Determinación multielemental y clasificación multivariada de tres hierbas medicinales nativas ampliamente consumidas en Argentina

MARTÍNEZ, GLORIA C.; PETENATTI, ELISA M.; DEL VITTO, L. A.; PELLERANO, ROBERTO GERARDO; MAZZA, S.; MARCHEVSKY, E

Mendoza

Congreso; 7 Congreso Argentino de Química Analítica; 2013

Asociación Argentina de Química Analítica

En este trabajo, se propone la aplicación de herramientas quimiométricas de reconocimiento de patrones, a la composición mineral de tres especies vegetales ampliamente utilizadas en la medicina popular en nuestro país. Las especies seleccionadas fueron Margyricarpus pinnatus (Lam.) Kuntze?Perlilla?, Thelesperma megapotamicum (Spreng.) Kuntze ?Té indio? o ?Té pampa? y Pluchea sagittalis (Lam.) Cabrera ?Yerba lucero?. Estas especies son popularmente consumidas debido a sus propiedades terapéuticas sobre el aparato digestivo, propiedades antioxidantes y antiinflamatorias [1-3]. Se determinaron nueve elementos (B, Co, Cr, Cu, Fe, Li, Mn, Se y Zn) por espectroscopia de emisión atómica por plasma acoplado inductivamente (ICP?AES) y sus concentraciones se expresaron en función del peso de material vegetal seco (a humedad higroscópica). Luego del análisis exploratorio de los resultados obtenidos, se observó que los datos no se ajustaban a la distribución normal, en la mayoría de las variables. Este hecho hizo necesario aplicar un pre-tratamiento de transformación logarítmica a los datos originales, para adecuarlos al posterior análisis [4]. A continuación se realizó un análisis de componentes principales con el objeto de reducir la dimensionalidad de la matriz de datos. Como resultado de este análisis se pudo representar gran parte (65,4% varianza acumulada) de la variabilidad presente en la matriz original con sólo las dos primeras componentes principales. Sin embargo no se observaron patrones de agrupamiento en base a la especie botánica en el gráfico de scores. Por esta razón a continuación se realizó un análisis lineal discriminante (ALD), con selección de variables. Adicionalmente, se ensayaron distintos métodos de aglomeración (cluster) a la proyección de los valores correspondientes a cada muestra en el nuevo espacio generado (scores). Finalmente se compararon los métodos ensayados, calculando la tasa de error de clasificación por validación cruzada [5], con 9 muestras de correspondencia conocida. Los resultados más adecuados para clasificar las muestras según su origen botánico se obtuvieron a partir del ALD, utilizando un número reducido de variables (Co, Cu, Fe y Zn). El gráfico de dispersión obtenido a partir de las dos primeras funciones discriminantes muestra una clara separación de las tres especies. Por todo lo expuesto, el método supervisado LDA mostró la gran capacidad de predicción, en comparación a otros métodos multivariados ensayados Referencias [1] Borneo, R., León, A. E., Aguirre, A., Ribotta, P. & Cantero, J. J. Food Chemistry 112 (2009) 664?670. [2] Figueredo, S. M.; do Nascimento, F.P.; Freitas, S.C.; Baggio, C. H.; Soldi, C.; Pizolatti, m.G.; de Ibarrola, M. del C.; de Arrua, R.L., Santos, A.R. Journal of Ethnopharmacology 135, (2011) 603?609 [3] Campos-Navarro, R. & Scarpa, G. F. Journal of Ethnopharmacology 148 (2013) 349?360 [4] Varmuza, K.; Filzmoser, P. Introduction to Multivariate Statistical Analysis in Chemometrics, 1 st Ed. CRC Press (2009) [5] Bishop, C. M. Pattern Recognition and Machine Learning, 1st Ed. Springer (2006)