Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
20140205
Paulo Henrique Maroa,*, Patrcia Valderramaa, Guilherme Lionello Alexandrinob, Ronei Jesus Poppib e Rom Taulerc
a
Universidade Tecnolgica Federal do Paran, CP 271, 87301-899 Campo Mouro PR, Brasil
b
Instituto de Qumica, Universidade Estadual de Campinas, CP 6154, 13083-970 Campinas SP, Brasil
c
Department of Environmental Chemistry, Institute of Environmental Diagnostics and Water Studies IDAEA-CSIC Jordi Girona,
16, 08034, Barcelona, Spain
Reviso
MULTIVARIATE CURVE RESOLUTION WITH ALTERNATING LEAST SQUARES: DESCRIPTION, OPERATION AND
APLICATIONS. Multivariate Curve Resolution with Alternating Least Squares (MCR-ALS) is a resolution method that has
been efficiently applied in many different fields, such as process analysis, environmental data and, more recently, hyperspectral
image analysis. When applied to second order data (or to three-way data) arrays, recovery of the underlying basis vectors in both
measurement orders (i.e. signal and concentration orders) from the data matrix can be achieved without ambiguities if the trilinear
model constraint is considered during the ALS optimization. This work summarizes different protocols of MCR-ALS application,
presenting a case study: near-infrared image spectroscopy.
Keywords: chemometrics; resolution methods; signal separation.
INTRODUO
A qumica analtica oferece um vasto nmero de exemplos de
sistemas multicomponentes com amostras que se apresentam cada vez
mais complexas. Frequentemente, as amostras contm muitas espcies
a serem analisadas simultaneamente (como o caso de reas como
genmica, protemica, etc.) ou poucos analitos na presena de muitos
interferentes (por exemplo, amostras ambientais). A necessidade de
uma instrumentao mais complexa para fazer face a estes sistemas de
forma eficiente exige, da mesma forma, ferramentas computacionais
para manipular e interpretar as informaes obtidas.1,2
A denominao Anlise Multivariada corresponde a um grande
nmero de mtodos que utilizam simultaneamente todas as variveis
na interpretao do conjunto de dados. Essas variveis podem ser as
concentraes de elementos mais importantes, altura de picos em
perfis cromatogrficos, comprimentos de onda em perfis espectroscpicos ou at mesmo imagens.3-5
Os mtodos quimiomtricos de anlise multivariada podem
ser classificados em diferentes categorias com distintas aplicaes,
conforme o objetivo do estudo, como por exemplo a otimizao de
processos, a classificao de dados, as determinaes quantitativas
e qualitativas, podendo assim ser subdivididos em diversas frentes
de pesquisas e aplicaes, tais como planejamento e otimizao de
experimentos, processamento de sinais analticos, reconhecimento de
padres e classificao de dados, calibrao multivariada, mtodos
de inteligncia artificial, dentre outros.5,6
Os mtodos de Resoluo Multivariada de Curvas (MCR, do ingls
Multivariate Curve Resolution) so mtodos de processamento de sinais
analticos que tm o intuito de resolver misturas de sinais.3,5 Esses mtodos recuperam valores de concentrao relativa e os espectros puros
dos componentes relacionados a tais concentraes dentro da amostra,
a partir de uma matriz de dados que contm os valores para as variveis
analisadas. A anlise de dados por MCR pode ser realizada sobre uma
nica matriz de dados (dados de primeira ordem) ou sobre matrizes de
dados para cada amostra (dados de segunda ordem), simultaneamente.3,5
*e-mail: paulohmarco@utfpr.edu.br
D = CST (1)
em que D a matriz de resposta instrumental, C a matriz de concentrao relativa e S uma matriz de espectros puros.
O mtodo de Resoluo Multivariada de Curvas com Mnimos
Quadrados Alternantes (MCR-ALS, do ingls Multivariate Curve
Resolution with Alternating Least-Squares) um tipo de MCR no
qual a resoluo iterativa da equao 1 realizada por ALS. Para que
o MCR consiga obter resultados mais condizentes com as informaes
qumicas, aproximaes de resoluo iterativa so consideradas mais
populares devido sua flexibilidade para lidar com vrios tipos de
arranjos de dados e problemas qumicos, alm da habilidade para
acomodar informaes externas no processo de resoluo. Todas
elas dividem um passo comum na otimizao (das matrizes C e/ou
ST) que se inicia com as estimativas iniciais de C e ST, adaptadas de
acordo com as informaes qumicas ou matemticas includas no
processo de otimizao sob a forma de restries. A anlise de fatores
de alvo iterativo (ITTFA, do ingls Iterative Target Factor Analysis)7
e o MCR-ALS4,5,8 foram as primeiras aproximaes iterativas a serem
executadas, embora outras metodologias com diferentes princpios,
como a Anlise de resoluo de fatores (RFA, do ingls Resolving
Factor Analysis),9 tenham aparecido posteriormente.
Este trabalho tem como objetivo descrever e apresentar o funcionamento do mtodo MCR-ALS trazendo algumas aplicaes a fim de
facilitar a utilizao do mtodo e possibilitar um maior entendimento
para as possveis aplicaes.
RESOLUO MULTIVARIADA DE CURVAS (MCR)
A Resoluo Multivariada de Curvas um mtodo quimiomtrico
includo na famlia de tcnicas de anlise de fatores (FA, do ingls
Factor Analysis).10,11 Seus principais objetivos so o isolamento,
resoluo12 para informaes qualitativas13,14 e a quantificao
das fontes de variao em um determinado conjunto de dados.15
1526
Maro et al.
Quim. Nova
D = DA + DB
D = CASAT + CBSBT
(2)
(3)
1527
Figura 1. Modelo de medidas para um sistema de dois componentes (Adaptado de de Juan e Tauler)3. (a) Descrito como um modelo de somatria de contribuies de sinais puros; (b) Descrito como um modelo de somatria de dades de perfil puro de concentrao e espectro; (c) Descrito como um modelo bilinear
de perfis de concentrao e espectros
(4)
(5)
(6)
(7)
na qual eij igual a (dij um elemento da matriz D e o mesmo elemento na matriz reconstituda D*). Desta forma, baixos valores de LOF
so requeridos, bem como valores de R2 o mais prximo possvel de 1.31
1528
Maro et al.
AMBIGUIDADES NO MCR
Com relao estimativa inicial, necessria para iniciar o processo iterativo no MCR-ALS, esta tambm pode ser considerada
uma anlise exploratria. Isso porque diferentes algoritmos para
estimativa inicial podem conduzir a aproximaes iterativas com
maior ou menor eficincia e, portanto, levando a resultados finais
diferentes. Este problema verificado pela possibilidade de mais de
uma resposta possvel para combinaes lineares, ou seja, existem
problemas relacionados ambiguidade rotacional exibida por mtodos de resoluo bilineares.4,32
Embora o MCR possa apresentar resultados muito satisfatrios,
em medidas experimentais brutas os perfis recuperados podem ser
afetados pelas intensidades das ambiguidades e ou das rotaes.
Podemos reescrever a equao 5 na forma da equao 8:
D = CTT-1ST
(8)
D = CST
(9)
na qual C = CT e ST = T-1ST
Esta a formulao matemtica da ambiguidade rotacional, a
qual significa que podemos obter a mesma soluo otimizada na
descrio do conjunto de dados D usando os conjuntos de perfis
(C e S) com formas diferentes dos verdadeiros (C e S). Mesmo na
ausncia de ambiguidade rotacional, a Equao 1 pode ser reescrita
como na forma da equao 10:
Quim. Nova
(10)
Isso significa que a dade de perfis resolvidos (ci, si) para cada
componente puro pode apresentar perfis como os procurados, porm ki
vezes menores, (1/ki)ci, ou maiores, kisiT. A extenso da ambiguidade
pode ser significantemente diminuda ou at suprimida pelo uso de
restries. Quanto mais restrito um sistema, menos possibilidades
de combinaes de perfis podem preencher as condies de forma
e intensidade requeridas, ajustando de forma otimizada o conjunto
de dados D.
A ambiguidade tem sido um dos maiores problemas do MCR.
Somente recentemente tem havido tentativas slidas para avaliar a extenso desse fenmeno nos perfis resolvidos de MCR.33-35 Recentemente
foi criada por Jaumot e Tauler uma ferramenta utilizada para avaliar
e quantificar a ambiguidade rotacional, chamada de MCR-BANDS.33
De um modo geral, a ambiguidade dependente dos componentes e
dos perfis e, dentro do mesmo conjunto de dados, possvel encontrar componentes ou perfis com falta de ambiguidade e outros que a
possuam em uma grande extenso. Algumas das ltimas tendncias
optam por determinar cada componente separadamente com os limites
mximo e mnimo das bandas de solues mais adequadas para a dade
de perfis resolvidos.36 A ideia geral encontrar os limites das dades
dos perfis que fornecem as contribuies mximas e mnimas dos
componentes do sinal global medido. Os limites mximo e mnimo
devem corresponder aos perfis que respeitam as restries e devem ser
parte do conjunto global de perfis incluindo todos os componentes e
reproduzindo o conjunto de dados com o melhor ajuste.36
Outras metodologias questionam o quanto os limites mnimos
e mximos realmente aproximam todos os perfis viveis possveis
e, se definidos como mximo e mnimo da contribuio do sinal,
se eles realmente representam as melhores solues. No entanto,
Uso de restries
As diversas formas de aplicao dos mtodos de resoluo de
curvas mostram que a ambiguidade, inerente decomposio na
anlise de fatores de uma matriz de dados bilineares, pode ser apenas
parcialmente superada pelo uso de restries. Lawton e Sylvestre37 foram os primeiros autores a demonstrar que, sob restries como a no
negatividade, um pequeno nmero de solues possvel. O mtodo
foi testado para uma mistura de 2 componentes e mais tarde o teste
foi feito para 3 componentes por Borgen e Kowalski,38 mostrando-se
bastante eficiente quanto ao nmero de respostas possveis.
Desde os primeiros estudos em resoluo de curvas, a seletividade
tem sido um dos aspectos mais relevantes a serem considerados na
recuperao de solues verdadeiras. Um ponto importante no uso
de seletividade est no fato de que a matriz original pode ser subdividida em duas matrizes menores, reduzindo assim a complexidade
da mistura. Nas regies onde o posto da matriz est perto da unidade,
a ambiguidade relacionada decomposio na anlise de fatores
completamente resolvida. Dessa forma, a deteco dessas regies e
o uso da seletividade so de grande importncia para a resoluo de
problemas em MCR.16,17
Alm da no negatividade para concentrao e sinal, outras restries gerais como uni-modalidade, fechamento (closure) e incluso de
modelos pr-definidos (hard-modeling) so propostas.3 A utilizao
das informaes de seletividade e das restries diminui consideravelmente o conjunto de solues possveis na decomposio dos dados.
Contudo, no h garantias de que as solues verdadeiras so obtidas
para um caso geral. Em particular, quando no h seletividade nas
duas ordens (C e ST) de nenhum dos componentes da mistura, no h
garantia de que as solues corretas sero recuperadas.3,13
Em adio s restries clssicas de no-negatividade, unimodalidade, fechamento (closure) e restries de igualdade ligadas seletividade ou ao uso de perfis conhecidos, a contribuio mais notvel
tem sido a introduo de modelos pr-definidos (hard-modeling). A
Figura 2 apresenta de forma resumida o funcionamento de algumas
das restries mais utilizadas.3
Os sistemas podem ser definidos como de modelagem no flexveis (hard-modeling) ou de modelagem flexvel (soft-modeling).3 Os
modelos no flexveis ajustam dados qumicos de acordo com modelos
pr-definidos construdos a partir de expresses matemticas que
descrevem um comportamento fsico-qumico ou, num sentido geral,
a forma de um sinal ou um perfil. Para fazer isso, toda a variao do
conjunto de dados deve ser descrita por aquele modelo particular. O
principal benefcio que esses modelos podem ser utilizados para
descrever apenas uma parte da variao do conjunto de dados (por
exemplo, a evoluo de alguns componentes) enquanto o resto do
sistema (os componentes remanescentes) pode ser modelado por
modelos flexveis. Estas restries permitem a modelagem no
flexvel dos processos na presena de interferentes (modelados por
modelos flexveis) alm do clculo de parmetros fsico-qumicos
como resultados adicionais do MCR. Devido eficcia desse tipo de
restrio, a ambiguidade nos perfis resolvidos suprimida ou significativamente minimizada. Assim, as chances para resolver perfis de
concentrao muito sobrepostos so substancialmente aumentadas.
Exemplos de restries de modelos no flexveis j aplicados com
sucesso incluem a incorporao de modelos cinticos,39 modelos
enzimticos40 ou equilbrios41 nos perfis de concentrao, e incluso
de modelos de formas de sinais, como funes em forma de picos
para medidas voltamtricas42 ou decaimentos de curvas exponenciais
em dados de Ressonncia Magntica Nuclear (RMN-DOSY).43
1529
Figura 3. Modelo bilinear de MCR aumentado (a) pelas linhas, (b) pelas
colunas e (c) pelas linhas e pelas colunas ao mesmo tempo
1530
Maro et al.
Quim. Nova
e a meta da anlise dos dados fornecer mapas confiveis de distribuio e caracterizao dos compostos puros na amostra. Esse tipo
de problema pode ser resolvido com grande xito com a aplicao
de MCR, desde que a variao dos dados da imagem responda ao
modelo bilinear que descreve qualquer espectro em um pixel na
imagem como combinao linear da contribuio do sinal de seus
componentes. Utilizar um cubo de dados de imagem para anlise
por MCR requer somente o desdobramento do mesmo em uma matriz que contenha todos os espectros dos pixels. Depois da anlise
de resoluo, os espectros puros dos constituintes so recuperados
bem como seus mapas de distribuio puros relacionados, uma vez
que os perfis em C so dobrados de volta para recuperar a estrutura
espacial da imagem original (Figura 4). A resoluo de imagem por
MCR tem ganhado relevncia durante os ltimos anos36,65,66 e os esforos esto agora focados no uso da informao espacial, vinda de
mtodos exploratrios baseados na anlise de posto local das reas
da imagem ou da aplicao de ferramentas de classificao de pixels,
sob a forma de restries especficas para imagem. Atualmente a rea
farmacutica concentra grande parte das aplicaes de espectroscopia
de imagem para a caracterizao qumica da distribuio de frmacos
e excipientes em diversas formulaes slidas de medicamentos.
Neste contexto, a utilizao de MCR-ALS j se consolida como uma
estratgia de destaque para a resoluo dos mapas de concentrao
dos constituintes em amostras farmacuticas, uma vez que estimativas
iniciais dos espectros puros podem ser obtidas diretamente dos dados
(atravs de loadings de PCA, SIMPLISMA, e outros)29,67 ou, no caso
em que os espectros puros de todos os constituintes da amostra serem
previamente conhecidos, a otimizao de C e ST geralmente resulta
em mapas de concentrao de maior confiabilidade analtica.68,69
1531
Figura 5. a) Mapas de concentraes relativas do frmaco Carbamazepina e principais excipientes no comprimido resolvidos por MCR-ALS, em que o valor
de de cada composto corresponde a sua respectiva concentrao mdia nos pixels. Os valores entre parnteses correspondem s respectivas concentraes
esperadas de acordo com as propores utilizadas no preparado do comprimido. b) Espectros puros (estimativas iniciais) e otimizados pelo MCR-ALS do
frmaco e principais excipientes da formulao do comprimido
quadrados alternantes, nas quais restries podem ser aplicadas visando reduzir ambiguidades rotacionais. A Figura 6 sumariza passo
a passo as etapas para a utilizao do MCR-ALS.
1532
Maro et al.
REFERNCIAS
1. Scarminio, I. S.; Ishikawa, D. N.; Barreto, W. J.; Paczkowski, E. L.;
Arruda, I. C.; Quim. Nova 1998, 21, 590.
2. Malik, A.; Tauler, R.; Anal. Chim. Acta 2013, 794, 20.
3. de Juan, A.; Tauler, R.; Crit. Rev. Anal. Chem. 2006, 36, 163.
4. Tauler, R.; Chemom. Intell. Lab. Syst. 1995, 30, 133.
5. Parastar, H.; Tauler, R.; Anal. Chem. 2014, 86, 286.
6. Otto, M.; Chemometrics,Wiley:Weinheim, 1999.
7. Vandeginste, B.G.M.; Derks, W.; Kateman, G.; Anal. Chim. Acta 1985,
173, 253.
8. Jaumot, J.; Gargallo, R.; de Juan, A.; Tauler, R.; Chemom. Intell. Lab.
Syst. 2005, 76, 101.
9. Manne, R.; Grande, B. V.; Chemom. Intell. Lab. Syst. 2000, 50, 35.
10. Malinowski, E. R.; Factor Analysis in Chemistry, 3rd ed., Wiley: New
York, 2002.
11. Xu, C.J.; Gourvnec, S.; Liang, Y.Z.; Massart, D.L.; Anal. Chim. Acta
2006, 575, 1.
12. Mendieta, J.; Daz-Cruz, M.S.; Esteban, M.; Tauler, R.; Biophys. J.
1998, 74, 2876.
13. Maro, P.H.; Poppi, R.J.; Scarminio, I.S.; Tauler, R.; Food Chem. 2011,
125, 1020.
14. Tauler, R.; Smilde, A.; Kowalski, B.; J. Chemom. 1995, 9, 31.
15. Boeris, V.; Arancibia, J.A.; Olivieri, A. C.; Anal. Chim. Acta 2014, 814,
23.
16. de Juan, A.; Navea, S.; Diewok, J.; Tauler, R.; Chemom. Intell. Lab. Syst.
2004, 70, 11.
17. Xia, A-L.; Wu, H.L.; Zhang, Y; Zhu, S.H.; Han, Q.J.; Yu, R.Q.; Anal.
Chim. Acta 2007, 598, 1.
18. Linder, M.; Sundberg, R.; Chemom. Intell. Lab. Syst. 1998, 42, 159.
19. Milford, D.; Sandell, M.; Signal Process 2014, 102, 163.
20. Wold, S.; Esbensen, K.; Geladi, P.; Chemom. Intell. Lab. Syst. 1987, 2,
37.
21. Valderrama, P.; Maro, P.H.; Locquet, N.; Ammari, F.; Rutledge, D.N.;
Chemom. Intell. Lab. Syst. 2011, 106, 166.
22. Esteban, M.; Ario, C.; Daz-Cruz, J.M.; Daz-Cruz, M.S.; Tauler, R.;
TrAC, Trends Anal. Chem. 2000, 19, 49.
23. Gampp, H.; Maeder, M.; Meyer, C.J.; Zuberbhler, A.D.; Talanta 1986,
33, 943.
24. Windig, W.; Gallagher, N.B.; Shaver, J.M.; Wise, B.M.; Chemom.
Intell. Lab. Syst. 2005, 77, 85.
25. Cao, L.; Harrington, P.B.; Liu, J.; Anal. Chem. 2005, 77, 2575.
26. Gallagher, N.B.; Shaver, J.M.; Martin, E.B.; Morris, J.; Wise, B.M.;
Windig, W.; Chemom. Intell. Lab. Syst. 2004, 73, 105.
27. Windig, W.; Gallagher, N.B.; Shaver, J.M.; Wise, B.M.; Chemom.
Intell. Lab. Syst. 2005, 77, 85.
28. Windig, W.; Two-Way Data Analysis: Detection of Purest Variables:
Reference Module in Chemistry, Molecular Sciences and Chemical
Engineering, from Comprehensive Chemometrics, p 275, Elsevier: 2009,
cap 2.17.
29. Sabin, G.P.; Lozano, V.A.; Rocha, W.F.C.; Romo, W.; Ortiz, R.S.;
Poppi, R.J.; J. Pharm. Biomed. Anal. 2013, 85, 207.
30. Gonalves, R.P.; Valderrama, L.; Rutledge, D.N.; Maro, P.H.;
Valderrama, P.; Resumos do Chimiomtrie 2013, Brest, France, 2013.
31. Jayaraman, A.; Mas, S.; Tauler, R.; de Juan, A.; J. Chromatogr. B 2012,
910, 138.
32. Abdollahi, H.; Tauler, R.; Chemom. Intell. Lab. Syst. 2011, 108, 100.
33. Jaumot, J.; Tauler, R.; Chemom. Intell. Lab. Syst 2010, 103, 96.
34. Oliveira, R.R.; Lima, K.M.G; Tauler, R.; de Juan, A.; Talanta 2014,
125, 233.
35. Leger, M.N.; Wentzell, P.D.; Chemom. Intell. Lab. Syst. 2002, 62, 171.
36. Zhang, X.; Tauler, R.; Anal. Chim. Acta 2013, 762, 25.
37. Lawton, W.H.; Sylvestr E.A.; Technometrics 1971, 13, 617.
Quim. Nova
38. Borgen, O.S.; Kowalski, B.R.; Anal. Chim. Acta 1985, 174, 1.
39. Carvalho, A.R.; Wattoom, J.; Zhu, L.F.; Brereton, R.G.; Analyst 2006,
131, 90.
40. Amigo, J. M.; de Juan, A.; Coello, J.; Maspoch, S.; Anal. Chim. Acta
2006, 567, 236.
41. Daz-Cruz, J.M.; Agull, J.; Daz-Cruz, M.S.; Ario, C.; Esteban, M.;
Tauler, R.; Analyst 2001, 126, 371.
42. Lpez, M.J.; Ario, C.; Daz-Cruz, S.; Daz-Cruz, J.M.; Tauler, R.;
Esteban, M.; Environ. Sci. Technol. 2003, 37, 5609.
43. Huo, R.; Wehrens, R.; Buydens, L.M.C.; J. Magn. Reson. 2004, 169,
257.
44. Bianchini, R. M.; Kaufman, T. S.; Int. J. Chem. Kinet 2013, 11, 734.
45. Fu, H.-Y.; Wu, H.-L.; Yu, Y.-J.; Yu, Li-Li; Zhang, S.-R.; Nie, J.-F.; Li,
S.-F.; Yu, R.-Q.; J. Chemom. 2011, 25, 408.
46. Malik, A.; Tauler, R.; Chemom. Intell. Lab. Syst. 2014, In Press.
47. Ruckebusch, C.; de Juan, A.; Duponchel, L.; Huvenne, J. P.; Chemom.
Intell. Lab. Syst. 2006, 80, 209.
48. Booksh, K.S.; Kowalski, B.R.; Anal. Chem. 1994, 66, 782A.
49. Lpez, M.B.M.; Tese de Doutorado, Universidade Estadual de
Campinas, Brasil, 2013.
50. Mohseni, N.; Bahram, M.; Olivieri, A. C.; Spectrochim Acta A 2014,
122, 721.
51. Goicoechea, H.C.; Olivieri, A.C.; Tauler, R.; Analyst 2010, 135, 636.
52. Rodrguez-Cuesta, M.J.; Boqu, R.; Rius, F.X.; Martnez Vidal, J.L.;
Garrido Frenich, G.; Chemom. Intell. Lab. Syst. 2005, 77, 251.
53. Vosough, M.; Esfahani, H. M.; Talanta 2013, 113, 68.
54. Schiozer, A.L.; Maro, P.H.; Barata, L.E.S.; Poppi, R.J.; Anal. Lett.
2008, 41, 1592.
55. Tauler, R.; Kowalski, B.; Fleming, S.; Anal. Chem. 1993, 65, 2040.
56. Tauler, R.; Barcel, D.; TrAC, Trends Anal. Chem. 1993, 12, 319.
57. Garrido, M.; Lzaro, I.; Larrechi, M.S.; Rius, F.X.; Anal. Chim. Acta
2004, 515, 65.
58. Van Sprang, E.N.M.; Ramaker, H.J.; Westerhuis, J.A.; Smilde, A.K.;
Gurden, S.P.; Wienke, D.; Appl. Spectrosc. 2003, 57, 1007.
59. Van Zomeren, P.V.; Hoogvorst, A.; Coenegracht, P.M.J.; de Jong, G.J.;
Analyst 2004, 129, 241.
60. Carneiro, R.L.; Braga, J.W.B.; Poppi, R.J.; Tauler, R.; Analyst 2008,
133, 774.
61. Alcarz, M.R.; Schenone, A.V.; Culzoni, M.J.; Goicoechea, H.C.;
Microchem. J. 2014, 112, 25.
62. Maro, P.H.; Tese de Doutorado, Universidade Estadual de Campinas,
Brasil, 2009.
63. Wang, Y.; Ni, Y.; Analyst 2014, 139, 416.
64. Zhang, Y.; Zhang, G.; Zhou, X.; Li, Y.; Anal. Bioanal. Chem. 2013, 405,
8871.
65. Carneiro, R. L.; Poppi, R. J.; Spectrochim Acta A 2014, 118, 215.
66. Piqueras, S.; Duponchel, L.; Tauler, R.; de Juan, A.; Anal. Chim. Acta
2014, 819, 15.
67. de Juan, A.; Tauler, R.; Dyson, R.; Marcolli, C.; Rault, M.; Maeder, M.;
TrAC Trend. Anal. Chem. 2004, 23, 70.
68. Amigo, J.M.; Ravn, C.; Eur. J. Pharm. Sci. 2009, 37, 76.
69. Cruz, J.; Blanco, M.; J. Pharm. Biom. Anal. 2011, 56, 408.
70. Terra, L.A.; Poppi, R.J.; Chemom. Intell. Lab. Syst. 2014, 130, 91.
71. Vajna, B.; Pataki, H.; Nagy, Z.; Farkas, I.; Marosi, G.; Int. J. Pharm.
2011, 419, 107.
72. Vajna, B.; Patyi, G.; Nagy, Z.; Bodis, A.; Farkas, A.; Marosi, G.; J. Raman Spectr. 2011, 42, 1977.
73. Firkala, T.; Farkas, A.; Vajna, B.; Farkas, I.; Marosi, G.; J. Pharm. Biom.
Anal. 2013, 76, 145.
74. Wang, Y.; Ni, Y.; Talanta. 2014, 119, 320.
75. Dadashi, M.; Abdollahi, H.; Tauler, R.; Chemom. Intell. Lab. Syst. 2012,
118, 33.
76. Alier, M.; Tauler, R.; Chemom. Intell. Lab. Syst. 2013, 127, 17.