tabela de conteúdos
mantenha-se atualizado sobre neospectra
Introdução
A manteiga e a margarina são um dos ingredientes gordurosos mais populares usados para fins culinários. É usado como está ou como meio de fritura para várias preparações. A gordura trans está naturalmente presente na manteiga. Os métodos convencionais para analisar a gordura trans são baseados na separação instrumental dos compostos por cromatografia gasosa. Esse método é caro, demorado e requer um laboratório totalmente equipado.
O NIR mostrou um bom desempenho na previsão de gorduras trans na manteiga e na margarina. O objetivo deste artigo é mostrar o desempenho do scanner NeoSpectra na previsão de gorduras trans usando o acessório de transflectância. A NeoSpectra adicionou o acessório de transflectância ao seu portfólio, mostrando uma capacidade única de analisar amostras na forma líquida.
Visão geral
O consumo per capita de manteiga nos Estados Unidos atingiu 6,5 libras por pessoa em 2021, enquanto o consumo de margarina em 2010 foi relatado em 3,6 libras por pessoa, de acordo com dados do USDA (2021). Os ácidos graxos trans (TFAs) estão naturalmente presentes em alimentos de ruminantes, especificamente em carnes e laticínios. No leite de vaca, a manteiga contém ácido trans vacênico (C 18:1 trans 11) em níveis que variam de 2 a 4%. No entanto, os TFAs na margarina se originam principalmente dos ácidos elaídico (C 18:1 trans 9) e linolelaídico (9-12 trans- C 18:1). O método convencional para quantificar TFAs na manteiga e na margarina é a cromatografia gasosa com ionização por chama (GC-FID). Esse método envolve um processo de análise complexo que requer horas de preparação, incluindo derivatização para FAME volátil.
Como funciona o NIR
O NIR é um método analítico secundário que se baseia nos dados provenientes do laboratório de referência (GC-FID), dados de referência, para construir uma regressão PLS com os espectros. Uma vez calibrado, o modelo PLS permite prever a composição de ácidos graxos usando somente os espectros gerados pelo espectrômetro NIR. Os resultados podem então ser obtidos em menos de 2 minutos pelo instrumento.
Desenho do experimento
A fim de demonstrar a capacidade do NeoSpectra Scanner de prever a gordura trans em manteigas e margarinas, após a experimentação foi conduzida.
Conjuntos de amostras:
Um total de 90 manteigas e 20 margarinas foram coletadas em uma loja local em Ohio, EUA. As amostras foram derretidas em um forno de 65°C por 15 minutos. A água contida na manteiga e na margarina foi separada por gravidade.
Métodos de referência
A cromatografia gasosa (FID) foi usada para analisar o perfil de ácidos graxos da gordura extraída. Os resultados são expressos em gramas de ácido graxo por 100 g de amostra.
Conjuntos de calibração e validação
Persianas venezianas de validação cruzada foram usadas para avaliar o desempenho do modelo.
Condições de medição
● Configuração: Reflexão difusa
● Acessório: Transflectância com OPL de 0,25 mm
● Alcance espectral: 1350 — 250 nm
● Tempo de digitalização: de 5s
● Resolução de 16nm em λ=1,550 nm
● Tamanho do ponto = 10 mm2
● Temperatura: Temperatura ambiente
● Calculando a média: Cada amostra foi medida 2 vezes com o NeoSpectra Scanner e calculada a média para a análise.
Desenvolvimento do modelo de calibração
Modelos de regressão de mínimos quadrados parciais (PLS) foram construídos para estabelecer a relação linear entre os espectros e a composição, determinada por meio de análises químicas laboratoriais. O PLS é empregado para reduzir dados de espectro, originalmente compostos por 257 variáveis (comprimentos de onda), em um número limitado de variáveis latentes (L.V.). Essa redução na complexidade visa melhorar a interpretabilidade dos dados.
A seleção das variáveis latentes é baseada em sua correlação com as respostas (níveis de gordura trans nesse contexto), priorizando aquelas com alta correlação e evitando adicionar ruídos aleatórios ao modelo.
Análise de dados
Para avaliar o desempenho do modelo de mínimos quadrados parciais (PLS), uma técnica de validação cruzada foi empregada. Isso envolveu o cálculo do erro de predição (raiz quadrada média dos erros para todas as amostras) e do coeficiente de determinação (R2CV) entre os conteúdos previstos e os dados de referência obtidos da análise química. A técnica de validação cruzada envolve a divisão dos dados em conjuntos de calibração e validação. O conjunto de calibração é utilizado para treinar o modelo PLS, enquanto o conjunto de validação é reservado para avaliar o desempenho do modelo.
Em cada iteração, os conjuntos de validação e calibração são combinados e uma nova parte dos dados é designada como o conjunto de validação. O processo é então repetido, envolvendo treinamento e validação do modelo nos conjuntos atualizados. Esse procedimento iterativo continua até que cada amostra tenha sido representada pelo menos uma vez no conjunto de validação, fornecendo assim uma avaliação abrangente das capacidades preditivas do modelo PLS.
Resultados e discussão
Os resultados da validação cruzada são mostrados na Figura 2.
Para quantificar a precisão do modelo, as seguintes características estatísticas estão resumidas em:
• R2: Coeficiente de determinação. Quanto mais próximo de 1, melhor.
• SEGV: Erro padrão de validação cruzada.
Os resultados apresentados neste estudo mostram que o Neospectra forneceu um erro médio de validação cruzada de 0,31%. Em comparação com o desvio padrão da população, pode-se observar que os modelos são capazes de dividir a população em mais de 3 regiões e meia (níveis baixos, médios, médios-altos e altos), sugerindo que o NeoSpectra Scanner fornece excelentes resultados para prever os níveis de gorduras trans em amostras de manteiga. (Tabela 2). A Figura 2 mostra uma boa linearidade entre os níveis previstos e os níveis medidos de gorduras trans. Ao contrário de outras tecnologias tradicionais e emergentes para análise de manteiga e margarina, o NeoSpectra integra de forma exclusiva um conjunto de recursos, permitindo uma análise de gordura econômica, rápida, ampla, fácil de usar e precisa no local e no laboratório com o mínimo de preparação de amostras.
Conclusões
O scanner NeoSpectra demonstrou excelente desempenho na análise de gorduras trans usando o acessório de transflexão em manteiga e margarinas. As margarinas foram usadas como 0 gorduras trans para garantir que o modelo possa detectar níveis baixos. A aplicação industrial dessa tecnologia permitiria uma triagem rápida do conteúdo de gordura trans. O NeoSpectra tem potencial para uma detecção mais rápida e acessível de ácidos graxos trans em amostras de manteiga e margarina do que o FT-IR ou o GC.
Reconhecimento
Este artigo foi possível graças às contribuições do professor Luis Rodriguez-Saona da Universidade Estadual de Ohio e da estudante de mestrado Celeste Matos. Agradecimento especial por suas valiosas contribuições e dados.
