Oral Presentation 5isebe Conference

Presentation in Spanish

Transcript

1. Villafañe, Roxana N.(1)*, Hidalgo, Melisa, Piccoli, Analía, Marchevsky, Eduardo, Pellerano, Roberto Elementos traza no-esenciales y tóxicos para clasificación geográfica de muestras de arroz del Nordeste Argentino.
2. INTRODUCCIÓN  El arroz es consumido en todos los países de Latinoamérica durante el año, y Argentina es un productor y exportador líder de arroz.  Idealmente, el arroz debe estar libre de contaminantes como así también de elementos traza tóxicos, que pueden ser dañinos para el cuerpo humano, causando problemas de salud. Estos elementos están caracterizados por su larga vida media, naturaleza no biodegradable y la bioacumulación en los diferentes tejidos del cuerpo.
3. INTRODUCCIÓN Principales países importadores de arroz argentino Producción, exportación y consumo interno de arroz Fuente: Ministerio de Agricultura, Ganadería y Pesca
4. INTRODUCCIÓN  El arroz crece en zonas naturalmente inundadas, y es una práctica que puede exponer las plantas de arroz a altos niveles de posibles contaminantes que pueden estar presentes en el agua que irriga o en los agroquímicos, En este contexto, los posibles contaminantes de granos de arroz han sucitado interés en la literatura, especialmente As, Pb, Cd, Ni, Cu and Zn en el arroz producido en diferentes países.
5. INTRODUCCIÓN El objetivo de este trabajo fue: (1) cuantificar los niveles de elementos traza no esenciales y tóxicos en muestras de grano de arroz entero producido en la región nordeste de Argentina (2) evaluar los datos de composición mineral según técnicas de análisis multivariado para identificar diferencias de acuerdo al origen geografico o diferencias botánicas en las muestras.
6. MATERIALES Y MÉTODOS  Un total de 84 muestras de arroz enterio fueron analizadas según su contenido de elementos tóxicos y no esenciales.  Las muestras fueron proporcionadas por productores locales de diez campos de acuerdo a la región de producción en la provincia de Corrientes, siendo:  Ituzaingó (IT),  Mercedes (ME)  Santa Lucía (SL) and  Santo Tome (ST)  Fecha: Marzo-Junio 2013-2014
7. MATERIALES Y MÉTODOS  Las muestras de arroz fueron homogeneizadas mediante un mortero y tamizadas con un tamiz de nylon de 1 mm previa a la digestión ácida con ICP-MS. La digestión ácida por microondas fue llevada a cabo por un sistema de microondas Ehos-One.  El equipo de ICP-MS utilizado en este trabajo fue un Agilent 7700 (Agilent Technologies, USA).  Los isótopos monitoreados para las determinaciones analíticas fueron: 7Li, 9Be, 27Al, 47Ti, 52Cr, 75As, 88Sr, 111Cd, 118Sn, 121Sb, 137Ba, 139La, 140Ce, 202Hg, 205TI, 208Pb, and 232Th.
8. MATERIALES Y MÉTODOS  Data matrix (84x8)  Análisis exploratorio: PCA  Métodos supervisados de clasificación: LDA, KNN, PLS-DA, SVM and RF Fuente: www.stat.ucla.edu
9. Elements (mg/kg) Sampling region (mean ± SD) Ituzaingó (IT) Mercedes (ME) Santa Lucía (SL) Santo Tomé (ST) Al 5.46 ± 1.86 6.87 ± 1.41 3.35 ± 0.83 6.51 ± 1.75 As ND 0.008 ± 0.004 ND ND Ba 0.32 ± 0.20 0.22 ± 0.06 0.20 ± 0.01 0.25 ± 0.04 Be ND ND ND ND Cd ND 0.010 ± 0.002 ND ND Ce ND ND ND ND Cr 0.028 ± 0.006 0.045 ± 0.012 0.04 ± 0.020 0.05 ± 0.008 Hg ND ND ND ND La 0.02 ± 0.003 0.02 ± 0.004 0.02 ± 0.001 0.02 ± 0.003 Li 0.09 ± 0.02 0.08 ± 0.01 0.02 ± 0.01 0.03 ± 0.02 Pb 0.02 ± 0.004 0.03 ± 0.005 0.008 ± 0.001 0.03 ± 0.007 Sb ND ND ND ND Sn ND ND ND ND Sr 0.36 ± 0.06 0.23 ± 0.07 0.38 ± 0.04 0.25 ± 0.06 Th ND ND ND ND Ti 2.74 ± 0.34 2.50 ± 0.48 3.37 ± 0.83 3.12 ± 0.43 Tl ND ND ND ND RESULTADOS Y DISCUSIÓN
10.  Be, Ce, Hg, Sb, Sn, Th and Tl, fueron detectables (debajo LOD) en todas las muestras, mientras que As y Cd fueron detectables en 5 muestras de ME a muy bajos niveles.  El Al y Ti fueron detectables en todas las muestras a concentraciones más de 1 mg/kg.  El Al fue el elemento que fue detectado en más altas concentraciones en ME.  El Ba y Sr fueron detectados en todas las muestras en niveles mayores a 0.01 mg/kg.  El contenido de Cr tuvo un rango de 0.03-0.05 mg/kg. Las más altas concentraciones fueron obtenidas en muestras de ST, mientras RESULTADOS Y DISCUSIÓN
11.  Quimiometría - Chemometrics  Busqueda de patrones  ¿Trends? ¿outliers?  Clasificación - Predictive Analytics Composición mineral Búsqueda de nuevas relaciones que están ocultas en los datos RESULTADOS Y DISCUSIÓN
12. RESULTADOS Y DISCUSIÓN Variables PC1 (39%)* PC2 (17%)* PC3 (12%)* Al 0.52 0.06 0.01 Ba -0.25 -0.29 0.09 Cr 0.01 0.54 0.66 La -0.13 -0.40 0.72 Li 0.41 -0.40 0.10 Pb 0.49 -0.08 0.18 Sr -0.35 -0.43 0.04 Ti -0.34 0.33 0.05 *Percentage of total variance Loadings of the PC analysis Scores of the PC analysis SL ST IT ME
13. RESULTADOS Y DISCUSIÓN Fuente: Cambridge Coding Academy
14. RESULTADOS Y DISCUSIÓN Method k-NN PLS-DA RF SVM Sens Spec Sens Spec Sens Spec Sens Spec IT 66% 100% 83% 88% 83% 100% 83% 100% ME 83% 100% 66% 94% 100% 94% 100% 94% SL 100% 86% 100% 100% 100% 100% 100% 100% ST 100% 95% 100% 100% 100% 100% 100% 100% Accuracy 87% 87% 96% 96% LDA plot Performance measures detailed for k-NN, PLS-DA, SVM and RF models computed. SL IT ME ST Fuente: sebastianraschka.com
15. CONCLUSIONES  Los principales resultados fueron:  (1) En general, el contenido de elementos no esenciales y tóxicos estuvo en concordancia con los datos encontrados para arroz y otros cereales.  (2) El contenido de As, Be, Cd, Ce, Cr, Hg, Pb, Sb, Sn, Th and Tl fue muy bajo o no detectable en las muestras analizadas, indicando que las muestras de arroz fueron producidas en zonas no contaminadas.  (3) El análisis de PCA fue capaz de encontrar diferencias entre las muestras de SL debido principalmente a la concentración más baja de elementos traza, proveyendo además una reducción de la dimensión de los datos (Al, Pb, Sr y Ti)  (4) El análisis discriminante (LDA) indico que la mayoría de las muestras pueden ser correctamente clasificadas según su variedad botánica (97.5%) usando solamente cuatro variables (Al, Li, Sr y Ti)  (5) Fu posible modelar las diferencias de acuerdo al origen geográfico , el uso de algunos algoritmos más sofisticados fue necesario. SVM y Random Forest mostraron la mejor performance. Próximos estudios con un número más largo de muestras son necesarios, de manera tal de extender las conclusiones.
16. MUCHAS GRACIAS!!! data_datum data-datum noelia0618@gmail.com