Utilização da microespectroscopia infravermelha (FT-IR) para teste de algoritmos estatísticos na diferenciação dos micro-organismos Candida albicans, Candida dubliniensis e Candida parapsilosis

• Autor(a) principal: Santos,Patrícia Marcondes dos
• Data de Publicação: 2012
• Outros Autores: Cardoso,Maria Angélica Gargione, Khouri,Sônia, Paula Júnior,Alderico Rodrigues de, Uehara,Mituo, Sakane,Kumiko Koibuchi
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Revista Brasileira de Engenharia Biomédica (Online)
• Texto Completo: http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1517-31512012000400011
• topic: Candida albicans; Candida dubliniensis; Candida parapsilosis; Análise estatística multivariada; Microespectroscopia infravermelha; Estruturas secundárias de proteínas

As espécies do gênero Candida são causadoras de diversas infecções fúngicas e, nos últimos anos, tem sido desenvolvidas novas tecnologias para auxiliar nos diagnósticos microbiológicos. Dentre as técnicas está a espectroscopia infravermelha junto com a análise estatística multivariada. O objetivo deste trabalho é comparar dois métodos: estatístico (análise multivariada) e não-estatístico (ajuste de curva), utilizando os espectros infravermelhos de Candida albicans, Candida dubliniensis e Candida parapsilosis para testar o potencial do uso de Análise Estatística Multivariada para discriminação de espectros de micro-organismos. Para isso foram obtidos, utilizando o Spectrum Spotlight 400 da PerkinElmer, 54 espectros infravermelhos, sendo 18 de cada espécie, na faixa de 4000 a 1000 cm-1, com resolução de 4 cm-1, no modo de transmissão, a 20 ºC. A análise dos espectros foi realizada através de três métodos: (1) inspeção visual direta dos espectros; (2) análise estatística multivariada; (3) ajuste de curva para a determinação de estruturas secundárias de proteínas. Na região de 1200 a 1000 cm-1, os espectros apresentam diferenças que podem ser percebidas numa inspeção visual direta. Uma banda próxima de 1070 cm-1 e outra próxima de 1045 cm-1 apresentam intensidades relativas diferentes para os três espectros. Por outro lado, as bandas da amida I, na região de 1710 a 1590 cm-1, apresentam aspectos visuais semelhantes com máximo em 1651 cm-1 para os espectros dos três micro-organismos. Esse fato torna possível submeter a análise estatística multivariada a um teste de sua capacidade de diferenciar três espectros de Candida. A análise estatística multivariada foi aplicada aos 54 espectros para investigar as regiões de 4000 a 1000 cm-1 com exceção da região de 2600 a 2300 cm-1 e de 1710 a 1590 cm-1 que corresponde a das bandas da amida I. A técnica selecionada foi a análise por componentes principais (PCA, Principal Componente Analysis), utilizando os primeiros quatro componentes principais, em conjunto com a técnica hierárquica de análise de agrupamento (HCA, Hierarchical Clustering Analysis) segundo o método de Ward. Foi utilizado para esta análise o software MINITAB 15 e o resultado mostra uma clara discriminação dos espectros dos três micro-organismos nas duas regiões consideradas. Adicionalmente foi obtido o espectro médio de cada micro-organismo nas bandas da amida I na região de 1710 a 1590 cm-1. Os três espectros médios assim obtidos foram analisados pelo método de ajuste de curva que não é estatístico para determinar as estruturas secundárias de proteínas. Para esta análise o software ORIGIN 7.5 foi utilizado e os resultados obtidos mostram estruturas conformacionais diferentes nos três micro-organismos. Esses resultados confirmam a discriminação obtida através da análise estatística multivariada e visual. Pode-se concluir que as análises estatísticas multivariadas baseadas em análise por componentes principais e análise de agrupamento com uso do algoritmo Ward é potencialmente útil para discriminar micro-organismos através de seus espectros infravermelhos. Além disso, as análises mostram que as bandas da amida I dos espectros infravermelhos de Candida albicans, Candida dubliniensis e Candida parapsilosis fornecem um conjunto de dados cuja estrutura de agrupamento é conhecida e que pode ser útil para testar e validar algoritmos estatísticos de análise de agrupamento.