Desenvolvimento de método por espectroscopia de infravermelho para identificação de agrotóxicos em alimentos de interesse forense : uma abordagem quimiométrica

Abstract

Resumo: Em laboratórios de química forense, é comum a análise em materiais contaminados por agrotóxicos relacionados a homicídios ou crimes ambientais. Entre os compostos envolvidos, destacam-se os raticidas anticoagulantes e os inseticidas organofosforados e carbamatos. As técnicas clássicas de identificação, como a cromatografia gasosa e líquida acoplada à espectrometria de massas, embora sensíveis, são dispendiosas, exigem extrações laboriosas e fazem uso intensivo de solventes. Nesse contexto, este trabalho propõe o desenvolvimento de uma metodologia baseada em espectroscopia de infravermelho com Transformada de Fourier (FTIR), associada a técnicas quimiométricas, para a detecção de agrotóxicos em alimentos. A proposta busca contribuir para a área da química forense por meio da avaliação do potencial de um método de triagem rápido, não destrutivo, de baixo custo e alinhado aos princípios da química verde, devido à redução do uso de solventes. As amostras incluíram cinco grupos de alimentos: pão, mortadela, arroz, carne moída e uma mistura contendo diferentes alimentos. Cada matriz foi contaminada com diferentes agrotóxicos (aldicarbe, brodifacoum, bromadiolona, clorpirifós, metomil e terbufós) em concentrações variadas (entre 2 e 50 ppm). As análises espectrais foram conduzidas no modo de transmitância, com resolução de 4 cm?¹ e 24 varreduras por espectro, na faixa de 1800 a 400 cm?¹. Constatou-se que, entre os cinco grupos alimentares, o pão e a mortadela apresentaram melhor desempenho, sendo, portanto, selecionados para as principais análises quimiométricas. As médias espectrais de cada grupo foram utilizadas na análise de componentes principais (PCA), o que permitiu identificar claramente os padrões de agrupamento entre os alimentos contaminados. Em seguida, a análise discriminante por mínimos quadrados parciais (PLS-DA) foi aplicada para construir um modelo de classificação, que atingiu acurácia de 86%. A aplicabilidade do modelo foi avaliada com duas amostras reais da Polícia Científica do Paraná. A amostra de pão contaminada com brodifacoum foi corretamente classificada; entretanto, a amostra de mortadela contaminada com terbufós foi identificada como contendo clorpirifós. Considerando as limitações do modelo treinado com o algoritmo PLS-DA, foi realizada uma etapa complementar utilizando a biblioteca PyCaret no Google Colab para comparar o desempenho de 15 algoritmos de classificação. Os dois melhores modelos foram os treinados com os algoritmos Linear Discriminant Analysis (LDA), com acurácia de 81%, e Light Gradient Boosting Machine (LightGBM), com acurácia de 67%. O LDA classificou corretamente a amostra de pão contaminada com brodifacoum, mas errou na classificação da mortadela contaminada com terbufós. Por outro lado, o LightGBM identificou corretamente a contaminação por terbufós na mortadela e classificou o pão como bromadiolona, um erro no composto, porém coerente com a classe química, devido à semelhança estrutural entre brodifacoum e bromadiolona. Os resultados obtidos devem ser compreendidos como parte de uma prova de conceito, servindo de base para futuras etapas de refinamento metodológico. Entre as perspectivas futuras, destacam-se o ajuste dos hiperparâmetros, a diversificação da base espectral, a definição de limites de detecção, a avaliação da robustez frente à variabilidade experimental e a integração a plataformas automatizadas amigáveis

Abstract: In forensic chemistry laboratories, it is common to analyze materials contaminated with pesticides related to homicides or environmental crimes. Among the compounds involved, anticoagulant rodenticides and organophosphate and carbamate insecticides stand out. Classic identification techniques, such as gas and liquid chromatography coupled with mass spectrometry, although sensitive, are expensive, require laborious extractions, and make intensive use of solvents. In this context, this work proposes the development of a methodology based on Fourier Transform Infrared Spectroscopy (FTIR), associated with chemometric techniques, for the detection of pesticides in food. The proposal seeks to contribute to the field of forensic chemistry by evaluating the potential of a rapid, non-destructive, low-cost screening method that is aligned with the principles of green chemistry due to the reduction in the use of solvents. The samples included five food groups: bread, bologna, rice, ground beef, and a mixture containing different foods. Each matrix was contaminated with different pesticides (aldicarb, brodifacoum, bromadiolone, chlorpyrifos, methomyl, and terbufos) in varying concentrations (between 2 and 50 ppm). Spectral analyses were conducted in transmittance mode, with a resolution of 4 cm?¹ and 24 scans per spectrum, in the range of 1800 to 400 cm?¹. Among the five food groups, bread and mortadella performed best and were therefore selected for the main chemometric analyses. The spectral averages of each group were used in principal component analysis (PCA), which allowed clear identification of the grouping patterns among the contaminated foods. Next, partial least squares discriminant analysis (PLS-DA) was applied to construct a classification model, which achieved 86% accuracy. The applicability of the model was evaluated with two real samples from the Paraná Forensic Police. The bread sample contaminated with brodifacoum was correctly classified; however, the mortadella sample contaminated with terbufos was identified as containing chlorpyrifos. Considering the limitations of the model trained with the PLS-DA algorithm, a complementary step was performed using the PyCaret library in Google Colab to compare the performance of 15 classification algorithms. The two best models were those trained with the Linear Discriminant Analysis (LDA) algorithm, with 81% accuracy, and Light Gradient Boosting Machine (LightGBM), with 67% accuracy. LDA correctly classified the bread sample contaminated with brodifacoum, but misclassified the mortadella contaminated with terbufos. On the other hand, LightGBM correctly identified the terbufos contamination in the mortadella and classified the bread as bromadiolone, an error in the compound, but consistent with the chemical class, due to the structural similarity between brodifacoum and bromadiolone. The results obtained should be understood as part of a proof of concept, serving as a basis for future stages of methodological refinement. Future prospects include hyperparameter adjustment, spectral base diversification, detection limit definition, robustness assessment against experimental variability, and integration with user-friendly automated platforms