Desenvolvimento de sistema de análise de imagens para quantificação de metabólitos secundários a partir de fingerprints por cromatografia em camada delgada

Abstract

A relevância do estudo de plantas medicinais reside nas inúmeras aplicabilidades no campo farmacêutico, cuja diversidade química assegura o emprego destas matrizes biológicas tanto como fontes de diversos compostos relevantes quanto como papel de insumo farmacêutico de ativo natural (IFAN). Entre os diferentes grupos de compostos do metabolismo secundário vegetal, aos polifenois é atribuída destacada relevância pelo desempenho de diversas propriedades biológicas. Porém, em razão da diversidade estrutural deste grupo de compostos, as análises qualitativas e quantitativas dos polifenois exigem o emprego de técnicas de elevadas complexidades e custo operacional significativo. Assim, o desenvolvimento de novas abordagens que possibilitem a análise (qualitativa/quantitativa) de compostos naturais tem papel importante para o avanço dos métodos de análise e controle de qualidade de toda a cadeia de plantas medicinas e fitoterápicos. Neste contexto, o objetivo desse trabalho é configurar redes neurais artificiais (RNAs) como estratégia analítica inovadora, simples e de baixo custo para a quantificação de polifenois em matrizes vegetais. Para o desenvolvimento e avaliação da abordagem analítica, foram empregados diversos padrões representantes dos polifenois (ácido gálico, quercetina, rutina, ácido cafeico e catequina) e análises foram realizadas em Schinus terebinthifolius e Anadanthera colubrina, cujas espécies apresentam potencial farmacológico. Para tanto, curvas de calibração dos padrões foram preparadas por cromatografia em camada delgada (CCD) para posterior registro e análise de imagens; e por cromatografia líquida de alta eficiência (CLAE-DAD), cuja finalidade foi de verificar a relação entre os dados obtidos. As cromatoplacas foram digitalizadas sob os comprimentos de onda de 254 nm e 366nm e as imagens foram tratadas pela ferramenta de imagem ImageJ e Sidtermo, gerando atributos de imagem para alimentar o sistema de rede. Diversos modelos de Kernel foram testados com a finalidade de encontrar a configuração que apresentasse maior desempenho para modelar os dados e assim associar os atributos de imagem com a respectiva concentração. Os modelos de Kernel que apresentaram maior desempenho quando o sistema foi alimentado pelos atributos de imagem gerados pelo ImageJ para a maioria dos compostos testados foram o linear, dilatação e erosão. Os atributos de imagem gerados pela ferramenta de imagem Sidtermo ao serem correlacionados com a concentração dos marcadores de interesse evidenciaram maior precisão de resultados, devido ao menor erro percentual médio encontrado para a maioria das análises realizadas.