Espectroscopia no infravermelho próximo e métodos de calibração multivariada aplicados à determinação simultânea de parâmetros bioquímicos em plasma sanguíneo

No presente trabalho, a análise quantitativa de glicose, triglicerídeos e colesterol (total e HDL) em plasma sanguíneo de ratos e humanos foi realizada sem necessidade de prétratamentos de amostras, através do uso da espectroscopia no infravermelho próximo (NIR), aliada a métodos multivariados. Para tanto, foram comparadas diferentes técnicas e algoritmos utilizados para pré-processamentos de dados, seleção de variáveis e regressões multivariadas, tais como a regressão por mínimos quadrados parciais (PLSR), regressão não linear via redes neurais artificiais (ANN), regressão por mínimos quadrados parciais por intervalos (iPLS), algoritmo genético (GA), algoritmo das projeções sucessivas (SPA), entre outros. Para as determinações em sangue de ratos, os algoritmos de seleção de variáveis apresentaram resultados satisfatórios tanto em relação aos coeficientes de correlação (R²) quanto para os valores de erro quadrático médio de previsão (RMSEP) para os três analitos, especialmente para triglicerídeos e colesterol-HDL. Os valores de RMSEP para glicose, triglicerídeos e colesterol-HDL através do melhor modelo PLS foram de 6,08, 16,07 e 2,03 mg dL-1, respectivamente. Para as determinações em sangue de humanos, as previsões através de modelos PLS apresentaram resultados insatisfatórios, com comportamento não linear e presença de bias. A regressão ANN foi investigada como uma alternativa ao PLS, por sua habilidade de modelar sistemas não lineares. O erro quadrático médio de monitoramento (RMSEM) para glicose, triglicerídeos e colesterol total, para os melhores modelos ANN, foram de 13,20, 10,31 e 12,35 mg dL-1, respectivamente. Testes estatísticos (F e t) sugerem que a espectroscopia NIR aliada a métodos de regressão multivariados (PLS e ANN) possuem capacidade de quantificar os analitos (glicose, triglicerídeos e colesterol) mesmo quando os mesmos estão presentes em fluidos biológicos altamente complexos, como o plasma sanguíneoIn this work, the quantitative analysis of glucose, triglycerides and cholesterol (total and HDL) in both rat and human blood plasma was performed without any kind of pretreatment of samples, by using near infrared spectroscopy (NIR) combined with multivariate methods. For this purpose, different techniques and algorithms used to pre-process data, to select variables and to build multivariate regression models were compared between each other, such as partial least squares regression (PLS), non linear regression by artificial neural networks, interval partial least squares regression (iPLS), genetic algorithm (GA), successive projections algorithm (SPA), amongst others. Related to the determinations of rat blood plasma samples, the variables selection algorithms showed satisfactory results both for the correlation coefficients (R²) and for the values of root mean square error of prediction (RMSEP) for the three analytes, especially for triglycerides and cholesterol-HDL. The RMSEP values for glucose, triglycerides and cholesterol-HDL obtained through the best PLS model were 6.08, 16.07 e 2.03 mg dL-1, respectively. In the other case, for the determinations in human blood plasma, the predictions obtained by the PLS models provided unsatisfactory results with non linear tendency and presence of bias. Then, the ANN regression was applied as an alternative to PLS, considering its ability of modeling data from non linear systems. The root mean square error of monitoring (RMSEM) for glucose, triglycerides and total cholesterol, for the best ANN models, were 13.20, 10.31 e 12.35 mg dL-1, respectively. Statistical tests (F and t) suggest that NIR spectroscopy combined with multivariate regression methods (PLS and ANN) are capable to quantify the analytes (glucose, triglycerides and cholesterol) even when they are present in highly complex biological fluids, such as blood plasm