COMBINANDO ESPECTROSCOPIAS VIBRACIONAIS, QUIMIOMETRIA E FUSÃO DE DADOS NA DETERMINAÇÃO DA QUALIDADE DE ALIMENTOS
A produção e consumo de produtos lácteos, dentre eles a manteiga, aumentaram globalmente nas últimas décadas, sendo consumida no mundo todo na sua forma original ou como ingrediente de outros alimentos. Vários fatores podem alterar sua qualidade, sendo a prática da adulteração um dos que mais tem aumentado, principalmente no período após a pandemia da COVID-19. A “adulteração economicamente motivada” é a substituição intencional ou adição de uma substância em um produto para aumentar o valor aparente do produto ou reduzir o custo de sua produção, e pode ser prejudicial à saúde do consumidor. As adulterações em alimentos são realizadas há muito tempo e se tornaram mais sofisticadas nos últimos anos, sendo que produtos de alto valor são mais suscetíveis às fraudes.
A fusão de dados provenientes de diferentes técnicas analíticas pode ser uma abordagem eficaz para estimar a concentração da espécie adulterante em uma matriz alimentícia, em comparação com o uso de uma única fonte de dados. Isso porque diferentes instrumentos podem fornecer informações complementares que atuam de forma sinérgica durante a modelagem. Neste trabalho, foi investigado o potencial das estratégias de fusão de dados na previsão do teor da adulterante margarina em amostras comerciais de manteiga. Foi explorado também o método de mínimos quadrados parciais com análise discriminante (PLS-DA) para a classificação de adulterações, em concordância com a legislação brasileira vigente. Modelos de regressão por mínimos quadrados parciais (PLS) foram desenvolvidos a partir de dados de espectroscopia no infravermelho médio com transformada de Fourier (FT-IR) e de espectroscopia Raman com transformada de Fourier (FT-Raman). Os modelos foram construídos tanto com os conjuntos de dados individuais, quanto fusionados em níveis baixo e médio por análise de componentes principais (PCA) e PLS. O desempenho dos modelos foi avaliado por meio dos valores de RMSEC, RMSECV e RMSEP. Para os dados de FT-IR e FT-Raman, foram obtidos valores de RMSEC de 5,71 % m/m e RMSEP de 4,70 % m/m, RMSEC de 9,40 % m/m e RMSEP de 8,07 % m/m respectivamente para cada técnica. Os resultados revelaram que, enquanto a fusão de dados em nível médio por PLS aumentou a exatidão de alguns modelos, a fusão em nível baixo e médio por PCA trouxe apenas pequenas melhorias. Assim, a fusão de nível médio por PLS demonstrou ser a melhor estratégia entre as avaliadas, e produziu um modelo com valores significativamente menores de RMSEP, e coeficientes de determinação superiores a 0,90 (RMSEC = 4,53 % m/m, RMSEP = 4,35 % m/m). Esses resultados indicam que as técnicas espectroscópicas, quando aliadas à fusão de dados, geram um efeito sinérgico maior e, consequentemente, produzem modelos com maior capacidade preditiva. Os modelos de classificação foram obtidos pelo método de análise discriminante por mínimos quadrados parciais e avaliados a partir da sua sensibilidade, especificidade e precisão. O melhor modelo apresentou valores de sensibilidade de 0,95, 0,93 e 0,90, especificidade de 1,00, 0,94 e 1,00, e precisão de 98,5%, 97,1% e 97,8% para calibração, validação cruzada e previsão, respectivamente. Os valores das figuras de mérito indicaram uma alta capacidade do modelo para classificar corretamente as amostras.