Desenvolvimento de uma metodologia para comparação de amostras de sal de cocaína pela determinação de solventes residuais e análise quimiométrica

A produção de cocaína requer a utilização de solventes orgânicos que não são completamente removidos durante esse processo, deixando vestígios químicos que podem ser posteriormente analisados em laboratório e devidamente correlacionados ao local de origem, aos métodos de refino e à rota de tráfico. Esse tipo de informação é relevante à investigação policial, aos esforços de colaboração internacional no combate ao tráfico de drogas e para a definição de políticas governamentais em termos de segurança e saúde pública. Diversas técnicas instrumentais são capazes de identificar grande parte dos componentes presentes em amostras de cocaína, fornecendo informações a respeito dos solventes residuais que essas amostras contêm. A análise estatística apropriada dessas informações estabelece padrões que revelam as principais características químicas da amostra. Esse trabalho visou consolidar uma metodologia adequada à realidade brasileira que permitisse a análise rápida e confiável de amostras na forma de sal de cocaína. Para isso, a técnica utilizada na determinação de solventes residuais em amostras de sal de cocaína foi Headspace associada à Cromatografia Gasosa e detecção por Espectrometria de Massas (HS-GC-MS). A análise de dados empregou métodos como Análise de Componentes Principais (PCA) e Análise Hierárquica de Clusters (HCA). O quadrado da função cosseno foi utilizado como medida para correlação entre amostras. Através dos resultados obtidos por PCA foi possível classificar as amostras conforme o método de refino utilizado no processo de produção da cocaína. Estudos estatísticos apontaram valores limites que puderam discriminar amostras como sendo “ligadas”, ou seja, correlacionadas em relação à forma de produção, permitindo estabelecer ligações entre apreensões de cocaína efetuadas em todo o Brasil. A metodologia desenvolvida para essa discriminação pode ser considerada promissora, pois não necessita do conhecimento a priori da população de amostras e permite o ajuste dinâmico dos valores limites para diferentes conjuntos. _________________________________________________________________________________ ABSTRACTCocaine production requires the use of organic solvents that are not completely removed during this process, leaving chemical traces that can later be analyzed in the laboratory and properly correlated to drug origin, processing methods and trafficking route. Such information is relevant to police investigation, the efforts of international cooperation in combating drug trafficking and for the establishment of government policies in terms of safety and public health. Several instrumental techniques are able to identify most of the components present in cocaine samples, providing information about the residual solvents in these samples. The appropriate statistical analysis of this information establishes standards that reveal the main chemical characteristics of the sample. This work aimed to build an appropriate methodology to the Brazilian reality that allows rapid and reliable analysis of salt samples of cocaine. For this, the technique used in the determination of residual solvents in salt samples of cocaine was Headspace associated with Gas Chromatography and Mass Spectrometry detection (HS-GC-MS). The data analysis employed methods such as Principal Component Analysis (PCA) and Hierarchical Cluster Analysis (HCA). The square of the cosine function was used as a measure of correlation between samples. Based on the results obtained by PCA the cocaine samples were classified according to the method used in the refining process for cocaine production. Statistical studies showed that limiting values could discriminate samples as being linked, ie, correlated in relation to how the sample was producted, or non-linked. This result allows correlations between cocaine seizures made in Brazil. The proposed methodology can be consideres is promising for such discrimination, as priori knowledge of the sample population is not required and allows the dynamic adjustment of the limit values for different sets of samples