DESENVOLVIMENTO DE ESTRATÉGIAS ANALÍTICAS BASEADAS EM APRENDIZADO DE MÁQUINA, COMPUTAÇÃO EVOLUCIONÁRIA, ESPECTROSCOPIA E CLAE APLICADAS A DROGAS VEGETAIS E PRODUTOS DERIVADOS
Libidibia ferrea; Inteligência artificial; Espectroscopia; Controle de qualidade; Produtos naturais
De acordo com a Organização Mundial de Saúde a medicina tradicional, ou não convencional, é o principal pilar da prestação de serviços de saúde. Os medicamentos fitoterápicos estão nesse contexto, sendo muitas vezes a única fonte de assistência. Dentre as diretrizes brasileiras estabelecidas pela política e programa nacional de plantas medicinais e fitoterápicos está o incentivo a incorporação de novas tecnologias no seu processo produtivo, o que envolve o desenvolvimento de técnicas que visam o controle de qualidade destes produtos. Libidibia ferrea, é bastante conhecida por suas propriedades medicinais e consumida principalmente como chás. Essas propriedades estão relacionadas aos ácidos gálico e elágico presentes na espécie. Assim, quantificar esses compostos é importante para diferenciar sua atividade biológica. Essa quantificação é realizada por meio de cromatografia líquida de alta eficiência (CLAE). No entanto, essa técnica é custosa e utiliza solventes poluentes. Uma alternativa potencial para essa técnica é a espectrofotometria, a qual é menos custosa e de implementação menos complexa do que a CLAE. No entanto, os sinais de espectrofotometria possuem muitas ondas sobrepostas, o que dificulta sua utilização, assim, ferramentas computacionais e métodos quimiométricos são usados para superar essa limitação. Dessa maneira, este trabalho propõe a utilização de algoritmos de regressão baseados em inteligência artificial para analisar automaticamente os sinais de espectrofotometria nas regiões do ultravioleta-visível e infravermelho próximo e médio. Foram avaliados diferentes modelos de regressão: regressão linear, máquina de vetores de suporte (SVM), Random Forest, Random Tree e máquinas de aprendizado extremo (ELM). Os desempenhos dos algoritmos foram avaliados a partir do coeficiente de correlação de Pearson (r), da raiz do erro quadrático médio (RMSE) e do erro percentual absoluto (MAPE). Os algoritmos de regressão mostraram-se capazes de fornecer uma previsão de concentração efetiva, mesmo a partir de dados brutos, fornecendo resultados próximos aos encontrados por CLAE, com coeficientes de correlação de até 0,93 e baixos erros. Os resultados gerais são promissores, apontando para a viabilidade do desenvolvimento de uma técnica de controle de qualidade de produtos naturais eficiente e de baixo custo.