📄 chemistry

A Comparative Evaluation of Sample Selection Algorithms for Multivariate Calibration in Near-Infrared Spectroscopic Analysis of Pharmaceutical Formulations

Este estudo demonstra que o algoritmo de Kennard–Stone, avaliado via regressão por processo gaussiano em espectros de infravermelho próximo de comprimidos de paracetamol, supera outros métodos de seleção de amostras na geração de modelos de calibração multivariada robustos, conforme confirmado por estatísticas preditivas superiores e testes não paramétricos rigorosos.

Autores originais: Amanita Sow, Harouna Sangaré, Fadaba Danioko, Tidiane Diallo

Publicado 2026-09-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Amanita Sow, Harouna Sangaré, Fadaba Danioko, Tidiane Diallo

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da fabricação farmacêutica, garantir que cada comprimido contenha a quantidade exata de medicamento é uma questão de segurança e confiança. Durante décadas, os químicos têm dependido de uma técnica chamada espectroscopia no infravermelho próximo para verificar essa qualidade. Imagine projetar um tipo especial de luz sobre uma pilha de pó de medicamento triturado; a maneira como o pó reflete essa luz cria uma impressão digital única que revela sua composição química. Este método é rápido, não destrói a amostra e requer pouquíssima preparação. No entanto, transformar esses padrões de luz em uma ferramenta confiável para medir a força do fármaco não é tão simples quanto apontar uma câmera e tirar uma foto. O computador precisa aprender como ler essas impressões digitais, um processo chamado de construção de um modelo. Para ensinar o computador, os cientistas devem mostrar a ele uma coleção de amostras com quantidades conhecidas de fármaco. O desafio crítico reside em decidir quais amostras específicas mostrar ao computador para aprendizado e quais guardar para um teste final. Se o grupo de aprendizado for escolhido de forma inadequada, o computador pode memorizar perfeitamente os exemplos de treinamento, mas falhar completamente quando encontrar um novo comprimido, nunca antes visto.

Uma equipe de pesquisadores em Bamako, Mali, partiu para resolver este enigma específico de seleção de amostras. Eles trabalharam com cinquenta e oito comprimidos de paracetamol comerciais, representando diferentes lotes de farmácias por toda a cidade. O objetivo deles era testar quatro estratégias de computador diferentes para dividir esses cinquenta e oito comprimidos em um grupo de aprendizado e um grupo de teste. Uma estratégia, conhecida como algoritmo de Kennard–Stone, funciona selecionando amostras que sejam o mais diferentes possível umas das outras, garantindo que o computador veja toda a gama de variações. Outra, chamada método de Honigs, escolhe amostras que adicionam a maior quantidade de informação nova a cada etapa. Um terceiro método, o Duplex, tenta construir os grupos de aprendizado e de teste ao mesmo tempo para mantê-los equilibrados, enquanto o quarto, o Naes, agrupa comprimidos semelhantes e escolhe um representante de cada grupo. Para ver qual estratégia funcionava melhor, os pesquisadores utilizaram uma abordagem matemática sofisticada chamada regressão de processo gaussiano para construir seus modelos, um método que eles já haviam considerado altamente eficaz para este tipo de dado.

Os resultados foram claros e decisivos. Quando os pesquisadores compararam o desempenho dessas quatro estratégias, o algoritmo de Kennard–Stone emergiu como o mais confiável, seguido de perto pelo método de Honigs. Os modelos construídos usando essas duas estratégias previram o conteúdo de fármaco com precisão quase perfeita, alcançando uma pontuação de 0,99999 em uma escala onde um é perfeito, e cometendo erros tão pequenos que foram medidos em milionésimos. Em contraste, as estratégias Duplex e Naes, embora tenham mostrado resultados excelentes durante a fase de treinamento, tiveram um desempenho significativamente inferior quando testadas em novos dados. Isso indicou que esses métodos provavelmente levaram o computador a memorizar o conjunto de treinamento em vez de aprender os padrões subjacentes, um problema conhecido como sobreajuste (overfitting). Os pesquisadores também testaram um método simples de seleção aleatória, onde os comprimidos eram divididos em grupos por acaso, e descobriram que este produziu os piores resultados de todos, confirmando que uma abordagem sistemática e ponderada é essencial.

Para garantir que essas descobertas não fossem apenas um golpe de sorte, a equipe submeteu os dados a testes estatísticos rigorosos. A análise confirmou que o desempenho superior dos métodos de Kennard–Stone e Honigs foi estatisticamente significativo e não devido ao acaso. Curiosamente, os testes estatísticos mostraram que os métodos de Kennard–Stone e Honigs são efetivamente equivalentes em sua capacidade de produzir modelos precisos, dando aos cientistas flexibilidade para escolher entre eles. Os pesquisadores também investigaram como o tamanho do grupo de aprendizado afetava o resultado. Eles encontraram uma relação constante e previsível: à medida que o grupo de aprendizado crescia, ocupando uma parte maior das amostras totais, a precisão do modelo melhorava. Os melhores resultados foram observados quando o grupo de aprendizado compreendia entre 80 e 90 por cento das amostras totais, sugerindo que, para este tipo específico de medicamento, um conjunto de treinamento grande produz as previsões mais robustas.

O estudo também examinou as ferramentas matemáticas utilizadas para medir o quão diferentes as amostras eram umas das outras. Para o algoritmo de Kennard–Stone, que teve o melhor desempenho, o uso de um tipo específico de medição de distância que leva em conta como as diferentes partes do espectro de luz se relacionam entre si provou ser superior a uma medição mais simples. Essa nuance importava, pois permitiu que o algoritmo entendesse melhor a estrutura complexa dos dados. Os pesquisadores concluíram que, para qualquer pessoa que esteja desenvolvendo esses métodos de teste rápido para produtos farmacêuticos, usar uma estratégia de seleção sistemática como Kennard–Stone ou Honigs é muito melhor do que adivinhar ou escolher amostras ao acaso. Seu trabalho fornece um guia claro e baseado em evidências para garantir que os modelos de computador usados para verificar nossos medicamentos sejam construídos sobre a base mais forte possível, garantindo que os comprimidos que tomamos sejam exatamente o que deveriam ser.

Resumo Técnico: Avaliação Comparativa de Algoritmos de Seleção de Amostras para Calibração Multivariada de NIR

Definição do Problema
O desenvolvimento de modelos de calibração multivariada robustos para análise espectroscópica de Infravermelho Próximo (NIR) no controle de qualidade farmacêutico enfrenta um desafio metodológico crítico: a partição racional das amostras disponíveis em conjuntos de calibração (treinamento) e validação. Uma seleção inadequada de amostras leva ao sobreajuste (overfitting) do modelo, onde estatísticas de calibração excelentes mascaram um desempenho preditivo pobre em novas amostras, enquanto conjuntos de calibração desnecessariamente grandes aumentam os custos analíticos sem ganhos proporcionais em precisão. Embora existam diversos algoritmos para otimizar essa partição, a literatura carece de uma validação estatística rigorosa de seu desempenho relativo, de uma investigação sistemática sobre a influência das métricas de distância (Euclidiana vs. Mahalanobis) em dados espectrais correlacionados e de uma análise abrangente das proporções de conjuntos de treinamento através de múltiplas razões de divisão.

Metodologia
Este estudo conduziu uma análise comparativa sistemática de quatro algoritmos estabelecidos de seleção de amostras aplicados a dados espectrais de NIR provenientes de 58 comprimidos comerciais de paracetamol (500 mg) adquiridos em farmácias em Bamako, Mali.

Aquisição de Dados: As amostras foram analisadas utilizando um espectrômetro de refletância (800–1700 nm), com espectros pré-processados usando suavização de Savitzky–Golay.
Estrutura de Modelagem: A Regressão por Processos Gaussianos (GPR) com um kernel de função de base radial serviu como a estrutura de modelagem, escolhida por sua eficácia demonstrada em estudos anteriores sobre este conjunto de dados.
Algoritmos Avaliados:
1. Kennard–Stone: Seleciona amostras para maximizar a cobertura do espaço multivariado.
2. Honigs: Seleciona iterativamente amostras espectralmente distintas com base na projeção de resíduos.
3. Duplex: Constrói simultaneamente conjuntos de calibração e validação equilibrados.
4. Naes: Uma abordagem baseada em agrupamento (clustering) que garante a representação de todos os subtipos de amostras.
Desenho Experimental: Cada algoritmo foi testado com as métricas de distância Euclidiana e de Mahalanobis. O desempenho foi avaliado em proporções de conjuntos de treinamento variando de 60% a 90%.
Análise Estatística: O desempenho do modelo foi quantificado utilizando o coeficiente de determinação ( $R^2$ ) e o Erro Quadrático Médio de Predição (RMSEP). As diferenças entre os algoritmos foram validadas usando testes não paramétricos de Kruskal–Wallis seguidos de testes post-hoc de Mann–Whitney U com correção de Bonferroni para evitar suposições de distribuição.

Principais Resultados

Desempenho dos Algoritmos: O algoritmo Kennward–Stone empregando a métrica de distância de Mahalanobis demonstrou superioridade na precisão preditiva, produzindo um $R^2$ de validação de 0,99999 e um RMSEP de $1,74 \times 10^{-6}$ . O algoritmo de Honigs mostrou desempenho comparável ( $R^2 = 0,999996$ , RMSEP = $1,76 \times 10^{-6}$ ).
Significância Estatística: Testes não paramétricos confirmaram diferenças altamente significativas entre os algoritmos ( $p < 0,001$ ). A análise post-hoc revelou que tanto o Kennard–Stone quanto o Honigs superaram significativamente o Duplex, o Naes e os métodos de divisão aleatória. Crucialmente, nenhuma diferença estatisticamente significativa foi encontrada entre o Kennard–Stone e o Honigs ( $p = 1,000$ após a correção), indicando equivalência estatística para este conjunto de dados.
Sobreajuste em Outros Métodos: Os algoritmos Naes e Duplex produziram estatísticas de calibração excelentes, mas apresentaram degradação no desempenho de validação, sugerindo que selecionaram amostras de calibração que representavam inadequadamente a variabilidade do conjunto de validação.
Tamanho do Conjunto de Treinamento: Observou-se uma relação monotônica entre o tamanho do conjunto de treinamento e a precisão preditiva. O desempenho melhorou à medida que a proporção de treinamento aumentou de 60% para 90%, com retornos decrescentes observados além do limiar de 80–90%.
Métricas de Distância: Para o algoritmo Kennard–Stone, a distância de Mahalanobis produziu resultados de validação superiores em comparação com a distância Euclidiana, atribuído à sua capacidade de considerar as correlações entre comprimentos de onda nos dados de NIR. Para o algoritmo de Honigs, ambas as métricas apresentaram desempenho comparável.

Significância e Alegações
Os autores afirmam que este trabalho fornece orientação baseada em evidências para otimizar protocolos de seleção de amostras em aplicações de NIR farmacêuticas. O estudo alega preencher lacunas específicas na literatura ao:

Estabelecer a equivalência estatística dos métodos Kennard–Stone e Honigs através de testes de hipótese rigorosos, oferecendo flexibilidade aos profissionais na seleção de algoritmos com base em preferências computacionais ou de implementação.
Demonstrar a importância crítica do uso da métrica de distância de Mahalanobis para aplicações de Kennard–Stone envolvendo dados espectrais correlacionados.
Reforçar a necessidade de validação externa sobre métricas de calibração isoladas, como evidenciado pelas tendências de sobreajuste dos métodos Naes e Duplex.
Fornecer um fluxo de trabalho validado para a quantificação de paracetamol, recomendando o algoritmo Kennard–Stone com distância de Mahalanobis como uma abordagem robusta para a partição de conjuntos de amostras.

O artigo conclui que, embora trabalhos futuros possam explorar diversas classes farmacêuticas e técnicas de otimização avançadas (ex: algoritmos genéticos), os achados atuais oferecem uma base metodologicamente sólida para o desenvolvimento de ensaios farmacêuticos baseados em NIR.

Mais como este