Análise multivariada de sinais SERS para a detecção de moléculas sobre nanocompósito de tetraóxido de tricobalto e nanopartículas de prata

• Ano de defesa: 2024
• Autor(a) principal: Tieppo, Kamila
• Orientador(a): Matos, Christiano José Santiago de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: análise de componentes principais; detecção multianalito; espectroscopia raman intensificada por superfície; nanocompósito
• Link de acesso: https://dspace.mackenzie.br/handle/10899/38294

Diagnosticar doenças precocemente resulta em uma probabilidade maior de sucesso no tratamento e em prognósticos positivos, no entanto, envolve também a detecção de ana litos em baixa concentração e o uso de ensaios demorados para detectar analitos ligados a uma doença específica. Por outro lado, métodos aplicados em laboratórios de pesquisa, como a espectroscopia Raman intensificada por superfície (ou SERS), são ultra-sensíveis, altamente seletivos e podem detectar instantaneamente a presença de um ou mais analitos diferentes. A espectroscopia SERS se baseia na interação entre o analito e uma superfície, que normalmente consiste em nanopartículas metálicas. Consequentemente, a eficiência do SERS é diretamente dependente da superfície, e selecionar os materiais que a constituem e sintetizá-los tornam-se etapas cruciais para obtenção de sinais magnificados e reprodutíveis. As nanopartículas de prata (AgNPs) têm sido amplamente aplicadas como constituintes de plataformas SERS e, ao combiná-las a materiais bidimensionais (2D), resultam em nanocompósitos com propriedades plasmônicas superiores às dos materiais isolados. Além disso, os materiais 2D podem atuar como suporte para as AgNPs e estabilizá-las durante o processo de síntese. Ainda assim, apesar da obtenção de substratos SERS eficientes e baseados no nanocompósito, ao aplicá-los para a detecção de analitos em amostras complexas, a extração das informações do sinal SERS, correspondentes a cada analito, se torna um processo complexo também. Uma maneira de lidar com tal complexidade é implementar modelos de Machine Learning para análise multivariada dos sinais. O modelo aprende com base na similaridade dos sinais e pode relacioná-los a analitos específicos. A Análise de Componentes Principais (ou PCA) é um dos métodos de análise multivariada e, portanto, uma alternativa de aumentar a interpretabilidade e reduzir a complexidade de um conjunto de sinais SERS, preservando o máximo de informações estatísticas do sinal original. Em vista disso, este trabalho dispõe os resultados da (i) síntese de um nanocompósito baseado em óxido de cobalto (Co3O4) e AgNPs, por meio de uma rota de síntese interfacial, em que o nanocompósito se forma em uma interface água/tolueno; (ii) obtenção dos substratos SERS ao pescar o nanocompósito da interface com um substrato de Si/SiO2; e (iii) implementação de um modelo de análise multivariada dos sinais SERS baseado no PCA, para detecção e classificação de soluções de moléculas-modelo, como a rodamina 6G e o azul de metileno, de concentração 1×10−4 mol L−1 . Em (iii), as moléculas-modelo foram analisadas individualmente ou misturadas entre si e, no caso das misturas, foram preparadas em proporções de 1:1, 1:2 e 1:3 (v/v, R6G:MB). Ao alcançar (i)-(iii), medidas SERS estarão mais próximas da aplicação final, não somente difundidas no ambiente de pesquisa, e o modelo poderá ser aplicado na detecção de analitos reais.