tabla de contenido
mantente al día acerca de neospectra
Introducción
La mantequilla y la margarina son uno de los ingredientes grasos más populares que se utilizan con fines culinarios. Se usa tal cual o como medio de fritura para varias preparaciones. Las grasas trans están presentes de forma natural en la mantequilla. Los métodos convencionales para analizar las grasas trans se basan en la separación instrumental de los compuestos mediante cromatografía de gases. Este método es costoso, lleva mucho tiempo y requiere un laboratorio totalmente equipado.
La NIR ha demostrado un buen rendimiento al predecir las grasas trans en la mantequilla y la margarina. El objetivo de este artículo es mostrar el rendimiento del escáner NeoSpectra al predecir las grasas trans utilizando el accesorio de transflectancia. NeoSpectra ha agregado el accesorio de transflectancia a su cartera, lo que demuestra una capacidad única para analizar muestras en forma líquida.
Visión general
El consumo per cápita de mantequilla en los Estados Unidos alcanzó las 6,5 libras por persona en 2021, mientras que el consumo de margarina en 2010 se situó en 3,6 libras por persona, según datos del USDA (2021). Los ácidos grasos trans (AGT) están presentes de forma natural en los alimentos de los rumiantes, específicamente en la carne y los productos lácteos. En la leche de vaca, la mantequilla contiene ácido trans vaccénico (C 18:1 trans 11) en niveles que oscilan entre el 2 y el 4%. Sin embargo, los ácidos grasos trans de la margarina provienen principalmente de los ácidos elaídico (C 18:1 trans 9) y linolelaídico (9-12 trans- C 18:1). El método convencional para cuantificar los ácidos grasos trans tanto en la mantequilla como en la margarina es la cromatografía de gases con ionización por llama (GC-FID). Este método implica un proceso de análisis complejo que requiere horas de preparación, incluida la derivatización para obtener un FAME volátil.
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 una regresión de 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
Con el fin de demostrar la capacidad del NeoSpectra Scanner para predecir las grasas trans en las mantequillas y margarinas, se realizó una experimentación.
Conjuntos de muestras:
Se recolectaron un total de 90 mantequillas y 20 margarinas de una tienda local en Ohio, EE. UU. Las muestras se fundieron en un horno a 65 °C durante 15 minutos. El agua contenida en la mantequilla y la margarina se separó por gravedad.
Métodos de referencia
Se usó cromatografía de gases (FID) para analizar el perfil de ácidos grasos de la grasa extraída. Los resultados se expresan en gramos de ácido graso por cada 100 g de muestra.
Sets de calibración y validación
Se utilizaron persianas venecianas de validación cruzada para evaluar el rendimiento del modelo.
Condiciones de medición
● Configuración: Reflexión difusa
● Accesorio: Transflectancia con OPL de 0,25 mm
● 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
● Promediando: Cada muestra se midió 2 veces 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 (niveles de grasas trans en este contexto), priorizando aquellas con alta correlación y evitando añadir ruido aleatorio al modelo.
Análisis de datos
Para evaluar el rendimiento del modelo de mínimos cuadrados parciales (PLS), se empleó 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 2.
Para cuantificar la precisión del modelo, las siguientes características estadísticas se resumen en:
• R2: Coeficiente de determinación. Cuanto más cerca de 1, mejor.
• SEGUNDOS: Error estándar de validación cruzada.
Los hallazgos presentados en este estudio muestran que Neospectra proporcionó un error promedio de validación cruzada del 0,31%. En comparación con la desviación estándar de la población, se puede observar que los modelos son capaces de dividir a la población en más de 3 regiones y media (niveles bajo, medio, medio-alto y alto), lo que sugiere que el escáner NeoSpectra proporciona excelentes resultados para predecir los niveles de grasas trans en las muestras de mantequilla. (Tabla 2). La figura 2 muestra una buena linealidad entre los niveles previstos y los niveles medidos de grasas trans. A diferencia de otras tecnologías tradicionales y emergentes para el análisis de la mantequilla y la margarina, NeoSpectra integra de manera única un conjunto de funciones que permiten un análisis de grasas rentable, rápido, generalizado, fácil de usar y preciso, in situ y en el laboratorio con una preparación mínima de las muestras.
Conclusiones
El escáner NeoSpectra ha demostrado un rendimiento excelente en el análisis de grasas trans utilizando el accesorio de transflectancia en mantequilla y margarinas. Las margarinas se utilizaron con cero grasas trans para garantizar que el modelo pudiera detectar niveles bajos. La aplicación industrial de esta tecnología permitiría detectar rápidamente el contenido de grasas trans. NeoSpectra tiene el potencial de detectar ácidos grasos trans de forma más rápida y asequible en muestras de mantequilla y margarina que el FT-IR o el GC.
Reconocimiento
Este artículo fue posible gracias a las contribuciones del profesor de la Universidad Estatal de Ohio Luis Rodríguez-Saona y la estudiante de maestría Celeste Matos. Un reconocimiento especial por sus valiosas contribuciones y datos.
