• Nenhum resultado encontrado

5.1 GRANULOMETRIA

5.5.2 iPLS e biPLS

Primeiramente, repetiu-se o método iPLS e os resultados dos modelos construídos para a predição da concentração de sacarose em erva-mate estão apresentados na Tabela 7.

Tabela 7. Resultados dos modelos de iPLS, de 1 a 10 intervalos, para predição da concentração de sacarose em erva-mate.

Número de intervalos Intervalo selecionado Faixa espectral (cm-1) VLs Rcal² RMSECV (% g/g) RMSEC (% g/g) RMSEP (% g/g) 1 1 1800-800 5 0,9798 2,14 1,59 2,37 2 2 1299-800 4 0,9793 2,16 1,74 3,12 3 3 1131-800 4 0,9800 2,12 1,73 3,08 4 4 1047-800 4 0,9803 2,11 1,74 2,33 5 5 997-800 3 0,9797 2,14 1,89 3,10 6 6 964-800 3 0,9762 2,31 2,00 3,39 7 7 939-800 4 0,9771 2,27 1,80 2,99 Variáveis

59

8 6 1172-1049 7 0,9753 2,37 1,84 2,91

9 8 1018-909 6 0,9821 2,01 1,57 2,97

10 9 995-898 6 0,9819 2,02 1,61 3,25

Entre os modelos desenvolvidos por iPLS, o melhor foi o destacado na Tabela 7, o quarto intervalo entre 4 divisões do espectro. Uma vez que o Rcal² gerado foi muito próximo

para todo os intervalos selecionados, a indicação desta faixa espectral baseia-se no menor número de VLs em conjunto com os menores erros encontrados.

O quarto intervalo, como já mencionado, foi o que apresentou menor valor de RMSECV para a divisão do espectro em 4 intevalos, conforme gráfico na Figura 32.

Figura 32. Espectro com 4 divisões, destacando-se o intervalo com menor RMSECV. A linha pontilhada é o RMSECV (5VLs) para modelo global. Os números itálicos são as VLs ótimas para cada modelo de cada intervalo.

A Figura 33 apresenta o gráfico utilizado para a escolha do número de variáveis latentes. Para o quarto intervalo, o número de variáveis latentes ideal foi 4.

Número do intervalo RMSE CV ( % g /g )

60 Figura 33. Gráfico dos valores de RMSECV por número de variáveis latentes utilizadas pelo ATR-FTIR/iPLS para determinação da concentração de sacarose em erva-mate.

A faixa espectral selecionada (1047-800 cm-1), destacada na Figura 34, corresponde às bandas de açúcares glicose e frutose. As bandas correspondentes à erva-mate, são bem menores nesta região, conforme Figura 26.

Figura 34. Espectro obtido por ATR-FTIR com destaque para a região selecionada por iPLS entre 4 intervalos: 1047-800 cm-1.

Para a construção do gráfico da Figura 35, foi excluída uma amostra representativa de 10% de sacarose. Apesar dos erros e coeficientes de determinação serem similares para o modelo global e o modelo iPLS selecionado, com 4 intervalos, este último apresenta menor número de variáveis latentes. Neste sentido, o modelo iPLS utilizando a faixa espectral de 1047- 800 cm-1 demonstrou-se mais robusto.

RMSE CV ( % g /g )

Número de variáveis latentes

Número de intervalo 4, 1047-800 cm-1

61 Figura 35. Gráfico dos valores de referência versus valores previstos por ATR- FTIR/iPLS, com 4 intervalos e selecionado número 4, para determinação da concentração de sacarose em erva-mate.

Figura 36. Gráfico dos valores de referência versus valores previstos por ATR- FTIR/iPLS, modelo global, para determinação da concentração de sacarose em erva-mate.

-5 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35 S a c a r o se p o r A T R -F T IR ( % g /g )

Sacarose (% g/g) - massa pesada

Calibração Predição RMSEC = 1,74 % g/g RMSEP = 2,33 % g/g Rc2 = 0,9733 Rp2= 0,9520 VLs = 4 -5 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35 S a c a r o se p o r A T R -F T IR ( % g /g )

Sacarose (% g/g) - massa pesada

Calibração Predição RMSEC = 1,59 % g/g RMSEP = 2,37 % g/g Rc2 = 0,9495 Rp2= 0,9776 VLs = 5

62 Foram analisados os erros de calibração cruzada (RMSECV) para os espectros de 9 a 20 intervalos. Entre os que apresentaram menor RMSECV, foi selecionado o melhor modelo pelo número de variável latente, RMSEC e RMSEP. A Tabela 8 apresenta os resultados de menor RMSECV.

Tabela 8. Resultados dos modelos de biPLS para predição da concentração de sacarose em erva-mate, após prévia seleção dos melhores modelos com menor RMSECV.

Número de intervalos RMSECV (% g/g) VLs RMSEC (% g/g) RMSEP (% g/g) Intervalos selecionados 11 1,78 5 1,39 2,94 7 e 10 12 1,78 8 1,81 2,57 2, 6 e 11 13 1,81 6 1,25 3,02 1, 2, 6, 7, 8 e 12 14 1,77 7 1,45 2,81 2, 7, 9 e 13 15 1,61 8 1,20 2,90 6, 7 e 14 16 1,92 5 1,82 3,02 14 17 1,64 11 1,04 3,29 4, 5 e 15 18 1,54 8 1,10 3,09 3, 9, 11 e 16 19 1,57 9 1,09 2,97 3, 9 e 17 20 1,65 8 1,15 2,27 5, 6, 10 e 18

O melhor conjunto de resultados apresentado foi o com 20 intervalos, sendo os selecionados números 5, 6, 10 e 18. A faixa espectral para cada um destes foi, respectivamente: 1605-1554, 1554-1504, 1353-1303 e 950-900 cm-1.

Ao observar a Figura 26, pode-se concluir que os intervalos 5 e 6 correspondem a bandas pertinentes à erva-mate, enquanto que os intervalos 10 e 18 correspondem a bandas de açúcar (glicose e frutose). Acredita-se que a sacarose, após a sua diluição em solução e posterior aquecimento em erva-mate para o fim de adulteração, já está convertida em glicose e frutose. Por isso, as bandas na região de impressão digital são atribuídas aos açúcares glicose e frutose.

Os erros de calibração, predição, Rc², Rp² encontram-se no gráfico dos valores de referência versus valores previstos na Figura 37.

63 Figura 37. Gráfico dos valores de referência versus valores previstos por ATR- FTIR/biPLS para determinação da concentração de sacarose em erva-mate, com 20 intervalos, sendo os selecionados números 5, 6, 10 e 18.

A comparação entre os 2 métodos de seleção de variáveis e o modelo global está apresentado na Tabela 9.

Tabela 9. Figuras de méritos dos modelos global, iPLS e biPLS.

Modelos RMSECV (% g/g) VLs RMSEC (% g/g) RMSEP (% g/g) Rc² Rp² Global 2,14 5 1,59 2,37 0,9495 0,9776 iPLS 2,11 4 1,74 2,33 0,9733 0,9520 biPLS 1,65 8 1,15 2,27 0,9776 0,9574

Apesar do modelo biPLS apresentar menores RMSECV e RMSEC, o modelo iPLS utiliza a metade do número de variáveis latentes. Os coeficientes de correlação para os modelos biPLS e iPLS são similares, e portanto, o método iPLS possui resultados superiores ao biPLS , levando À obtenção de modelos mais robustos para a predição de concentração de sacarose em erva-mate. -5 0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35 S a c a r o se p o r A T R -F T IR ( % g /g )

Sacarose (% g/g) - massa pesada

Calibração Predição RMSEC = 1,15 % g/g RMSEP = 2,27 % g/g Rc2 = 0,9776 Rp2= 0,9574 VLs = 8

64 Nos estudos preliminares, foi estabelecida a possibilidade de distinção entre amostras de erva-mate bruta de amostras com adição de sacarose em forma de cristal e em solução através das análises exploratórias HCA e PCA. Ainda por análise exploratória, foi possível distinguir concentrações de 0-30% de sacarose adicionadas à erva-mate.

Entre os modelos criados comparando as metodologias de seleção de variáveis, o que apresentou melhores resultados foi o iPLS, utilizando a região espectral 1047-800 cm-1 do espectro com 4 intervalos. Este apresentou coeficientes de determinação satisfatórios de 0,9733 e 0,9520 para a calibração e previsão, respectivamente.

Portanto, foi desenvolvido uma potencial metodologia para quantificação de sacarose em erva-mate, adicionada com o fim de adulteração. Contudo, para a efetiva implementação desta técnica por agências regulatórias, são necessárias análise com mais amostras de erva- mate, cobrindo uma maior região de produção, de formas de processamento e suas variedades. Além disso, também é desejável a análise de outros adulterante em conjunto com a sacarose para obter um modelo robusto de autenticação dos produtos de Ilex paraguariensis.

65 1. Kennedy, S.; Emerging Global Food System Risks and Potential Solutions, in Improving Import

Food Safety; John Wiley & Sons: 2012.

2. Mendes, R.M.O.; Quadri, M.B.; Quadry, M.G.N.; Rev. Inst. Adolfo Lutz. 2007, 2, 103.

3. ANVISA; RDC nº 277: Regulamento técnico para café, cevada, chá, erva-mate e produtos solúveis de 22 de setembro de 2005.

4. Diniz, P.H.G.D.; Gomes, A.A.; Pistonesi, M.F.; Band, B.S.F.; de Araújo, M.C.U.; Food Anal.

Method. 2014, 8, 1712.

5. Manning, L.; Soon, J.M.; Food Policy. 2014, 49, 23.

6. Hong, E.; Lee, S.Y.; Jeong, J.Y.; Park, J.M.; Kim, B.H.; Kwon, K.; Chun, H.S.; J. Sci. Food

Agr. 2017, 12, 3877.

7. Rodriguez-Saona, L.E.;Allendorf, M.E.; Annu Rev Food Sci Technol. 2011, 2, 467. 8. Reid, L.M.; O'Donnell, C.P.; Downey, G.; Trends Food Sci. Tech. 2006, 7, 344. 9. Ordoudi, S.A.; Pascual, M. M.; Tsimidou, M.Z.; Food Chem. 2014, 150, 414.

10. Ellis, D.I.; Brewster, V.L.; Dunn, W.B.; Allwood, J.W.; Golovanov, A.P.; Goodacre, R.; Chem

Soc Rev. 2012, 17, 5706.

11. Rodriguez-Saona, L.E.; Giusti, M.M.; Shotts, M.; Advances in Infrared Spectroscopy for Food

Authenticity Testing, in Advances in Food Authenticity Testing. Woodhead Publishing: 2016.

12. Benaissa, M.; Mbaideen, A.; Ahmad Malik, B.; Assay of Glucose Using Near Infrared (NIR)

Spectroscopy, in Dietary Sugars: Chemistry, Analysis, Function and Effects. The Royal Society

of Chemistry: 2012.

13. Guidetti, R.; Beghi, R.; Giovenzana, V.; Chemometrics in Practical Applications. Intech: 2012. 14. Bracesco, N.; Sanchez, A.G.; Contreras, V.; Menini, T.; Gugliucci, A.; J. Ethnopharmacol.

2011, 3, 378.

15. Daniel, O.D.; Erva-mate: sistema de produção e processamento industrial; Ed. da UFGD: 2009. 16. Holowaty, S.A.; Trela, V.; Thea, A.E.; Scipioni, G.P.; Schmalko, M.E.; J. Food Process Eng.

2016, 1, 19.

17. Marcelo, M.C.A; Martins, C.A.; Pozebon, D.; Ferrão, M.F.; Anal. Methods. 2014, 19, 7621. 18. Brun, G.W.; Tese: Processo de produção de erva-mate descafeinada e de micro/nanopartículas

de cafeína usando dióxido de carbono supercrítico. PUC-RS: 2012. 19. Anesini, C.; Turner, S.; Cogoi, L.; Filip, R.; Food Sci. Tech. 2012, 2, 299.

20. FAOSTAT. Food and Agricultural Organization (FAO) Statistics Division. 2017. 21. Secretaria da Agricultura, Pecuária e irrigação do RS, Guia da erva-mate. 2017.

22. Isolabella, S.; Cogoi, L.; López, P.; Anesini, C.; Ferraro, G.; Filip, R.; Food Chem. 2010, 3, 695.

23. Gerke, I.B.B.; Hamerski, F.; Scheer, A.P.; Silva, V.R.; Food Bioprod. Process. 2017, 102, 204. 24. Heck, C.I.; de Mejia, E.G.; J. Food Sci. 2007, 9, 138.

25. Bastos, D.H.M.; Beltrame, D.; Matsumoto, R.L.T.; Carvalho, P.; Ribeiro, M.; Yerba mate:

Pharmacological properties, research and biotechnology; 2007.

26. de Lima, M.E.; Colpo, A.C.; Maya-López, M.; Rosa, H.; Túnez, I.; Galván-Arzate, S.; Santamaría, A.; Folmer, V.; J. Funct. Food. 2017, 34, 447.

27. Parapugna, T.L.; Petroselli, G.; Erra-Basells, R.; Lagorio, M.G.; Photoch. Photobio. Sci. 2016,

7, 879.

66 29. Colpo, A.C.; Rosa, H.; Lima, M.E.; Pazzini, C.E.F.; de Camargo, V.B.; Bassante, F.E.M.;

Puntel, R.; Ávila, D.S.; Mendez, A.; Folmer, V.; Food Chem. 2016, 185.

30. Dartora, N.; de Souza, L.M.; Santana-Filho, A.P.; Iacomini, M.; Valduga, A.T.; Gorin, P.A.J.; Sassaki, G.L.; Food Chem. 2011, 4, 1453.

31. Braghini, F.; Carli, C.; Bonsaglia, B.; Santos, J.; Junior, S.; Oliveira, D.; Tramujas, J.; Tonial, I.; Pesquisa Agropecuária Gaúcha. 2014, 7.

32. Moldoveanu, S.; Scott, W.; Zhu, J.; J. Sep. Sci. 2015, 21, 3677.

33. Esmelindro, M.C.; Toniazzo, G.; Waczuk, A.; Dariva, C.; Oliveira, D.; Food Sci Tech.2002, 199.

34. Hansel, F.A.H.; Moagem e sapeco/secagem em forno de microondas na classificação sensorial

de erva-mate no infravermelho próximo; Embrapa Florestas: 2008.

35. Perini, F.; Nitzke, J.A.; Erva-mate, histórias, produtos e processamento. [citado em 2017; http://www.ufrgs.br/alimentus1/objetos/erva-mate/#/apresentacao.html].

36. Spink, J.; Moyer, D.C.; J Food Sci. 2011, 9, 157.

37. López, M.I.; Trullols, E.; Callao, M.P.; Ruisánchez, I.; Food Chem. 2014, 177. 38. Spink, J.;Moyer, D.C.; Food Tech. 2013, 1.

39. Capuano, E.; van Ruth, S.M.; Fraud control for foods and other biomaterials by product

fingerprinting; InTech: 2012.

40. Accum, F.C.A.; A treatise on adulterations of food, and culinary poisons; 1820. 41. Everstine, K.; Spink, J.; Kennedy, S.; J. Food Protect. 2013, 4, 723.

42. Johnson, R.; Congressional Research Service 2014.

43. Cordella, C.; Moussa, I.; Martel, A.C.; Sbirrazzuoli, N.; Lizzani-Cuvelier, L.; J Agric Food

Chem. 2002, 7, 1751.

44. Pustjens, A.M.; Weesepoel, Y.; van Ruth, S.M.; Innovation and Future Trends in Food

Manufacturing and Supply Chain Technologies. 2015, 3.

45. Oliveri, P.; Downey, G.; TrAC- Trend. Anal Chem. 2012, 74.

46. Luqing, L.; Lingdong, W.; Jingming, N.; Zhengzhu, Z.; J Near Infrared Spec. 2015, 5, 317. 47. GIBERTI, G.C.; Dominguezia. 1989, 1, 22.

48. Dallago, R.M.; Valduga, A.T.; Luccio, M.D.; Benin, S.; Tres, M.V.; Ciência e Agrotecnologia.

2011, 1166.

49. Filip, R.; Lopez, P.; Coussio, J.; Ferraro, G.; Phytother Res. 1998, 2, 129.

50. Reginatto, F.H.; Athayde, M.L.; Gosmann, G.; Schenkel, E.P.; J. Brazil. Chem. Soc. 1999, 443. 51. Choi, Y.H.; Sertic, S.; Kim, H.K.; Wilson, E.G.; Michopoulos, F.; Lefeber, A.W.M.; Erkelens,

C.; Prat Kricun, S.D.; Verpoorte, R.; J. Agr. Food Chem. 2005, 4, 1237.

52. Kim, H.K.; Saifullah; Khan, S.; Wilson, E.G.; Kricun, S.D.P.; Meissner, A.; Goraler, S.;Deelder, A.M.; Choi, Y.H.; Verpoorte, R.; Phytochemistry. 2010, 7, 773.

53. Alexandre, T.C.T.; Eberhard, B.; Eloir, P.S.; J. Brazil Chem Soc. 2004, 2.

54. Pires, V.S.; Guillaume, D.; Gosmann, G.; Schenkel, E.P.; J Agric Food Chem. 1997, 4, 1027. 55. Gorzalczany, S.; Filip, R.; Alonso, M.R.; Miño, J.; Ferraro, G.E.; Acevedo, C.; J

ethnopharmacol. 2001, 2, 291.

56. Valduga, E.; Freitas, R.J.S.; Reissmann, C.B.; Nakashima, T.; Boletim do Centro de Pesquisa de Processamento de Alimentos. 1997, 1.

57. ANVISA; Resolução RDC no 303 de 07 de novembro de 2002.

58. Brasil. Decreto 6.871, de 4 de JUNHO de 2009.

67 59. Jayawardhane S.A.D.P.S; Gunarathna, N.A.J.C.; Lakshman P.L.N; Jinendra B.M.; Perera G.A.A.R.; Mewan K.M.; Weerakoon N.C.; Fernando M.S.C.; 6th Symposium on Plantation Crop Research; 2016, 6.

60. Herrero, M.; Cifuentes, A.; Ibáñez, E.; Castillo, M., Advanced Analysis of Carbohydrates in

Foods, in Methods of Analysis of Food Components and Additives. CRC Press: 2011.

61. Peris, M.; Sucrose: Properties and Determination, in Encyclopedia of Food and Health. Academic Press: 2016.

62. Pauli, E.D.; Cristiano, V.; Nixdorf, S.L.; Quim Nova. 2011, 689. 63. Galant, A.L.; Kaufman, R.C.; Wilson, J.D.; Food Chem. 2015, 149.

64. Moreira, L.M.; Lyon, J.P.; Lima, P.; Santos, V.J.S.V.; Santos, F.V.; Sucrose Chemistry, in

Dietary Sugars: Chemistry, Analysis, Function and Effects. The Royal Society of Chemistry:

2012.

65. Cozzolino, D.; Near Infrared Spectroscopy and Food Authenticity, in Advances in Food

Traceability Techniques and Technologies. Woodhead publishing: 2016.

66. Nie, P.; Wu, D.; Sun, D.W.; Cao, F.; Bao, Y.; He, Y.; Sensors. 2013, 10, 13820. 67. Moros, J.; Garrigues, S.; Guardia, M.; TrAC- Trend. Anal Chem. 2010, 7, 578.

68. Reis, N.; Botelho, B.G.; Franca, A.S.; Oliveira, L.S.; Food Anal. Methods. 2017, 8, 2700. 69. Spinosa, B.; Firmino, M.; Quimica Forense Experimental; Cengage do Brasil: 2016. 70. Karoui, R.;Downey, G.; Blecker, C.; Chem Rev. 2010, 10, 6144.

71. Cozzolino, D.; Appl Spectrosc Rev. 2012, 7, 518.

72. Black, C.; Haughey, S.A.; Chevallier, O.P.; Galvin-King, P.; Elliott, C.T.; Food Chem. 2016, 551.

73. Varliklioz, S.; Eksi-Kocak, H.; Yetim, H.; Boyaci, I.H.; Food Anal. Methods. 2017, 5, 1547. 74. Kokalj, M.; Štih, K.; Kreft, S.; Planta Med. 2014, 12, 1023.

75. Cebi, N.; Yilmaz, M.T.; Sagdic, O.; Food Chem. 2017, 517.

76. Wiercigroch, E.; Szafraniec, E.; Czamara, K.; Pacia, M.Z.; Majzner, K.; Kochan, K.; Kaczor, A.; Baranska, M.; Malek, K.; Spectrochim Acta A. 2017, 317.

77. Ferreira, M.M.C.; Quimiometria - Conceitos, Métodos e Aplicações; Editora da Unicamp: Campinas, SP, 2015.

78. Mingoti, S.A.; Análise de dados através de métodos de estatística multivariada: uma

abordagem aplicada; Editora UFMG: 2005.

79. Correia, P.R.M.; Ferreira, M.M.C.; Quím Nova. 2007, 481.

80. Morgano, M.;Queiroz, S.N.; Ferreira, M.; Braz. J. Food Tech. 1999, 1, 73.

81. Manly, B.F.J.; Multivariate Statistical Methods: A Primer; Taylor & Francis: 2004. 82. Berrueta, L.A.; Alonso-Salces, R.M.; Héberger, K.; J. Chromatogr. A. 2007, 1, 196. 83. Bro, R.; Smilde, A.K.; Anal. Methods. 2014, 9, 2812.

84. Barros Neto, B.; Scarminio, I.S.; Bruns, R.E.; Quim. Nova. 2006, 1401.

85. Varmuza, K.; Filzmoser, P.; Introduction to Multivariate Statistical Analysis in Chemometrics; Taylor & Francis: 2009.

86. Morgano, M.A.; Tese: Aplicação de métodos quimiometricos em análise de alimentos. 2005. 87. Fearn, T.; Riccioli, C.; Garrido-Varo, A.; Guerrero-Ginel, J.E.; Chemometr. Intell. Lab. 2009,

1, 22.

88. Souza, A.M.; Poppi, R.J.; Quím. Nova. 2012, 223.

89. Cen, H.; He, Y.; Trends Food Sci Tech. 2007, 2, 72-83. 90. Chen, Q.; Zhao, J.; Lin, H.; Spectrochim Acta A. 2009, 4, 845.

68 91. Anastasaki, E.; Kanakis, C.; Pappas, C.; Maggi, L.; Campo, C.P.; Carmona, M.; Alonso, G.L.;

Polissiou, M.G.; Eur Food Res Technol. 2010, 4, 571.

92. Dharmaraj, S.; Jamaludin, A.S.; Razak, H.M.; Valliappan, R.; Ahmad, N.A.; Harn, G.L.; Ismail, Z.; Vib. Spectrosc. 2006, 1, 68.

93. Luykx, D.M.A.M.; Ruth, S.M.; Food Chem. 2008, 2, 897.

94. Toher, D.; Downey, G.; Murphy, T.B.; Chemometr. Intell. Lab. 2007, 2, 102. 95. Granato, D.; Calado, V.M.A.; Jarvis, B.; Food Res. Int. 2014, 137.

96. Chen, Y.; Deng, J.; Wang, Y.; Liu, B.; Ding, J.; Mao, X.; Zhang, J.; Hu, H.; Li, J.; J. Sci. Food

Agric. 2014, 5, 1026.

97. Chen, Q.; Zhao, J.; Zhang, H.; Wang, X.; Anal. Chim. Acta. 2006, 1, 77. 98. Fu, X.S.; Xu, L.;Yu, X.P.; Ye, Z.H.; Cui, H.F.; J. Spectrosc. 2013, 7. 99. Chen, Q.; Zhao, J.; Liu, M.; Cai, J.; Czech J Food Sci. 2008, 360.

100. Fu, H.; Fan, Y.; Zhang, X.; Lan, H.; Yang, T.; Shao, M.; Li, S.; J. Anal. Methods Chem. 2015. 101. Cozzolino, D.; Restaino, E.; Fassio, A.; Sensing and Instrumentation for Food Quality and

Safety. 2010, 2, 67.

102. Reis, N.; Franca, A.S.; Oliveira, L.S.; Food Sci Tech. 2013, 2, 395.

103. Sarraguça, M.C.; Santos, J.R.; Rangel, A.O.S.S.; Lopes, J.A.; Food Anal. Methods. 2013, 3, 892.

104. Chen, Q.; Zhao, J.; Fang, C.H.; Wang, D.; Spectrochim Acta A. 2007, 3, 568.

105. Frizon, C.N.T.; Oliveira, G.A.; Perussello, C.A.; Peralta-Zamora, P.G.; Camlofski, A.M.O.; Rossa, Ü.B.; Hoffmann-Ribani, R.; Food Sci. Tech. 2015, 2, 795.

106. Luypaert, J.;Zhang, M.H.; Massart, D.L.; Anal. Chim. Acta. 2003, 2, 303. 107. Panigrahi, N.;Bhol, C.S.; Das, B.S.; J. Food Eng. 2016, 101.

108. Ikeda, T.; Kanaya, S.; Yonetani, T.; Kobayashi, A.; Fukusaki, E.; J. Agr. Food Chem. 2007, 24, 9908.

109. Mazur, L.; Peralta-Zamora, P.G.; Demczuk Jr, B.; Hoffmann Ribani, R.; J. Food Compos. Anal.

2014, 2, 55.

110. Ebrahimi-Najafabadi, H.; Leardi, R.; Oliveri, P.; Casolino, M.C.; Jalali-Heravi, M.; Lanteri, S.; Talanta. 2012, 175.

111. Pauli, E.D.; Barbieri, F.; Garcia, P.S.; Madeira, T.B.; Acquaro Junior, V.R.; Scarminio, I.S.; Camara, C.A.P.; Nixdorf, S.L.; Food Res Int. 2014, 112.

112. Pizarro, C.; Esteban-Díez, I.; González-Sáiz, J.M.; Anal. Chim. Acta. 2007, 2, 266.

113. Tavares, K.M.; Pereira, R.G.F.A.; Nunes, C.A.; Pinheiro, A.C.M.; Rodarte, M.P.; Guerreiro, M.C.; Quím. Nova. 2012, 1164.

114. Wang, J.; Jun, S.; Bittenbender, H.C.; Gautz, L.; Li, Q.X.; J Food Sci. 2009, 5, 385. 115. Teye, E.; Huang, X..; Lei, W.; Dai, H.; Food Res. Int. 2014, 288.

116. Nickless, E.M.; Holroyd, S.E.; Hamilton, G.; Gordon, K.C.; Wargent, J.J.; Vib Spectrosc. 2016, 38.

117. Lopes, E.L.; Tese: Estratégias para a caracterização de amostras brasileiras de óleo de soja

empregando ATR-FTIR e HPLC-ELSD aliadas a ferramentas quimiométricas. Universidade

Federal do Rio Grande do Sul: 2015.

118. Downey, G.; Briandet, R.; Wilson, R.H.; Kemsley, E.K.; J. Agri. Food Chem. 1997, 11, 4357. 119. Ferrão, M.F.;Carvalho, C.W.;Müller, E.I.; Davanzo, C.U.; Food Sci. Tech. 2004, 333.

120. Souza, A.M.; Breitkreitz, M.C.; Filgueiras, P.R.; Rohwedder, J.J.R.; Poppi, R.J.; Quím. Nova.

69 121. Teófilo, R.F.; Tese: Métodos quimiométricos em estudos eletroquímicos de fenóis sobre filmes

de diamante dopado com boro. Universidade Estadual de Campinas: 2007.

122. Nørgaard, L.; Saudland, A.; Wagner, J.; Nielsen, J.P.; Munck, L.; Engelsen, S.B.; App

Spectrosc. 2000, 3, 413.

123. Liu, Y.F.; Chen, X.; Zheng, B.; Xu, Z.Y.; He, G.T. Detection of the Contents of the Ingredient

of Food by Using the NIR Spectroscopy and the Backward Interval Partial Least-Squares. in Advanced Materials Research. Trans Tech Publ: 2013.

124. Cunha, C.L.; Luna, A.S.; Oliveira, R.C.G.; Xavier, G.M.; Paredes, M.L.L.; Torres, A.R.; Fuel.

2017, 185.

125. Helfer, G.A.; Bock, F.; Marder, L.; Furtado, J.C.; Costa, A.B.; Ferrão, M.F.; Quím. Nova. 2015, 575.

126. Colthup, N.; Introduction to Infrared and Raman Spectroscopy; Elsevier Science: 2012. 127. Kasprzyk, I.; Depciuch, J.; Grabek-Lejko, D.; Parlinska-Wojtan, M.; Food Control. 2018, 33. 128. Svečnjak, L.; Biliškov, N.; Bubalo, D.; Barišić, D.; Agriculturae Conspectus Scientificus. 2011,

Documentos relacionados