06 Fraudes 20080866 - 6294

INFORME TECNICO FINAL DEL PROYECTO DE INVESTIGACION.
DETECCIÓN Y CUANTIFICACIÓN DE ADULTERACIONES DE CARNE MOLIDA

DE RES POR MEDIO DE UN MODELO SIMCA Y ANÁLISIS MULTIVARIABLE.
SIP 20080866
1. RESUMEN
La naturaleza de la carne molida de res ofrece muchas posibilidades para adulterarse con carne
más barata (carne de caballo), con vísceras o despojos (hígado, riñón y pellejos) y/o proteínas
vegetales (proteína de soya texturizada).
Las técnicas tradicionales para identificar adulteraciones en la carne molida de res consumen
mucho tiempo, son costosas y/o necesitan cantidades considerables de disolventes y reactivos. La
Espectroscopia Infrarroja Media por Transformada de Fourier (MID-FTIR) representa una técnica
muy empleada en el control de calidad, debido a que es un método rápido (las pruebas pueden
llevarse acabo en 1-2 minutos), no se requiere preparación de la muestra, es fácil de usar, no es
invasivo ni destructivo, se utiliza poca muestra en el análisis y no se produce material de desecho
durante el estudio. El desarrollo de modelos quimiométricos basados en la señal infrarroja por
Transformada de Fourier (FTIR-HATR) ha demostrado ser una opción atractiva para identificar
adulteraciones y para determinar simultáneamente la composición química (humedad, grasa,
proteínas, cenizas y carbohidratos) de las muestras. Asimismo, existen modelos quimiométricos
como SIMCA (Soft Independent Modeling Class Analogy) que permiten clasificar diferentes
materiales y discriminar muestras desconocidas.
Con base en lo anterior, el presente trabajo tuvo como objetivo desarrollar modelos quimiométricos
acoplados a Espectroscopia Infrarroja Media por Transformada de Fourier con Reflectancia Total
Atenuada Horizontal (MID-FTIR-HATR) para identificar y cuantificar adulteraciones en carne molida
de res y proporcionar al mismo tiempo su análisis proximal. También se desarrolló el modelo
quimiométrico SIMCA para discriminar entre muestras adulteradas y no adulteradas.
2. INTRODUCCION
El interés por identificar adulterantes en los alimentos ha aumentado especialmente en productos
con alto valor comercial, ya que el reemplazo parcial o total de estos productos por ingredientes de
menor costo representa beneficios económicos para quienes comercializan alimentos adulterados
(Marcos et al., 2002).
1
Un producto de alto valor comercial es la carne de res pues es nutritiva debido a su aporte en
proteínas de alto valor biológico, ácidos grasos indispensables, vitaminas del complejo B y
minerales como hierro, zinc y fósforo (Pearson y Dutson, 1994). Entre las diferentes
presentaciones de la carne de res, la molida es una de las más solicitadas y por su naturaleza es
fácil adulterarla con carne de otras especies (caballo, cerdo), con vísceras o despojos (hígado,
riñón, pellejos) o con proteínas de origen vegetal (soya texturizada) que son más baratas (Hargin,
1996).
La adulteración, es decir, sustitución de carne con las alternativas más baratas, es un tipo de
fraude que puede implicar una amenaza de salud a los consumidores (Barai et al., 1992). Por ello,
los comerciantes y consumidores necesitan asegurarse que cuando adquieren un producto
específico, reciban exactamente lo que pagan y no un material adulterado (Dean et al., 2006). Se
ha informado de este tipo de adulteraciones en diferentes partes del mundo, por ejemplo, en
Australia se ha encontrado que la carne de canguro y caballo por ser más baratas se emplean para
sustituir la de res (Barai et al., 1992; Ding y Xu, 1999).
De esta manera, varios tipos de carne como la de res, carnero, canguro y caballo, solo se pueden
distinguir cuando se encuentran en cortes grandes, pero después de que se han molido es difícil
identificarlas sin un método analítico (McElhinney et al., 1999).
Para determinar adulteraciones en la carne de res se han propuesto varias técnicas como la
cromatografía de gases (Saeed et al., 1986), separación de proteínas por electroforesis (Barai et
al., 1992), pruebas inmunológicas (Whittaker et al., 1983) y ensayos de DNA (Ebbehoj y Thomsen,
1991a,b), sin embargo estos métodos son laboriosos, costosos, consumen tiempo y reactivos.
En los últimos años, la espectroscopia de infrarrojo, se ha convertido en una opción para el

análisis cualitativo y cuantitativo de los alimentos. En particular, la región media del infrarrojo (MID)
proporciona información de la estructura química de los constituyentes de la muestra a través de
las bandas de absorción del espectro. Gracias al desarrollo de los modernos espectrofotómetros
infrarrojos mediante la aplicación de la Transformada de Fourier (FTIR), se han podido identificar
los constituyentes presentes en una muestra. Con la combinación de la Espectroscopia Infrarroja
Media por Transformada de Fourier (MID-FTIR) y los programas computacionales estadísticos
multivariables, se pueden desarrollar modelos de predicción, los cuales permiten conocer
cuantitativamente la composición de una mezcla, lo que se conoce con el nombre de análisis
quimiométrico.
2
El desarrollo de métodos quimiométricos utilizando Espectroscopia Infrarroja Media por
Transformada de Fourier se han empleado en la industria de los alimentos. Las aplicaciones son
diversas, por ejemplo:
Adulteración en purés de fresa (Holland et al., 1998)
Ablandamiento de carnes (Iizuka y Aishima, 1999)
Caracterización de bebidas alcohólicas (Coimbra et al., 2002; Noriega y López, 2000; Palma y
Barroso, 2002; Duarte et al., 2004, Lachenmeier, 2007)
Clasificación de harinas (Cocchi et al., 2004)
Caracterización de cultivares de fresa (Macías et al., 2004)
Adulteración y caracterización del aceite de oliva (Lai et al., 1995; Marcos et al., 2002; Tapp,
2003)
Determinación de α-tocoferol en aceite de palma (Che-Man et al., 2005a).
Análisis de quesos y leche (Chen e Irudayaraj, 1998; Iñón et al., 2004, Fagan et al, 2007)
Control de calidad en la miel (Sivakesava e Irudayaraj, 2001a,b; Paradkar et al., 2003; Kelly et
al., 2004; Tewari e Irudayaraj, 2004, Kelly et al., 2006, Zuñiga, 2007)
Determinación de azúcares en bebidas de frutas y carbonatadas (Holland et al., 1997; Rambla
et al., 1998; Cadet, 1999; Duarte et al., 2002; Kelly y Downey, 2005)
Calidad de aceites y grasas comestibles (Van de Voort et al., 1993; Lai et al., 1994; Guillén y
Cabo, 1997; Chippie et al., 2002; Ozen et al., 2003; Innawong et al., 2004, Yang et al., 2005;
Morales, 2006; Sinelli, et al., 2007)
Caracterización del café (Briandet et al., 1996; Downey et al., 1997; Lyman et al., 2003)
Determinación de cafeína en bebidas carbonatadas (Paradkar y Irudayaraj, 2002a)
Determinación de colesterol en productos lácteos (Paradkar y Irudayaraj, 2002b)
Caracterización de varios productos de soya (Isiguro et al., 2005)
Evaluación de sacarosa en bagazo de caña de azúcar (Tewari y Malik, 2007)
Autenticidad de alimentos de acuerdo a su variedad y lugar de origen (Wilson, 1990; Edelmann
et al., 2001)
Adulteración en productos de chocolate y pasteles (Che-Man et al., 2005b; Syahariza et al.,
2005)
Evaluación de frescura en pescado (Karoui et al., 2007)
Determinación de antocianinas en vino rojo (Soriano et al., 2007)
Identificación y caracterización de ginseng y sus productos (Yi-Lwern et al., 2007)
Con base a la probada utilidad de los modelos quimiométricos utilizando Espectroscopia MID-FTIR-
HATR para resolver problemas de adulteración y autenticidad de los alimentos, el presente trabajo
tiene como finalidad desarrollar modelos quimiométricos acoplados a Espectroscopia Infrarroja
3
Media por Transformada de Fourier (MID-FTIR) con Reflectancia Total Atenuada (HATR) para
identificar y cuantificar adulteraciones en la carne de res molida.
3. MATERIALES Y MÉTODOS.
META 1 (Obtención y Selección de la Materia Prima)
3.1 Materia prima.
Se analizaron muestras de carne de res (corte falda), carne de caballo (corte falda), hígado riñón,
pellejos de res y proteína de soya texturizada marca Soybean adquiridos en mercados de la
Ciudad de México.
3.2 Reactivos.
Detergente Extran 10% (Merck), Ácido bórico al 4% (Merck), Ácido clorhídrico 0.1 N (Merck), Ácido
sulfúrico concentrado (Merck), Éter de petróleo (Merck), Gránulos de Zinc (Merck), Hidróxido de
sodio 40% (Baker), Sulfato de cobre pentahidratado (Baker), Parafina, Solución indicadora de
Wesselow, Sulfato de potasio en polvo (Baker).
3.3 Equipos.
Espectrofotómetro MID-FTIR (Marca PerkinElmer, modelo FTIR-1600).
Accesorio de Reflectancia Total Atenuada Horizontal (HATR) con cristal de Selenuro de Zinc
(ZnSe) (Ángulo de incidencia: 45°) (Marca PerkinElmer, modelo L136-0266).
Programas de computación:
Spectrum QUANT+ versión 4.51.02 (Copyright 2000 PerkinElmer, Inc.)
PE GRAMS Analyst 1600 version 3.0.0.32 (Copyright 1991-1994 Galactic Industries Corp.)
SPECTRUM verosión 5.3 (Copyright 2005 PerkinElmer, Inc.)
AssureID Method Explorer version 3.0.0.0132 (Copyright 2005 PerkinElmer, Inc.)
Balanza digital (Marca Scientech, modelo SA 210D).
Balanza analítica (Marca Mettler, modelo H31).
Aparato de Kjeldahl.
Aparato Soxhlet.
Picadora de carne de uso doméstico (Marca Girmi).
Mufla (Marca Furnace, modelo 1400).
Estufa (Marca Uniterm, modelo 1000/A).
Equipo común de laboratorio.
4
3.4 Desarrollo experimental.
En la siguiente se muestra el desarrollo experimental de la presente investigación.
CARACTERIZACIÓN QUÍMICA
MATERIA PRIMA
Humedad (AOAC 24.003)
(Carne de res, carne de caballo, hígado,
Grasa (AOAC 24.005)
riñón, pellejos de res y proteína de soya
Cenizas (AOAC 24.009)
texturizada)
Proteína (AOAC 24.027)
Molienda en picadora domestica OBTENCIÓN DE ESPECTROS

FTIR-HATR
PREPARACIÓN DE MUESTRAS DESARROLLO DEL MODELO

ADULTERADAS QUIMIOMÉTRICO SIMCA
res-carne de caballo (10-90% p/p)
res-hígado (10-90% p/p)
res-riñón (10-90% p/p)
res-pellejos (10-90% p/p)
res-soya texturizada (10-90% p/p)
OBTENCIÓN DE ESPECTROS
FTIR-HATR DE LAS MUESTRAS DESARROLLO DE MODELOS
ADULTERADAS QUIMIOMÉTRICOS
Alimentación de los espectros FTIR-

HATR junto con porcentajes de
adulteración (10-90% p/p) y valores
analíticos de composición química al
programa QUANT+
Calibración
(PCR, PLS1, PLS2)
Optimización
(PCR, PLS1, PLS2)
Validación
META 2 (Caracterización de la Materia Prima)

3.4.1 Caracterización de la materia prima
La carne de res, carne de caballo, hígado, riñón, pellejos de res y proteína de soya texturizada se
caracterizaron el mismo día de su adquisición con base en la determinación de algunas
propiedades químicas: humedad, grasa, cenizas y proteína. En el caso de la proteína de soya
texturizada (marca Soybean) se caracterizó en forma deshidratada y rehidratada.
5
3.5 Métodos analíticos.
Corresponden a los indicados en el AOAC (1989): humedad (24.003), grasa (24.005), cenizas
(24.009) y proteína (24.027). Se hicieron por triplicado. El contenido de carbohidratos se obtuvo por
diferencia.
3.5.1. Determinación de humedad (AOAC 24.003).

Se determinó desecando una muestra a una temperatura elevada y expresando la pérdida de peso
como agua. Este método consiste en lo siguiente: En una charola metálica de fondo plano (a peso
constante) se pesaron de 3 a 5 g de muestra. La charola se colocó en la estufa (100 °C) durante 2-
4 horas (dependiendo de la muestra). Se retiró la cápsula de la estufa y se dejó enfriar en un
desecador. Se pesó tan pronto se alcanzó la temperatura ambiente. La cápsula se introdujo de
nuevo a la estufa durante una hora y se volvió a pesar. El procedimiento se repitió hasta que las
variaciones entre dos pesadas sucesivas no excedieron 2 mg. El peso perdido por la muestra se
expresó como % de agua.
3.5.2. Determinación de grasa (AOAC 24.005).

El método de mayor precisión para determinar el extracto etéreo (grasa bruta) implica la extracción
de la grasa de una muestra desecada, con éter etílico anhidro o éter de petróleo. A continuación se
elimina el solvente del extracto por evaporación y se pesa el residuo que se expresa como grasa. A
continuación se describe el método:
El matraz del equipo Soxhlet se llevó a peso constante. La muestra previamente deshidratada se
colocó en un cartucho de extracción con un poco de algodón.
Se adicionaron 75 mL de éter de petróleo en el matraz y se conectó al refrigerante a través de la

unión esmerilada. Se conectó el sistema de condensación y se extrajo durante unas 4 horas
funcionando a una velocidad de condensación de 5-6 gotas por segundo. Se eliminó el éter del
matraz evaporándolo con precaución y se desecó el residuo en una estufa de aire a 100°C durante
30 minutos. Se enfrió y se pesó.
Expresión de resultados: A–B

% Extracto etéreo = X 100
m
Donde:
A = Peso del cartucho con la muestra
B = Peso del cartucho con muestra desengrasada
m = Peso de la muestra deshidratada
NOTA: La determinación también se hizo llevando el matraz a peso constante.
6
6.5.3. Determinación de cenizas (AOAC 24.009).
3e pesó entre 5-10 g de muestra en un crisol a peso constante. La muestra se carbonizó
lentamente, para evitar pérdidas por arrastre de humo y proyecciones de la muestra fuera del
crisol. Cuando el desprendimiento de humo cesó, el crisol se llevó a la mufla a una temperatura de
525°C hasta que las cenizas estuvieron libres de carbón (cenizas grises o blancas). El crisol se
pasó a la estufa, se enfrió paulatinamente y se llevó al desecador. Se pesó tan pronto se alcanzó la
temperatura ambiente.
Expresión de resultados:
(a – b) x 100
% Cenizas =
m
Donde:
a = Peso del crisol con cenizas.
b = Peso del crisol vacío.
m = Peso de la muestra en gramos.
3.5.4. Determinación de proteínas (AOAC 24.027).

Es el método más aceptado para determinar el nitrógeno total o proteína bruta, implica la oxidación
de la materia orgánica con ácido sulfúrico en presencia de un catalizador y la simultánea formación
de sales de amonio y aminas a partir de los compuestos nitrogenados de la carne. Posteriormente
se destilan las aminas y el amoniaco y se recoge en ácido bórico. La solución ácida se titula a
continuación con álcali estándar y se calcula la cantidad de nitrógeno (amoníaco). El valor proteína
bruta se obtiene multiplicando el valor del nitrógeno por 6,25. El método consiste en lo siguiente:
Se pesó 1 g de muestra en un papel libre de nitrógeno (egapack). Se envolvió la muestra en el

papel y se colocó en un matraz Kjeldahl. Se añadieron 3 g de mezcla de catalizadores (sulfato de
cobre pentahidratado y sulfato de potasio) y 10 mL de ácido sulfúrico. El matraz se colocó en el
digestor y se calentó hasta completar la oxidación.
Terminada la digestión se enfrió el matraz y se añadieron 300 mL de agua, unos gránulos de Zinc y
antiespumante (parafina). Bajo el refrigerante de destilación. se colocó un matraz erlenmeyer de
500 mL, con 75 mL de ácido bórico al 4% junto con unas gotas de indicador de Wesselow. Al
matraz Kjeldahl, se añadieron 5 mL de NaOH 40% por cada mL de ácido sulfúrico adicionado, más
10 mL de NaOH 40%. Se conectó al sistema de destilación del aparato de Kjeldahl. Se destilaron
250 mL, para garantizar el paso de todo el amoniaco. El destilado se tituló con solución de HCl 0.1
N.
7
V x N x meq x 100
Expresión de resultados:
%N =
m
Donde:
V = Mililitros de HCl gastados en la titilación
N = Normalidad de la solución valorada de HCl (0.1)
m = Peso de la muestra en gramos
meq = Miliequivalentes de nitrógeno (0.014 g)
% de proteína = % de nitrógeno x factor de conversión (6.25)
Meta 3 (Análisis estadístico de la caracterización de la materia prima)

3.6. Análisis estadístico.
Los datos obtenidos de la composición química fueron sujetos a un análisis estadístico para
calcular la desviación estándar de cada valor. Se usó el programa estadístico de Excel para
Windows 2005.
Meta 4. (Preparación de las muestras adulteradas)

3.7. Preparación de muestras adulteradas (res-carne de caballo, res-hígado, res-riñón, res-
pellejos y res-proteína de soya texturizada).
Las muestras se procesaron el mismo día de su adquisición. En el caso de la carne de res, carne
de caballo, hígado y riñón se removió el exceso de sangre, tejido graso y tejido conectivo para
asegurar la cuantificación de carne magra. La proteína de soya texturizada se preparó de acuerdo
a las indicaciones señaladas en la etiqueta del producto.
Cada muestra se molió por separado en una picadora de carne, la cual previamente se lavó con
detergente Extran al 10%, se enjuagó con agua destilada y finalmente se secó cuidadosamente.
Una vez que las muestras se molieron, se prepararon mezclas de: res-carne de caballo, res-
hígado, res-riñón, res-pellejos y res-proteína de soya texturizada, en porcentajes del 10 al 90% p/p
con cambios de concentración del 2% (Al-Jowder et al., 1999). Después de la preparación de las
mezclas, éstas se revolvieron muy bien con el fin de adquirir una mezcla homogénea. Se
obtuvieron 41 muestras con cada adulterante.
Meta 5. (Obtención de espectros FTIR-HATR)
3.8. Método espectrofotométrico FTIR-HATR.
8
3.8.1. Obtención de espectros FTIR-HATR de carne de res molida, carne de caballo, hígado,
riñón, pellejos de res, proteína de soya texturizada y de muestras adulteradas (res-carne de
caballo, res-hígado, res-riñón, res-pellejos y res-proteína de soya texturizada).
Se utilizó el espectrofotómetro por Transformada de Fourier (FTIR) PerkinElmer 1600 equipado con
un accesorio de Reflectancia Total Atenuada Horizontal (HATR) con cristal de Selenuro de Zinc
(ZnSe) (ángulo de incidencia: 45°), con ayuda del programa PE GRAMS Analyst 1600 versión
3.01b. Los espectros FTIR-HATR se registraron a una resolución de 4cm-1 en el intervalo de
número de onda de 4000 a 550 cm-1 (región del espectro infrarrojo medio). Se realizaron 64
barridos (scans) para obtener una lectura del espectro con buena resolución de los picos de
absorbancia FTIR (Al-Jowder et al., 2002). Los espectros FTIR se obtuvieron en unidades de
Absorbancia (A).
Antes de la lectura de cada muestra se tomó un espectro de fondo (del ambiente) (“background”)
contra aire, esto se logra haciendo una lectura con el cristal del HATR vacío y cuyo resultado se
almacena en la computadora para tomarlo como blanco de referencia. El background se leyó bajo
las mismas condiciones que las muestras (Al-Jowder et al., 2002).
Para obtener los espectros, cada muestra se colocó sobre el cristal de ZnSe asegurando que la
muestra y el cristal tuvieran buen contacto (sin aire). Después de cada determinación, el cristal de
ZnSe se limpió completamente usando detergente líquido (Extran al 10%), seguido de un lavado
con acetona, posteriormente se enjuagó con agua destilada y se limpió con pañuelos desechables.
Finalmente se secó con aire comprimido. Se ha registrado que este procedimiento es eficaz para
remover trazas de grasa en el cristal de ZnSe (Fagan et al., 2007). Para corroborar la limpieza del
cristal de ZnSe se verificó la línea base del espectro para asegurar que no hubiera residuos de
muestras anteriores retenidas en la superficie del cristal.
3.9. Desarrollo de modelos quimiométricos para identificar adulteraciones y su composición

química.
Meta 6. (Selección de la señal espectral)
6.9.1. Selección de la región espectral.
Un parámetro importante para el desarrollo de un modelo quimiométrico es establecer la región
espectral que se utilizará en la construcción del modelo. Si bien, en el espectro FTIR existen
regiones en donde los picos de absorción son muy intensas, estas no son lineales con respecto a
la Ley de Lambert-Beer, por lo que muchas veces no es adecuado utilizarlas (Sivakesava e
Irudayaraj, 2001a).
9
La selección de las regiones adecuadas para el análisis se hizo identificando la correlación
espectral entre la absorbancia y las concentraciones de cada adulterante (carne de caballo,
hígado, riñón, pellejos de res y proteína de soya texturizada). Por tanto, las regiones que mostraron
alta correlación fueron seleccionadas para el análisis multivariante.
Meta 7 (Desarrollo de los modelos de calibración)

3.9.2. Desarrollo de modelos de calibración para cada adulterante.
Para obtener los modelos de calibración de cada adulterante (carne de caballo, hígado, riñón,
pellejos de res y proteína de soya texturizada), se alimentaron al programa estadístico de análisis
multidimensional llamado QUANT+, los espectros FTIR-HATR de las muestras adulteradas
(pertenecientes a cada sistema de calibración) junto con los valores de los diferentes porcentajes
utilizados en la adulteración (10, 12, 14, 16……..90% p/p) y los valores obtenidos por los métodos
analíticos de la AOAC (1989): humedad (24.003), grasa (24.005), cenizas (24.009), proteína
(24.027) y carbohidratos (por diferencia). De esta manera se construyó una matriz de patrones
(para calibración) que relacionó matemáticamente la absorbancia de los espectros a diferentes
números de onda con el porcentaje de adulteración y con los valores analíticos de los parámetros
de composición química.
Posteriormente se desarrolló la calibración del modelo, es decir, la elección del algoritmo más
adecuado para este trabajo. El programa QUANT+ cuenta con tres diferentes algoritmos: PCR
(Regresión de Componentes Principales), PLS1 (Mínimos Cuadrados Parciales, sin interacción
entre variables) y PLS2 (Mínimos Cuadrados Parciales, con interacción entre variables), que hacen
posible diagnosticar, mediante gráficas y datos estadísticos, el comportamiento del modelo; lo cual
permite tomar la decisión de entre cual de los algoritmos representa mejor el grado de adulteración.
Meta 8 (Optimización de los modelos de calibración)

3.9.2.1. Optimización de modelos quimiométricos.
Con la finalidad de obtener datos estadísticos óptimos se llevó a cabo el manejo de las
herramientas con las que cuenta el programa multivariante QUANT+. Para optimizar todos los
modelos de calibración, se inició con el desarrollo de un modelo en donde se incluyeron los
espectros FTIR en la región completa del infrarrojo medio (4000 a 550 cm-1), junto con los datos de
concentración del adulterante y los valores de los parámetros de composición química. En este
intervalo espectral se utilizaron los tres algoritmos disponibles (PCR, PLS1 y PLS2).
Se analizaron gráficas del grado de influencia variable (variable leverage) de las bandas
espectrales para los tres algoritmos con el fin de conocer qué regiones espectrales dominaban en
la construcción de los modelos quimiométricos. Además se eliminó el ruido electrónico, se varió el
10
intervalo del espectro y el número de factores, es decir, se corrió el programa cambiando el número
de factores “n” veces, hasta obtener valores en el Error Estándar de Calibración (SEC) y en el Error
Estándar de Predicción (SEP) lo más bajo posible (PerkinElmer, 1991).
Finalmente, a los espectros FTIR se les aplicó un suavizado (smooth) con la finalidad de eliminar el
ruido que acompaña a la señal analítica y que no está relacionada con el analito o la propiedad de
interés (Macho, 2002). Se utilizó una herramienta basada en un ajuste polinómico como es el filtro
de Savitzki-Golay. Este es el método más comúnmente usado para disminuir el ruido espectral
(Beebe et al., 1998).
A todos los espectros FTIR se les aplicó un suavizado de entre 5 y 13 puntos, dependiendo de las
necesidades de cada señal espectral. Se eligieron estos intervalos por ser los más recomendables,
ya que si se aplica un puntaje más alto el ruido continuamente disminuye, pero conforme aumenta,
algunos picos pueden desaparecer (Macho, 2002).
Esto se hizo con cada uno de los sistemas de adulteración, hasta obtener los modelos
quimiométricos optimizados.
La selección del mejor modelo de calibración (optimizado) dependió de los siguientes criterios
2
estadísticos: a) Coeficiente de correlación (R ) que debe ser lo más cercano a 1, b) Error Estándar
de Calibración (SEC) y c) Error Estándar de Predicción (SEP) ambos deben ser lo más bajo
posible.
Meta 9 (Validación de los modelos quimiométricos)

3.9.2.2. Validación de modelos quimiométricos.
Con el objetivo de definir el modelo quimiométrico que mejor capacidad de predicción presenta, se
llevó a cabo la validación formado por cinco muestras con concentraciones conocidas para cada
sistema de adulteración (res-carne de caballo, res-hígado, res-riñón, res-pellejos y res-proteína de
soya texturizada) estas muestras fueron distintas a los de la matriz de calibración, pero que se
encontraban dentro de los intervalos de concentración para los que fue construido el modelo.
Al validar el modelo, se desplegaron para cada muestra de validación, información de los valores
predichos quimiométricamente, así como el Error Estándar de Predicción (SEP) que debe ser lo
más bajo posible, la Distancia de Mahalanobis que debe ser menor a 1 y determina la similitud
espectral de las muestras y finalmente el Error Residual que debe ser menor a 3 (PerkinElmer,
1991). Por medio de estos parámetros estadísticos se determina la certeza de las predicciones. Se
usó una hoja de cálculo de Excel para Windows 2005 con la finalidad de correlacionar los datos
11
actuales (reales) con los predichos (calculados) de cada adulterante y de los parámetros de
composición química (humedad, proteínas, grasa, cenizas y carbohidratos) y de esta manera
obtener el coeficiente de correlación (R2 ) que debe ser lo más cercano a 1.
Meta 10. (Desarrollo de un modelo SIMCA)

3.10. Desarrollo del modelo SIMCA.
Cuando se genera un modelo SIMCA, se requiere definir las clases de cada muestra, de esta
manera, el modelo SIMCA requiere de una base de datos de referencia (a partir de los espectros
FTIR-HATR de los estándares), para definir las clases de cada muestra. Este tipo de análisis recibe
el nombre de “asimétrico” porque involucra en esencia grupos diferentes de muestras, en este
caso, carne de res molida, carne de caballo, hígado, riñón, pellejos de res, proteína de soya
texturizada y muestras adulteradas (res-caballo, res-hígado, res-riñón, res-pellejos y res-soya
texturizada).
Para lograr esto, se adquirieron en diferentes lugares de la Cd. de México 20 muestras de cada
estándar (carne de res, carne de caballo, hígado, riñón, pellejos y proteína de soya texturizada) y
se obtuvieron sus espectros FTIR-HATR bajo las condiciones descritas en el punto 6.8.1. En total
se adquirieron 120 espectros FTIR-HATR de los cuales 90 se utilizaron para construir el modelo
SIMCA y 30 para validarlo (cinco espectros de cada material analizado). Asimismo, se utilizaron 41
espectros FTIR-HATR de cada sistema de adulteración (res-caballo, res-hígado, res-riñón, res-
pellejos y res-soya texturizada), en total 180 espectros FTIR-HATR fueron para construir el modelo
y 25 para validarlo (cinco espectros de cada sistema de adulteración).
De esta manera, los espectros de los estándares (carne de res molida, carne de caballo, hígado,
riñón, pellejos de res, proteína de soya texturizada y muestras adulteradas), se alimentaron al
programa AssureID, se les asignó nombre y se generó el modelo.
3.10.1. Optimización del modelo SIMCA.

A partir del primer modelo obtenido se procedió a generar “n” modelos hasta optimizarlo. Para
lograr esto, se eliminó el ruido electrónico, se varió el intervalo espectral, las regiones de blancos,
el suavizado (smooth) de los espectros y se aplicaron filtros ambientales para eliminar el ruido
causado por CO2 y H2O.
La selección del mejor modelo dependió de los siguientes parámetros estadísticos: a) modelo sin
muestras extremas ni traslapadas, b) distancia interclase (la que existe entre cada clase), c)
porcentaje de reconocimiento y rechazo interclase (entre cada clase) e intraclase (entre la
misma clase) (PerkinElmer, 2005).
12
3.10.2. Validación del modelo SIMCA.
Para corroborar la funcionalidad del modelo desarrollado fue preciso su validación, que se realizó
con 55 muestras (cinco espectros de cada estándar) que no pertenecían al modelo pero que eran
parte de las poblaciones estudiadas. Al realizar la validación, se desplegó para cada muestra
(PerkinElmer, 2005):
a) material identificado. Material identificado durante la validación
b) resultado. Indica si la muestra fue identificada, rechazada o no pertenece al modelo
c) distancia total. Debe ser menor de 1 para que una muestra sea clasificada. Muestras con
distancias mayores a 1 no son clasificadas
d) distancia límite. Debe ser igual a 1. Indica que el espectro validado pertenece a la población
especificada
e) distancia del modelo. Debe ser igual a 0. Una distancia mayor que 0.00 indica que la muestra
queda fuera de la variación descrita por el modelo. Este valor es la diferencia de la distancia del
espectro validado con respecto a la distancia de los espectros del modelo.
f) distancia residual. Debe ser menor a 3. Una distancia residual grande indica que la muestra
contiene una fuente de variación que no se ha encontrado previamente. En este sentido, SIMCA
usa el tamaño de los residuales igual que si los localizara sobre el mapa de scores (espectros
graficados como ejes que indican la cantidad de variación) para decidir si el material es aceptado o
no.
4. RESULTADOS Y DISCUSIÓN
META 1, 2 y 3 OBTENCIÓN, CARACTERIZACIÓN Y ANALISIS ESTADÍSTICO

DE LA MATERIA PRIMA
4.1 Caracterización de la materia prima.

Los resultados obtenidos de los análisis químicos se realizaron por triplicado por lo que se presenta
la desviación estándar de cada valor (Cuadro1).
Los datos obtenidos se encuentran entre los reportados en la literatura. Los mayores
constituyentes son el agua, proteína y grasa, aproximadamente un 1 % de cenizas y en menor
cantidad o pueden no estar presentes los carbohidratos que se encuentran en forma de glucógeno
o ácido láctico. El hígado, carne de caballo y riñón presentan un porcentaje de carbohidratos
superior al de otras carnes y son éstos los responsables del característico sabor dulce de este tipo
de carnes.
La carne de res y de caballo tienen composición química, color y textura similares por ello, ésta
última se emplea con frecuencia para sustituir la de res y los primeros intentos para identificarla se
basaron en valoraciones químicas, considerando el elevado contenido de glucógeno de la carne de
13
caballo. Así mismo, un color amarillo muy intenso de la grasa hace sospechar que se trata de
carne de caballo (Kirk et al., 1996).
La composición química de los diferentes cortes de carne puede variar considerablemente, el

mismo corte tomado de diferentes animales también puede mostrar variabilidad. Aunque la
determinación de las propiedades químicas no era la finalidad del presente estudio, fue necesario
examinar los valores de composición química para corroborar que se encontraban dentro de los
reportados en la literatura y por tanto, utilizarlos en el estudio de adulteración.
Cuadro 1. Composición química de la carne de res molida, carne de caballo, hígado, riñón, pellejos
de res y proteína de soya texturizada (deshidratada y rehidratada).
% Humedad % Cenizas %
♦ % Grasa ♦ ♦ % Proteína ♦
Carbohidratos ◊
Carne de res 61.55 (± 0.01) 18.12 (± 0.07) 0.96 (± 0.02) 19.37 (± 0.05) 0
molida (61 - 62.2) (18 - 20.5) (0.9 - 1) (16.8 - 19.9) (0)
73.05 (± 0.03) 5.06 (± 0.03) 0.97 (± 0.01) 19.39 (± 0.01) 1.53 (± 0.06)
Carne de caballo
(73 - 75) (1 - 6) (1) (19 - 23) (2)
68.04 (± 0.15) 7.85 (± 0.11) 1.34 (± 0.03) 20.29 (± 0.28) 2.48 (± 0.19)
Hígado
(68.6 - 70) (7.8 - 8) (1.4) (19.7 - 21.1) (2.2 - 6)
79.54 (± 0.13) 2.69 (± 0.03) 1.08 (± 0.01) 15.76 (± 0.02) 0.93 (± 0.12)
Riñón
(75 – 79.8) (2.6 - 3) (1.1) (15 - 15.8) (0.9)
23.77 (± 0.08) 66.91 (± 0.01) 8.84 (± 0.08) 0
Pellejos de res 0.48 (± 0.01)
(24) (66.9) (8.9) (0)
Proteína de soya
8.42 (± 0.06) 1.51 (± 0.06) 5.83 (± 0.02) 49.87 (± 0.2) 34.37 (± 0.08)
texturizada
(6-10) (0.5-2) (6) (50) (33.5-35)
(deshidratada)
Proteína de soya
69.82 0.03 1.85 45.68 0
texturizada
------ ------ ------ ------ ------
(rehidratada)
♦
Corresponde a un promedio de tres repeticiones
◊ Se obtuvo por diferencia
La desviación estándar se presenta en paréntesis ( )
Los datos en cursiva corresponden a los valores reportados en la literatura (Hart 1991; McCance et
al., 1991; Chan et al., 1995, Andujar et al., 2000 y Luengo 2001)
La proteína de soya texturizada rehidratada no cuenta con valores reportados en la literatura
META 4 y 5 PREPARACIÓN DE LAS MUESTRAS ADULTERDADAS Y

OBTENCIÓN DE LOS ESPEROS FTIR-HATR DE MUESTRAS SIN ADULTERAR
Y ADULTERADAS
La preparación de las muestras adulteradas fue explicado en el capitulo de Metodos.
4.2. Interpretación de espectros FTIR-HATR.

4.2.1. Interpretación de espectros FTIR-HATR de carne de res molida, carne de caballo,
hígado, riñón, pellejos de res y proteína de soya texturizada.
Las características de la composición química de los diferentes tipos de muestras se reflejan en los
espectros infrarrojos, debido a que el agua, proteína, grasa y carbohidratos tienen grupos
funcionales característicos y propios que absorben fuertemente en el Infrarrojo Medio.
14
En las Figuras 4.1 y 4.2 se presentan los espectros FTIR de la carne de res molida, carne de
caballo, hígado, riñón, pellejos de res y proteína de soya texturizada en la región completa del
infrarrojo medio (4000-550 cm-1), en esta región del espectro infrarrojo se encuentran señales de
las vibraciones de los enlaces moleculares, los cuales pueden precisar la composición química de
las muestras. El espectro total de las muestras (Figuras 4.1 y 4.2) refleja su composición química
ya que se pueden observar bandas de absorción asociadas principalmente con el agua, proteína,
grasa y carbohidratos.
Los espectros FTIR-HATR de las muestras analizadas presentan bandas de absorción a 3500-
3400 cm-1, 3400-3200 cm-1, 2950-2850 cm-1, 1750-1710 cm-1, 1650-1550 cm-1, 1460-1235 cm-1 y
1200-950 cm-1. También en la muestra de pellejos de res se observan picos de absorción a 3008
cm-1, 1485-1380 cm-1, 1250-1100 cm-1, 988 cm-1 y 723 cm-1 (Figuras 4.1 y 4.2).
3500- 3400 cm-1 3400-3200 cm-1

N-H O-H
(amidas I) (agua) 1650 cm-1
O-H
(agua)
Absorbancia
1650-1550 cm-1
N-H (aminas I y II)
C=O (amidas I y II) 1460- 1235 cm-1
2950-2850 cm-1 C-N
C-H (amidas I y II)
(CH3 y CH2)
1750-1710 cm-1
C=O
(lípidos) 1200-950 cm-1
C-O-C
(glucógeno)
cm-1
-1
Figura 4.1. Espectros FTIR-HATR en la región completa del infrarrojo medio (4000-550 cm ) de
muestras no adulteradas de: carne de res molida (rojo), carne de caballo (verde), hígado (negro),
riñón (azul) y proteína de soya texturizada (lila).
15
1250-1100 cm-1
2950-2850 cm-1
C-H O=C–O–
(CH3 y CH2)
723 cm-1
1485-1380 cm-1
C=C-H
Absorbancia
1750-1710 cm-1 Enlace cis

O=C–O–
O=C– O-H
3400-3200 cm-1 N-H
O-H 3008 cm-1 o puede ser C=O
C=C-H
Enlace cis O=C–O–
988 cm-1
C=C-H
Enlace cis
cm-1
-1
Figura 4.2. Espectro FTIR-HATR en la región completa del infrarrojo medio (4000-550 cm ) de
pellejos de res no adulterado.
La primera banda de absorción (3500-3400 cm-1) (Figura 4.1) se debe a las vibraciones de tensión
de los enlaces N-H de amidas primarias de las proteínas. La segunda banda (3400-3200 cm-1)
(Figuras VII.1 y VII.2) pertenece a las vibraciones de tensión de los enlaces O-H presentes en
moléculas como el agua, se presenta como una banda ancha (Gangidi et al., 2003). Esta banda
está presente en todos los espectros pero es de menor magnitud en los pellejos de res ya que
normalmente, a medida que el contenido de grasa aumenta, la humedad disminuye.
El espectro FTIR de pellejos de res (Figura 4.2) muestra una banda a 3008 cm-1, que es propia de
la vibración de tensión de los grupos olefínicos =CH- cis de los lípidos (Guillén et al., 2005).
Los picos en el intervalo 2950-2850 cm-1 (Figuras 4.1 y 4.2) se atribuyen a las vibraciones de
tensión de los enlaces C-H de metilos (CH3) y metilenos (CH2) y se deben principalmente a los
lípidos (Cocchi et al., 2004). Estos picos están presentes en todos los espectros pero son de mayor
magnitud en los pellejos de res (Figura 4.2) ya que la composición química de esta muestra está
formada principalmente de grasas (66.91%). Por el contrario, la proteína de soya texturizada
(rehidratatda) carece de esta banda ya que su contenido de grasa es mínimo (0.03%) (Figura 4.1 y
Cuadro2).
16
La banda de absorción indicada a 1750-1710 cm-1 (Figuras 4.1 y 4.2) se debe al grupo funcional
C=O de ésteres o cetonas de algunos lípidos, en ambos casos el grupo funcional C=O presenta
vibraciones de tensión (Coates, 2000), en los espectros FTIR de la carne molida, hígado y riñón
esta banda no se presenta ya que la grasa subcutánea fue eliminada manualmente, en cambio en
el espectro FTIR de pellejos de res (Figura 4.2) esta banda es muy alta. Esto refleja la diferencia en
el contenido de lípidos entre las muestras y concuerda con los datos de la composición química.
Las bandas de absorción en esta región corresponden a los ácidos grasos insaturados, por
ejemplo, el ácido oleico absorbe a 1725 cm-1, mientras que los triglicéridos saturados e insaturados
tienen su máxima absorción a 1760-1725 cm-1 (Downey et al., 2002), esto es de esperarse ya que
en la grasa de la carne de res, el ácido graso insaturado más abundante es el oleico, además de
otros ácidos grasos saturados como el palmítico y el esteárico (Forrest, 1979).
La banda de 1650-1590 cm-1 (Figuras 4.1 y 4.2) son asignadas a las vibraciones de flexión N-H de
aminas primarias y secundarias, la banda de 1650-1550 cm-1 corresponden a las vibraciones de
tensión del carbonilo C=O de amidas primarias y secundarias (Figuras 4.1 y 4.2); estas dos bandas
de absorción se asocian con las combinaciones de los modos vibracionales de los grupos amido de
los aminoácidos en las proteínas y es particularmente importante, ya que esto refleja las
modificaciones en la estructura secundaria de la proteína (Wellner et al., 1996). En esa misma
región aparece una banda (1650 cm-1) sobrelapada que pertenece a las vibraciones de tensión de
los enlaces O-H de moléculas del agua (Al-Jowder et al., 1999).
Así mismo, los picos de 1460-1235 cm-1 (Figura 4.1) se atribuyen a las vibraciones de tensión de
los enlaces C-N de amidas primarias y secundarias, que son el grupo característico de las
proteínas (Coates, 2000). Muchas bandas de absorción son atribuibles a los grupos funcionales
que constituyen las proteínas y es de esperarse ya que después del agua, las proteínas son los
componentes mayoritarios en la carne, vísceras (hígado, riñón) y proteína de soya texturizada.
Cabe resaltar que en el espectro FTIR de la proteína de soya texturizada (Figura 4.1) las únicas
bandas de absorción se encuentran entre 3400-3200 cm-1 y 1650-1590 cm-1 y se deben
respectivamente a las vibraciones de tensión de los enlaces O-H presentes en el agua y a las
vibraciones de flexión N-H de aminas primarias y secundarias asociadas con las proteínas.
En la región de 1200-950 cm-1 (Figura 4.1) se encuentran las vibraciones de tensión de los enlaces
C-O-C que se atribuyen al contenido de glucógeno de las muestras analizadas (Al-Jowder et al.,
1999).
17
Si bien las muestras contienen poco o nada de carbohidratos, los espectros muestran algunas
bandas de absorción en esta región, las cuales varían con respecto al contenido de glucógeno en
las diferentes muestras. Aunque los carbohidratos exhiben absorciones fuertes en esta región,
otros compuestos químicos incluso las grasas dan lugar a bandas menores y éstas pueden
atribuirse a otros constituyentes químicos que absorben en esta región (Al-Jowder et al., 1999). Por
ejemplo, existen reportes en donde se ha encontrado que las bandas a 1160 cm-1 pueden deberse
a vibraciones de tensión de los enlaces C-O de los ésteres de algunos lípidos y los picos a 1075
cm-1 corresponden a vibraciones de tensión de los enlaces S=O de los compuestos de azufre
(Gangidi et al., 2003). Esto es importante ya que algunos aminoácidos que forman proteínas
contienen azufre.
Lo antes citado se demuestra en el espectro FTIR de los pellejos de res (Figura VII.2) ya que las
bandas que se presentan en la región de 1485-550 cm-1 se deben a los grupos funcionales de los
lípidos, por ejemplo, a 1485-1380 cm-1 se presentan vibraciones de tensión C=O de ésteres, los
diversos picos que se presentan entre 1250-1100 cm-1 corresponden a vibraciones de tensión de
los enlaces C-O- de ésteres (PerkinElmer, 2006). A 988 cm-1 aparece una banda que se ha
asociado con las vibraciones de flexión de grupos dienos conjugados C=C-H trans-trans (t-t) y cis-
trans (c-t) de los lípidos (Guillén et al., 2005). Finalmente a 723 cm-1 se presentan vibraciones de
tensión C=C-H (éster) enlace cis de los lípidos.
De esta manera, las diferencias más notables entre los espectros FTIR se presentaron en la zona
conocida como huella digital, ya que las absorciones que aparecen en esta región provienen
principalmente de las vibraciones de tensión, donde cada compuesto tiene una absorción
característica.
Las bandas de absorción antes señaladas son consistentes con lo que se esperaba sobre los datos
de la composición química de las muestras analizadas, ya que el espectro infrarrojo ayuda a
revelar la estructura de un compuesto mostrando cuáles grupos funcionales están presentes o
ausentes en la molécula, por tanto, el espectro FTIR es altamente sensible para precisar la
composición de las muestras de carne. Las bandas de los espectros FTIR antes descritas
coinciden con las obtenidas por Al-Jowder et al., (1999) y Al-Jowder et al., (2002).
Cabe resaltar que la interpretación de espectros infrarrojos es mucho más que asignar bandas de
absorción, ya que un espectro FTIR es rico en información y por tanto revela información acerca de
los enlaces moleculares presentes en las muestras. Otro aspecto que debe tomarse en
consideración para la interpretación exitosa es apoyarse no sólo en la presencia de bandas
particulares dentro del espectro, sino también en la ausencia de otras bandas importantes. De esta
18
manera, el espectro infrarrojo puede usarse como una huella digital para identificar una muestra
desconocida (Reid et al., 2006).
Aunque los espectros de las muestras de res, carne de caballo, hígado, riñón, pellejos de res y
proteína de soya texturizada son visualmente muy similares, algunas regiones pueden ser
estadísticamente diferentes, por ello, se requiere de un análisis multivariante (quimiométrico) para
detectar estas posibles diferencias.
4.2.2. Interpretación de espectros FTIR-HATR de las muestras adulteradas (res-carne de

caballo, res-hígado, res-riñón, res-pellejos y res-proteína de soya texturizada).
Se obtuvieron 41 espectros FTIR de carne de res molida con cada adulterante. Los espectros FTIR
de las muestras adulteradas se obtuvieron bajo las mismas condiciones que las muestras sin
adulterar.
En las Figuras 4.3, 4.4, 4.5, 4.6 y 4.7 se muestran por claridad 15 de los 41 espectros FTIR de
cada sistema de adulteración: res-carne de caballo, res-hígado, res-riñón, res-pellejos y res-
-1
proteína de soya texturizada respectivamente en la región de la “huella digital” (1800-900 cm ). En
el caso de los espectros FTIR del sistema de adulteración con pellejos de res (Figura 4.6) se
presentan en el intervalo de 1800-1000 cm-1 pues se eliminó el ruido electrónico. Las flechas
indican la dirección del aumento o disminución en las bandas de absorción conforme se incrementa
la concentración del adulterante.
Los espectros FTIR muestran diferencias en la magnitud de absorbancia para cada una de las
muestras adulteradas (Figuras 4.3, 4.4, 4.5, 4.6 y 4.7), de tal manera que cada curva se relaciona
directamente con una determinada concentración del adulterante. Esto refleja el cambio en la
composición química de las muestras conforme aumenta la concentración del adulterante y esto es
esencial para el desarrollo de los modelos quimiométricos.
En los espectros FTIR de los sistemas de adulteración con caballo, hígado y riñón (Figuras 4.3,
VII.4, VII.5) se observan las mismas bandas de absorción pero en diferente magnitud conforme
aumenta la concentración del adulterante, de tal manera que el espectro que tiene un 10% del
adulterante es de menor magnitud que aquel que tiene un 40% para los tres sistemas de
adulteración (Figuras 4.3, 4.4, 4.5).
19
Absorbancia
Incremento en las
proporciones del
adulterante
-1
Figura 4.3 Espectros FTIR en la zona de la huella digital (1800-900 cm ) de carne de res molida
adulterada con carne de caballo
Absorbancia
Incremento en las
proporciones del
adulterante
cm-1
-1
Figura 4.4. Espectros FTIR en la zona de la huella digital (1800-900 cm ) de carne de res molida
adulterada con hígado.
20
Absorbancia
Incremento en las
proporciones del
adulterante
cm-1
-1
adulterada con riñón.
Absorbancia
Incremento en las
proporciones del
adulterante
res-pellejos 60:40
cm-1
-1
adulterada con pellejos de res.
21
res-proteína de soya texturizada 90:10
Absorbancia res-proteína de soya texturizada 60:40
Incremento en las
proporciones del
adulterante
cm-1
-1
adulterada con proteína de soya texturizada.
En los espectros FTIR del sistema de adulteración con pellejos de res (Figuras 4.6), se observa un
cambio notable en la composición química de las muestras adulteradas al incrementarse la banda
de 1750-1710 cm-1 correspondiente a las vibraciones de tensión de los enlaces tipo éster C=O de
algunos lípidos, esto refleja la diferencia en el contenido de grasas de las muestras adulteradas, ya
que conforme aumenta la adulteración, el contenido de lípidos también se incrementa (Figuras 4.6).
Este comportamiento también se observa en el pico de 1485 cm-1 (C=O, ésteres) y entre 1250-
1150 cm-1 (C-O-, ésteres) mismos que aumentan conforme se incrementa el porcentaje del
adulterante. La banda de 1650-1590 cm-1 asignadas a vibraciones de flexión N-H de aminas
primarias y secundarias así como la región 1650-1550 cm-1 de vibraciones de tensión del carbonilo
C=O de amidas primarias y secundarias y la banda de 1650 cm-1 de las vibraciones de tensión O-H
del agua, también cambian de magnitud ya que normalmente a medida que el contenido de grasa
aumenta la combinación de humedad y proteína se desplaza en dirección opuesta (Figuras 4.6).
En lo que se refiere a los espectros FTIR del sistema de adulteración con proteína de soya
texturizada (Figuras 4.7) el efecto más notable de la adulteración se manifiesta al disminuir la
banda de 1650-1590 cm-1 asignada a las vibraciones de flexión N-H de aminas primarias y
secundarias y la banda de 1650-1550 cm-1 que corresponden a las vibraciones de tensión del
carbonilo C=O de amidas primarias y secundarias. De esta manera, conforme aumenta el
porcentaje de adulteración la magnitud de absorción de estas bandas van disminuyendo (Figura
4.7). Por tanto, estas diferencias pueden usarse para desarrollar el modelo quimiométrico para
detectar este tipo de adulteración.
22
Al analizar los espectros FTIR de todos los sistemas de adulteración (res-carne de caballo, res-
hígado, res-riñón, res-pellejos y res-proteína de soya texturizada), se demuestra que el espectro
proporciona información sobre un número muy grande de analitos, así mismo, las bandas de
absorción son muy sensibles a los estados físicos y químicos de los constituyentes individuales. De
esta manera, la alta proporción de señal-ruido que se obtiene de los espectros FTIR permite
identificar los constituyentes presentes en bajas concentraciones, así como mínimas diferencias en
la composición de los constituyentes a analizar.
Por tanto, para identificar posibles adulteraciones en la carne de res por medio de un espectro
FTIR es determinando la proporción de algunos constituyentes químicos y asumir que estas
proporciones son componentes constantes en la carne. De esta manera, la adición de cualquier
sustancia(s) a la carne de res modificará estas proporciones y por consiguiente resultará en un
espectro FTIR diferente al original. Sin embargo, no siempre es posible distinguir espectros FTIR
de muestras adulteradas de las no adulteradas solo con inspección visual, por lo cual es necesario
analizar los datos por métodos multivariantes (quimiometría) para desarrollar modelos de
predicción y obtener un estudio más exacto referente a muestras heterogéneas.
En investigaciones relacionadas (Al-Jowder et al., 1997), se ha demostrado que es muy difícil

distinguir espectros FTIR de muestras no adulteradas de las adulteradas en diferentes tipos de
carne (res, pollo, pavo y cerdo) sin la ayuda de quimiometría.
Por último, cabe señalar que el cambio en la variación espectral fue lo suficiente en cada uno de
los sistemas de adulteración (res-carne de caballo, res-hígado, res-riñón, res-pellejos y res-
proteína de soya texturizada) para desarrollar modelos quimiométricos sólidos y confiables.
4.3. Desarrollo de modelos quimiométricos para identificar adulteraciones y composición

química.
META 6. SELECCIÓN DE LA SEÑAL ESPECTRAL
4.3.1. Selección de la región espectral.
Un importante parámetro que se utilizó para desarrollar la calibración de los modelos fue
seleccionar el intervalo espectral que se empleó para construir el modelo. Una vez que se
obtuvieron los espectros FTIR de las muestras adulteradas se hizo un análisis espectral y se
seleccionaron las regiones que mostraron alta correlación entre la absorbancia de cada número o
longitud de onda en el espectro contra las concentraciones de cada adulterante (carne de caballo,
hígado, riñón, pellejos de res y proteína de soya texturizada). Esto es necesario ya que si se eligen
fuertes picos de absorción, los factores PCR, PLS1 y PLS2 no pueden corregir sobreabsorbancias
(A>2.0) (Sivakesava e Irudayaraj, 2001a). Además, si todos los números de onda se usaran en la
23
calibración existiría el riesgo de ‘‘diluir” las regiones útiles del espectro, haciendo los picos
espectrales mayores menos visibles a los algoritmos, al mismo tiempo que se incorporaría ruido en
el modelo de calibración (Soriano et al., 2007).
Por tanto, después de varios intentos, la región que se eligió para construir los modelos de
calibración de cada sistema de adulteración (res-carne de caballo, res-hígado, res-riñón, res-
pellejos de res y res-proteína de soya texturizada) fue de 1800-900 cm-1 (región de la “huella
digital”) ya que esta zona presentó la correlación más alta. Además, esta región proporciona la
información más útil del espectro infrarrojo, al mismo tiempo, esta restricción acelera el
procesamiento de los datos (McElhinney et al., 1999). A su vez, en esta región de los espectros
FTIR se encuentran los componentes mayoritarios (agua, proteínas, grasas y carbohidratos) de las
muestras analizadas.
META 7. DESARROLLO DE LOS MODELOS DE CALIBRACIÓN
4.3.2. Desarrollo de modelos de calibración para cada adulterante.

Los modelos de calibración multivariante se desarrollaron utilizando los algoritmos PCR, PLS1 y
PLS2. Estos modelos establecen una correlación entre los datos espectrales y la concentración
del adulterante y con los valores analíticos de los parámetros de composición química. En la
construcción de cada modelo, se obtuvieron datos estadísticos para cada sistema de adulteración y
para cada algoritmo aplicado (PCR, PLS1 y PLS2), los cuales ayudaron a elegir el mejor modelo de
calibración.
7.3.2.1. Calibración de los sistemas de adulteración (res-carne de caballo, res-hígado, res-

riñón, res-pellejos y res-proteína de soya texturizada).
El número de factores, coeficiente de correlación (R2) y Error Estándar de Calibración (SEC) de
los algoritmos PCR, PLS1 y PLS2 son los datos más importantes a analizar, ya que éstos
determinan cuál algoritmo predice mejor. La información que PCR, PLS1 y PLS2 arrojaron en forma
de valores estadísticos de calibración se presenta en el Cuadro VII.3. El algoritmo con mayor
capacidad predictiva se presenta en negrita y cursiva.
24
Cuadro 4.3. Datos de calibración de los modelos desarrollados con los algoritmos PCR, PLS1 y
PLS2 de adulteración y composición química (humedad, proteínas, grasas, cenizas y carbohidratos)
de los sistemas de adulteración: res-carne de caballo, res-hígado, res-riñón, res-pellejos y res-
proteína de soya texturizada.
CALIBRACIÓN
Sistema de
Algoritmo Parámetro Factores a R2 b SEC c
adulteración
Adulteración 1.513
Humedad 0.1747
Proteínas 0.0002
PCR 10 0.9975
Grasas 0.1938
Cenizas 0.2001
Carbohidratos 0.0187
Adulteración 1.750
Humedad 0.1819
RES-CARNE DE
Proteínas 0.0002
CABALLO PLS1 5 0.9982
Grasas 0.2370
Cenizas 0.2901
Adulteración 1.454
Proteínas 0.1690
PLS2 Grasas 5 0.9991 0.0002
Cenizas 0.1899
Adulteración 1.313
Humedad 0.0864
Proteínas 0.0093
PCR 10 0.9977
Grasas 0.1349
Cenizas 0.0046
Adulteración 1.451
Humedad 0.0955
Proteínas 0.0903
RES-HÍGADO PLS1 6 0.9969
Grasas 0.1491
Cenizas 0.0051
Adulteración 1.290
Humedad 0.0848
Proteínas 0.0092
PLS2 7 0.9979
Grasas 0.1325
Cenizas 0.0046
RES-RIÑÓN Adulteración 1.305
Cuadro VII.3. Continuación Humedad 0.2362
Proteínas 0.0471
PCR 5 0.9974
Grasas 0.2015
Cenizas 0.0015
Adulteración 1.021
Humedad 0.1848
Proteínas 0.0369
PLS1 6 0.9984
Grasas 0.1576
Cenizas 0.0012
PLS2 Adulteración 4 0.9971 1.508
Humedad 0.2730
Proteínas 0.0545
Grasas 0.2329
25
Cenizas 0.0017
Adulteración 1.278
Humedad 0.8580
Proteínas 0.2400
PCR 14 0.9942
Grasas 1.109
Cenizas 0.0110
Adulteración 2.496
Humedad 2.823
RES-PELLEJOS DE Proteínas 0.7896
PLS1 3 0.9064
RES Grasas 3.648
Cenizas 0.0363
Adulteración 2.410
Humedad 1.219
Proteínas 0.6536
PLS2 8 0.9867
Grasas 1.647
Cenizas 0.0164
Adulteración 1.0444
Humedad 0.0807
Proteínas 0.0216
PCR 11 0.9987
Grasas 0.1734
Cenizas 0.0090
Adulteración 1.052
Humedad 0.0813
RES-PROTEÍNA DE
Proteínas 0.0218
SOYA PLS1 4 0.9980
Grasas 0.1747
TEXTURIZADA
Cenizas 0.0090
Adulteración 0.5794
Humedad 0.0448
Proteínas 0.0120
PL S 2 7 0.9996
Grasas 0.0962
Cenizas 0.0050
a Número óptimo de factores

2
b Coeficientes de correlación (R ), debe ser lo más cercano a 1
c Error Estándar de Calibración (SEC), debe ser lo más bajo posible
NOTA: El algoritmo con mayor capacidad predictiva se presenta en negrita y cursiva
Los datos que se presentan se obtuvieron después de analizar y modificar diferentes parámetros
(número de factores, intervalo del espectro, eliminar ruido electrónico, suavizado, regiones blanco)
en varios modelos previamente desarrollados hasta lograr su optimización, por tanto, los valores
que se presentan corresponden a los modelos quimiométricos optimizados.
Al analizar los datos y comparar los tres algoritmos (PCR, PLS1 y PLS2) se observa que para los
cinco sistemas de adulteración (res-carne de caballo, res-hígado, res-riñón, res-pellejos y res-
proteína de soya texturizada), todos los modelos desarrollados tienen coeficientes de correlación
(R2) muy cercanos a la unidad, lo cual indica que cualquiera de los modelos quimiométricos
26
desarrollados son confiables para predecir concentraciones de adulteración en muestras problema
(Cuadro 4.3).
De igual manera, los valores de SEC de los tres algoritmos de todos los modelos desarrollados se
encuentran por debajo de 3 que es el límite máximo permitido, por tanto, todos los modelos
quimiométricos de los diferentes sistemas de adulteración se consideran confiables (Cuadro VII.3).
La selección del mejor modelo de calibración dependió del Coeficiente de correlación (R2), que
debe ser lo más cercano a 1 y del Error Estándar de Calibración (SEC) que debe ser lo más bajo
posible. Con base en esto, para los sistemas de adulteración: res-carne de caballo, res-hígado y
res- proteína de soya texturizada, el algoritmo PLS2 mostró los mejores resultados, mientras que
PLS1 lo fue para res-riñón y PCR para res-pellejos (Cuadro 4.3), por obtener valores de SEC más
bajos y coeficiente de correlación (R2) más altos en comparación con los modelos desarrollados
con los otros algoritmos. Del mismo modo, estos valores indican la precisión alcanzada en la
calibración y validación. De acuerdo a los criterios propuestos por Shenk y Westerhaus (1996) un
valor de R2 más grande que 0.91 indica información cuantitativa “excelente”, mientras que un valor
entre 0.7 y 0.9 se describe como “bueno”. Un valor de R2 entre 0.5 y 0.7 demuestra poca
separación de muestras, indicando que la calibración sólo puede usarse con propósitos
preliminares.
Los resultados obtenidos (Cuadro 4.3), muestran que los modelos desarrollados con los algoritmos
PCR, PLS1 y PLS2 son muy cercanos, aunque PLS ligeramente da mejores resultados. Esto se
debe a que PLS es una técnica cuantitativa de descomposición espectral, capaz de correlacionar
los cambios espectrales con los cambios en las concentraciones de un componente de interés (en
este caso la adulteración). Esto causa que los espectros de las muestras con concentración más
alta tengan más influencia que las muestras con concentración más baja. De esta manera el
objetivo de PLS es construir un modelo lineal que permita la predicción de características
deseables (porcentaje de adulteración) de los espectros analizados. Por ello, PLS es el algoritmo
más frecuentemente utilizado para correlacionar datos espectrales con datos químicos o físicos
(Defernez y Kemsley, 1997).
De PLS se distinguen dos versiones: PLS1 y PLS2. PLS1 maneja solo una variable (espectros) a la
vez, es decir, para cada constituyente de interés se calcula un juego de scores y vectores
(factores), por tanto, este algoritmo proporciona predicciones más exactas que PCR y PLS2 ya que
construye matrices separadas para cada constituyente de interés. Por otro lado, PLS2 maneja
muchas variables simultáneamente y es útil para una apreciación global preliminar en el análisis de
los datos explorados, en este sentido, PLS2 se calibra para todos los constituyentes
simultáneamente (Li et al., 1996). A diferencia de PLS, PCR no considera los valores de referencia
para construir los componentes espectrales (Sivakesava e Irudayaraj, 2001a,b). Esto puede
27
explicar porque PLS desarrolla mejores modelos que PCR. La única desventaja de usar PLS1 es la
lentitud de calibración ya que al calcular parámetros estadísticos para cada constituyente de interés
los cálculos conllevan más tiempo.
Con los datos obtenidos en la presente investigación, se demuestra que es evidente la versatilidad
de los modelos de calibración. Los argumentos en la literatura generalmente muestran que PLS
tiene habilidad predictiva superior. En muchos casos, las versiones de PLS darán mejores
resultados que PCR y PLS1 será más exacto que PLS2. Sin embargo, hay investigaciones donde
ciertas calibraciones han arrojado mejores resultados usando PCR o PLS2 en lugar de PLS1.
Desafortunadamente, no hay reglas definidas y solo la práctica puede determinar el mejor modelo
para cada sistema individual. De esta manera, ninguno de los tres algoritmos es teóricamente
mejor que otro, por tanto, los modelos desarrollados con alguno de los tres algoritmos deben
juzgarse por los resultados que alcancen (Li et al., 1996).
Una forma de evaluar la capacidad de predicción de los modelos calibrados, es mediante gráficas
que permiten visualizar la correlación entre los valores especificados (concentración real del
adulterante) y los valores estimados (concentración predicha del adulterante por el modelo
desarrollado). Así, las Figuras 4.13, 4.14, 4.15, 4.16 y 4.17 presentan la correlación obtenida de los
valores especificados contra los valores estimados de cada sistema de adulteración y de los
parámetros químicos para: res-carne de caballo con el algoritmo PLS2 (Figura 4.13), res-hígado
con PLS2 (Figura 4.14), res-riñón con PLS1 (Figura 4.15), res-pellejos de res con PCR (Figura 4.16)
y res-proteína de soya texturizada con PLS2 (Figura 4.17) por ser los modelos con mayor
capacidad para predecir la adulteración y los parámetros químicos.
Se observa que los coeficientes de correlación de los modelos quimiométricos que predicen la
adulteración y cada parámetro (humedad, proteínas, grasas, cenizas y carbohidratos) son muy
cercanos a 1: res-carne de caballo R2=0.9991, res-hígado R2=0.9979, res-riñón R2=0.9984, res-
pellejos R2=0.9942 y res-proteína de soya texturizada R2=0.9996; este valor es uno de los
indicadores que determina buena predicción de los modelos y manifiesta que existe correlación
muy buena entre lo especificado contra lo estimado por el modelo quimiométrico, lo que revela la
precisión de la calibración y como ya se mencionó, de acuerdo a Shenk y Westerhaus (1996)
valores de R2 más altos que 0.91 se consideran “excelentes”.
28
R2 = 0.9991 R2 = 0.9991
100 74
72
Valor estimado (%)

80
+ 3%
Valor Estimado (%)

70
60
68
40 - 3% 66
Humedad
64
20
62
0 62 64 66 68 70 72 74
0 20 40 60 80 100
Valor especificado (%)
Valor Especificado (%)
a b
R2 = 0.9991 R2 = 0.9991
19.65
17
Valor estimado (%)

Valor estimadio (%)
15
19.55
13
11
19.45 9
Proteínas Grasa
7
19.35 5
19.35 19.45 19.55 19.65 5 7 9 11 13 15 17
Valor especificado (%) Valor especificado (%)
c d
R2 = 0.9991 R2 = 0.9991
1.6
Valor estimado (%)
Valor estimado (%)
1.2
0.976
0.8
0.971
Cenizas 0.4 Carbohidratos
0.966 0
0.966 0.971 0.976 0 0.4 0.8 1.2 1.6
Figura 4.13. Valores especificados

e contra valores estimados para el f modelo quimiométrico
desarrollado con el algoritmo PLS2 para: a) carne de res adulterada con carne de caballo y
parámetros químicos: b) humedad, c) proteínas, d) grasas, e) cenizas y f) carbohidratos.
29
R2 = 0.9979 R2 = 0.9979
100 68
Valor estimado (%)

80 +4
Valor Estimado (%) 66
60
40 -4 64
Humedad
20
62
0 62 64 66 68
0 20 40 60 80 100
a b
R2 = 0.9979 R2 = 0.9979
18
20
Valor estimado (%)

Valor estimadio (%)
16
19.8 14
12
19.6
Proteínas 10 Grasa
19.4 8
19.4 19.6 19.8 20 8 10 12 14 16 18
c d
R2 = 0.9979 R2 = 0.9979
2.7
1.28
Valor estimado (%)
Valor estimado (%)
2.1
1.18
1.5
1.08 Cenizas 0.9 Carbohidratos
0.98 0.3
0.98 1.08 1.18 1.28 0.3 0.9 1.5 2.1 2.7
e f
Figura 4.14. Valores especificados contra valores estimados para el modelo quimiométrico
desarrollado con el algoritmo PLS2 para: a) carne de res adulterada con hígado y parámetros
químicos: b) humedad, c) proteínas, d) grasas, e) cenizas y f) carbohidratos.
30
R2 = 0.9984 R2 = 0.9984
100
78
Valor estimado (%)

80 +3
Valor Estimado (%) 74
60
70
40 -3
66 Humedad
20
62
0 62 66 70 74 78
0 20 40 60 80 100
a b
R2 = 0.9984 R2 = 0.9984
19.5
17
Valor estimado (%)

Valor estimadio (%)
15
18.5
13
17.5 11
9
16.5 Proteínas 7 Grasa
5
15.5 3
15.5 16.5 17.5 18.5 19.5 3 5 7 9 11 13 15 17
c d
R2 = 0.9984 R2 = 0.9984
Valor estimado (%)
Valor estimado (%)
1.07 0.75
0.55
1.02
Cenizas 0.35
Carbohidratos
0.97 0.15
0.97 1.02 1.07 0.15 0.35 0.55 0.75
Figura VII.15. Valores especificados

e contra valores estimados para f el modelo quimiométrico
desarrollado con el algoritmo PLS1 para: a) carne de res adulterada con riñón y parámetros
químicos: b) humedad, c) proteínas, d) grasas, e) cenizas y f) carbohidratos.
31
R2 = 0.9942 R2 = 0.9942
100
56
Valor estimado (%)

80 +4
Valor Estimado (%)
51
46
60
41
40 -4 36
31
Humedad
20
26
0 26 31 36 41 46 51 56
0 20 40 60 80 100
a b
R2 = 0.9942 R2 = 0.9942
20 62
Valor estimado (%)

Valor estimadio (%)
18 56
16 50
44
14
38
12
Proteínas 32 Grasa
10 26
8 20
8 10 12 14 16 18 20 20 24 28 32 36 40 44 48 52 56 60 64
c d
R2 = 0.9942 R2 = 0.9942
0.9 0.11
Valor estimado (%)
Valor estimado (%)
0.108
0.8
0.106
0.7
0.104
Cenizas
0.6 0.102
0.5 0.1
0.5 0.6 0.7 0.8 0.9 0.1 0.102 0.104 0.106 0.108 0.11 0.112
Figura 4.16. Valores especificados contra valores estimados para el modelo quimiométrico
e
desarrollado con el algoritmo PCR para: a) carne de res adulterada f con pellejos de res y
parámetros químicos: b) humedad, c) proteínas, d) grasas, e) cenizas y f) carbohidratos.
32
R2 = 0.9996 R2 = 0.9996
100 69
Valor estimado (%)

80 +3
Valor Estimado (%)
67
60 65
40 -3 63
Humedad
20
61
0 61 63 65 67 69
0 20 40 60 80 100
a b
R2 = 0.9996 R2 = 0.9996
19.7 18
16
Valor estimado (%)

Valor estimadio (%)
19.2
14
18.7 12
10
18.2 8
Proteínas 6 Grasa
17.7
4
17.2 2
17.2 17.7 18.2 18.7 19.2 19.7 2 4 6 8 10 12 14 16 18
c d
R2 = 0.9996 R2 = 0.9996
1.8
8.6
Valor estimado (%)
Valor estimado (%)
1.6
6.6
1.4
4.6
1.2
Cenizas Carbohidratos
2.6
1 0.6
1 1.2 1.4 1.6 1.8 0.6 2.6 4.6 6.6 8.6
Figura 4.17. Valores especificados

e contra valores estimados para el fmodelo quimiométrico
desarrollado con el algoritmo PLS2 para: a) carne de res adulterada con proteína de soya
texturizada y parámetros químicos: b) humedad, c) proteínas, d) grasas, e) cenizas y f)
carbohidratos.
De acuerdo a esto, lo ideal es que todas las muestras caigan sobre la línea de 45°, en este sentido,
la mayoría de las muestras caen dentro de esta línea con una desviación máxima de ±3% en los
sistemas de res-carne de caballo, res-riñón y res-proteína de soya texturizada, mientras que en
33
res-hígado y res-pellejos la desviación máxima es de ±4%. Esto indica que los modelos
quimiométricos desarrollados están modelando la información correctamente.
META 9. VALIDACIÓN DE LOS MODELOS QUIMIOMÉTRICOS
4.3.2.2. Validación de modelos quimiométricos.

Antes de aplicar los modelos quimiométricos a un sistema real, fue necesario corroborar que tan
preciso era para la predicción. Para ello, se llevó a cabo la validación externa formado por un
conjunto de cinco muestras diferentes de las empleadas para construir y calibrar el método
QUANT+, pero que se encontraban dentro de los intervalos de concentración para los que fue
construido el modelo.
La validación externa se ha aplicado en diversas investigaciones mostrando excelente capacidad

de predicción de los modelos (Al-Jowder et al., 1999; McElhinney et al., 1999; Kemsley et al., 2001;
Al-Jowder et al., 2002 y Tewari e Irudayaraj, 2004).
Se usó una hoja de cálculo de Excel para Windows 2005 para correlacionar los valores de
predicción (calculados) con los valores actuales (reales) de cada adulterante y de los parámetros
de composición química (humedad, proteínas, grasa, cenizas y carbohidratos) y así obtener el
2
coeficiente de correlación (R ). La agudeza de las predicciones se evaluó mediante el coeficiente
de correlación (R2) que debe ser lo más cercano a 1 y el Error Estándar de Predicción (SEP) que
debe ser lo más bajo posible.
El coeficiente de correlación (R2) y el Error Estándar de Predicción (SEP) de las muestras de

validación de los modelos desarrollados para los cinco sistemas de adulteración se muestran en el
Cuadro 4. 4.
En todos los casos (Cuadro 4.4) se observa que los Errores Estándar de Predicción (SEP)
presentan valores aceptables (el límite debe ser menor a 3) y los coeficientes de correlación (R2)
son muy altos (cercanos a 1) que de acuerdo a Shenk y Westerhaus (1996) se consideran
“excelentes” lo que indica que los modelos calibrados presentan buenas predicciones para la
adulteración y composición química de las muestras problema en los cinco sistemas de
adulteración.
Los Cuadros 4.5, 4.6, 4.7, 4.8 y 4.9 contienen la información de los valores reales (contenido
especificado del adulterante y de los parámetros químicos: humedad, proteínas, grasas,
cenizas y carbohidratos) de las muestras que se utilizaron para validar y evaluar la capacidad
predictiva de los modelos quimiométricos desarrollados: res-carne de caballo (PLS2), res-hígado
34
Cuadro 4.4. Coeficiente de correlación (R2) y Error Estándar de Predicción (SEP) de adulteración y
composición química (humedad, proteínas, grasas, cenizas y carbohidratos) de las muestras de
validación de: res-carne de caballo con PLS2, res-hígado con PLS2, res-riñón con PLS1, res-
pellejos con PCR y res-proteína de soya texturizada con PLS2.
VALIDACIÓN
Sistema de adulteración Parámetro R2 a SEP b

Adulteración 0.9997 0.454
Humedad 0.9997 0.1690
Res-carne de caballo Proteínas 0.9995 0.0002
(PLS2) Grasas 0.9996 0.1899
Cenizas 0.9901 0.0001
Carbohidratos 0.9998 0.0204
Humedad 0.9998 0.1112
Res-hígado Proteínas 0.993 0.0122
(PLS2) Grasas 0.9997 0.1756
Cenizas 0.9984 0.0061
Humedad 0.9997 0.2377
Res-riñón Proteínas 0.9996 0.0474
(PLS1) Grasas 0.9996 0.2027
Cenizas 0.9977 0.0015
Humedad 0.9995 1.277
Res-pellejos de res Proteínas 0.9989 0.3572
(PCR) Grasas 0.9996 1.1650
Cenizas 0.9996 0.0164
Humedad 0.9997 0.0772
Res-proteína de soya Proteínas 0.9961 0.0207
texturizada
(PLS2) Grasas 0.9997 0.1659
Cenizas 0.9997 0.0086
a Coeficientes de correlación (R2) debe ser lo más cercano a 1

b Error Estándar de Predicción (SEP) debe ser lo más bajo posible
(PLS2), res-riñón (PLS1), res-pellejos de res (PCR) y res-proteína de soya texturizada (PLS2)
respectivamente.
35
Se incluyen los valores predichos (contenido calculado del adulterante y de los parámetros
químicos), la Distancia de Mahalanobis (que debe ser menor a 1) y el Error Residual (que debe
ser menor a 3), mismos que ayudaron a definir la certeza de las predicciones. La Distancia de
Mahalanobis es un parámetro de confiabilidad en el resultado predicho (concentración porcentual),
es una descripción útil de la similitud entre muestras y representa la desviación estándar del centro
de un juego de muestras a otra muestra. Las muestras que están más alejadas del centro tienen
mayores diferencias que las que están cercanas al mismo. Así, las muestras problema que no son
representativas de la curva de calibración empleada, se pueden detectar a través de la Distancia
de Mahalanobis. Una Distancia mayor a 1 indica que las características espectrales de la muestra
desconocida no se encuentran reflejadas en el grupo de estándares utilizados en el modelo de
calibración.
Cuadro VII.5. Datos de predicción de adulteración y composición química (humedad, proteínas, grasas,
cenizas y carbohidratos) de las muestras de validación: res-carne de caballo con PLS2.
Parámetros estadísticos calculados quimiométricamente
Muestra
Contenido Contenido Distancia de
adulterada de Parámetro Error residual b
real (%) predicho (%) Mahalanobis a
validación
RES-CARNE DE CABALLO (PLS2)

Adulterante 28 27.94
Humedad 64.7 64.68
Proteínas 19.4 19.38
28% 0.6045 0.6484
Grasas 14.5 14.47
Cenizas 0.97 0.96
Humedad 65.4 65.35
34% 0.4299 0.2974
Grasas 13.7 13.72
Cenizas 0.97 0.97
Humedad 67.2 67.19
50% 0.7109 0.7516
Grasas 11.6 11.66
Cenizas 0.97 0.98
Humedad 69.3 69.34
68% 0.5248 0.7365
Grasas 9.24 9.238
Cenizas 0.97 0.98
36
Humedad 70.3 70.22
76% 0.3212 1.784
Grasas 8.2 8.24
Cenizas 0.97 0.98
a Distancia de Mahalanobis debe ser menor a 1
b Error Residual debe ser menor a 3
Cuadro 4.6. Datos de predicción de adulteración y composición química (humedad, proteínas, grasas, cenizas y
carbohidratos) de las muestras de validación: res-hígado con PLS2.
Parámetros estadísticos calculados
quimiométricamente
Muestra
Contenido Contenido Distancia de
adulterada de Parámetro Error residual b
real (%) predicho (%) Mahalanobis a
validación
RES-HÍGADO (PLS2)
Adulterante 22 21.7
Humedad 62.9 62.86
22% 0.7501 0.2785
Grasas 15.9 15.89
Cenizas 1.05 1.04
Humedad 63.9 63.94
38% 0.9706 0.8294
Grasas 14.2 14.21
Cenizas 1.1 1.10
Humedad 64.9 64.9
52% 0.4621 0.434
Grasas 12.8 12.71
Cenizas 1.15 1.16
Humedad 66.3 66.3
74% 0.2147 0.8478
Grasas 10.5 10.53
Cenizas 1.23 1.23
Humedad 67.2 67.22
Proteínas 20 20
88% 0.3512 0.1536
Grasas 9.08 9.09
Cenizas 1.28 1.28
37
carbohidratos) de las muestras de validación: res-riñón con PLS1.
quimiométricamente
Muestra
Contenido Contenido Distancia de Error
adulterada de Parámetro
real (%) predicho (%) Mahalanobis a residual b
validación
RES-RIÑÓN (PLS1)
Humedad 65.4 65.28
22% 0.7259 0.3529
Grasas 14.7 14.85
Cenizas 0.99 0.99
Humedad 66.9 66.75
30% 0.4392 0.2811
Grasas 13.5 13.59
Cenizas 1 1
Humedad 72.7 72.84
62% 0.4211 0.422
Grasas 8.55 8.39
Cenizas 1.04 1.04
Humedad 75.2 75.21
76% 0.429 0.7825
Grasas 6.38 6.37
Cenizas 1.06 1.05
Humedad 77 76.99
86% 0.5685 0.1343
Grasas 4.84 4.86
Cenizas 1.07 1.07
38
carbohidratos) de las muestras de validación: res-pellejos de res con PCR.
quimiométricamente
Muestra
Contenido Contenido Distancia de Error residual
real (%) predicho (%) Mahalanobis a b
validación
RES-PELLEJOS DE RES (PCR)
Humedad 50.9 50.64
28% 0.8172 0.4835
Grasas 31.7 32.08
Cenizas 0.83 0.82
Humedad 47.9 47.58
36% 0.4334 1.189
Grasas 35.6 36.03
Cenizas 0.79 0.78
Humedad 44.9 44.8
44% 0.6758 0.8905
Grasas 39.5 39.61
Cenizas 0.76 0.75
Humedad 37.3 37.54
64% 0.6412 0.9296
Grasas 49.3 49
Cenizas 0.66 0.65
Humedad 32.1 31.99
78% 0.2819 1.718
Grasas 56.1 56.17
Cenizas 0.59 0.58
39
carbohidratos) de las muestras de validación: res-proteína de soya texturizada con PLS2.
quimiométricamente
Muestra
Contenido Contenido Distancia de Error
real (%) predicho (%) Mahalanobis a residual b
validación
RES-PROTEÍNA DE SOYA TEXTURIZADA (PLS2)
Humedad 62.4 62.39
12% 0.6263 0.8977
Grasas 16.1 16.07
Cenizas 1.07 1.08
Humedad 65.9 65.96
58% 0.4514 0.668
Grasas 8.49 8.39
Cenizas 1.47 1.47
Humedad 66.4 66.39
Proteínas 18 18.05
64% 0.4757 0.699
Grasas 7.49 7.47
Cenizas 1.52 1.52
Humedad 67.5 67.45
78% 0.4367 0.3088
Grasas 5.17 5.20
Cenizas 1.64 1.63
Humedad 68.1 68.09
86% 0.4241 0.3263
Grasas 3.84 3.82
Cenizas 1.7 1.71
La validación confirmó que los modelos quimiométricos desarrollados arrojaron buenos resultados
de predicción, pues los porcentajes predichos del adulterante y de los parámetros químicos
(calculados por quimiometría) son muy similares a los porcentajes reales de los mismos, así
mismo, la Distancia de Mahalanobis son en todos los casos menores a 1 y los Errores
Residuales menores a 3 (Cuadros 4.5, 4.6, 4.7, 4.8 y 4.9), por tanto, todos los modelos
40
desarrollados pueden aplicarse a sistemas reales de adulteración para predecir adulteraciones y la
composición química en muestras que estén adulteradas con estos adulterantes, con la confianza
de que reflejarán predicciones precisas y confiables.
Con los resultados obtenidos se demuestra que con la técnica de espectroscopia y quimiometría se
obtienen valores similares a los alcanzados con los análisis tradicionales (Cuadros 4.5, 4.6, 4.7, 4.8
y 4.9), pero de manera más económica, rápida (las mediciones se pueden llevar acabo en 1-2
minutos), sin disolventes ni pretratamiento de las muestras a diferencia de los métodos
tradicionales que son laboriosos, costosos, consumen tiempo, necesitan cantidades considerables
de reactivos y disolventes además de considerarse ambientalmente dañinas.
Varios estudios han empleado espectroscopia FTIR y quimiometría para predecir algunos
parámetros químicos, por ejemplo Paradkar e Irudayaraj (2002b) determinaron el contenido de
colesterol en productos lácteos y los resultados los compararon con los obtenidos por métodos
convencionales logrando valores semejantes. De igual manera, se ha empleado para cuantificar el
contenido de sacáridos (fructosa, glucosa, sacarosa y maltosa) y los resultados fueron similares a
los obtenidos por HPLC (Tewari e Irudayaraj, 2004). Por otro lado, Yi-Lwern et al., (2007) realizaron
un protocolo semejante para caracterizar ginseng y sus productos por medio de análisis
tradicionales y espectroscopia con quimiometría, concluyendo que esta última proporciona una
identificación rápida de productos naturales evitando la extracción tediosa y procedimientos de
purificación que se realizan con los métodos tradicionales. Así mismo la técnica se ha empleado
para determinar el contenido de sacarosa en bagazo de caña de azúcar obteniendo valores
similares a los adquiridos por HPLC (Tewari y Malik, 2007). Finalmente se ha empleado en
muestras de queso para predecir atributos de elasticidad, cohesión, adhesividad, dureza y fusión,
arrojando excelentes resultados en los parámetros mencionados (Fagan et al., 2007).
En lo que respecta a estudios relacionados con carne y sus productos, Yang e Irudayaraj (2001)
emplearon la técnica de espectroscopia y quimiometría para determinar el contenido de proteína y
grasa en carne molida de cerdo, salchicha, jamón y pavo. Así mismo, Elvingson y Sjaunja (1992)
utilizaron espectroscopia FTIR para medir el contenido de proteína, grasa y materia seca en
pescado. Villé et al., (1992) determinaron grasa intramuscular en cerdo por el método de Soxhlet y
los compararon con los resultados obtenidos por espectroscopia FTIR. Finalmente Villé et al.,
(1995) emplearon el mismo método de extracción (Soxhlet) para determinar el contenido de
fosfolípidos y grasa intramuscular en carne de res, posteriormente los resultados los compararon
con los obtenidos por espectroscopia FTIR y quimiometría. En todas las investigaciones antes
citadas, los autores concluyen que la técnica de espectroscopia FTIR junto con quimiometría es
confiable y precisa para predecir parámetros de composición química pero de manera más rápida,
económica y fácil, demostrando de esta manera, la habilidad predictiva y exactitud de la técnica.
41
Aunado a esto, es curioso que cuando una técnica como la espectroscopia FTIR, se compara con
un análisis químico tradicional, este último se describe como un “método directo” mientras que la
técnica de espectroscopia se considera “indirecto”. En realidad, la espectroscopia “indirecta” es la
que responde directamente a las interacciones con las estructuras moleculares de la muestra. Por
ejemplo, los enlaces de los péptidos en las proteínas están directamente representadas en el
espectro, mientras que el análisis “directo” de Kjeldahl involucra mediciones del nitrógeno total, que
requiere varios pasos de reacción y la aplicación de un factor de conversión para llegar a medir el
porcentaje de proteína (Scotter, 1997).
Así, queda demostrado que la espectroscopia FTIR es rápida, no destructiva, capaz de analizar
simultáneamente más de un compuesto (agua, proteínas, grasas, cenizas y carbohidratos) con la
confianza de que se obtendrán valores similares a los alcanzados con los métodos tradicionales
pero de manera más rápida y sin manipulación física o química de las muestras en comparación
con los métodos químicos como la extracción con solventes para determinar grasa (Soxhlet) y la
técnica Kjeldahl para determinar proteína que requieren de preparar la muestra además de
consumir mucho tiempo.
META 10 Desarrollo del modelo SIMCA
4.4. Desarrollo del modelo SIMCA (Soft Independent Modeling Class Analogy).
Con ayuda del programa AssureID se construyó la base de datos para generar el modelo SIMCA,
mismo que se realizó con quince espectros FTIR-HATR de cada material no adulterado (carne de
res molida, carne de caballo, hígado, riñón, pellejos de res y proteína de soya texturizada) y con 36
espectros FTIR-HATR de cada sistema de adulteración. A continuación se describen los resultados
alcanzados.
4.4.1 Modelo SIMCA optimizado.

El modelo SIMCA se optimizó variando los parámetros de: intervalo espectral y filtro de ruido
ambiental, de esta manera, las condiciones del modelo SIMCA optimizado fueron: suavizado de 13
puntos, aplicación de un filtro para eliminar el ruido causado por el CO2 y H2O ambientales,
eliminación de ruido electrónico, selección del intervalo espectral de 1800-900 cm-1 (huella digital)
ya que en esta zona se obtuvo el mínimo ruido espectral además de encontrarse los principales
componentes químicos (agua, proteínas, grasas y carbohidratos) de las muestras analizadas.
42
La Figura 4.26 muestra la distribución espacial de las poblaciones analizadas. Aún cuando no se
logra apreciar de manera clara la separación de las clases debido a que existen poblaciones muy
cercanas, el modelo consigue separarlas en grupos bien definidos sin traslaparlas ni confundirlas,
por consiguiente el modelo SIMCA optimizado logró integrar a todos los estándares de las
muestras analizadas sin que se presentaran muestras extremas ni grupos traslapados, por tanto
este modelo optimizado es capaz de identificar el origen de las muestras.
Pellejos
Proteína de de res
Carne molida de soya
res texturizada
Riñón
Carne de Hígado
caballo
Figura 4.26. Distribución espacial de las poblaciones obtenidas con el modelo SIMCA optimizado.
En el Cuadro 4.12 se muestran las distancias interclase de las poblaciones analizadas, se

observa que estas son más grandes que las obtenidas con el modelo anterior. Las poblaciones con
mayor distancia interclase (mayor separación) son pellejos y res-pellejos, mayor distancia indica
que las poblaciones no son similares y los grupos están más alejados del resto de las poblaciones.
Las clases con menor distancia son carne de res con carne de caballo (5.16) esto se debe a que
son muestras muy parecidas y a que los valores de su composición química son muy similares
entre ambos tipos de carne (Cuadro VII.1)
Cuadro 4.12. Distancias interclase de las poblaciones analizadas (carne de res, carne de caballo,
hígado, riñón, pellejos, soya texturizada, res-carne de caballo, res-hígado, res-riñón, res-pellejos y
res-soya texturizada) del modelo SIMCA optimizado.
Carne de Carne de Soya

Hígado Riñón Pellejos
res caballo texturizada
Carne de res 1 5.16 9.5 4.69 233.4 12.8
Carne de caballo 1 7.47 14.1 133.2 18.6
Hígado 1 14.64 231.4 17.1
Riñón 1 231 21.1
Pellejos 1 36.1
Soya texturizada 1
43
Res-caballo Res-hígado Res-riñón Res-pellejos Res-soya
Carne de res 12.16 34.55 22.61 164.1 28.85
Carne de caballo 7.16 13.8 8.87 150 18
Hígado 15.73 22.82 14.55 83.8 21
Riñón 61.6 247.8 56 431.02 151
Pellejos 824.8 724.1 825 312.7 854.8
Soya texturizada 16.1 21.8 16.3 95.6 6.89
Res-caballo 1 19 10.3 88.7 19.9
Res-hígado 1 14.5 161 35.1
Res-riñón 1 152 113
Res-pellejos 1 18
Res-soya 1
Nota: Mayor distancia interclase indica mejor separación de clases y se obtiene un mejor modelo
El Cuadro 4.13 presenta el porcentaje de reconocimiento y rechazo interclase e intraclase, a

diferencia del modelo generado anteriormente se observa que para las once clases, el modelo
mostró el 100% de reconocimiento de entre los estándares. Así mismo, el modelo presentó el
100% de rechazo con respecto a las otras clases, lo que indica que las muestras no se traslapan
por lo que el modelo logró separar las poblaciones en grupos bien definidos. Por tanto este modelo
SIMCA es capaz de identificar muestras de acuerdo a su origen.
Cuadro 4.13. Índices de reconocimiento y rechazo de las poblaciones analizadas (carne de res,
carne de caballo, hígado, riñón, pellejos, soya texturizada, res-carne de caballo, res-hígado, res-
riñón, res-pellejos y res-soya texturizada) del modelo SIMCA optimizado.
% Reconocimiento % Rechazo
Carne de res 100 (15/15) 100 (255/255)
Carne de caballo 100 (15/15) 100 (255/255)
Hígado 100 (15/15) 100 (255/255)
Riñón 100 (15/15) 100 (255/255)
Pellejos de res 100 (15/15) 100 (255/255)
Soya texturizada 100 (15/15) 100 (255/255)
Res-caballo 100 (36/36) 100 (234/234)
Res-hígado 100 (36/36) 100 (234/234)
Res-riñón 100 (36/36) 100 (234/234)
Res-pellejos 100 (36/36) 100 (234/234)
Res-soya texturizada 100 (36/36) 100 (234/234)
Nota: El óptimo porcentaje de reconocimiento y rechazo debe ser de 100%
En estudios similares a la presente investigación se ha puesto a prueba la funcionalidad del modelo

SIMCA, por ejemplo, se ha empleado para clasificar tes de acuerdo a su región de origen (Moreda-
44
Piñeiro et al., 2003), clasificar e identificar cultivares de fresa (Fragariaxananassa Duch.) de
acuerdo a su origen geográfico (Macías-Rodríguez et al., 2004), clasificar sidras con base al tipo de
fermentación (Arias et al., 2005), para cuantificar la adulteración del aceite de soya (Wang et al.,
2006) y para evaluar la calidad del aceite de oliva virgen (Sinelli, et al., 2007) por mencionar
algunos. Al igual que en la presente investigación, todos los estudios antes citados confirman que
el modelo SIMCA es una técnica precisa y confiable de clasificación y discriminación, capaz de
reconocer cuando un juego de muestras no pertenece a cualquiera de las categorías o clases
establecidas.
4.4.3. Validación del modelo SIMCA.

Con el objetivo de comprobar el modelo generado, fue preciso su validación que se realizó con 55
muestras (cinco espectros de cada clase) que no pertenecían al modelo pero que eran parte de las
poblaciones estudiadas. Uno de los aspectos más importantes de las técnicas de reconocimiento
como el modelo SIMCA, es la validación de los modelos ya que mediante este proceso se
demuestra que el o los modelos generados son lo suficientemente buenos para realizar la
clasificación de muestras desconocidas (Berrueta et al., 2007).
El Cuadro 4.14 contiene la información de los resultados de validación. Se presentan los datos de:
muestra (son las once clases analizadas), material identificado (material identificado durante la
validación), resultado (indica si la muestra fue identificada, rechazada o no pertenece al modelo),
distancia total (debe ser menor de 1 para que una muestra sea clasificada), distancia límite
(debe ser igual a 1. Indica que el espectro validado pertenece a la población especificada),
distancia del modelo (debe ser igual a 0, una distancia mayor que 0.00 indica que la muestra
queda fuera de la variación descrita por el modelo. Este valor es la diferencia de la distancia del
espectro validado con respecto a la distancia de los espectros del modelo y finalmente, distancia
residual (debe ser menor a 3) una distancia residual grande indica que la muestra contiene una
fuente de variación que no se ha encontrado previamente.
Cuadro 4.14. Resultados de las muestras de validación del modelo SIMCA optimizado.
Material Distancia Distancia Distancia del Distancia

Muestra identificad Resultado a residual
total b límite c modelo d
Res Res Identificada 0.3157 1.0000 0.0000 0.6391
Caballo Caballo Identificada 0.4229 1.0000 0.0000 0.8560
45
Hígado Hígado Identificada 0.3187 1.0000 0.0000 0.6452
Riñón Riñón Identificada 0.0010 1.0000 0.0000 0.0020
Pellejos Pellejos Identificada 0.3007 1.0000 0.0000 0.6087
Soya Soya Identificada 0.4484 1.0000 0.0000 0.9078
Res- Res-
Identificada 0.1894 1.0000 0.0000 0.8264
caballo caballo
Res- Res-
Identificada 0.9876 1.0000 0.0000 0.5285
caballo caballo
Res- Res-
Identificada 0.9463 1.0000 0.0000 0.7341
caballo caballo
Res- Res-
Identificada 0.6735 1.0000 0.0000 0.9874
caballo caballo
Res- Res-
Identificada 0.5127 1.0000 0.0000 0.5618
caballo caballo
Res- Res-
Identificada 0.6922 1.0000 0.0000 0.9472
Hígado Hígado
Res- Res-
Identificada 0.6090 1.0000 0.0000 0.8333
Hígado Hígado
Res- Res-
Identificada 0.7520 1.0000 0.0000 1.0290
Hígado Hígado
Res- Res-
Identificada 0.8631 1.0000 0.0000 1.1810
Hígado Hígado
Res- Res-
Identificada 0.7839 1.0000 0.0000 1.0092
Hígado Hígado
Res-riñón Res-riñón Identificada 0.7888 1.0000 0.0000 1.0434
46
Res- Res-
Identificada 0.5846 1.0000 0.0000 0.8059
pellejos pellejos
Res- Res-
Identificada 0.9010 1.0000 0.0000 1.2421
pellejos pellejos
Res- Res-
Identificada 0.1251 1.0000 0.0000 0.9812
pellejos pellejos
Res- Res-
Identificada 0.1193 1.0000 0.0000 0.8538
pellejos pellejos
Res- Res-
Identificada 0.0097 1.0000 0.0000 0.9156
pellejos pellejos
Res-soya Res-soya Identificada 0.7903 1.0000 0.0000 1.0617
a Resultado, indica si la muestra fue identificada o rechazada (no pertenece al modelo)

b Distancia total, debe ser menor de 1
c Distancia límite, debe ser igual a 1
d Distancia del modelo, debe ser igual a 0
e Distancia residual, debe ser menor a 3
Las 55 muestras empleadas para validar el modelo SIMCA fueron reconocidas correctamente
(Cuadro VII.14). La validación confirmó que el modelo generado es útil y confiable para identificar
correctamente y separar en grupos las clases analizadas, pues en todos los casos, las distancias
totales son menores a 1 y las distancias residuales menores a 3.
Cabe señalar que a pesar de que los espectros de las muestras adulteradas pudieran ser
semejantes al de las muestras sin adulterar, todos los estándares fueron correctamente
clasificados por el modelo SIMCA ya que éste puede detectar variaciones mínimas en los
espectros de cualquier muestra analizada. De esta manera, el modelo SIMCA es capaz de
reconocer y distinguir diferentes estándares separándolos en grupos aún cuando se trate de
muestras cuya composición química sea similar.
En caso de que una muestra esté adulterada, el modelo SIMCA la clasificará dentro de alguna de
las poblaciones adulteradas y como alternativa se podrá analizar con el modelo quimiométrico
desarrollado con el programa QUANT+ para ese sistema de adulteración e identificar con cuánto
está adulterada y su composición química.
47
De esta manera, el potencial de los modelos quimiométricos queda demostrado en la presente
investigación pues el modelo SIMCA permite identificar y determinar con exactitud si la carne de
res está o no adulterada y al enlazarse al programa QUANT+ determinar porcentaje de
adulteración y composición proximal de la muestra.
5. IMPACTO
Los modelos quimiométricos desarrollados tienen gran utilidad pues simplifican el manejo de las
muestras para análisis. En la siguiente figura se muestra el diagrama de flujo para la utilización de
los modelos quimiométricos desarrollados en este trabajo.
Los modelos quimiométricos desarrollados probaron ser de gran utilidad en identificar si la

muestra está o no adulterada, con qué está adulterada y al aplicar el modelo quimiométrico
desarrollado con el programa QUANT+ correspondiente, se obtiene el porcentaje de
adulteración y su composición química en un tiempo aproximado de 3 minutos, sin la
necesidad de pretratar la muestra o el uso de reactivos ni disolventes, lo que demuestra el
enorme potencial de la quimiometría en situaciones reales
MUESTRA PROBLEMA DE CARNE
OBTENCIÓN DE ESPECTRO FTIR-HATR

- Resolución de 4 cm-1
- Infrarrojo medio (4000-550 cm-1)
- 64 barridos (scan)
ALIMENTACIÓN AL
MODELO SIMCA
MUESTRA PROBLEMA ES:

MUESTRA RECHAZADA:
Carne de res, carne de caballo,
DISCRIMINACIÓN Muestra problema es carne de otro
hígado, riñón, pellejos de res o
DE MUESTRAS tipo a los incluidos en el modelo
proteína de soya texturizada
MUESTRA PROBLEMA ESTÁ ADULTERADA

con alguno de los adulterantes utilizados en el
modelo
Espectro FTIR-HATR se alimenta al programa

QUANT+ correspondiente al adulterante
identificado
MODELO QUIMIOMÉTRICO QUANT+ predice:

• Porcentaje del adulterante y
• Composición química
48
BIBLIOGRAFÍA
Al-Jowder, O., Defernez, M., Kemsley, E. and Wilson, R. 1999. Mid-Infrared Spectroscopy and
Chemometrics for the authentication of meat products. J. Agric. Food Chem. 47:3210-3218.
Al-Jowder, O., Kemsley, E.K. and Wilson, R.H. 1997. Mid-Infrared Spectroscopy and authenticity
problems in selected meats:a feasibility study. Food Chem. 59:195-201.
Al-Jowder, O., Kemsley, E.K. and Wilson, R.H. 2002. Detection of adulteration in cooked meat
products by Mid-Infrared Spectroscopy. J. Agric. Food Chem. 50:1325-1329.
Andujar, O., Guerra, M.A. and Santos, R. 2002. La utilización de extensores cárnicos. Cuba
Conferencia Internacional de Ciencia y Tecnología de los Alimentos. La Habana, Cuba, 2.51-
2.53.
AOAC. 1989. Official Methods of Analysis. 14th ed. Association of Official Analytical Chemists
International. Arlington, Virginia, USA.
Arias, P., Margolles, I., Mangas, J.J. and Blanco-Gomis, D. 2005. Fatty acid composition of cider
obtained either by traditional or controlled fermentation. Food Chem. 92:183-187.
Barai, B.K., Kayak, R.R., Singhal, R.S. and Kulkarni, P.P. 1992. Approaches to the detection of
meat adulteration. Trends Food Sci. & Technol. 3:69-72.
Beebe, K.R., Pell, J.L. and Seasholtz, M.B. 1998. Chemometrics. A practical guide. Wiley
Interscience Publication. New York, USA.
Berrueta, L.A., Alonso-Salces, R.M. and Héberger, K. 2007. Supervised pattern recognition in food
analysis. J. Chromatography A. 1158:196-214.
Boletín Diario. 2006. Muchos mexicanos comen carne de caballo sin saberlo. Boletín de la
Benemérita Universidad Autónoma de Puebla. 29 de agosto de 2006. pag.5.
Briandet, R., Kemsley, K and Wilson, R. 1996. Discrimination of Arabica and Robusta in instant
coffee by Fourier Transform Infrared Spectroscopy and Chemometrics. J. Agric. Food Chem.
44:170-174.
Büning-Pfaue, H. and Kehraus, S. 2000. Application of Near Infrared Spectroscopy (NIRS) to the
rd
analysis of frying fats. 3 . International Symposium on Deep Fat Frying.
Cadet, F. 1999. Measurement of sugar content by multidimensional analysis and Mid-Infrared
Spectroscopy. Talanta. 48:867-875.
Chan, W., Brown, J., Lee, S.M. and Buss, D.H. 1995. Meat, Poultry and Game. Royal Society of
Chemistry. London, U.K.
Che Man, Y.B., Ammawath, W. and Mirghani, M.E.S. 2005a. Determining α-tocopherol in refined
bleached and deodorized palm olein by Fourier Transform Infrared Spectroscopy. Food
Chem. 90:323-327.
Che Man, Y.B., Syahariza., Z.A. Mirghani, M.E.S. Jinap, S. and Bakar, J. 2005b. Analysis of
potential lard adulteration in chocolate and chocolate products using Fourier Transform
Infrared Spectroscopy. Food Chem. 90:815-819.
49
Chen, M. and Irudayaraj, J. 1998. Sampling Technique for Cheese Analysis by FTIR Spectroscopy.
J. Food Sci. 63(1):96-99.
Chippie, A. L., Jamieson, P., Golt, C. M., Hsu, C-H. and Lo, Y. M. 2002. Quantitative analysis of fat
and moisture in mayonnaise using Fourier Transform Infrared Spectrometer. International J.
Food Properties. 5(3):655-665.
Coates, J. 2000. Interpretation of Infrared Spectra. A Practical Approach. In Encyclopedia of
Analytical Chemistry. R.A. Meyers (Ed.). John Wiley & Sons Ltd, Chichester:10815-10837.
Cocchi, M., Foca, G., Lucisano, M., Marchetti, A., Pagani, M.A., Tassi, L. and Ulrici, A. 2004.
Classification of cereal flours by Chemometric Analysis of MIR Spectra. J. Agric. Food Chem.
52:1062-1067.
Coimbra, M., Goncalves, F., Barros, A. and Delgadillo, I. 2002. Fourier Transform Infrared
Spectroscopy and Chemometric Analysis of white wine polysaccharide extracts. J. Agric.
Food Chem. 50:3405-3411.
Cordella, Ch., Moussa, I., Martel, A-C., Sbirrazzuoli, N. and Lizzani-Cuvelier, L. 2002. Recent
developments in food characterization and adulteration detection:technique oriented
perspectives. J. Agric. Food Chem. 50:1751-1764.
Dean, N., Murphy, T. B. and Downey, G. 2006. Using unlabelled data to update classification rules
with applications in food authenticity studies. Appl. Statist. 55 (1):1-14.
Defernez, M. and Kemsley, E.K. 1997. The Use and Misuse of Chemometrics for Classification
problems. Trends Anal. Chem. 16(4):216-221.
Ding, H.B. and Xu, R. J. 1999. Differentiation of beef and kangaroo meat by Visible/Near-Infrared
Reflectance Spectroscopy. J. Food Sci. 64(5):814-817.
Downey, G., Briandet, R., Wilson, R. and Kemsley. E. 1997. Near and Mid-Infrared Spectroscopies
in Food Authentication:coffee varietal identification. J. Agric. Food Chem. 45:4357-4361.
Downey, G., McIntyre, P. and Davies, A.N. 2002. Detecting and Quantifying Sunflower Oil
Adulteration in Extra Virgin Olive Oils from the Eastern Mediterranean by Visible and Near-
Infrared Spectroscopy. J. Agric. Food Chem. 50:5520-5525.
Duarte, I., Barros, A., Delgadillo, I., Almeida, C. and Gil, A. 2002. Application of FTIR Spectroscopy
for the quantification of sugars in mango juice as a function of ripening. J. Agric. Food Chem.
50:3104-3111.
Duarte, I.F., Barros, A., Delgadillo, I., Almeida, C., Spraul, M. and Gil, A.M. 2004. Multivariate
Analysis of NMR and FTIR data as a potential tool for the quality control of beer. J. Agric.
Food Chem. 52:1031-1038.
Ebbehoj, K.F. and Thomsen, P.D. 1991a. Species differentiation of heated meat products by DNA
hybridisation. Meat Sci. 30:221-234.
Ebbehoj, K.F. and Thomsen, P.D. 1991b. Differentiation of closely related species by DNA
hybridisation. Meat Sci. 30:359-366.
50
Edelmann, A., Diewok, J., Schuster, K. C. and Lendl, B. 2001. Rapid method for the discrimination
of red wine cultivars based on Mid-Infrared Spectroscopy of phenolic wine extracts. J. Agric.
Food Chem. 49:1139-1145.
Ellis, D.I., Broadhurst, D., Clarkeb, S.J. and Goodacre, R. 2005. Rapid identification of closely
related muscle foods by vibrational spectroscopy and machine learning. Analyst. 130:1648-
1654.
Ellis, D.I., Broadhurst, D., Kell, D.B., Rowland, J.J. and Goodacre, R. 2002. Rapid and quantitative
detection of the microbial spoilage of meat by Fourier Transform Infrared Spectroscopy and
Machine Learning. Applied Environm. Microbiology. 68(6):2822-2828.
Elvingson, P. and Sjaunja, L. 1992. Determination of fat, protein and dry matter content of fish by
Mid-Infrared Transmission Spectroscopy. Aquaculture and Fisheries Manangement. 23:453-
460.
Fagan, C.C., Everard, C., O’Donnell, C.P., Downey, G., Sheehan, E.M., Delahunty, C.M.,
O’Callaghan, D.J. and Howard, V. 2007. Prediction of processed cheese instrumental texture
and meltability by Mid-Infrared Spectroscopy coupled with Chemometric tools. J. Food
Engineering. 80:1068-1077.
Forrest, J.C. 1979. Fundamentos de ciencia de la carne. Acribia, Zaragoza, España.
Gangidi, R.R., Proctor, A. and Pohlman, E.W. 2003. Rapid determination of spinal cord content in
ground beef by Attenuated Total Reflectance Fourier Transform Infrared Spectroscopy. J.
Food Sci. 68(1):124-127.
González, A.G. 2007. Use and misuse of supervised pattern recognition methods for interpreting
compositional data. J. of Chromatography A. 1158: 215-225.
Guillén, M.D. and Cabo, N. 1997. Infrared Spectroscopy in the study of edible oils and fats. J. Sci.
Food Agric. 75:1-11.
Guillén, M.D., Cabo, N., Ibargoitia, M.L. and Ruiz, A. 2005. Study of both sunflower oil and its
headspace througout the oxidation process. Ocurrence in the headspace of toxic oxygenated
aldehides. J. Agric. Food Chem. 53: 1093-1101.
Hargin, K.D. 1996. Authenticity issues in meat and meat products. Meat Sci. 43(s):277-289.
Hart, F. 1991. Análisis modernos de los alimentos. Acribia, Zaragoza, España.
Holland, J., Kemsley, E. and Wilson, R. 1997. Transfer of spectral data between Fourier-Transform
Infrared Spectrometers for use in discriminant analysis of fruit purées. J. Sci. Food Agric.
75:391-400.
Holland, J.K., Kemsley, E. and Wilson, R. 1998. Use of FTIR Spectroscopy and Partial Least
Squares Regression for the detection of adulteration of strawberry purees. J. Sci. Food Agric.
76:263-269.
Iizuka, K. and Aishima, T. 1999. Tenderization of beef with pineapple juice monitored by Fourier
Transform Infrared Spectroscopy and Chemometric Analysis. J. Food Sci. 64(6):973-977.
51
Infometrix, Inc. 1996. Chemometrics in food and beverage. Chemometrics Applications Overview.
http://www.infometrix.com
Innawong, B., Mallikarjunan, P., Irudayaraj, J. and Marcy, J.E. 2004. The determination of frying oil
using Fourier Transform Infrared Attenuated Total Reflectance. Lebensm.-Wiss. U.-
Technology. 37:23-28.
Iñón, F.A., Garrigues, S. and De la Guardia, M. 2004. Nutritional parameters of commercially
available milk samples by FTIR and Chemometric techniques. Analytica Chimica Acta.
513:401-412.
Isiguro, T., Ono, T., Nakasato, K. and Tsukamoto, C. 2005. Rapid measurement of phytate in soy
products by Mid-Infrared Spectroscopy. J. Food Sci. 70(1):63-66.
Karoui, R., Lefur, B., Grondin, Ch., Thomas, E., Demeulemester, C., Baerdemaeker, J. and
Guillard, A-S. 2007. Mid-Infrared Spectroscopy as a new tool for the evaluation of fish
freshness. International J. Food Sci. and Technol. 47:57-64.
Kelly, D. and Downey, G. 2005. Detection of sugar adulterants in apple juice using Fourier
Transform Infrared Spectroscopy and Chemometrics. J. Agric. Food Chem. 53:3281-3288.
Kelly, D., Downey, G. and Fouratier, V. 2004. Initial study of honey adulteration by sugar solutions
using Midinfrared (MIR) Spectroscopy and Chemometrics. J. Agric. Food Chem. 52:33-39.
Kelly, J.D., Petisco, C. and Downey, G. 2006. Application of Fourier Transform Midinfrared
Spectroscopy to the Discrimination between Irish Artisanal Honey and Such Honey
Adulterated with Various Sugar Syrups. J. Agric. Food Chem. 54:6166-6171.
Kemsley, E.K., Zhuo, L., Hammouri, M.K. and Wilson, R.H. 1992. Quantitative analysis of sugar
solutions using Infrared Spectroscopy. Food Chem. 44:299-304.
Kemsley, E.K., Tapp, H.S., Scarlett, A.J., Miles, S.J., Hammond, R. and Wilson, R.H. 2001.
Comparison of Spectroscopic techniques for the determination of Kjeldahl and ammoniacal
nitrogen content of farmyard manure. J. Agric. Food Chem. 49:603-609.
Kirk, R., Ronald, S. y Egan, H. 1996. Composición y análisis de alimentos de Pearson. 2ª. ed.
Continental. México, D.F.
Lachenmeier, D.W. 2007. Rapid quality control of spirit drinks and beer using Multivariate Data
Analysis of Fourier Transform Infrared Spectra. Food Chem. 101:825-832.
Lai, Y.W., Kemsley, E.K. and Wilson, R. H.1995. Quantitative analysis of potential adulterants of
extra virgin olive oil using Infrared Spectroscopy. Food Chem. 53:95-98.
Lai, Y., Kemsley, E. and Wilson, R. 1994. Potential of Fourier Transform Infrared Spectroscopy for
the authentication of vegetable oils. J. Agric. Food Chem. 42: 1154-1159.
Leitner, A., Castro-Rubio, F., Marina, M.L. and Lindner, W. 2006. Identification of marker proteins
for the adulteration of meat products with soybean proteins by Multidimensional Liquid
Chromatography-Tandem Mass Spectrometry. J. Proteome Res. 5:2424-2430.
52
Li, W., Goovaerts, P. and Meurens, M. 1996. Quantitative analysis of individual sugars and acids in
orange juices by Near-Infrared Spectroscopy of dry extract. J. Agric. Food Chem. 44:2252-
2259.
Luengo, J. 2001. El caballo:una alternativa en el consumo actual de carnes. Tecnol. Vet. 7(3):6.
Lyman, D., Benck, R., Dell, S., Merle, S. and Murray-Wijelath, J. 2003. FTIR-ATR Analysis of
brewed coffee:effect of roasting conditions. J. Agric. Food Chem. 51:3268-3272.
Macho, S. 2002. Metodologías analíticas basadas en Espectroscopia de Infrarrojo y Calibración
Multivariante. Aplicación a la Industria Petroquímica. Tesis doctoral. Universidad Rovita.
Tarragona, España.
Macías-Rodríguez, L., Quero-Gutiérrez, E. y G.-López, M. 2004. Caracterización de tres cultivares
de fresa (Fragaria×ananassa Duch.) por Espectroscopia de Infrarrojo Medio y Quimiometría.
Agrociencia 38:487-495.
Marcos, I., Pérez, J., Fernández, E., García, C. and Moreno. B. 2002. Detection of adulterants in
olive oil by Headspace-Mass Spectrometry. J. of Chromatography A. 945:281-286.
McCance, R.A. and Widdowson, E.A. 1991. En The Composition of Foods. Royal Society of
Chemistry/Ministry of Agriculture. Food and Fisheries:London, U.K.
McElhinney, J., Downey, G. and O´Donnell, C. 1999. Quantitation of lamb content in mixtures with
raw minced beef using Visible, Near and Mid-Infrared Spectroscopy. J. Food Sci. 64(4):587-
591.
Morales, T. F. 2006. Desarrollo de un método quimiométrico para el control de la calidad de aceite
de freído mediante espectroscopia MID-FTIR-HATR. Tesis de Maestría. ENCB, IPN. 110pp.
Moreda-Piñeiro, A., Fisher, A. and Hill, S. 2003. The classification of tea according to region of
origin using pattern recognition techniques and trace metal data. J. of Food Composition and
Analysis. 16:195-211.
th
Morrison, R.T. and Boyd, R.N. 1992. Organic Chemistry, 6 ed. Prentice Hall. New York University,
USA.
NOM-030-ZOO-1995. Especificaciones y procedimientos para la verificación de carne, canales,
vísceras y despojos de importación en puntos de verificación zoosanitaria. Diario Oficial de la
Federación, 17 de abril de 1996. México. D.F.
NOM-034-SSA1-1993. Bienes y servicios. Productos de la carne. Carne molida y Carne molida
moldeada. Envasadas. Especificaciones sanitarias. Diario Oficial de la Federación, 1 de
febrero 1994. México, D.F.
Noriega, C., y M.G. López. 2000. Caracterización y clasificación de tequilas por Espectroscopia
Infrarroja Cercana. Bebidas Mexicanas Febrero-Marzo. pp:11-21. Alfa Editores Técnicos S.A.
de C.V.
Ozen, B., Weiss, I. and Mauer, L. 2003. Dietary supplement oil classification and detection of
adulteration using Fourier Transform Infrared Spectroscopy. J. Agric. Food Chem. 51:5871-
5876.
53
Palma, M. and Barroso, C.G. 2002. Application of FT-IR Spectroscopy to the characterisation and
classification of wines, brandies and other distilled drinks. Talanta. 265-271.
Paradkar, M.M. and Irudayaraj, J. 2002a. Rapid determination of caffeine content in soft drinks
using FTIR-ATR Spectroscopy. Food Chem. 78:261-266.
Paradkar, M.M. and Irudayaraj, J. 2002b. Determination of colesterol in dairy products using
Infrared techniques:1. FTIR Spectroscopy. International J. of Dairy Technol. 55(3):127-132.
Paradkar, M.M. Sivakesava, S. and Irudayaraj, J. 2003. Discrimination and classification of
adulterants in maple syrup with the use of Infrared Spectroscopic Techniques. J. Sci. Food.
Agric. 83:714-721.
Pearson, A.M. and Dutson, T.R. 1994. Quality attributes and their measurement in meat, poultry
and fish products, 1st ed. Blackie Academic and Professional. New York.
PerkinElmer. 1995. Boletín informativo. Horizontal ATR Accesory. PerkinElmer LLC.
PerkinElmer. 2005. Programa AssureID Method Explorer. Versión 3.0.0.0132. PerkinElmer LLC.
PerkinElmer. 1991. Boletín Quant+. Software for Quantitative Multicomponent Analysis using
Chemometric methods. PerkinElmer LLC.
PerkinElmer. 2006. Espectroscopia de Infrarrojo por Transformada de Fourier. Curso Básico.
PerkinElmer LLC.
Porcel, G. M. 2001. Memoria:Aplicación de técnicas quimiométricas para el desarrollo de nuevos
métodos cinético-espectrofotométricos de análisis. Depto de Química. Universidad
Autónoma de Barcelona. www.tdx.cesca.es/TESIS_UAB/ AVAILABLE/TDX-0111102-
111615//mpg1de5.pdf
Ragno, G., Ioele, G. and Risoli, A. 2004. Multivariate Calibration techniques applied to the
Spectrophotometric Analysis of one-to-four component systems. Analytica Chimical Acta.
512:173-180.
Rambla, F. J., Garrigues, S., Ferrer, N. and De la Guardia, M. 1998. Simple Partial Least Squares-
Attenuated Total Reflectance Fourier Transform Infrared Spectrometric method for the
determination of sugars in fruit juices and soft drinks using aqueous standards. Analyst.
123:277-281.
Rannou, H. and Downey, G. 1997. Discrimination of raw pork, chicken and turkey meat by
Spectroscopy in the Visible, Near and Mid-Infrared ranges. Anal. Comm. 34:401-404.
Reid, L., O’Donnell, C. and Downey, G. 2006. Recent technological advances for the determination
of food authenticity. Trends in Food Sci. & Techn. 17:344-353.
Saeed, T., Abu-Dagga, F. and Rahman, H.A. 1986. Detection of pork and lard as adulterants in
beef and mutton mixture. J. Assoc. Off. Anal. Chem. 69:999-1002.
SAGARPA, 2004. Situación actual y perspectiva de la producción de carne de bovino en México.
SAGARPA. México. 34pp.
Scotter, Ch. N.G. 1997. Non-destructive Spectroscopic Techniques for the measurement of food
quality. Trends in Food Sci. & Techn. 81:285-292.
54
ShenkI, S. and Westerhaus, O.M. 1996. Citado por Lachenmeier, D.W. 2007. Rapid quality control
of spirit drinks and beer using Multivariate Data Analysis of Fourier Transform Infrared
Spectra. Food Chem. 101:825-832.
Sinelli, N., Cosio, M.S., Gigliotti, C. and Casiraghi, E. 2007. Preliminary study on application of Mid
Infrared Spectroscopy for the evaluation of the virgin olive oil “freshness”. Analytica Chimical
Acta. 598:128-134.
Sivakesava, S. and Irudayaraj, J. 2001a. A Rapid Spectroscopic Technique for determining honey
adulteration with corn syrup. J. Food Sci. 66(6):787-792.
Sivakesava, S. and Irudayaraj, J. 2001b. Prediction of inverted cane sugar adulteration of honey by
Fourier Transform Infrared Spectroscopy. J. Food Sci. 66(7):972-978.
Skoog, D.A., West, D.M. and Holler, F.J. 1992. Fundamentals of analytical chemistry. 6a. ed.
Saunders College Publishing. USA.
Soriano, A., Pérez-Juan, P.M., Vicario, A., González, J.M. and Pérez-Coello, M.S. 2007.
Determination of anthocyanins in red wine using a newly developed method based on Fourier
Transform Infrared Spectroscopy. Food Chem. 104:1295-1303.
Syahariza, Z.A., Che-Man, Selamat, J. and Bakar, J. 2005. Detection of lard adulteration in cake
formulation by Fourier Transform Infrared (FTIR) Spectroscopy. Food Chem. 92:365-371.
Tapp, H.S., Defernez, M. and Kemsley, E.K. 2003. FTIR Spectroscopy and Multivariate Analysis
can distinguish the geographic origin of extra virgin olive oils. J. Agric. Food Chem. 51:6110-
6115.
Tewari, J. and Irudayaraj, J. 2004. Quantification of saccharides in multiple floral honeys using
Fourier Transformed Infrared Microattenuated Total Reflectance Spectroscopy. J. Agric.
Food Chem. 52:3237-3243.
Tewari, J. and Malik, K. 2007. In situ laboratory analysis of sucrose in sugarcane bagasse using
Attenuated Total Reflectance Spectroscopy and Chemometrics. International J. Food Sci.
and Technol. 42:200-207.
Thygesen, L., Lokke, M.M., Micklander, E. and Engelsen, S. 2003. Vibrational Microspectroscopy of
food. Raman vs FT-IR. Trends in Food Sci. & Techn.14:50-57.
Troutt, E.S., Hunt, M.C., Johnson, D.E., Claus, R.J., Kastner, C.L., Kropf, D.H. and Stroda, S. 1992.
Chemical, physical, and sensory characterization of ground beef containing 5 to 30 percent
fat. J. Food Sci. 57:25-29.
Tryggvasons, O. 1996. Multivariate modeling in practice. CAMO ASA. 24(7011) Trondheim,
Norway. http://www.camo.no/Applications/MultivariateAnalysis.html
Van de Voort, F.R., Sedman, J. and Ismael, A.A. 1993. A rapid FTIR quality control method for
determining fat and moisture in high-fat products. Food Chem. 48:213-221.
Villé, II., Macs, G., De Schruver, R., Spincemaille, G. and Geers, R. 1995. Determination of
phospholipid content of intramuscular fat by Fourier Transform Infrared Spectroscopy. Meat
Sci. 41:283-291.
55
Villé, II., Macs, G., Geers, R., Goedseels, V., Parduyns, G., Van Bael, J., Janssens, S. and
Dekempeneer, P. 1992. A technique for muscle biopsy sampling on pigs to assess
intramuscular fat. Meat Sci. 32:123-129.
Wang, L., Lee, F., Wang., X. and He, Y. 2006. Feasibility study of quantifying and discriminating
soybean oil adulteration in camellia oils by Attenuated Total Reflectance MIR and Fiber Optic
Diffuse Reflectance NIR. Food Chem. 95:529-536.
Wellner, N., Belton, P.S. and Tatham, A.S. 1996. Fourier Transform IR Spectroscopic Study of
hydration-induced structure changes in the solid state of ω-gliadins. J. Biochem. 741-747.
Whittaker, R.G., Spencer, T.C. and Copland, J.W. 1983. An enzyme-linked immunosorbent assay
for species identification of raw meat. J. Sci. Food Agric. 34:1143-1148.
Willard, H.H., Merritt, L. y Dean, J.A. 1991. Métodos instrumentales de análisis. Grupo Editorial
Iberoamericano. México.
Wilson, R. H. 1990. Fourier Transform Mid-Infrared Spectroscopy for food analysis. Trends Anal.
Chem. 9(4):127-35.
Wingling, H. 1973. Tecnología práctica de la carne. Acribia, Zaragoza, España.
Workman, J. 2002. Chemometrics in a network economy. The American Chapter of the
International Chemometrics Society. Newsletter.
Yang, H. and Irudayaraj, J. 2000. Characterization of semisolid fats and edible oils by Fourier
Transform Infrared Photoacoustic Spectroscopy. JAOCS. 77(3):291-295.
Yang, H. and Irudayaraj, J. 2001. Characterization of beef and pork using Fourier-Transform
Infrared Photoacoustic Spectroscopy. Lebensm.-Wiss. u.-Technol. 34:402-409.
Yang, H., Irudayaraj, J. and Paradkar, M.M. 2005. Discriminant analysis of edible oils and fats by
FTIR, FT-NIR and FT-Raman Spectroscopy. Food Chem. 93:25-32.
Yi-Lwern, K., Yung, S. and Sing, C. 2007. Infrared-based protocol for the identification and
categorization of ginseng and its products. Food Res International. 40:643-652.
Zuñiga, M. 2007. Determinación de la adulteración de miel de abeja por un método quimiométrico
basado en Espectroscopia Infrarroja FTIR-HATR. Tesis de Maestría. ENCB, IPN. 127pp.
56

06 Fraudes 20080866 - 6294

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

06 Fraudes 20080866 - 6294

Cargado por

Copyright:

Formatos disponibles

INFORME TECNICO FINAL DEL PROYECTO DE INVESTIGACION.

DETECCIÓN Y CUANTIFICACIÓN DE ADULTERACIONES DE CARNE MOLIDA

En los últimos años, la espectroscopia de infrarrojo, se ha convertido en una opción para el

Molienda en picadora domestica OBTENCIÓN DE ESPECTROS

PREPARACIÓN DE MUESTRAS DESARROLLO DEL MODELO

Alimentación de los espectros FTIR-

META 2 (Caracterización de la Materia Prima)

3.5.1. Determinación de humedad (AOAC 24.003).

3.5.2. Determinación de grasa (AOAC 24.005).

Se adicionaron 75 mL de éter de petróleo en el matraz y se conectó al refrigerante a través de la

Expresión de resultados: A–B

3.5.4. Determinación de proteínas (AOAC 24.027).

Se pesó 1 g de muestra en un papel libre de nitrógeno (egapack). Se envolvió la muestra en el

% de proteína = % de nitrógeno x factor de conversión (6.25)

Meta 3 (Análisis estadístico de la caracterización de la materia prima)

Meta 4. (Preparación de las muestras adulteradas)

Meta 5. (Obtención de espectros FTIR-HATR)

3.8. Método espectrofotométrico FTIR-HATR.

3.9. Desarrollo de modelos quimiométricos para identificar adulteraciones y su composición

Meta 7 (Desarrollo de los modelos de calibración)

Meta 8 (Optimización de los modelos de calibración)

Meta 9 (Validación de los modelos quimiométricos)

Meta 10. (Desarrollo de un modelo SIMCA)

3.10.1. Optimización del modelo SIMCA.

META 1, 2 y 3 OBTENCIÓN, CARACTERIZACIÓN Y ANALISIS ESTADÍSTICO

4.1 Caracterización de la materia prima.

La composición química de los diferentes cortes de carne puede variar considerablemente, el

META 4 y 5 PREPARACIÓN DE LAS MUESTRAS ADULTERDADAS Y

La preparación de las muestras adulteradas fue explicado en el capitulo de Metodos.

4.2. Interpretación de espectros FTIR-HATR.

3500- 3400 cm-1 3400-3200 cm-1

1750-1710 cm-1 Enlace cis

4.2.2. Interpretación de espectros FTIR-HATR de las muestras adulteradas (res-carne de

Absorbancia res-proteína de soya texturizada 60:40

En investigaciones relacionadas (Al-Jowder et al., 1997), se ha demostrado que es muy difícil

4.3. Desarrollo de modelos quimiométricos para identificar adulteraciones y composición

META 7. DESARROLLO DE LOS MODELOS DE CALIBRACIÓN

4.3.2. Desarrollo de modelos de calibración para cada adulterante.

7.3.2.1. Calibración de los sistemas de adulteración (res-carne de caballo, res-hígado, res-

a Número óptimo de factores

Valor estimado (%)

Valor Estimado (%)

Valor estimado (%)

Valor especificado (%) Valor especificado (%)

Valor especificado (%) Valor especificado (%)

Figura 4.13. Valores especificados

Valor estimado (%)

Valor estimado (%)

Valor especificado (%) Valor especificado (%)

Valor estimado (%)

1.08 Cenizas 0.9 Carbohidratos

Valor especificado (%) Valor especificado (%)

Valor estimado (%)

Valor estimado (%)

Valor especificado (%) Valor especificado (%)

Valor estimado (%)

Valor especificado (%) Valor especificado (%)

Figura VII.15. Valores especificados

Valor estimado (%)

Valor estimado (%)

Valor especificado (%) Valor especificado (%)

Valor especificado (%) Valor especificado (%)

Valor estimado (%)