Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE CIÊNCIAS EXATAS E DA TERRA
PROGRAMA DE PÓS-GRADUAÇÃO EM QUÍMICA
Aline de Sousa Marques
Grupo de pesquisa em Quimiometria Aplicada – GPQA
Uso da Espectroscopia do Infravermelho Próximo e técnicas multivariadas para diferenciar Escherichia coli e Salmonella Enteritidis inoculadas em polpa de fruta
(abacaxi).
Natal/RN
2013
2
Aline de Sousa Marques
Professor Orientador: Kássio Michell Gomes de Lima
Uso da Espectroscopia do Infravermelho Próximo e técnicas multivariadas para diferenciar Escherichia coli e Salmonella Enteritidis inoculadas em polpa de fruta
(abacaxi).
Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Química da Universidade Federal do Rio Grande do Norte, como parte dos requisitos necessários para obtenção do título de Mestre em Química.
NATAL/RN
2013
UFRN / Biblioteca Central Zila Mamede. Catalogação da Publicação na Fonte.
Marques, Aline de Sousa.
Uso da espectroscopia do infravermelho próximo e técnicas
multivariadas para diferenciar escherichia coli e salmonela enteritidis
inoculadas em polpa de fruta (abacaxi). / Aline de SousaMarques. –
Natal, RN, 2013.
67 f. : il.
Orientador: Prof. Dr. KássioMichell Gomes de Lima.
Dissertação (Mestrado) – Universidade Federal do Rio Grande do
Norte. Centro de Ciências Exatas e da Terra. Instituto de Química.
Programa de Pós-Graduação em Química.
1. Espectroscopia - Dissertação. 2. Transflectância NIR - Dissertação.
3. Escherichia Coli - Dissertação. 4. SalmonellaEnteritidis– Dissertação.
5. SIMCA – Dissertação. 6. PLS-DA – Dissertação. I. Lima,
KássioMichell Gomes de. II. Universidade Federal do Rio Grande do Norte. III. Título.
RN/UF/BCZM CDU 543.42
4
Á Deus, por permitir e me dar a capacidade de
tornar este trabalho possível, por me encorajar
quando as minhas forças já não eram
suficientes, por colocar no meu caminho o
professor Kássio, que me motivou a caminhar
por caminhos ainda não conhecidos.
Ao meu pai, que por tanto lutou para me ajudar a
chegar onde estou, que acreditou quando mais
ninguém acreditava, que me incentivou a ir além
do que ele pôde.
Com AMOR e GRATIDÃO,
Eu dedico.
5
AGRADECIMENTOS
Aos meus pais, João e Wilma, pelo amor, carinho, dedicação e educação que me
deram ao longo da minha vida, permitindo meu crescimento pessoal para atingir
mais essa conquista.
Às minhas irmãs Clarice, Valéria e Marília, pela relação de união que temos.
Ao meu noivo, Felipe, que esteve comigo por toda essa caminhada, acreditando,
incentivando e muitas vezes me ajudando ‘cientificamente’ para que o trabalho
fosse realizado, e por todo carinho e amor que fez a caminhada mais amena.
Às Helena’s do GPQA, Ana Carolina, Jábine, Fernanda e Raquel, por estarem
sempre presentes dando sentido àquilo que não tinha, atribuindo conhecimento e
tornando o trabalho mais divertido.
Ao professor Dr. Kássio Lima, pela oportunidade, orientação, apoio e confiança.
A professora Celeste por fornecer o seu conhecimento e laboratório para a
aquisição das amostras e a Thiago seu orientando pelo apoio, dedicação e
disposição.
A Jábine pelo companheirismo, pelas tardes e mais tardes de dedicação do seu
tempo me ajudando em tudo o que eu precisava, o mérito também é dela.
Em especial, a Ana Carolina que esteve presente em toda caminhada, estudou,
apoiou, acreditou, brigou, chorou, sempre ao meu lado, ela acreditou em mim até
quando eu não acreditava, por tudo, obrigada.
Enfim, a todos de maneira direta e indireta que estiveram contribuindo com esta
realização profissional.
6
RESUMO
Visando à segurança do consumidor, é de extrema importância identificar
a presença de contaminantes patogênicos nos alimentos, pois os mesmos são
responsáveis por surtos alimentares que dependendo do nível de contaminação
pode chegar a causar a morte de quem os consome. Na industria há uma
necessidade de que essa identificação de contaminantes seja rápida e rentável.
Este estudo mostra a aplicação e utilidade de medidas espectrais de
transflectância no infravermelho próximo (NIR) como um método alternativo para
a identificação e classificação de Escherichia coli e Salmonella Enteritidis em
polpa de fruta comercial (abacaxi). Análise de Componentes Principais (PCA),
Modelagem Independente por Analogia Classe (SIMCA) e Análise Discriminante
por Mínimos Quadrados Parciais (PLS-DA) foram utilizados na análise. Não foi
possível obter uma separação total entre as amostras usando PCA e SIMCA. O
PLS-DA apresentou bom desempenho na capacidade de predição alcançando
87,5% para E. coli e 88,3% para S. Enteritides, respectivamente. Os melhores
modelos obtidos para o PLS-DA com os espectros tratados com segunda
derivada apresentaram sensibilidade e especificidade de 0,87 e 0,83,
repectivamente. Estes resultados sugerem que a espectroscopia NIR e PLS-DA
podem ser usados para discriminar e detectar bactérias na polpa da fruta.
Palavras-chave: Transflectância NIR. Escherichia coli. Salmonella Enteritidis.
SIMCA. PLS-DA.
7
ABSTRACT
Aiming to consumer’s safety the presence of pathogenic contaminants in
foods must be monitored because they are responsible for foodborne outbreaks
that depending on the level of contamination can ultimately cause the death of
those who consume them. In industry is necessary that this identification be fast
and profitable. This study shows the utility and application of near-infrared (NIR)
transflectance spectroscopy as an alternative method for the identification and
classification of Escherichia coli and Salmonella Enteritidis in commercial fruit pulp
(pineapple). Principal Component Analysis (PCA), Independent Modeling of Class
Analogy (SIMCA) and Discriminant Analysis Partial Least Squares (PLS-DA) were
used in the analysis. It was not possible to obtain total separation between
samples using PCA and SIMCA. The PLS-DA showed good performance in
prediction capacity reaching 87.5% for E. coli and 88.3% for S. Enteritides,
respectively. The best models were obtained for the PLS-DA with second
derivative spectra treated with a sensitivity and specificity of 0.87 and 0.83,
respectively. These results suggest that the NIR spectroscopy and PLS-DA can be
used to discriminate and detect bacteria in the fruit pulp.
Keywords: NIR Transflectance. Escherichia coli. Salmonella Enteritidis.
SIMCA. PLS-DA.
8
LISTA DE FIGURAS
Figura 1- Estrutura celular de organismos gram-positivos e gram-
negativos.......................................................................................
18
Figura 2- Imagem ampliada de Escherichia coli
O157:H7.............................
19
Figura 3- Imagem ampliada da Salmonella
entérica.....................................
20
Figura 4- Crescimento de microrganismos fermentadores de lactose
(colônias rosadas) em ágar
VRBA.................................................
22
Figura 5- Presença de gás e leve turbidez em tubos contendo caldo
Escherichia coli após 24h de
incubação........................................
23
Figura 6- Ágar SIM, (A) ágar sem contaminação, (B) teste de Indol
positivo, (C) teste de Indol negativo e (D) produção de H2S com
aparecimento de precipitado negro...............................................
24
Figura 7- Esquema reativo de (A) produção do Indol e (B) reação do Indol
com o reativo de
Kovacs................................................................
25
Figura 8- Procedimento de inoculação em ágar
TSI.....................................
26
Figura 9- Ágar TSI, (1) sem inoculação e (2) inoculado com Escherichia
coli.................................................................................................
27
9
Figura 10- Reação de descarboxilação da Lisina através da enzima Lisina
Descarboxilase (LDC), produzindo Cadaverina e dióxido de
carbono..........................................................................................
28
Figura 11- Crescimento de Salmonella em ágar XLD com aparecimento de
centros escuros devido a precipitação do H2S.
............................
28
Figura 12- Crescimento de colônias rasadas em ágar Rambac, possível
contaminação por
Salmonella........................................................
29
Figura 13- Ágar TSI, (1) contaminação por Salmonella, (2) não
inoculado.....
30
Figura 14- Regiões do espectro eletromagnético com ênfase na região do
Infravermelho.................................................................................
31
Figura 15- Tipos de vibrações
moleculares.....................................................
32
Figura 16- Transições eletrônicas entre níveis
vibracionais............................
34
Figura 17- Diagrama de energia potencial de um oscilador: (A) harmônico e
(B) anarmônico..............................................................................
35
Figura 18- Representação de bandas de absorção na região do
infravermelho próximo...................................................................
37
Figura 19- Esquema de um
espectrofotômetro...............................................
38
10
Figura 20- Espectro obtido na região do infravermelho
próximo.....................
38
Figura 21- Representação da simplificação de variárias por
PCA...................
42
Figura 22- Decomposição das matrizes X eY em matriz
menores..................
45
Figura 23- DFA dos espectros NIR de E.coli ATCC 25922 e E.coli K12 com
diferentes concentrações de
células..............................................
46
Figura 24- Espectros do ‘Extato B’ do repolho picado, (a) espectro original
e (b) espectro com MSC + segunda
derivada...................................
47
Figura 25- Representação dos espectros de L.innocua ATCC 51742,
B.cereus ATCC 10876, E.coli O157:H7 ATCC 35150 e E.coli
O157:H7 ATCC 25522, diferenças na região de 2000-1000 cm-1
pode ser observado.......................................................................
48
Figura 26- Representação de PC1xPC3 dos escores obtidos por regressão
PLS1 de amostras com L.plantarum, L.mesenteroides e L.sakei
a níveis de concentração 3-9 log de
ufc/mL...................................
48
Figura 27- Etapas de obtenção dos espectros. (a) fibra ótica na posição
inicial, para a obtenção do Background, (b) posicionamento da
sonda sobre a amostra para coleta dos espectros e (c)
armazenamento de dados.............................................................
49
Figura 28- Espectros NIR originais das suspensões de bactérias E. coli e
11
S. Enteritidis de 50 amostras, sendo 25 para E. coli e 25 para S.
Enteritidis.......................................................................................
55
Figura 29- Espectros NIR das suspensões de bactérias E.coli e S.
Enteritidis pré-processada com MSC e segunda derivada de
Savitzky-Golay com janela de 15 pontos com atribuição das
possíveis estruturas presentes na parece celular dos gram-
negativos................................................................
56
Figura 30- Escores de PCA dos espectros NIR das suspensões de E.coli e
S.
Enteritidis...................................................................................
57
12
LISTA DE TABELAS
Tabela 1- Modelo SIMCA com segunda derivada na região de 1111-
2000nm..........................................................................................
58
Tabela 2- Modelos PLS_DA com primeira e segunda derivada nas regiões
(A) espectro puro e (B) 1111-
2000nm............................................
59
13
LISTA DE ABREVIATURAS
BHI- Ágar de infusão de cérebro e coração (do inglês, Brain Heart Infusion Agar)
EC- Eschecichia coli
FIR- infravermelho distante (do inglês, Far Infrared)
HUS- Síndrome Hemolítica-urêmica (do inglês, Hemolytic-uremic Sindrome)
ICMSF- Comissão Internacional de Especificações Microbiológicas em Alimentos
(do inglês, International Comission on Microbiological Specifications for Food)
INCQS00258- Salmonella Enteritidis
INSCQ00171- Escherichia coli O157:H7
IR- infravermelho (do inglês, infrared)
LPS- Lipopolissacarídeo
MATLAB- software para cálculos numéricos (Matrix Laboratory)
MIR- infravermelho médio (do inglês, mid-infrared)
MSC- Correção do espalhamento multiplicativo (do inglês, Multiplicative Scatter
Correction)
NIR- infravermelho próximo (do inglês, near infrared)
OMS- Organização Mundial de Saúde
PCA- análise por componentes principais (do inglês, principal component
analysis)
PLS- Mínimos Quadrados Parciais (do inglês, Partial Least Square)
PLS-DA- Análise Discriminante por Mínimos Quadrados Parciais (do inglês,
Partial Least Square for Discriminant Analysis)
RMSECV- Raiz Quadrada do Erro Médio de Validação Cruzada (do inglês, Root
Mean Square Error of Cross Validation)
14
RMSEP- Raiz Quadrada do Erro Médio de Previsão (do inglês, Root Mean Square
Error of Prediction)
SIMCA- Modelagem Independente por Analogia de Classes (do inglês, Soft
Independent Modelling of Class Analogy)
STEC-EHEC- Escherichia coli Enteroemorrágica
TSB- Caldo soja tríptica (do inglês, Tryptic Soy Broth)
TSI- Ágar três açúcares ferro (do inglês, Triple Sugar Iron Ágar)
VRBA- Ágar vermelho violeta bile (do inglês, Violet Red Bile Agar)
XLD- Ágar Xilose, Lisina, Deoxicolato (do inglês, Xilose, Lisina, Deoxicolate Agar)
15
SUMÁRIO
1 INTRODUÇÃO................................................................................ 17
1.1 O ABACAXI..................................................................................... 17
1.2 MICROORGANISMOS PATOGÊNICOS E DOENÇAS
TRANSMITIDAS POR ALIMENTOS .............................................
17
1.1.1 Gênero Escherichia....................................................................... 18
1.1.2 Gênero Salmonella........................................................................ 20
1.3 PROCEDIMENTO OPERACIONAL PADRÃO DE ANÁLISES
MICROBIOLÓGICAS NA INDÚSTRIA DE
ALIMENTOS.................
21
1.3.1 Gênero Escherichia coli................................................................ 21
1.3.1.1 Prova presuntiva.............................................................................. 21
1.3.1.2 Prova confirmativa para coliformes termotolerantes....................... 22
1.3.1.3 Identificação bioquímica.................................................................. 23
1.3.1.3.1 Motilidade e Indol............................................................................ 23
1.3.1.3.2 Triagem para fermentação de glicose, lactose e sacarose............. 25
1.3.2 Gênero Salmonella........................................................................ 27
1.3.2.1 Pré-enriquecimento seletivo............................................................ 27
1.3.2.2 Isolamento e seleção...................................................................... 27
1.3.2.3 Identificação bioquímica.................................................................. 29
1.3.2.3.1 Motilidade, Indol e produção de H2S............................................... 29
1.3.2.3.2 Triagem para a fermentação de glicose, lactose e sacarose.......... 29
1.4 ESPECTROSCOPIA....................................................................... 30
1.4.1 Espectroscopia no infravermelho............................................... 31
1.4.1.1 Fundamentação teórica.................................................................. 32
1.4.1.2 Instrumentação............................................................................... 37
1.5 QUIMIOMETRIA.............................................................................. 39
1.5.1 Pré-processamento de dados...................................................... 39
1.5.2 Técnicas quimiométricas.............................................................. 3941
1.5.2.1 Análise de Componentes Principais (PCA)..................................... 41
1.5.2.2 Modelagem Independente por Analogia de Classe (SIMCA).......... 43
1.5.2.3 Análise Discriminante por Mínimos Quadrados Parciais (PLS-DA) 44
16
1.6 REVISÃO BIBLIOGRÁFICA............................................................ 45
2 JUSTIFICATIVA E OBJETIVOS..................................................... 50
2.1 OBJETIVOS GERAIS...................................................................... 50
2.2 OBJETIVOS ESPECÍFICOS........................................................... 50
3 PROCEDIMENTO EXPERIMENTAL.............................................. 51
3.1 PREPARAÇÃO DAS AMOSTRAS.................................................. 51
3.1.1 Polpa de fruta................................................................................. 51
3.1.2 Cultura de bactérias e preparação do
inóculo............................
51
3.1.3 Preparação do inóculo.................................................................. 51
3.2 INSTRUMENTAÇÃO....................................................................... 51
3.3 QUIMIOMETRIA.............................................................................. 52
3.3.1 PCA e
SIMCA..................................................................................
52
3.3.2 PLS-DA........................................................................................... 53
3.4 AVALIAÇÃO DA PERFORMANCE DO MODELO.......................... 53
3.5 SOFTWARE.................................................................................... 53
4 RESULTADOS E DISCUSSÃO...................................................... 55
4.1 ESPECTRO ORIGINAL................................................................... 55
4.2 PCA E SIMCA................................................................................. 57
4.3 PLS-DA........................................................................................... 59
5 CONCLUSÕES............................................................................... 61
REFERÊNCIAS…………………………….………………………… 62
APÊNDICES................................................................................... 66
17
1 INTRODUÇÃO
1.1 O ABACAXI
O Abacaxi, de espécie Ananas comosus, é uma planta tropical com
múltiplas frutas comestíveis que pode ser consumido fresco, enlatado ou em
forma de suco, também é encontrado em uma grande variedade de alimentos,
tais como: sobremesas, salada de frutas, geléia, iogurte, sorvete, doces. Esta
fruta possui baixa acidez, entre 0,6 a 1,62%, com uma média de pH acima de
4,51. A polpa apresenta cor branca, amarela ou laranja-avermelhada2.
Visando a segurança do consumidor, é de extrema importância
compreender todas as respostas fisiológicas de microorganismos patogênicos a
fatores de estresse sofridos durante o transporte, armazenamento e
processamento da polpa dos frutos. E, diante destes fatores, aliar-se a uma
combinação de diferentes barreiras para controlar a atividade microbiana,
podendo, desta forma, aumentar a eficiência na preservação e diminuir o impacto
sobre a qualidade do alimento.
1.2 MICRO-ORGANISMOS PATOGÊNICOS E DOENÇAS TRANSMITIDAS POR
ALIMENTOS
Compreende-se micro-organismos patogênicos, aqueles que, dependendo
das predisposições intrínsecas do hospedeiro, podem gerar ou não um estado
patológico manifesto, denominado doença infecciosa, que também é
transmissível3. De acordo com a ICMSF (Comissão Internacional de
Especificações Microbiológicas em Alimentos), os organismos patogênicos são
agrupados em três grupos: I – Micro-organismos que oferecem risco direto,
moderado e com difusão limitada, II- Micro-organismos que oferecem risco direto,
moderado e com difusão potencialmente extensa e III- Micro-organismos que
oferecem um risco direto e grave4.
Segundo a Organização Mundial de Saúde (OMS), milhões de pessoas
adoecem a cada ano devido à ingestão de alimentos contaminados. As infecções
causadas pela ingestão de alimentos contaminados por micro-organismos
patogênicos se multiplicaram, dentre os principais micro-organismos causadores
18
de toxinfecções alimentares estão a Escherichia coli e a Salmonella enterica5.
Ambas pertencem à família Enterobacteriaceae, que possui estrutura de
bastonetes gram-negativos, anaeróbios facultativos, são móveis e com flagelos
peritríquios e possuem como habitat natural o trato intestinal de humanos e
animais. Os micro-organismos desta família são aeróbios e anaeróbios
facultativos, fermentam a glicose e reduzem o nitrato ao nitrito. A principal
característica que os tornam gram-negativos é a presença da parede celular, que
é constituída de fosfolipídeos, proteínas e lipopolissacarídeos6.
Figura 1- Estrutura celular de organismos gram-negativos.
(Fonte:www.biomania.com.br, acessado em 5 de agosto de 2013.)
O lipopolissacarídeo (LPS) é o principal antígeno dessa família, ele é
constituído por um oligossacarídeo em um lipídeo A. As enterobactérias podem
ser classificadas sorologicamente de acordo com o componente do seu LPS:
polissacarídeo somático (O). O antígeno somático (O) é um polissacarídeo
termoestável e forma a parte do lipopolissacarídeo presente na membrana
externa das bactérias Gram-negativas6,7.
1.2.1 Gênero Escherichia
Esse gênero é composto por bactérias móveis, que podem crescer
anaeróbica ou aerobicamente. Todos são fermentadores de glicose e lactose.
http://pt.wikipedia.org/wiki/Lipopolissacar%C3%ADdeohttp://pt.wikipedia.org/wiki/Fam%C3%ADliahttp://pt.wikipedia.org/wiki/Lipopolissacar%C3%ADdeo
19
A Escherichia coli (Figura 2) é uma das espécies de Escherichia, suas
cepas estão presentes naturalmente no trato intestinal, em organismos
debilitados/imunossuprimidos ou quando são introduzidas em outros tecidos após
um trauma ou cirurgia, a sua forma não patogênica pode causar infecções. No
entanto, a Escherichia coli geralmente é transmitida através da ingestão de
alimentos ou água que entraram em contato com material fecal, sendo assim, um
indicador de contaminação fecal.
Figura 2- Imagem ampliada de Escherichia coli O157:H7.
(Fonte: www.molecularstation.com)
A espécie E.coli patogênica é subdividida em duas subcategorias, a
extraintestinal e a intraintestinal ou diarreiogênicas, sendo esta última subdividida
em pelo menos cinco categorias. Dentre estas está a E.coli enterohemorrágica
(STEC - EHEC) que é caracterizada pelas toxinas que produz sorotipos de E.coli
O157:H7, também chamada de O157 STEC, produzem uma ou mais Shiga-
toxinas e são frequentemente encontradas na América do Norte e Europa. Nos
Estados Unidos a cada ano cerca de 73 mil casos de doenças e 60 mortes são
causados por O157 STEC. Os sintomas principais variam entre diarréia leve sem
sangue, diarréia severa com sangue e síndrome hemolítica urêmica (HUS).
Sintomas adicionais incluem cólicas abdominais e febre alta. Os vínculos
conhecidos de transmissão incluem leite, linguiça, carne assada, frutas e
derivados, vegetais crus e água não clorada8.
20
1.2.2 Gênero Salmonella
O gênero Salmonella também pertence à família Enterobacteriaceae.
Espécies desse gênero são móveis e gram-negativos. As Salmonellas são
tipicamente definidas pela sua capacidade de utilização de citrato com única fonte
de carbono e a lisina como única fonte de nitrogênio e por serem produtoras de
H2S em ágar três açúcares, exceções a estas características são utilizadas para
definir seus sorotipos específicos.
O gênero Salmonella é composto de duas espécies, a Salmonella entérica
(Figura 3) e a Salmonella bongori, sendo a S. entérica subdividida em seis outras
subespécies. Este gênero teve seu genoma analisado e foi encontrada uma alta
variabilidade genética. Os membros deste gênero podem ser isolados a partir de
alimentos ou água contaminados com fezes, eles não são organismos de vida
livre no meio ambiente.
Figura 3- Imagem ampliada da Salmonella entérica.
(Fonte: Volker Brinkmann)
A sorotipagem é baseada na caracterização de três estruturas de
superfícies: o antígeno S, que é a porção mais externa da camada que cobre a
célula bacteriana, o antígeno H, que é a porção flagelar bacteriana e o antígeno
Vi, que é um polissacarídeo capsular presente em sorotipos específicos. A
Salmonella sorotipo Salmonella Enteritidis é frequentemente associada com
infecções transmitidas por frangos e produtos frescos, este é um dos dois mais
comuns sorotipos tornando-se de 35 a 40% de infecções confirmadas por cultura.
21
As estirpes de Salmonella são classificadas como tifoide ou não tifoide que
corresponde à doença que está associada. Cepas de Salmonella não tifoide
normalmente causam infecções intestinais, acompanhados por diarreia, febre e
cólicas abdominais que normalmente duram uma semana ou mais, podendo
também causar infecções extra intestinais como bacteremia ou osteomielite.
O contágio humano está comumente ligado aos alimentos, podendo ser
transmitido pelo contato direto com animais, água contaminada e por contato
humano. Cerca de 1,4 milhões de casos da doença e 600 mortes são causadas
por salmonelose não tifoide nos Estados Unidos9.
1.3 PROCEDIMENTO OPERACIONAL PADRÃO DE ANÁLISES
MICROBIOLÓGICAS NA INDÚSTRIA DE ALIMENTOS
1.3.1 Gênero Escherichia coli
1.3.1.1 Prova presuntiva
Para a identificação de Escherichia coli inicialmente realiza-se uma prova
presuntiva por meio da inoculação de 1mL de diluições da amostra (10 -1, 10-2,10-
3...) em placas de Petri cobertas com duas camadas de Ágar Cristal Violeta
Vermelho Neutro Bile (VRBA) seguindo de incubação em 36±1°C por 24h. O
VRBA apresenta em sua composição sais biliares e cristal violeta responsável
pela inibição de microrganismos Gram positivos e vermelho neutro, um indicador
de pH que revela a fermentação da lactose pelos micro-organismos presentes
formando colônias rosadas (Figura 4). O objetivo de se adicionar duas camadas é
para impedir que colônias cresçam na superfície do ágar10.
22
Figura 4- Crescimento de microrganismos fermentadores de lactose (colônias
rosadas) em ágar VRBA.
(Fonte:www.pvl.pt, acessado em 07 de Junho de 2013).
1.3.1.2 Prova confirmativa para coliformes termotolerantes
As colônias presentes na prova presuntiva passam, então, pela etapa de
confirmação, nesta etapa as colônias suspeitas são inoculadas em tubos
contendo Caldo Escherichia coli (EC) e incubadas a 45°±0,2°C por 24 a 48h. O
caldo EC apresenta em sua composição uma mistura de fosfatos que lhe confere
um poder tamponante impedindo a sua acidificação. A seletividade é dada através
de sais biliares responsáveis pela inibição de micro-organismos Gram positivos10.
A presença de coliformes termotolerantes se dá pela presença de gás ou leve
efervescência ao agitar os tubos (Figura 5).
23
Figura 5- Presença de gás e leve turbidez em tubos contendo caldo Escherichia
coli após 24h de incubação.
(Fonte: A autora).
1.3.1.3 Identificação bioquímica
As amostras que apresentarem-se positivas para a prova confirmativa, são
submetidas à identificação bioquímica, que se baseia na evidenciação das
propriedades fisiológicas e metabólicas das culturas suspeitas caracterizando o
microrganismo11.
1.3.1.3.1 Motilidade e Indol
O ágar SIM (Figura 6-A) é um meio semi-sólido utilizado para avaliar se o
micro-organismo é móvel, e para determinar se o mesmo é produtor ou não de
Indol. A amostra é inoculada através de uma picada com alça de platina no ágar
SIM e incubada a 36±1°C por 24h.
24
Figura 6- Ágar SIM, (A) ágar sem contaminação, (B) teste de Indol positivo, (C)
teste de Indol negativo e (D) produção de H2S com aparecimento de precipitado
negro.
(Fonte : Adaptado de www.microbiology.scu.edu.tw, acessado em 27 de Junho de 2013).
O meio é composto por peptonas que são fontes de triptofano, o principal
intermediário da degradação do triptofano é o ácido indolpirúvico que pode formar
Indol (resultado positivo) por desaminação e Escatol (resultado negativo) por
descarboxilação do ácido idolacético. A presença de Indol é detectada pela
realização do teste colorimétrico (Figura 7), adicionando-se o reativo de Kovacs,
que é composto de p-dimetilaminobenzaldeído, álcool amílico e ácido clorídrico. A
Escherichia coli possui motilidade e Indol positivos10.
(A) (B) (C) (D)
25
Figura 7- Esquema reativo de (A) produção do Indol e (B) reação do Indol com o
reativo de Kovacs.
(Fonte: A autora).
1.3.1.3.2 Triagem para fermentação de glicose, lactose e sacarose
O meio de triagem utilizado é o Ágar TSI, que é composto de nutrientes,
como a peptona, o cloreto de sódio e o extrato de carne e leveduras, possuindo
sistema indicador os carboidratos: glicose (1g/L), lactose (10g/L) e sacarose
(10g/L), o tiossulfato de sódio, o sulfato ferroso e o vermelho de fenol. A
inoculação (Figura 8) é realizada através de uma picada com a alça de platina
(avaliação da anaerobiose) e estrias na rampa (avaliação da aerobiose) e
incubada a 36±1°C por 24h11.
26
Figura 8- Procedimento de inoculação em ágar TSI.
(Fonte: A autora).
Como a glicose é um monossacarídeo e está em baixa concentração, será
rapidamente fermentada anaerobiamente, formando ácido no fundo do tubo, o
que torna o meio amarelo pela viragem do indicador vermelho de fenol (todos os
membros da família Enterobacteriaceae fermentam a glicose com produção de
ácido). A fermentação aeróbia da glicose, que ocorre na superfície do tubo,
resulta em ácido pirúvico. A Escherichia coli é capaz de fermentar a glicose e a
lactose, produzindo gás e atribuindo coloração amarelada à base e a rampa do
tubo (Figura 9)10.
27
Figura 9- Ágar TSI, (1) sem inoculação e (2) inoculado com Escherichia coli.
(Fonte: A autora).
1.3.2 Gênero Salmonella
1.3.2.1 Pré-enriquecimento seletivo
Esta etapa tem o objetivo de minimizar os efeitos do processamento do
alimento que podem promover stress nas células de Salmonella. É utilizada uma
solução salina peptonada que mantém o pH, evitando que a microbiota
acompanhante acidifique o meio, prejudicando a recuperação das células de
Salmonella. Adiciona-se 225 mL da solução a 25 g da amostra e incuba-se a 36±1
°C por 24 h11.
1.3.2.2 Isolamento e seleção
Após a etapa de pré-enriquecimento, realiza-se a seleção das colônias de
Salmonella em dois meios sólidos: o ágar XLD e o ágar Rambac pelo método de
estriamento de superfície.
O ágar XLD possui em sua composição os nutrientes: extrato de levedura e
cloreto de sódio, um sistema inibidor: deoxicolato de sódio, um sistema indicador:
xilose, lactose e sacarose, um indicador de pH: vermelho de fenol, indicadores de
H2S: tiossulfato de sódio, Citrato de Ferro (III) e amônia e a Lisina. A Salmonella
28
não fermenta a lactose e a sacarose, mas fermenta a xilose, mudando sua cor de
vermelho para amarelo devido a presença do vermelho de fenol. Em seguida o pH
aumenta devido a descarboxilação da Lisina (Figura 10), tornando o vermelho de
fenol novamente vermelho. A produção de H2S produz colônias com um centro
negro (Figura 11)11.
Figura 10- Reação de descarboxilação da Lisina através da enzima Lisina
Descarboxilase (LDC), produzindo Cadaverina e dióxido de carbono.
(Fonte: A autora).
Figura 11- Crescimento de Salmonella em ágar XLD com aparecimento de
centros escuros devido a precipitação do H2S.
(Fonte: A autora).
No ágar Rambac a diferenciação entre Salmonella e outros microrganismos
é promovida pela presença de propilenoglicol, e também por um cromógeno que
evidencia a hidrólise da beta-galactosidase. A Salmonella fermenta o
propilenoglicol que em combinação com um indicador de pH produz uma
coloração vermelha (Figura 12) 11.
29
Figura 12- Crescimento de colônias rosadas em ágar Rambac, possível
contaminação por Salmonella.
(Fonte: http://www.chromagar.com/p-Chromogenic_agar_Technology, acessado em 15 de Junho de 2013)
1.3.2.3 Identificação bioquímica
1.3.2.3.1 Motilidade, Indol e produção de H2S
Para a Salmonella o ágar SIM se apresenta, quase sempre, escuro devido
a reação do H2S com Citrato de Ferro e amônio (presentes do meio), formando
um precipitado negro, que dificulta a visualização da motilidade, que é positiva
para a maior parte das Salmonellas. Enquanto que a presença de Indol é negativa
(Figura 6-C)11.
1.3.2.3.2 Triagem para a fermentação de glicose, lactose e sacarose.
No ágar TSI ocorre a fermentação da glicose por aerobiose com produção
de CO2, água e energia e fermentação da glicose por anaerobiose com produção
de ácidos orgânicos, aldeídos, álcoois, CO2, H2 e energia. A glicose está em
concentração dez vezes menor que os outros carboidratos e quando acaba o
microrganismo começa a utilizar as peptonas e produzir compostos alcalinos.
Como na superfície não há produção de ácidos o meio fica alcalino. Neste,
também há o aparecimento de precipitado negro devido a produção de H2S pela
redução do tiossulfato presente no meio (Figura 13)10.
http://www.google.com.br/url?sa=i&rct=j&q=&source=images&cd=&cad=rja&docid=MNSNqHVIXgGXNM&tbnid=NfRgJTucvPjTtM:&ved=0CAUQjRw&url=http://www.chromagar.com/p-Chromogenic_agar_Technology.html?PHPSESSID=f312d95cdb1b7a6d96a498a6c554f83a&ei=OKDIUavSJYLu8QTjl4GADQ&bvm=bv.48293060,d.dmg&psig=AFQjCNGYuAV5phlXrbxOf3L7zWtg6OAUsA&ust=1372189057713999
30
Figura 13- Ágar TSI, (1) contaminação por Salmonella, (2) não inoculado.
(Fonte: A autora).
1.4 ESPECTROSCOPIA
A espectroscopia mede interações da radiação com a matéria para obter
informações sobre uma amostra. Inicialmente o analito encontra-se em seu
estado de energia mais baixo (estado fundamental), depois de estimulado,
algumas espécies no analito sofrem uma transição para um estado de energia
maior (estado excitado).
Cada espécie molecular possui a capacidade de absorver frequências
características. À medida que a luz atravessa o analito ela é absorvida e sua
intensidade decresce a medida que o analito é excitado.
A transmitância, ou seja, a fração da radiação incidente transmitida pela
solução é representada na equação 1.
(1)
Onde:
T = Transmitância;
P = Potência radiante transmitida;
Po = Potência radiante incidente.
2 1
31
A absorbância A de uma solução está relacionada com a transmitância de
forma logarítmica, como mostrado na equação 2.
(2)
Quando excitadas, as moléculas são submetidas a três tipos de transições,
as transições eletrônicas, as transições vibracionais e transições rotacionais. Não
obstante, em fase condensada apenas as transições eletrônicas e vibracionais
apresentam contribuições relevantes.
1.4.1 Espectroscopia no infravermelho
A espectroscopia na região do infravermelho possui uma ampla faixa
espectral que é dividida em Infravermelho Próximo (NIR, 780 – 2500 nm),
Infravermelho Médio (MIR, 2500 – 5x104) e Infravermelho Distante (FIR, 5x104 –
1x106). Como pode ser observada na Figura 14, essa radiação geralmente não é
suficiente para causar transições eletrônicas, podendo apenas induzir a
transições vibracionais e rotacionais12.
Figura 14- Regiões do espectro eletromagnético com ênfase na região do
Infravermelho.
(Fonte: a autora)
32
1.4.1.1 Fundamentação teórica
Para que uma molécula diatômica absorva radiação na região do
infravermelho ela precisa possuir um momento de dipolo permanente, podendo o
campo elétrico alternado da radiação interagir com a molécula e causar variações
na amplitude de seus movimentos.
Se a frequência da radiação coincidir com a frequência da molécula, ocorre
uma transferência de energia e uma variação na amplitude da vibração é
alcançada, consequentemente ocorre a absorção.
As vibrações se encaixam na categoria dos estiramentos e deformações
angulares (Figura 15). A vibração de estiramento inclui uma variação constante na
distância interatômica ao longo de um eixo da ligação entre dois átomos,
enquanto que a vibração de deformação angular é caracterizada pela variação do
ângulo entre duas ligações13.
Figura 15- Tipos de vibrações moleculares.
(Fonte: a autora)
Considerando uma molécula diatômica com duas massas esféricas (m1 e
m2) unidas por uma mola com constante de força (k), através do modelo do
oscilador harmônico simples e da Lei de Hooke, a energia (E) do sistema é dada
por:
33
(3)
√
Onde:
μ = massa reduzida m1xm2/m1+m2
A lei de Hooke aplicada a energia potencial (V) pode ser representada pela
equação 4.
(4)
Onde:
k= constante de força;
x= coordenada de deslocamento.
A curva de energia potencial possui forma de parábola e é simétrica sob o
comprimento da ligação, este modelo leva a frequência da ligação V0.
(5)
√
A mecânica quântica prevê que para esse modelo as transições entre os
diferentes níveis vibracionais adjacentes só podem acontecer quando Δ = ± 1.
Ainda, essa diferença de energia entre os níveis é sempre a mesma. E, para que
uma molécula absorva energia e, consequentemente, seja promovida até um
nível vibracional excitado, a radiação incidente deve corresponder exatamente à
diferença entre os dois níveis energéticos adjacentes. Portanto, a energia do fóton
deve ser:
34
(6) –
Apesar de a mecânica quântica explicar as bandas de absorção
observadas no Infravermelho originárias os modos fundamentais de vibração
molecular, ela não consegue prever a presença de forças repulsivas entre
átomos, a possibilidade de dissociação quando o comprimento da ligação excede
a sua extensão e a presença de sobretons nos espectros NIR14. A região do NIR
gera espectros que apresenta sobreposições e bandas de combinação das
ligações CH, NH e OH de vários grupos funcionais15, outras ligações podem
contribuir para o espectro NIR, sendo CC, CO, CN e PO, embora possuam sinal
fraco quando comparados com as anteriormente citadas, atribuindo uma
contribuição pouco significativa16.
O NIR baseia-se em absorção de energia por parte das ligações
existentes nas moléculas de uma amostra que são causadas por três
mecanismos diferentes: sobreposição de vibrações fundamentais, combinação de
vibrações fundamentais e ainda absorções eletrônicas, gerando bandas de baixa
seletividade15,16. Essas bandas são originadas de transições com ∆v=±2, ∆v=±3...,
não obedecendo a regra de seleção, como pode ser observado na Figura 16.
Figura 16- Transições entre níveis vibracionais.
(Fonte: A autora)
35
Quando dois átomos de aproximam a repulsão coulombiana entre seus
núcleos aumenta mais rapidamente que o previsto pelo modelo harmônico, e
quando a distancia interatômica se aproxima daquela onde ocorre a dissociação
dos átomos, um decréscimo de energia potencial ocorre, comportando-se
anarmonicamente (Figura 17).
Figura 17- Diagrama de energia potencial de um oscilador: (A) harmônico e
(B) anarmônico.
(Fonte: a autora)
Esse comportamento anarmônico é aproximado através da equação de
Morse (7), que descreve a energia potencial da molécula diatômica, como:
(7) ( )
Onde:
a = constante molecular;
De = energia de dissociação;
re = distância interatômica de equilíbrio;
r = distância interatômica a um dado instante.
36
Desta forma, a equação resultante que descreve os níveis vibracionais é:
(8) (
) (
)
Onde:
Xn = constante de anarmonicidade da vibração.
Assim, o modelo anarmônico explica a ocorrência de transições com Δ ± 2
ou maior (sobretons) e bandas de combinação entre vibrações, que são, ambos,
os tipos de bandas com maior predominância na região espectral NIR. Outra
contribuição importante é que o modelo prevê que a separação entre dois níveis
vibracionais adjacentes diminui com o aumento do número quântico vibracional, υ,
não sendo mais igualmente espaçadas, como previa o modelo harmônico17.
As bandas de absorção do NIR são largas, sobrepostas e mais fracas que
suas bandas fundamentais, como mostra a Figura 18, embora baixa, essa
absortividade permite uma maior profundidade de penetração, sendo uma
vantagem analítica, permitindo análises diretas de fortes absorventes e nivelando
amostras com espalhamento, favorecendo a realização de análises químicas e
físicas em uma única medida18.
37
Figura 18- Representação de bandas de absorção na região do infravermelho
próximo.
(Fonte: A autora)
1.4.1.2 Instrumentação
Um espectrofotômetro é um instrumento espectroscópico que utiliza um
monocromador ou policromador que dispersa a radiação em seus comprimentos
de onda constituintes, podendo variar o comprimento de onda sobre uma faixa
espectral considerável, juntamente com um transdutor que converte as
intensidades radiantes em sinais elétricos.
Os espectrofotômetros utilizam uma variedade de métodos para produzir
espectros de radiação NIR, podendo ser instrumentos de filtro, instrumentos
dispersivos ou interferômetros (transformada de Fourier), sendo este último o
mais aplicado por atribuir precisão e exatidão no comprimento de onda, alta razão
sinal/ruído e velocidade de varredura, podendo ser utilizado tanto para análises
qualitativas quanto para quantitativas12.
Os componentes básicos presentes em instrumentos NIR são a fonte de
luz, seletor de comprimento de onda, porta amostra, detector e registrador (Figura
19).
38
Figura 19- Esquema de um espectrofotômetro.
(Fonte: a autora)
Para obter o espectro, primeiro obtém-se um espectro de fundo
(Background), e em seguida é obtido o espectro da amostra, então a razão entre
os dois espectros é calculada e a absorbância ou transmitância versus o
comprimento de onda é registrado, como na Figura 20.
Figura 20- Espectro obtido na região do infravermelho próximo.
(Fonte: A autora)
39
1.5 QUIMIOMETRIA
A quimiometria é uma área de estudo que aplica métodos matemáticos e
estatísticos às ciências químicas, de modo a delinear procedimentos
experimentais, obter a máxima informação química através dos dados obtidos,
permitindo o desenvolvimento de modelos que estimam propriedades através da
análise de outras propriedades19.
Graças à quimiometria foi possível empregar dados analíticos da região NIR,
sendo a técnica considerada parte hardware (instrumento) e software
(quimiometria).
1.5.1 Pré-processamento de dados
Inicialmente, os dados brutos gerados são tratados na etapa de pré-
processamento. Isto deve-se ao fato de os dados analíticos de uma medida
instrumental representarem uma propriedade físico-química em função de uma
variável (pH, tempo, temperatura,...), e isto gera ruído, diferentes ordens de
grandezas, variações sistemáticas de linha base e etc., o que dificulta a
interpretação e modelagem destes sinais.
A apresentação de dados de natureza multivariada é feita, geralmente, em
forma de tabelas, podendo ser representada por uma matriz de dimensões i x j
sendo ‘i’ amostras e ‘j’ medidas experimentais.
Os pré-processamentos podem ser aplicados a variáveis ou as variações
existentes entre as amostras. Quando aplicado a variáveis pode ser utilizado de
três formas: centralização de dados na média, que consiste em subtrair o valor de
cada elemento do vetor coluna (variável) pelo valor médio dos elementos dessa
coluna; escalonamento, onde cada elemento de uma linha é dividida pelo desvio
padrão e sua respectiva variável, ficando cada uma com a mesma influencia no
modelo; e o auto escalonamento que consiste em centralizar os dados na média e
em seguida efetuar o escalonamento, ficando a média igual a zero e o desvio
padrão igual a 120. Quando aplicado às variações das amostras os métodos mais
utilizados são as derivadas e as suavizações.
40
Os métodos de derivações são aplicados quando deseja-se corrigir
problemas relacionados com a variação da linha base, permitindo uma melhor
visualização de picos existentes nos sinais originais. O cálculo da derivada pode
ser representado por um modelo linear, como na Equação 11.
(11)
Na 1ª derivada o termo ‘b’ é removido do modelo linear, ela é utilizada para
remover deslocamentos constantes da linha base.
(12)
Enquanto que na segunda derivada o termo ‘a’ é excluído da equação,
nesta há uma eliminação de uma variação linear na linha base, normalmente
devido a efeitos de espalhamento.
(13)
A utilização das derivadas torna a relação sinal/ruído maior devido ao seu
cálculo fazer diferenças entre valores adjacentes de conjuntos de dados, sendo
mais comumente aplicada a suavização. O algoritmo mais utilizado é o de
Savistky-Golay, este algoritmo utiliza uma regressão polinomial com a finalidade
de atenuar a presença de ruídos instrumentais aleatórios. Ele define a origem do
sinal, a largura do intervalo e o ponto central do intervalo, em seguida remove
esse ponto central, ajusta o polinômio através dos mínimos quadrados, utiliza
41
esse polinômio para estimar o ponto removido e desloca-se para o ponto seguinte
repetindo o processo21.
1.5.2 Técnicas quimiométricas
1.5.2.1 Análise de Componentes Principais (PCA)
Uma vez que as respostas instrumentais carregam informações químicas e
físicas das amostras, a análise exploratória é usada para detecção de padrões de
associação nos conjuntos de dados e, a partir destes padrões, é possível se
estabelecer relações entre as amostras e variáveis, descobrir amostras anômalas
(outliers) ou agrupa-las conforme determinadas características. Um dos métodos
mais utilizados é a análise por componentes principais (PCA) que baseia-se na
transformação ortogonal de um conjunto de observações em um conjunto de
valores chamados componentes principais. Trata-se de um método que reduz a
dimensionalidade através da representação do conjunto de dados em um novo
sistema de eixos (componentes principais) preservando o máximo de informação
útil à análise. O conjunto de dados resultante da PCA é muitas vezes utilizado
como base para construção de diversos modelos multivariados e fornecem
resultados mais satisfatórios quando comparados àqueles obtidos através do
conjunto de dados originais22.
Uma trasfomação é realizada em que a matriz original é decomposta como
o produto de duas outras matrizes, os escores e os loadings:
(9)
Onde:
X = Matriz de dados I x J;
T = Matriz de escores I x A;
P = Matriz de loadings J x A;
E = Matriz residual I x J;
42
J = Número de variáveis;
A = Número de componentes calculados;
I = Número de objetos ou amostras.
Sabendo que os vetores escore ta são ortogonais (isto é, TtT = diag(a) e a
são autovalores da matriz XtX)23, Figura 21.
Figura 21- Representação da simplificação de variárias por PCA.
(Fonte: A autora)
Cada vetor gerado representa um componente principal (PC) que carrega
informações diferentes sobre as amostras e variáveis originais, e são calculadas
através de um processo interativo, em que a Equação 8 é usada para extrair o
primeiro termo da matriz X. A matriz residual E é submetida ao mesmo cálculo
para a obtenção do segundo, dando origem a uma nova matriz residual que, por
sua vez, contém menos informação. Esse processo se repete até que a matriz
residual contenha uma quantidade de informação comparável ao nível de ruído
instrumental. Desse modo, a maior parte da variabilidade presente no conjunto de
43
dados estará contida na primeira PC; a segunda PC terá mais informação que a
terceira, e assim por diante22.
O número ideal de componentes a ser utilizado deve ser encontrado no
ponto médio entre os valores máximos do erro e estimativa de erro do modelo
multivariado24. Para selecionar o número correto de componentes se utiliza uma
ferramenta chamada de validação cruzada (Cross Validation), ela calcula um erro
estimado que um modelo multivariado apresenta frente a amostras
desconhecidas na previsão de um parâmetro de interesse, para isso as mesmas
amostras de calibração são utilizadas e suas respectivas respostas instrumentais
que foram usadas para a construção do modelo.
O método de validação cruzada leave-one-out realiza esse cálculo
removendo uma amostra por vez, e calculando o modelo na sua ausência. A
habilidade de previsão deste modelo é, então, testada utilizando a amostra que foi
mantida fora da construção do mesmo. Este procedimento é repetido até que
todas as amostras de calibração disponíveis tenham sido excluídas uma vez e
reincorporadas no modelo, individualmente. A estimativa de erro é dada pela raiz
quadrada do erro médio de validação cruzada (RMSECV) que é definido como25:
(10) ∑ ( ) ⁄
Onde:
Ycv,i = Estimativa de Yi com a amostra i excluída
N = Número de amostras do conjunto de calibração
1.5.2.2 Modelagem Independente por Analogia de Classe (SIMCA)
O método de análise SIMCA considera que as variáveis tenham
distribuição normal e uniforme. Cada classe do conjunto de amostras conhecidas
é submetida a uma análise de componentes principais, o número de componentes
principais necessário pra descrever cada classe é estabelecido e então é
construída uma hipercaixa envolvendo as amostras de cada classe, na qual os
limites são definidos como um intervalo de confiança. A capacidade de
44
diferenciação entre as classes é dada pela distancia e pelo resíduo entre elas. As
amostras desconhecidas são comparadas com os modelos das classes e
atribuídas as classes de acordo com a sua semelhança com as amostras de
treinamento. Uma nova amostra será reconhecida como um membro de uma
classe que seja suficientemente semelhante para os outros membros se não ela
irá ser rejeitada. Cada classe é modelada usando modelos separados de PCA. O
limite de distância do modelo Smax é utilizado para classificar as amostras novas e
Smax é calculado para o modelo da classe m como se segue:
(11) cFmSmS )()( 0max
Onde:
S0 = distância média dentro do modelo;
Fc = (Critério de Fisher) é o valor crítico fornecido pelas tabelas de Fisher-
Snedecor. O valor Fc depende da percentagem de risco, geralmente fixada em
5%. A associação de classe é definida em um nível de significância de 2,5% do
Smax15,19.
1.5.2.3 Análise Discriminante por Mínimos Quadrados Parciais (PLS-DA)
O método dos mínimos quadrados parciais correlaciona dados
espectroscópicos (matriz X) com uma ou mais propriedade(s) química(s) ou
física(s) de interesse (matriz Y). O PLS é baseado em variáveis latentes uma vez
que a decomposição da matriz X durante a regressão é correlacionada a variação
na matriz Y, ou seja, a covariância entre X e Y é maximizada. Nesse caso,
ocorrem distorções nas direções dos loadings, de forma que estes perdem sua
ortogonalidade, diferente da análise de PCA, onde os valores são ortogonais
entre si. Esta diferença leva a variáveis latentes que são mais diretamente
relacionadas à variabilidade em Y do que são as componentes principais (PC). As
matrizes X e Y são relacionadas através de operações lineares algébricas entre
45
seus scores, T. Estes são obtidos pela decomposição de X e Y em matrizes
menores, de acordo com a figura 2217.
Figura 22- Decomposição das matrizes X e Y em matrizes menores.
(Fonte: A autora)
A regressão PLS pode ser adaptada para o reconhecimento de padrões,
dando origem ao método PLS-DA. O PLS-DA é realizado usando um código
binário exclusivo. Durante o processo de calibração, o método PLS-DA é treinado
para calcular os valores de "adesão", um para cada classe, quando o valor estiver
acima de um limiar específico de predição a amostra é, então, atribuída a uma
única classe, Este método, adaptado das regresões PLS1 ou PLS2, utiliza
variáveis espectrais X como preditores e variáveis q (0 ou 1) como variáveis de
resposta26.
1.6 REVISÃO BIBLIOGRÁFICA
Estudos têm sido desenvolvidos aplicando a técnica NIR e a quimiometria
a amostras biológicas. Siripatrawan, em 2010, desenvolveu uma técnica rápida e
precisa com base em espectroscopia NIR integrada com quimiometria para
46
identificar e quantificar duas cepas de E. coli ATCC 25922 e K12 crescido em
meio líquido. Os autores empregaram a análise de componentes principais (PCA),
análise de fator discriminante (DFA) e rede neural artificial (ANN) como
ferramentas quimiométricas. Os modelos de PCA não conseguiram diferenciar as
espécies. Para dados de classificação o DFA apresentou-se satisfatório, e
mostrou diferenças entre grupos da mesma espécie e relacionou estas diferenças
à concentração. Para relacionar dados qualitativos com quantitativos modelos de
ANN foram construídos, estes apresentaram bons resultados de predição, com
coeficiente de regressão de 0,9827.
Figura 23- DFA dos espectros NIR de E.coli ATCC 25922 e E.coli K12 com
diferentes concentrações de células.
(Fonte: Siripatrauan, 2010)
Suthiluk (2008) estudou o uso do NIR como um procedimento rápido e não
destrutivo para medir a quantidade de contaminação por bactérias em repolho
picado usando regressão por mínimos quadrados parciais (PLS). Resultados
suficientemente precisos foram obtidos com o erro de polarização corrigida para o
padrão de previsão (PTS) de 0,46 log ufc/g para a solução Stomacher e 0,44 log
ufc/g para a solução de lavagem28.
47
Figura 24- Espectros do ‘extato b’ do repolho picado, (a) espectro original e (b)
espectro com msc + segunda derivada.
(Fonte: Suthiluk, 2008).
Al-Holy, em seu trabalho,utilizou a espectroscopia NIR com transformada
de Fourier para discriminar Escherichia coli O157:H7 ATCC 35150 de outras
bactérias (E.coli ATCC 25522, Bacillus cereus ATCC 10876, Listeria innocua
ATCC 51742) em suco de maçã. Análises de Componentes principais (PCA) e
Modelagem Independente por Analogia de Classe (SIMCA) foram utilizados. As
amostras foram classificadas com 82% de limite de confiança para diferenciar
E.coli O157:H7 ATCC 35150 de E.coli O157:H7 ATCC 25522, e 77% para
diferenciar E.coli O157:H7 de outras bactérias29.
48
Figura 25. Representação dos espectros de L.innocua ATCC 51742, B.cereus ATCC 10876, E.coli
O157:H7 ATCC 35150 e E.coli O157:H7 ATCC 25522, diferenças na região de 2000-1000. cm-1
pode ser observado.
(Fonte: Al-Holy, 2006)
Também foram utilizadas a espectroscopia NIR e modelos de calibração
multivariada na identificação de bactérias ácido láticas (Lactobacillus plantarum,
Leuconostoc mesenteroides e Lactobacillus sakei) em matriz aquosa. PCA e PLS
foram utilizados para obter modelos de previsão. A PCA mostrou claramente a
distinção entre as espécies. A PLS só conseguiu quantificar corretamente em
níveis de 3-9 log de ufc/mL30.
49
Figura 26- Representação de PC1xPC3 dos escores obtidos por regressão
PLS1 de amostras com L.plantarum, L.mesenteroides e L.sakei a níveis de
concentração 3-9 log de ufc/mL.
(Fonte: Martos, 2012).
50
2 JUSTIFICATIVA E OBJETIVOS
2.1 OBJETIVOS GERAIS
O objetivo do presente trabalho foi avaliar a eficiência da espectroscopia
NIR na determinação dos micro-organismos (Escherichia coli e Salmonella
Enteritidis) inoculados em polpa de fruta (abacaxi), os quais apresentam um
histórico de surtos associados a alimentos.
2.2 OBJETIVOS ESPECÍFICOS
Desenvolver uma metodologia de análise que atribua rapidez e precisão no
controle de qualidade microbiológico de polpa de abacaxi industrial;
Utilizar a técnica da Espectroscopia da região do Infravermelho Próxima (NIR)
como um método alternativo na determinação de Escherichia coli e Salmonella
Enteritidis em polpa de abacaxi;
Desenvolver modelos quimiométricos de classificação, utilizando a Análises de
Componentes Principais (PCA), Modelagem Independente por Analogia Classe
(SIMCA) e Análise Discriminante por Mínimos Quadrados Parciais (PLS-DA);
Contribuir para o desenvolvimento de métodos quimiométricos que possam ser
utilizados no controle de qualidade de alimentos para criar barreias que
contenham possíveis riscos de contaminação microbiológica.
51
3 PROCEDIMENTO EXPERIMENTAL
3.1 PREPARAÇÃO DAS AMOSTRAS
3.1.1 Polpa de fruta
A polpa de fruta de abacaxi foi obtida de um supermercado em Natal,
estado do Rio Grande do Norte, Brasil.
3.1.2 Cultura de bactérias e preparação do inóculo
As cepas de Escherichia coli – INCQS00171 e Salmonella Enteritidis –
INCQS00258, utilizadas neste estudo, foram fornecidas pelo Laboratório de
Microbiologia Médica, da Universidade Federal do Rio Grande do Norte, RN,
Brasil. A cepas estavam sob congelamento em uma mistura de leite, BHI (Brain
Heart Infusion; Oxoid Ltd. Basingstoke, England) e glicerol para manter o
suprimento de nutrientes e a crioproteção.
3.1.3 Preparação do inóculo
As cepas foram inoculadas em 1 ml de Caldo TSB (Triptic Soy Broth,
Becton, EUA), a 35 ° C durante 24 h. A suspensão bacteriana foi padronizada
para 0,5 na escala de MacFarland (~ 108 ufc / mL) em solução salina estéril.
Posteriormente, cada cultura foi centrifugada (4000 rpm, durante 5 min). O
sobrenadante foi descartado e o precipitado resultante foi ressuspenso em 1 ml
de solução salina a 0,9% e centrifugado novamente. Este processo foi repetido
mais duas vezes para remover os componentes do meio. O precipitado obtido foi
ressuspenso em 1 ml de polpa de abacaxi (~ 10 ° C).
3.2 INSTRUMENTAÇÃO
Como mostrado da Figura 27, os espectros foram medidos utilizando um
Espectrofotômetro Antaris MX FT-NIR (Thermo Fisher Scientific Inc., EUA),
equipado com sonda de fibra ótica de transflectância. Os espectros NIR foram
obtidos ao longo de um gama de 10,000-4000 cm-1, ou 1000-2500 nm, e foram
registados com uma resolução espectral de 32 cm-1, com 32 varreduras. O tempo
52
de medição foi de 26 s (32 scans) por espectro. Os espectros de absorbância das
amostras da suspensão bacteriana foram obtidos contra o espectro da sonda em
repouso. Seringas descartáveis de 1 mL foram utilizadas para adicionar uma gota
da amostra, aproximadamente 0,1 ml, em uma superfície de alumínio com
aproximadamente 0,1 mm de espessura. A sonda de trasflectância foi
posicionada sobre a superfície da amostra. Após cada amostra a sonda de
transflectância foi lavada com etanol (70% v / v) e seca com papel. Cinqüenta
espectros (N = 50) foram carregados seguindo a sequência de cada espécie à
temperatura ambiente.
Figura 27- Etapas de obtenção dos espectros. (a) fibra ótica na posição
inicial, para a obtenção do Background, (b) posicionamento da sonda sobre a
amostra para coleta dos espectros e (c) armazenamento de dados.
(Fonte: A autora).
3.3 QUIMIOMETRIA
3.3.1 PCA e SIMCA
Neste estudo, foi utilizado um total de 50 espectros NIR, divididos em
E.coli (15 amostras) e S. Enteritidis (21 amostras). Para validar os modelos
SIMCA obtidos, 8 e 6 amostras dos grupos E. coli e S. Enteritidis,
53
respectivamente, foram analisados. O desempenho do modelo SIMCA foi
avaliado, comparando os valores de sensibilidade e especificidade.
3.3.2 PLS-DA
O método PLS-DA foi utilizado para diferenciar entre as duas classes
diferentes de bactérias, e que foram divididas em dois conjuntos um de calibração
e outro de validação. A análise PLS-DA foi realizada utilizando um conjunto de
calibração com 15 e 21 amostras de E. coli e S. Enteritidis, respectivamente. Para
a validação externa, 8 e 6 amostras de E.coli e S. Enteritidis, respectivamente. A
validação cruzada foi realizada utilizando subconjuntos aleatórios, o que significa
que cada conjunto de teste foi formado a partir de uma seleção de objetos, de
forma que um único objeto é incluído em apenas um conjunto de testes. O
número de variáveis latentes selecionados para cada modelo foi determinado
utilizando o menor erro quadrático de previsão (RMSEP).
3.4 AVALIAÇÃO DA PERFORMANCE DO MODELO
A avaliação do desempenho do modelo foi efetuada através da análise de
sensibilidade e especificidade. Sensibilidade é a estimativa percentual
experimental de amostras classificadas corretamente em sua própria classe, e
especificidade é a estimativa percentual experimental de amostras de outra classe
que a classe modelo rejeita. Um modelo perfeito de classe tem 100% de
sensibilidade e especificidade de 100%31.
3.5 SOFTWARE
A importação dos dados, pré-tratamentos e a construção dos modelos de
classificação quimiométricos (PCA, SIMCA, PLS-DA) foi realizada na versão
MATLAB 6.5 (Math-Works, Natick, EUA), utilizando o PLS-toolbox (Pesquisa
Eigenvector, Inc., Wenatchee , WA, EUA, versão 5.8.2). Diferentes métodos de
pré-processamento foram usados, incluindo a derivada e a suavização de
Savitzky-Golay, utilizando um polinômio de primeira e segunda ordem, e variando
o número da janela de pontos (3, 5, 7 e 15 ) e correção de dispersão (MSC).
54
Todos os modelos foram construídos com validação cruzada, utilizando-se o
método ‘leave-one-out’. o número ótimo de componentes PLS foi considerado
como sendo, pelo menos, aquele que minimiza a diferença de quadrados entre o
valor de referência e os parâmetros medidos (raiz quadrada média do erro de
validação cruzada, RMSECV).
55
4 RESULTADOS E DISCUSSÃO
4.1 ESPECTRO ORIGINAL
A Figura 28 mostra os espectros NIR das suspensões de bactérias de duas
classes (E. coli e S. Enteritidis). Como pode ser observado há dificuldade, e até
mesmo impossibilidade de encontrar diferenças significativas entre as duas
classes apenas observando seus espectros puros, isto deve-se ao alto grau de
sobreposição de bandas. Estas bandas são originadas do segundo sobretom do
estiramento O–H (982 nm), do primeiro sobretom do estiramento O–H (1456 nm),
e a combinação de bandas do estiramento assimétrico e deformação angular das
vibrações do O–H (1940 nm). Também pode-se observar que houve um desvio da
linha de base e bias consistente, que é muito comum para espectros NIR
adquiridos por técnica de reflectância difusa devido ao alto espalhamento de luz32.
Figura 28- Espectros NIR originais das suspensões de bactérias E. coli e S.
Enteritidis de 50 amostras, sendo 25 para E.coli e 25 para S. Enteritidis.
(Fonte: a Autora).
Para resolver este problema, alguns pré-tratamentos foram aplicados. O
primeiro pré-tratamento utilizado foi uma correção de espalhamento de luz (MSC),
56
realizada para corrigir o efeito de dispersão da luz no espectro de absorção. Esta
etapa foi essencial para a aplicação dos outros pré-processamentos. Foram
construídos modelos com primeira e segunda derivada de Savitzky-Golay com
janelas de 3 a 15 pontos (Apêndice A) nos espectros puros e em regiões
específicas. Foi utilizada a derivada porque esta torna as características
espectrais das diferentes cepas de bactérias mais proeminentes e por ser muito
usada para processar dados espectrais, pois separa sobreposições de bandas de
absorção, elimina desvios de linha de base e aumenta a resolução espectral
aparente. Estes efeitos são mostrados na Figura 29.
Figura 29- Espectros NIR das suspensões de bactérias E.coli e S. Enteritidis
pré-processada com MSC e segunda derivada de Savitzky-Golay com janela de
15 pontos com atribuição das possíveis estruturas presentes na parece celular
dos gram-negativos.
(Fonte: a Autora).
57
4.2 PCA E SIMCA
Após os pré-processamentos, a faixa de 1000 a 1111 nm foi removida com
a intenção de eliminar o ruído espectral e, em seguida, realizou-se a análise de
PCA. Um modelo PCA foi construído a partir do conjunto de calibração usando 3
componentes principais, explicando juntos 98,62% do total de variância nos dados
após a aplicação do pré-processamento (MSC e primeira derivada Savitzky-Golay
com janela de 15 pontos). Como pode ser visto na Figura 30, não há separação
clara entre as duas classes. Neste caso, a figura mostra que os escores de PCA
resultantes da aplicação desta técnica, para os dados de espectroscopia NIR, não
foram capazes de diferenciar as classes de bactérias.
Figura 30- Escores de PCA dos espectros NIR das suspensões de E.coli e S.
Enteritidis.
(Fonte: a Autora).
Os dados deste estudo contêm informações espectrais NIR complexas com
diversas fontes de variação (por exemplo, taxa de crescimento, a temperatura e o
tempo de incubação, o processo metabólico, as propriedades ópticas da sonda
utilizada na obtenção dos espectros, etc.). Os procedimentos para a preparação
das amostras deste estudo foram padronizados para minimizar essas influências,
gerar informações espectrais consistentes e obter dados reprodutíveis. A
58
concentração média de células bacterianas foi consistentemente 1 × 108 ufc / ml,
que forneceu sinais intensos na região NIR. Por isso que o PCA, que é
freqüentemente usado como um método de classificação não-supervisionado, não
foi capaz de fornecer uma separação suficiente entre as classes, e também pelo
fato do mesmo não ser eficaz quando a variação dentro do grupo é maior do que
a diferença entre os grupos. Em tais situações, a utilização de métodos de
classificação supervisionados deve ser considerada.
Para reduzir o efeito da água nos modelos supervisionados foi removido o
pico principal da água (1900 nm), removendo, assim, a banda de estiramento O-H
da água.
Antes da construção dos modelos, as amostras foram selecionadas
utilizando o gráfico de PCA, pois mostrou-se mais satisfatório em relação à
seleção de amostras utilizando o algorítmo Kennard-Stone (Apêndice B). O último
não conseguiu diferenciar amostras por grupos, reconhecendo as amostras como
sendo de um único grupo, este fato pode ser explicado pela alta variabilidade das
amostras.
Foram costruídos modelos SIMCA para cada uma das duas classes
usando um total de 50 amostras. Os modelos SIMCA apresentaram um baixo
desempenho, como pode ser visto na Tabela 1 que mostra o melhor modelo
obtido. Isto deve-se ao fato do modelo SIMCA ser baseado na Análise de
Componentes Principais, não sendo capaz de identificar diferenças entre as
classes e similaridades dentro de cada classe.
Tabela 1- Modelo SIMCA com segunda derivada na região de 1111-2000nm.
Bactéria
Calibração Previsão
Acertos %Variância Falsos
Negativos
Acertos %Variância Falsos
Negativos
E.coli 14 93,33 1 8 100 0
S.enteritidis 4 19,04 17 0 0 6
59
Atendo ao fato de que os modelos de PCA e SIMCA não foram capazes de
diferenciar as duas classes de bactérias, modelos PLS-DA foram construídos. O
PLS-DA foi escolhido por levar em consideração valores de X e Y, fornecendo
mais informações ao modelo.
4.3 PLS-DA
O conjunto de dados com 256 variáveis (região selecionada) foi utilizado
para o modelo de classificação PLS-DA. Durante a construção do modelo,
algumas amostras foram removidas, tais como outliers com base na avaliação
dos resíduos e T2 de Hotelling (Apêndice C). Modelos de classificação foram
construídos para todas as combinações de E. coli e S. Enteritidis. Os modelos
foram validados por validação cruzada. Foi realizada a seleção dos dados de
calibração para encontrar as variáveis ideais para a classificação. O modelo PLS-
DA foi calculado e validado. O R2, e RMSEC RMSECV para os modelos PLS-DA
de calibração foram 0,87, 0,46 e 0,69, respectivamente, para a E. coli. Para S.
Enteritidis os valores R2, RMSEC e RMSECV foram 0,87, 0,60 e 0,68,
respectivamente. O PLS-DA apresentou um bom desempenho, atingindo uma
capacidade de predição de 87,5% para a E. coli e de 88,3% para S. Enteritidis,
respectivamente. A Tabela 2 apresenta o resumo dos resultados obtidos para
vários modelos de PLS-DA.
Tabela 2- Modelos PLS_DA com primeira e segunda derivada nas regiões (A) espectro puro e (B) 1111-2000nm.
Bacterium
Calibração Previsão
Acertos Variância Falsos
Negativos
Acertos Variância Falsos
Negativos
E.coli(A)¹ 12 77,70 3 6 75,00 2
S.enteritidis(A)¹ 18 85,70 3 3 58,30 3
E.coli(B)¹ 14 88,88 1 6 85,70 2
S.enteritidis(B)¹ 7 33,33 14 4 75,00 2
E.coli(B)² 13 86,66 2 7 87,50 1
60
S.enteritidis(B)² 19 90,47 2 5 83,33 1
Os resultados dos diferentes modelos com os valores de sensibilidade e
especificidade para a validação cruzada e os modelos testados foram calculados.
Para os modelos PLS-DA os valores ideais obtidos para a sensibilidade e
especificidade foram de 0,87 e 0,83, respectivamente, em modelos de
diagnósticos um elevado valor de especificidade é muitas vezes preferido dado
que tal reduz o número de falsos positivos.
Os resultados dos modelos PLS-DA sugerem que também é possível a
utilização de técnicas quimiométricas e que estas são adequadas para a detecção
de bactérias inoculadas em polpa de fruta.
Comparando os resultados obtidos em trabalhos anteriores29,33, pode ser
observado que para construção de modelos com bactérias o SIMCA apresenta
resultados altos na classificação, porém quando amostras de validação são
testadas o modelo torna-se falho. Enquanto que, o PLS-DA, apresenta-se uma
boa ferramenta para solucionar problemas de variabilidade dentro da classe,
conseguindo bons modelos de validação.
O presente trabalho mostra-se promissor para solucionar deficiencias na
indústria de polpa de fruta quanto à análises microbiológica das espécies
Salmonella e Escherichia coli, proporcionando rapidez na análise, podendo o
produto ser encaminhado para o consumidor final assim que produzido.
61
5 CONCLUSÕES
Tendo em vista os resultados obtidos, podemos concluir que é possível
utilizar os métodos quimiométricos para diferenciar colônias de bactérias
(Escherichia coli e Salmonella Enteritidis) a partir da espectroscopia NIR (1000–
2500 nm). Foi avaliado que o método PLS-DA apresentou melhores resultados.
Os resultados mostraram-se satisfatórios, porém apresentaram falhas na
aquisição dos espectros que sofreu variações físicas (temperatura, tempo, etc) e
baixa sensibilidade do equipamento. Para solucionar este problema técnicas
quimiométricas tem sido desenvolvidas.
Futuramente, o desenvolvimento desta técnica poderá ter um grande
potencial na determinação de contaminantes em alimentos, atribuindo rapidez e
precisão nas análises de controle de qualidade.
62
REFERÊNCIAS
1. KAEWTATHIP, T.; CHAROENREIN, S. Changes in volatile aroma
compounds of pineapple (Ananas comosus) during freezing and thawing,
International Journal of Food Science & Technology. v. 47, p. 985 –
990, 2012.
2. GIACORRELLI, E. J., PY, C. Abacaxi no Brasil. Campinas: Fundação
Cargil, 1989.
3. CARROLL, C. K.; BUTEL, J. S. MORSE; S. A. Microbiologia Médica de
Jawetz, Melnick e Adelberg. 25 ed. [S. l.]: Geo. F. Brooks, 2012.
4. INTERNATIONAL COMISSION OF MICROBIOLOGY SPECIFICATIONS
IN FOOD. . Acesso
em: fev. 2013.
5. MANNING, S.D. Escherichia coli infections, 1 ed., David Heymann,
United States of America: 1971.
5 MURRAY, P.R. Microbiologia Médica, 5 ed., Rio de Janeiro: Elsiever,
2006.
6 KAUFFMAN, F. The serology of the coli group, J. Immunol. v. 57, p. 71-
11, 1947.
8. VERSALOVIC, J. Manual of Clinical Microbiologic, 10 ed., Texas
Children’s Hospital: ASM press, 2011.
9. KONEMAN, E.W. Diagnóstico Microbiológico, 5 ed., Buenos Aires:
Editora Médica Panamericana S.A., 1999.
10. BRASIL. MINISTÉRIO DA AGRICULTURA E ABASTECIMENTO.
Manual de métodos microbiológicos para alimentos. [S.l]:
http://www.icmsf.org/main/articles_papers.html
63
Coordenação Geral de Laboratório Animal, 1992.
11. REGINA, J. H. Atlas da Microbiologia de Alimentos, 1 ed. [S.l]: Revista
Indústria de Laticínios, 1998.
12. SKOOG, D.A. Princípios de Análise Instrumental, 5 ed. Porto Alegre:
Bookman, 2002.
13. PASQUINI, C. Near Infrared Spectroscopy: fundamentals, practical
aspects and analytical applications. J. Brasilian Chemical Society, v.14
, p.198-219, 2003.
14. BURNS, D.A.; CIURCZAK, E.W. Handbook of Near-infrared analysis, 3
ed. [S.l]: CRC Press, 2007.
15. NAES, T.; ISAKSSON, T.; FERN, T.; DAVIES, T. A user-friendly guide
to multivariate calibration and classification, UK: NIR Publications,
2002.
16. BARKER, M.; RYENS, W. Partial leat squares for discrimintion, Journal
of Chemometrics, v. 17, p. 166-173, 2003.
17. NEVES, A.C.O. Espectroscopia no infravermelho próximo e métodos
de calibração multivariada aplicados à determinação simultânea de
parâmetros bioquímicos em plasma sanguíneo, Natal-RN:
Dissertação de Mestrado-UFRN, 2013.
18. MILLER, J.N.; MILLER, J.C., Statistics and chemometrics for
analytical chemistry, 4 ed. Chinchester: Prentice Hall, 2000.
19. MASSART, D.L.; VANDEGINSTE, B.G.M.; DEMING, S.N.; MICHOTTE,
YKAUFMAN, L. Chemometrics: a textbook, In: Data handling in
science and technology, 1 ed. Amsterdam: Elsevier Science Publisher
64
B., p. 385-413, 1998.
20. BRERETON, R. G. Introdution to multivariate calibration in analytical
chemistry, [S.l]: Analyst, 2000.
21. SAVITZKY, A.; GOLAY, M.J.E. Smoothing and differentiation of data by
simplified least squares procedures, Analytical chemistry, v. 36, p.
1627-1639, 1964.
22. NEVES, A.C.O.; ARAÚJO, B. L.; VALDERRAMA, P.; MARÇO, P.H.;
LIMA, K.M.G. Near infrared spectroscopy and multivariate calibration for
simultaneous determination of glucose, triglycerides and high-density
lipoprotein in animal plasma, Journal o Pharmaceutical and
Biomedical Analisys, v. 66, p. 252-257, 2012.
23. JOLIFFE, I. T. Principal Component Analysis, 2 ed. UK: Springer,
2002.
24. MATTHIAS, O. Chemometrics, Statistics and Computer Application
in Analytical Chemistry, 2 ed. Weinheim: WILEY-VCH Verlag GmbH &
Co. KGaA, 2007.
25. MARTEN, H.; NAES, T. Multivariate Calibration and Classification, 1
ed. Chichester-UK: NIR Publications, 2002.
26. BARKER, M.; RAYENS, W. Partil Least Squares for discrimination,
Jornal of chemometrics, v. 17, p. 166-173, 2003.
27. SIRIPATRAWAN, U.; MAKINO, Y.; KAWAGOE, Y.; OSHITA, S. Near
infrared spectroscopy integrated with chemometrics for rapid detection of
E. coli ATCC 25922 and E. coli K12, Sensors and Actuators B:
Chemical, v. 148, p. 366-371, 2010.
65
28. SUTHILUK, P.; SARANWONG, S.; KAWANO, S.; NUMTHUAM,
S.; SATAKE, T. Possibility of using near infrared spectroscopy for
evaluation of bacterial contamination in shredded cabbage, International
Journal of Food Science and Technology, v. 43, p. 160-165, 2008.
29. AL-HOLY, M. A.; LIN, M.; CAVIINATO, A. C.; RASCO, B. The use of
Fourier transform infrared spectroscopy to differentiate Escherichia coli
O157:H7 from others bacteria inoculated into apple juice, Food
Microbiology, v. 23, p. 162-168, 2006.
30. MARTOS,C. F.; COSANO,Z. G.; RODRIGUEZ, P.F.; ROJOS, M. R.;
Identification and quantification of lactic acid bacteria in a water-based
matrix with near-infrared spectroscopy and multivariate regression
modeling, Food Anal. Methods, v. 5, p. 19-28, 2012.
31. FORINA, M.; ARMANINO, C.; LEARD, R.; DRAVA, G. A class modeling
technique based on potential functions, Journal of Chemometrics, v. 5,
p. 435-453,1991.
32. WILLIAMS, P.; NORRIS, K. NIR Technology in the Agricultural and
Food Industries, St. Paul: Am. Ass. Cereal Chemists, 1990.
33. ALEXANDRAKIS, D.; DORVEY, G.; SCANNEL, A. G. M. Detection and
identification of bacteria in an isolated system with near-infrared
spectroscopy and multivariate analysis, J. Agric. Food Chem., v. 56, p.
3431-3437, 2008.
http://www.scopus.com/authid/detail.url?authorId=23101346900&eid=2-s2.0-37549062210http://www.scopus.com/authid/detail.url?authorId=9043619500&eid=2-s2.0-37549062210http://www.scopus.com/authid/detail.url?authorId=7402328847&eid=2-s2.0-37549062210http://www.scopus.com/authid/detail.url?authorId=23100718000&eid=2-s2.0-37549062210http://www.scopus.com/authid/detail.url?authorId=23100718000&eid=2-s2.0-37549062210http://www.scopus.com/authid/detail.url?authorId=7102002807&eid=2-s2.0-37549062210http://www.scopus.com/source/sourceInfo.url?sourceId=20115&origin=recordpagehttp://www.scopus.com/source/sourceInfo.url?sourceId=20115&origin=recordpage
66
APÊNDICE A - Modelos PLS-DA com MSC e 1ª e 2ª derivada com variação de
janela de 3 a 15 pontos.
Modelo¹ Sensibilidade Especificidade R² Cal RMSEC R² Prev RMSEP
PLS-DA S(1D)3Pts
0,000 0,750 0,990 0,046 0,065 0,717
PLS-DA S(1D)5Pts
1,000 0,200 0,972 0,062 0,011 0,757
PLS-DA S(1D)7Pts
0,000 1,000 0,977 0,070 0,069 0,965
PLS-DA S(1D)15Pts
1,000 0,200 0,968 0,066 0,005 0,645
PLS-DA S(2D)3Pts
1,000 1,000 0,917 0,138 0,784 0,302
PLS-DA S(2D)5Pts
0,000 0,667 0,790 0,160 0,024 0,622
PLS-DA S(2D)7Pts
1,000 0,667 0,806 0,211 0,557 0,768
PLS-DA S(2D)15Pts
0,875 0,883 0,870 0,460 0,871 0,680
¹ Pts, Pontos; 1D, 1ª derivada; 2D, 2ª derivada.
Apêndice B: Modelos PLS-DA com seleção de amostras utilizando o algoritmo
Kennard-Stone.
Modelo² Sensibilidade Especificidade R² Cal RMSEC R² Prev RMSEP
PLS-DA(1) KS(1D)
0.000 1.000 0.986 0.040 0.044 0.431
PLS-DA(1) KS(2D)
1.000 1.000 0.999 0.005 0.999 0.005
PLS-DA(2) KS(1D)
1.000 1.000 0.999 0.010 0.999 0.010
PLS-DA(2) KS(2D)
1.000 1.000 0.998 0.018 0.998 0.018
PLS-DA(3) KS(1D)
1.000 1.000 0.997 0.016 0.997 0.016
PLS-DA(3) KS(2D)
0.000 1.000 0.958 0.096 0.958 0.096
² KS, Kennard-Stone; 1D, 1ª derivada; 2D, 2ª derivada.
67
Apêndice C: Gráfico de resíduo e T² Hotelling
CAPA_PPGQ_Mestrado.pdf1: Capa Mest PPGQ