Resíduo de pesticida tem sido uma séria ameaça à saúde humana. Métodos de detecção rápida são necessários para os vários tipos de pesticidas. Este estudo investigou a viabilidade da combinação da espectrofotometria com o método dos mínimos quadrados parciais por boosting (boosting-PLS) para determinação simultânea de clorpirifos e carbaril, dois dos mais importantes pesticidas na agricultura. Estudou-se o efeito do pH sobre os espectros de absorbância de cada componente, sendo pH 5 o ideal. Para construir os modelos boosting-PLS, trinta e seis misturas binárias foram usadas e para validar os modelos resultantes, vinte misturas binárias foram empregadas. Resultados por boosting-PLS foram comparados com aqueles obtidos por full-spectrum PLS e algoritmo PLS acoplado a busca tabu (TS) como ferramenta de seleção de comprimento de onda. Apesar da melhoria pelas abordagens por boosting e seleção de comprimento de onda, a capacidade de previsão do algoritmo PLS, boosting-PLS mostrou-se superior aos demais modelos. Boosting-PLS não só é viável como também pode evitar a seleção de comprimento de onda.

Residue of pesticide has posed a serious threat to human health. Fast detection methods are necessary for the various types of pesticide. This study investigated the feasibility of the combination of spectrophotometry and boosting partial least squares method (boosting-PLS) for the simultaneous determination of chlorpyrifos and carbaryl, two of the most important pesticides in agriculture. Effect of pH on the absorbance spectra of each component was studied and pH 5 was selected as optimum. To build boosting-PLS models, thirty six binary mixtures were used and to validate the resulted models, twenty binary mixtures were employed. Results for boosting-PLS were compared to ones obtained for full-spectrum PLS and PLS algorithm coupled with tabu search (TS) as wavelength selection tool. In spite of the improvement by both boosting and wavelength selection approaches, the prediction ability of PLS algorithm, the boosting-PLS is superior to the other models. Boosting-PLS is not only feasible but also can avoid doing wavelength selection in such a task.

A contaminação de alimentos pela migração de aditivos de baixo peso molecular em alimentos processados industrialmente pode ser resultado do contato direto entre a embalagem e o alimento. A concentração do aditivo que migra do material da embalagem para o alimento está relacionada com as propriedades estruturais do aditivo, bem como com a natureza do material empregado na embalagem. O objetivo deste estudo é desenvolver um modelo QSPR pela adaptação do sistema de interferência neuro-fuzzy (ANFIS) a fim de predizer o valor do coeficiente de partição K, no sistema de estudo, embalagem/alimento. Para tal, foram investigados 44 coeficientes de partição em vários sistemas, assim constituídos: 4 de simuladores alimentares, 6 de migrantes alimentares e 2 de embalagens. Um conjunto de 6 descritores moleculares, representando várias características dos simuladores de alimentos (2 descritores), dos migrantes (3 descritores) e de polímeros (1 descritor) foi empregado como a série de dados para avaliar esse estudo. Esta série de dados foi dividida em três subconjuntos: treinamento, teste e predição. A técnica de modelagem ANFIS foi aplicada pela primeira vez neste campo de estudos relacionado com alimento/embalagem. O resultado desta modelagem forneceu um RMSE de 0,0006 e o coeficiente de correlação (R²) para o ensaio da predição foi de 0,9920.

Food contaminations by migration of low molecular weight additives into foodstuffs can result from direct contact between packaging materials and food. The amount of migration is related to the structural properties of the additive as well as to the nature of packaging material. The goal of this study is to develop a quantitative structure-property relationship (QSPR) model by the adaptive neuro-fuzzy inference system (ANFIS) for prediction of the partition coefficient K in food/packaging system. The partition coefficients of a set of 44 systems consisted of 4 food simulants, 6 migrants and 2 packaging materials were investigated. A set of 6 molecular descriptors representing various structural characteristics of food simulants (2 descriptors), migrants (3 descriptors) and polymers (1 descriptor) was used as data set. This data set was divided into three subsets: training, test and prediction. ANFIS as a new modeling technique was applied for the first time in this field. The final model has a root mean square error (RMSE) of 0.0006 and correlation coefficient (R²) for the prediction set of 0.9920.