Cuantificación instantánea de azúcares en tabletas de leche usando near

Scientific Reports volumen 12, Número de artículo: 18802 (2022) Citar este artículo

949 Accesos

1 Altmetric

Detalles de métricas

Las tabletas de leche son un producto lácteo popular en muchos países asiáticos. Esta investigación tuvo como objetivo desarrollar un método instantáneo y rápido para determinar el contenido de sacarosa y lactosa en tabletas de leche usando espectroscopía de infrarrojo cercano (NIR). Para el análisis cuantitativo, se generó un conjunto de entrenamiento compuesto por muestras de leche a escala de laboratorio con base en un diseño compuesto central (CCD) y se utilizó para establecer una regresión de mínimos cuadrados parciales (PLS) para las predicciones de los contenidos de sacarosa y lactosa que dieron como resultado valores de R2 de 0,9749 y 0,9987 con los correspondientes valores del error cuadrático medio de calibración (RMSEC) de 1,69 y 0,35. Sin embargo, la diferencia física entre el polvo a escala de laboratorio y las muestras de tabletas de leche del producto final resultó en desviaciones espectrales que afectaron drásticamente el rendimiento predictivo de los modelos PLS. Por lo tanto, se utilizaron métodos de transferencia de calibración llamados estandarización directa (DS) y estandarización directa por partes (PDS) para ajustar los espectros NIR de las muestras de tabletas de leche real antes de la predicción cuantitativa. Usando la cromatografía líquida de alto rendimiento (HPLC) como método de referencia, el modelo quimiométrico NIR desarrollado podría usarse para predecir instantáneamente el contenido de azúcar en tabletas de leche reales al producir valores de error cuadrático medio de predicción (RMSEP) para sacarosa y lactosa de 5.04 y 4.22 con valores Q2 de 0.7973 y 0.9411, respectivamente, luego de la transformación PDS.

Las tabletas de leche se consideran una merienda nutritiva alternativa. Este refrigerio no solo brinda un agradable sabor a leche, sino que también es una buena fuente de nutrientes de alta calidad, como proteínas, carbohidratos y calcio. Junto con la leche, los azúcares se encuentran entre los principales ingredientes de las tabletas de leche. A menudo, se agrega sacarosa para endulzar las tabletas de leche1. La lactosa es el carbohidrato principal que se encuentra en la leche cruda2. La determinación del contenido de azúcar es importante para la evaluación del control de calidad. Además, las variaciones en la cantidad de azúcares pueden influir en la calidad nutricional del producto terminado contribuyendo a la textura comestible del snack de leche3,4.

Tradicionalmente, la cuantificación del azúcar en la leche se puede lograr utilizando métodos de titulación química5. Estos métodos de laboratorio húmedo pueden ser simples; sin embargo, los procedimientos experimentales consumen mucho tiempo y, a menudo, generan grandes cantidades de desechos químicos. También se utilizaron varias técnicas analíticas, como la cromatografía líquida de alta resolución (HPLC)6,7, el análisis electroquímico8,9 y la resonancia magnética nuclear (RMN)10, para llevar a cabo la tarea de cuantificación. Sin embargo, un inconveniente significativo fue que se requerían métodos complicados de preparación de muestras antes del proceso de detección de muestras. Por lo tanto, estas pruebas no son adecuadas para plantas de fabricación donde se obtienen muchas muestras de un proceso de producción continuo en línea.

La espectroscopia de infrarrojo cercano (NIR) investiga la interacción vibratoria entre las muestras y la radiación electromagnética en una región de 800 a 2500 nm. La detección NIR tiene varias ventajas sobre otras detecciones espectroscópicas, ya que se puede medir una gran cantidad de muestras de manera no destructiva en un período corto sin una preparación extensa de la muestra. Los espectros NIR se pueden relacionar con propiedades químicas interesantes en las muestras usando un modelo de calibración llamado regresión de mínimos cuadrados parciales (PLS)11,12,13, donde la información de la relación entre los datos espectrales y la propiedad química se investiga matemáticamente. Esta información de correlación se puede usar para estimar las propiedades químicas de muestras desconocidas. Por ejemplo, los espectrómetros NIR se aplicaron recientemente para el análisis de la composición de la leche de vaca14 y humana15.

Generalmente, las determinaciones logradas por los modelos de calibración se basan en el conocimiento previo proporcionado por un conjunto de muestras de entrenamiento. En consecuencia, las variaciones de las muestras de prueba podrían estimarse mediante las que se encuentran en el conjunto de entrenamiento para obtener los resultados predictivos óptimos. Por lo tanto, las muestras de entrenamiento pueden caracterizar significativamente el rendimiento predictivo de los modelos de calibración. Sin embargo, en el proceso de producción donde no se esperan variaciones de las muestras del proceso final y deben limitarse, los productos finales del proceso de fabricación pueden no contener suficiente variabilidad para establecer un conjunto de entrenamiento para desarrollar modelos de calibración precisos y sólidos. Por ejemplo, las muestras de entrenamiento en forma de polvo que se prepararon en una sala de laboratorio tenían estructuras físicas diferentes en comparación con las muestras del proceso final que finalmente se prensaron en tabletas. Sarraguça y Lopes16 informaron que el uso de muestras a escala de laboratorio en forma de polvo proporcionó resultados predictivos más precisos que las muestras de tabletas producidas por el proceso de producción. Además, Peerapattana et al.17 observaron que las muestras de polvo de pericarpio de mangostán retenidas en viales de vidrio dieron mejores resultados predictivos para la predicción del contenido de alfa-mangostin en comparación con las muestras retenidas en cápsulas transparentes.

La transferencia de calibración (CT) involucra un grupo de métodos quimiométricos que pueden usarse para minimizar las inconsistencias de diferentes mediciones instrumentales18. Después de establecer la estandarización utilizando los métodos CT, se puede desarrollar un sistema que involucra el modelo calibrado en el que un instrumento (primario) puede ser sustituido por otro instrumento (secundario) y viceversa. Por ejemplo, se utilizó un método de transferencia de calibración llamado estandarización directa por partes (PDS) para minimizar las variaciones entre un espectrómetro de banco superior y un detector NIR portátil19,20. Como resultado, la estimación de la medición NIR portátil se puede basar en los espectros NIR basados ​​en datos recopilados del espectrómetro NIR de banco superior. Además, siguiendo la misma metodología, podrían identificarse diferentes variaciones entre muestras de productos agrícolas y descartarse sistemáticamente de muestras desconocidas para la detección de adulteraciones21.

Esta investigación desarrolló un método instantáneo para la detección del contenido de azúcar en tabletas de leche basado en la detección NIR. Además, se adoptaron métodos de transferencia de calibración para ajustar las diferentes variaciones en los espectros NIR entre las muestras de leche a escala de laboratorio y las tabletas de leche obtenidas del proceso final. El análisis cuantitativo se basó en predicciones multivariadas de los modelos PLS con el objetivo de cuantificar instantáneamente las concentraciones de sacarosa y lactosa en las muestras de tabletas de leche.

Se obtuvo un total de 13 marcas diferentes de tabletas de leche de las tiendas de comestibles locales en Chiang Mai, Tailandia. Los detalles relevantes de las tabletas de leche se resumen en la Tabla 1. Las muestras se dividieron en tres grupos, a saber, muestras de capacitación (T1–T3), validación interna (I1–I3) y validación externa (E1–E7). Cada tableta de leche se molió hasta obtener un polvo fino y homogéneo utilizando un mortero y una maja de cerámica. Para generar variaciones sistemáticas que representen los contenidos de azúcar en las muestras de leche, se utilizó una estructura de diseño compuesto central (CCD)22, que comprende nueve experimentos para cada muestra. Por ejemplo, para las muestras T1, T2 y T3, se agregaron cantidades de sacarosa (grado analítico, > 99 % de pureza, RCI Labscan, Bangkok, Tailandia) y lactosa (grado analítico, > 99 % de pureza, KEMAUS, NSW, Australia). a la leche en polvo de acuerdo con los valores codificados de la estructura CCD presentados en la Tabla 2. Luego, se utilizó una combinación de las tres muestras del modelo CCD para construir el conjunto de entrenamiento, lo que resultó en un total de 27 muestras de leche. El uso de la estructura CCD fue para asegurar que la variación en los espectros NIR registrados estuviera relacionada con las concentraciones de azúcares en las muestras de leche y que el número de muestras de entrenamiento fuera suficiente para establecer los modelos de predicción23. Las muestras I1, I2 e I3 se utilizaron para establecer muestras de validación interna, mientras que las variaciones en los contenidos de azúcar también se generaron con base en el modelo CCD. Por lo tanto, se usaron 27 muestras de leche en polvo adicionales para construir el conjunto de validación interna. Las muestras E1–E7 se utilizaron como muestras externas para representar el conjunto de prueba independiente. Estos se utilizaron para evaluar el rendimiento de los modelos de calibración cuando se introdujeron muestras reales.

Cabe señalar que en esta investigación se utilizaron dos tipos principales de tabletas de leche. Las muestras E2 y E3 eran tabletas que no contenían leche o "tabletas de leche baratas" en las que se añadía sabor artificial a leche para lograr la satisfacción del producto. Por otro lado, el resto de las muestras de leche se produjeron a partir de leche de vaca como materia prima y se denominaron “tabletas de leche premium”.

Los espectros NIR de la leche en polvo (9,00 g) se adquirieron utilizando un módulo de transporte NIR (ancho × largo × profundidad: 5,7 × 29,4 × 2,0 cm) equipado con el NIRSystem 6500 (Multi-Mode™ Analyzer, Foss, EE. UU.) en el rango de 400 a 2500 nm en un intervalo de muestreo de 2 nm, lo que produce 1050 puntos de datos por espectro. Se utilizó un promedio de 64 escaneos para cada muestra. Las muestras de las tabletas de leche se colocaron dentro del módulo de transporte NIR. Las capas de las tabletas de leche se unieron directamente al vaso contenedor siguiendo las condiciones de medición de las muestras de polvo. Las muestras de leche se mantuvieron a una temperatura ambiente controlada de 25 °C durante al menos 6 h antes de la detección NIR. Antes del análisis, los espectros NIR se trataron previamente con la variación normal estándar (SNV) para eliminar los errores causados ​​por la dispersión de la luz durante la medición NIR. Luego, se centraron en la media para que el análisis se centrara en la varianza de la media de los datos en lugar de los valores absolutos.

Los contenidos de azúcar en las muestras de tabletas de leche se midieron mediante cromatografía líquida de alta resolución (HPLC). Para la preparación de la muestra, se disolvió 1,00 g de cada tableta de leche molida en 10 mL de agua ultrapura y se mantuvo en un baño de agua (Julabo Labortechnik GMbH, Seelbach, Alemania) a 55 °C durante 5 min. Luego, se agregó acetonitrilo de grado HPLC para la precipitación de proteínas24,25. Después de la desnaturalización, la solución de muestra se centrifugó a 10.000 rpm durante 5 min. Luego, la solución transparente se filtró a través de un filtro de jeringa de nailon de 0,45 µm (Agilent Technologies, CA, EE. UU.).

El análisis cromatográfico del contenido de azúcar en las tabletas de leche se realizó con un cromatógrafo de líquidos de alta resolución (sistema HPLC Agilent 1100, CA, EE. UU.) con una columna Agilent ZORBAX NH2 (5 µm, 4,6 mm de diámetro interior, 150 mm de longitud) que funciona a 25 °C. Las muestras se autoinyectaron en el sistema de HPLC con un volumen de inyección de 10 µL. Se utilizó una mezcla de acetonitrilo de grado HPLC y agua ultrapura (75/25 %v/v) como fase móvil con un caudal de 1,00 ml/min. Se operó un detector de índice de refracción (RID) a 25 °C. Los contenidos de azúcar se determinaron utilizando la curva de calibración estándar externa de los estándares de sacarosa y lactosa, lo que resultó en valores de R2 de 0,9907 y 0,9896, respectivamente. Los valores de concentración de los azúcares en las muestras de tabletas de leche estudiadas se resumen en la Tabla 1.

Aunque ambas formas de las muestras de leche (tableta y polvo) se consideraron sólidas, hubo diferencias, por ejemplo, en el tamaño de las partículas y la presión de compactación de la tableta. Estas variaciones físicas dieron como resultado desviaciones significativas en los espectros NIR registrados26. Las transferencias de calibración son métodos de corrección multivariable que se pueden aplicar para estabilizar las variaciones que pueden haber ocurrido debido a las diferentes condiciones de medición e instrumentos. En esta investigación, se usaron para dar cuenta de cualquier discrepancia de señal entre los espectros obtenidos de las muestras de tabletas y las muestras de polvo. La estandarización directa por partes (PDS) es un algoritmo de extensión de un método convencional llamado estandarización directa DS27,28. El método DS describe la correlación entre las dos matrices de datos (Xm y Xs que se refieren a datos maestros y esclavos) mediante el cálculo de una matriz de transformación (F) utilizando múltiples modelos de regresión lineal como MLR, PCR y PLS:

La extensión del algoritmo PDS es que cada punto espectral de los datos maestros (Xm,j) está específicamente relacionado con un subconjunto espectral de los datos esclavos (Xs,j). El algoritmo PDS implica los siguientes pasos:

Paso 1: Seleccione los puntos espectrales de los datos maestros (Xm,j) en la longitud de onda j.

Paso 2: Defina el subconjunto de espectros de los datos esclavos (Xs,j) cerca de la longitud de onda j para formar el índice j − k a j + k

donde k es el tamaño de la ventana que controla la cantidad de datos espectrales que se utilizarán en el cálculo.

Paso 3: Establecer el coeficiente de regresión

donde bi es un vector que contiene coeficientes de regresión.

Paso 4: Genere la matriz de transformación (F) organizando bj en una matriz diagonal

donde n es el número de canales espectrales incluidos.

Paso 5: Estandarizar los espectros de muestras desconocidas (Xs,un) usando F para obtener el espectro modificado (Xs,PDS)

En esta investigación, se usaron las transformaciones DS y PDS para explicar las inconsistencias entre los espectros obtenidos de las muestras de polvo y las muestras de tabletas. Estos métodos de transformación investigaron la correlación entre los dos conjuntos de datos. Después de eso, la información de correlación resultante se aplicó para ajustar los espectros NIR de las muestras de tabletas de leche. En consecuencia, los datos ajustados podrían ser compatibles al realizar la predicción utilizando el modelo de calibración establecido a partir de los espectros NIR de las muestras de polvo sin necesidad de recalibrar el modelo.

La optimización del modelo se basó en un informe publicado previamente21. Las matrices de correlación tanto en DS como en PLS se determinaron mediante la regresión de PLS, que se calculó con las muestras de entrenamiento y se optimizó en función de las muestras de validación interna.

La regresión de mínimos cuadrados parciales (PLS) se encuentra entre los métodos de análisis más potentes de los modelos de calibración multivariante29. La ventaja significativa del algoritmo PLS es que las variaciones obtenidas de los parámetros predictivos y de respuesta se extraen simultáneamente y luego se utilizan para construir el modelo de predicción. Con el uso del modelo PLS, se podría maximizar la correlación entre estos bloques de información. En la mayoría de los casos, PLS podría ofrecer con éxito el rendimiento predictivo óptimo para la predicción de los datos espectrales NIR11,30.

En esta investigación, los espectros NIR y los contenidos de azúcar se utilizaron, respectivamente, como parámetros predictivos y de respuesta para los modelos PLS. El cálculo del PLS se realizó siguiendo el procedimiento descrito en la literatura previamente publicada29. Se aplicó el método de validación cruzada dejar uno fuera para identificar el número óptimo de variables latentes de PLS31. De acuerdo con la Tabla 1, los modelos PLS se desarrollaron utilizando muestras de entrenamiento (T1–T3) como datos de calibración. Para validar los modelos, se utilizaron muestras de validación interna (I1–I3) y validación externa (E1–E7) para validación y predicción, respectivamente.

El rendimiento predictivo de los modelos PLS en términos de precisión de predicción se informó mediante el error cuadrático medio de calibración (RMSEC) y el error cuadrático medio de predicción (RMSEP). Se calcularon los coeficientes de determinación para los valores de calibración (R2) y predicción (Q2) para determinar la robustez de los modelos. Además, se emplearon el error estándar de la validación cruzada (SECV) y la relación de predicción a desviación (RPD) para comparar los diferentes desempeños predictivos de los modelos de calibración32. Los cálculos del modelo PLS, la transferencia de calibración PDS y los análisis estadísticos se implementaron utilizando scripts internos de MATLAB (MATLAB, The Math Works Inc., Natick).

La Figura 1A ilustra los espectros NIR registrados a partir de las muestras de leche. Se generó el gráfico de puntuación PCA correspondiente de los espectros NIR para demostrar las diferencias características entre las muestras de leche presentadas en la Fig. 1b. En esta investigación, las muestras de entrenamiento y validación se generaron con base en los experimentos CCD para inducir variaciones sistemáticas debido a las concentraciones de azúcar. En el gráfico de puntuación de PCA, las muestras se dispersaron por el espacio de PCA, en el que un mayor valor de PC1 representaba la muestra con alto contenido de sacarosa. Por otro lado, los valores más altos de PC2 se asociaron con las muestras con alto contenido de lactosa.

(a) Espectros NIR de las muestras de leche estudiadas (polvo) y (b) Gráfico de puntuación de PCA de los datos espectrales NIR correspondientes.

En consecuencia, quedó claro que las organizaciones de la muestra se lograron debido a las variaciones en los contenidos de azúcar. Esto demostró que la detección NIR podía analizar las muestras de leche con diferentes contenidos de azúcar. La mayoría de las muestras de prueba se colocaron dentro de la región de las muestras de entrenamiento, lo que implica la idoneidad de las muestras de entrenamiento generadas. Muestra de prueba no. 10 (E10) estaba ubicado ligeramente alejado del grupo principal; sin embargo, esto podría deberse a la malta extraída, que se utilizó como agente aromatizante y dio como resultado tabletas de doble capa de color marrón amarillento.

La Figura 2 presenta la diferencia en los espectros NIR entre las muestras de leche en polvo y en tabletas. Los espectros NIR de tabletas de leche (E1–E7) se registraron antes y después de moler en polvo. En la Fig. 2a, las formas de los espectros NIR obtenidos de ambos estados físicos fueron relativamente similares. Sin embargo, las muestras de leche en polvo dieron como resultado niveles de absorbancia relativamente más bajos, lo que podría estar relacionado con el tamaño de partícula de las muestras. Este resultado correspondió al hallazgo de un informe anterior que señalaba que la presión de compactación de las tabletas resultó en una penetración más intensa con una mayor intensidad de absorbancia de los espectros NIR26. La variación que se produjo debido a las condiciones físicas de la muestra pudo confirmarse en el gráfico de puntuación de PCA que se muestra en la Fig. 2b. A partir del gráfico de puntuación, las muestras de leche sin ningún proceso de transformación se agruparon por separado en dos grupos principales, en los que las muestras de tabletas y polvo se colocaron de manera diferente en el espacio PCA. La clara separación entre los grupos de muestras implicaba que las diferencias físicas causaban más variación que las diferencias de composición química entre las muestras de leche. En otras palabras, en este experimento con la visualización PCA, la variación física identificada entre las muestras de polvo y tableta podría ser capturada sistemáticamente por las dos primeras PC.

(a) Espectros NIR de las muestras de leche de prueba (polvo y tableta) y (b) Gráfico de puntuación de PCA de las muestras de leche después de las transformaciones DS y PDS.

Después de que los datos espectrales registrados de las muestras de tabletas se transformaron mediante el proceso de transformación PDS, la forma de los espectros cambió significativamente y se volvió muy similar a la de las muestras de polvo, como se muestra en la Fig. 2a. El éxito de la transformación espectral puede confirmarse mediante los gráficos de puntuación de PCA que se muestran en la Fig. 2b, en los que las muestras transformadas se colocaron casi exactamente en las mismas ubicaciones de PCA que las muestras de polvo. En este caso, la transformación de PDS podría eliminar efectivamente la variación que se produjo debido al estado físico de las muestras. Comúnmente, la transformación PDS se usa para ajustar cualquier diferencia en las condiciones experimentales; por ejemplo, la diferencia observada en los métodos de detección de muestras utilizando dos instrumentos diferentes, a saber, primario y secundario. La correlación entre los instrumentos fue investigada con base en el algoritmo PLS-NIPAL durante el proceso de modelado33. Como resultado, las variaciones sistemáticas en los datos espectrales obtenidos de ambos instrumentos se extrajeron al mismo tiempo, al mismo tiempo que se maximizaban sus valores de covarianza. Esta información de correlación podría usarse para transformar la señal de detección del instrumento secundario con respecto a la estructura de covariación de ambos instrumentos. En consecuencia, las señales transformadas podrían adaptarse bien a los modelos de predicción establecidos a partir del instrumento principal sin necesidad de regenerar el modelo de predicción. En este experimento, la reconstrucción de los espectros NIR transformados se basó en la estructura sistemática, que podría ser capturada de manera efectiva por el modelado PCA, como se discutió anteriormente. Por lo tanto, PDS podría adaptarse con éxito a la traducción de los datos espectrales NIR de las muestras de tabletas. Estos resultados indicaron la utilización efectiva del modelo de transformación PDS para estabilizar los espectros NIR registrados a partir de muestras con diferentes apariencias físicas.

En esta investigación, el ajuste de DS que se basó en un solo cálculo de la matriz de correlación produjo estimaciones insatisfactorias de los espectros NIR. Sin embargo, la visualización de esta transformación espectral se basó en el uso de datos espectrales NIR sin procesar sin pretratamiento de datos. Este ajuste global usando DS podría ser sensible a la deriva en la línea de base espectral como se visualiza en la Fig. 2a y esto demostró que el cálculo basado en la subsección espectral podría mejorar el rendimiento del proceso de transferencia de calibración. El efecto de este ajuste de datos sobre el desempeño de la predicción se discutirá en la predicción del contenido de azúcar utilizando el modelo PLS.

Los espectros NIR de las muestras de entrenamiento se usaron para establecer modelos de calibración PLS para estimar los contenidos de azúcar en las muestras de leche. Usando el algoritmo PLS1, el modelo de calibración se construyó de forma independiente para predecir cada tipo de azúcar. Las muestras de validación se utilizaron para investigar el rendimiento predictivo de los modelos PLS desarrollados y los resultados predictivos se resumen en la Tabla 3.

El modelo PLS para la predicción del contenido de sacarosa dio como resultado valores de rendimiento de calibración para RMSEC, RMSEP, R2 y Q2 de 1,69, 2,67, 0,9749 y 0,9373, respectivamente. Al mismo tiempo, la predicción del contenido de lactosa generó resultados predictivos para valores de RMSEC, RMSEP, R2 y Q2 de 0,35, 0,79, 0,9987 y 0,9943, respectivamente. Un valor relativamente pequeño de RMSEC implicaba que el PLS ajustaba con éxito los datos y que los modelos de calibración modelaban adecuadamente las variaciones de los parámetros de respuesta. Los modelos PLS podían generar valores altos de R2 y Q2, lo que implicaba que los modelos desarrollados eran estables y podían utilizarse con éxito para estimar el contenido de azúcar en las muestras de polvo preparadas. Estos resultados correspondieron a los gráficos de correlación presentados en la Fig. 3a,b, donde las muestras pronosticadas se colocaron aproximadamente cerca de las líneas diagonales de los gráficos, lo que sugiere que la mayoría de las muestras tenían ligeras diferencias entre la referencia y las concentraciones de azúcar pronosticadas. Los valores de Q2 fueron ligeramente más bajos que los valores de R2, lo que implica que los modelos no eran propensos al problema de sobreajuste.

Gráficos de correlación para las muestras de entrenamiento y validación interna de (a) sacarosa, (b) contenido de lactosa y (c) las muestras de tabletas de leche reales después de la transformación de PDS para las predicciones de los contenidos de sacarosa y lactosa.

En general, los valores de RPD permiten comparar la precisión de predicción de los diferentes modelos. Los valores más altos de RPD indicarían una mejor capacidad predictiva correspondiente a valores más bajos de sesgo y SECV junto con valores más altos de Q2. El modelo establecido para la predicción de lactosa tuvo un valor de RPD más alto que la predicción de sacarosa, lo que indica que el modelo PLS tuvo un mejor desempeño predictivo. Estos hallazgos sugieren que la lactosa, un azúcar natural en la leche, podría usarse para obtener información relacionada adicional de otros componentes, como las grasas y proteínas presentes en el material de la leche cruda. En comparación con el azúcar que se encuentra naturalmente en los productos alimenticios, la sacarosa, que se agregó durante el proceso de preparación, contenía menos información sobre micronutrientes34.

La Tabla 4 muestra los resultados predictivos de las tabletas de leche (E1–E7) utilizando los modelos PLS desarrollados. Cuando se usaron los modelos PLS desarrollados para estimar los contenidos de azúcar a partir de los espectros NIR detectados directamente de las muestras de tabletas (P para predecir T), se obtuvieron errores predictivos más altos, lo que resultó en valores Q2 significativamente más bajos (0.7024 y 0.7030 para sacarosa y lactosa, respectivamente) y mayores valores de RMSEP (53,44 y 8,14 para sacarosa y lactosa). Los resultados predictivos deficientes se corresponden con el gráfico de puntaje de PCA que se muestra en la Fig. 2b, donde se resaltaron las desviaciones entre las muestras de polvo y tabletas, y se señaló que las estructuras físicas de las muestras podrían afectar significativamente las mediciones de NIR.

Se pudieron obtener mejoras significativas en los resultados predictivos después de que los datos espectrales NIR fueran preprocesados ​​por transformación PDS (P para predecir T/P). La figura 4 ilustra la comparación entre los resultados predictivos antes y después de la transformación PDS, lo que demuestra la reducción significativa de los errores relativos asociados con la detección no destructiva. En la Tabla 4, los valores de Q2 para los modelos de predicción de sacarosa y lactosa aumentaron a 0,7973 y 0,9411, respectivamente. Los gráficos de correlación correspondientes de la referencia y los contenidos de azúcar predichos para los modelos PLS se muestran en la Fig. 3c. La transformación DS dio como resultado la mejora en la predicción del contenido de sacarosa con una reducción del valor RMSEP a 19,27, pero no mejoró los resultados para la predicción del contenido de lactosa donde el RMSEP se incrementó a 23,73. Esto confirmó que el cálculo basado en el subconjunto espectral en el método PDS podría mejorar la precisión predictiva de los modelos de calibración PLS.

Comparación entre los resultados de predicción antes y después de las transformaciones DS y PDS de las tabletas de leche real.

Las concentraciones de lactosa en las muestras 8 y 9 fueron nulas porque eran tabletas de leche que contenían solo sabor a leche artificial sin el componente de leche de vaca real. Estos resultados indicaron que el modelo desarrollado en laboratorio podría usarse para predecir muestras de tabletas de leche reales o las muestras del proceso final al permitir mediciones sencillas y análisis en tiempo real de una gran cantidad de muestras recolectadas durante el proceso de fabricación sin necesidad de preparación de muestras.

En el proceso de fabricación, no era práctico producir muestras de modelado que tuvieran suficientes variaciones para generar modelos de predicción robustos. Además, las desviaciones espectrales que ocurrieron al completar las mediciones NIR podrían haber afectado la precisión de predicción del modelo desarrollado. Esta investigación demostró que el uso del método de transferencia de calibración amplió la capacidad de utilización de los modelos de calibración desarrollados. La espectroscopia NIR combinada con análisis quimiométricos se puede aplicar para detectar el contenido de azúcar en tabletas de leche. PDS dio como resultado un nivel mejorado del rendimiento predictivo de las muestras de tabletas. El proceso de desarrollo ofreció técnicas no destructivas, precisas y rápidas para determinar el contenido de azúcar en muestras de tabletas de leche reales.

Los conjuntos de datos espectroscópicos NIR analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

RodriguezFurlán, LT & Campderrós, ME Los efectos combinados de Stevia y sucralosa como sustituto del azúcar y la inulina como mimético de grasa sobre las propiedades fisicoquímicas del postre lácteo bajo en grasa sin azúcar. En t. J. Gastron. ciencia de la comida 10, 16–23 (2017).

Artículo Google Académico

Gambelli, L. La leche y su azúcar-lactosa: un panorama de las metodologías de evaluación. Bebidas 3, 35. https://doi.org/10.3390/beverages3030035 (2017).

Artículo CAS Google Académico

Alcaire, F., Antúnez, L., Vidal, L., Giménez, A. & Ares, G. Interacciones cruzadas relacionadas con el aroma para la reducción de azúcar en postres lácteos: influencia en la percepción del consumidor. Alimentos Res. En t. 97, 45–50 (2017).

Artículo CAS PubMed Google Académico

Mahato, DK et al. Reducción de azúcar en productos lácteos: una descripción general con leche saborizada como ejemplo. Alimentos 9, 1400. https://doi.org/10.3390/foods9101400 (2020).

Artículo CAS PubMed Central Google Académico

Shaffer, PA & Hartmann, AF La determinación yodométrica de cobre y su uso en el análisis de azúcar. J. Biol. química 45, 365–390 (1921).

Artículo CAS Google Académico

Mannino, S., Cosio, MS & Zimei, P. Muestreo de microdiálisis y cromatografía líquida de alta resolución con detección amperométrica para análisis de azúcar en productos lácteos. Electroanálisis 8, 353–355 (1996).

Artículo CAS Google Académico

Rentschler, E. et al. Cuantificación de lactulosa y epilactosa en presencia de lactosa en leche mediante un análisis HPLC dual. comida anal. Métodos 9, 2210–2222 (2016).

Artículo Google Académico

Conzuelo, F. et al. Un biosensor amperométrico integrado para la determinación de lactosa en leche y productos lácteos. J. Agric. Química alimentaria 58, 7141–7148 (2010).

Artículo CAS PubMed Google Académico

Ammam, M. & Fransaer, J. Biosensor de lactosa de dos enzimas basado en β-galactosidasa y glucosa oxidasa depositada por electroforesis AC: características y rendimiento para la determinación de lactosa en la leche. Sens. Actuadores B Chem. 148, 583–589 (2010).

Artículo CAS Google Académico

Monakhova, YB, Kuballa, T., Leitz, J., Andlauer, C. & Lachenmeier, espectroscopía DW NMR como herramienta de detección para validar el etiquetado nutricional de la leche, la leche sin lactosa y los sustitutos de la leche a base de soya y granos. Ciencia láctea. Tecnología 92, 109–120 (2012).

Artículo Google Académico

Fernández-Espinosa, AJ Combinación de regresión PLS con espectroscopía NIR portátil para monitorear en línea parámetros de calidad en aceitunas intactas para determinar el momento óptimo de cosecha. Talanta 148, 216–228 (2016).

Artículo PubMed Google Académico

Oliveira , MM , Cruz-Tirado , JP , Roque , JV , Teófilo , RF & Barbin , DF Espectroscopía de infrarrojo cercano portátil para la autenticación rápida de polvo de pimentón adulterado . J. Alimentos Compos. Anal. Rev. 87, 103403 (2020).

Artículo CAS Google Académico

Rahman, A., Wang, S., Yan, J. y Xu, H. Evaluación de la calidad de la nuez de macadamia intacta mediante espectroscopia de infrarrojo cercano y análisis multivariante. J. Alimentos Compos. Anal. 102, 104033 (2021).

Artículo CAS Google Académico

Riu, J., Gorla, G., Chakif, D., Boqué, R. & Giussani, B. Análisis rápido de la leche mediante espectrómetros NIR de bolsillo de bajo coste y análisis multivariado. Alimentos 9, 1090 (2020).

Artículo CAS PubMed Central Google Académico

Jorge dos Santos, V. et al. Espectroscopía MicroNIR y calibración multivariante en la determinación de la composición proximal de la leche humana. LWT 147, 111645 (2021).

Artículo CAS Google Académico

Sarraguça, MC & Lopes, JA Control de calidad de productos farmacéuticos con NIR: Del laboratorio a la línea de proceso. vibración Espectrosc. 49, 204–210 (2009).

Artículo Google Académico

Peerapattana, J., Otsuka, K. & Otsuka, M. Aplicación de la espectroscopia NIR para el control de calidad del polvo de pericarpio de mangostán: Análisis cuantitativo de alfa-mangostin en polvo y cápsula de pericarpio de mangostán. J.Nat. Medicina. 67, 452–459 (2013).

Artículo CAS PubMed Google Académico

Liang, C., Yuan, HF, Zhao, Z., Song, CF y Wang, JJ Un nuevo método de transferencia de modelo de calibración multivariable de análisis espectral de infrarrojo cercano. Quimio. Intel. Laboratorio. sist. 153, 51–57 (2016).

Artículo CAS Google Académico

Eliaerts, J. et al. Evaluación de una transferencia de calibración entre un espectrómetro de mesa y un espectrómetro de infrarrojo medio portátil para la clasificación y cuantificación de cocaína. Talanta 209, 120481 (2020).

Artículo CAS PubMed Google Académico

McVey, C., McGrath, TF, Haughey, SA y Elliott, CT Un enfoque rápido de la cadena alimentaria para la detección de autenticidad: el desarrollo, la validación y la transferibilidad de un modelo quimiométrico utilizando dos dispositivos portátiles de espectroscopia de infrarrojo cercano (NIRS). Talanta 222, 121533 (2021).

Artículo CAS PubMed Google Académico

Wongsaipun, S., Theanjumpol, P. & Kittiwachana, S. Desarrollo de un modelo de calibración universal para la cuantificación de la adulteración en arroz jazmín tailandés mediante espectroscopia de infrarrojo cercano. comida anal. Métodos 14, 997–1010 (2021).

Artículo Google Académico

Srithongkul, C., Krongchai, C., Santasup, C. & Kittiwachana, S. Una investigación del efecto de las condiciones operativas en un procedimiento de extracción secuencial de arsénico en el suelo en Tailandia. Chemosphere 242, 125230 (2020).

Artículo ADS CAS PubMed Google Scholar

Bezerra, MA, Santelli, RE, Oliveira, EP, Villar, LS & Escaleira, LA Metodología de superficies de respuesta (RSM) como herramienta de optimización en química analítica. Talanta 76, 965–977. https://doi.org/10.1016/j.talanta.2008.05.019 (2008).

Artículo CAS PubMed Google Académico

Dai, X. et al. Análisis preciso de urea en leche y leche en polvo mediante cromatografía de gases de dilución isotópica-espectrometría de masas. J. Chromatogr. Analista B. Tecnología biomedicina Ciencias de la vida 878, 1634–1638 (2010).

Artículo CAS PubMed Google Académico

Chiavelli, LUR et al. Optimización de la limpieza de muestras de leche utilizando la metodología de superficie de respuesta. comida anal. Métodos 13, 166–175 (2020).

Artículo Google Académico

Duy, PK, Chun, S., Lee, Y. y Chung, H. Investigación de las características espectrales del infrarrojo cercano dependientes del tamaño de partícula de muestras de mezclas binarias junto con la simulación de Monte Carlo y la influencia del tamaño de partícula en la precisión de análisis cuantitativo. Analista 143, 4306–4315 (2018).

Artículo ADS CAS PubMed Google Scholar

Wang, Y., Veltkamp, ​​DJ & Kowalski, BR Estandarización de instrumentos multivariados. Anal. química 63, 2750–2756 (1991).

Artículo CAS Google Académico

Wulfert, F., Kok, WT, de Noord, OE y Smilde, AK Corrección de la variación espectral inducida por la temperatura mediante estandarización directa continua por partes. Anal. química 72, 1639-1644 (2000).

Artículo CAS PubMed Google Académico

Brereton, RG Quimiometría: Análisis de datos para el laboratorio y la planta química (Wiley, 2003).

Libro Google Académico

Mustorgi, E. et al. Una estrategia quimiométrica para evaluar la comparabilidad de modelos PLS obtenidos a partir de cubetas de cuarzo y viales de vidrio desechables en la determinación de parámetros de calidad de aceite de oliva virgen extra por espectroscopia NIR. Quimio. Intel. Laboratorio. sist. 199, 103974 (2020).

Artículo CAS Google Académico

Kittiwachana, S. et al. Clasificadores de una clase para monitoreo de procesos ilustrados por la aplicación a HPLC en línea de un proceso continuo. J. Chemom. 24, 96–110 (2010).

Artículo CAS Google Académico

Wongsaipun, S., Krongchai, C., Jakmunee, J. y Kittiwachana, S. Medición de la frescura del grano de arroz mediante un analizador rápido de viscosidad y quimiometría. comida anal. Métodos 11, 613–623 (2018).

Artículo Google Académico

Bouveresse, E. & Massart, DL Estandarización de instrumentos espectrométricos de infrarrojo cercano: una revisión. vibración Espectrosc. 11, 3–15. https://doi.org/10.1016/0924-2031(95)00055-0 (1996).

Artículo CAS Google Académico

Erickson, J. & Slavin, J. Azúcares totales, añadidos y libres: ¿Son directrices restrictivas basadas en la ciencia o alcanzables? Nutrientes 7, 2866–2878 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

Este proyecto está financiado por el Consejo Nacional de Investigación de Tailandia (NRCT) y la Universidad de Chiang Mai: N42A650304. También se reconoce con gratitud el Centro de Innovación de Tecnología Poscosecha, Oficina de la Comisión de Educación Superior, Bangkok, Tailandia.

Departamento de Química, Facultad de Ciencias, Universidad de Chiang Mai, Chiang Mai, 50200, Tailandia

Chanat Thanavanich, Nutthatida Phuangsaijai, Chanidapha Thiraphatchotiphum y Sila Kittiwachana

Centro de Investigación de Tecnología Poscosecha, Facultad de Agricultura, Universidad de Chiang Mai, Chiang Mai, 50200, Tailandia

Parichat Theanjumpol

Centro de Innovación de Tecnología Poscosecha, Ministerio de Educación Superior, Ciencia, Investigación e Innovación, Bangkok, 10400, Tailandia

Parichat Theanjumpol

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

CT llevó a cabo experimentos, realizó cálculos quimiométricos y escribió el manuscrito original; NP, CT y PT realizaron experimentos; SK conceptualizó, supervisó la financiación de este trabajo, revisó y editó el manuscrito. Todos los autores revisaron el manuscrito y contribuyeron a la versión final.

Correspondencia a Sila Kittiwachana.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Thanavanich, C., Phuangsaijai, N., Thiraphatchotiphum, C. et al. Cuantificación instantánea de azúcares en tabletas de leche mediante espectroscopia de infrarrojo cercano y herramientas quimiométricas. Informe científico 12, 18802 (2022). https://doi.org/10.1038/s41598-022-23537-7

Descargar cita

Recibido: 30 Agosto 2022

Aceptado: 01 noviembre 2022

Publicado: 05 noviembre 2022

DOI: https://doi.org/10.1038/s41598-022-23537-7

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.