Uma Interface Gráfica Amigável para Modelagem de Classes com Variantes do Algoritmo SIMCA: Um Estudo de Autenticação do Tambaqui Durante o Período de Defeso

Problemas de classificação são comuns na química analítica, incluindo processos de autenticação que determinam se um objeto é realmente o que afirma ser. No setor alimentício atual, há uma variedade de produtos, como aqueles com Indicação Geográfica (IG), Denominação de Origem (DO) e Certificação de Cultivo Orgânico, entre outros. Esses cenários exemplificam onde métodos de modelagem de classes (conhecidos em inglês como class modelling (CM) ou one-class classifiers (OCC)) são aplicáveis. Métodos estatísticos e de aprendizado de máquina estão cada vez mais sendo utilizados para distinguir objetos com base em dados específicos obtidos por diversas técnicas instrumentais.^1,2 Apesar da diversidade metodológica dessas ferramentas, muitos usuários não têm familiaridade com linguagens de programação. Este trabalho teve como objetivo desenvolver uma interface gráfica amigável baseada em Matlab^® para variantes do algoritmo SIMCA (Soft Independent Modeling of Class Analogy). O aplicativo GAMMA (Grupo de Análise Multivariada em Matrizes Alimentares) foi implementado usando programação orientada a objetos no Matlab^®,³ e está disponível para download no File Exchange:  https://www.mathworks.com/matlabcentral/fileexchange/156857-gamma. Na interface, foram incorporadas quatro variantes do algoritmo SIMCA: Simple SIMCA (Sim-SIMCA), Alternative SIMCA (Alt-SIMCA), Combined Index SIMCA (CI-SIMCA) e Data Driven SIMCA (DD-SIMCA).¹ Como demonstração, foram utilizados 59 espectros de reflectância espectral usando um espectrofotômetro portátil obtidos de amostras de peixe tambaqui da natureza (durante o período de defeso (n=24)) e de piscicultura (n=35). Diversas estratégias de modelagem SIMCA foram avaliadas, bem como etapas de pré-tratamentos dos dados, sendo que o DD-SIMCA e Alt-SIMCA permitiram classificar corretamente todas as amostras (100% de acurácia) nas abordagens “rigorous” e “compliant” usando validação cruzada “leave-one-out” com correção de sinal MSC (Multiplicative Scatter Correction) aplicada aos espectros de refletância. As variantes Sim-SIMCA e CI-SIMCA apresentaram desempenhos inferiores, com algumas amostras sendo classificadas incorretamente como falsos positivos e falsos negativos. Além disso, observa-se que o desempenho de cada variante do SIMCA depende do pré-tratamento aplicado ao conjunto de dados e do número de componentes principais (PCs) otimizados durante a etapa de validação cruzada. Por exemplo, para o DD-SIMCA, o melhor pré-tratamento foi a transformação de Poisson com 5 PCs, enquanto para o Alt-SIMCA, o autoescalamento com 6 PCs resultou nos melhores desempenhos. Essa abordagem desenvolvida é rápida, precisa, não invasiva e portátil, que quando combinada com SIMCA pode ser empregada para monitorar e autenticar carne de peixe tambaqui durante o período de defeso, combatendo sua comercialização ilegal.