tabla de contenido
mantente al día acerca de neospectra
Introducción
Se han desarrollado nuevas variedades de soja mediante ingeniería genética, con un mayor contenido de ácido graso oleico. Esta grasa monoinsaturada se considera un aceite más saludable debido a su menor contenido de grasas saturadas, así como a su mayor estabilidad oxidativa y mayor vida útil en comparación con los aceites de soja convencionales. Esta mayor estabilidad elimina la necesidad de hidrogenación, lo que garantiza la ausencia de grasas trans, un factor importante para la industria alimentaria, en particular con la prohibición de los aceites parcialmente hidrogenados (Administración de Alimentos y Medicamentos, 2015). La industria necesita un análisis rápido e in situ para detectar los parámetros de calidad de la soja receptora, especialmente para analizar los materiales de alto valor. Además, esta capacidad debe perfeccionarse para aplicarla en un entorno controlado que proporcione una precisión adicional al análisis
Visión general
La modificación genética de la soja para mejorar su composición de ácido oleico ofrece un enfoque práctico para aumentar el suministro de aceite vegetal con alto contenido de ácido oleico, abordando las limitaciones actuales del mercado. El desarrollo de variedades de soja que acumulen aceite con alto contenido de ácido oleico y, al mismo tiempo, preserven la calidad de las proteínas representa una posible solución sostenible para satisfacer las futuras demandas nutricionales.
A medida que la producción de nuevos aceites de soja especiales, en particular las variantes con alto contenido de ácido oleico, sigue aumentando y las regulaciones sobre los ingredientes alimentarios transgénicos se vuelven más estrictas, el monitoreo efectivo de la soja entrante es esencial para las empresas alimentarias. Los métodos convencionales para este propósito suelen llevar mucho tiempo, requieren mucha mano de obra y requieren personal calificado. Por lo tanto, la identificación de métodos de selección rápidos y sencillos es crucial para garantizar la eficiencia de la producción de alimentos.
El escáner NeoSpectra, que se caracteriza por su tamaño compacto y su rentabilidad, se perfila como un candidato ideal para servir como herramienta de cribado para diferenciar la soja transgénica con alto contenido de ácido oleico de las convencionales. Además, su versatilidad permite su aplicación en un entorno controlado en el que se permite la preparación de muestras (por ejemplo, la trituración), lo que mejora la precisión de los parámetros.
Cómo funciona NIR
La NIR es un método analítico secundario que se basa en los datos procedentes del laboratorio de referencia (GC-FID), los datos de referencia, para construir la regresión PLS con los espectros. Una vez calibrado, el modelo PLS permite predecir la composición de los ácidos grasos utilizando únicamente los espectros generados por el espectrómetro NIR. Luego, el instrumento puede obtener los resultados en menos de 2 minutos.
Diseño de experimentos
La NIR es un método analítico secundario que se basa en los datos procedentes del laboratorio de referencia (GC-FID), los datos de referencia, para construir la regresión PLS con los espectros. Una vez calibrado, el modelo PLS permite predecir la composición de los ácidos grasos utilizando únicamente los espectros generados por el espectrómetro NIR. Luego, el instrumento puede obtener los resultados en menos de 2 minutos.
Conjuntos de muestras
Se recolectaron un total de 88 muestras de 4 proveedores diferentes. Las muestras fueron de soja convencional y de soja con alto contenido de ácido oleico. Para garantizar el rendimiento de los modelos en las unidades de diferencia, se utilizaron un total de 17 instrumentos para recolectar los espectros. Los instrumentos se dividieron en 5 (unidades de calibración) y 12 (kit de desarrollo). Finalmente, se recolectaron dos muestras de soja entera a -20 °C, 4 °C y 20 °C para comprobar el rendimiento de los modelos expuestos a temperaturas extremas.
Métodos de referencia
Se usó cromatografía de gases (FID) para analizar el perfil de ácidos grasos de la grasa extraída con éter. Los resultados se expresan en gramos de ácido graso por cada 100 g de muestra.
Sets de calibración y validación
Se utilizó la validación cruzada para evaluar el rendimiento del modelo. Además, se midieron 2 muestras a 3 temperaturas diferentes para ver el efecto de la temperatura en las predicciones. Esto se hizo para garantizar que los modelos de granos enteros funcionaran bien cuando estuvieran en el campo a temperaturas negativas y positivas.
Condiciones de medición
• Configuración: Reflexión difusa
• Rango espectral: 1350 — 250 nm
• Tiempo de escaneo: de 5s
• Resolución de 16 nm a λ = 1550 nm
• Tamaño del punto = 10 mm2,
• Temperatura: Temperatura ambiente
(* excepto 2 muestras)
• Promediando: Cada muestra se midió 6 veces para las muestras molidas y 12 veces para los granos enteros con el escáner NeoSpectra y se promedió para el análisis.
Desarrollo del modelo de calibración
Se construyeron modelos de regresión de mínimos cuadrados parciales (PLS) para establecer la relación lineal entre los espectros y la composición, determinada mediante análisis químicos de laboratorio. El PLS se emplea para reducir los datos del espectro, que originalmente comprendían 257 variables (longitudes de onda), a un número limitado de variables latentes (L.V.). Esta reducción de la complejidad tiene como objetivo mejorar la interpretabilidad de los datos.
La selección de las variables latentes se basa en su correlación con las respuestas (contenidos de soja en este contexto), priorizando aquellas con alta correlación.
Análisis de datos
El rendimiento del modelo de mínimos cuadrados parciales (PLS) se evaluó mediante una técnica de validación cruzada. Esto implicó calcular el error de predicción (la raíz cuadrática media de los errores de todas las muestras) y el coeficiente de determinación (R2CV) entre los contenidos pronosticados y los datos de referencia obtenidos del análisis químico. La técnica de validación cruzada implica dividir los datos en conjuntos de calibración y validación. El conjunto de calibración se utiliza para entrenar el modelo PLS, mientras que el conjunto de validación se reserva para evaluar el rendimiento del modelo.
En cada iteración, los conjuntos de validación y calibración se combinan y una nueva porción de datos se designa como conjunto de validación. A continuación, el proceso se repite, lo que implica el entrenamiento del modelo y la validación de los conjuntos actualizados. Este procedimiento iterativo continúa hasta que cada muestra se haya representado al menos una vez en el conjunto de validación, lo que proporciona una evaluación completa de las capacidades predictivas del modelo PLS.
Resultados y discusión
Los resultados de la validación cruzada se muestran en la Figura 1. Para cuantificar la precisión del modelo, las siguientes características estadísticas se resumen en:
•R2: Coeficiente de determinación. Cuanto más cerca de 1, mejor.
•RMSE: raíz cuadrática media del error. Cuanto más pequeño, mejor.
•SEP: error estándar de predicción. Cuanto más pequeño, mejor.
•Sesgo: diferencia media entre los resultados de laboratorio y los valores pronosticados. Cuanto más cerca de 0, mejor.
Los hallazgos presentados en este estudio sugieren que el escáner NeoSpectra proporciona excelentes resultados en la predicción de muestras terrestres. Además, la soja entera se puede analizar para un análisis rápido, lo que proporciona una herramienta de cribado sin necesidad de preprocesar la muestra (Tabla 2).
Conclusiones
El escáner NeoSpectra ha demostrado un rendimiento excelente en el análisis de soja entera y molida, lo que permite realizar pruebas sobre el terreno. Las muestras recolectadas directamente del camión en el área de recepción se pueden analizar rápidamente y los datos resultantes se pueden utilizar para evaluar la calidad de la soja. Para una mayor precisión, se puede usar el mismo instrumento después de moler la muestra. Toda la información se almacena de forma segura en la nube, lo que garantiza la accesibilidad desde cualquier parte del mundo. Esta capacidad es aplicable tanto a pequeñas como a grandes corporaciones, y ofrece una solución versátil que se integra a la perfección en diversas configuraciones de producción y granja.
Reconocimiento
Este artículo fue posible gracias a las contribuciones de Cumberland Valley Analytical Services (CVAS). Un reconocimiento especial para Heather Seibert y Ralph Ward por sus valiosas contribuciones y datos.
