Upload
doduong
View
218
Download
2
Embed Size (px)
Citation preview
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
DESENVOLVIMENTO DE UM MÉTODO QUIMIOMÉTRICO PARA QUANTIFICAÇÃO DE AZEITE DE OLIVA EM MISTURAS
TERNÁRIAS COM ÓLEOS DE SOJA E CANOLA
Kelly Laís Mariani 1 Lucas Wahl da Silva 1
Clayton Antunes Martin 2
O azeite de oliva (AO) possui um elevado valor econômico comparado a outros óleos vegetais, o que o torna alvo de adulterações envolvendo óleos vegetais refinados. Além disso, o AO também tem sido comercializado em vários países, incluindo o Brasil, misturado com outros óleos vegetais. O propósito deste trabalho foi determinar o teor de AO em misturas com óleo de soja e canola, utilizando a espectroscopia no infravermelho e calibração multivariada por mínimos quadrados parciais (PLS). Foram preparadas 128 misturas de AO, óleo de soja e óleo de canola, com as concentrações de AO variando de 0,00 a 100,00 g 100 g-1 de mistura. Os espectros foram obtidos em espectrofotômetro infravermelho, na faixa de 3500 a 650 cm-1, e tiveram seus dados normalizados, com as intensidades variando entre 0 e 1. As misturas foram divididas em conjuntos de calibração (n = 95) e validação (n = 33), pelo algoritmo de Kennard-Stone. O espectro foi dividido em segmentos que variaram de 1 a 100, sendo aplicada a correção do espalhamento multiplicativo e a centralização dos dados na média, para cada intervalo da segmentação. O intervalo espectral mais adequado para a calibração por PLS, foi determinado com o pacote iToolbox, utilizando o software MATLAB. O intervalo 13, da segmentação com 15 intervalos, apresentou o menor valor para a raiz quadrada do erro médio de validação cruzada (RMSECV), que foi 3,35, e o maior valor para coeficiente de correlação (r = 0,988) entre os valores conhecidos e preditos pelo modelo. Foram identificados 10 outliers no conjunto de calibração, que após a exclusão resultou na melhoria do modelo (RMSECV = 1,44; r = 0,998). O modelo obtido apresentou capacidade preditiva adequada podendo ser utilizado na quantificação de AO em óleos mistos com óleos de soja e canola e em AO adulterado com estes óleos. Palavras-chave: adulteração, óleos mistos, quantificação, PLS
1 INTRODUÇÃO
A partir da polpa do fruto da oliveira Olea europaea sativa pode-se obter o
azeite de oliva, sendo que o azeite de oliva extra virgem (AOEV) é um dos óleos que
possui maior valor agregado e tem sido adulterado com outros azeites ou óleos
vegetais. Se uma mistura de AOEV não corresponde as proporções do rótulo ou se a
mistura é comercializada como pura, isto significa que o azeite é adulterado, pois ele
deve ser preparado apenas com produtos apropriados (BELITZ, 1997; ULBERTH,
BUCHGRABER, 2000).
As técnicas cromatográficas são as mais utilizadas para detectar a
adulteração em azeite de oliva, entretanto, a espectroscopia no infravermelho
quando associada à métodos quimiométricos também possibilita a obtenção de
1 Acadêmico(a) do curso de Tecnologia de Processos Químicos 2 Docente do curso de Tecnologia de Processos Químicos
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
resultados semelhantes. A espectroscopia no infravermelho com refletância total
atenuada (Fourier transform infrared – attenuated total reflectance – FTIR-ATR) é
uma técnica analítica não destrutiva, que não utiliza solventes na análise e não
requer nenhuma etapa de preparo da amostra (LI-CHAN, GRIFFITHS, CHALMERS,
2010).
A combinação da FTIR-ATR com métodos quimiométricos, como a regressão
por mínimos quadrados parciais (partial least square – PLS) tem possibilitado a
obtenção de resultados satisfatórios em várias análises físico-químicas de óleos e
gorduras (SEDMAN et al., 1998; CHE MAN; SETIOWATY, 1999; QUIÑONES-ISLAS
et al, 2013; TRIYASMONO; RIYANTO; ROHMAN, 2013).
Na regressão por PLS, a calibração multivariada pode ser realizada utilizando
a informação de toda faixa espectral, para construir um modelo de regressão
correlacionado com a propriedade de interesse. No entanto, considerando o
grande número de variáveis fornecidas por toda a faixa espectral, algumas destas
variáveis podem interferir na modelagem, além de tornar o tratamento dos dados
mais lento. Portanto, para melhorar o desempenho de técnicas de calibração
multivariada, têm sido utilizados procedimentos apropriados para a seleção das
regiões espectrais (NORGAARD et al., 2000).
Este trabalho teve como propósito desenvolver e validar um método para
determinar o teor de azeite de oliva em óleos mistos, contendo os óleos de soja e
canola, aplicando a espectrofotometria no infravermelho médio e a calibração
multivariada por meio da regressão por mínimos quadrados parciais.
2 Material e métodos
2.1 Preparo das misturas
O azeite de oliva extra virgem e os óleos de soja e canola utilizados neste
estudo foram adquiridos no comércio da região de Toledo-PR. Foram preparadas
misturas de azeite de oliva, óleo de soja e canola, cujos teores de azeite de oliva
variaram de 0 a 100% (w/w), totalizando 128 misturas. As misturas foram
acondicionadas em frascos âmbar e armazenadas em freezer (-20 oC) até a
realização da análise. Antes da análise, as misturas foram descongeladas e
submetidas à homogeneização por meio de agitador vortex.
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
2.2 Espectroscopia no infravermelho médio
A aquisição dos espectros foi realizada em espectrofotômetro infravermelho,
com transformada de Fourier e módulo de refletância total atenuada (Spectrum 65,
Perkin Elmer). O cristal utilizado nesta técnica contém diamante na parte superior e
seleneto de zinco no elemento focalizador. Antes da obtenção de cada espectro, o
cristal foi limpo com lenços de papel umedecido com álcool isopropílico. Após a
obtenção de cada espectro foi realizada a correção do sinal de fundo. Foram
adicionados ao cristal 200 L de mistura e a obtenção dos espectros foi realizada em
ambiente com temperatura controlada (25 oC). Todos os espectros foram obtidos em
absorvância, com duas replicatas para cada mistura. O espectro médio de cada
mistura foi utilizado nos cálculos subsequentes.
2.3 Calibração multivariada
Os espectros foram normalizados e suas intensidadades variaram de 0 a 1.
As misturas foram divididas em conjuntos de calibração (n = 95) e validação (n = 33)
pelo algoritmo de Kennard-Stone. Os espectros foram divididos em segmentos que
variaram de 1 a 100, sendo aplicada a correção multiplicativa do sinal (MSC –
multiplicative scatter correction) e a centralização dos dados na média,
respectivamente, para cada intervalo da segmentação. A regressão por mínimos
quadrados parciais (PLS - partial least square) foi realizada para cada intervalo das
segmentações, com o número das variáveis latentes dos modelos variando de 1 a
15, e sendo determinado por meio da raiz quadrada do erro médio quadrático de
validação cruzada (RMSECV – root mean square error of cross validation). Na
validação cruzada do modelos, o conjunto de calibração foi dividido em 15 blocos.
Para cada segmentação do espectro foi determinado o intervalo que resultou no
menor valor de RMSECV. A partir destes 100 intervalos foi selecionado o intervalo
que apresentou o menor valor para a RMSECV. A avaliação de amostras anômalas
(outliers) foi realizada por meio do leverage extremo e dos resíduos studentizados,
para os conjuntos de calibração e validação. O modelo obtido foi validado pelo
método de validação externa.
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
2.5 Figuras de mérito
A validação de métodos analíticos requer a estimação dos parâmetros
exatidão, precisão, ajuste, linearidade, sensibilidade, limites de detecção e
quantificação. A exatidão foi determinada a partir da raiz quadrada do erro médio
quadrático, para os conjuntos de calibração (RMSEC) e validação RMSEP, conforme
descrito por Kalivas and Gemperline (2006). A precisão foi estimada como
repetibilidade (Moffat, Trafford, Jee & Graham, 2000; ASTM Standard, 2000). A
sensibilidade e os limites de detecção e quantificação foram determinados conforme
proposto por Allegrini e Olivieri (2014) e Olivieri (2015). O sinal analítico líquido (NAS
- net analytical signal) utilizado na avaliação do ajuste do modelo foi determinado
conforme Bro and Andersen (2003).
2.6 Software
Os cálculos foram realizados utilizando o software Matlab, versão 7.8
(Mathworks, USA) com a interface gráfica SPA_GUI (Paiva et al, 2012), com as
rotinas dos pacotes iToolbox (Norgaard et al 2000), e MVC1 (Olivieri; Goicoechea;
Iñón, 2004). Para a detecção de outliers foi utilizada uma rotina escrita pelo nosso
grupo de pesquisa.
3. Resultados e discussão
A figura 1 apresenta os espectros das misturas de azeite de oliva, óleo de
soja e óleo de canola na região do infravermelho médio. Em 3005 cm-1 ocorre a
absorção correspondente ao estiramento CH=CH de duplas ligações cis. A região de
2922–2853 cm-1 é caracterizada por bandas intensas, devido aos estiramentos C-H
dos grupos metileno e metil terminais das cadeias de ácidos graxos dos
triacilgliceróis (Dobson, 2001). Na região de 1744 cm-1 ocorre o estiramento C=O do
grupo éster dos triacilgliceróis (PEÑA, 2005).
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
Figura 1: Espectros na região de região do infravermelho médio das misturas
utilizadas na obtenção dos modelos PLS
Fonte: Autoria própria
As bandas na região de 1400-1200 são atribuídas a deformações angulares
de CH2 e CH3, como a deformação angular simétrica em 1377 (HCH) e a tesoura em
1462 cm-1 (de la Mata et al (2012). Em 1119 e 1095 cm-1 estão relacionadas com o
estiramento C-O. Em 965 cm-1 ocorre a deformação fora do plano (C-H) de
hidrogênios olefínicos de duplas ligações trans, e em 926 cm-1 corresponde a
deformação fora do plano de O-H de ácidos carboxílicos (Fritsche and Steinhart,
1997). A banda em 722 cm-1 ocorre devido a sobreposição do balanço da cadeia
(CH2)n com a deformação fora do plano (C-H) de hidrogênios olefínicos de duplas
ligações cis.
Os resultados obtidos para a regressão PLS indicaram que a segmentação do
espectro em 15 intervalos resultou no modelo com menor valor de RMSECV, obtido
para o intervalo 13 (1219-1030 cm-1), cujo valor foi 3,35, com 6 variáveis latentes
(Figura 2). O coeficiente de correlação (r) entre os valores conhecidos e preditos
pelo modelo foi 0,988.
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
Figura 2: RMSECV dos modelos global com 15 variáveis latentes (linha
pontilhada) e obtidos com a segmentação em 15 intervalos (o valor em cada
barra corresponde ao número de variáveis latentes que resulta no menor valor
de RMSECV).
Fonte: Autoria própria
O modelo selecionado foi avaliado com relação a presença de outliers, que foi
realizada pela análise do gráfico dos resíduos de Student versus leverage (Figura 3).
Foram identificados 10 outliers no conjunto de calibração (Tabela 1), que após a
exclusão resultou na melhoria do modelo (RMSECV = 1,44; r = 0,998).
Amostras cujos resíduos studentizados e a leverage são altos devem
excluídas. Quando as amostras apresentam baixos valores de leverage, e altos
valores para os resíduos studentizados há a suspeita de erros na concentração.
Amostras com altos valores de leverage e baixos resíduos studentizados podem
apresentar erros espectrais ou serem amostras com valores de concentração
localizados nas extremidades dos conjuntos de calibração e validação. Dessa forma,
estas amostras devem ser examinadas antes de serem removidas (Boysworth and
Booksh, 2008).
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
Figura 3: Resíduos studentizados versus leverage do modelo PLS, no intervalo
espectral selecionado, para o conjunto de calibração Fonte: Autoria própria
No conjunto de validação foi encontrado 1 outlier (Figura 4). O valor da raiz
quadrada do erro médio quadrático de predição (RMSEP) para este conjunto foi 1,89
e o valor de r foi 0,998. Após a exclusão deste outlier o valor de RMSEP diminuiu
para 1,23, e o valor de r passou para 0,999. A avaliação subsequente deste conjunto
não mostrou a presença de outliers.
Figura 4: Resíduos studentizados versus leverage do modelo PLS, no
intervalo espectral selecionado, para o conjunto de validação Fonte: Autoria própria
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
A linearidade da calibração foi avaliada pelo gráfico de dispersão dos resíduos
(Figura 5), onde é possível observar uma distribuição aleatória de erros. Essa forma
de distribuição dos erros é um indicativo do comportamento linear (Martens & Naes,
2002).
Figura 5: Resíduos versus valores de referência para o teor de azeite de oliva, (o) conjunto de calibração, (+) conjunto de validação
Fonte: Autoria própria
O ajuste do modelo foi avaliado pelo gráfico dos valores preditos em função
dos valores de referência, para o teor de azeite de oliva nas misturas com óleos de
soja e canola (Figura 6).
Figura 6: Valores de preditos pelo modelo PLS para o teor de azeite de oliva versus teores de referência, (o) conjunto de calibração, (+) conjunto de
validação Fonte: Autoria própria
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
Também foi avaliada a relação entre os teores de referência para o azeite de
oliva e a norma do sinal analítico líquido (NAS) (Figura 7) para cada amostra, que
corresponde à representação do modelo de calibração multivariada na sua forma
pseudo-univariada. Para esta curva, o coeficiente de correlação foi 0,999 e a
equação obtida foi y = 1412,3.||nas|| - 4,6585. Em ambos os gráficos foi observado
um comportamento linear.
Figura 7: Valores de referência para o para o teor de azeite de oliva versus a norma do sinal analítico líquido (NAS), (+) conjunto de calibração,
(o) conjunto de validação Fonte: Autoria própria
A tabela 1 apresenta os resultados obtidos para as figuras de mérito
estimadas para o modelo de calibração PLS, utilizado na determinação do teor de
azeite de oliva em misturas com óleos de soja e canola. A precisão foi estimada
como repetibilidade, cujo valor foi 0,39 g 100 g-1. Os limites de detecção (LOD) e
quantificação (LOQ), inferior e superior, foram respectivamente, 1,6 e 3,1 g 100 g-1
de mistura e 4,8 e 9,3 g 100 g-1. Conforme Alegrini e Olivieri (2014) é adequado em
calibração multivariada considerar o LOD e LOQ como faixas de concentração
(limites inferior e superior), pois cada amostra no conjunto de calibração tem um
valor específico para o LOD e LOQ. A sensibilidade analítica foi 2,80 (100 g g-1). O
inverso da sensibilidade analítica (0,36 g 100 g-1) indica que o método proposto é
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
capaz de distinguir entre amostras que apresentam diferença de 0,36 g 100 g-1 de
azeite de oliva (Munoz, 2002).
Tabela 1: Figuras de mérito estimadas para o modelo PLS
Parâmetro Valor
Exatidão - RMSECVa 1,44
Exatidão - RMSECa 1,49
Exatidão - RMSEPa 1,23
Precisão - repetibilidadea 0,93
Ajuste (preditos x referência) - r 0,9987
Ajuste (NAS) - r 0,9988
Sensibilidade 0,00071
Sensibilidade analíticaa 2,8
Limite de detecçãoa 1,6 – 3,1
Limite de quantificaçãoa 4,8 – 9,3
a g 100 g-1
4. Conclusão
O método desenvolvido foi considerado exato, preciso, linear e com
sensibilidade adequada para a faixa de 9,3-90 g 100 g-1 de mistura, podendo ser
utilizado na quantificação de azeite de oliva em óleos mistos com óleos de soja e
canola e em azeite de oliva adulterado com estes óleos.
REFERÊNCIAS ALI, M. E.; NAQUIAH, A. N. N.; MUSTAFA, S.; HAMID, S. B. A. Differentiation of frog fats from vegetable and marine oils by Fourier Transform Infrared Spectroscopy and chemometric analysis. Croatian Journal of Food Science and Technology, Osijek, v. 7, n.1, p. 1-8, 2015. ALLEGRINI, F., & OLIVIERI, A. C. IUPAC-Consistent Approach to the Limit of Detection in Partial Least-Squares Calibration. Analytical Chemistry, 86, 7858-7866, 2014. ASTM STANDARD E1655, Standard practices for infrared multivariate quantitative analysis, ASTM International, West Conshohocken, PA, 2000.
BELITZ, HANS-DIETER; GROSCH, W. Química de los alimentos. Trad. María Otilia López Buesa. 2 ed. Zaragoza: Espanha, p. 696-698. 1997. BIALKOWSKI, S. E. Anal. Chem, v. 60, p. 355. 1988.
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
BOYSWORTH, M. K., BOOKSH, K. S. Aspects of Multivariate Calibration Applied to Near-Infrared Spectroscopy. In: Burns, D. A., Ciurzak, E. W. (Eds) Handbook of Near-Infrared Analysis (3 th ed.). Boca Ranton: CRC Press, 2008. BRO, R., & ANDERSEN, C. M. Theory of net analyte signal vectors in inverse regression, Journal of Chemometrics, 17, 646-652, 2003.
CHE MAN, Y. B.; SETIOWATY, G. Multivariate calibration of Fourier transform infrared spectra in determining iodine value of palm oil products. Food Chemistry, Oxford, v. 67, n. 2, p. 193-198, 1999.
DE LA MATA, P., DOMINGUEZ-VIDAL, A., MANUEL BOSQUE-SENDRA, J., RUIZ-MEDINA, A., CUADROS-RODRIGUEZ, L., & JOSE AYORA-CANADA, M., Olive oil assessment in edible oil blends by means of ATR-FTIR and chemometrics. Food Control, 23, 449-455, 2012. DOBSON, G., Spectroscopy and spectrometry of lipids - Part 1 - Lipid analysis by vibrational spectroscopy, European Journal of Lipid Science and Technology, 103, 815-826, 2001. FRITSCHE, J., STEINHART, H., Analysis of trans fatty acids, In: McDonald, R. E, Mossoba, M. M. New Techniques and Applications in Lipid Analysis (1 st ed.), Champaign: AOCS Press, pp. 238, 1997. KALIVAS, J. H., GEMPERLINE, P. J., Calibration. In: Gemperline, P. J Ed Practical guide to chemometrics 2nd ed., Boca Ranton: CRC Press, pp. 114-116, 2006.
LI-CHAN, E. C. Y.; GRIFFITHS, P. R.; CHALMERS, J. M. Applications of librational spectroscopy in Food Science. Chichester, University of British Columbia, Vancouver, British Columbia, Canada. v. 1, p. 345. 2010.
MOFFAT, A. C., TRAFFORD, A. D., JEE, R. D., & GRAHAM, P., Meeting the International Conference on Harmonisation's Guidelines on Validation of Analytical Procedures: Quantification as exemplified by a near-infrared reflectance assay of paracetamol in intact tablets. Analyst, 125, 1341-1351, 2000. MUNOZ DE LA PENA, A., ESPINOSA-MANSILLA, A., ACEDO VALENZUELA, M. I., GOICOECHEA, H. C., & OLIVIERI, A. C. Comparative study of net analyte signal-based methods and partial least squares for the simultaneous determination of amoxycillin and clavulanic acid by stopped-flow kinetic analysis. Analytica Chimica Acta, 463, 75-88, 2002. NORGAARD, L., SAUDLAND, A., WAGNER, J., NIELSEN, J. P., MUNCK, L., & ENGELSEN, S. B., Interval partial least-squares regression (iPLS): A comparative chemometric study with an example from near-infrared spectroscopy, Applied Spectroscopy, 54, 413-419, 2000.
NORGAARD, L.; SAUDLAND, A.; WAGNER, J.; NIELSEN, J. P.; MUNCK, L.; ENGELSEN, S. B. Interval partial least-squares regression (iPLS): A comparative chemometric study with an example from near-infrared spectroscopy. Applied Spectroscopy, Frederick, v. 54, n. 3, p. 413-419, 2000.
IV ENDICT - Encontro de Iniciação Científica
Câmpus Toledo
20 e 21 de outubro de 2016
OLIVIERI, A. C., GOICOECHEA, H. C., & IÑÓN, F. A., MVC1: An integrated Matlab toolbox for first-order multivariate calibration, Chemometrics and Intelligent Laboratory Systems, 73, 189–197, 2004. OLIVIERI, A. C., Practical guidelines for reporting results in single- and multi-component analytical calibration: A tutorial. Analytica Chimica Acta, 868, 10-22, 2015. PAIVA, H. M., CARREIRO SOARES, S. F., HARROP GALVÃO, R. K., & UGULINO ARAUJO, M. C. A graphical user interface for variable selection employing the Successive Projections Algorithm, Chemometrics and Intelligent Laboratory Systems, 118, 260-266, 2012. PEÑA, F.; CÁRDENAS, S.; GALLEGO, M.; VALCÁRCEL, M. Direct olive oil authentication: Detection of adulteration of olive oil with hazelnut oil by direct coupling of headspace and mass spectrometry, and multivariate regression techniques, J. Chromatogr., 215-221, 2005.
QUINONES-ISLAS, Nayelli; MEZA-MARQUEZ, Ofelia, G.; OSORIO-REVILLA, Guillermo, GALLARDO-VELAZQUEZ, Tzayhrí. Detection of adulterants in avocado oil by Mid-FTIR spectroscopy and multivariate analysis. Food Research International, Amsterdam, v. 51, n. 1, 148-154, 2013.
SEDMAN, J.; VAN DE VOORT, F. R.; ISMAIL, A. A.; MAES, P. Industrial validation of fourier transform infrared trans and iodine value analyses of fats and oils, Journal American of the Oil Chemists’ Society, Champaign, v. 75, n. 1, p. 33 -39, 1998.
TRIYASMONO, L.; RIYANTO, S.; ROHMAN, A. Determination of iodine value and acid value of red fruit oil by infrared spectroscopy and multivariate calibration. International Food Research Journal, Selangor, v. 20, n. 6, 3259-3263, 2013.
ULBERTH, F., BUCHGRABER, M. Authenticity of fats and oils. European Journal of Lipid Science Technology, v.102, p. 687–694. 2000.