exemplos de calibração
multivariada aplicada em dados de ESI-MS encontrados na literatura são poucos, tais
como a quantificação de biodiesel em diesel [8,25], surfactantes em óleo [26],
biomarcadores de colesterol alto [27] e misturas de café robusta e arábica [28].
2.1.2 Ionização por Easy Ambient Sonic-Spray - EASI
A técnica EASI (Easy Ambient Sonic-Spray Ionization) é a mais simples dentre
as técnicas de ionização ambiente. Uma representação esquemática desta técnica é
mostrada na Figura 3. A ionização EASI ocorre sem a necessidade de aplicação de
voltagem, laser, descarga corona ou aquecimento. A técnica EASI se baseia na
ionização sonic-spray que cria microgotas de solvente carregadas devido à distribuição
aleatória e não balanceada de cátions e ânions. O fluxo destas microgotas promove a
dessorção do analito da superfície, a ionização e a transferência dos íons para a fase
gasosa [29-31].
A composição do solvente, a superfície de ionização, o gás de nebulização e a
polaridade do analito são parâmetros que afetam a formação de íons nesta técnica. Uma
variedade de superfícies tem sido empregada incluindo papel de envelope pardo, placas
de cromatografia em camada delgada (CCD) e vidro [16]. O solvente mais utilizado é o
metanol, mas outros solventes como acetonitrila ou uma mistura de metanol com água
18
também podem ser usados. Os solventes podem ser acidificados com ácido fórmico ou
basificados com amônia e o gás de nebulização usado é o nitrogênio.
Com a técnica EASI-MS também pode-se escolher se serão analisados íons
positivos ou negativos, da mesma maneira como é feito com a técnica ESI-MS.
Espectros de massas obtidos nos modos positivo e negativo são representados pelas
siglas EASI(+)-MS e EASI(-)-MS, respectivamente.
Figura 3: Representação do processo de ionização EASI [12].
A técnica EASI tem sido utilizada com sucesso na análise direta de superfície de
comprimidos [32], com ótimos resultados para fármacos como diazepam, atenolol e
outros. Também é possível utilizar a técnica EASI para a análise de vários outros
fármacos em solução aquosa [33]. Esta aplicação abre espaço para o uso da técnica em
análises ambientais de efluentes e outras amostras aquosas. A técnica EASI, assim
como a técnica ESI, tem sido usada na obtenção de fingerprints para o controle de
qualidade de vários produtos como: perfumes [34], amaciante de roupa com análise de
surfactantes [35] e combustíveis [36]. Dados obtidos da técnica EASI-MS também
foram empregados em análise exploratória, utilizando a análise de componentes
principais para a diferenciação de azeites provenientes de regiões distintas [37].
19
2.1.3 Analisadores de massas
Após serem gerados na fonte de ionização, os íons são transferidos para uma
região do equipamento, conhecida como analisador de massas. A função dos
analisadores é separar os íons de acordo com a razão massa/carga (m/z). A escolha do
analisador pode ser em relação à faixa de massa, resolução de massa, sensibilidade e
possibilidade de se fazer MS/MS. Os três analisadores mais comuns são: quadrupolo,
aprisionamento de íons (ion trap), tempo de voo (TOF – Time of Flight).
Os analisadores quadrupolos são bastante populares principalmente devido ao
preço baixo, mas apresentam baixa linearidade em análises quantitativas. Eles utilizam
campos elétricos oscilantes, gerados por quatro barras metálicas (eletrodos), para
estabilizar ou desestabilizar seletivamente os íons, durante sua passagem pelo centro do
quadrupolo, de acordo com seus valores de m/z [38]. Considerando um valor de correte
e radiofrequência no quadrupolo somente alguns íons que apresentam determinada
razão m/z que estejam em ressonância com o campo poderão passar pelo quadrupolo e
assim detectados. Os demais íons atingirão as barras e assim serão eliminados [39].
Alguns instrumentos podem combinar vários analisadores quadrupolo em sequência,
exemplo os analisadores triplo quadrupolo e assim torna-se possível a espectrometria de
massas sequencial (MS/MS). Um determinado íon é isolado no primeiro quadrupolo,
colide com moléculas de gás inerte no segundo quadrupolo e os fragmentos formados
são analisados no terceiro quadrupolo [9].
O analisador ion trap também é bastante popular e apresenta preço comparável
ao quadrupolo. Sua resolução é baixa (unitária), mas pode ser aumentada empregando
varreduras mais lentas e faixas de massa menores.
Ele opera por princípio semelhante ao quadrupolo, inclusive é chamado quadrupolo
tridimensional, porém os íons não descrevem uma trajetória através do ambiente
quadrupolar, e sim são aprisionados dentro dele. Existe um campo elétrico no interior
do ion trap que mantém os íons em uma órbita estável em seu interior. Um potencial RF
(radio frequência) é aplicado e os íons são então desestabilizados e expelidos para fora
do analisador, de acordo com seus valores de m/z [38]. Neste caso, também é possível
realizar experimentos de espectrometria de massas sequencial (MS/MS). Após fazer
uma varredura completa de determinada substância, é possível isolar um único íon no
trap, fragmentá-lo por colisão com gás inerte e assim originar íons filhos. Além disso,
20
também é possível selecionar um íon filho e fragmentá-lo sequencialmente. Este recurso
é uma ótima ferramenta, que pode fornecer informações preciosas na análise de várias
substâncias [9].
Nos espectrômetros de massas que medem o tempo de voo, os íons são
submetidos a uma diferença de potencial e atingem uma mesma energia cinética. Se os
íons apresentam a mesma energia cinética, então os de maior massa terão velocidade
menor, de forma que o tempo necessário para um íon atravessar o tubo é proporcional à
massa, uma vez que a distância entre a formação do íon e o detector é fixa. O princípio
de operação do TOF baseia-se na medida do “tempo de voo” de um íon dentro do
espectrômetro de massas [39].
2.2 Quimiometria
A quimiometria utiliza métodos matemáticos e de estatística multivariada para
extrair o máximo de informação a partir de dados químicos. As ferramentas
quimiométricas são uma forma de auxiliar o analista a retirar o máximo de informação
de um experimento.
O desenvolvimento dos computadores e métodos instrumentais contribuiu para o
desenvolvimento da quimiometria, pois foi possível obter muitos dados em pouco
tempo, sendo necessário que todos estes dados fossem tratados [40,41]. A química
analítica foi uma das áreas mais beneficiadas com o desenvolvimento de métodos
quimiométricos e a comprovação disso foi o surgimento da International Chemometrics
Society (ICS), organização responsável pelo desenvolvimento da quimiometria,
composta majoritariamente por químicos analíticos [42].
Dependendo do objetivo do trabalho, a quimiometria pode ser subdividida em
diferentes
subáreas.
No
presente
trabalho
foram
empregadas
classificação
supervisionada usando PLS-DA (Partial least squares Discriminant Analysis) e
calibração multivariada usando PLS (Partial Least Squares), para o controle de
qualidade e a quantificação de óleos adulterantes em azeite de oliva e biodiesel em
diesel.
21
2.2.1 Calibração Multivariada por Mínimos Quadrados Parciais - PLS
Na calibração multivariada utilizam-se diferentes variáveis (x1, x2, ..., xN) para
quantificar uma variável de interesse, y (por exemplo, concentração). Três métodos de
calibração multivariada são mais comumente citados na literatura. Os métodos mais
comuns são a regressão linear múltipla (MRL, Multipler Linear Regression), a
regressão por componentes principais (PCR, Principal Component Regression) e a
regressão por mínimos quadrados parciais (PLS, Partial Least Squares) [43].
O PLS e todos os métodos de calibração que utilizam um vetor de medidas
instrumentais para cada amostra possibilitam a determinação do analito na presença de
interferentes, desde que, os mesmos estejam presentes no conjunto de calibração [44].
No PLS relaciona-se a matriz X de dados (espectros) com o vetor y, se apenas uma
propriedade for medida, ou matriz Y, se mais de uma propriedade for medida. A matriz
X e o vetor y ou matriz Y são decompostos simultaneamente em uma soma de variáveis
latentes (VLs), de acordo com as equações 1 e 2. As VLs são combinações lineares das
variáveis originais, que descrevem simultaneamente a maior parte das informações nos
dois blocos de dados.
Onde:
= + = ∑
+ (1)
T é a matriz de escores
P é a matriz de pesos (loadings) do bloco X
E é a matriz de resíduos do bloco X.
Onde:
= + = ′ + (2)
T é a matriz de escores
q é a matriz de pesos (loadings) do bloco Y
f é o vetor de resíduos do bloco Y.
22
Uma importante característica do PLS é a possibilidade de se obter escores (T)
comuns a ambos os conjuntos de dados, de concentração (y) e de medidas espectrais
(X).
O número de VLs do modelo é escolhido com base no valor do erro médio da
validação cruzada (RMSECV, Root Mean Squares Errors of Cross Validation). A
maneira mais comum de se fazer a validação cruzada é por meio do leave-one-out, em
que uma amostra da calibração é retirada de cada vez e, então, com as restantes
constrói-se o modelo e estima-se a concentração da amostra retirada, e isso é repetido
para todas as amostras. Quando se trabalha com um conjunto maior de amostras pode-se
fazer a validação por blocos contínuos ou subconjuntos aleatórios, nos quais um número
maior de amostras é retirado e o modelo é construído com as que restaram, estimandose suas concentrações. A média dos erros de previsão é calculada para cada número de
VL e o que apresentar o menor erro será o numero de VLs do modelo.
Após a construção do modelo, estima-se a concentração das novas amostras a
e dos pesos q, de acordo com a equação 3:
partir dos novos escores (3)
= 2.2.1.1 Correção do sinal ortogonal - OSC
Antes de construir o modelo o analista tem em mãos os dados originais e, na
maioria das vezes, estes dados precisam passar por pré-processamentos, principalmente
quando são coletados a partir de amostras complexas [45]. O objetivo destes préprocessamentos podem ser: melhorar a previsão, diminuir os erros da calibração e/ou
construir modelos mais simples.
Alguns pré-processamentos são muito simples e por isso muito utilizados, como
centrar os dados na média ou autoescalar os dados. Outro pré-processamento utilizado
neste trabalho foi a correção do sinal ortogonal (OSC, Orthogonal Signal Correction).
O OSC é um filtro que faz uma correção no sinal removendo de X toda
informação que não tem relação com Y [46,47]. Isso é feito garantindo que a parte
removida é ortogonal a Y, ou o mais próximo possível da ortogonalidade. Para chegar a
23
este nível é preciso expressar os filtros matematicamente para quantificar a
ortogonalidade de um vetor ou matriz [45].
Este filtro é utilizado quando o analista tem uma situação em que a primeira VL
explica muita variância em X e pouca informação em Y, então a informação que está
sendo modelada em X não está relacionada diretamente à propriedade que se pretende
medir. No PLS, fatores que simultaneamente modelam a maior parte da variância em X
e Y são incluídos no modelo. No OSC, fatores que modelam a maior parte da variância
de X ortogonal a Y são excluídos do modelo. Deve-se ter o cuidado de não usar muitos
fatores no filtro OSC (no máximo 2), pois isto tende a levar ao sobreajuste do modelo.
2.2.1.2 Detecção de amostras anômalas
Durante o desenvolvimento do método, o modelo PLS deve ser otimizado e para
isso amostras anômalas precisam ser identificadas e retiradas do conjunto de calibração.
As amostras anômalas (outliers) são definidas como amostras que diferem muito
do grupo de origem. Esta diferença pode ser causada por erros na aquisição dos dados,
ou simplesmente porque as amostras realmente não fazem parte desta população. A
detecção de outliers é muito importante em calibração multivariada, e pode ser feita de
várias maneiras. Os métodos mais utilizados se baseiam na eliminação de amostras com
alto leverage ou influência e altos resíduos. No presente trabalho, utilizou-se uma
metodologia robusta [48,49] para detecção de outliers nos conjuntos de calibração, na
qual são avaliados valores de leverage e os resíduos no bloco X (dados espectrais) e no
bloco Y (concentração). Para o conjunto de validação usou-se o teste Jacknife, no qual
as amostras são avaliadas de acordo com o valor do resíduo de previsão (bloco Y). Se
este valor for maior que um determinado valor crítico, então a amostra é considerada
um outlier [50].
2.2.2 Análise Discriminante por Mínimos Quadrados Parciais PLS-DA
A Análise Discriminante por Mínimos Quadrados Parciais (PLS-DA, Partial
Least Squares Discriminant Analysis) é um método multivariado para a classificação
24
supervisionada de amostras e a construção do modelo é muito semelhante ao PLS,
sendo que a única diferença está no vetor y.
A variável independente y no método PLS-DA indica a classe a qual pertence a
amostra. Quando no conjunto de dados só existem duas classes, y é um vetor. A
variável y pode assumir os valores 0 ou 1, 1 se pertence à classe e 0 se não pertence.
Quando se tem três ou mais classes, a variável independente é uma matriz Y, com o
número de colunas sendo igual ao número de classes. Neste caso, denomina-se o
método como PLS2-DA [51]. Quando se tem mais classes, não necessariamente tem
que se usar o PLS2-DA, pode-se usar o PLS1-DA, prevendo uma classe de cada vez.
Os valores previstos pelo modelo PLS-DA ou PLS2-DA não são exatamente
zero ou um, e sim aproximados. Se não são exatos, então um limite (threshold) é
estabelecido e, se o valor previsto estiver acima deste limite, a amostra pertence à
classe. O limite para cada classe é estimado usando o teorema de Bayes [52] e para o
calculo assume-se que a variância de y segue uma distribuição semelhante ao que será
observado nas amostras futuras.
2.2.3 Validação Analítica Multivariada
A validação de um método estabelece, por meio de alguns testes, que o mesmo
atende ao propósito para o qual foi desenvolvido. Qualquer método de análise que é
desenvolvido deve ser validado. A validação pode ser feita através da determinação de
parâmetros conhecidos como figuras de mérito [44]. A maioria dos guias de validação
internacionais ou nacionais [53-56] referem-se apenas à calibração univariada, mas já
existem na literatura alguns trabalhos que propõem uma harmonização entre a
calibração multivariada e os guias de validação [49].
Algumas figuras de mérito, para métodos multivariados, são calculadas a partir
do conceito de sinal analítico líquido (NAS, Net Analyte Signal).
2.2.3.1 Sinal analítico líquido – NAS
25
O NAS é a parte do vetor do espectro que é ortogonal a um subespaço chamado
de espaço interferente. O conceito de NAS foi proposto por Lorber [57] em 1986 e é
usado para o cálculo de algumas figuras de mérito. Cada amostra é representada por um
vetor, que contém toda a sua informação. Para o calculo do NAS é feito uma separação
matemática dos vetores das contribuições do analito e dos interferentes (Figura 4).
Quando esta separação matemática é feita obtém-se o vetor NAS que é a contribuição
específica do analito para o sinal total.
Figura 4: Representação vetorial do NAS [42].
Se cada conjunto de dados é composto por n amostras e cada uma é representada
por um vetor, após a separação matemática do vetor NAS de cada amostra, resultarão n
vetores NAS ( ). De cada vetor pode-se calcular a norma (equação 4) e, então,
cada amostra terá um valor escalar que representa o analito e é diretamente proporcional
à sua concentração [58].
! = " "(4)
De posse do vetor NAS e sua norma é possível o cálculo de algumas figuras de
mérito, tais como sensibilidade, seletividade, limites de detecção e quantificação.
2.2.3.1 Figuras de Mérito
26
A seguir, são apresentadas as figuras de mérito abordadas no presente trabalho.
Alguns dos parâmetros são calculados de forma semelhante ao que é feito em métodos
univariados.
Linearidade
A linearidade é a capacidade do modelo em fornecer resultados diretamente
proporcionais à concentração do analito [44]. Normalmente, em calibração univariada,
se usa a curva de calibração para avaliar tal parâmetro. Isso faz com que a linearidade
seja uma figura de mérito que apresente dificuldade de harmonização em métodos
multivariados, uma vez que para estes não existe curva de calibração. Em calibração
multivariada, a linearidade costuma ser avaliada por meio do coeficiente de correlação
(r) do ajuste entre os valores preditos e de referência, mas o valor de (r) isoladamente
não é capaz de garantir a linearidade do modelo [56]. Então, para se avaliar melhor a
linearidade, uma maneira adicional, também proveniente de métodos univariados, é
verificar a aleatoriedade dos resíduos através da comprovação de algumas de suas
propriedades assumidas como presmissas: i) normalidade dos resíduos pelo teste de
Ryan-Joiner; ii) homocedasticidade dos resíduos pelo teste de Brown-Forsythe; iii)
independência dos resíduos pelo teste de Durbin-Watson [50].
Viés (Bias)
O termo bias, ou viés, é relativo á presença de erros sistemáticos no modelo. A
norma E1655 da ASTM [59] descreve o cálculo para a avaliação deste parâmetro. A
avaliação é feita por meio de um teste t para as amostras de validação ao nível de 95%
de confiança. O bias médio para o conjunto de validação é calculado pela equação 5. A
seguir, o desvio padrão dos erros de validação é estimado através da equação 6 e, por
fim, o valor de t é obtido da equação 7. Se o valor t calculado for maior que o t critico
para $ graus de liberdade, a presença de erro sistemático é confirmada.
)
∑*+
' − '
%&! = (5)
$
-./ = 0
∑1(' − ' ) − %&!23
(6)
$ − 1
27
5678 =
Onde:
|%&!|:$
-./
(7)
yi = valor de referência
'i = valor estimado
$ = número de amostras do conjunto de validação
Relação de desempenho do desvio
A relação de desempenho do desvio (RPD, Residual Prediction Deviation) é
uma figura de mérito introduzida recentemente e mede a capacidade preditiva dos
métodos em termos absolutos [60]. O valor do RPD é mais adequado para comparações
entre métodos, pois leva em consideração a faixa de concentração do analito. A figura
de mérito RPD é estimada para os conjuntos de calibração e validação e pode ser
calculada de acordo com as equações 8 e 9.
<=>[email protected] =
[email protected]
(8)
<A-B>/
<=>[email protected] =
[email protected]
(9)
<A-B=
Onde:
[email protected] = Desvio padrão dos valores de referência do conjuntos de calibração
<A-B>/ = Raiz quadrada do erro quadrático médio de validação cruzada
[email protected] = Desvio padrão dos valores de referência do conjuntos de validação
<A-B= = Raiz quadrada do erro quadrático médio de previsão
Precisão
Precisão é a estimativa da dispersão dos resultados, repetidos de uma mesma
amostra. Existem três níveis nos quais a precisão pode ser expressa [53]: i) A
repetitividade, que trata da concordância entre os resultados de medições efetuados sob
as mesmas condições, mesmo dia e mesmo analista. ii) A precisão intermediária ou
28
reprodutibilidade intralaboratorial, que se refere a replicatas analisadas no mesmo
laboratório, mas em dias diferentes, por analistas diferentes e, às vezes, equipamentos
diferentes. iii) A reprodutibilidade, que representa um procedimento analítico que
somente pode ser estimada mediante a participação em um ensaio interlaboratorial
colaborativo e, assim, toda a análise será repetida em outro laboratório.
De acordo com o manual de garantia da qualidade analítica do ministério da
agricultura [53], para a determinação da repetitividade é necessário um conjunto de
amostras constituídas de matrizes brancas fortificadas, no mínimo em três níveis de
concentração, com as substâncias a analisar, de tal forma que os limites permitidos se
encontrem preferencialmente na região central dos níveis de concentração. E, para cada
nível, a análise deve ser realizada em, pelo menos, seis réplicas independentes.
Veracidade
A veracidade (termo que substitui o antigo significado de exatidão) é o grau de
concordância entre o valor predito e o valor de referência, ou valor verdadeiro.
Normalmente, em calibração multivariada, a veracidade é avaliada pelo cálculo da raiz
quadrada do erro quadrático médio de previsão (RMSEP, Root Mean Squares Errors of
Prediction), de acordo com a equação 10:
∑ (' − ' )3
<A-B= = 0 *+
(10)
$
Onde:
yi = valor de referência
'i = valor estimado
nv = número de amostras no conjunto de validação.
Pode-se calcular, também, a raiz quadrada do erro quadrático médio de
calibração (RMSEC, Root Mean Squares Errors of Calibration) (equação 11), mas este
parâmetro é viciado e, com isso, não é tão robusto para avaliar a exatidão. Ele é um
parâmetro viciado, pois se avalia o erro de previsão das amostras do conjunto de
calibração, ou seja, as mesmas amostras que foram utilizadas para construir o modelo.
29
No entanto, a sua comparação com o valor de RMSEP é importante para avaliar se há
presença de sobreajuste no modelo.
∑ (' − ' )3
<A-B> = 0 *+
(11)
? − F
Onde:
yi = valor de referência
'i = valor estimado
Nc = número de amostras no conjunto de calibração.
ν = número de variáveis latentes do modelo + 1 se os dados forem centrados na média.
Para avaliar de maneira mais completa a veracidade, além do RMSEP e
RMSEC, calcula-se o erro relativo (ER) de cada amostra do conjunto de validação
(equação 12).
' − '
B< = G
H 100%(12)
'
Seletividade
A seletividade (SEL) é o grau de sobreposição entre o sinal da espécie de
interesse e os interferentes, ou seja, é a porcentagem do sinal total que é referente ao
analito [44]. Para os métodos univariados, deseja-se que a SEL seja o mais próximo
possível de 100%, indicando a ausência de interferentes no sinal analítico. No entanto,
quando tratamos de métodos multivariados, não existe a necessidade de exigência de
um valor limite de SEL, mesmo porque, se o sinal analítico fosse totalmente seletivo,
não seria necessária uma análise multivariada. A SEL pode ser estimada de acordo com
a equação 13. Com este cálculo é possível obter um valor de SEL para cada amostra,
então a média destes valores é usada para descrever o método [58].
-BJ = !
(13)
‖ ‖
Onde:
30
! = norma do vetor NAS para a amostra i.
= Vetor da amostra i.
Sensibilidade
A sensibilidade (SEN) é definida como a fração de sinal responsável pelo
acréscimo de uma unidade de concentração do analito. A SEN pode ser estimada como
o inverso da norma do vetor de coeficientes de regressão do modelo PLS (equação 14).
A sensibilidade é dependente da técnica analítica utilizada. Assim, não é possível fazer
comparações entre métodos com técnicas diferentes e, por isso, outra figura de mérito
deve ser calculada, a sensibilidade analítica [58].
-BL =
1
(14)
‖%‖
Quando o vetor NAS é determinado, o vetor de sensibilidade para cada amostra
do conjunto de calibração pode ser determinado a partir do vetor (equação 15) e
este vetor é o mesmo para todas as amostras, então calcula-se a norma dele para se ter o
valor de sensibilidade (equação 16).
-
=
(15)
'
-BL = "- "(16)
Onde:
- = vetor de sensibilidade para cada amostra
' = Vetor Concentração
Sensibilidade analítica
A sensibilidade analítica (γ) expressa a sensibilidade em função da unidade de
concentração que se está medindo. A γ é definida como a razão entre a SEN e o ruído
instrumental (ε), como mostrado na equação 17. Para estimar o ruído são necessários 10
a 15 medidas do branco para construir uma matriz de brancos e, então, calcula-se o
desvio padrão combinado desta matriz [58].
31
γ =
SEN
(17)
ε
O inverso da sensibilidade analítica (γ-1) é uma estimativa da diferença mínima
que é discernível pelo método, considerando que a única fonte de erro é o ruído
instrumental aleatório.
Limites de detecção e quantificação
O limite de detecção (LD) é a menor concentração que pode ser observada com
o método (equação 18) e o limite de quantificação (LQ) é a menor concentração que
pode ser medida (equação 19). Os LD e LQ são calculados a partir de γ-1 e por isso a
única fonte erro considerada no calculo, é o erro aleatório instrumental.
J. = 3.3(S T+ )(18)
JU = 10(S T+ )(19)
32
Capitulo 3 - Objetivos Gerais e Específicos
33
3.1 Objetivos Gerais
Utilizar técnicas modernas de espectrometria de massas associada a tratamentos
quimiométricos, classificação supervisionada e calibração multivariada para controle de
qualidade de azeite de oliva extra virgem e diesel b.
3.2 Objetivos Específicos
Classificar amostras de azeite de oliva de dois tipos (extra virgem e puro) e
amostras de azeite de oliva extra virgem adulteradas com diferentes tipos de
óleos vegetais (soja, milho, girassol, canola e azeite de oliva puro), utilizando
ESI-MS de baixa resolução.
Desenvolver e validar métodos de calibração multivariada para quantificação de
óleos adulterantes em azeite de oliva extra virgem, utilizando a técnica ESI-MS
de baixa resolução.
Desenvolver e validar métodos de calibração multivariada para a quantificação
de óleo de girassol em azeite de oliva extra virgem, utilizando a técnica ESI-MS
de alta resolução.
Desenvolver e validar métodos de calibração multivariada para quantificação de
óleo de girassol em azeite de oliva extra virgem, utilizando a técnica EASI-MS.
Desenvolver e validar métodos de calibração multivariada para quantificação de
biodiesel em diesel, utilizando a técnica ESI-MS.
34
Capitulo 4 -Identificação e quantificação de óleos adulterantes
em azeite de oliva extra virgem
35
4.1 Introdução
O azeite de oliva é o óleo extraído do fruto da oliveira e, pelo fato de ser oriundo
do mesocarpo (parte mais suculenta do fruto) da azeitona, ao invés da semente, é
chamado de azeite. Os óleos vegetais são extraídos de grãos ou sementes e geralmente
utilizam-se solventes durante a extração [61].
O azeite de oliva, assim como outros óleos vegetais, é composto,
principalmente, por triacilgliceróis. Em sua composição são encontrados, também, os
diacilgliceróis, monoacilgliceróis e ácidos graxos, que são formados pela hidrólise dos
triacilgliceróis [62, 63]. De acordo com a norma do CODEX 33-1981, revisada em 2013
[64], a composição em ácidos graxos do azeite de oliva deve seguir os valores
mostrados na Tabela 1.
No azeite de oliva, além dos compostos citados, são encontrados também
compostos fenólicos [65], substâncias que são de grande interesse por serem
antioxidantes [66]. A concentração de compostos fenólicos no azeite de oliva depende
do bom estado da azeitona. Se elas estão perfeitas, foram colhidas manualmente e não
ficaram armazenadas, produzem um azeite de ótima qualidade. O modo de produção do
azeite também é importante para sua qualidade; se as azeitonas selecionadas são
prensadas em temperatura inferior a 25ºC há a produção do melhor azeite que é rico em
compostos fenólicos, dentre eles o hidroxitirosol fenol [67]. De acordo com a norma do
CODEX 210-1999, revisada em 2013, só pode ser considerado azeite virgem aquele que
for extraído apenas por processos mecânicos [68].
36
Tabela 1: Composição em ácido graxo do azeite de oliva
a
Ácido graxo
Cn:ma
% m/m de ésteres metílicos
Ácido láurico
C12:0
Não detectável
Ácido mirístico
C14:0
< 0,1
Ácido palmítico
C16:0
7,5-20,0
Ácido palmitoleico
C16:1
0,3-3,5
Ácido heptadecanóico
C17:0
< 0,5
Ácido heptadecenóico
C17:1
< 0,6
Ácido esteárico
C18:0
0,5-5,0
Ácido oleico
C18:1
55,0-83,0
Ácido linoleico
C18:2
3,5-21,0
Ácido linolênico
C18:3
< 1,5
Ácido araquídico
C20:0
< 0,8
Ácido behénico
C22:0
< 0,3
Ácido erúcico
C22:1
Não detectável
Ácido lignocérico
C24:0
< 1,0
n= número de carbonos; m= número de duplas ligações C-C presentes na estrutura da
molécula[67].
Os outros tipos de azeite, de qualidade inferior, são produzidos de azeitonas
defeituosas, de azeitonas de espécies não apropriadas para a sua produção ou de
azeitonas provenientes de uma safra com problemas climáticos. Dependendo da
qualidade, o azeite não pode ser empregado para consumo humano, a menos que seja
refinado. No entanto, durante este refino compostos antioxidantes podem ser perdidos e
assim o azeite torna-se menos benéfico à saúde [67].
Vários tipos de azeite de oliva são encontrados e a seguinte classificação é feita
pela ANVISA na resolução RDC nº 482, de 23/09/1999, com alguns valores atualizados
na resolução RDC nº 270, de 22/09/2005 [69]:
•
Azeites extra virgem e virgem são obtidos por processos mecânicos e outros
meios físicos, particularmente condições térmicas amenas, e que não tenham
sido submetidos a outros tratamentos que não a lavagem, a centrifugação e a
37
filtragem. O azeite extra virgem deverá ter acidez, expressa em ácido oleico, de
no máximo 0,8% m/m e o virgem deverá ter acidez menor que 2% m/m;
•
O azeite refinado é o azeite de oliva obtido do refino do azeite virgem e tem
acidez menor que 0,3% m/m;
•
O azeite de oliva puro é composto da mistura de azeite refinado com azeite
virgem e terá acidez de, no máximo, 1,0 % m/m;
O consumo de azeite tem aumentado muito nos últimos anos, pois sendo um
alimento rico em antioxidantes traz grandes benefícios à saúde. Este crescimento no
consumo provocou uma elevação no seu preço de mercado, o que aumentou
consideravelmente sua importância para a economia. Esta importância pode ser
comprovada pelo fato de o azeite ser o único óleo comestível que possui seu próprio
acordo internacional de comércio, regulado por uma organização intergovernamental, o
COI, Conselho Oleícola Internacional (IOOC, International Olive Oil Council) [70].
Dentre todos os tipos de azeite, o azeite extra virgem é o de maior interesse e
valor econômico, devido à maior concentração de antioxidantes e também pela baixa
produção, menos que 10% da produção total de azeite de oliva [67]. Todo este valor
agregado do azeite de oliva extra virgem faz com que ele seja alvo de adulterações [71],
sendo a mais habitual a adição de outros óleos vegetais [72]. Assim, torna-se muito
importante o desenvolvimento de novas metodologias para que se faça um melhor
controle de qualidade do azeite de oliva extra virgem.
Uma das formas de analisar óleos adulterantes em azeite de oliva é utilizando
métodos cromatográficos, tanto cromatografia líquida [62,73] quanto gasosa [74-76],
mas estes métodos, apesar de eficientes, têm a desvantagem de serem demorados e
caros. A cromatografia líquida também tem a desvantagem de consumir muito solvente
e gerar resíduos. Outros estudos têm mostrado o uso de técnicas de análise alternativas,
especialmente quando associadas a métodos quimiométricos, para identificação de
amostras adulteradas, tais como espectroscopia no infravermelho médio com
transformada de Fourier (ATR/FTIR) [77], ressonância magnética nuclear (RMN) [78]
e espectroscopia no infravermelho próximo (NIR) [79]. Também são encontrados
trabalhos voltados para a quantificação de adulterantes em azeite de oliva extra virgem
utilizando métodos desenvolvidos com espectroscopia no infravermelho médio (MIR)
[80,81] e infravermelho próximo (NIR) [82].
38
No presente estudo utilizou-se técnicas modernas de espectrometria de massas
(ESI-MS e EASI-MS) e métodos quimiométricos para a identificação e quantificação de
óleos adulterantes em azeite de oliva extra virgem.
4.2 Desenvolvimento de um modelo PLS2-DA e modelos PLS a partir de
dados de ESI-MS obtidos num espectrômetro de massas de baixa
resolução
4.2.1 Objetivos
Construir um modelo PLS2-DA para a discriminação entre sete classes de
amostras de azeite de oliva: azeites de oliva extra virgem (OEV) e oliva puro
(OP) e azeite de OEV adulterado com óleos vegetais [soja (SO), milho (MI),
girassol (GI), canola (CA) e azeite de OP].
Quantificar o teor de cada adulterante através de modelos de calibração
multivariada utilizando o método PLS.
4.2.2 Parte experimental
4.2.2.1 Amostras
As amostras de azeite de oliva foram adquiridas no comércio local. Para a
construção dos modelos foram utilizadas 10 marcas de azeite de OEV e 10 marcas de
azeite de OP. Os outros óleos vegetais (SO, MI, GI e CA) foram comprados para que se
fizesse o preparo das amostras adulteradas.
39
Contaminação do azeite de oliva extra virgem
O azeite de OEV foi contaminado propositalmente com óleos de SO, MI, GI,
CA e azeite de OP. Para cada adulterante preparou-se 40 amostras, com a concentração
do adulterante variando de 0,5 até 20,0 % m/m, com incrementos de 0,5 % m/m, as
amostras foram pesadas em balança analítica (Adventurer Pro, Ohaus Corporation, Pine
Brook, NJ, USA).
4.2.2.2 Preparo de amostras
Reagentes
Metanol (Grau HPLC (99,9%) – Merck)
Hidróxido de Amônio (Grau HPLC (28-30%) – J.T.Baker)
Ácido Fórmico (Grau HPLC (88%) – J.T.Baker)
A água utilizada no preparo das soluções foi purificada com um sistema Milli-Q de
purificação (Millipore, Eschborn, Alemanha)
Procedimento
Realizou-se uma extração líquido-líquido prévia, pois não é possível injetar o
óleo diretamente no espectrômetro de massas. Em um frasco Eppendorf adicionou-se
100,0 µL de óleo e 1,0 mL de solução metanol/água 50 % v/v com 0,1 % v/v de ácido
fórmico, para as análises no modo positivo, ou 0,1 % v/v de hidróxido de amônio para
as análises no modo negativo. Essa mistura foi agitada em vortex (Phoenix AP-56) por
30 segundos e mantida em repouso até a separação completa das fases e então a fase
aquosa foi injetada no equipamento. Todas as amostras foram preparadas em triplicata.
40
4.2.2.3 Obtenção dos Espectros de Massas
Os espectros de massas foram adquiridos no espectrômetro de massas com
ionização electrospray e analisador ion trap (LCQ-Fleet, Thermo-Scientific). Para a
obtenção dos espectros, a fase aquo-metanólica foi injetada continuamente no
espectrômetro de massas. A amostra foi bombeada por uma seringa (Hamilton 500 µL)
com fluxo de 10 µL/min. A tensão aplicada para a formação do electrospray foi + 3kV
e –3kV para os modos positivo e negativo, respectivamente, a temperatura de
dessolvatação foi 300 °C.
4.2.2.4 Tratamento dos dados
Para a realização das análises multivariadas, a matriz de dados X foi construída
(Figura 5). Esta matriz é um agrupamento de vetores que representam as amostras, ou
seja, cada linha contém valores medidos para cada variável de uma amostra. A variável
é a razão massa/carga (m/z) de cada íon e cada valor de intensidade relativa num dado
m/z forma um elemento da matriz. Assim, em cada linha tem-se o espectro de massas de
uma amostra (Figura 5).
Figura 5: Construção da matriz X a partir de dados coletados nos espectros de massas.
Para a obtenção do modelo de classificação PLS2-DA construiu-se, as matrizes
X e Y. Esta última possui o número de linhas igual ao número de amostras e uma
coluna para cada classe contendo o valor binário 0 (não pertence) ou 1 (pertence). O
41
modelo PLS2-DA foi empregado, porque todas as classes são previstas em um único
modelo, ou seja, Y é uma matriz. Se a opção fosse pela construção de modelos PLS1DA, as amostras seriam discriminadas da mesma maneira, mas seria construído um
modelo para cada classe, contendo um vetor y específico.
Para os modelos de calibração multivariada (PLS1) também é necessário que se
tenha um vetor y para cada modelo. Nas entradas do vetor y do modelo de calibração
coloca-se a concentração de óleo adulterante correspondente a cada amostra.
4.2.3 Resultados
4.2.3.1 Análise dos espectros de massas nos modos positivo e negativo
Nos espectros de massas com ionização eletrospray no modo positivo, ESI(+)MS, muitos íons podem ser observados (Figura 6). Alguns íons foram identificados por
outros autores, tais como os de m/z 121 e 137, observados nos espectros de massas dos
azeites de OEV e OP, que são referentes aos íons [M+H–H2O]+ dos compostos
fenólicos tirosol e hidroxitirosol, respectivamente [83,84]. Outro íon observado nos
espectros de massas dos azeites de OEV e OP é o de m/z 417, que pode ser atribuído ao
composto fenólico acetoxipinoresinol [85]. Quando se faz uma comparação entre os
espectros dos azeites de OEV e OP (Figura 6-a, b), tem-se que os três íons citados são
mais intensos no espectro de massas do azeite de OEV. Isso reflete uma maior
concentração destes compostos antioxidantes no azeite de OEV, o que é esperado, uma
vez que este azeite é mais rico em antioxidantes e, por isso, é o de maior benefício para
a saúde. Os íons como os de m/z 165 e 225 são atribuídos aos ácidos cumárico e
sinápico [83,84].
42
(a)
(b)
(c)
(d)
(e)
(f)
Figura 6: ESI(+)-MS referentes às amostras de azeite de oliva extra virgem (a), azeite de oliva puro (b), óleo de
soja (c), óleo de milho (d), óleo de girassol (e) e óleo de canola (f).
43
Alguns outros íons observados nas faixas de massa de m/z 800-900, 500-600 e
250-400 foram atribuídos às formas protonadas de um conjunto de triacilgliceróis
(TAGs), diacilgliceróis (DAGs), e monoacilgliceróis (MAGs), respectivamente [72].
Alguns íons mais abundantes também podem ser atribuídos a TAGs específicos em
outros óleos, como o 1,2-dilinoleoil-3-oleoilglicerol (LLO), com m/z 881, e o 1,2dilinoleil-3-palmitoilglicerol (LLP), de m/z 855, no ESI(+)-MS do óleo de girassol
(Figura 6e), e o 2,3-dioleil-1-linoleiglicerol (OOL), de m/z 883, no ESI(+)-MS do óleo
de canola (Figura 6f) [86]. No ESI(+)-MS do óleo de soja (Figura 6c), o íon m/z 911 é
atribuído ao aduto de sódio [TAG+Na]+ do triacilglicerol SSO formado por duas
moléculas de ácido esteárico (S) e uma molécula de ácido oleico (O) [87].
Nos espectros de massas com ionização electrospray no modo negativo, ESI(-)MS (Figura 7), é possível observar íons com m/z referentes aos ácidos graxos mais
abundantes de cada tipo de óleo. Observa-se a presença dos mesmos íons em todos os
espectros, mas com diferenças nas intensidades relativas. O íon de m/z 281 (forma
desprotonada do ácido oleico) é o mais abundante no azeite de oliva e no óleo de canola
(Figura 7-a,e); o íon de m/z 279 (forma desprotonada do ácido graxo linoleico) é o mais
abundante nos outros óleos vegetais (Figura 7-b,c,d). Fazendo-se uma comparação dos
espectros de massas, chega-se à conclusão que o óleo adulterante mais semelhante ao
azeite de oliva é o óleo de canola, pois os perfis dos respectivos ESI(-)-MS são muito
parecidos [88]. O íon de m/z 255 (forma desprotonada do ácido palmítico) também
aparece em todos os espectros de massas, sempre com intensidade menor que 40%. O
íon de m/z 563, observado no espectro de massas do azeite de oliva, provavelmente se
refere ao dímero de próton do ácido oleico [oleico+oleico+H]+. Os espectros de massas
dos azeites extra virgem e puro não apresentaram diferenças visíveis. Isso já era
esperado, visto que os seus teores de ácidos graxos não devem ser diferentes, pois
ambos os azeites são obtidos do mesmo tipo de matéria prima.
44
(a)
(b)
(c)
(d)
(e)
Figura 7: ESI(-)-MS referente às amostras de azeite de oliva (a), óleo de soja (b), óleo de milho (c), óleo de
girassol (d) e óleo de canola (e).
45
4.2.3.1 Classificação das amostras de azeite
Com os dados dos espectros de massas no modo positivo foi possível construir
um modelo PLS2-DA capaz de classificar de forma correta a grande maioria das
amostras das 7 classes estudadas: azeites de OEV e OP, azeite de OEV adulterado com
óleo de SO (OEV/SO), azeite de OEV adulterado com óleo de MI (OEV/MI), azeite de
OEV adulterado com óleo de GI (OEV/GI), azeite de OEV adulterado com óleo de CA
(OEV/CA) e azeite de OEV adulterado com azeite de OP (OEV/OP), Figura 8.
Figura 8: Representação esquemática indicando as classes utilizadas no modelo de classificação
PLS-DA.
Para construir o modelo de classificação utilizou-se 190 amostras (20 amostras
de azeite de OEV, 20 amostras de azeite de OP, e 30 amostras para cada tipo de
adulterante, totalizando 150 amostras adulteradas) para o conjunto de treinamento e 70
amostras (10 amostras de cada classe) para o conjunto de teste. As amostras foram
separadas em conjuntos de treinamento e teste usando o algoritmo de Kennard-Stone
dentro de cada classe. Este algoritmo de mapeamento uniforme é capaz de selecionar as
amostras mais representativas para o conjunto de treinamento com base na distância
euclidiana entre seus respectivos pontos [89]. Para construir o modelo, os dados foram
centrados na média. O melhor modelo foi construído com oito variáveis latentes (VLs),
escolhidas por meio da validação cruzada no modo subconjuntos aleatórios. Na
construção do modelo são calculados limites (threshold) para classificar a amostra como
pertencente ou não a uma determinada classe; este limite é mostrado nos gráficos da
46
Figura 9. É importante ressaltar que o limite para cada classe foi estimado usando o
teorema de Bayes [52] a fim de minimizar os erros de classificação. O cálculo deste
valor limite assume que a variância dos valores de y previstos segue uma distribuição
semelhante ao que vai ser observado para as amostras futuras.
Nos gráficos de classificação mostrados na Figura 9, todas as classes foram
classificadas corretamente. Por exemplo, na Figura 9-a a classe 1 (OEV) aparece
claramente separada (acima do limite) das demais (classes 2-7), tanto para o conjunto de
treinamento quanto para o conjunto teste. Resultados semelhantes foram obtidos para
todas as outras classes (Figura 9 b-g). Nota-se também que mesmo as amostras
adulteradas com o menor teor de adulterantes (0,5 % m/m) foram classificadas
corretamente para todas as classes, incluindo o grupo de amostras de azeite de OEV
adulterado com azeite de OP, dois tipos de amostras muito semelhantes. Este resultado
demonstra a viabilidade da presente metodologia para identificação de fraudes com
azeite de oliva extra virgem.
Após a criação do modelo, alguns parâmetros de qualidade foram estimados,
dentre os quais pode-se destacar a sensibilidade e a especificidade qualitativas. A
sensibilidade qualitativa é a capacidade do método para detectar amostras
verdadeiramente positivas como positivas e, para tal, calcula-se a razão entre o número
de amostras corretamente classificadas pelo número real de amostras pertencentes à
classe. A especificidade é a capacidade do método para detectar amostras
verdadeiramente negativas como negativas e, para calcular este parâmetro, divide-se o
número de amostras corretamente previstas como não pertencente à classe pelo número
de amostras que não pertencem à classe [90]. Ambos os parâmetros foram calculados
para os conjuntos de treinamento e teste, e excelentes resultados foram obtidos (Tabela
2). A sensibilidade qualitativa foi calculada para as sete classes e os valores foram
sempre 1,00 para ambos os conjuntos de treinamento e teste. Estes resultados revelam,
portanto, a ausência total de falsos negativos, ou seja, todas as amostras foram
corretamente atribuídas às suas classes. Da mesma forma, os valores calculados para a
especificidade foram maiores do que 0,981 e 0,967 para os conjuntos de treinamento e
teste, respectivamente. Isto significa que apenas três falsos positivos para o conjunto de
treinamento e dois falsos positivos para o conjunto teste foram observados, ambos para
a classe de amostras adulteradas com óleo de girassol. Para as classes de azeites de OEV
47
e OP, o valor de especificidade foi 0,994, devido à ocorrência de um falso positivo para
cada classe.
(a)
(b)
(c)
Figura 9: Gráficos de classificação para as sete classes: OEV (●); OP (▲); OEV/SO (♦);
OEV/MI (▼); OEV/GI (■); OEV/CA (►); OEV/OP (*).
48
Continuação (figura 9)
(d)
(e)
(f)
(g)
49
Além da sensibilidade e especificidade qualitativas, existe outra maneira simples
de avaliar a capacidade de distinção entre as classes, calculando-se a distância (gap)
entre elas (Figura 9). O cálculo é feito medindo-se a diferença entre o valor mais
próximo ao threshold da classe avaliada, ou seja, o menor valor acima do limiar, e o
maior valor das amostras inferiores ao threshold (outras classes) [91]. Estes valores
também são mostrados na Tabela 2 e, como pode ser observada, a menor distância foi
0,20 para a classe de amostras adulteradas com girassol, tanto para o conjunto de
treinamento quanto para o conjunto de teste. Estes resultados são consistentes com
outros trabalhos da literatura [91] e indicam que o modelo de classificação é robusto e
eficiente.
Tabela 2: Resultados obtidos para sensibilidade qualitativa, especificidade e gap dos conjuntos
de treinamento e teste para o modelo de classificação das sete classes estudadas
Classe*
OEV
OP
OEV/SO OEV/MI OEV/GI OEV/CA OEV/SO
Conjunto de treinamento
Senibilidade
1,000
1,000
Especificidade
0,994
0,994
1,000
1,000
0,981
1,000
1,000
Gap
0,22
0,37
0,22
0,51
0,20
0,65
0,26
qualitativa
1,000
1,000
1,000
1,000
1,000
Conjunto teste
Senibilidade
1,000
1,000
Especificidade
1,000
1,000
1,000
1,000
0,967
1,000
1,000
Gap
0,27
0,35
0,34
0,64
0,20
0,62
0,34
qualitativa
1,000
1,000
1,000
1,000
1,000
Para a construção deste modelo, não é necessário conhecer a identidade de todos
os íons detectados no espectro de massas. De fato, isso não é possível em virtude da
baixa resolução do equipamento utilizado. Contudo, podem-se fazer sugestões a
respeito destas estruturas com base em dados da literatura. Primeiro, é necessário que se
avalie quais os íons (variáveis) foram mais importantes para a construção do modelo de
classificação, e isso pode ser feito com base na observação dos coeficientes de regressão
de cada classe. Na Figura 10 são mostrados os coeficientes de regressão de cada classe
e, em cada coeficiente de regressão, existem variáveis com valores positivos e
50
negativos. Os valores positivos no eixo y indicam as variáveis que mais contribuíram
para discriminar as amostras pertencentes a cada classe e os valores negativos
discriminam as amostras não pertencentes à respectiva classe. Na Tabela 3, estas
variáveis m/z foram agrupadas de acordo com a classe para a qual contribuem na
discrminação, buscando possíveis atribuições espectrais.
Alguns destes íons já foram citados inicialmente, quando se analisou os
espectros de massas dos óleos puros; agora são assinalados os íons mais importantes na
classificação de cada classe. É importante destacar que os íons de maior intensidade em
um espectro de massas não são necessariamente os mais importantes para sua
classificação/discriminação. O íon mais importante no modelo pode ser um pico com
intensidade baixa e, se não fosse através dos coeficientes de regressão, poderia passar
despercebido durante a análise visual dos espectros de massas.
(a)
(b)
(c)
Figura 10: Vetores dos coeficientes de regressão do modelo PLS2-DA: (a) OEV, (b) OP, (c)
OEV/SO, (d) OEV/MI, (e) OEV/GI, (f) OEV/CA e (g) OEV/OP.
51
Continuação figura 10
(d)
(e)
(f)
(g)
52
Tabela 3: Íons mais importantes para a classificação de cada grupo de amostras e uma possível
identificação para eles com base na literatura.
Classe
Íons mais importantes na classificação em cada classe
121 (tirosol)[83], 137 (hidroxitirosol)[83], 225 (ácido sinápico)[83], 265 e 318
OEV
(MAGs)[72], 359 (pinoresinol)[85], 471 (não identificado) e 605 (DAG)[72],
885 (1,2,3 trioleilglicerol)[86]
141 e 243 (não identificados), 257 (MAG)[72], 417(acetoxipinoresinol)[85],
OP
445 (não identificado), 519 (DAG)[72], 605 (não identificado), 903
(TAG)[72]
OEV/SO
287 e 315 (MAG)[72], 433 (não identificado) [83], 847 (TAG)[72]
121 (tirosol)[83], 137 (hidroxitirosol)[83], 417 (acetoxipinoresinol)[85], 659
OEV/MI
(não identificado), 945 (não identificado)
OEV/GI
243 (não identificado), 259 (MAG)[72], 811 e 827 (TAG)[72]
165(ácido cumárico) e 241 (não identificado), 317 (não identificado) [83],
OEV/CA
903 (TAG)[72]
121 (tirosol)[83], 145 e 201 (não identificado), 287 (MAG)[72], 395 (não
OEV/OP
identificado) [83], 425(não identificado)
Com os dados dos espectros de massas no modo negativo também foi possível
classificar amostras de azeite de OEV adulteradas com os diferentes tipos de óleos
vegetais. No entanto, as amostras de azeite de OEV e azeite de OP foram confundidas e,
com isso, a classificação não foi eficiente para os fins do presente trabalho. Esta
dificuldade de classificação ocorreu porque os espectros no modo negativo dos dois
tipos de azeites são praticamente indistinguíveis.
53
4.2.3.2 Quantificação de óleos adulterantes em azeite de oliva extra virgem
No item anterior, as amostras foram classificadas quanto ao adulterante
detectado ou tipo de azeite. Dando seguimento a este estudo, as amostras que foram
identificadas como adulteradas tiveram a concentração do adulterante predita por
modelos de calibração multivariada (Figura 11). A estratégia adotada foi inspirada em
um trabalho desenvolvido para o controle de qualidade de combustível [92].
Figura 11: Estratégia quimiométrica utilizada para a identificação e a quantificação de
adulterantes em azeite de OEV.
Amostras utilizadas para a construção dos modelos
Para a construção dos modelos de calibração utilizou-se as 40 amostras
adulteradas propositadamente (30 amostras para o conjunto de calibração e 10 amostras
para o conjunto de validação). As amostras de calibração e validação foram escolhidas
de modo que as amostras de validação ficassem distribuídas de forma homogênea e
simétrica em toda a faixa de concentração estudada, 0,5 – 20 % m/m, e sempre
mantendo-se as amostras de validação dentro do intervalo de concentração das amostras
de calibração.
Foram feitas extrações com as amostras, as quais foram preparadas em triplicata.
Os espectros de massas foram obtidos nos modos positivo e negativo e os dados foram
compilados e tratados. Uma descrição detalhada sobre todas as etapas foi apresentada na
parte experimental deste capítulo.
54
Modelos construídos com dados de ESI(+)-MS
Após a separação das amostras em dois conjuntos, calibração e validação,
iniciou-se a construção dos modelos. As tentativas iniciais para construção de todos os
modelos PLS mostraram uma primeira variável latente (VL) que é responsável por uma
variância explicada muito maior em X (espectros de massas) do que em y
(concentrações). Isso indica que uma parte significativa da variância em X não está
relacionada com y, o que pode perturbar a modelagem e causar erros nas previsões das
amostras. Esta situação justifica o uso do OSC [46], uma técnica de pré-processamento
para remover as informações em X que não estão relacionadas ao vetor y. Então, os
dados foram pré-processados com OSC e centrados na média, para todos os modelos, e
o número de VLs em cada modelo foi escolhido por validação cruzada de blocos
contínuos (com nove divisões), com base nos menores valores de RMSECV.
Na sequência, os modelos foram otimizados através da identificação e retirada
de amostras anômalas. As amostras anômalas (outliers) são definidas como amostras
que diferem significativamente do grupo de origem. Esta diferença pode ser causada por
erros na aquisição dos dados, ou simplesmente porque as amostras realmente não fazem
parte da mesma população. A detecção de outliers é muito importante em calibração
multivariada, e pode ser feita de várias maneiras. No presente trabalho utilizou-se uma
metodologia robusta que baseia-se na eliminação de amostras com alto leverage (ou
influência) e altos resíduos, tanto em X (espectrais) como em y (valores de
concentração) com 95% de confiança [48,49]. A identificação de amostras anômalas no
conjunto de validação foi feita pelo teste de Jacknife e, assim, as amostras são avaliadas
de acordo com o resíduo; se o resíduo for maior que um valor crítico, então ela é
considerada um outlier [50].
O número de outliers identificados variou entre um e três, para cada modelo,
para os conjuntos de calibração e validação. As amostras correspondentes ao nível mais
baixo, 0,5 % m/m, foram considerados outliers em quase todos os modelos, a única
exceção sendo o modelo de quantificação de óleo de CA. A única amostra excluída
deste modelo, no conjunto de calibração, foi a amostra adulterada com 19,5 % m/m. O
número de VLs usado para a construção de cada modelo variou entre três e cinco. Os
parâmetros para cada modelo são apresentados na Tabela 4.
55
Tabela 4: Número de amostras de validação e calibração e número de variáveis latentes para
cada modelo construído a partir de dados de ESI(+)-MS
Parâmetro
Óleo de SO Óleo de MI Óleo de GI Óleo de CA
Nº de amostras de calibração
29
27
29
29
Nº de amostras de validação
8
9
9
8
Nº de VLs
5
4
5
3
O desenvolvimento de modelos de calibração multivariada não exige
identificação dos íons (variáveis) mas, para estes modelos, assim como foi feito no
modelo qualitativo, é possível identificar quais os íons são mais importantes na
quantificação de cada óleo adulterante. Isso é feito analisando os coeficientes de
regressão de cada modelo (Figura 11).
Nos gráficos dos coeficientes de regressão, os íons com valores positivos
contribuem para a predição do analito (óleo adulterante) e os íons com valores negativos
estão relacionados ao azeite de OEV.
Vale ressaltar que alguns íons diagnósticos do ESI(+)-MS do azeite de OEV já
foram citados na literatura [83, 84], como m/z 121 (tirosol), m/z 137 (hidroxitirosol) e
m/z 165 (ácido cumárico), os quais apresentaram coeficientes de regressão negativos
para todos os modelos PLS. Também pode-se observar outras variáveis com valores
negativos nos gráficos dos coeficientes de regressão: os íons de m/z 319, 361, 379, 443,
449, 505, 549, 811, 827 e 843. Os dois últimos íons foram destacados no ESI(+)-MS de
OEV (Figura 6a). Os íons que mais contribuem para a previsão de cada óleo adulterante
estão indicados nas Figuras 12a-d.
56
(a)
(b)
(c)
(d)
Figura 12: Coeficientes de regressão dos modelos de quantificação de óleo de a) SO, b) MI, c)
GI e d) CA em azeite de OEV.
57
Quantificação de óleo de SO em azeite de OEV
O modelo construído para quantificação de óleo de SO em azeite de OEV
explicou 97% da variância dos dados em Y e 42% em X. O RMSEC calculado para o
modelo foi 0,97 % m/m e o RMSEP foi 1,73% m/m. O gráfico de ajuste dos valores de
referência versus valores preditos juntamente com as barras de erro que são
representadas pelo desvio padrão das triplicatas de cada amostra é mostrado na Figura
13. O maior erro relativo de previsão para o conjunto de validação foi de -20,2%
(Tabela 5).
21
19
17
Valor predito
15
13
11
9
Calibração
validação
7
5
3
1
-1 0
2
4
6
8
10
12
14
16
18
20
Valor de referência
Figura 13: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de SO em azeite de OEV construído a partir
de dados de ESI(+)-MS.
Tabela 5: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de SO em azeite de OEV construído a partir de
dados de ESI(+)-MS.
Valor de Referência (% m/m)
Valor Predito (% m/m)
Erro relativo (%)
1,50
5,60
7,48
9,49
11,52
13,48
15,5
19,47
1,60
6,61
8,35
8,62
9,19
14,81
13,96
17,27
7,0
18,1
11,7
-9,1
-20,2
9,8
-10,0
-11,3
58
Quantificação de óleo de MI em azeite de OEV
O modelo construído para quantificação de óleo de MI em azeite de OEV
explicou 98% da variância dos dados em Y e 62% em X. O RMSEC calculado para o
modelo foi 0,91 % m/m e o RMSEP foi 1,01% m/m. O gráfico de ajuste dos valores de
referência versus valores preditos juntamente com as barras de erro que são
representadas pelo desvio padrão das triplicatas de cada amostra é mostrado na Figura
14. O maior erro relativo de previsão para o conjunto de validação foi de 24,6% (Tabela
6)
21
19
17
15
calibração
validação
Valor Predito
13
11
9
7
5
3
1
-1 0
2
4
6
8
10
12
14
16
18
20
22
Valor de referência
Figura 14: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo MI em azeite de OEV construído a partir de
dados de ESI(+)-MS.
59
Tabela 6: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de MI em azeite de OEV construído a partir de
dados de ESI(+)-MS.
Valor de Referência (% m/m)
Valor Predito (% m/m)
Erro relativo (%)
3,00
4,89
7,03
9,06
10,98
13,14
15,04
17,10
19,00
3,21
5,04
8,76
8,80
11,17
11,53
14,33
16,17
17,68
7,0
3,1
24,6
-2,9
1,7
-12,3
-4,7
-5,5
-7,0
Quantificação de óleo de GI em azeite de OEV
O modelo construído para quantificação de óleo de GI em azeite de OEV
explicou 99% da variância dos dados em Y e 51% em X. O RMSEC calculado para o
modelo foi 0,55 % m/m e o RMSEP foi 1,37% m/m. O gráfico de ajuste dos valores de
referência versus valores preditos juntamente com as barras de erro que são
representadas pelo desvio padrão das triplicatas de cada amostra é mostrado na Figura
15. O maior erro relativo de previsão para o conjunto de validação foi de 30,9% (Tabela
7).
21
19
17
Valor predito
15
13
11
calibração
validação
9
7
5
3
1
-1 0
2
4
6
8
10
12
14
16
18
20
Valor de referência
Figura 15: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo GI em azeite de OEV construído a partir de
dados de ESI(+)-MS.
60
Tabela 7: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de ESI(+)-MS.
Valor de Referência (% m/m)
Valor Predito (% m/m)
Erro relativo (%)
3,06
5,01
7,02
9,13
10,99
13,05
15,00
17,00
19,00
4,01
5,57
7,26
10,93
9,43
13,63
15,27
16,31
17,78
30,9
11,2
3,4
19,7
-14,2
4,4
1,8
-4,0
-6,4
Quantificação de óleo de CA em azeite de OEV
O modelo construído para quantificação de óleo de CA em azeite de oliva extra
virgem explicou 98% da variância dos dados em Y e 59% em X. O RMSEC calculado
para o modelo foi 0,69 % m/m e o RMSEP foi 1,03% m/m. O gráfico de ajuste dos
valores de referência versus valores preditos juntamente com as barras de erro que são
representadas pelo desvio padrão das triplicatas de cada amostra é mostrado na Figura
16. O maior erro relativo de previsão para o conjunto de validação foi de 48,7% (Tabela
8).
61
20
18
Valor predito
16
14
12
10
8
6
4
calibração
validação
2
0
0
2
4
6
8
10
12
Valor medido
14
16
18
20
Figura 16: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de CA em azeite de OEV construído a partir
de dados de ESI(+)-MS.
Tabela 8: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de CA em azeite de OEV construído a partir
de dados de ESI(+)-MS.
Valor de Referência (% m/m)
Valor Predito (% m/m)
Erro relativo (%)
1,08
5,11
7,09
9,08
11,16
13,02
15,21
17,10
1,60
5,04
6,22
8,23
11,37
13,36
17,06
17,37
48,7
-1,3
-12,3
-9,4
1,9
2,6
12,2
1,6
Quantificação de azeite de OP em azeite de OEV
Com os dados dos ESI(+)-MS não foi possível construir um bom modelo de
calibração para quantificação de azeite de oliva puro em azeite de oliva extra virgem.
Uma explicação para este fato pode ser a semelhança entre os ESI(+)-MS dos dois
azeites, como foi discutido no item 4.2.3.1. O modelo construído apresentou erros de
previsão altíssimos, maiores que 100%, e por isso não foram mostrados os resultados.
62
Validação analítica dos modelos PLS construídos com dados ESI(+)-MS
Os quatro métodos PLS desenvolvidos foram validados através de estimativas de
figuras de mérito. Os resultados estão resumidos na Tabela 9.
Para métodos multivariados pode-se avaliar a linearidade através do ajuste dos
valores de referência pelos valores preditos e, para tal avaliação, o parâmetro mais
utilizado é o coeficiente de correlação (r). Como pode ser observado na Tabela 9, todos
os modelos apresentaram uma boa linearidade, expressa como valores de r superiores a
0,993. No entanto, apenas o valor de r não é suficiente para avaliação da linearidade;
então é necessário que se faça uma avaliação da aleatoriedade dos resíduos, utilizandose uma metodologia baseada em três testes estatísticos, originalmente usados em
métodos univariados [50]. Para a confirmação da aleatoriedade dos resíduos é
necessário provar que os mesmos seguem uma distribuição normal, são homocedásticos
e independentes. Para verificação da normalidade dos resíduos, utilizou-se o teste de
Ryan-Joiner, no qual os resíduos são considerados normalmente distribuídos se o R
estimado for superior a um R crítico, e este valor crítico é calculado em função do
número de amostras. O teste foi feito com 95% de confiança e apenas o modelo de
previsão para o óleo de GI não atendeu a esse critério. No entanto, os resíduos de tal
modelo foram considerados normais num nível de confiança de 99 % (Tabela 9). Na
sequência, a homocedasticidade dos resíduos foi avaliada com o teste de BrownForsythe. Neste teste, os resíduos são considerados homoscedásticos se o valor de p
estimado estiver acima do p > 0,05 (95 %). Como pode ser observado, todos os modelos
apresentaram resíduos homoscedásticos a 95% de confiança. Finalmente, a presença de
autocorrelação dos resíduos foi avaliada com o teste de Durbin-Watson e, para três dos
quatro modelos, este teste comprovou que os resíduos são independentes a 95% de
confiança. A única exceção foi o modelo para quantificação de óleo de MI, para o qual
os resíduos só podem ser considerados independentes a 99% de confiança.
O bias, ou viés, foi calculado apenas com amostras de validação, de acordo com
a norma ASTM [59]. Este cálculo consiste em um teste t, no qual calcula-se tbias
(Equação 7), e se o valor de t calculado for maior que o t crítico para nv graus de
liberdade confirma-se a existência de erro sistemático. Como pode ser visto na Tabela 9,
63
não foi verificada a presença de erros sistemáticos em nenhum dos modelos
apresentados.
A precisão foi avaliada no nível de repetitividade através da estimativa do
coeficiente de variação CV (%) das triplicatas de três níveis de concentração, 4% m/m,
10 % m/m e 16 % m/m. A recomendação é que se faça 6 replicatas de pelo menos 3
níveis de concentração. O critério de aceitação é que o valor do coeficiente de variação
CV (%) seja inferior a 0,9 % para analitos de concentração 10 a 100 g/kg (1 a 10 %
m/m) e 0,7 % para analitos de concentração 100 a 200 g/kg (10 a 20 % m/m) [53].
Como pode ser visto na Tabela 9, os modelos apresentados não mostraram a precisão
recomendada, mas deve-se levar em consideração que o analito estudado aqui é um óleo
adulterante em uma matriz também oleosa e não se trata, portanto, de análise trivial.
Talvez estes valores de precisão recomendados estejam muito distantes da realidade de
tal análise.
A veracidade dos modelos pode ser avaliada pela raiz quadrada do erro
quadrático médio dos conjuntos de calibração (RMSEC) e validação (RMSEP). Estes
parâmetros variaram entre 0,55-0,97 % m/m e 1,01-1,73 % m/m, respectivamente,
indicando que os valores estimados apresentaram uma boa concordância com os valores
de referência. A veracidade pode ser observada também pelos erros médios relativos das
amostras de validação, os quais são mostrados nas Tabelas 5 a 8. A média dos valores
absolutos destes erros, para cada modelo, está entre 7,63 % e 12,14 %, mostrados na
Tabela 9.
Para os métodos univariados busca-se 100 % de seletividade, mas para métodos
multivariados não existe significado prático em estabelecer este requisito. Ao contrário
de métodos univariados, baixos valores de seletividade podem ser observados até
mesmo para métodos PLS considerados satisfatórios. Para os quatro modelos validados,
os valores estimados de seletividade indicam que apenas uma pequena fração (de 14 %
a 39 %) do sinal analítico foi utilizada para prever a adulteração.
A sensibilidade também foi estimada e depende da técnica analítica utilizada e,
por conseguinte, não é adequada para a comparação com outros métodos. Assim, a
sensibilidade analítica (γ) foi calculada dividindo a sensibilidade pela estimativa do
ruído instrumental (ε = 0,178), o qual foi obtido a partir do desvio padrão combinado de
15 repetições do branco. O inverso da γ fornece uma estimativa da diferença mínima de
concentração que pode ser discriminada pelo modelo e os valores variaram de 0,03 a
64
0,09 % m/m, isso considerando o ruído instrumental aleatório como única fonte de erro.
Este valor também indica o número de casas decimais (duas) para serem utilizados na
expressão dos resultados.
Os LD e LQ foram estimados em 3,3 e 10 vezes do inverso da γ,
respectivamente [93]. Para os LD os valores variaram de 0,1 a 0,3 % m/m e para LQ
variaram de 0,3 a 0,9 % m/m. Os resultados são apresentados na Tabela 9.
E, por fim, calculou-se o parâmetro RPD, a razão entre a variação natural nas
amostras de calibração ou de validação para o tamanho de prováveis erros que ocorrem
durante a predição [60]. Ele representa o quão bem o modelo de calibração quantifica o
analito nas amostras e, por levar em consideração a faixa de trabalho, é mais adequado
para avaliar o desempenho de um modelo em termos absolutos. De acordo com a
literatura [60, 94], bons modelos de calibração devem ter RPD superior a 2,4. Para os
quatro modelos, os valores de RPD variaram entre 3,1 e 5,6, indicando o seu bom
desempenho.
65
Tabela 9: Figuras de mérito dos quatro modelos PLS construídos com os dados ESI(+)-MS (os testes foram realizados a 95% de confiança)
Analito
Óleo de soja
Óleo de milho
Óleo de girassol
Óleo de canola
Parâmetro
Linearidade
Testes
Valores
calculados
Limites
Valores
calculados
Limites
Valores
calculados
Limites
Normalidade
R = 0,9829
R > 0,9696
R = 0,9860
R > 0,9689
R = 0,9609
R > 0,9580a
p > 0,05
p = 0,3357
p > 0,05
p = 0,5683
1,53 - 2,58
1,42
1,32 – 2,68 a
1,72
Homocedasticidade p = 0,6193
Independência
2,19
r
Erro Sistemático
Precisão
CV (%)
(4%, 10% e 16%)
t = 0,86
13,83
0,9951
t < 2,31
5,02
2,45
t = 0,84
10,16
R = 0,9706 R > 0,9696
p = 0,8622
1,76
0,9984
t < 2,26
6,84
1,54 – 2,57
2,53
t = 0,29
11,7
P > 0,05
1,53 – 2,58
0,9966
t < 2,26
6,72
Limites
3,01
t = 0,57
2,33
t < 2,31
1,58
RMSEC %m/m
0,97
0,91
0,55
0,69
RMSEP %m/m
1,73
1,01
1,37
1,03
Erro relativo médio
%
12,14
7,63
10,67
11,24
Seletividade
...
0,14
0,27
0,20
0,39
Sensibilidade
...
1,96
4,90
2,13
6,28
Sensibilidade
analítica γ (%
m/m)-1
...
11,0
27,5
12,0
35,3
1/ γ
...
0,09
0,04
0,08
0,03
LD % m/m
...
0,30
0,13
0,26
0,10
LQ % m/m
...
0,90
0,40
0,80
0,30
RPD calibração
3,1
5,6
4,3
5,6
RPD validação
3,3
5,5
4,0
5,2
Veracidade
RPD
a
Viés (Bias)
0,9931
p > 0,05
Valores
calculados
Testes realizados a 99% de confiança.
1,41
Modelos construídos com dados de ESI(-)-MS
Com as amostras separadas em dois blocos, 30 amostras para o conjunto de
calibração e 10 amostras para o conjunto de validação, iniciou-se a construção dos
modelos com os dados de ESI(-)-MS.
Os dados foram centrados na média e o número de VL de cada modelo foi
escolhido com base no menor valor do RMSECV. A validação cruzada foi feita por
blocos contínuos (com nove divisões).
Os modelos foram otimizados pela detecção de outliers. Para as amostras de
calibração utilizou-se uma metodologia que se baseia na eliminação de amostras com
alto leverage e altos resíduos [48,49] e para as amostras de validação utilizou-se o teste
de Jacknife [50].
O número de outliers variou entre três e cinco para os conjuntos de calibração e,
nos conjuntos de validação, foi detectado um outlier em cada modelo. Para o modelo de
quantificação de óleo de SO, as duas primeiras amostras (0,5 e 1,0 % m/m) foram
identificadas como outliers. Isso demonstra a incapacidade de previsão das amostras
com baixos teores de adulterante. Para o modelo de quantificação de óleo de GI a
amostra de 0,5% m/m foi retirada e para o modelo de quantificação de óleo de MI a
amostra de 0,5% m/m fez parte do conjunto de calibração. O número de amostras de
calibração e validação e o número de VLs após a otimização pode ser visto na Tabela
10.
Tabela 10: Número de amostras de validação e calibração e número de variáveis latentes para
cada modelo construído a partir de dados de ESI(-)-MS
Parâmetro
Óleo de SO
Óleo de MI
Óleo de GI
Nº de amostras de calibração
25
25
27
Nº de amostras de validação
9
9
9
Nº de VLs
4
4
5
Para os modelos de calibração construídos com os dados de ESI(-)-MS também
fez-se a análise dos íons que são mais importantes para a quantificação dos analitos
(óleos adulterantes) e esta verificação foi possível com base nos coeficientes de
regressão de cada modelo (Figura 17). As variáveis (m/z) com valores positivos nos
gráficos da Figura 17 contribuem para a predição do analito (adulterante) e as variáveis
com valores negativos estão relacionadas ao azeite de OEV. É possível observar os íons
67
referentes a ácidos graxos desprotonados citados anteriormente, de m/z 281 (ácido
oleico), m/z 279 (ácido linoleico), m/z 255 (ácido palmítico) e m/z 563 (dímero do ácido
oleico).
(a)
(b)
(c)
Figura 17: Coeficientes de regressão dos modelos de quantificação de óleo de SO (a), MI (b) e
GI (c) em azeite de OEV para os modelos construídos a partir de dados de ESI(-)-MS.
68
Quantificação de óleo de SO em azeite de OEV
O modelo construído para quantificação de óleo de SO em azeite de oliva extra
virgem explicou 97 % da variância dos dados em Y e 98 % em X. O RMSEC calculado
para o modelo foi 0,98 % m/m e o RMSEP foi 1,24 % m/m. O gráfico de ajuste dos
valores de referência versus valores preditos juntamente com as barras de erro que são
representadas pelo desvio padrão das triplicatas é mostrado na Figura 18. O maior erro
relativo de previsão para o conjunto de validação foi de 13,6 % (Tabela 11).
23
20
17
Valor predito
14
11
8
calibração
validação
5
2
-1 0
2
4
6
8
10
12
14
16
18
20
Valor de referência
Figura 18: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de SO em azeite de OEV construído a partir
de dados de ESI(-)-MS.
Tabela 11: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de SO em azeite de OEV construído a partir de
dados de ESI(-)-MS
Valor de Referencia (% m/m)
3,23
5,20
7,02
9,05
11,21
13,22
15,171
16,98
19,12
Valor Predito (% m/m)
3,19
5,51
6,80
9,57
10,86
11,68
17,23
17,63
21,10
Erro relativo (%)
-1,3
5,9
-3,0
5,7
-3,1
-11,7
13,6
3,8
10,4
69
Quantificação de óleo de MI em azeite de OEV
O modelo construído para quantificação de óleo de MI em azeite de OEV
explicou 94 % da variância dos dados em Y e 99 % em X. O RMSEC calculado para o
modelo foi 1,22 % m/m e o RMSEP foi 1,35 % m/m. O gráfico de ajuste dos valores de
referência versus valores preditos juntamente com as barras de erro que são
representadas pelo desvio padrão das triplicatas é mostrado na Figura 19. O maior erro
relativo de previsão para o conjunto de validação foi de 40,2 % (Tabela 12).
18
16
14
Valor predito
12
10
8
6
calibração
4
Validação
2
0
-1
1
3
5
7
9
11
13
15
17
19
-2
Valor de referência
Figura 19: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de MI em azeite de OEV construído a partir
de dados de ESI(-)-MS.
Tabela 12: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de MI em azeite de OEV construído a partir de
dados de ESI(-)-MS
Valor de Referência (% m/m)
Valor Predito (% m/m)
Erro relativo (%)
1,20
3,00
4,89
7,03
9,06
10,98
13,14
15,04
17,10
1,68
3,31
4,27
9,33
9,89
11,22
11,74
12,94
16,57
40,2
10,3
-12,7
32,8
9,1
2,1
-10,7
-14,0
-3,1
70
Quantificação de óleo de GI em azeite de OEV
O modelo construído para quantificação de óleo de GI em azeite de OEV
explicou 97 % da variância dos dados em Y e 71 % em X. O RMSEC calculado para o
modelo foi 0,93 % m/m e o RMSEP foi 1,64 % m/m. O gráfico de ajuste dos valores de
referência versus valores preditos juntamente com as barras de erro que são
representadas pelo desvio padrão das triplicatas é mostrado na Figura 20. O maior erro
relativo de previsão para o conjunto de validação foi de 57,2 % (Tabela 13).
20
18
16
Valor predito
14
12
10
8
6
calibração
validação
4
2
0
0
2
4
6
8
10
12
14
16
18
20
Valor referência
Figura 20 Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de ESI(-)-MS.
71
Tabela 13: Valores de referência, valores preditos e erros relativos para as amostras do conjunto
de validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de
dados de ESI(-)-MS
Valor de Referência (% m/m)
Valor Predito (% m/m)
Erro relativo (%)
3,46
5,58
7,51
9,67
11,52
13,51
15,60
17,66
19,54
5,44
6,76
7,09
10,32
12,62
13,90
14,37
17,80
18,34
57,2
21,2
-5,5
6,7
9,6
2,9
-7,9
0,8
-6,2
Quantificação de óleo de CA em azeite de OEV
Com os dados dos ESI(-)-MS não foi possível construir um bom modelo de
calibração para quantificação de óleo de CA em azeite de OEV. Uma explicação para
este fato pode estar relacionado à semelhança entre os ESI(-)-MS do óleo de canola e do
azeite de oliva, como foi mostrado e discutido anteriormente. O modelo construído
apresentou erros de previsão altíssimos e por isso não foram apresentados os resultados.
Validação dos modelos PLS construídos com dados ESI(-)-MS
Os três modelos construídos com dados do modo negativo também foram
validados por meio de estimativas de figuras de mérito.
A linearidade foi avaliada pelo ajuste dos valores de referência versus valores
preditos e por testes estatísticos que comprovam a aleatoriedade dos resíduos dos
modelos. Como pode ser observado na Tabela 14, dois dos três modelos construídos
apresentaram excelente ajuste, com r superior a 0,99. O modelo de quantificação de óleo
de MI teve um r menor (0,9740), mas que também demonstra um bom ajuste. De acordo
com os testes de Ryan-Joiner, Brow-Forsythe e Durbin-Watson, os resíduos dos três
modelos seguem uma distribuição normal, são homocedásticos e independentes a um
nível de 95% de confiança (Tabela 14).
72
A avaliação de erros sistemáticos foi feita de acordo com a norma da ASTM
[59] e, como pode ser visto na Tabela 14, não existe indício de erros sistemáticos nos
modelos.
A precisão foi avaliada no nível de repetitividade através da estimativa do CV
(%) das triplicatas de três níveis de concentração, 4 % m/m, 10 % m/m e 16 % m/m, da
mesma maneira que foi feito para os modelos construídos no modo positivo. Os valores
de coeficiente de variação CV (%) para o menor valor de concentração variaram de 5,5
a 19 %, para o valor intermediário (3,3 a 9 %) e para o maior valor (2,2 a 3,5 %), Tabela
14. Os modelos construídos com dados de ESI(-)-MS não mostraram a precisão
recomendada, assim como ocorreu com os modelos construídos com dados de ESI(+)MS.
A veracidade dos modelos foi avaliada através dos valores de RMSEC, que
variou de 0,93 a 1,22 % m/m, e RMSEP, que variou de 1,23 a 1,64 % m/m. Também foi
calculado o erro relativo das amostras dos conjuntos de validação (tabelas 11 a 13) e as
médias dos valores absolutos dos erros para cada modelo, que variaram de 6,5 a 15%,
são mostradas na Tabela 14.
Estimou-se também a seletividade para os três modelos, e os valores obtidos
indicam que apenas 12, 10 e 11 % do sinal analítico foram usados para a quantificação
de óleo de SO, óleo de MI e óleo de GI, respectivamente.
A sensibilidade e sensibilidade analítica (γ) foram estimadas. Para o cálculo da γ
foi necessário a estimativa do ruído instrumental (ε) que, para o modo negativo foi
0,143. O inverso da sensibilidade analítica fornece a diferença mínima, entre
concentrações que pode ser discriminado pelo método, com este valor (γ-1) é possível
calcular o LD e LQ (Tabela 14). O mínimo discernível pelos métodos foram, 0,2 %
m/m, 0,06 % m/m e 0,1 % m/m para os modelos de quantificação de óleo de SO, MI e
GI, respectivamente, e os valores de LD variaram de 0,2 a 0,6 % m/m e LQ variaram de
0,6 a 1,9 % m/m.
Os valores de RPD foram calculados e os resultados podem ser vistos na Tabela
14. Os modelos de quantificação de óleo de SO e óleo de MI apresentaram bom
desempenho e somente o modelo de quantificação de óleo de GI apresentou um valor
RPD menor que 2,4 para o conjunto de calibração. Isso ocorreu porque o RMSECV
calculado foi 3,8 % m/m, bem maior que o RMSEP de 1,64 %m/m. Isso normalmente
não ocorre, pois tanto o RMSECV e RMSEP são calculados com as previsões de
73
amostras que não pertencem ao modelo e normalmente eles têm valores bem próximos,
como foi observado nos seis modelos anteriores.
Após a validação dos modelos, pode-se fazer comparações com outros métodos,
também construídos com dados de ESI-MS, encontrados na literatura. Vale ressaltar que
neste trabalho foi realizada uma validação completa, ausente em qualquer outro trabalho
publicado na literatura. Em um dos artigos citados inicialmente, que realizou a
quantificação de biomarcadores de colesterol alto [27], os autores construíram o modelo
com cinco VLs e estimaram o ajuste da curva de valores de referência versus valores
preditos (r2 = 0,995), o RMSEC (15,0835 mg/dL) e o RMSECV (34,6087 mg/dL), mas
não avaliaram o RMSEP, devido à inexistência de um conjunto de validação
independente. No artigo que realizou a quantificação de surfactantes em óleo [26], o
único parâmetro avaliado pelos autores foi o ajuste da curva de valores de referência e
valores preditos (r2 = 0,97). No artigo que realizou a quantificação de cafés das espécies
robusta e arábica [28], os autores construíram vários modelos, nos modos positivo e
negativo, e avaliaram os parâmetros de veracidade, RMSEC, que variou de 1,90-4,37 %
m/m, e RMSEP, que variou de 2,54-23,03 % m/m.
Também é possível fazer comparações dos resultados do presente trabalho com
outros modelos PLS construídos com dados de infravermelho para a quantificação de
óleos adulterantes em azeite de oliva. Dois destes artigos foram construídos com dados
de infravermelho médio (MIR) [80,81]. No primeiro artigo, os autores construíram
modelos PLS e PCR para a quantificação de óleo de palma [80], mas somente avaliaram
os parâmetros de linearidade e veracidade: r2, RMSECV (0,285-1,44 % m/m) e RMSEP
(0,616-2,27 % m/m). No segundo artigo, os parâmetros avaliados foram r2, RMSEC
(0,48-0,78 % m/m) e RMSEP (1,04-1,4 % m/m) [81]. Em outro artigo previamente
citado, os autores utilizaram dados de NIR [82] e construíram modelos PLS para a
quantificação de óleo de soja, milho, girassol, canola e algodão em azeite de OEV, mas
também só avaliaram os parâmetros de veracidade, RMSECV (0,45-7,60 % m/m) e
RMSEP (0,94-6,41 % m/m). É possível, então, a comparação dos valores de RMSEC e
RMSEP dos modelos construídos no presente trabalho e os parâmetros dos modelos
encontrados na literatura. Assim, o desempenho dos modelos validados no presente
trabalho é comparável como o dos outros modelos, tanto para outras matrizes e analitos
utilizando ESI-MS, quando para a mesma matriz, utilizando outras técnicas de análise.
74
Tabela 14: Figuras de mérito dos quatros modelos PLS construídos com dados ESI(-)-MS (os testes foram realizados a 95% de confiança)
Analito
Parâmetro
Linearidade
Óleo de soja
Óleo de girassol
Testes
Valores
calculados
Limites
Valores
calculados
Limites
Valores
calculados
Limites
Normalidade
R = 0,9756
R > 0,9674
R = 0,9816
R > 0,9674
R = 0,9947
R > 0,9689
p > 0,05
p = 0,2310
p > 0,05
p = 0,6574
p > 0,05
1,51 - 2,49
1,58
1,51 – 2,49
2,15
Homocedasticidade p = 0,17929
Independência
1,77
r
Erro Sistemático
Óleo de milho
Viés (Bias)
0,9941
t = 0,98
0,9740
t < 2,26
t = 0,13
1,53 – 2,47
0,9921
t < 2,26
t = 0,68
t < 2,26
RMSEC % m/m
0,98
1,22
0,93
Veracidade
RMSEP % m/m
1,23
1,35
1,64
6,50
15
15
Precisão
Erro relativo médio
%
CV (%)
Seletividade
...
0,12
0,10
0,11
Sensibilidade
...
0,739
2,45
1,44
Sensibilidade
analítica γ (%
m/m)-1
...
5,17
17,13
10,1
1/ γ
...
0,2
0,06
0,1
LD % m/m
...
0,6
0,20
0,3
LQ % m/m
...
1,9
0,60
1,0
RPD calibração
4,7
4,0
1,4
RPD validação
4,4
4,0
3,3
RPD
(4%, 10% e 16%)
5,5
3,3
2,2
19,0
9,0
3,5
5,9
5,3
3,1
4.3 Desenvolvimento de modelos PLS com dados de ESI-MS de alta
resolução – ESI-HRMS
A resolução de um espectrômetro de massas pode ser definida pela sua capacidade
de separar íons de m/z muito próximos, que em um espectrômetro de massas de baixa
resolução seriam indistinguíveis [95].
A alta resolução e alta exatidão de massas apresentada pelo espectrômetro de
massas utilizado neste trabalho (modelo IT-TOF, é devido à união de dois analisadores, ion
trap (IT) e time-of-flight (TOF), e pelo controle interno de temperatura do equipamento,
que garante uma distância de voo e uma voltagem aceleradora de íons altamente estáveis,
podendo assim atingir altos níveis de estabilidade de massa. Obtém-se, assim, leitura de
massas com exatidão na quarta casa decimal, possibilitando a identificação inequívoca da
fórmula molecular do íon, sem a necessidade de fragmentação.
4.3.1 Objetivo
Construir modelos PLS para quantificação de óleo de girassol em azeite de oliva
extra virgem com dados de ESI(+)-HRMS e ESI(-)-HRMS
4.3.2 Parte experimental
4.3.2.1 Amostras
O azeite de oliva extra virgem foi contaminado propositalmente com óleo de
girassol. Preparou-se 40 amostras, com a concentração do adulterante variando de 0,5 até
20,0 % m/m, com incrementos de 0,5 % m/m, as amostras foram pesadas em balança
analítica (Adventurer Pro, Ohaus Corporation, Pine Brook, NJ, USA).
76
4.3.2.2 Preparo de amostras
Reagentes
Metanol (Grau HPLC (99,9%) – Merck)
Hidróxido de Amônio (Grau HPLC (28-30%) – J.T.Baker)
A água utilizada no preparo das soluções foi purificada com um sistema Milli-Q de
purificação (Millipore, Eschborn, Alemanha)
Procedimento
Realizou-se uma extração líquido-líquido prévia, pois não é possível injetar a
amostra oleosa diretamente no espectrômetro de massas. Em um frasco Eppendorf
adicionou-se 100 µL de óleo e 1,0 mL de solução metanol/água 50 % v/v e 0,1 % de
hidróxido de amônio. Essa mistura foi agitada em vortex (Phoenix AP-56) por 30 segundos
e mantida em repouso até a separação completa das fases. A fase aquosa foi transferida para
vials de 2 mL para uso no injetor automático, que direciona as amostras para a leitura nos
modos positivo e negativo simultaneamente. Todas as amostras foram preparadas em
triplicata e colocadas no injetor de forma aleatória.
4.3.2.3 Obtenção dos espectros de massas
As análises foram realizadas no modo de infusão direta utilizando o espectrômetro
de massas modelo IT-TOF (Shimadzu, Tokyo, Japão). Foram injetados 5µL de amostra e as
seguintes condições de análise foram aplicadas: ionização (ESI) nos modos positivo e
negativo (4,5 kV e -3,5 kV, respectivamente), gás de nebulização (nitrogênio) a um fluxo
de 1,5 L/min, interface a 200ºC e gás de secagem (nitrogênio) a uma pressão de 100 kpa.
77
4.3.2.4 Tratamento dos dados
O processamento quimiométrico foi realizado utilizando os softwares PLS Toolbox
v. 6.5 (Eigenvector Research Inc., Wenatchee, WA, EUA) e Matlab v. 7.9 (The Mathworks
Inc., Natick, MA, EUA).
4.3.3 Resultados
4.3.3.1 Análise dos espectros de massas nos modos positivo e negativo
No ESI(+)-HRMS referente à amostra de azeite de oliva extra virgem (Figura 21) o
único íon identificado com absoluta certeza foi aquele de m/z 417,1581, é atribuído ao
composto fenólico acetoxypinoresinol. No ESI(+)-HRMS referente à amostra de óleo de
girassol (Figura 22) os íons não foram identificados. Nos ESI(-)-HRMS do azeite de oliva
extra virgem (Figura 23) e do óleo de girassol (Figura 24) foi possível observar os íons
referentes às formas desprotonadas dos ácidos palmítico (m/z 255,2355), linoleico (m/z
279,2353) e oleico (m/z 281,2500). Outro íon também identificado no ESI(-)-HRMS do
azeite de oliva extra virgem foi aquele de m/z 153,0539, referente à forma desprotonada do
hidroxitirosol, um composto fenólico existente no azeite. Utilizando um espectrômetro de
massas de alta resolução, é possível determinar a fórmula molecular de cada íon, através de
suas massas exatas, com erro máximo de 20 ppm. Outro parâmetro que pode ser avaliado
para a confirmação estrutural é o DBE, Double Bond Equivalence, que permite estimar o
número de insaturações presentes em uma estrutura química [95]. As massas experimentais
e teóricas, juntamente com o erro e o DBE, são apresentados na Tabela 15. Na Tabela 16,
as fórmulas estruturais de todos os compostos identificados são apresentadas.
78
Figura 21: ESI(+)-HRMS referente à amostra de azeite de oliva extra virgem.
Inten.(x10,000)
1.5
437
377
1.0
0.5
0.0
315
73
113
215
276
250
535
496 582 640 698
730 796
500
750
918
965
m/z
Figura 22: ESI(+)-HRMS referente à amostra de óleo de girassol.
Figura 23: ESI(-)-HRMS referente à amostra de azeite de oliva extra virgem.
79
Figura 24: ESI(-)-HRMS referente à amostra de óleo de girassol.
Tabela 15: Fórmula molecular, massa experimental e teórica, erro e DBE dos compostos
identificados por HRMS
Fórmula
molecular
C22H24O8
Íon
Massa do íon
tabelada
417,1549
Erro (ppm)
DBE
[M+H]+
Massa do íon
medida
417,1581
7,67
11
C18H34O2
[M-H]-
281,2500
281,2481
6,76
2
C8H10O3
[M-H]-
153,0539
153,0552
-8,49
4
C18H32O2
[M-H]-
279,2353
279,2324
10,39
3
C16H32O2
-
255,2355
255,2324
12,15
1
[M-H]
80
Tabela 16: Fórmulas molecular e estrutural dos compostos identificados por HRMS
Fórmula molecular
Fórmula estrutural
acetoxypinoresinol
OH
O
OMe
C22H24O8
OCOCH 3
MeO
O
HO
Acetoxipinoresinol
Ácido Oleico
O
C18H34O2
HO
oleico
Hidroxitirosol
OH
C8H10O3
HO
OH
hidroxitirosol
Ácido linoleico
O
HO
C18H32O2
Linoleico
Ácido Palmítico
O
HO
C16H32O2
Palmitico
81
4.3.3.2 Quantificação de óleo de girassol em azeite de oliva extra virgem
Para a construção dos modelos de quantificação utilizaram-se as 40 amostras
adulteradas propositadamente (30 para o conjunto de calibração e 10 para o conjunto de
validação). As amostras de calibração e validação foram escolhidas de modo que as
amostras de validação ficassem distribuídas de forma homogênea em toda a faixa de
concentração. As extrações das amostras foram feitas em triplicata e, para as análises,
utilizou-se um injetor automático. O equipamento utilizado faz a leitura de ambos os
modos, positivo e negativo, simultaneamente; então, o procedimento de extração foi feito
uma única vez.
Após a separação das amostras em dois conjuntos, calibração e validação, iniciou-se
a construção dos modelos. Os dados foram centrados na média e o número de VLs de cada
modelo foi escolhido com base no menor valor de RMSECV. A validação cruzada e a
detecção de outliers foram realizadas da mesma maneira descrita anteriormente para os
dados de ESI-MS, no item 4.2.3.2.
Para o modelo construído com os dados de ESI(+)-HRMS somente um outlier foi
identificado no conjunto de calibração (amostra adulterada com 0,5 % m/m). No modelo
construído com dados ESI(-)-HRMS não foi identificado nenhum outlier no conjunto de
calibração. O número de amostras de calibração e validação e o número de VLs para os
modelos podem ser vistos na Tabela 17.
Tabela 17: Número de amostras de validação e calibração e número de variáveis latentes para os
modelos de quantificação de óleo de GI em azeite de OEV
Quantificação de óleo de GI em azeite
OEV
Nº de amostras de calibração
Dados de ESI(+)HRMS
29
Dados de ESI(-)HRMS
30
Nº de amostras de validação
8
9
Nº de VLs
6
5
Para os modelos de quantificação de óleo de GI em azeite de OEV com dados de
ESI-HRMS também se determinou os íons mais importantes para a quantificação através
dos coeficientes de regressão estimados (Figura 25 e 26).
82
No gráfico dos coeficientes de regressão do modelo construído com os dados de
ESI(+)-HRMS (Figura 24) observa-se, além do íon de m/z 417,1549 (valor positivo), outras
variáveis mais relevantes. Normalmente, as variáveis com valores positivos nos
coeficientes de regressão estão relacionadas ao analito, mas a variável de m/z 417,1549 tem
um valor muito pequeno e, portanto, pouco relevante na quantificação do óleo de GI em
azeite de OEV. No gráfico dos coeficientes de regressão do modelo construído com dados
de ESI(-)-HRMS (Figura 25) observa-se as variáveis de m/z 279,2353 e 255,2355 com
valores positivos. Isso já era esperado, pois estes íons foram identificados no espectro de
massas do óleo de GI. As variáveis de m/z 153,0539 e 281,2500 apresentam valores
negativos, pois são relativas a íons identificados no espectro de massas do azeite de OEV.
Figura 25: Coeficiente de regressão dos modelos de quantificação de óleo de GI em azeite de OEV
obtido do modelo construído com dados ESI(+)-HRMS.
83
Figura 26: Coeficiente de regressão dos modelos de quantificação de óleo de GI em azeite de OEV obtido do modelo construído com dados ESI(-)-HRMS.
Modelo construído com os dados de ESI(+)-HRMS para quantificação de óleo de
GI em azeite de OEV
O modelo construído com os dados de ESI(+)-HRMS explicou 96 % da variância
dos dados em Y e 57 % em X. Os valores de RMSEC e RMSEP calculados foram 1,17 %
m/m e 1,98 % m/m, respectivamente. O gráfico de ajuste de valores de referência versus
valores preditos, juntamente com as barras de erro que representam o desvio padrão das
triplicatas de cada amostra, é mostrado na Figura 27. O maior erro relativo de previsão para
o conjunto de validação foi de 44% (Tabela 18).
84
23
21
19
Valor predito
17
15
13
11
9
7
Calibração
5
Validação
3
1
1
3
5
7
9
11
13
15
17
19
21
Valor de referência
Figura 27: Ajuste dos valores preditos vs valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo GI em azeite de OEV construído a partir de
dados de ESI(+)-HRMS.
Tabela 18: Valores de referência, valores preditos e erros relativos para as amostras do conjunto de
validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de dados
de ESI(+)-HRMS
Valor de Referência (% m/m)
3,04
4,90
7,04
11,01
12,98
15,07
17,01
19,07
Valor Predito (% m/m)
4,38
4,72
6,43
8,72
12,01
16,88
16,20
18,22
Erro relativo (%)
44,1
-3,6
-8,7
-20,7
-7,5
12,0
-4,7
-4,4
85
Modelo construído com os dados ESI(-)-HRMS para quantificação de óleo de GI
em azeite de OEV
O modelo construído com os dados de ESI(-)-HRMS explicou 95 % da variância
dos dados em Y e 67 % em X. O RMSEC calculado foi 1,28 % m/m e o RMSEP foi 1,34 %
m/m. O gráfico de ajuste de valores de referência versus valores preditos juntamente com
as barras de erro é mostrado na Figura 28. O maior erro relativo de previsão para o conjunto
de validação foi de -31,4% (Tabela 19). Mas, todos os demais erros foram inferiores a 10%.
21
19
17
15
Valor predito
13
11
9
7
Calibração
5
Validação
3
1
-1 0
2
4
6
8
10
12
14
16
18
20
Valor de referência
Figura 28: Ajuste dos valores preditos vs valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo GI em azeite de OEV construído a partir de
dados de ESI(-)-HRMS.
86
Tabela 19: Valores de referência, valores preditos e erros relativos para as amostras do conjunto de
validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de dados
de ESI(-)-HRMS
Valor de Referência (% m/m)
1,01
3,04
4,90
7,04
9,02
12,98
15,07
17,01
19,07
Valor Predito (% m/m)
0,70
3,24
4,94
7,70
9,82
13,42
15,52
17,82
18,80
Erro relativo (%)
-31,4
6,4
0,6
9,1
8,9
3,3
3,0
4,7
-1,4
Validação dos modelos PLS construídos com dados de alta resolução para
quantificação de óleo de GI em azeite de OEV.
Os dois métodos PLS desenvolvidos para quantificação de óleo de GI foram
validados por meio de estimativas de figuras de mérito. Os resultados estão apresentados na
Tabela 20.
A linearidade foi avaliada pelo coeficiente de correlação do ajuste dos valores de
referência versus valores preditos e por testes que comprovam a aleatoriedade dos resíduos
do modelo. Os dois modelos apresentaram excelente ajuste e, de acordo com os testes de
Ryan-Joiner, Brow-Forsythe e Durbin-Watson, os resíduos de ambos os modelos seguem
uma distribuição normal, são homocedásticos e independentes a um nível de 95% de
confiança, apenas o teste de independência dos resíduos (Durbin Watson), para o modelo
construído com dados de ESI(+)-HRMS, foi realizado à 99 % de confiança (Tabela 20).
Fez-se também avaliação de erros sistemáticos, de acordo com a norma da ASTM
[59]. Como pode ser visto na Tabela 20, não existe indício de erro sistemático em ambos os
modelos a um nível de 95% de confiança.
A veracidade foi avaliada por meio dos valores de RMSEC, de 1,17 e 1,28 % m/m,
e de RMSEP, de 1,98 e 1,34 % m/m, para os modos positivo e negativo, respectivamente
(Tabela 20). Também foi avaliado o erro relativo das amostras de validação (Tabelas 18 e
19) e as médias dos valores absolutos dos erros relativos foram 13,24 % e 7, 67 %, para os
87
modelos construídos a partir de dados ESI(+)-HRMS e ESI(-)-HRMS, respectivamente
(Tabela 20).
A precisão foi avaliada no nível de repetitividade através do cálculo do CV (%) das
triplicatas de três níveis de concentração, 4 % m/m, 10 % m/m e 16 % m/m. Os valores de
CV (%) para o menor nível de concentração foram 12,45 e 9,88 %, para o nível
intermediário, 12,27 e 11,33 %, e para o maior nível, 4,71 e 5,84 %, para os modos positivo
e negativo, respectivamente (Tabela 20). Os modelos construídos com dados de ESI(+)HRMS e ESI(-)-HRMS não mostraram a precisão recomendada, assim como ocorreu com
os modelos anteriores que utilizaram dados de baixa resolução.
Os valores de seletividade para os dois modelos indicam que 16 % e 25 % do sinal
analítico foram usados para a quantificação do óleo de GI em azeite de OEV nos modelos
construídos com dados ESI(+)-HRMS e ESI(-)-HRMS, respectivamente.
A sensibilidade e a sensibilidade analítica (γ) foram estimadas e, para o cálculo
desta última, foi necessária a estimativa do ruído instrumental (ε) para os modos positivo
(0,178) e negativo (0,195). O inverso da sensibilidade analítica (γ-1) fornece o mínimo de
concentração discernível pelo método, considerando como única fonte de erro o ruído
instrumental. Com o valor de γ-1 é possível calcular o LD e LQ (Tabela 20), os valores de
LD estimados foram 0,30 e 0,46 % m/m, e de LQ foram 0,90 e 1,39 % m/m, para os modos
positivo e negativo, respectivamente.
O RPD também foi calculado e os valores variaram entre 2,55 e 4,79, indicando o
bom desempenho dos modelos construídos.
Finalizada a validação destes dois métodos, foi possível comparar os modelos de
quantificação do óleo de GI construído com dados de MS de alta e baixa resolução. Para os
dados obtidos no modo positivo, tanto alta como baixa resolução originaram bons modelos.
No entanto, o modelo com os dados de baixa resolução foi um pouco superior devido aos
menores valores de RMSEC, RMSEP e erros relativos. Além disso, este modelo produziu
valores de RPD superiores, o que indica sua maior capacidade preditiva. Para os modelos
com dados no modo negativo, ambos os modelos (alta e baixa resolução) atendem a
finalidade para à qual foram desenvolvidos. No entanto, o modelo com dados de alta
resolução foi um pouco superior, pois produziu melhor veracidade e maiores valores de
88
RPD. Com isso, o uso de um equipamento de alta resolução (de maior custo) não é
justificado, já que a qualidade dos modelos PLS obtidos não foi superior. No entanto, o uso
de um equipamento de alta resolução permite a identificação de forma inequívoca dos
compostos (variáveis) mais importantes para o modelo de calibração.
Tabela 20: Figuras de mérito para validação dos modelos de quantificação de óleo de GI em azeite
de OEV construídos a partir de dados de ESI-RHMS
Modo positivo
Modo negativo
Parâmetro
Linearidade
Testes
Valores
calculados
Limites
Valores
calculados
Limites
Normalidade
R = 0,9863
R > 0,9702
R= 0,9820
R> 0,9709
Homocedasticidade
p = 0,8064
p > 0,05
p = 0,0579
p > 0,05
2,14
1,54 – 2,46
Independência
1,52
r
Erro Sistemático
Precisão
Viés (Bias)
CV%
(4%, 10% e 16%)
a
1,33-2,67
0,9865
t = 0,68
12,45
0,9917
t < 2,31
12,27
4,71
t = 2,17
9,88
t < 2,26
11,33
RMSEC%m/m
1,17
1,28
RMSEP %m/m
1,98
1,34
Erro relativo médio
%
13,24
7,67
...
0,16
0,25
...
3,74
1,40
...
11,11
7,17
1/ γ
...
0,09
0,14
LD %m/m
...
0,30
0,46
LQ %m/m
...
0,90
1,39
RPD calibração
2,93
2,55
RPD validação
2,94
4,79
Veracidade
Seletividade
Sensibilidade
(%m/m)-1
Sensibilidade
analítica γ
(%m/m)-1
RPD
5,84
a
Testes realizados a 99% de confiança.
89
4.4 Desenvolvimento de modelos PLS com dados de EASI-MS
4.4.1 Objetivo
Construir modelos PLS para a quantificação de óleo de girassol em azeite de oliva
extra virgem com dados de EASI(+)-MS e EASI(-)-MS.
4.4.2 Parte experimental
4.4.2.1 Amostras
O azeite de OEV foi contaminado propositalmente com o óleo de GI. Preparou-se
40 amostras, com a concentração do adulterante variando de 0,5 até 20,0 % m/m, com
incrementos de 0,5 % m/m, as amostras foram pesadas em balança analítica (Adventurer
Pro, Ohaus Corporation, Pine Brook, NJ, USA).
.
4.4.2.2 Obtenção dos Espectros de Massas
Ensaios foram realizados no laboratório Thomson (IQ – UNICAMP) utilizando a
fonte de ionização EASI (Easy Ambient Sonic-spray Ionization) em um espectrômetro de
massas mono-quadrupolo LCMS-2010 EV (Shimadzu, Japão) operando nos modos
positivo e negativo de análise. A fonte EASI foi operada com metanol em fluxo de 20 µL
min-1 e gás de nebulização (N2) numa vazão de 3 L/min. O ângulo de superfície-entrada foi
de 30°. Para as análises, as amostras (1 µL) foram depositados na superfície de um papel
(Craft marrom - envelope de papel). Todas as amostras foram analisados em triplicata.
90
4.4.2.3 Tratamento dos dados
O processamento quimiométrico foi realizado utilizando os softwares PLS Toolbox
v. 6.5 (Eigenvector Research Inc., Wenatchee, WA, EUA) e Matlab v. 7.9 (The Mathworks
Inc., Natick, MA, EUA).
4.4.3 Resultados
4.4.3.1 Análise dos espectros de massas nos modos positivo e negativo
No EASI(+)-MS referente à amostra de azeite de OEV (Figura 29) observa-se os
íons de m/z 882, 908 e 910 referentes a TAGs presentes no azeite. Na literatura foi
encontrado um estudo de determinação de triacilglicerois por EASI [87] que relata a
composição dos TAGs, os quais formam adutos com os cátions sódio e potássio. Então, os
íons m/z de 882, 908 e 910 são adutos de sódio, [TAG+Na]+, dos triacilglicerois POO,
OOO e SOO (P - ácido palmítico, O - ácido oleico e S - ácido esteárico). O mesmo
aconteceu com a análise do óleo de GI (Figura 30), para o qual os íons observados são m/z
902, 904 e 906, que se referem aos adutos [TAG+Na]+ dos triacilglicerois LLL, LLO e SLL
(L - ácido linoleico).
Nos EASI(-)-MS mostrados nas Figuras 31 e 32, referentes às amostras de azeite de
OEV e óleo de GI, respectivamente, é possível observar os íons referentes a alguns ácidos
graxos desprotonados, i.e ácido palmítico (m/z 255), ácido linoleico (m/z 279), ácido oleico
(m/z 281) e ácido esteárico(m/z 283). Todos estes compostos foram previamente
determinados por EASI em um estudo de controle de qualidade de azeite, no qual o foco
era a certificação de origem do azeite [37].
91
Inten.(x10,000)
908
2.5
882
0.0
250
940
643
523
304
500
750
m/z
(a)
Inten.(x10,000)
5.0
908
2.5
882
0.0
870
910
898
880
890
900
940
924
903
910
920
930
940
m/z
(b)
Figura 29: EASI(+)-MS referente à amostra de azeite de OEV: (a) Toda a faixa estudada e (b)
ampliação na região dos TAGs.
Inten.(x10,000)
904
2.0
1.0
878 936
639
0.0
250
500
750
m/z
(a)
4.0
Inten.(x10,000)
3.0
904
902 906
2.0
1.0
0.0
870
878
880
890
900
910
900
910
920
920
936
930
940
940
m/z
(b)
Figura 30: EASI(+)-MS referente à amostra de óleo de GI: (a) Toda a faixa estudada e (b)
ampliação na região dos TAGs.
92
Inten.(x1,000)
281
2.5
283
0.0
122
319
199
585
559
377
447
628 679
250
500
Figura 31: EASI(-)-MS referente à amostra de azeite de OEV.
Inten.(x1,000)
766
987
843 897 939
750
m/z
279
1.5
1.0
255
0.5
169
233
339
421
463
584
518
0.0
250
500
Figura 32: EASI(-)-MS referente à amostra de óleo de GI.
654
735
785
811
750
984
894 938
m/z
4.3.3.2 Quantificação de óleo de girassol em azeite de oliva extra virgem
Para a construção do modelo de quantificação utilizaram-se as 40 amostras
adulteradas propositadamente (30 para o conjunto de calibração e 10 para o conjunto de
validação). As amostras de calibração e validação foram escolhidas de modo que as
amostras de validação ficassem distribuídas de forma homogênea em toda a faixa de
concentração. As análises foram feitas em triplicata para ambos os modos, positivo e
negativo. Somente o modelo construído com os dados do modo positivo é apresentado, pois
os dados com o modo negativo não foram coerentes.
Após a separação das amostras em dois conjuntos, calibração e validação, iniciou-se
a construção do modelo. Os dados foram centrados na média e o número de VLs foi
escolhido com base no menor valor de RMSECV. A validação cruzada foi feita por blocos
93
contínuos (com nove divisões). Os modelo foi otimizado pela detecção de outliers de
maneira semelhante ao que foi feito com dados de ESI-MS, como descrito no item 4.2.3.2.
O melhor modelo foi construído com quatro VLs, 27 amostras de calibração e oito amostras
de validação. Das três amostras identificadas como outliers no conjunto de calibração, duas
são as de concentrações mais baixas, 0,5 % m/m e 1,0 % m/m. O modelo explicou 93 % da
variância dos dados em Y e 43 % em X. O RMSEC calculado para o modelo foi 1,47 %
m/m, enquanto o RMSEP foi 1,78 % m/m. O gráfico de ajuste dos valores de referência
versus valores preditos juntamente com as barras de erro que representam o desvio padrão
das triplicatas é mostrado na Figura 33. O maior erro relativo de previsão para o conjunto
de validação foi -29,8% (Tabela 21).
23
21
19
17
Valor predito
15
13
11
9
7
calibração
5
validação
3
1
-1 0
2
4
6
8
10
12
Valor de referência
14
16
18
20
Figura 33: Ajuste dos valores preditos vs valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de óleo GI em OEV construído a partir de dados de
EASI(+)-MS.
94
Tabela 21: Valores de referência, valores preditos e erros relativos para as amostras do conjunto de
validação do modelo de quantificação de óleo de GI em azeite de OEV construído a partir de dados
de EASI(+)-MS
Valor de Referência (% m/m)
3,10
5,07
7,01
9,05
11,01
13,14
15,07
19,02
Valor Predito (% m/m)
3,86
3,57
7,46
9,98
10,67
10,12
14,99
16,98
Erro relativo (%)
24,6
-29,8
6,5
10,2
-3,1
-22,9
-0,5
-10,7
Para o modelo de quantificação de óleo de GI em azeite de OEV com dados de
EASI(+)-MS também fez-se a análise dos íons mais importantes através da observação dos
coeficientes de regressão (Figura 34).
Figura 34: Coeficiente de regressão do modelo de quantificação de óleo de girassol em azeite de
oliva extra virgem obtido dos dados de EASI(+)-MS.
No gráfico dos coeficientes de regressão observa-se tanto variáveis não
identificadas quanto outras já citadas durante a discussão dos espectros de massas. Os
coeficientes com valores positivos estão relacionados aos íons de m/z 902 e 904, referentes
95
aos [TAG +Na]+ observados no EASI(+)-MS do óleo de GI. Os coeficientes com valores
negativos referem-se aos íons de m/z 882, 908 e 910, que foram identificadas como TAGs
encontrados no azeite.
Validação do modelo PLS construído com dados de EASI(+)-MS para
quantificação de óleo de GI em azeite de OEV.
O modelo PLS construído a partir de dados de EASI-MS também foi validado
através da estimativa de figuras de mérito. Os resultados estão apresentados na Tabela 22.
A linearidade foi avaliada pelo coeficiente de correlação do ajuste dos valores de
referência versus valores preditos e por testes que comprovam a aleatoriedade dos resíduos
do modelo. O modelo apresentou excelente ajuste e, de acordo com os testes de RyanJoiner, Brow-Forsythe e Durbin-Watson, os seus resíduos seguem uma distribuição normal,
são homocedásticos e independentes.
Fez-se também avaliação de erros sistemáticos, de acordo com a norma da ASTM
[59]; o valor de t calculado foi 1,2 e o t crítico a 95% de confiança é 2,30, e então, não
existe indício de erro sistemático no modelo (Tabela 22).
A veracidade foi avaliada por meio do RMSEC igual a 1,47 % m/m, RMSEP igual a
1,78 % m/m (Tabela 22) e erros relativos das amostras de validação (Tabelas 21), e a média
dos valores absolutos dos erros foi igual a 13,54 % (Tabela 22).
A precisão foi avaliada no nível de repetitividade através do cálculo do CV (%) das
triplicatas de três níveis de concentração, 4 % m/m, 10 % m/m e 16 % m/m, e os valores
estimados foram 17,9 %, 13,4 % e 8,2 %, respectivamente (Tabela 22).
A seletividade do modelo foi 0,18, o que indica que 18 % do sinal analítico foi
usado para a quantificação do óleo de GI em azeite de OEV.
A sensibilidade e a sensibilidade analítica (γ) foram estimadas e para o cálculo da γ
foi necessário a estimativa do ruído instrumental (ε=1,026). O valor γ-1 fornece o mínimo
de concentração discernível pelo método (0,2 % m/m), considerando como única fonte de
erro o ruído instrumental. Com o valor de γ-1, é possível calcular LD = 0,7 % m/m e LQ =
2,1 % m/m (Tabela 22).
96
O RPD também foi calculado e para os conjuntos de calibração (2,55) e validação
(2,99). Estes valores indicam um bom desempenho do modelo.
Finalmente, pode-se comparar este método de quantificação com os outros dois que
foram desenvolvidos para quantificar óleo de GI em azeite de OEV. Os três modelos
construídos com dados no modo positivo foram validados e demonstraram uma boa
eficiência. No entanto, o modelo construído com dados do EASI(+)-MS apresentou os
maiores limites de detecção e quantificação. Isso provavelmente ocorreu devido ao maior
nível de ruído da técnica EASI em comparação com a técnica ESI. Quando se avalia os
parâmetros de veracidade, os valores dos três modelos são bem próximos. Contudo, quando
se compara os valores de RPD, conclui-se que o melhor modelo foi aquele construído com
os dados de ESI(+)-MS de baixa resolução. Apesar disso, a técnica EASI-MS apresenta
vantagens importantes, tais como: rapidez (o tempo pode ser reduzido pela metade, quando
comparada à ESI-MS) e a não utilização de nenhuma etapa de extração da amostra. Então,
dependendo da quantidade de amostras e do tempo disponível para a análise, a técnica
EASI-MS pode ser uma alternativa atraente a ser utilizada no o controle de qualidade do
azeite de OEV.
97
Tabela 22: Figuras de mérito para validação do modelo de quantificação de óleo de GI em azeite de
OEV construído a partir de dados de EASI(+)-MS
Parâmetro
Linearidade
Testes
Valores
calculados
Limites
Normalidade
R = 0,9744
R > 0,9683
Homocedasticidade
p = 0,8500
p > 0,05
Independência
2,39
1,52-2,48
r
Erro Sistemático
Precisão
Viés (Bias)
CV%
0,9815
t = 1,2
17,9
t < 2,30
13,4
RMSEC%m/m
1,47
RMSEP %m/m
1,78
Erro relativo médio %
13,54
Seletividade
...
0,18
Sensibilidade (% m/m)-1
...
4,80
Sensibilidade analítica γ (%
m/m)-1
...
4,68
1/ γ
...
0,2
LD % m/m
...
0,7
LQ % m/m
...
2,1
RPD calibração
2,55
RPD validação
2,99
Veracidade
RPD
8,2
4.5 Conclusões parciais
Os dados provenientes dos ESI(+)-MS de amostras representativas de azeites de
oliva (extra virgem e puro) e azeite extra virgem adulteradas com diversos tipos de óleos
(SO, MI, GI, CA e azeite de OP) foram utilizados para a construção de um modelo de
classificação, PLS2-DA, e as amostras foram classificadas inequivocamente.
Os dados provenientes dos ESI(+)-MS e ESI(-)-MS foram utilizados para a
construção de modelos de calibração multivariada, os quais foram validados pelo cálculo de
98
figuras de mérito. Sete modelos foram construídos, sendo possível quantificar teores de
óleo de SO, óleo de MI, óleo de GI e óleo de CA em azeite de OEV, vale ressaltar que as
amostras com adulterações de 0,5% foram consideradas outlier em alguns modelos. Além
disso, o método é rápido, não exige maiores tratamentos das amostras e gera poucas
quantidades de resíduos.
Os dados provenientes dos ESI(+)-HRMS e ESI(-)-HRMS foram utilizados para a
construção de dois modelos de calibração multivariada, para a quantificação de óleo de GI
em azeite de OEV. Os dois modelos apresentaram desempenho semelhante àqueles obtidos
a partir de dados de espectrometria de massas de baixa resolução.
Finalmente, os dados obtidos por EASI(+)-MS foram utilizados para a construção
de um modelo de calibração multivariada, visando a quantificação de óleo de GI em azeite
de OEV. O modelo, validado através do cálculo de figuras de mérito, apresentou
desempenho semelhante àquele gerado por ESI(+)-MS. Estes resultados indicam, portanto,
que a técnica EASI pode ser convenientemente aplicada no controle de qualidade e
quantificação de adulteração em azeite de OEV.
99
Capitulo 5 - Quantificação de biodiesel em diesel
100
5.1 Introdução
O biodiesel e outras fontes de energia renováveis são de grande interesse para todos,
pois o preço do barril do petróleo, fonte não renovável de energia, está sempre se elevando
e existe também uma grande preocupação ambiental com a queima de combustíveis fósseis.
Hoje, o álcool combustível representa uma política bem sucedida quando se leva em
consideração que nossa gasolina comercial tem 25% de álcool, além dos carros flex que
podem utilizar ambos os combustíveis separadamente ou em qualquer proporção e o
biodiesel está percorrendo o mesmo caminho. O biodiesel é obtido de fontes renováveis,
como óleos vegetais e gordura animal e é uma alternativa muito atraente para substituição,
em parte, do óleo diesel, obtido do petróleo [36].
Atualmente, o Brasil está entre os maiores produtores e consumidores de biodiesel
do mundo [8] e, de acordo com a Agência Nacional do Petróleo, Gás Natural e
Biocombustíveis (ANP), as matérias primas mais utilizadas na obtenção do biodiesel têm
sido o óleo de soja (80,6 %), o sebo bovino (13,7%) e o algodão (3,6%) [96]. O Brasil é
grande produtor e possui grande potencial para aumentar ainda mais a produção de
biodiesel devido à sua grande extensão territorial. O aumento da produção de biodiesel é
um dos motivos que contribuirá para o crescente desenvolvimento econômico do país.
A partir de 2008, a adição de biodiesel puro (B100) ao diesel passou a ser
obrigatória. Entre janeiro e junho de 2008, a mistura de B100 ao óleo diesel foi estabelecida
em 2 % v/v e, entre julho de 2008 e julho de 2009, passou a 3 % v/v. A partir de
01/07/2009, o biodiesel passou a ser adicionado ao óleo diesel na proporção de 4 % em
volume [97]. Estava previsto um aumento para 5% v/v a partir de 2013, mas o governo
brasileiro antecipou este aumento para 2010 [36]. A concentração de biodiesel se manteve
em 5 % v/v na mistura diesel/biodiesel até junho de 2014 e, por meio de uma medida
provisória, o percentual da mistura aumentou para 6 % v/v em 01/07/2014, devendo passar
a ser 7 % v/v a partir de 01/11/2014 [98-100]. O teor de biodiesel no diesel deve aumentar
ainda mais e testes com o B20, ou seja 20 % v/v de biodiesel em diesel, já estão sendo
realizados pela Petrobrás [101].
101
A partir de janeiro de 2009, a ANP estabeleceu que o teor de biodiesel nas amostras
analisadas pelo Programa de Monitoramento da Qualidade dos Combustíveis fosse
determinado seguindo a Norma Européia EN 14078 [102]. Esta norma descreve análises
por infravermelho médio de amostras de derivados líquidos de petróleo diluídas em
cicloexano. A quantificação é feita utilizando uma curva analítica univariada, que relaciona
a concentração de biodiesel à intensidade da banda características de ésteres (1745+5) cm-1.
Este procedimento é pouco robusto e está sujeito a erros, pois no infravermelho a absorção
ocorre em faixas e não em um valor específico e outros grupos funcionais podem interferir,
absorvendo neste mesmo número de onda. Deste modo, escolher somente um número de
onda para construir uma curva de calibração pode levar a erros.
Em 2008, a Associação Brasileira de Normas Técnicas (ABNT) publicou a norma
NBR 15568 para determinação do teor de biodiesel utilizando a espectroscopia na região do
MIR e modelos de calibração multivariada. Neste método, a calibração multivariada é
aplicada a medidas de absorbância no infravermelho médio. As amostras podem ser lidas
diretamente, sem diluição, na faixa de 0,5 a 30% v/v. Entretanto, a presença de
contaminantes que contenham grupos carbonila pode causar falsos resultados [96].
Apesar das ações de monitoramento e de fiscalização, o óleo diesel B5 (5 % v/v)
com parâmetros de qualidade fora da especificação tem sido comercializado no Brasil. De
acordo com o boletim de monitoramento da qualidade dos combustíveis da ANP, o teor de
biodiesel ainda é um dos maiores motivos de detecção de não conformidades neste
combustível [103]. Existe uma melhora deste cenário, pois em 2010 o teor de biodiesel
representava mais de 40% das não conformidades [104] e atualmente representa pouco
mais que 23 % (Figura 35). É necessário um maior controle de qualidade deste combustível
e uma atenção maior na determinação do teor de biodiesel.
102
Figura 35: Distribuição da não conformidade por item especificado para o diesel (Fonte: ANP,
dados de Maio de 2014).
Além dos métodos padrões citados acima, foram propostos métodos alternativos
para a quantificação de biodiesel em diesel. Na literatura são descritas aplicações de
calibração multivariada utilizando dados de infravermelho [105-107], ressonância
magnética nuclear [108], cromatografia gasosa bidimensional acoplada ao massas [109], e
espectrometria de massas com ionização por electrospray (ESI-MS) [8,25]. No entanto,
nenhum dos trabalhos mencionados realizou uma validação analítica multivariada, que é
um tópico de grande importância para aplicações quantitativas, mas cujos conceitos
começaram a ser consolidados apenas recentemente [44].
5.2 Objetivo
Quantificar o teor de biodiesel em diesel através de modelos de calibração
multivariada utilizando o método PLS a partir de dados de ESI-MS e validar o
método desenvolvido.
103
5.3 Parte experimental
5.3.1 Amostras
As amostras de diesel-S50 (combustíveis com teor de enxofre máximo de 50 mg/kg)
foram cedidas pelo laboratório de ensaios de combustíveis da Universidade Federal de
Minas Gerais (LEC/DQ-UFMG), as quais são procedentes da REGAP (Refinaria Gabriel
Passos), localizada em Betim/MG, Brasil. As amostras de biodiesel metílico de soja foram
produzidas em Rondonópolis-MT no dia 07/08/2012, nº do lote 763707082012.
As misturas foram preparadas à temperatura ambiente utilizando uma balança
analítica (Adventurer Pro, Ohaus Corporation, Pine Brook, NJ, USA). Em seguida, as
concentrações % m/m foram convertidas a % v/v, a fim de expressar os resultados para teor
de biodiesel na mesma unidade de medida utilizada nas normas EN14078 e ABNT15568. A
concentração de biodiesel em diesel variou de 1 a 25% v/v.
5.3.2 Preparo de amostras
Reagentes
Metanol (Grau HPLC (99,9%) – Merck).
Procedimento
Realizou-se uma extração líquido-líquido prévia, pois não é possível injetar a
amostra diretamente no espectrômetro de massas. Em um frasco Eppendorf adicionou-se
100 µL de óleo e 1,0 mL de metanol. Essa mistura foi agitada em vortex (Phoenix AP-56)
por 30 segundos e mantida em repouso até a separação completa das fases, então a fase
metanólica foi injetada no equipamento. Todas as amostras foram preparadas em triplicata.
104
5.3.3 Obtenção dos espectros de massas
Os espectros de massas, modo positivo, foram adquiridos no espectrômetro de
massas com ionização electrospray e analisador íon trap (LCQ-Fleet, Thermo-Scientific).
Para a obtenção dos espectros, a fase metanólica foi injetada continuamente no
espectrômetro de massas. A amostra foi bombeada por uma seringa (Hamilton 500 µL)
com fluxo de 10 µL/min. A tensão aplicada para a formação do electrospray foi 4,5 kV e a
temperatura de dessolvatação foi 275 °C.
5.3.4 Tratamento dos dados
Para a realização das análises multivariadas, foi construída a matriz de dados X.
Esta matriz é um agrupamento de vetores que representam as amostras, ou seja, cada linha
traz valores medidos para cada variável de uma amostra. A variável é a razão massa/carga
(m/z) de cada íon e cada valor de intensidade relativa num dado m/z forma um elemento da
matriz. O processamento quimiométrico foi realizado utilizando os softwares PLS Toolbox
v. 6.5 (Eigenvector Research Inc., Wenatchee, WA, EUA) e Matlab v. 7.9 (The Mathworks
Inc., Natick, MA, EUA).
5.4 Resultados
No espectro de massas do diesel puro (Figura 36), é possível observar séries
homólogas. As séries homólogas são sequências de moléculas orgânicas pertencentes a uma
função química, cujas cadeias carbônicas diferem entre si por um valor constante de massa
molar. No espectro de massas do biodiesel puro (Figura 37) os íons não foram
identificados.
105
biodiesel #1-50 RT: 0.00-0.39 AV: 50 NL: 2.68E4
T: ITMS + c ESI Full ms [50.00-1000.00]
559
100
90
594
525
554
80
Relative Abundance
623
490
628 658
663
70
60
50
692
456
727
520
40
761
698
30
796 830
800
20
314
10
151 185
127
0
100
222
256 285
200
348
300
407 422
869
461
899
400
500
600
700
800
933 967
900
997
1000
m/z
Figura 36: ESI(+)-MS referente à amostra de diesel.
biodiesel_140702181643 #1-50 RT: 0.00-0.39 AV: 50 NL: 8.66E3
T: ITMS + c ESI Full ms [50.00-1000.00]
784
100
779
90
Relative Abundance
80
70
60
848
50
740
40
701
789
965
30
790
853
20
960
621
10
0
127 151
100
229 258
200
331 365
300
423
400
438
553 587
500
m/z
600
696
892 925
623
700
800
900
970
1000
Figura 37: ESI(+)-MS referente à amostra de biodiesel.
Amostras utilizadas para a construção dos modelos
Para a construção do modelo de calibração utilizou-se as 35 amostras de misturas
com concentração de 1 a 25 % v/v. O limite superior foi 25 % v/v para que o modelo
ficasse acima do B20, pois esta mistura está em fase de testes pela ANP [100]. As
adulterações foram programadas para que houvesse mais amostras com concentrações na
faixa de 4,5 – 5,5 % v/v, pois o foco eram as amostras B5, com uma variação de 0,5 % nas
106
concentrações, o que é permitido pela legislação [110]. Com isso, o planejamento englobou
quatro amostras abaixo do limite aceitável (1 a 4 % v/v, com incrementos de 1 % v/v), 16
amostras dentro do limite (quatro amostras de 4,5 % v/v, oito amostras de 5 % v/v e quatro
amostras de 5,5 % v/v), 15 amostras acima do limite (10 amostras com concentrações de 6
a 15 % v/v, com incrementos de 1 % v/v e cinco amostras com concentrações de 17 a 25 %
v/v, com incrementos de 2 % v/v). Das 35 amostras preparadas, 11 (duas abaixo de 4,5 %
v/v, cinco dentro do limite 4,5-5,5 % v/v e quatro acima de 5,5 % v/v) foram separadas para
o conjunto de validação. Todas as extrações foram feitas em triplicata.
5.4.1 Quantificação de biodiesel em diesel
Para a construção do melhor modelo, os dados foram centrados na média. Durante a
otimização do modelo foi retirado um outlier do conjunto de calibração [48,49] e outro do
conjunto de validação [50]. Quatro VLs foram selecionadas através de validação cruzada
por blocos contínuos (com nove divisões) e o melhor modelo explicou 98 % da variância
dos dados em Y e 80 % em X. O RMSEC calculado para o modelo foi 0,70 % v/v e o
RMSEP foi 0,81 % v/v. Os gráficos de ajuste dos valores de referência versus valores
preditos dos conjuntos de calibração e validação, juntamente com as barras de erro, são
apresentados na Figura 38.
Na tabela 23 estão apresentados os erros de previsão para o conjunto de validação,
sendo que o maior erro foi 43%.
107
26
24
22
20
Valor predito
18
16
14
12
10
calibração
validação
8
6
4
2
0
0
2
4
6
8
10
12
14
16
Valor de referência
18
20
22
24
26
Figura 38: Ajuste dos valores preditos vs. valores de referência dos conjuntos de calibração e
validação para o modelo de quantificação de biodiesel em diesel construído a partir de dados de
ESI(+)-MS.
Tabela 23: Valores de referência, valores preditos e erros relativos para as amostras do conjunto de
validação do modelo de quantificação de biodiesel em diesel construído a partir de dados de ESI(+)MS.
Valor de Referência (% v/v)
2,06
3,97
4,52
4,58
5,02
5,05
5,58
6,94
14,07
23,08
Valor Predito (% v/v)
2,94
3,75
5,09
4,96
4,92
5,22
6,00
6,65
15,28
21,83
Erro relativo (%)
42,6
-5,7
12,5
8,4
-1,9
3,5
7,5
-4,3
8,6
-5,4
108
Validação do modelo construído para quantificação de biodiesel em diesel
O modelo construído para a quantificação de biodiesel em diesel foi validado por
meio de estimativas de figuras de mérito.
A linearidade foi avaliada pelo ajuste dos valores de referência versus valores
preditos e por testes estatísticos que comprovaram a aleatoriedade dos resíduos dos
modelos. Como pode ser observado na Tabela 24, o modelo apresentou excelente ajuste,
com r superior a 0,99. De acordo com o teste de Ryan-Joiner, os resíduos seguem uma
distribuição normal a um nível de 99 % de confiança. De acordo com os testes BrowForsythe e Durbin-Watson, os resíduos do modelo são homocedásticos e independentes a
um nível de 95% de confiança (Tabela 24).
A avaliação de erros sistemáticos foi feita de acordo com a norma da ASTM [57] e,
como pode ser visto na Tabela 24, não existe indício de erros sistemáticos.
A precisão foi avaliada no nível de repetitividade através da estimativa do CV (%)
das triplicatas de quatro níveis de concentração, 3 % v/v, 5 % v/v, 10 % v/v e 19 % v/v. Os
valores de CV (%) das amostras foram 8,46 %, 6,33 %, 6,09 % e 2,87 %, respectivamente
(Tabela 24).
A veracidade do modelo foi avaliada através dos valores de RMSEC (0,70 % v/v),
RMSEP (0,81 % v/v) e dos erros relativos das amostras dos conjuntos de validação
(Tabelas 23 e 24). Além disso, calculou-se a média dos valores absolutos dos erros (10,05
%), apresentada na Tabela 24.
Estimou-se também a seletividade do modelo (0,30), que indica que 30 % do sinal
analítico foi usado para a quantificação de biodiesel em diesel (Tabela 24).
A sensibilidade e sensibilidade analítica (γ) foram estimadas. Para o cálculo da γ foi
necessário a estimativa do ruído instrumental (ε = 1,908). O inverso da sensibilidade
analítica fornece a diferença mínima (0,3 % v/v), entre concentrações que pode ser
discriminado pelo método, com este valor (γ-1) é possível calcular o LD e LQ (Tabela 24).
Os valores de LD e LQ calculados foram 1,0 e 3,1 % v/v), respectivamente.
Os valores de RPD foram calculados, para os conjuntos de calibração (3,06) e
validação (7,83), conforme a Tabela 24.
109
Após a validação do modelo, podem-se fazer comparações com outros métodos,
encontrados na literatura. Vale ressaltar que neste trabalho foi realizada uma validação
completa, ausente nos trabalhos já publicados.
Em três dos artigos citados inicialmente, nos quais os autores utilizaram dados de
infravermelho [105-107], os únicos parâmetros avaliados foram linearidade (R2),
veracidade (RMSEC, RMSECV, RMSEP e erro médio), sendo que os dois últimos
avaliaram a presença de erro sistemático. No primeiro trabalho [105], os dados espectrais
foram autoescalados, pré-processamento não recomendado para este tipo de dados, mas
obteve-se um ótimo ajuste dos valores preditos versus valores de referência (R2=0,9996) e
ótimos valores de RMSECV e RMSEP, os quais variaram de 0,21 a 0,18 % v/v e 0,16 a
0,32 % v/v, respectivamente. No segundo trabalho [106], os autores usaram dados de
infravermelho médio e próximo com alguns pré-processamentos para comparação dos
resultados. Os melhores modelos foram obtidos com dados de infravermelho próximo, com
RMSEC variando de 0,195 a 0,9521 % v/v e RMSEP variando de 0,269 a 2,111 % v/v. No
terceiro trabalho [107], os autores prepararam as misturas diesel/biodiesel utilizando
biodiesel de diferentes origens; as concentrações de biodiesel variaram de 0,5 a 100 %
m/m. Dois modelos, ambos com 10 VLs, foram construídos utilizando espectros de
infravermelho médio e próximo, e os resultados obtidos foram: R2 (99,99 e 100), RMSEP
(0,202 e 0,061 % m/m) e valor médio de CV % (0,80 e 0,24%).
Outro trabalho, no qual os autores utilizaram dados de ressonância magnética
nuclear [108] para construir modelos PLS e PCR, também obteve bons resultados, mas os
autores concluíram que os métodos foram adequados para quantificação de amostras com
concentrações superiores a 2 % v/v.
E, finalmente, no trabalho em que modelos PLS foram construídos a partir de dados
de ESI(+)-MS [8], os autores testaram vários pré-tratamentos nos dados espectrais; os
modelos construídos apresentaram RMSEC (0,001 a 0,42 % v/v), RMSECV (0,67 a 1,04 %
v/v) e RMSEP (0,51 a 1,11 % v/v), valores que demostram sua boa qualidade, mas o uso
dos diferentes pré-tratamentos não foi justificado.
É possível, então, a comparação dos valores de RMSEC (0,70 % v/v) e RMSEP
(0,81 % v/v) do modelo construído no presente trabalho com os parâmetros dos modelos
110
encontrados na literatura, chegando-se a conclusão que seu desempenho é comparável com
o dos outros modelos já publicados.
Tabela 24: Figuras de mérito para validação do modelo de quantificação de biodiesel em diesel
construído a partir de dados de ESI(+)-MS.
Parâmetro
Linearidade
Testes
Valores
calculados
Limites
Normalidade
R = 0,9609
R > 0,9528a
Homocedasticidade
p = 0,4821
p > 0,05
Independência
1,10
1,51-2,49
r
Erro Sistemático
Exatidão
Viés (Bias)
0,9952
t = 0,80
t < 2,22
RMSEC%m/m
0,70
RMSEP %m/m
0,81
Erro relativo médio %
10,05
Precisão
CV%
Seletividade
...
0,30
Sensibilidade (% v/v)-1
...
6,24
Sensibilidade analítica γ (% v/v)-1
...
3,27
1/ γ
...
0,3
LD %m/m
...
1,0
LQ %m/m
...
3,1
RPD calibração
3,06
RPD validação
7,83
RPD
8,46
6,33
6,09
2,87
5.5 Conclusões parciais
Os dados provenientes dos ESI(+)-MS de amostras de diesel b (misturas
diesel/biodiesel) foram utilizados para a construção de um modelo de calibração
111
multivariada, o qual foi validado pelo cálculo de figuras de mérito. O modelo construído foi
considerado linear, exato, com boa capacidade preditiva e sem evidências de erros
sistemáticos, foram calculados também os limites de detecção e quantificação, valores que
atendem ao objetivo.
Além disso, o método é rápido, não exige maiores tratamentos das amostras e gera
poucas quantidades de resíduos.
Capitulo 6 - Conclusão final
A espectrometria de massas mostrou ser uma técnica valiosa para o controle de
qualidade de azeite de oliva extra virgem e diesel b, especialmente quando associada à
ferramentas quimiométricas.
Dados de ESI-MS foram usados na construção de um modelo PLS2-DA. O modelo
classificou corretamente amostras de azeite de oliva, de qualidades diferentes e adulteradas,
mesmo quando esta adulteração é muito baixa, ao nível de 0,5 % m/m. A técnica também
pode ser utilizada como fonte de dados para a construção de modelos de calibração
multivariada para quantificar diversos óleos adulterantes em azeite de oliva extra virgem,
com baixos erros de previsão, mesmo em amostras com baixos teores de adulterante.
Dados de ESI-HRMS também foram utilizados para construção de modelos PLS
para quantificação de óleo de girassol em azeite de oliva extra virgem. Os modelos
mostraram eficiência comparável àqueles construídos com dados de baixa resolução. Devese ressaltar, no entanto, que os modelos construídos com dados de alta resolução têm a
vantagem da identificação inequívoca dos íons (variáveis).
Dados de EASI(+)-MS foram usados para construção de um modelo PLS para
quantificar óleo girassol em azeite de oliva extra virgem, o qual apresentou desempenho
semelhante àquele gerado por ESI(+)-MS. Isso demostra que a técnica EASI-MS pode ser
aplicada no controle de qualidade de azeite de oliva extra virgem, o que representa grande
vantagem por se tratar de uma análise extremamente rápida. Todos os modelos construídos,
112
com dados de ESI-MS, ESI-HRMS e EASI-MS, foram validados, provando que podem ser
utilizados por outros analistas no controle de qualidade de azeite de oliva extra virgem.
A espectrometria de massas com ionização electrospray também foi utilizada com
sucesso para quantificar biodiesel em diesel. Assim como no caso anterior, os modelos de
calibração multivariada foram validados através do cálculo de figuras de mérito, com
potencial possibilidade de aplicação para o controle de qualidade de diesel b.
Todos os trabalhos propostos contribuíram de forma significativa para a construção
do conhecimento na área de concentração escolhida e agora um controle de qualidade
semelhante pode ser aplicado em outras matrizes.
No trabalho foi possível desenvolver e validar métodos de quantificação
multivariados utilizando técnicas nunca antes utilizadas para tal fim, o que torna o trabalho
aqui desenvolvido, um trabalho inédito e pioneiro. Essa característica permitirá que o
presente trabalho sirva de referência para o desenvolvimento de trabalhos futuros.
Capitulo 7 – Referencias Bibliográficas
1.
Cienfuegos, F., Vaitsman, D., Análise Instrumental, ed. Interciencias. Vol. único.
2000, Rio de Janeiro.
2.
Wang, Y. H., Qiu, C., Wang. D. W., Hu, Z. F., Yu, B. Y., Zhu, D. N., Identification
of multiple constituents in the traditional Chinese medicine formula Sheng-Mai San
and rat plasma after oral administration by HPLC–DAD–MS/MS. Journal of
Pharmaceutical and Biomedical Analysis, 54, 1110-1127, 2011.
3.
Ortega, N., Maria-Paz Romero, M. P., Alba Macià, A., Jordi Reguant, J., Neus
Anglès, N., José-Ramón Morelló, J. R., Maria-Jose Motilva, M. J., Comparative
study of UPLC–MS/MS and HPLC–MS/MS to determine procyanidins and alkaloids
in cocoa samples. Journal of Food Composition and Analysis, 23, 298-305, 2010.
4.
Karioti, A., Fani, E., Vincieri, F.F., Bilia, A. R., Analysis and stability of the
constituents of Curcuma longa and Harpagophytum procumbens tinctures by
113
HPLC-DAD and HPLC–ESI-MS. Journal of Pharmaceutical and Biomedical
Analysis,. 55, 479-486, 2011.
5.
Lee, J. H., Lee, J. S., Park, S., Kim, H. K., Jeong, W. Y., Choi, J. Y., Sung, N. J.,
Lee, W. S., Lim, C. S., Kim, G. S., Shin, S. C., Characterisation of flavonoids in
Orostachys japonicus A. Berger using HPLC–MS/MS: Contribution to the overall
antioxidant effect. Food Chemistry, 124, 1627-1633, 2011.
6.
de Souza, P. P., Oliveira, L. C. A., Catharino, R. R., Eberlin, M. N., Augusti, D. V.,
Siebald, H. G. L., Augusti, R., Brazilian cachaça: “Single shot” typification of
fresh alembic and industrial samples via electrospray ionization mass spectrometry
fingerprinting. Food Chemistry, 115, 1064-1068, 2009.
7.
Cao, H., Huang, H., Xu, W., Chen, D., Yu, J., Li, J., Li, L., Fecal metabolome
profiling of liver cirrhosis and hepatocellular carcinoma patients by ultra
performance liquid chromatography–mass spectrometry. Analytica Chimica Acta,.
691, 68-75, 2011.
8.
Prates, R. G. D., Augusti, R.,
Fortes, I. C. P., Electrospray Ionization Mass
Spectrometry and Multivariate Calibration Analysis: A Combined Protocol To
Quantify Biodiesel in Blends with Petrodiesel. Energy & Fuels, 24, 3183-3188,
2010.
9.
Silverstein, R. M., Webster, F. X., Identificação Espectrométrica de compostos
Orgânicos, LTC, 2000, Rio de Janeiro.
10.
van der Werf, I. D., Calvano, C. D., Palmisano, F., Sabbatini, L., A simple protocol
for Matrix Assisted Laser Desorption Ionization- time of flight-mass spectrometry
(MALDI-TOF-MS) analysis of lipids and proteins in single microsamples of
paintings. Analytica Chimica Acta, 718, 1-10, 2012.
11.
Venter,
A., Nefliu, M., Cooks, R. G., Ambient desorption ionization mass
spectrometry. TrAC Trends in Analytical Chemistry, 27, 284-290, 2008.
12.
Alberici, R. M., Simas, R. C., Sanvido, G. B., Romão, W., Lalli, P. M., Benassi, M.,
Cunha, I. B. S., Eberlin, M. N., Ambient mass spectrometry: bringing MS into the
“real world”. Analytical and Bioanalytical Chemistry, 398, 265-294, 2010.
114
13.
Yamashita, M., Fenn, J. B., Electrospray I o n Source. Another Variation on the
Free-Jet Theme. Journal of Physical Chemistry, 88, 4451 - 4459, 1984.
14.
Fenn, J. B., Mann, M., Meng, C. K., Wong, S. F., Whitehouse, C. M., Electrospray
Ionization for Mass-Spectrometry of Large Biomolecules. Science, 246, 64-71,
1989.
15.
Crotti, A. E. M., Vessecchi, R., Lopes, J. L. C., Lopes, N. P., Espectrometria de
massas com ionização por "electrospray": processos químicos envolvidos na
formação de íons de substâncias orgânicas de baixo peso molecular. Quimica
Nova, 29, 287-292, 2006.
16.
Lordeiro, R. A., Construção de uma fonte EASI-MS (Easy Ambient Sonic-Spray
Ionization) para análise direta de superfícies e sua aplicação em amostras de
interesse foresse., Dissertação, Universidade Federal de Minas Gerais: Belo
Horizonte, p. 78, 2011.
17.
Mauri, P., Pietta, P., Electrospray characterization of selected medicinal plant
extracts. Journal of Pharmaceutical and Biomedical Analysis, 23, 61-68, 2000.
18.
Cooper, H. J., Marshall, A. G., Electrospray ionization Fourier transform mass
spectrometric analysis of wine. Journal of Agricultural and Food Chemistry, 49,
5710-5718, 2001.
19.
Araújo, A. S., da Rocha, L. L., Tomazela, D. M., Sawaya, A. C., Almeida, R. R.,
Catharino, R. R., Eberlin, M. N., Electrospray ionization mass spectrometry
fingerprinting of beer. Analyst, 130, 884-889, 2005.
20.
Møller, J. K., Catharino, R. R., Eberlin, M. N., Electrospray ionization mass
spectrometry fingerprinting of whisky: immediate proof of origin and authenticity.
Analyst, 130, 890-897, 2005.
21.
Møller, J.K.S., Catharino, R. R., Eberlin, M. N., Electrospray ionization mass
spectrometry fingerprinting of essential oils: Spices from the Labiatae family. Food
Chemistry, 100, 1283-1288, 2007.
22.
Wu, Z., Rodgers, R. P., Marshall, A. G., Characterization of vegetable oils:
Detailed compositional fingerprints derived from electrospray ionization Fourier
115
transform ion cyclotron resonance mass spectrometry. Journal of Agricultural and
Food Chemistry, 52, 5322-5328, 2004.
23.
Catharino, R. R., Haddad, R., Cabrini, L. G., Cunha, I. B. S., Sawaya, A. C. H. F.,
Eberlin, M. N., Characterization of vegetable oils by electrospray ionization mass
spectrometry fingerprinting: Classification, quality, adulteration, and aging.
Analytical Chemistry, 77, 7429-7433, 2005.
24.
Ruiz-Samblás, C., Tres, A., Koot, A., Ruth, S. M. V., González-Casado, A.,
Cuadros-Rodríguez, L., Proton transfer reaction-mass spectrometry volatile
organic compound fingerprinting for monovarietal extra virgin olive oil
identification. Food Chemistry, 134, 589-596, 2012.
25.
Eide, I., Zahlsen, K., Chemical Fingerprinting of Biodiesel Using Electrospray
Mass
Spectrometry
and
Chemometrics:
Characterization,
Discrimination,
Identification, and Quantification in Petrodiesel. Energy Fuels, 21, 3702–3708,
2007.
26.
Eide, I., Zahlsen, K., Kummernes, H., Neverdal, G., Identification and
Quantification of Surfactants in Oil Using the Novel Method for Chemical
Fingerprinting Based on Electrospray Mass Spectrometry and Chemometrics.
Energy Fuels, 20,1161-1164, 2006.
27.
Yang, L., Bennett, R., Strum, J., Ellsworth, B. B., Hamilton, D., Tomlinson, M.,
Wolf, R. W., Housley, M., Roberts, B. A., Welsh, J., Jackson, B. J., Wood, S.
G.,Banka, C. L., Thulin, C. D., Linford, M. R., Screening phosphatidylcholine
biomarkers in mouse liver extracts from a hypercholesterolemia study using ESIMS and chemometrics. Anal. Bioanal. Chem., 393, 643–654, 2009.
28.
Garrett, R., Vaz, B. G., Hovell, A. M. C., Eberlin, M. N., Rezende, C. M., Arabica
and Robusta Coffees: Identification of Major Polar Compounds and Quantification
of Blends by Direct-Infusion Electrospray Ionization−Mass Spectrometry. Journal
of Agricultural and Food Chemistry, 60, 4253-4258, 2012.
29.
Hirabayashi, A., Sakairi, M., Koizumi, H., Sonic Spray Ionization Method for
Atmospheric Pressure Ionization Mass Spectrometry. Analytical Chemistry, 66,
4557-4559, 1994.
116
30.
Hirabayashi, A., Sakairi, M., Koizumi, H., Sonic Spray Mass Spectrometry.
Analytical Chemistry, , 67, 2878-2882, 1995.
31.
Hirabayashi, A., Hirabayashi, Y., Sakairi, M., Koizumi, H., Multiply-charged Ion
Formation by Sonic Spray. Rapid Communication in Mass Spectrometry, 10, 17031705, 1996.
32.
Haddad, R., Sparrapan, R., Eberlin, M. N., Desorption sonic spray ionization for
(high) voltage-free ambient mass spectrometry, Rapid Communication in Mass
Spectrometry, , 20, 2901-2905, 2006.
33.
Haddad, R., Sparrapan, R., Kotiaho, T., Eberlin, M. N., Easy Ambient Sonic Spray
Ionization-Membrane Interface Mass Spectrometry for Direct Analysis of Solution
Constituents. Analytical Chemistry, 80, 898-903, 2008.
34.
Haddad, R., Catharino, R. R., Marques, L. A., Eberlin, M. N., Perfume
fingerprinting by easy ambient sonic-spray ionization mass spectrometry: nearly
instantaneous typification and counterfeit detection. Rapid Communication in Mass
Spectrometry, 22, 3662-3666, 2008.
35.
Saraiva, S. A., Abdelnur, P. V., Catharino, R. R., Nunes, G., Eberlin, M. N., Fabric
softeners: nearly instantaneous characterization and quality control of cationic
surfactants by easy ambient sonic-spray ionization mass spectrometry. Rapid
Communication in Mass Spectrometry, 23, 357-362, 2009.
36.
Alberici, R. M., Simas, R. C., de Souza, V., de Sá, G. F., Daroda, R. J., Eberlin, M.
N., Analysis of fuels via easy ambient sonic-spray ionization mass spectrometry.
Analytical Chimica Acta, 659, 15-22, 2010.
37.
Riccio, M. F., Sawaya, A. C. H. F., Abdelnur, P. V., Saraiva, S. A., Haddad, R.,
Eberlin, M. N., Catharino, R. R., Easy ambient sonic-spray ionization mass
spectrometric of olive oils: Quality control and certification of geographical origin.
Analytical Letters, 44, 1489-1497, 2011.
38.
Schalley, C. A., Supramolecular chemistry goes gas phase: the mass spectrometric
examination of noncovalent interactions in host–guest chemistry and molecular
recognition. International Journal of Mass Spectrometry, 194, 11-39, 2000.
117
39.
Lanças, F. M. A., Cromatografia líquida moderna e a espectrometria de massas:
Finalmente “compatíveis”? II. A escolha do analisador de massas. Scientia
Chromatographica, 5, 27-46, 2013
40.
Ferreira, M. M. C., Antunes, A. M., Melgo, M. S., Volpe, P. L. O., Quimiometria I:
calibração multivariada, um tutorial. Quimica Nova, 22, 724-731, 1999.
41.
Neto, B. B., Scarminio, I. S., Bruns, R. E., 25 anos de quimiometria no Brasil.
Quimica Nova, 29, 1401-1406, 2006.
42.
Bruns, R. E., Faigle, J. F. G. Quimiometria. Quimica Nova, 8, 84-99,1985.
43.
de Sena, M. M., Frighetto, R. T. S., Valarini, P. J., Poppi, R. J., Avaliação do uso de
métodos quimiométricos em análise de solos. Quimica Nova, 23, 547-556, 2000.
44.
Valderrama, P., Braga, J. W. B., Poppi, R. J., Estado da arte de figuras de mérito
em calibração multivariada. Quimica Nova, 32, 1278-1287, 2009.
45.
Trygg, J. Everything you need to know about Orthogonal Signal Correction (OSC)
filters - and how they can improve interpretation of your data. Homepage of
Chemometrics, http://www.acc.umu.se/~tnkjtg/ Chemometrics/Editorial.
46.
Wold, S., Anttia, H., Lindgren, F., Öhmanc, J., Orthogonal signal correction of
near-infrared spectra. Chemometrics and Intelligent Laboratory Systems, 44, 175185, 1998.
47.
Sjöblom, J., Svensson, O., Josefson, M., Kullberg, H., Wold, S., An evaluation of
orthogonal signal correction applied to calibration transfer of near infrared
spectra. Chemometrics and Intelligent Laboratory Systems, 44, 229-244, 1998.
48.
Ferreira, M. H., Braga, J. W. B., de Sena, M. M., Development and validation of a
chemometric method
for direct determination of hydrochlorothiazide in
pharmaceutical samples by diffuse reflectance near infrared spectroscopy.
Microchemical Journal, 109, 158-164, 2013.
49.
Valderrama, P., Braga, J. W. B., Poppi, R. J., Variable selection, outlier detection,
and figures of merit estimation in a partial least-squares regression multivariate
calibration model. A case study for the determination of quality parameters in the
alcohol industry by near-infrared spectroscopy. Journal of Agricultural and Food
Chemistry, 55, 8331-8338, 2007.
118
50.
de Souza, S.V.C., Junqueira, R.G., A procedure to assess linearity by ordinary least
squares method. Analytica Chimica Acta, 552, 25-35, 2005.
51.
Pataca, L. C. M., Análises de mel e própolis utilizando métodos Quimiométricos de
Classificação e Calibração. Tese, Universidade Estadual de Campinas: Campinas,
p. 97, 2006.
52.
Wise, B. M., Gallagher, N. B., Bro, R., Shaver, J. M., Windig, W., Koch, R. S.,
PLS_Toolbox 5.0 for use with MATLAB™, Eigenvector Research Inc., Wenatchee,
53.
Ministério da Agricultura, Pecuária e Abastecimento (MAPA), Manual de Garantia
da Qualidade, Secretaria de Defesa Agropecuária, Brasília, 2011.
54.
Food and Agriculture Organization (FAO), Validation of analytical methods for
food control, Report of a Joint FAO/IAEA, Experte Consultation, FAO Food and
Nutrition Paper No. 68, Rome, 1998.
55.
European Community, EC Directive 657. Comission Decision of 12 August 2002
implementing Council Directive 96/23/EC concerning the performance of analytical
methods and the interpretation of results, Official Journal, L221, 8–36, Brussels,
2002.
56.
Thompson, M., Ellison, S. L. R., Wood, R., Harmonized guidelines for singlelaboratory validation of methods of analysis. Pure and Applied Chemistry, 74, 835855, 2002.
57.
Lorber, A., Error Propagation and Figures of Merit for Quantification by Solving
Matrix Equations. Analytical Chemistry, 58, 1167-1172, 1986.
58.
Silva, M. A. M. Ferreira, M. H. Braga, J. W. B. Sena, M. M., Development and
analytical validation of a multivariate calibration method for determination of
amoxicillin in suspension formulations by near infrared spectroscopy. Talanta, 89,
342-351, 2012.
59.
Manual Book of ASTM Standards; Standards practices for infrared, multivariate,
quantitative analysis, E1655, ASTM International. Vol. 03.06. 2000, west
Conshohocken.
119
60.
Williams, P., Implementation of near-infrared technology. In: P. Williams and K.
Norris (eds.), Near- Infrared Technology in the Agricultural and Food Industries,
2nd ed., American Association of Cereal Chemists Inc., St. Paul, USA, 2001.
61.
62.
Baccouri, O., Bendini, A., Cerretani, L., Guerfel, M., Baccouri, B., Lercker, G.,
Zarrouk, M., Miled, D. D. B., Comparative study on volatile compounds from
Tunisian and Sicilian monovarietal virgin olive oils. Food Chemistry, 111, 322-328,
2008.
Fasciotti, M., Pereira Netto, A. D., Optimization and application of methods of
triacylglycerol evaluation for characterization of olive oil adulteration by soybean
oil with HPLC–APCI-MS–MS. Talanta, 81, 1116-1125, 2010.
63.
Solomons, G., Fryhle, G., Química Orgânica, LTC, Rio de Janeiro, 2002.
64.
www.codexalimentarius.org/input/download/.../CXS_033e.pdf
Acesso 18/05/2014.
65.
Ouni, Y., Taamalli, A., Gómez-Caravaca, A. M., Segura-Carretero, A., FernándezGutiérrez, A., Zarrouk, M., Characterisation and quantification of phenolic
compounds of extra-virgin olive oils according to their geographical origin by a
rapid and resolutive LC–ESI-TOF MS method. Food Chemistry, 127, 1263-1267,
2011.
66.
Kachouri, F., Hamdi, M., Enhancement of polyphenols in olive oil by contact with
fermented olive mill wastewater by Lactobacillus plantarum. Process Biochemistry,
39, 841–845, 2004.
67.
Cardoso, L. G. V., Características físico-químicas e avaliação do perfil de ácidos
graxos de azeite obtidos de diferentes variedades de oliveira introduzidas em Minas
Gerais - Brasil., Tese, Universidade Federal de Lavras, p. 89, 2006.
68.
www.codexalimentarius.org/input/download/.../CXS_210e.pdf.
Acesso 18/05/2014.
69.
http: www.anvisa.gov.br/alimentos/legis/especifica/regutec.htm.
Acesso 18/05/2014.
70.
http://www.internationaloliveoil.org/. Acesso 07/12/2011.
71.
Christopoulou, E., Lazaraki, M., Komaitis, M., Kaselimis, K., Effectiveness of
determinations of fatty acids and triglycerides for the detection of adulteration of
olive oils with vegetable oils. Food Chemistry, 84, 463 – 474, 2004.
120
72.
Vaclavik, L., Cajka, T., Htbek, V., Hajslova, J., Ambient mass spectrometry
employing direct analysis in real time (DART) ion source for olive oil quality and
authenticity assessment. Analytica Chimica Acta, 645, 56-63, 2009.
73.
de la Mata-Espinosa, P., Bosque-Sendra, J. M., Bro, R., Cuadros-Rodríguez, L.,
Olive oil quantification of edible vegetable oil blends using triacylglycerols
chromatographic fingerprints and chemometric tools Talanta, 85, 177-182, 2011.
74.
Monfreda, M., Gobbi, L., Grippa, A., Blends of olive oil and sunflower oil:
Characterisation and olive oil quantification using fatty acid composition and
chemometric tools. Food Chemistry, 134, 2283-2290, 2012.
75.
Monfreda, M., Gobbi, L., Grippa, A., Blends of olive oil and seeds oils:
Characterisation and olive oil quantification using fatty acids composition and
chemometric tools. Part II. Food Chemistry, 145, 584-592, 2014.
76.
Ruiz-Samblás, C., Marini, F., Cuadros-Rodríguez, L., González-Casado, A.,
Quantification of blending of olive oils and edible vegetable oils by triacylglycerol
fingerprint gas chromatography and chemometric tools. Journal of Cromatography
B, 910, 71-77, 2012.
77.
de la Mata, P., Dominguez-Vidal, A., Bosque-Sendra, J. M., Ruiz-Medina, A.,
Cuadros-Rodriguez, L., Ayora-Cañada, M. J., Olive oil assessment in edible oil
blends by means of ATR-FTIR and chemometrics. Food Control, 23, 449-455, 2012.
78.
Smejkalova, D., Piccolo, A., High-power gradient diffusion NMR spectroscopy for
the rapid assessment of extra-virgin olive oil adulteration. Food Chemistry, 118,
153 - 158, 2010.
79.
Sinelli, N., Cerretani, L., Di Egidio, V., Bendini, A., Casiraghi, E., Application of
near (NIR) infrared and mid (MIR) infrared spectroscopy as a rapid tool to classify
extra virgin olive oil on the basis of fruity attribute intensity. Food Research
International, 43, 369 - 375, 2010.
80.
Rohman, A., Che Man, Y. B., Fourier transform infrared (FTIR) spectroscopy for
analysis of extra virgin olive oil adulterated with palm oil. Food Research
International, 43, 886-892, 2010.
121
81.
Gurdeniz, G., Ozen, B., Detection of adulteration of extra-virgin olive oil by
chemometric analysis of mid-infrared spectral data. Food Chemistry, 116, 519-525,
2009.
82.
Öztürk, B., Yalçin, A., Özdemir, D., Determination of olive oil adulteration with
vegetable oils by near infrared spectroscopy coupled with multivariate calibration.
Journal of Near Infrared Spectroscopy, 18, 191-201, 2010.
83.
Catharino, R. R., Haddad, R., Cabrini, L. G., Cunha, I. B. S., Sawaya, A. C. H. F.,
Eberlin, M. N., Characterization of vegetable oils by electrospray ionization mass
spectrometry fingerprinting: Classification, quality, adulteration, and aging.
Analytical Chemistry, 77, 7429-7433, 2005.
84.
Law, W. S., Chen, H. W., Balabin, R., Berchtold, C., Meier, L., Zenobi, R., Rapid
fingerprinting and classification of extra virgin olive oil by microjet sampling and
extractive electrospray ionization mass spectrometry. Analyst, 135, 773-778, 2010.
85.
Owen, R. W., Mier, W., Giacosa, A., Hull, W. E., Spiegelhalder, B., Bartsch, H.,
Identification of Lignans as Major Components in the Phenolic Fraction of Olive
Oil. Clinical Chemistry, 46, 976 - 9788, 2000.
86.
Gómez-Ariza, J. L., Arias-Borrego, A., García-Barrera, T., Beltran, R.,
Comparative study of electrospray and photospray ionization sources coupled to
quadrupole time-of-flight mass spectrometer for olive oil authentication. Talanta,
70, 859 - 869, 2006.
87.
Simas, R. C., Caracterização de óleos vegetais e petróleo por espectrometria de
massas em condições ambientes e com alta exatidão e resolução. Tese,
Universidade Estadual de Campinas, p. 150, 2010.
88.
Negroni, M., D'Agostina, A., Arnoldi, A., Effects of Olive, Canola, and Sunflower
Oils on the Formation of Volatiles from the Maillard Reaction of Lysine with Xylose
and Glucos. Journal of Agricultural and Food Chemistry, 49, 439-445, 2001.
89.
Kennard, R. W., Stone, L. A., Computer aided design of experiments.
Technometrics, 11, 137 - 148, 1969.
90.
Trullols, E., Ruisánchez, I., Rius, F. X., Validation of qualitative analytical
methods. TrAC - Trends in Analytical Chemistry, 23, 137 - 145, 2004.
122
91.
Braga, J. W. B., Pastore, T. C. M., Coradin, V. T. R., Camargos, J. A. A., Silva, A.
R., The use of near infrared spectroscopy to identify solid wood specimens of
Swietenia macrophylla (CITES Apendix II). Journal-International Association of
Wood Anatomists, 32, 285 - 297, 2011.
92.
Teixeira, L. S. G., Oliveira, F. S., Santos, H. C., Cordeiro, P. W. L., Almeida, S. Q.,
Multivariate calibration in Fourier transform infrared spectrometry as a tool to
detect adulterations in Brazilian gasoline. Fuel, 87, 346-352, 2008.
93.
Silva, M. A. M., Ferreira, M. H., Braga, J. W. B., Sena, M. M., Development and
analytical validation of a multivariate calibration method for determination of
amoxicillin in suspension formulations by near infrared spectroscopy. Talanta, 89,
342-351, 2012.
94.
Botelho, B. G., Mendes, B. A. P., Sena, M. M., Development and Analytical
Validation of Robust Near-Infrared Multivariate Calibration Models for the Quality
Inspection Control of Mozzarella Cheese. Food Analytical Methods, 6, 881-891,
2013.
95.
van Galen P. M., Mass Spectrometry (A guide for novel users). Nijmegen
University, 2005.
96.
Corgozinho, C. N. C., Barbeira, P. J. S. Quantificação de biodiesel em BX por
espectrofluorimetria sincronizada e calibração multivariada, 6º PDPETRO, 2011.
97.
Resolução ANP Nº 24 de 28/7/2009 – DOU 29/7/2009 disponível em
http://www.anp.gov.br, acesso em 02/07/2014.
98.
http://blog.planalto.gov.br/dilma-anuncia-medidas-para-aumentar-o-percentual-debiodiesel-no-oleo-diesel/ acesso 02/07/ 2014.
99.
http://reporterbrasil.org.br/2014/06/petrobras-biocombustivel-reve-investimentosem-meio-a-ampliacao-de-producao-de-biodiesel/ acesso 02/07/ 2014.
100.
http://www.dilma.com.br/site/noticias/view/dilma-anuncia-medidas-para-aumentaro-percentual-de-biodiesel-no-oleo-diese. Acesso 02/07/ 2014.
101.
http://www.ebc.com.br/2012/11/petrobras-conclui-testes-de-desempenho-comcombustivel-que-usa-20-de-biodiesel-no-diesel. Acesso 02/07/ 2014.
102.
BS EN 14078:2009 - Liquid petroleum products. Determination of fatty acid methyl
esters (FAME) in middle distillates. Infrared spectroscopy method, 2010.
123
103.
PMQC- Boletim de Monitoramento da Qualidade dos Combustíveis – disponível em
http://www.anp.gov.br, Acesso em 02/07/2014.
104.
Vasconcelos, F. V. C., Uso da região espectral de sobretons para determinação do
teor de biodiesel e classificação de misturas diesel/biodiesel adulteradas com óleo
vegetal. Dissertação, Universidade Federal da Paraíba, p. 93, 2011.
105.
Ferrão, M. F., Viera, M. S., Pazos, R. E. P., Fachini, D., Gerbase, A. E., Marder, L.,
Simultaneous determination of quality parameters of biodiesel/diesel blends using
HATR-FTIR spectra and PLS, iPLS or siPLS regressions. Fuel, 90, 701-706, 2011.
106.
Gaydou, V., Kister, J., Dupuy, N., Evaluation of multiblock NIR/MIR PLS
predictive models to detect adulteration of diesel/biodiesel blends by vegetal oil.
Chemometrics and Intelligent Laboratory Systems, 106, 190-197, 2011.
107.
Oliveira, J. S., Montalvão, R., Daher, L., Suarez, P. A., Rubim, J. C., Determination
of methyl ester contents in biodiesel blends by FTIR-ATR and FTNIR
spectroscopies. Talanta, 69,1278-1284, 2006.
108.
Monteiro, M. R, Ambrozin, A. R., da Silva, M. S., Boffo, E. F., Pereira-Filho, E. R.,
Lião, L. M., Ferreira, A. G., Evaluation of biodiesel–diesel blends quality using 1H
NMR and chemometrics. Talanta, 78, 660-664, 2009.
109.
Pierce, K. M., Schale, S. P., Predicting percent composition of blends of biodiesel
and
conventional
diesel
using
gas
chromatography–mass
spectrometry,
comprehensive two-dimensional gas chromatography–mass spectrometry, and
partial least squares analysis. Talanta, 83, 1254-1259, 2011.
110.
Resolução ANP Nº 50, de 23/12/2013 – DOU 24/12/2013 – disponível em
http://www.anp.gov.br, acesso em 02/07/2014.
124
Fly UP