Diffusion success

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)Smax(m)S0(m) Fc 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

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.

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