Traducido del inglés al español - www.onlinedoctranslator.
com
moléculas
Revisar
La capacidad de la espectroscopia de infrarrojo cercano (NIR) para predecir las
propiedades funcionales de los alimentos: desafíos y oportunidades
Daniel Cozzolino
ps
ps
Citación:Cozzolino, D. La capacidad de la
espectroscopia de infrarrojo cercano (NIR)
para predecir las propiedades funcionales
de los alimentos: desafíos y oportunidades.
Moléculas2021,26, 6981. https://doi.org/
10.3390/molecules26226981
Editores académicos: Christian Huck
y Krzysztof Bec
Recibido: 2 noviembre 2021
Aceptado: 16 noviembre 2021
Publicado: 19 noviembre 2021
Nota del editor:MDPI se mantiene neutral
con respecto a reclamos jurisdiccionales en
mapas publicados y afiliaciones
institucionales.
Derechos de autor:© 2021 por el autor.
Licenciatario MDPI, Basilea, Suiza. Este
artículo es un artículo de acceso abierto
distribuido bajo los términos y
condiciones de la licencia Creative
Commons Attribution (CC BY) (https://
creativecommons.org/licenses/by/ 4.0/).
Moléculas2021,26, 6981. https://doi.org/10.3390/molecules26226981
Centro de Nutrición y Ciencias de la Alimentación, Alianza de Queensland para la Agricultura y la Innovación Alimentaria (QAAFI),
Universidad de Queensland, Santa Lucía, Brisbane, QLD 4072, Australia; d.cozzolino@uq.edu.au
Resumen:La espectroscopia de infrarrojo cercano (NIR) se considera uno de los principales métodos analíticos de rutina
utilizados por la industria alimentaria. Esta técnica se utiliza para determinar las composiciones químicas próximas (p. ej.,
proteína, materia seca, grasa y fibra) de una amplia gama de ingredientes y productos alimentarios. Nuevos algoritmos y
nueva instrumentación están permitiendo el desarrollo de nuevas aplicaciones de la espectroscopia NIR en el campo de
la ciencia y la tecnología de los alimentos. Específicamente, varios estudios han informado el uso de la espectroscopia NIR
para evaluar o medir propiedades funcionales tanto en ingredientes como en productos alimentarios, además de su
composición química. Esta minirevisión destaca y analiza las aplicaciones, los desafíos y las oportunidades que ofrece la
espectroscopia NIR para enfocarse en la cuantificación y medición de la funcionalidad de los alimentos en lácteos y
cereales.
Palabras clave:NIR; espectroscopia; funcionalidad; alimento; composición
1. Introducción
Un alimento funcional es un término utilizado para describir alimentos o ingredientes alimentarios
que pueden proporcionar beneficios para la salud además de su nutrición básica.1]. Los alimentos
funcionales incluyen ingredientes y cualquier producto comestible en el que esté presente la
concentración de uno o varios compuestos bioactivos o fitonutrientes como vitaminas, antioxidantes y
micronutrientes.1]. Es bien sabido que las frutas y verduras son las principales fuentes de fitonutrientes
dietéticos, especialmente antioxidantes (p. ej., polifenoles y flavonoides, vitaminas, glucosinolatos,
carotenoides, etc.). Varios estudios epidemiológicos y ensayos clínicos han sugerido y demostrado que
las dietas ricas en frutas y verduras pueden reducir el riesgo de enfermedades crónicas.1]. Además, la
ingesta frecuente de fitonutrientes podría potencialmente prevenir el cáncer, las enfermedades
cardiovasculares, la diabetes, la osteoporosis y los trastornos relacionados con la edad, como la
demencia.2–4]. Por lo tanto, la mayoría de estos fitoquímicos se miden y cuantifican mediante el uso de
una amplia gama de métodos y técnicas analíticas, incluida la cromatografía líquida de alta resolución
(HPLC), la cromatografía líquida (LC), la espectrometría de masas (MS) y la espectroscopia vibratoria (p.
ej., cerca (NIR) espectroscopia infrarroja y media (MIR), Raman, UV y visible) [2–4].
Además de la presencia natural de estos compuestos bioactivos en los alimentos, el procesamiento (p. ej.,
extrusión, secado y fermentación) también juega un papel importante en la determinación o alteración no solo
de la composición química y la concentración de estos compuestos bioactivos en los alimentos, sino también de
sus propiedades funcionales. (ver figura1). Esto es de particular importancia en industrias como la láctea y la de
cereales, donde es bien sabido que los cambios en el tamaño de las partículas o el efecto de la temperatura
durante el procesamiento, por mencionar algunos, pueden tener un impacto en las propiedades funcionales de
la materia prima y el producto final. producto alimenticio.
Esta mini-revisión destaca y analiza las aplicaciones, los desafíos y las oportunidades que ofrece la
espectroscopia de infrarrojo cercano (NIR) para enfocarse en la cuantificación y medición de la funcionalidad de
los alimentos en productos lácteos (p. ej., leche en polvo) y cereales (p. ej., trigo, arroz y productos de
panadería). ).
https://www.mdpi.com/journal/molecules
Moléculas2021,26, 6981 2 de 8

Figura 1.La utilización de la espectroscopia de infrarrojo cercano para medir las propiedades químicas y físicas de los alimentos.

2. Espectroscopia de infrarrojo cercano

La espectroscopia de infrarrojo cercano se ocupa de la interacción de la materia y la luz en la

región del infrarrojo cercano del espectro electromagnético entre 750 y 2500 nm.5–8]. Cuando la
luz infrarroja interactúa con las moléculas presentes en una muestra, el enlace de estas
moléculas vibra a diferentes frecuencias según el tipo de enlace (por ejemplo, enlace de energía) [
5–8]. En la región NIR, los enlaces de vibración C–H, N–H y OH son los más frecuentes y
determinan la forma de los espectros de una muestra dada. En consecuencia, el espectro
resultante se caracteriza por la superposición de estos enlaces en bandas anchas [5–8]. Aunque la
mayoría de las aplicaciones de la espectroscopia NIR se ocupan de la medición y/o cuantificación
de la composición próxima (p. ej., proteína) de una muestra, el espectro NIR también refleja las
propiedades físicas o características de la muestra.5–8]. Esta es una característica única de la
espectroscopia NIR que diferencia esta técnica de otras técnicas instrumentales. Por lo tanto, los
espectros NIR de las muestras pueden proporcionar información no solo sobre la composición
química de los alimentos, sino también sobre su funcionalidad.5–8].
La implementación de la espectroscopia NIR en un método analítico robusto requiere la utilización
de herramientas informáticas y de análisis de datos.9–13]. Estas herramientas son necesarias para
extraer la información relevante de los datos recopilados por la espectroscopia NIR durante el análisis y
para desarrollar modelos matemáticos que puedan usarse para comprender mejor el sistema analizado.
9–13]. La mayoría de estos métodos analíticos de datos se basan en una amplia gama de algoritmos y
técnicas estadísticas (p. ej., regresión lineal múltiple, regresión de mínimos cuadrados parciales y
análisis de componentes principales) [9–13]. En general, el uso rutinario de la espectroscopia NIR
requiere, en la mayoría de los casos, el desarrollo de una calibración. La calibración describe las
relaciones entre los espectros y los datos de referencia, y se expresa como un modelo matemático [9–13
]. La calibración se evalúa por su capacidad para predecir nuevas muestras y evaluando qué tan buena
es en relación con el método de referencia utilizado [9–13]. A menudo se necesitan calibraciones
durante la implementación de la espectroscopia NIR, ya que esta técnica es de baja selectividad y, a
diferencia de los espectros de infrarrojo medio (MIR), captura solo los sobretonos y tonos combinados
de vibraciones derivadas de enlaces funcionales como CH, OH , NH y SH [9–13]. Durante el análisis de
muestras usando espectroscopía NIR, los sobretonos aparecen como picos muy superpuestos y
requieren el uso extensivo de quimiometría para procesar y extraer la señal relacionada con la
propiedad de interés.9–13]. Una vez que se calibra el espectrómetro NIR, se puede implementar para
uso de rutina, pero requiere pruebas exhaustivas para confirmar su capacidad predictiva o para
monitorear
Moléculas2021,26, 6981 3 de 8

cualquier cambio asociado con la falla del sensor, fuente de luz, electrónica, etc. [9–13]. En la siguiente
sección se describe la utilización de la espectroscopia NIR para medir y cuantificar diferentes
propiedades funcionales en los alimentos según lo informado por otros autores.

3. Ejemplos sobre el uso de la espectroscopia de infrarrojo cercano para medir la funcionalidad de los alimentos
3.1. Productos lácteos
Las características fisicoquímicas de los ingredientes y productos alimentarios se evaluaron
utilizando diferentes instrumentos de espectroscopia visible (VIS) y NIR (p. ej., imágenes portátiles, de
sobremesa e hiperespectrales) según lo informado por diferentes autores [14–20]. La utilización de la
espectroscopia NIR para evaluar las propiedades funcionales de los productos lácteos se evaluó en un
estudio reciente [21]. La variabilidad en el conjunto de datos se obtuvo recolectando muestras de
diferentes lotes, marcas, tipos y tiempos de almacenamiento [21]. Los resultados de este estudio
reportaron un desempeño de moderado a bueno en la cuantificación y medición de parámetros como la
densidad filtrada, el índice de insolubilidad, la grasa libre superficial, el contenido de humedad y la
densidad aparente, donde el coeficiente de determinación osciló entre 0,65 y 0,88 [21]. Estos autores
analizaron los diferentes modelos utilizando la variable de importancia en la proyección y ratios de
selectividad, mostrando la singularidad de cada modelo de predicción para los diferentes atributos
fisicoquímicos medidos en muestras de polvo de leche [21].
Se informó sobre la utilización de la espectroscopia NIR para predecir la fracción de tamaño de partículas
finas, la dispersabilidad y la densidad aparente de varias muestras de leche en polvo [22]. Se utilizó la regresión
de mínimos cuadrados parciales (PLS) para desarrollar modelos predictivos utilizando los espectros NIR de
muestras de leche en polvo y las propiedades físicas y funcionales definidas anteriormente [22]. Los autores de
este estudio concluyeron que los modelos PLS predijeron las propiedades de la leche en polvo con una precisión
del 88 al 90 por ciento [22].
El tamaño de las partículas coloidales en los productos alimenticios tiene un impacto considerable en las
características fisicoquímicas, funcionales y sensoriales de un producto lácteo.23]. La utilización de espectroscopía visible
(VIS) y NIR se utilizó para monitorear y cuantificar el tamaño de los glóbulos de grasa en muestras de leche.23]. En este
estudio, la variabilidad en la distribución del tamaño de los glóbulos de grasa se creó utilizando la homogeneización
ultrasónica de la leche cruda.23]. Los autores informaron que las reducciones en el tamaño de los glóbulos de grasa
dieron como resultado una mayor dependencia de la longitud de onda del coeficiente de dispersión de masa de los
espectros VIS y NIR y el factor de anisotropía de dispersión.23]. El factor de anisotropía y los coeficientes de dispersión de
masa para longitudes de onda por encima de 600 nm se redujeron y dominaron por la dispersión de Rayleigh.23]. En este
estudio, se pudieron estimar las propiedades de dispersión a granel (R2 0.90) midiendo la distribución del tamaño de
partículas utilizando un algoritmo basado en la solución de Mie [23]. Los autores sugirieron que la inversión de este
modelo se puede utilizar para estimar las distribuciones de tamaño de partículas mediante el uso de espectroscopia VIS y
NIR.23].
El efecto de los factores fisicoquímicos, así como la utilización de leche descremada en polvo sobre
la coagulación del cuajo de la leche, se evaluó mediante espectroscopía NIR y resolución de curva
multivariada alternando mínimos cuadrados (MCR-ALS) [24]. La formación de coágulos se ha evaluado
utilizando métodos de referencia, así como mediante la utilización de espectroscopia NIR analizando
muestras de leche reconstituida inalterada, muestras pasteurizadas, muestras con adición de cloruro de
calcio y muestras de leche reconstituida mezclada con leche fresca.24]. Los modelos de calibración
pudieron monitorear los cambios durante el procesamiento, explicando más del 99.9% de la variación en
el conjunto de datos [24]. Los autores concluyeron que los modelos NIR pudieron monitorear una amplia
gama de condiciones de coagulación, lo que demuestra la idoneidad de esta técnica para evaluar la
coagulación inducida por cuajo de la leche reconstituida.24].
El contenido de ácidos grasos (AG) dietéticos comunes y el contenido de grasa en la leche líquida se
evaluaron mediante espectroscopia NIR con el objetivo de mejorar las prácticas de manejo de la alimentación de
las vacas [25]. Además, estos autores han utilizado la acuafotómica para interpretar mejor las interacciones
entre la estructura molecular del agua y los ácidos grasos como una herramienta para comprender mejor la
funcionalidad de la leche líquida [25]. En este estudio, se recolectaron muestras de leche (n > 250) de diferentes
vacas durante 14 semanas, donde se midió el contenido de AG mediante cromatografía de gases (GC) [25]. La
utilización de acuafotómica, aplicada a la espectroscopia NIR, se utilizó para cuantificar estos ácidos grasos en la
región de 1300–1850 nm. Este estudio mostró el potencial de la espectroscopia NIR
Moléculas2021,26, 6981 4 de 8

para cuantificar los ácidos grasos dietéticos [25]. Los modelos de calibración fueron validados
externamente y se obtuvieron buenas estadísticas de predicción (R2> 0,75, RPD >1,5) para los ácidos
caproico y caprílico y aceptable para los ácidos cáprico, láurico, mirístico, mirístico-oleico, palmitoleico y
oleico [25]. El análisis y la interpretación de las longitudes de onda NIR más importantes que
contribuyeron al desarrollo de los modelos de regresión indicaron que la contribución de las bandas de
agua asociadas con el agua protonada y de hidratación podría explicarse por la interacción del agua y
los ácidos grasos. Los autores de este estudio concluyeron que estas interacciones son relevantes para
su autoorganización en ensamblajes con diferentes morfologías en la matriz alimentaria.25].

3.2. Cereales y alimentos ricos en almidón

El término calidad en los cereales (p. ej., trigo y cebada) es complejo y depende de las diferentes
características del grano, el medio ambiente y el uso final [26,27]. La textura del endospermo (dureza del
grano), el contenido de proteínas y la fuerza del gluten se consideran los principales impulsores de la
calidad del trigo.26,27]. Por ejemplo, la textura del endospermo en el trigo es la característica de calidad
más importante y definitoria, ya que facilita la clasificación del trigo y afecta la calidad de la molienda, el
horneado y el uso final.26,27]. Varias técnicas utilizadas para la medición de la dureza del grano se
clasifican en diversos grupos de acuerdo con la molienda, trituración y abrasión [26,27]. Se han utilizado
diferentes métodos para medir la textura, e incluyen el indicador de tamaño de partícula (PSI), la dureza
NIR, el sistema de caracterización de grano único (SKCS), el índice de perlado, la electroforesis en gel de
poliacrilamida con dodecilsulfato de sodio (SDS-PAGE) y la reacción en cadena de la polimerasa ( PCR)
marcadores [26,27].
Es bien sabido que el gluten de trigo juega un papel importante en la industria alimentaria del pan y la
molienda [28], particularmente en horneado para ayudar a estandarizar las propiedades de la masa y mejorar el
volumen del pan [28]. Sin embargo, no se dispone de una caracterización completa de una amplia variedad de
muestras de gluten donde sería necesario relacionar las características de composición con el proceso de
producción [28]. En este estudio, los investigadores midieron el contenido de proteína cruda, almidón, lípidos y
cenizas, la capacidad de absorción de aceite y agua, la distribución del tamaño de las partículas, la composición
de la proteína del gluten y los espectros NIR de muestras de gluten de diferentes proveedores [28]. Los autores
han utilizado el análisis de componentes principales (PCA) para analizar la tendencia y las fuentes de variabilidad
en el conjunto de datos de diferentes composiciones y productores [28]. Se observó que la composición de las
muestras vitales de gluten del mismo fabricante era similar, y el gráfico de puntuación mostraba una formación
de conglomerados para las muestras de tres proveedores; la variabilidad en todas las muestras fue
comparativamente baja [28]. Las muestras de los otros proveedores eran demasiado similares en conjunto, por
lo que era casi imposible identificar diferencias claras que también estuvieran relacionadas con la funcionalidad
[28].
Se informaron cambios en las propiedades fisicoquímicas durante el almacenamiento del arroz a altas
temperaturas [29]. En este estudio, las muestras de cultivares de arroz con cáscara con bajo contenido de
amilosa (9–11 %) y alto contenido de amilosa (23–25 %) se almacenaron a 39,2C y 43,1% de humedad relativa
hasta 31 semanas [29]. Los autores informaron cambios en el contenido de humedad y otros parámetros
asociados con la calidad de la cocción, la textura y las propiedades de pasta durante las primeras cuatro
semanas de almacenamiento [29]. Se desarrollaron modelos predictivos basados en la espectroscopia NIR para
la predicción del tiempo mínimo de cocción, la adhesividad, la temperatura de empastado, la viscosidad máxima
y la descomposición de las muestras de arroz (R2de calibración 0,81; R2de validación 0.87) [29].
El uso de NIR de grano único (SKNIR) se utilizó para analizar los efectos del fraccionamiento de
trigo a granel heterogéneo [30]. Este estudio mostró que la clasificación del trigo en tres fracciones de
funcionalidad se realizó en lotes de baja calidad de un experimento de campo orgánico de dos años de
crecimiento y dos ubicaciones [30]. Los lotes clasificados eran mezclas que originalmente se
diversificaron por tres cultivos intermedios anteriores diferentes, lo que resultó en 12 fracciones,
además de los dos lotes originales de trigo que se caracterizaron por 20 variables estándar de calidad de
granos y harinas [30]. Los datos se analizaron mediante PCA y análisis de varianza (ANOVA) [30]. Dentro
de cada cosecha y ubicación/cultivar, el fraccionamiento SKNIR tuvo efectos positivos significativos en la
densidad del grano a granel, la proteína, el contenido de gluten húmedo, el volumen de sedimentación
de Zeleny, la absorción de agua del farinógrafo, el ablandamiento del farinógrafo, el número de fallas, la
temperatura de gelatinización y el índice de dureza [30]. Este estudio indicó que la
Moléculas2021,26, 6981 5 de 8

El uso directo de la región de huellas dactilares NIR se puede usar para clasificar muestras sin calibración a una
referencia univariante, lo que mostró que las fracciones resultantes se basaron en la variación principal en el
rasgo de calidad fisicoquímico completo dentro de cada lote, según lo expresado por NIR [30]. Este estudio ha
demostrado que los enfoques no supervisados pueden considerarse una herramienta poderosa para clasificar
muestras de acuerdo con características de funcionalidad complejas, lo que aumenta la calidad general, la
aplicabilidad y el valor del cultivo clasificado.30].
Se utilizó un análisis de correlación bidimensional (2D) para caracterizar el trigo NIR [31]. Antes del
análisis 2D, se promediaron los espectros NIR que poseían valores de referencia de proteínas vecinas, y
luego el nuevo conjunto espectral se sometió a un análisis de componentes principales para la
clasificación de grupos [31]. Se repitió el mismo enfoque para la determinación del volumen de
sedimentación de dodecilsulfato de sodio (SDSS) [31]. Los espectros de correlación 2D sincrónicos y
asincrónicos mejoraron la resolución espectral y proporcionaron información sobre el contenido de
proteínas y los cambios de intensidad dependientes del índice SDSS que no son fácilmente accesibles
desde los espectros NIR unidimensionales del trigo [31]. Los resultados mostraron diferencias entre el
contenido de proteína y la respuesta espectral NIR inducida por el índice SDSS [31]. El análisis de los
espectros NIR mostró varias longitudes de onda de proteína únicas alrededor de 1980 nm, 2040 nm,
2200 nm, 2260 nm y 2350 nm en trigo alto en proteína y SDSS [31]. Los autores de este estudio indicaron
que al menos una de estas longitudes de onda podría estar asociada con la proteína del gluten (un
complejo formado principalmente por gliadina y glutenina) que influye en la calidad del uso final de la
harina de trigo.31].
Las panaderías comerciales necesitan medios rápidos y sencillos para medir las funcionalidades de
manipulación de masa y panificación de la harina de trigo durante el procesamiento [32]. Se exploró la
capacidad de la espectroscopia NIR para medir las propiedades de la masa y la elaboración del pan.32].
Las muestras se obtuvieron de harina de trigo duro rojo de primavera y rojo duro de invierno. Las
muestras se analizaron por absorción de agua, tiempo de mezclado de la masa, tolerancia al mezclado
de la masa, altura del pan, apariencia interna del grano y puntaje general de horneado [32]. Los autores
indicaron que la capacidad de la espectroscopia NIR para medir la proteína, el daño del almidón y las
relaciones positivas entre los dos y la absorción de agua probablemente la hicieron exitosa para modelar
la absorción de agua.32]. Los modelos para los cinco índices restantes fueron menos precisos debido a
la complejidad de las interacciones entre la proteína, el almidón y los lípidos y la sensibilidad inadecuada
del instrumento.32].
Se evaluó la capacidad de la espectroscopia NIR para monitorear los efectos del tratamiento
térmico en el caso de las fracciones de molienda de trigo y los cambios en la calidad de estas fracciones [
33]. Los procesos de tratamiento térmico se están aplicando para aumentar las propiedades de vida útil
de los productos de cereales o para cambiar las propiedades físicas/reológicas [33]. Los productos y
fracciones de trigo se han producido en condiciones industriales en las que se aplicaron las siguientes
características analizadas, como la fracción de trigo húngaro (WF), la harina de torta húngara (CF) y la
harina de trigo rica en aleurona (ARF) [33]. Los cambios en los principales componentes químicos (como
el almidón y la proteína) se analizaron con espectrofotómetros dispersivos utilizando regiones visibles y
NIR de la radiación electromagnética con respecto a los tratamientos térmicos [33]. Se ha establecido
una estrecha correlación entre los datos de las técnicas de medición espectroscópicas procesadas por
varios métodos quimiométricos (p. ej., análisis de componentes principales y análisis de conglomerados)
y los tipos de tratamientos que se utilizaron [33]. No solo se han observado claramente las diferencias
causadas por la tecnología de molienda y los ajustes del tratamiento térmico, sino también diferencias
entre los tratamientos térmico seco e hidrotermal [33]. Durante esta tarea, se hizo evidente que los
métodos NIR pueden detectar la desviación en los parámetros de los tratamientos térmicos [33].

Las pruebas de farinografía se utilizan para medir las propiedades funcionales y la calidad de la
harina de trigo [34]. Se reconoció que esta prueba requería mucho tiempo y trabajo [34]. Algunos
estudios han demostrado que la espectroscopia NIR mostró una capacidad limitada para predecir los
parámetros del farinógrafo; por lo tanto, las combinaciones de espectroscopia NIR y MIR se evaluaron
para predecir las propiedades de calidad del farinógrafo de la harina de trigo (absorción de agua, tiempo
de desarrollo de la masa, estabilidad de la masa y grado de ablandamiento) [34]. Las calibraciones se
desarrollaron utilizando regresión PLS y NIR, MIR y los espectros fusionados [34]. Datos
Moléculas2021,26, 6981 6 de 8

Los autores aplicaron estrategias de fusión para aprovechar el efecto sinérgico de la información
obtenida de la espectroscopia MIR y NIR.34]. Los modelos de fusión de datos de bajo nivel mostraron un
rendimiento inferior en comparación con los modelos MIR y NIR correspondientes, mientras que los
modelos de fusión de datos de nivel medio combinados con un algoritmo de selección de variables de
intervalo directo se validaron para mostrar un buen rendimiento. Los autores indicaron que la fusión de
las variables previamente seleccionadas de los espectros MIR y NIR mejoró la precisión de predicción de
los parámetros del farinógrafo, lo que indica la superioridad del algoritmo de selección de variables de
intervalo directo que será útil para las industrias de cereales y panadería.34].
La capacidad de la espectroscopia NIR para predecir la composición química (proteínas, humedad,
grasas, cenizas y fibra dietética total) y las propiedades funcionales (peso de 100 semillas, capacidad de
hidratación, porcentaje de cáscara, eficiencia de descascarillado, color y calidad de cocción) en guisantes
y garbanzos reportado [35]. La precisión de los modelos de calibración NIR fue generalmente mejor en
el suelo que en muestras completas para la composición química, pero mejor en muestras completas
que en muestras molidas para propiedades físicas o funcionales [35]. Para la mayoría de las propiedades
medidas, la precisión de las calibraciones NIR se consideró satisfactoria o prometedora, pero la
implementación exitosa en un programa de mejoramiento dependerá de una evaluación adicional
utilizando muestras independientes, ampliando las poblaciones de muestras o mejorando los métodos
de referencia [35].
Revisiones e informes recientes también han destacado la capacidad de la espectroscopia NIR para
predecir diferentes parámetros asociados con las características fisicoquímicas del almidón, la mayoría de ellos
asociados con propiedades funcionales en cereales y otros alimentos ricos en almidón.36–39].

4. Desafíos y Oportunidades
No es de extrañar que la espectroscopia NIR se considere uno de los métodos analíticos de rutina
más utilizados por la industria alimentaria. La ventaja de esta técnica se basa en su capacidad para
determinar la composición próxima en alimentos como proteína, humedad o materia seca, grasa y
almidón a través de una técnica que no es destructiva, rápida y ecológica (p. ej., no se utilizan reactivos).
Como se demostró y discutió en esta breve revisión, varios estudios destacaron la capacidad de la
espectroscopia NIR para predecir o medir las propiedades asociadas con la funcionalidad de los
ingredientes y productos alimentarios, como los lácteos y los cereales. Esta capacidad es el resultado de
las conocidas pero poco exploradas propiedades de la espectroscopia NIR que no solo son capaces de
medir y/o cuantificar la composición próxima de una muestra sino que también reflejan las propiedades
físicas y/o características funcionales de la misma muestra. Sin embargo, la predicción o cuantificación
de estas propiedades funcionales en los alimentos mediante espectroscopia NIR va más allá de la sola
predicción de un parámetro dado. El análisis y la interpretación del espectro NIR proporciona más
información de la que se puede utilizar para revelar las propiedades que están íntimamente asociadas
con la funcionalidad.
Aunque la utilización de la espectroscopia NIR está permitiendo el desarrollo y la implementación de
sistemas de decisión de gestión de alimentos avanzados, la traducción de la espectroscopia NIR en la industria
alimentaria como una herramienta para monitorear la funcionalidad aún no está bien establecida. La
información disponible sobre la predicción o medición tanto de la composición química como de las propiedades
funcionales mediante espectroscopia NIR proporcionará nuevos medios para mejorar e incorporar herramientas
de gestión de decisiones a la hora de procesar alimentos. Además, el desarrollo actual en hardware y software
dará como resultado un aumento en la capacidad de NIR que se utilizará durante la evaluación y el seguimiento
de la calidad de los alimentos a lo largo de toda la cadena de suministro de alimentos y las cadenas de valor.

A pesar de su enorme potencial y del uso de la espectroscopia NIR para cumplir con la inspección en línea
y los requisitos previos de calidad impuestos por la industria alimentaria, la medición de las propiedades
funcionales requerirá mayores avances en I+D, así como en formación. El desarrollo de aplicaciones de la
espectroscopia NIR a menudo requiere la creación de modelos de calibración que deben incluir diferentes
condiciones ambientales, muestras de diferentes y diversos orígenes y un preprocesamiento espectral
adecuado. Sin embargo, la importancia de este paso crítico es de alguna manera ignorada o subestimada.
Además, la demanda mundial actual de alimentos totalmente nutritivos, sostenibles y seguros ocupa un lugar
destacado en la agenda de la industria alimentaria moderna.
Moléculas2021,26, 6981 7 de 8

industria y, más importante, para el consumidor; esto se ve desafiado por varios problemas generales, incluida la
creciente complejidad en las cadenas de suministro de alimentos, el efecto del cambio climático (por ejemplo, la
composición de las materias primas y los ingredientes), el envejecimiento creciente de la población, los problemas de
seguridad alimentaria (por ejemplo, el fraude y el desperdicio) y el continuo cambios en los patrones de los consumidores
o en sus elecciones de alimentos nutritivos e inocuos.
La integración y utilización de la espectroscopia NIR como método de rutina por parte
de la industria alimentaria ha permitido un aumento en nuestra capacidad para adquirir
datos de manera rápida y eficiente; por lo tanto, tenemos la capacidad de usar dicha
información de diferentes maneras, por ejemplo, monitoreando toda la cadena de
suministro y valor desde el procesamiento, transporte y almacenamiento de alimentos. Sin
embargo, todavía falta cómo la industria alimentaria puede incorporar o utilizar la
información en los llamados sistemas expertos o de decisión de gestión. A pesar de su
enorme ventaja, la utilización de la espectroscopia NIR en el monitoreo en línea o de
procesamiento traerá nuevas opciones y herramientas para determinar la composición de
los alimentos. La utilización de la espectroscopia NIR con otras tecnologías de detección,
Sin embargo, los usuarios deben tener un enfoque diferente en la interpretación de los modelos
NIR desarrollados para predecir la funcionalidad de los alimentos, ya que la interpretación de la
funcionalidad determinará un nivel diferente de complejidad. El usuario necesita pasar de un solo
número que explica lo que ya ha sucedido a un sistema más dinámico que proporcionará información
sobre los cambios o tendencias en el sistema en función de su complejidad. Esta nueva metodología
requerirá el uso de nuevas herramientas (p. ej., acuafotónica), así como adoptar enfoques
multidisciplinarios para interpretar los espectros NIR y las calibraciones obtenidas para predecir la
funcionalidad de los alimentos.

Fondos:Esta investigación no recibió financiación externa.

Declaración de la Junta de Revisión Institucional:No aplica.

Declaración de consentimiento informado:No aplica.

Declaración de disponibilidad de datos:No aplica.

Conflictos de interés:Los autores declaran no tener conflicto de intereses.

Referencias
1. Cerradura, K.; Pomerleau, J.; Causador, L.; Altmann, DR; McKee, M. La carga mundial de morbilidad atribuible al bajo consumo de frutas y hortalizas:
Implicaciones para la estrategia mundial sobre la dieta.Toro. Órgano Mundial de la Salud.2005,83, 100–108.
2. Fjeld, CR; Lawson, RH Alimentos, fitonutrientes y salud.Nutrición Rvdo.1999,57, S1–S2. [Referencia cruzada]
3. Cozzolino, D. Alimentos para el pensamiento: la disrupción digital y el futuro de la producción de alimentos.actual Res. Nutrición ciencia de la comida2019,7, 607–609. [
Referencia cruzada]
4. Truong, VK; Dupont, M.; Elbourne, A.; Gangadoo, S.; Rajapaksha Pathirannahalage, P.; Cheeseman, S.; Chapman, J.; Cozzolino, D. De la
academia al control de la realidad: Un marco teórico sobre el uso de la quimiometría.Alimentos2019,8, 164. [Referencia cruzada]
5. Bec, KB; Grabska, J.; Huck, CW Revise la espectroscopia de infrarrojo cercano en bioaplicaciones.Moléculas2020,25, 2948. [Referencia cruzada]
6. Bec, KB; Huck, CW Potencial de avance en espectroscopia de infrarrojo cercano: simulación de espectros. Una revisión de los desarrollos recientes. Frente.
química2019,7, 48. [Referencia cruzada] [PubMed]
7. Cattaneo, TMP; Stellari, A. Reseña: La espectroscopia NIR como herramienta idónea para la investigación del campo hortícola.Agronomía 2019,9,
503. [Referencia cruzada]
8. Pasquini, C. Espectroscopia de infrarrojo cercano: una técnica analítica madura con nuevas perspectivas: una revisión.Anal. quim. acta2018, 1026, 8–36. [
Referencia cruzada]
9. Cozzolino, D. La muestra, los espectros y las matemáticas: los pilares críticos en el desarrollo de aplicaciones de espectroscopia vibracional robustas
y sólidas.Moléculas2020,25, 3674. [Referencia cruzada] [PubMed]
10. Oficina, S.; Cozzolino, D.; Clark, CJ Contribuciones de la espectroscopia de infrarrojo medio por transformada de Fourier (FT-MIR) al estudio de frutas y
verduras: una revisión.Poscosecha Biol. Tecnología2019,148, 1–14. [Referencia cruzada]
11. Agelet, L.; Hurburgh, CH, Jr. Tutorial sobre espectroscopia de infrarrojo cercano y su calibración.crítico Anal Rev. química2010,40, 246–260. [
Referencia cruzada]
12. Walsh, KB; McGlone, VA; Hanc, DH Los usos de la espectroscopia de infrarrojo cercano en el apoyo a la toma de decisiones poscosecha: una revisión.
Poscosecha Biol. Tecnología2020,163, 111139. [Referencia cruzada]
13. Saeys, W.; Hacer Trong, NN; Van Beers, R.; Nicolai, BM Calibración multivariante de sensores espectroscópicos para la evaluación de la calidad poscosecha: una
revisión.Poscosecha Biol. Tecnología2019,158, 110981. [Referencia cruzada]
Moléculas2021,26, 6981 8 de 8

14. Cozzolino, D.; Roberts, JJ Aplicaciones y desarrollos sobre el uso de imágenes de espectroscopia vibratoria para el análisis, seguimiento
y caracterización de cultivos y plantas.Moléculas2016,21, 755. [Referencia cruzada]
15. Nicolai, BM; Beullens, K.; Bobelyn, E.; Peirs, A.; Saeys, W.; Theron, KI; Lammertyn, J. Medición no destructiva de la calidad de frutas y
hortalizas mediante espectroscopia NIR: una revisión.Poscosecha Biol. Tecnología2007,46, 99–118. [Referencia cruzada]
16. Amigo, JM; Mercadoi,YO.; Gowen, A. Imágenes hiperespectrales y quimiometría: una combinación perfecta para el análisis de la estructura, composición y
calidad de los alimentos.Manejo de datos ciencia Tecnología2013,28, 343–370.
17. Crocombe, RA Espectroscopia portátil.aplicación Espectrosc.2018,72, 1701–1751. [Referencia cruzada]
18. Cortés, V.; Blasco, J.; Aleixós, N.; Cubero, S.; Talensa, P. Estrategias de seguimiento para el control de calidad de productos agrícolas mediante espectroscopia visible e
infrarroja cercana: una revisión.Tendencias Ciencias de la alimentación. Tecnología2019,85, 138–148. [Referencia cruzada]
19. Kaavya, R.; Pandiselvam, R.; Mohamed, M.; Dakshayani, R.; Kothakota, A.; Ramesh, SV; Cozzolino, D.; Ashokkumar, C. Aplicación de técnicas de
espectroscopia infrarroja para la evaluación de la calidad y la seguridad en especias: técnicas de espectroscopia de vanguardia y tendencias
futuras: una herramienta emergente para la autenticación de especias y hierbas.aplicación Espectrosc. Rvdo.2021,55, 593–611. [Referencia
cruzada]
20. Sorak, D.; Herberholz, L.; Iwascek, S.; Altinpinar, S.; Pfeifer, F.; Siesler, HW Nuevos desarrollos y aplicaciones de espectrómetros portátiles Raman,
infrarrojo medio e infrarrojo cercano.aplicación Espectrosc. Rvdo.2012,47, 83–115. [Referencia cruzada]
21. Wang, C.; Reyes, MG; Reis, MM Predicción de atributos de funcionalidad de productos lácteos en polvo utilizando reflectancia difusa en la región visible e
infrarroja cercana (Vis-NIR).En t. lácteos j.2021,117, 104981. [Referencia cruzada]
22 Khan, A.; Munir, MT; Yu, W.; Young, BR Espectroscopía de infrarrojo cercano y análisis de datos para predecir los atributos de calidad de la leche en polvo.En t. J.
Tecnología láctea.2021,74, 235–245. [Referencia cruzada]
23. Aernouts, B.; Van Beers, R.; Saeys, W. Efecto de la homogeneización ultrasónica en las propiedades ópticas a granel Vis/NIR de la leche.Surf de coloides. B
Biointerfaces2015,126, 510–519. [Referencia cruzada]
24. Strani, L.; Grassi, S.; De Juan, A. Efecto de los factores fisicoquímicos y el uso de leche en polvo en la coagulación del cuajo de la leche: Comprensión del
proceso por espectroscopía de infrarrojo cercano y quimiometría.control de alimentos2021,119, 107494. [Referencia cruzada]
25. Muncan, J.; Kovacs, Z.; Tsenkova, R. Estudio de acuafotómica del infrarrojo cercano sobre los ácidos grasos dietéticos comunes en la leche líquida descongelada de vaca.
control de alimentos2021,122, 107805. [Referencia cruzada]
26. Dowell, FE; Maghirang, EB; Xie, F.; Lookhart, GL; Pierce, RO; Seabourn, W.; frijol, SR; Wilson, JD; Chung, OK Predicción de las características de
calidad y funcionalidad del trigo mediante espectroscopia de infrarrojo cercano.Química de cereales.2006,83, 529–553. [Referencia cruzada]
27. Jerónimo, RE; Singh, SK; Dwivedi, M. Tecnología analítica de procesos para la industria de la panadería: una revisión.J. Ing. de Procesos de Alimentos. 2019,42,
e13143. [Referencia cruzada]
28. Schopf, M.; Wehrli, MC; Becker, T.; Jekle, M.; Scherf, KA Caracterización fundamental del gluten de trigo.EUR. Alimentos Res. Tecnología 2021,247,
985–997. [Referencia cruzada]
29. Thanathornvarakul, N.; Anuntagool, J.; Tananuwong, K. Envejecimiento de arroz con bajo y alto contenido de amilosa a temperatura elevada: mecanismo y modelado
predictivo.J. Ciencias de los cereales.2016,70, 155–163. [Referencia cruzada]
30. Tonificación, E.; Thybo, AK; Norgaard, L. Diversificación de la funcionalidad a granel mediante la clasificación de trigo sin supervisión del infrarrojo cercano de un solo núcleo
(SKNIR).Química de cereales.2009,86, 706–713. [Referencia cruzada]
31. Liu, YL; Delwiche, SR; Graybosch, RA Análisis de correlación bidimensional de las variaciones de intensidad espectral del infrarrojo cercano del trigo molido.J.
Espectrosc infrarrojo cercano.2009,17, 41–50. [Referencia cruzada]
32. Delwiche, SR; Weaver, G. Calidad del pan de harina de trigo por espectrofotometría de infrarrojo cercano: viabilidad del modelado.J. ciencia de los alimentos. 1994,59, 410–
415. [Referencia cruzada]
33. Izso, E.; Bartalne-Berceli, M.; Gergely, S. Monitoreo de fracciones de molienda de trigo tratadas térmicamente mediante el método espectroscópico de infrarrojo cercano. Cal.
Assur. seguro Cultivo. Alimentos2018,10, 93–101. [Referencia cruzada]
34. Chen, J.; Sí, año fiscal; Zhao, GH Determinación rápida de los parámetros farinográficos de la harina de trigo mediante la fusión de datos y un algoritmo de
selección de variables de intervalo directo.Anal. Métodos2017,9, 6341–6348. [Referencia cruzada]
35. Flinn, PC; negro, GR; Meares, C. Estimación de las características de procesamiento de alimentos de las legumbres mediante espectroscopia de infrarrojo cercano, utilizando
muestras molidas o enteras.J. Espectrosc infrarrojo cercano.1998,6, 213–220. [Referencia cruzada]
36. Pasha, I.; Anjum, FM; Morris, CF Dureza del grano: un determinante principal de la calidad del trigo.ciencia de la comida Tecnología En t.2010,dieciséis, 511–
522. [Referencia cruzada]
37. Delwiche, SR; Higginbotham, RW; Steber, CM Número de caída de trigo blanco blando por espectroscopia de infrarrojo cercano: un desafío revisado.Química
de cereales.2018,95, 469–477. [Referencia cruzada]
38. Cozzolino, D.; Roumeliotis, S.; Eglinton, J. Exploración del uso de la espectroscopia de reflectancia del infrarrojo cercano (NIR) para predecir las propiedades de pegado del
almidón en la cebada integral.Biografía de los alimentos.2013,8, 256–261. [Referencia cruzada]
39. Balet, S.; Guelpa, A.; Zorro, G.; Manley, M. Visco analizador rápido (RVA) como herramienta para medir las propiedades fisicoquímicas relacionadas con el
almidón en cereales: una revisión.comida anal. Métodos2019,12, 2344–2360. [Referencia cruzada]