A espectroscopia de plasma induzida por laser (LIBS) combinada com algoritmos de aprendizado de máquina pode ser uma técnica de triagem alternativa para identificar e discriminar grãos de milho transgênico de variedades convencionais. A metodologia, desenvolvida por pesquisadores da Embrapa, quatro universidades de três regiões do País e um instituto italiano, se mostrou capaz de fazer a distinção de forma precisa, rápida e acessível.

Atualmente, a detecção e quantificação de alimentos e rações geneticamente modificados é realizada pelo teste padrão baseado na Reação em Cadeia da Polimerase (PCR), que detecta e quantifica a presença de proteínas específicas de DNA na amostra. Apesar de sua boa precisão e sensibilidade, esse método é demorado e caro.

Foto: Matheus Falanga

Nas últimas décadas, a produção e o consumo de produtos agrícolas modificados geneticamente mundialmente aumentaram significativamente, devido ao crescimento populacional e à crescente demanda por alimentos. Paralelamente, cresceu a demanda por métodos rápidos e baratos para identificar e discriminar produtos geneticamente modificados (cujo DNA sofreu alteração por meio de técnicas de engenharia genética) e não modificados nos setores de controle e comercialização de alimentos.

Técnicas validadas

O estudo fez parte do doutorado de Matheus Cicero Ribeiro, orientado pelo professor Bruno Marangoni no Programa de Pós-Graduação em Ciência dos Materiais da Universidade Federal de Mato Grosso do Sul (UFMS). Na Embrapa Instrumentação (SP), os experimentos foram acompanhados pela coordenadora do Laboratório Nacional de Agrofotônica (Lanaf), a pesquisadora Débora Milori.

“A principal novidade da nossa pesquisa está na combinação do uso da técnica LIBS, com análises multivariadas e aprendizado de máquina (Machine Learning), na qual as informações elementares das amostras foram avaliadas e utilizadas para construir critérios de decisão que diferenciem as amostras transgênicas das amostras não-transgênicas”, afirma Ribeiro.

Segundo ele, o trabalho mostrou que a combinação de técnicas consegue diferenciar variedades distintas de milho geneticamente modificados e convencionais, caso elas apresentem composição elementar semelhante. “Elas apresentam vantagens essenciais, como baixo custo, resposta rápida, sensibilidade razoável e fácil aplicação”, complementa.

O desafio principal da pesquisa envolveu identificação dos constituintes, elementos como carbono (C), nitrogênio (N), magnésio (Mg), potássio (K), hidrogênio (H), ferro (Fe) e sódio (Na). Entre esses, o carbono apresentou maior influência na diferenciação entre a classe transgênica da classe não-transgênica de milho.

Fotos: Victor Otsuka

“Como as amostras apresentaram composição elementar muito similar, isto é, apresentam os mesmos elementos, identificar marcadores específicos de cada classe foi um processo minucioso que consumiu muito tempo de análise. Dessa maneira, houve a necessidade da combinação das análises multivariadas com o aprendizado de máquina, momento em que o computador conseguiu identificar marcadores que foram capazes de diferenciar as amostras no processo de classificação”, explicou Ribeiro.

Outro diferencial do estudo foi que ele avaliou uma quantidade significativa de amostras, 160 no total, consiste no total significativo de amostras provenientes de diferentes variedades transgênicas e não-transgênicas de milho, num total de 160. A pesquisa envolveu seis espécies de milho, quatro transgênicas e duas convencionais. Ribeiro conta que esta é a primeira vez que um protocolo de validação externa foi testado para a classificação de milho transgênico usando LIBS. “A validação externa corroborou a robustez do modelo,” relata.

Impactos diretos

“Esse método oferece uma solução eficaz para monitoramento e rastreabilidade no setor agrícola, atendendo às exigências de regulamentação e segurança alimentar e garantindo conformidade com políticas nacionais e internacionais,” reforça o professor Bruno Marangoni ao ressaltar que a metodologia identifica a origem da amostra de forma ágil e acessível.

A técnica pode ser utilizada por laboratórios de análise de alimentos, centros de controle de qualidade, indústrias agroalimentares e órgãos reguladores. Mas empresas agrícolas e de biotecnologia também podem utilizar a tecnologia para monitorar e certificar a origem de suas produções. Segundo ele, além disso, autoridades de vigilância sanitária, nacionais e internacionais, podem aplicá-la para fiscalizar produtos alimentícios, assegurando a proteção do consumidor e a conformidade com as normas vigentes.

“Com testes ágeis sobre a origem dos produtos, seria possível ampliar o número de itens analisados, resultando em maior segurança e transparência no mercado. Essa tecnologia também aumentaria a confiança na cadeia de suprimentos alimentares, permitindo que os consumidores façam escolhas informadas sobre o que compram e consomem”, afirma o professor.

Próximos passos: testes em larga escala

O próximo passo da pesquisa visa a expansão da base de dados, incluindo um número maior de amostras de diferentes localidades para aprimorar o algoritmo de aprendizado de máquina, aumentando sua robustez e confiabilidade.

“Em seguida, é importante explorar formas de tornar a metodologia mais acessível e aplicável em larga escala, como a criação de dispositivos portáteis para testes em campo. A padronização do método também é essencial, facilitando sua validação e aceitação por diferentes reguladores e permitindo que ele seja integrado aos processos de controle de qualidade e certificação de transgênicos”, diz Marangoni.

Benefícios do LIBS

Milori, que trabalha com a técnica há cerca de 20 anos, conta que nos últimos anos a espectroscopia de emissão com plasma induzida por laser (LIBS) atraiu interesse significativo da comunidade científica por sua capacidade de fornecer rapidamente informações qualitativas e quantitativas inestimáveis sobre a composição elementar de vários materiais.

Foto: Matheus Ribeiro

“Além disso, o LIBS combinado com métodos quimiométricos e de aprendizado de máquina aumentou consideravelmente o desempenho na identificação e discriminação bem-sucedidas de amostras,” relata a pesquisadora. Ela conta que a LIBS é uma técnica analítica popular que encontrou pesquisas e aplicações práticas em diversas áreas, incluindo o setor agrícola. “A técnica também é particularmente atraente devido à disponibilidade de instrumentos portáteis que permitem análises LIBS in situ e on-line”, informa.

O estudo “Discrimination of maize transgenic and non-transgenic varieties by laser induced spectroscopy (LIBS) and machine learning algorithms”, publicado pelo Microchemical Journal, foi apoiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp), Fundação de Amparo à Pesquisa do Estado de Minas Gerais (Fapemig)e Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes).