^{C. M. Peraza-Alemán, X. Francés, S. Arazuri, A. López-Maestresalas, T. Mangado y C. Jarén IsFOOD, Universidad Pública de Navarra. cjaren@unavarra.es}

^{J.I. Ruiz de Galarreta y L. Barandalla}

^{Neiker Tecnalia, Centro Arkaute. Vitoria-Gasteiz}

INTRODUCCIÓN 

En las últimas décadas, debido a las mayores exigencias por parte de los consumidores, la industria ha mostrado un interés creciente en la implementación de nuevas tecnologías para el control de la calidad que permitan un trabajo continuo, rápido, fiable y sostenible. Los actuales procesos de producción hacen que técnicas instrumentales comúnmente utilizadas, como la Cromatografía Líquida de Alta Resolución o la Cromatografía de Gases, no sean del todo eficientes al requerir preparación de las muestras, destrucción del producto, generar residuos y especialmente por ser relativamente lentas en comparación con los niveles de producción. En este contexto, la Espectroscopía de Infrarrojo Cercano, más conocida por sus siglas en inglés NIRS (Near Infrared Spectroscopy) se presenta como una alternativa factible al ser una técnica rápida, no destructiva y capaz de garantizar productos de alta calidad (1). 

La Espectroscopía de Infrarrojo Cercano se basa en la interacción de la radiación electromagnética entre 780 y 2500 nm aproximadamente con enlaces tipo CH, CO, NH y COOH presentes en los alimentos. Esta radiación penetra en la muestra y la luz se absorbe selectivamente en función de las frecuencias de vibración específicas de las moléculas presentes, produciendo un espectro que depende de la composición química y física de la muestra. Esto permite correlacionar características o compuestos de las muestras analizadas. Sin embargo, los espectros presentan una serie de inconvenientes que dificultan esta predicción de compuestos. Es muy común la superposición de bandas y la gran cantidad de información redundante (colinealidad) que se obtiene, por lo que resulta difícil asignar grupos químicos a longitudes de onda específicas. Además, los resultados que se obtienen solo son aplicables a muestras con características similares. 

Por otra parte, para poder interpretar esta gran cantidad de datos, es necesario realizar un análisis quimiométrico. La quimiometría es la ciencia que permite transformar toda la información espectral en datos útiles e interpretables para la toma de decisiones. Es decir, a partir de un gran conjunto de datos complejos, se pueden crear modelos que expliquen de forma fiable el contenido de un compuesto en una matriz alimentaria, o a qué clase pertenece un alimento, entre muchas otras interrogantes. 

El presente caso de estudio se basó en el desarrollo de un modelo para la predicción del contenido de acrilamida en patatas fritas (chips). La acrilamida es un compuesto considerado como posible carcinógeno en humanos (2) que se forma a partir de la reacción de azúcares reductores y aminoácidos libres a altas temperaturas (> 120ºC). Las autoridades europeas han establecido un valor máximo de 750 µg/kg de acrilamida en patatas chips (3). Actualmente esta determinación se basa en métodos instrumentales que requieren mucho tiempo y laboriosidad, como explicamos anteriormente, por lo que resulta interesante aplicar la tecnología NIRS para la predicción de este compuesto. 

MATERIALES Y MÉTODOS 

MATERIAL VEGETAL

Para esta investigación se utilizaron dos variedades de patata, una variedad con buenas características para la fritura: Agria y otra con peor aptitud: Jaerla, con el objetivo de lograr una buena distribución en el contenido de acrilamida. Se analizaron un total de 200 muestras, 100 por variedad (4). 

Proceso de fritura 

Tanto la cosecha de las patatas como el proceso de fritura se llevó a cabo en el Instituto Vasco de Investigación y Desarrollo Agrario (NEIKER-Tecnalia) (4). Primeramente, se pelaron los tubérculos, cortándolos en rodajas de 1,2–1,3 mm de grosor aproximadamente y lavándolos durante 1 o 2 minutos con agua a presión para arrastrar el almidón de la superficie y evitar después del proceso de fritura la aparición de manchas de diferentes colores. A continuación, se secaron las rodajas con papel de filtro y se frieron en aceite de girasol a una temperatura de 180 ± 5 ºC durante 3 minutos. Para garantizar una fritura regular, se introdujo una rejilla para que las rodajas quedaran cubiertas de aceite. Seguidamente, las patatas ya fritas (chips) fueron escurridas para eliminar el aceite adherido. Cada muestra se colocó dentro de una bolsa de papel individualmente y debidamente identificadas para su posterior análisis. 

Espectrofotómetro y adquisición de espectros 

Para la adquisición de los espectros se utilizó un espectrofotómetro Brimrose Luminar 5030, con tecnología AOFT (Filtro optoacústico ajustable) (Figura 1) del Laboratorio de Ingeniería de la Postrecolección de Productos Agrarios de la Universidad Pública de Navarra. El funcionamiento de este equipo se basa en la emisión de un haz de luz que incide sobre la muestra, donde parte de esta luz es reflejada y recolectada por un detector InGaAs (Arseniuro de Indio y Galio). A continuación, la información es recogida en forma de reflectancia mediante el software Snap32!™ (Brimrose Corporation of America, Sparks, MD, USA). 

Antes de la adquisición de los espectros, las patatas chips se trituraron intentando obtener el mismo tamaño de triturado para todas las muestras, después se coloraron en placas Petri (Figura 2) y se introdujeron en el portamuestras del equipo (Figura 1). Se tomaron cuatro medidas aleatorias para cada muestra en un rango de 1200 a 2200 nm, con un paso de onda de 1 nm, de modo que, se obtuvieron 1001 datos de reflectancia para cada espectro. Por último, se calculó la media de las cuatro medidas, para obtener un espectro medio por muestra. 

Análisis de referencia (contenido de acrilamida) 

La determinación del contenido de acrilamida se llevó a cabo en las instalaciones del Instituto de Ciencia y Tecnología de Alimentos y Nutrición (ICTAN-CSIC) mediante cromatografía de líquidos acoplada a espectrometría de masas triple cuadrupolo (HPLC- MS/MS) y corrección con dilución isotópica (13C3- acrilamida) basada en la norma UNE-EN 16618:2015 (5). 

Análisis quimiométrico 

Una vez obtenidos tanto los datos del contenido de acrilamida (variable a predecir), como los espectros de cada muestra (variables explicativas), se procedió a realizar los modelos de predicción mediante una regresión por mínimos cuadrados parciales, cuyos resultados se compararon para seleccionar aquel modelo que estimara mejor el contenido en acrilamida. Para la validación del modelo se utilizó una validación cruzada (CV). 

Las mediciones de un espectrofotómetro pueden traer consigo mucho ruido, lo cual provoca que los modelos obtenidos tengan poca robustez. Para disminuir el efecto de dispersión de la luz y aumentar la relación señal/ruido se aplicaron diferentes preprocesados a los espectros como centrado medio (Mean Center, MC), variable normalizada estándar (Standar Normal Variate, SNV), deducción de tendencia (Detrend), 1ª y 2ª Derivada. 

Además, para eliminar gran parte de información irrelevante se aplicó un método automático de selección de longitud de ondas. Este método identifica las longitudes de onda que más importancia van a tener a la hora de modelar los datos, eliminando aquellas irrelevantes. Además de mejorar los modelos, estas técnicas de selección de longitud de ondas sirven para disminuir el coste computacional que se requiere a la hora de construir un modelo. 

Los modelos obtenidos fueron evaluados en base a varios parámetros: coeficientes de determinación (R2) y errores cuadráticos medios (RMSE) de calibración (cal) y de validación cruzada (cv). Un modelo se considera más robusto cuanto mayor sean sus R2 y menores sus RMSE. 

RESULTADOS Y DISCUSIÓN 

Los valores del contenido de acrilamida se muestran en la Tabla 1. La variedad Jaerla presentó un valor medio casi cinco veces superior al de Agria, variedad considerada como apta para fritura. Además, presentó una variabilidad en los datos muy superior. El 98 % de las muestras de la variedad Jaerla estuvieron por encima de los límites permitidos (750 µg/kg), mientras que en la variedad Agria solo lo superó el 18 %. 

La Figura 3 muestra los espectros medios de reflectancia de cada una de las variedades analizadas. En ellos se observan las bandas de absorción a 1450 y 1940 nm característica de los grupos OH debidas a la presencia del agua, y que se corresponden con el primer sobretono y con las bandas de combinación de este enlace. Además, destacan las bandas en torno a 1210, 1736, 1762, 2060 y 2090 nm que son características de proteínas, lípidos y agua (grupos OH, NH, CH) (6). 

En la Tabla 2 se muestran los resultados de los modelos obtenidos para los distintos preprocesados aplicados a los espectros completos. Estos modelos se realizaron después de eliminar algunos espectros anómalos que se identificaron mediante la 2a Derivada + MC. El mejor modelo obtenido fue para el preprocesado SNV+MC con el coeficiente de determinación de validación cruzada más alto (R2cv: 0,55) y el error más bajo (RMSEcv: 1093,3) en relación con los otros preprocesados. Aunque hay que señalar que el modelo de 1a derivada + MC obtuvo el mayor coeficiente de determinación en la calibración (R2cal: 0,71). 

Una vez obtenidos los modelos, se procedió a aplicar una selección automática de longitudes de onda para eliminar aquellas longitudes de onda que no aportan información, por ser redundante, con el objetivo de intentar mejorar los modelos. 

La selección de las longitudes de onda se realizó con los espectros preprocesados con SNV+MC. El método seleccionó un total de 241 longitudes de onda del total de 1001 (Figura 4), es decir, se logró eliminar aproximadamente el 75 % de la información redundante de los datos. Posteriormente, se repitió el proceso de modelado con el 24,7 % de las longitudes de onda seleccionadas para cada preprocesamiento (Tabla 3). El mejor modelo se obtuvo con el preprocesado SNV+MC (R2cv: 0,64; RMSEcv: 984,06). 

Con estos resultados se demuestra la importancia del preprocesamiento de datos para disminuir interferencias habituales como la dispersión de la luz. Por otra parte, a través de la selección de longitudes de onda se logra, por un lado, disminuir la complejidad de los modelos y, por otro, obtener mejores resultados de predicción. 

CONCLUSIONES 

En este estudio se investigó la capacidad de la tecnología NIRS para predecir el contenido en acrilamida en muestras de patata frita. Se obtuvieron coeficientes de determinación entre 0,63-0,76 en los modelos de calibración y entre 0,47-0,64 en los modelos de validación cruzada. Los modelos se mejoraron mediante la aplicación de distintos preprocesamientos y la reducción de la dimensión de los datos. De acuerdo con los resultados obtenidos, el uso de la tecnología NIRS combinada con el análisis quimiométrico tiene potencial para detectar la concentración de acrilamida en patata frita. Sin embargo, en futuros estudios será necesario seguir aumentando el número de muestras para poder reducir aún más el error de predicción. 

AGRADECIMIENTOS 

Este trabajo ha sido financiado por el MICINN: PID2019-109790RR-C22. Los autores agradecemos a F. Javier Morales y Marta Mesías del ICTAN-CSIC de Madrid por su colaboración.

Figura 3. Espectros medios de reflectancia de las dos variedades de patata.

Figura 4. Selección automática de longitudes de onda.

Tabla 1. Estadísticos básicos del contenido de acrilamida (µg/kg) de las dos variedades de patatas fritas.

Tabla 2. Modelos después de eliminar espectros extraños en la segunda derivada.

Tabla 3. Modelos con la selección de longitudes de onda.

^{REFERENCIAS BIBLIOGRÁFICAS}

^{(1) López, A., Arazuri, S., García, I., Mangado, J., Jarén, C. (2013): A review of the Application of Near-Infrared Spectroscopy for the Analysis of Potatoes. Journal of Agricultural and Food Chemistry, 61: 5413– 5424.}

^{(2) International Agency for Research on Cancer. (1994). Some industrial chemicals. International Agency for Research on Cancer.}

^{(3) Comisión Europea. (2017). Reglamento (UE) 2017/2158 de la Comisión, de 20 de noviembre de 2017, por el que se establecen medidas de mitigación y niveles de referencia para reducir la presencia de acrilamida en los alimentos. Diario Oficial de la Unión Europea, L 304, 24–44. http://data.europa.eu/eli/reg/2017/2158/oj/spa}

^{(4) Jarén, C., Peraza-Alemán, C.M., Francés, X., Arazuri, S., López-Maestresalas, A., Mesías, M., Morales, F.J., Barandalla L. y Ruiz de Galarreta J.I. 2023 Determinación de acrilamida en patatas chips por tecnología NIRS. IX Congreso Ibérico XVII Congreso Nacional de Ciencias Hortícolas, Mérida.}

^{(5) Asociación española de Normalización. (2015). Análisis de los productos alimenticios. Determinación de acrilamida en alimentos mediante cromatografía en fase líquida acoplada con espectrometría de masas (LC-ESI-MS-MS) (Norma UNE-EN 16618:2015).}

^{(6) Jarén, C., Zambrana, P.C., Pérez-Roncal, C., López-Maestresalas, A., Ábrego, A., Arazuri, S. (2022). Potential of NIRS Technology for the Determination of Cannabinoid Content in Industrial Hemp (Cannabis sativa L.). Agronomy, 12(4): 938.}