Global Mean Swing Ratio

O uso de ferramentas quimiométricas para o processamento de dados gerados por métodos espectrométricos segue uma sequência lógica: primeiro, os dados são pré- processados para se minimizar a variabilidade não desejada; em seguida, os dados são explorados para que possíveis padrões de resposta sejam revelados, podendo ser feita ainda seleção das variáveis relevantes para a melhor compreensão do fenômeno modelado e para reduzir o risco de calibração excessiva do método. Finalmente, podem ser empregadas técnicas supervisionadas para se propor modelos de classificação e discriminação entre

grupos de amostras, e então o método deve ser validado para que se possa verificar seu poder preditivo (Storme-Paris et al., 2010; Krakowska et al., 2016).

O pré-processamento de dados tem por objetivo corrigir ou suprimir efeitos indesejados, empregando-se transformações matemáticas que removem grande parte da variabilidade dos dados que não seja relacionada ao fenômeno estudado. O tipo de pré- processamento a ser empregado varia conforme os dados e a técnica analítica empregada, e incluem a centralização dos dados na média, colocar os dados na mesma escala, normalizar, suavizar e/ou derivar os dados, e alinhar sinais experimentais (Roggo et al., 2010; Dégardin et al., 2016; Krakowska et al., 2016).

Os métodos utilizados para a exploração inicial dos dados são chamados métodos não supervisionados, quando não há, ou não se informa, conhecimento prévio sobre as amostras (Storme-Paris et al., 2010; Krakowska et al., 2016). Esses métodos servem para avaliar tendências de agrupamento dos dados, similaridades entre amostras ou variáveis, identificar variáveis não relevantes e inspecionar amostras individualmente. Os métodos não supervisionados podem ser separados em métodos de projeção e agrupamento. Os métodos de projeção projetam as amostras, que antes eram descritas por uma série de parâmetros físico-químicos, em um novo sistema de coordenadas definido por poucas variáveis. Nesse novo sistema é possível visualizar estruturas ocultas nos dados, tais como grupos de amostras. Dentre os métodos de projeção destaca-se a análise de componentes principais (PCA), considerada a abordagem padrão para a compressão e visualização de dados multivariados (Rajalahti e Kvalheim, 2011; Krakowska et al., 2016). A PCA é uma técnica que diminui o número de variáveis fazendo combinações lineares ortogonais das variáveis originais; essas combinações são chamadas de componentes principais (PCs) e são definidas de tal maneira que elas explicam progressivamente a variabilidade residual dos dados (Sacré et al., 2010; Ortiz et al., 2013; Custers et al, 2015). As amostras são então posicionadas dentro do espaço multidimensional definido pelas PCs e, com base em suas coordenadas, é possível verificar a distâncias entre elas e a presença de tendências, agrupamentos e pontos aberrantes (Sacré et al., 2010; Storme-Paris et al., 2010; Rajalahti e Kvalheim, 2011; Ortiz et al., 2013;). Os métodos de agrupamento têm por objetivo construir grupos de amostras ou variáveis similares, ou seja, focam na similaridade entre amostras. Uma vez que na análise de medicamentos sob suspeita de falsificação o foco está nas diferenças entre produtos originais e falsos, métodos de agrupamento não são muito utilizados para esse fim.

Os métodos supervisionados são aqueles empregados quando há algum conhecimento prévio sobre as amostras, como quais as classes presentes no grupo de amostras ou informações sobre uma determinada característica da amostra, tal como a concentração de princípio ativo (Sacré et al., 2010; Storme-Paris et al., 2010; Krakowska et al., 2016). São métodos de discriminação, classificação ou regressão. Métodos classificatórios se baseiam na construção de regras de classificação para cada grupo separadamente e na definição dos limites de cada grupo (Custers et al., 2015; Krakowska et al., 2016). Um exemplo de método de classificação muito empregado na análise de medicamentos é a modelagem suave independente por analogia de classe (soft independent

modeling of class analogies, SIMCA). No SIMCA, cada grupo de amostras é definido em

um modelo de PCA, e as amostras desconhecidas são designadas para um determinado grupo com base na sua posição com relação aos espaços pré-definidos dos grupos de calibração (Custers et al., 2015; Krakowska et al., 2016).

Os métodos discriminantes, por sua vez, dividem o espaço das variáveis explanatórias em várias regiões mutuamente excludentes, uma para cada grupo pré-definido. Assim, uma amostra teste sempre será designada para algum grupo. Um método muito empregado na análise de medicamentos é o dos mínimos quadrados parciais – análise discriminante (partial least squares – discriminant analyisis, PLS-DA), onde se atribui uma variável dependente y para cada grupo pré-conhecido de amostras. O método é montado com um subconjunto das amostras (grupo de calibração) e é treinado para designar valores de y para as amostras; uma vez que o modelo é montado, uma nova amostra é designada para um ou outro grupo com base no seu valor de y calculado (Rajalahti e Kvalheim, 2011; Fernandes et al., 2012; Silva et al., 2014; Krakowska et al., 2016). As regras lógicas são montadas num espaço de fatores PLS, cuja definição é semelhante aos princípios da PCA. Entretanto, os fatores PLS são definidos de maneira a maximizar sua correlação com a variável resposta e não necessariamente com a maior variabilidade dos dados (Peinder et al., 2008; Sacré et al., 2010; Storme-Paris et al., 2010; Rajalahti e Kvalheim, 2011; Krakowska et al., 2016).

Existem vários estudos descrevendo o uso de ferramentas quimiométricas, associadas a diversas técnicas analíticas (principalmente espectroscópicas), para construção de modelos a serem empregados na detecção de falsificações de medicamentos. Até o momento, só foi encontrado um estudo se referindo a medicamentos contendo fármacos anabolizantes (Rebiere et al., 2015), descrevendo a análise de comprimidos de metandrostenolona. Esse e alguns outros estudos estão resumidos no Quadro 2.

Quadro 2: Resumo de estudos publicados que se referem ao uso de quimiometria na

elaboração de modelos para detecção de falsificações de medicamentos.

Referência Técnica analítica empregada Ferramenta quimiométrica empregada Medicamentos investigados Scafi e

Pasquini, 2001 NIRS PCA, SIMCA Várias classes

Vredenbregt et

al., 2006 NIRS PCA, WC Viagra

Dowell et al.,

2008 NIRS PLS-DA

Comprimidos de artesunato Peinder et al.,

2008 NIRS, Raman PCA, PLS-DA Lipitor

Roggo et al.;

2010 Raman SVM Várias classes

Dorlo et al.,

2012 NIRS PCA Cápsulas de miltefosine

Ortiz et al.,

2013 ATR-FTIR PCA Viagra, Cialis

Li et al., 2014 NIRS, Raman PLS-DA Comprimidos de

anisodamina Custers et

al.,2015 ATR-FTIR k-NN, CART, SIMCA Viagra, Cialis Rebiere et al.,

2015 NIRS, Raman PCA, MCR-ALS

Comprimidos de metandrostenolona Zhao et al, 2015 Raman PCA, CLS Doxofilina e Levofloxacino injetáveis (vários fabricantes) Dégardin et al., 2016 NIRS PCA, SVM, k-NN, DA Várias classes

NIRS = Espectroscopia no Infravermelho próximo; PCA = Análise de Componentes Principais; SIMCA = Modelagem suave independente por analogia de classe; WC = Correlação de comprimento de onda; PLS-DA = Mínimos quadrados parciais – análise discriminante; SVM = Máquina de vetor de suporte; ATR = Refletância Total Atenuada; FTIR = Infravermelho com Transformada de Fourier; k-NN = Regra do vizinho mais próximo; CART = Árvores de Classificação e Regressão; MCR-ALS = Resolução multivariada de curvas – Mínimos quadrados alternantes; CLS = Mínimos quadrados clássico; DA = Análise discriminante.