Reconhecimento de padrões de indutivamente acoplado espectroscopia

de emissão atômica com plasma atômico de cabelo humano para

discriminar entre pacientes saudáveis e hepatite C

introdução, nos últimos anos um esforço considerável tem sido feito para medir os níveis de
metais traço em vários tecidos humanos para determinar correlações interelement com doenças
diferentes. existem vários elementos no corpo humano que são importantes nos processos
bioquímicos, e um número destes têm sido preciosamente detectados em amostras de cabelo
usando uma variedade de técnicas. um excesso ou a ausência desses elementos traço essencial
sauses sérios problemas na fisiologia do corpo. cabelo tem sido sugerido como um tecido
valioso para gravação de alterações nos níveis de elementos traços no corpo porque o cabelo
pode ser coletado de forma fácil e não requer considerações especiais de conservação. o cabelo
também é conhecido por acumular as concentrações de metais ao longo do tempo, assim que
contenham uma concentração maior do que a encontrada em amostras de soro, sangue ou
urina. Além disso, o cabelo pode dar uma visão mais ampla dos níveis de rastreamento
elemento de fluidos, pois representam apenas um instantâneo dos níveis de concentração no
momento da amostragem.

Além disso, o cabelo pode dar uma visão mais ampla dos níveis de rastreamento elemento de
fluidos, pois representam apenas um instantâneo dos níveis de concentração no momento da
amostragem. No entanto, outros trabalhadores identificaram uma combinação de diferentes
elementos com o exemplo techniques.For analítico diferente, komlmogorov medida Ca, Cr, Mn,
Fe, Ni, Cu, Zn, Se, Br, Sr, Pb e Hg com flurorescence espectrometria de raios-x e radiação
síncrotron de raios-X de análise de fluorescência. Neste estudo, foram medidos seis elementos,
que incluem Ca, Cu, Fe, Mg, Mn e elementos Zn.Other tais como Br, Hg e Se qualquer um pode
não ser detectado pelo indutivamente coupld espectroscopia de emissão atômica com plasma
ou estão abaixo dos limites de detecção.

uma série de técnicas são disponíveis para a análise de elementos em hair.these incluir, de
protões induzida por raios-x emission.inductevely acoplada a espectrometria de massa com
plasma, espectrometria de absorção atômica, análise de ativação de nêutrons e ICP-AES, como
empregado below.most laboratoties analítica uso ICP -AES, como ele é sensível e precisa, com
lomits baixa detecção e capacidade de multi-elemnt.
de elementos químicos em amostras biológicas é desafio para chemists.bacause analítica da
grande quantidade de matéria orgânica no sampls, a digestão é necessária antes da análise e
da baixa concentração dos elementos demandas bem organizada pré-tratamento especial,
assim como métodos analíticos sensíveis e equipamentos. neste trabalho emply ICP-AES para a
medição da concentração de seis elementos-traço em amostras de cabelo de dois grupos, os
pacientes com hapatitis C e controles sadios.

O objetivo deste trabalho é mostrar como reconhecimento de padrões multivariados podem ser
emplyed para distinguir entre os dois groups.although tem havido um crescimento significativo
no uso de métodos de reconhecimento de padrões em química analítica sobre os últimos anos,
pouca ênfase tem sido colocada da reprodutibilidade e visualização de modelos. Além disso a
maioria dos aplicativos tradicionais da química analítica, não distinguir bem entre testes de
hipóteses e otimização: métodos, tais como validação cruzada são muitas vezes de forma eficaz
para melhorar emplyed um modelo e no contexto da classificação para aumentar o número de
amostras corretamente classificadas. muitas aplicações tradicionais começam com a suposição
de que podemos realmente separar dois ou mais grupos e principalmente para tentar obter
uma separação tão bom como possible.in campo da biologia ou da medicina, porém, nem
sempre estamos certos de que são capazes de distinguir entre estes dois grupos e define
trainig, de optimisation.an muitas vezes negligenciada problema é como influentes na
composição do conjunto trainig é sobre a previsão de previsão ability.with computadores
modernos é possível reformar os modelos de formação definida muitas vezes e para obter uma
idéia de um teste set.this média deve ser distinguida da noção de inicialização que podem ser
utilizados para otimizar models.both abordagens podem ser empregadas simultaneamente, em
simultâneo, rápido e computadores modernos permitem a otimização e avaliação de grande
número de modelos dentro de poucos minutos.

usamos duas abordagens amplamente aceitas para a discriminação, a ADQ (análise

discriminante quadrática) para determinar performance.Utilizamos modelo emply PCA (análise
de componentes principais) para visualing os dados que nos permite representar a estabilidade
dos modelos (como mostrado pela forma como cada classificador um limite entre duas classes)
e agrupamento de amostras, incluindo quais elementos são os principais responsáveis para a
distinção entre os grupos.
Experimentos

amostragem e instrumentação
amostragem

o método utilizado para este trabalho closey segue o descrito previously.humn amostras do
couro cabeludo que consiste de fios de aproximadamente 1-5 cm de comprimento foram
coletados a partir da nuca do pescoço com a ajuda de um aço inoxidável scissor.the indivíduos
que sofrem de hepatite C foram confirmados por anti-HCV test.sample espécimes foram
armazenados no escuro em sacos plásticos individuais sobre os quais foram colocados os
rótulos indicando o nome da pessoa, data de amostragem e do grupo ao qual as amostras
belonged.the amostra foram lavadas com uma solução detergente de 5% para remover
exogenouns contaminações, bem enxaguadas com um excesso de água bidestilada, secas
durante a noite a 50 º C e, posteriormente, resfriado a temperatura ambiente em detalhe
desiccators.futher amostragem é fornecido na seção 2.2.
reagentes e vidraria
calibrado balões volumétricos foram usados em todo o experimentation.the ácido nitriv ACS
grau (70%) e ácido perclórico (70%) foram usados sem Cyclon mais purification.a fistreem
duplo (bidistiller) foi usado para obter água bidestilada water.A intervalo de calibração soluções
padrão foram preparadas diluindo-se multi-elemento "padrões alfa certificada para a elaboração
das curvas de calibração e calibração odf classicla linear foi zados para quantificar os
resultados.
processo de digestão
amostras de cabelo foram digeridas usando acid.an nítrico concentrado exactamente pesados
quantidade de amostra de cabelo foi colocado em um erlenmeyer de 50 mL e tratados
inicialmente com 10 mL de ácido ictric concentrado, que foi permitida a reagir lentamente à
temperatura ambiente para evitar conteúdo foaming.the do balão foram aquecidas e mais
concentrados com 3 ml de acid.heating perclórico foi mantido até densos fumos brancos
evoluiu, marcando compltion da solução process.The dissolução clara assim obtido foi
transferido para um balão aferido de 50 ml e que o volume foi feita com amostra water.a
bidestilada em branco sem cabelo também foi preparado da mesma maneira.
Instrumentos

todas as medições foram feitas com um AsH Jarrell termo plasma indutivamente acoplado com
espectrômetro de emissão atômica, IRIS modelo, equipado com uma bomba peristáltica, um
nebulizador cross-flow acoplada ao ciclone instrumento chamber.the spray tem uma grade de
difração echelle e um dispositivo de estado sólido de injeção de cargas detector que opera
simultaneamente com configurations.the tocha radial que funciona simultaneamente com a
tocha radial detector configurations.the CID é composto de 262.144 pixels sensível a luz
dispostos em 512 x 512 array.a espectro quadrada é obtida através da utilização de um sistema
que consiste echelle atômica de um prisma como um dispositivo de dispersão e um grating.it
muito grossa é normal para alguns elementos que aparecem mais de uma vez, em caso
afirmativo, usamos o apearance ou ordem que aparecem mais de uma vez, em caso afirmativo,
usamos o aparecimento ou a fim de que tem o melhor precisão. espectrômetro IRIS está
equipado com duas fendas, mas usamos apenas uma fenda para os valores reportados neste
tempo de integração paper.the foi otimizado para ser todo o sistema 15s.the foi controlada com
thermospec software.the comprimentos de onda utilizados para medir as concentrações dos
elementos eram: texto sem Olhar.

gás argônio com pureza> 99 foi usado para o plasma e de outros auxiliares, como descrito na
tabela 1, bem como outros comditions analítico do ICP-AES utilizado para a medição de metais
selecionados no vidro do couro cabeludo humano samples.all utilizado foi inicialmente
mergulhado em uma noite 5%, solução de ácido nítrico e, em seguida enxaguada
abundantemente com água bidestilada water.in fim de minimizar os efeitos da matriz e
interferências espectrais, diluições apropriadas contendo analito na faixa de 0,1 a 5 mg / l
foram executados e quantificados para todos os elementos estudados e determinou-se que
nenhum dos factores de correcção inter elemento foram exigidos.
Controle de qualidade e método de validação

para 308-controle de qualidade de MAF MN, Fe e Mg e BAM-573/01 para Cu e Zn foram

executados após cada 10-15 amostras.echelle configurado para CID espectrômetro baseado, é
muito importante para selecionar a ordem do comprimento de onda. este foi selecionado pelo
Manejo material.Since referência IAEA-086 os valores de referência de Ca, Cu, Fe, Mg, Mn e Zn
estão disponíveis a selecção ordem foi simples. os resultados da análise da AIEA-086 são dadas
na tabela 2.

as medidas para os elementos Ca, Fe, Mn estão dentro do intervalo de confiança de 95% da
concentração values.The médio de referência de Cu, Mn e Zn são ligeiramente diferentes tan os
limites de detecção para estes elementos, que são baseados em programas de detecção de 3
vezes o desvio padrão do branco. os limites de detecção mostram claramente que todos os
elementos determinado de IAEA-086 ou em amostras de cabelo estão bem acima do limite de
análise quantification.The da AIEA-086 mostra que todos os elementos utilizados na análise
foram determinados com acuuracy boa e precisão.

dataset
as amostras de cabelo foram collectd forma 155 seres humanos que vivem e trabalham no
distrito de Rawalpindi se pakistan.73 se as amostras foram coletadas indivíduos com
diagnóstico de forma Heoatitis C e para a comparação e os restantes 82 amostras coletadas
formar indivíduos saudáveis. neste trabalho as amostras são divididas em dois grupos denotado
por C, que consiste em todas as amostras coletadas de indivíduos diagnosticados com hepatite,
e N, que consiste em todas as amostras de saudável subjects.both grupos de indivíduos
pertencentes à classe média do Paquistão ambiente sócio-eonomic.

as concentrações de seis elementos (Ca, Cu, Mg, Fe, Mn e Zn) foram medidos para cada
amostra de cabelo usando o método de ICP-AES do ponto 2.1, o que resultou em 155x6 dados
matriz Z, que foi posteriormente utilizado para análise quimiométrica . denotamos o número de
amostras por I eo número de variáveis por J. amostras foram analisadas para eleminate viés.
Programa
todos analyss estatística foi realizada em 2008 matlab; nas rotinas da casa foram utilizados
para validação, classificação e visualização.
métodos quimiométricos
pré-processamento de dados
das medições takn 930 no total, 14 estavam abaixo do limite de detecção do instrument.this
ocorreu apenas para o Mn, que possui a menor média concentration.in todos os casos, esses
valores foram inscritas como 0.the concentraton dos elementos de cada amostra foram raiz
quadrada para reduzir o que influenciem de elementos com concentrações muito elevadas e os
columnds da matriz de dados foram normalizados iver todas as amostras para dar uma matriz
X.

principais componentes analisados

para o purposs de análise de componentes de visualização (PCA) foi empregada utilizando o
algoritmo NIPALS deocmposing os dados da seguinte forma X = T whre TP + E e P são scores
e loadings matrizes, respectivamente, e E é uma matriz de residuals.The número ideal de
componentes principais (PCs) no motel, correspondente ao número de colunas em T ou linhas
em P pode ser obtido de várias maneiras, mas, neste estudo utilizamos o bootstrap com 100
repetições. o processo de autoprediction e trainig jogos / testes é ilustrado na figura 1. destes
calculamos predd um marcador +1 / RSSa (20) selecionando o número ideal de componentes
A, quando este valor for superior a 1: apesar de haver ar vários outros critérios possíveis, não é
o principal objectivo deste trabalho comparar métodos de determinando o número de
componentes importantes, mas temos encontrado essa abordagem funciona bem em uma
variedade de conjuntos de dados (27) e pode ser facilmente automatizada.
modelos de redução ofter pela APC são comparados com aqueles formados na dataset.because
total bruto e pré-processados o número de amostras superior ao número de variáveis, a medida
de distância de Mahalanobis (28) pode ser aplicada sem redução de mais dados.
além de ser um método de redução variável, PCA também pode ser usado para explorar
graficamente se existem agrupamentos entre as amostras e também quais as variáveis
(elementos), são responsáveis por esta discriminação, através de um biplot que envolve a
sobreposição de pontos e cargas no mesmo gráfico. Finalmente, é frequentemente muito útil
para visualizar os limites entre as classes graficamente e para estes um modelo é geralmente
formada pelas duas maiores PCs sem otimizar o número de PCs, na verdade nós achamos que
um modelo de um PC é ideal para autoprediction e em 80% dos conjunto de treinamento para
este conjunto de dados particular.
Classificação
classificação consiste em determinar se uma amostra pertence a um ou mais grupos
predertermined. Existem várias abordagens na literatura para a classificação, como a distância
euclidiana de centróides, análises discriminantes linear e análise dicriminant quadrático, por
mínimos quadrados parciais análise discriminante, a aprendizagem de quantização vetorial,
máquinas de vetor de suporte e assim on.in Neste trabalho, apenas o relatório de aplicação do
PLS-DA uma ADQ.
mínimos quadrados parciais análise discriminante
PLS tenta relacionar dois tipos de variáveis, o bloco X (neste caso, a matriz de dados de
concentrações de elementos) e do bloco C, que neste caso representa a classe a que pertence
cada amostra, utilizando rótulos de classe 1 para as amostras de indivíduos diagnosticados com
hepatite C (classe C) e -1 para amostras de indivíduos saudáveis (n classe). dois conjuntos de
equações são obtidas conforme segue:
X=TP +E
C=Tq+F
as dimensões da T, P e Q são IXa, AXJ e Jx1 onde A é o número de componentes utilizados na
PLS model.there um grande número de algoritmos para cálculo de componentes PLS, mas
neste artigo iremos utilizar o NIPALS comumente utilizados ( não linear iterativo de mínimos
quadrados parciais) algorithm.note que antes perfoming PLS-DA os meios matriz X são
ajustadas subtraindo x = (xn + xc) / 2, o que implica que para os modelos autopredictive pois
há um número desigual de amostras em cada de classe, as colunas não será mal trainig
centred.for define usamos um número igual de amostras em cada classe para isso é
equivalente a dizer centralização desses datasets.the lógica por trás disso tem sido discutido
elsewhere.if todos os componentes zero não PLS foram empregadas no modelo, em seguida, os
resultados seriam idênticos aos LDA utilizar este método de escalonamento, de modo que
restringir os resultados apresentados neste trabalho para PLS-DA por brevidade.
para determinar o número ideal de componentes PLS usamos o bootstrap mais de 100 iterações
e escolher o número de componentes que são mais PLS frequntly selecionado como o número
que dá o maior CC% (percentual corretamente classificados) para o sets.this teste bootstrap
pode ser realizada quer no conjunto de dados completo em bruto ou sobre o conjunto de dados
após a redução pela APC, usando o número ótimo de PCs obtidas utilizando os métodos
dexribed no ponto 3.2.
o procedimento utilizado para selecionar o número de componentes PLS para o conjunto ra é
semelhante à mostrada na figura do PCA 1.O processo de seleção tanto o número ótimo de PCs
e componentes PLS é ilustrado na fig 2.in todos os casos, usamos um limiar de decisão de c =
0, para que as amostras cuja previsão de ser membros da classe C, caso contrário, elas são
previstas como membros og classe N, e tentar maximizar o CC% sobre todas as amostras
usando este critério.
PLS-DA podem ser representados graficamente como formando uma fronteira linear entre duas
(ou mais) classes, e neste trabalho apresentamos a fronteira onde o vetor c previu classe é
igual a 0.
análise discriminante quadrática (ADQ) envolve determinando a distância de Mahalanobis para
cada classe xg centróide, que é calculado a partir da amostra de variância-covariância de cada
classe Sg. uma amostra é atribuído à classe cujo centróide é o mais próximo t.note que
estamos usando uma forma não-bayesiana neste trabalho, para ser comparável ao PLS-
DA.unlike de LDA e PLS-DA, a forma de theboundary entre as classes usando ADQ é linear.QDA
não está relacionada com a LDA, em que, para ADQ variância-covariância é calculada para cada
separatey CLSS que, para todos os LDA clsasses são combinados e um pool de covariância
variá-matriz é utilizada, embora em ambos os casos a distância de Mahalanobis medida é
empregado.
previsões
modelos autopredictive envolvem o uso do conjunto de dados para prever a adesão de cada
classe de modelos sample.autopredictive muitas vezes podem ser demasiado optimistas e
fornecer resultados que overfit os dados, eles aparecem bem, mas uma vez aplicado para dar
incógnitas predictions.Even pobre assim, eles ainda são útil para a compreensão do
desempenho de classificadores, como os modelos autopredictive indicam o quão bem os
classificadores foi optimised.often na otimização e validação de literatura quimiometria estão
confusos, é possível, por exemplo, para executar a validação cruzada ou a bootsttap em um
conjunto de dados completo ( no modo autopredictive). se temos a certeza que existe uma
relação entre uma classificação e uma série de medições, em seguida, nós podemos desejar
para otimizar it.however modelos autopredictive não costumam responder se somos justificados
em assumir essa relação.
Validação
a fim de determinar se existe uma relação entre se um paciente tem hepatite ou não e as
medidas das concentrações elementares nas amostras de cabelo, é necessário validar o
modelo, que can be considerada uma forma de testing.to hipótese de fazer isso, o conjunto de
dados global que consiste em amostras de L é dividido em dois conjuntos de dados menores:
formação 1.a conjunto constituído por amostras Itrain em que um modelo é construído,
2.a conjunto de teste composto por iTest amostras que testa a qualidade do modelo e são
previstas pelo conjunto trainig.
onde Itrain + iTest = I. A fim de obter modelos de equilíbrio a nossa orientação é que deve
haver número igual de amostras de forma cada classe no conjunto trainig, mesmo que haja
desigualdade de amostras coletadas na classe maior, portanto, neste trabalho, selecione 48
amostras de ambas as classes N e C para o conjunto trainig deixando 34 amostras de classe N
e 25 da classe C para a set.since testar os dados foi dividido de um modelo pode ser construído
sobre o conjunto de treinamento e utilizados para prever a adesão da classe das amostras do
conjunto de teste.
pois o desempenho do modelo depende da repartição exacta das amostras entre os conjuntos
de teste e treinamento, neste trabalho os dados são divididos aleatoriamente 100 empates e
modelos estabelecidos formação reformada cada time.the desempenho de cada classificador foi
medido utilizando vários índices, descritos no secção 3.5.
note que este é prcedure além do bootstrap para selecionar o número ótimo de PCs e PLS
components.for cada teste conjunto de treinamento dividido, nós padronizar o conjunto de
treinamento e, se necessário, realizar PCA sobre o conjunto de treinamento para determinar o
número significativo de PCs usando o bootstrap no set.when formação carriying fora PLS que
inclui um procedimento de bootstrap além de selecionar o número ótimo de componentes PLS
para a classificação.
Índices de performace
note que este é prcedure além do bootstrap para selecionar o número ótimo de PCs e PLS
components.for cada teste conjunto de treinamento dividido, nós padronizar o conjunto de
treinamento e, se necessário, realizar PCA sobre o conjunto de treinamento para determinar o
número significativo de PCs usando o bootstrap no set.when formação carriying fora PLS que
inclui um procedimento de bootstrap além de selecionar o número ótimo de componentes PLS
para a classificação.
por cento corretamente classificados
a mais simples medida de desempenho da classificação é correcta por cento modelos%
classificaram CC.for autopredictive global% CC é simplesmente a 100 vezes a soma das
amostras classificadas corretly dividido pelo número total de samples.the% CC g para cada
classe também pode ser calculado de forma semelhante, dividindo o número de amostras g
classe corretamente classificados pelo número total de amostras da sua classe e multiplicando
por cem. isso pode ser representado em uma tabela de contingência, que também é às vezes
chamado de matriz de confusão.

para treinamento e teste define a classificação da amostra é considerada como a votação

mojority sobre todos os testes de treinamento splits.should uma amostra não tem uma maioria
de votos (foi classificado para ambas as classes exatamente o mesmo número de vezes), então
ele contribui 02/01 para o número de classificações para cada classe (na prática isso raramente
ocorre, mas essa precaução deve ser incluído em qualquer algoritmo). CC% CC% em geral e
para cada classe pode então ser calculada como para autoprediction.
capacidade preditiva por cento (% aa)
o abiçity cento preditivo da amostra é o frquecy a amostra é atribuído à classe correta de todos
os testes ttraining 100% definido média split.the PA podem ser obtidos para todas as amostras
como um indicador do modelo que stability.note% PA não está definido para os modelos
autopredictive, pois depende da existência de várias iterations.the% da PA pode ser calculatd
para treinamento e exemplo sets.for testar se uma amostra é selecionada de 30 vezes para o
conjunto de teste (de um total de 199 iterações) e previu corretamente 20 vezes, o conjunto de
teste% do PA é de 67%. notar que a PA pode ser calculada apenas para as amostras a partir
de uma origem conhecida, e haverá diferentes PAs% para ambos os sets.the teste e
treinamento PA média pode muitas vezes ser aregarded como afinar a o CCD, o mesmo se, por
exemplo, um conjunto de dados de alta CC, o seu AP pode ser muito menor, então isso permite
uma distinção adicional de como bem o modelo executa.
estabilidade por cento modelo (% MS)
% da MS é um measurte de quão estável a classificação da amostra (27) e (30) e é definido
pela% MS = 2 (l% PA-50l). uma amostra com um PA% de 50% tem uma estabilidade do
modelo de 0% em metade do tempo que é atribuído a N ea outra metade para C.samples que
são consistentemente calssified em uma classe, correta ou incorretamente, que ms.the% de
alta % em média do MS podem ser obtidas em todas as amostras como um indicador de que,
como modelo stability.note% para PA, a estabilidade do modelo não é aplicável aos modelos
autopredictive, mas ao contrário de PA, pode ser calculado para uma amostra desconhecida, e
geralmente indica se um amostra é ambígua.
Resultado e discussão
a média eo desvio-padrão das concentrações de cada elemento estão presentes na tabela 3
para ambos os groups.while é direta para identificar elementos que têm uma diferença de
meios para as duas classes, que não está claro quão importante são estas dofferences e quão
bem um modelo com base nesses valores pode perform.it conseguinte, é necessário empregar
vários métodos quimiométricos descritos para determinar o quão bom o modelo é e para indicar
quais os elementos que seriam mais de diagnóstico.
PCA
o número de PCs obtidos utilizando um modelo autopredictive eo critério de bootstrap foi dividir
one.whne em conjuntos de treinamento e teste, o número de PCs pode variar de acordo com
as amostras incluídas na componente de formação set.one foi selecionado como o melhor
número para mais de 80% dos conjuntos de treinamento, e não mais que três foram
selecionados em qualquer um dos 100 iterations.when validação dos métodos, modelos são
empregados com diferentes números de PCs de acordo com a ótima encontrada no teste
correspondente definido para cada iteração.
um biplot pode ser producted que mostra a relação entre as pontuações e as cargas e indica
quais as variáveis que estão associadas com amostras particular, se any.it pode ser visto que,
embora PC2 mostra nenhuma distinção entre os dois grupos, o PC1 tem valores
predominantemente positivos para as amostras dos pacientes diagnosticados com hepatite
(classe C), e valores negativos para as amostras de forma indivíduos saudáveis (classe N). Isto
sugere que o PC1 é um componente importante.A boa posição discriminatória das cargas
mostram que Mg, Ca e Zn são mais fortemente associados com valores positivos de PC1
indicando esses elementos são altamente correlacionados para as amostras com PC1 positivo,
que corrsponds principalmente para a classe C (pacientes com hepatite C). elementos Fe, Cu e
Mn são strogly associado com baixos valores de PC2, mas mostram quase nenhuma correlação
PC1 indicanting com que eles não são úteis para discriminar entre as duas classes.
número de componentes PLS
os resultados do bootstrap para determinar o número ideal de componentes para os modelos
PLS autopredictive usando tanto o conjunto de dados completo e os resultados dos primeiros
dois PCs são ilustrados na figura 4 para os modelos autopredictive (há ainda um conjunto de
teste de bootstrap e formação, mas o bootstrap é utilizado para a otimização ao invés de
validação do modelo), o que sugere que um componente PLS é o ideal usando tanto o conjunto
de dados completo e os dois primeiros PCs dos dados (em todos os casos pré-processados
usando a estratégia descrita na secção 3,1.
para a formação define um componente PLS foi escolhida como melhor pelo bootstrap em
todos os casos usando tanto os dados brutos e os dados do PC, que foi reduzida em geral, mas
não exclusivamente, modelada utilizando dois computadores.