Machine Translated by Google

Revista de Análisis y Composición de Alimentos 114 (2022) 104780

Listas de contenidos disponibles en ScienceDirect

Revista de composición y análisis de alimentos

página de inicio de la revista: www.elsevier.com/locate/jfca

Evaluación de la calidad de mieles de manuka ¯ mediante métodos no invasivos Near

Sistemas de infrarrojos

Hien Thi Dieu Truong a,* , Pullanagari Reddy , Marlon Reis

a b
, Richard Archer a,c
a
Escuela de Alimentación y Tecnología Avanzada, Universidad Massey, Riddet Road, Fitzherbert, Palmerston North 4410, Nueva Zelanda
b
Informática de alimentos, AgResearch, Massey University Manawatu Tennent Drive, Riddet Road, Turitea 4474, Nueva Zelanda
C
Instituto Riddet, University Avenue, Fitzherbert, Palmerston North 4474, Nueva Zelanda

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: La miel de Manuka ¯ proviene principalmente del néctar de Leptospermum scoparium . El metilglioxal (MGO) es el principal antibacteriano
Mieles de m¯ anuka de las mieles de m¯ anuka y otros marcadores químicos contribuyen a su valor. El MGO se forma gradualmente en la matriz de la miel a
monofloral
partir de dihidroxiacetona (DHA) que se hiperacumula de forma única en el néctar de L. scoparium . La leptosperina más cuatro
M¯ anukaness
compuestos polifenólicos se utilizan para la verificación botánica de la miel de manuka. Todos estos marcadores son exclusivos de m¯
Calidad
anuka e indican indirectamente la potencia de la miel de m¯ anuka (medida mediante puntuaciones UMF™) y la pureza (verificación del
Potencia
Pureza
origen botánico). Este estudio tuvo como objetivo desarrollar técnicas de espectroscopía de infrarrojo cercano visible para clasificar la
DHA miel antes de la extracción para evitar la mezcla inadvertida de mieles de alto y bajo valor. Se investigó un conjunto de 1451 mieles
MGO monoflorales, multiflorales de m¯ anuka y otras mieles (no m¯ anuka) de ocho regiones geográficas de Nueva Zelanda que contenían
Vis­NIR niveles naturalmente variables de marcador químico. Se desarrollaron modelos quimiométricos que utilizan mínimos cuadrados parciales
Quimiometría
(PLS), máquina de vectores de soporte (SVM) y análisis discriminante, PLS­DA y SVM­DA (RBF) para predecir la potencia y pureza de la
miel de manuka. La predicción de la potencia arrojó una precisión del 74 % mediante un modelo de regresión PLS. Los clasificadores
PLS­DA y SVM­DA para origen botánico dieron una precisión general del 89 %.
En particular, las mieles monoflorales de manuka ¯ podrían clasificarse con una precisión del 92 al 97 %.

1. Introducción
Manuka de Nueva Zelanda ¯ la miel se deriva principalmente del néctar de Lep­
tospermum scoparium (Smallfield et al., 2018; Williams et al., 2014). Atrae valor debido a
sus altas propiedades antibacterianas y antiinflamatorias. El metilglioxal (MGO) es un
compuesto antibacteriano clave en las mieles de manuka ¯, que se agrega al peróxido
de hidrógeno, presente en todas las mieles ( Hellwig et al., 2017; Owens et al., 2019;
Williams et al., 2018).
El MGO se forma gradualmente durante la maduración y el almacenamiento de la miel
mediante la fácil deshidratación de la dihidroxiacetona (DHA), que es un compuesto de
azúcar de tres carbonos hiperacumulado de manera única en el néctar de Leptospermum
scoparium (Hellwig et al., 2017; Owens et al., 2019; Williams et al. , 2018). Además, la
miel de manuka ¯ tiene un perfil polifenólico diverso que también agrega valor a la calidad
y firma de la miel de manuka ¯. En particular, la leptosperina es un compuesto
antiinflamatorio, fuertemente indicativo de mieles que se originan a partir del néctar de
Leptospermum scoparium (Bong et al., 2018, 2017; Lin et al., 2020). Varios otros
compuestos también contribuyen de manera importante a la calidad e identidad de las
mieles de m¯ anuka.
mediante la puntuación UMF™ y la verificación del origen botánico (Thrasy­voulou et al.,
2018; UMFHA, 2021). La puntuación UMF™ está influenciada principalmente por la
concentración de MGO, el principal compuesto que transmite actividad sin peróxido
(NPA) (Hellwig et al., 2017; Owens et al., 2019; Snow y Manley­Harris, 2004). La miel
monofloral de m¯ anuka (mono­­m¯ anuka) tiene una mayor concentración de un perfil
químico clave en comparación con la miel multifloral de manuka ¯ (multi­manuka).
¯
Estos compuestos clave no se
encuentran o se encuentran poco en las mieles que no se derivan de Leptospermum
sco­parium. Cuatro compuestos fenólicos: ácido 3­fenilláctico (3­PLA), ácido 4­
hidroxifenilláctico (4­HPLA), 2′­ metoxiacetofenona (2′­ MAP) y ácido 2­metoxibenzoico
(2­MBA) y una prueba de ADN de polen (<
Cq 36 (aproximadamente 3 fg/μL)) también se utilizan como marcadores del origen
botánico con respecto a la presencia de néctar de L. scoparium (MPI, 2017; Oelschlaegel
et al., 2012; Smallfield et al., 2018). El Ministerio de Industrias Primarias (MPI) de Nueva
Zelanda regula y define los estándares de las mieles de manuka ¯ de Nueva Zelanda
para garantizar la pureza de las mieles de manuka ¯ producidas en el país (MPI, 2017).
Según los criterios del MPI, la miel mono­m¯ anuka se deriva predominantemente del
néctar de L. scoparium , mientras que la miel multi­manuka también se origina a partir del
¯

Se evalúan la calidad y pureza de la miel de m¯ anuka de Nueva Zelanda néctar de L. scoparium , pero

* Autor correspondiente.
Dirección de correo electrónico: TDHTruong@massey.ac.nz (HTD Truong).

https://doi.org/10.1016/j.jfca.2022.104780 Recibido el
7 de abril de 2022; Recibido en forma revisada el 11 de julio de 2022; Aceptado el 19 de julio de 2022
Disponible en línea el 22 de julio de 2022
0889­1575/© 2022 Elsevier Inc. Todos los derechos reservados.
Machine Translated by Google
HTD Truong et al.
Podría mezclarse con otras fuentes florales. Por el contrario, la miel que no es de
manuka no se deriva significativamente del néctar de L. scoparium (p. ej., miel de
trébol).
La calidad de la miel varía según la estación y el distrito geográfico, ya que las
fuentes contemporáneas de néctar floral difieren entre los distritos y el clima cambia
cada año (Burns et al., 2018; Williams et al., 2014). En Nueva Zelanda, la especie
Leptospermum scoparium exhibe varias variedades (p. ej., var. scoparium, var.
incanum, var. myrtifolium, var. lino­folium, …) en todos los distritos de Nueva Zelanda
(Stephens, 2006). Es probable que cada variedad de Lep­tospermum scoparium difiera
en la calidad del néctar en cuanto a atributos bioquímicos. Intuitivamente, entre
regiones y dentro de ellas la calidad de la fuente de néctar podría ser diferente.
Además, la comunidad de otras fuentes florales también afecta al néctar recolectado.
Si las abejas recolectan néctar de otras fuentes florales, la mezcla de néctar podría
disminuir la pureza y calidad de la miel de manuka (puntuación UMF™) (Stephens,
2006; Van Eaton, 2014). Esto puede generar variabilidad en la calidad entre colmenares,
colmenas e incluso dentro de un marco de miel.
La espectroscopia en el rango del infrarrojo cercano (NIR) se ha aplicado
ampliamente en la industria alimentaria (especialmente láctea) para evaluar la calidad
de los alimentos (Pu et al., 2020), ya que es un método no destructivo, rápido y
relativamente barato, más adecuado para uso en línea que los métodos químicos
húmedos o cromatográficos. Los espectros NIR contienen rica información fisicoquímica
sobre vibraciones moleculares que permiten la identificación de huellas químicas. En
el rango NIR, las moléculas que contienen enlaces de hidrógeno XH (p. ej., CH, OH,
NH) se indican mediante vibraciones e interacciones moleculares características
(Krzysztof y Christian, 2019). Además, las moléculas formadas por grupos de carbono
(C– –O, C– –C, C– –N o C– – –N) absorben en la región NIR. Esto brinda la posibilidad
de interpretar la presencia de compuestos moleculares objetivo en un medio específico
(Krzysztof y Christian, 2019; Saeys et al., 2019). La integración de la espectroscopia
NIR con la visión por computadora, conocida como imagen hiperespectral, promete
potencialmente rastrear huellas bioquímicas y visualizarlas en una imagen 2D. Esto
sería ventajoso para aplicaciones en línea y en línea en toda la industria (Sun y
ElMasry, 2010).
La evaluación de la calidad de la miel y la detección de fraude se ha estudiado con
tecnología NIR durante al menos 10 años (Kumaravelu y Gopal, 2015; Zabrodsk a y
´ ´ ´
Vorlova, 2014). Para evaluar la calidad de la miel se han utilizado sensores NIR sin
imágenes y sensores NIR con imágenes (imágenes hiperespectrales). Entre estos
estudios, las principales áreas de enfoque fueron la detección de la adulteración de la
miel y la determinación de los orígenes botánicos y geográficos de la miel (Bazar et al.,
2016; Gan et al., 2016; Goss, 2009; Minaei et al., 2017; Ruoff, Luginbühl, Bogdanov,
Bosset, Künzli et al., 2006; Shafiee et al., 2016). Ruoff et al. (2006) aplicaron
espectroscopía NIR por transformada de Fourier para autentificar mieles monoflorales
y multiflorales en la banda 4200 y 5200 cm­ (1923 – 2381 nm). Minaei et al. (2017)
discriminaron siete mieles monoflorales (acacia, trigo sarraceno, brezo, lima y colza)
en 400­1000 nm utilizando imágenes hiperespectrales de transmitancia Vis­NIR. Goss
et al. (2009) utilizaron espectroscopía NIR para clasificar las mieles monoflorales de
manuka de Nueva Zelanda de otras mieles monoflorales en el rango de 8000 a 4000
cm (1250 a 2500 nm). Yang et al. (2020) también aplicaron espectroscopia NIR en
1
1300–1800 nm para diferenciar las mieles de manuka ¯ del jarabe de maíz y las mieles
de manuka ¯ mezcladas con jarabe. Ese mismo año, Noviyanto y Abdulla (2020)
emplearon una cámara de imágenes hiperespectral (399,40–1063,79 nm) para
diferenciar las mieles de manuka monoflorales minoristas de Nueva Zelanda de otras
mieles locales (multiflorales, trébol). Sin embargo, hasta donde sabemos, no existe
ningún estudio que informe la predicción de atributos de calidad que miden el origen
botánico en función de cambios en la composición química de la miel.
Hasta la fecha, la calidad y la identidad de la miel de manuka se evalúan en miel a
granel después del proceso de extracción. Los análisis de laboratorio convencionales
se aplican necesariamente a la miel compuesta derivada de múltiples marcos.
Hay escasez de mediciones de calidad e identidad de los marcos de miel antes de la
extracción en grumos. Si los marcos de miel se presentan con una calidad relativamente
pobre, la calidad final de la miel de manuka a granel podría devaluarse. Por lo tanto,
las mediciones de la calidad e identidad de la miel antes de la extracción podrían
mejorar la homogeneidad y el valor de las mieles monoflorales.
2
Revista de Análisis y Composición de Alimentos 114 (2022) 104780
mieles para obtener una mejor calidad y puede beneficiarse de un mayor rendimiento
para los apicultores, las empresas melíferas y los propietarios de tierras. Con la
introducción de imágenes hiperespectrales para la evaluación de la miel, como se
discutió anteriormente, ahora es factible escanear cada cuadro resultante de las
colmenas, pero aún queda por responder una pregunta de investigación clave: ¿se
pueden recolectar espectros en rangos espectrales visibles y NIR (Vis­NIR)? ¿Predecir
medidas de calidad asociadas a la variación en la composición química de la miel
debido a diversas fuentes florales? Si la respuesta a esta pregunta es positiva, entonces
sería posible aplicar tecnologías basadas en Vis­NIR para escanear marcos para
evaluar las fuentes botánicas.
Para abordar esta pregunta, el estudio actual utiliza dos evaluaciones de calidad
de la miel: 1) una variable continua (la llamada potencia) que refleja la concentración
de marcadores químicos clave; y 2) una escala discreta (la llamada pureza) que define
los límites entre la concentración de marcadores químicos que definen las fuentes
florales. La potencia permite evaluar la calidad de la miel incluso si proviene
principalmente de la misma fuente floral, mientras que la pureza permite la segmentación
de la miel entre fuentes florales.
Se utilizaron muestras de miel de ocho regiones geográficas diferentes para introducir
la variación asociada a la variabilidad en las fuentes botánicas.
Los espectros Vis­NIR (350–2500 nm) se recogieron de las muestras de forma no
invasiva. Se investigaron modelos para predecir la variable continua y una categoría
discreta a partir de los espectros, incluido un método capaz de manejar las no
linealidades introducidas en la interacción entre la luz y la miel.
2. Manukaness ¯ terminología
El sistema de clasificación UMF™ y los criterios MPI se utilizan actualmente para
evaluar la calidad e identidad (pureza) de la miel de manuka ¯, respectivamente (MPI,
2017; UMFHA, 2021). El sistema de clasificación UMF™ mide la calidad de las mieles
de m¯ anuka basándose principalmente en dos bioactivos clave, el metilglioxal (MGO)
y la leptosperina (MM1). MGO representa principalmente las propiedades
antibacterianas, mientras que MM1 corresponde en términos generales a la
característica antiinflamatoria. Según el sistema de clasificación UMF™, las
concentraciones de MGO y MM1 requieren más de 83 mg/kg y 100 mg/kg
respectivamente para significar miel de m¯ anuka genuina originada en Nueva Zelanda
con UMF™ 5 + (UMFHA, 2021) . La pureza de la miel de manuka ¯ está indicada por
las concentraciones de ­ 2′ ­MAP, 2­MBA, 4­HPLA, 3­PLA y la prueba de ADN del polen
para L. scoparium (MPI, 2017).
La “M¯ anukaness” se presenta en este estudio como una marca de calidad
espectral para estimar la calidad y pureza de la miel de manuka ¯ basándose en el
análisis espectral. La evaluación de la miel de manuka refleja tanto la calidad como la
pureza de la miel de manuka medida según el actual sistema de clasificación UMF™ y
los criterios MPI. La calidad y pureza de la miel de manuka ¯ se predicen espectralmente
como la llamada potencia y pureza manukaness, ¯ respectivamente.
Se aplicaron métodos quimiométricos (regresión y clasificación) a datos espectrales
para generar herramientas predictivas. Se aplicó el enfoque de regresión a los datos
espectrales para predecir las puntuaciones de UMF™ como indicador de la potencia
m¯ anukaness. Mientras tanto, se empleó el enfoque de clasificación para clasificar
entre mieles mono, múltiples y no m¯ anuka como una medida indirecta de la pureza
m¯ anukaness. Las predicciones de potencia y pureza manukaness ¯ dadas juntas
podrían permitir a las empresas melíferas grados de libertad en la toma de decisiones.
La predicción de la potencia y la pureza m¯ anukaness a partir de datos espectrales
son mediciones indirectas, ya que las señales espectrales contienen huellas de
marcadores químicos (MGO y MM1) para los valores UMF™ y (2′­MAP, 2­MBA, 3­PLA
y 4­HPLA. ) para la identidad de la miel m¯ anuka. Por lo tanto, la predicción de m¯
anukaness podría contener dos errores sistemáticos provenientes de datos imperfectos
de laboratorio químico y modelos espectrales imperfectos.
3. Materiales y métodos
3.1. Materiales
Un total de 1451 muestras de miel recolectadas en ocho distritos del
Isla Norte de Nueva Zelanda, junto con análisis de laboratorio estándar.
Machine Translated by Google
HTD Truong et al.
Comvita® proporcionó los datos para cada muestra para su uso en este trabajo (Tabla
1). Todas las muestras de miel se recolectaron entre diciembre de 2019 y abril de 2020.
Las muestras se escanearon dentro del año posterior al análisis químico. Algunos
marcadores químicos (p. ej., DHA y MGO) podrían tener un pequeño cambio en las
concentraciones en el momento de los experimentos, pero la leptosperina es estable en
el tiempo (Bong et al., 2018; Stephens et al., 2017).
Cada muestra de miel era una única composición de miel extraída de muchos
marcos de varias colmenas, generalmente del mismo apiario. Cada muestra de miel se
almacenó en un recipiente de plástico de polipropileno de 50 ml y se mantuvo a
temperatura ambiente del laboratorio hasta el momento del escaneo.
Las muestras se mantuvieron a temperatura ambiente durante una semana antes de
escanearlas. Se introdujo una miel de trébol con UMF™ 0 como control de muestra en
el conjunto de datos como miel de control que no es de m¯ anuka. Algunas muestras de
miel en la hoja de datos 1451 también fueron calificadas como UMF™ 0, pero ninguna
carecía de todos los compuestos de interés. Se escanearon aleatoriamente una serie de
conjuntos de 24 muestras de miel en el laboratorio del cuarto oscuro de Agresearch,
edificio Te Ohu, Palmerston North, Nueva Zelanda.
3.2. Espectroscopia Vis­NIR
Se investigó el rango NIR (800–2500 nm), extendiéndose hasta la región visible
(350–800 nm), para buscar huellas de marcadores químicos en mieles de manuka. La
potencia y la pureza se estimaron indirectamente a partir de la información química
contenida en los espectros Vis­NIR. Se utilizó un espectrorradiómetro Vis­NIR Analytical
Spectral Devices (ASD) (modelo NIRLS408, ASD Inc., Boulder, CO, EE. UU.) en el rango
de 350 a 2500 nm. Como se muestra en la Fig. 1, la reflectancia espectral de cada
muestra se capturó a través de la base transparente del recipiente de polipropileno
ignorando cualquier influencia del material (la absorción del polipropileno se maximiza
en 1
2­400 cm­ ). Los datos espectrales se recopilaron mediante el software de adquisición
LabSpec 4 (ASD Inc., Boulder, CO, EE. UU.).
3.3. Mediciones estadísticas de manukaness ¯
Se utilizaron técnicas de regresión para analizar los datos espectrales de muestras
de miel, incluida la regresión de mínimos cuadrados parciales (PLSR) y la regresión de
máquina de vectores de soporte (SVR); y las herramientas de clasificación empleadas
incluyeron análisis discriminante de mínimos cuadrados parciales (PLSDA) y análisis
discriminante de máquina de vectores de soporte (SVMDA). Todos los métodos
quimiométricos se ejecutaron con la caja de herramientas PLS 8.8 (Eigenvector Research,
Inc., WA 98831, EE. UU.), excepto el modelo SVR que se ejecutó con la caja de
herramientas de estadística y aprendizaje automático. Ambas cajas de herramientas se
ejecutaron en MATLAB R2021a (The MathWorks, Inc., Massachusetts 01760, EE. UU.).
3.3.1. Estimación de puntuaciones UMF™
Se emplearon métodos de regresión lineal PLSR y SVR para predecir puntuaciones
UMF™ a partir de datos espectrales. Para el modelado, los datos espectrales (n = 1451
muestras) de ocho distritos se dividieron en conjuntos de calibración y validación
utilizando la técnica de Kennard­Stone. Esta técnica se aplicó para dividir la calibración
del conjunto de muestras 70:30 en muestras de validación.
Los modelos PLSR y SVR se optimizaron utilizando el procedimiento de validación
cruzada de 10 veces dejar uno fuera de Venetian Blind. Diez submodelos fueron
Cuadro 1
Número de muestras de miel en cada distrito geográfico, categorizadas en tres tipos de miel (miel
mono­manuka, multi­manuka y no­manuka).
Distritos mono­manuka multimanuka no manuka
A 9 1 0
B 91 67 29
C 6 4 93
D 141 27 3 RPD ≤ 1,5
mi 17 122 30
F 76 51 91
GRAMO 165 30 6 Las
h 380 11 1 predicciones del modelo de calibración se clasifican como buenas RPD > 3 Predicciones por
Total 885 313 253
3
Revista de Análisis y Composición de Alimentos 114 (2022) 104780
Fig. 1. Captura de datos espectrales de reflectancia de 1451 muestras de miel de una base
transparente de contenedor utilizando un espectrorradiómetro ASD.
formado durante una sola etapa de omisión del conjunto de datos de calibración. El
resultado de un modelo de calibración se obtuvo mediante el promedio de los resultados
de predicción de todos los submodelos. El rendimiento del modelo de calibración se
probó con datos de validación y se evaluó la bondad de ajuste.
El método PLSR busca un pequeño número de combinaciones lineales independientes
de variables latentes que maximizan la covarianza entre las
datos espectrales (X) y las puntuaciones UMF™ de referencia (y) para mejorar la
precisión de la predicción. Se investigaron varias técnicas de preprocesamiento (variada
normal estándar (SNV); corrección de dispersión multiplicativa normalizada (MSC);
primera y segunda derivadas) y sus combinaciones en la media de los datos espectrales.
Para la selección de características, se seleccionaron dos métodos, mínimos cuadrados
parciales de intervalo directo (iPLS) y variable importante en la proyección (VIP), para
descartar bandas espectrales irrelevantes. Primero se operó un iPLS de 30 intervalos
con todos los datos espectrales para seleccionar subconjuntos de 30 bandas espectrales
que ofrecieran una predicción óptima. Luego, se aplicó VIP automático para seleccionar
características espectrales importantes con un límite de 1, lo que eliminó las longitudes
de onda que tenían puntuaciones de proyección PLS menores que 1 (Saeys et al., 2019;
Xiaobo et al., 2010). Un buen modelo PLS proporciona un valor alto de precisión
predictiva (R2 ) y un valor bajo de error cuadrático medio de validación cruzada
(RMSECV). Además, también se calcularon la predicción de la desviación (RPD) y el
sesgo del modelo. El número RPD se puede utilizar para evaluar la capacidad predictiva
del modelo hacia una nueva predicción. El RPD se calcula mediante la relación entre la
desviación estándar (STD) y el error estándar de desempeño o RMSECV (Saeys et al.,
2019, 2005). La Tabla 2 resume la correspondencia de los valores de RPD con la
capacidad de un modelo predictivo. También se esperaba que el sesgo del modelo fuera
cercano a 0, ya que refleja una pequeña variación entre la predicción y la referencia
verdadera (Aleixandre­Tudo et al., 2018).
De manera análoga a PLSR, la regresión de máquina de vectores de soporte (SVR)
opera en un problema de clasificación empleando un algoritmo de máquina de vectores
de soporte para devolver resultados con valores continuos. Con SVR, se formula una
región insensible al tubo alrededor de una línea de regresión, y los vectores de soporte
del conjunto de datos de entrenamiento se encuentran fuera del límite del tubo .
SVR con núcleo lineal funcionó mejor que el núcleo de función básica radial (RBF) para
la predicción de puntuaciones UMF™. Se seleccionó un núcleo lineal que utilizó una
función de pérdida minw1 2 w 2 para minimizar el error de predicción.
La restricción de caja o valor C de regularización en el modelo lineal SVR fue
Tabla 2
Explicación de los rangos de valores de RPD que indican la utilidad de un modelo de calibración
(Saeys et al., 2005).
valor RPD Explicación
El modelo de calibración no se puede utilizar.
1,5 < RPD ≤ 2 El modelo de calibración puede distinguir entre valores altos y bajos 2 < RPD ≤ 2,5 El
modelo de calibración puede dar predicciones cuantitativas aproximadas 2,5 < RPD ≤ 3
el modelo de calibración está clasificado como excelente
Machine Translated by Google
HTD Truong et al.
Se buscó en el valor del rango 10­150 con una selección automática predeterminada de
Epsilon ( ) y datos estandarizados. Una C mayor minimiza significativamente el error de
predicción, pero aumenta la posibilidad de sobreestimación. Por lo tanto, se eligió un valor
de C optimizado en el modelo en el que la correlación de predicción R2 era alta con el error
de predicción más bajo (Awad y Khanna, 2015; Truong et al., 2021). También se calculó el
valor de RPD para el modelo SVR final para compararlo con el de PLSR.
3.3.2. Clasificación multivariada de mieles de manuka ¯ con clasificadores lineales PLSDA
y no lineales SVM (RBF)
¯
La clasificación en tres clases de MPI (miel mono­m¯ anuka, multi­manuka y no manuka)
¯ ¯
se realizó mediante modelos PLSDA y SVM (RBF). El método lineal PLSDA transforma
datos espectrales en una matriz simple con pocas variables latentes. De esta manera, se
maximizó la covarianza entre los datos espectrales y la matriz ficticia con ceros para no
¯ ¯
manuka y unos para manuka ¯ (Yang et al., 2020). Se aplicó una validación cruzada de
exclusión veneciana de diez veces. Se examinaron técnicas de preprocesamiento (SNV,
MSC, normalizado, primera y segunda derivada) y sus combinaciones, que reescalan los
espectros sin procesar a datos adimensionales antes del modelado. Se aplicaron las
técnicas iPLS y VIP (automáticas) de 30 intervalos a los datos espectrales para seleccionar
bandas espectrales dominantes. Se seleccionó el mejor modelo de clasificación basándose
en RMSECV y
la precisión general de la clasificación (Lu et al., 2020; Saeys et al., 2019; Xiaobo et al.,
2010).
Al igual que con PLSDA, se aplicó SVMDA (RBF) para clasificar mieles mono, múltiples
¯
y no manuka. SVMDA suele trabajar con una clasificación binaria para dos clases que las
separan mediante vectores de soporte.
Para clases múltiples, se impulsa el enfoque de clasificación por pares “uno contra uno”.
SVMDA (RBF) con la función gaussiana G ( xi, xj ) =
2 conjunto de datos sin procesar de 1451 mieles con un perfil de puntuación UMF™ entre 0 y
e(− xi− xj ) transforma los datos de entrada en el espacio del kernel de alta dimensión
para modelar las clases de miel. El kernel RBF se definió mediante los hiperparámetros
Cost (C) y gamma (γ) que determinan la cantidad de vectores de soporte necesarios. Los
vectores de soporte crean el margen del núcleo o hiperplano que separa la clase objetivo
de otra minimizando el error de clasificación errónea. Un margen de núcleo más grande o
más vectores de apoyo significan que una clase objetivo sería discriminada más fácilmente,
pero también genera una sobreestimación y una baja precisión de clasificación (Truong et
al., 2021). Es necesario optimizar los hiperparámetros del kernel (C,) para mejorar la
precisión de la clasificación con una pequeña cantidad de vectores de soporte.
En PLS Toolbox 8.8, se ejecutó un conjunto de valores predeterminados del parámetro 11­
10­ 3 ­102 y 15 − valores γ que oscilan entre 10− 6 C que van desde −101 para optimizar
la función del kernel. En este modelado SVM (RBF), el modo basado en PCA se mantuvo
desactivado ya que no ayudó a mejorar el rendimiento de la clasificación. El mejor modelo
SVM se seleccionó automáticamente de la caja de herramientas PLS que proporcionó la
precisión general de clasificación promedio más alta y el error de clasificación más bajo
(Lu et al., 2020; Saeys et al., 2019; Xiaobo et al., 2010).
3.3.3. Predicción de manukaness ¯
La potencia y la pureza manukaness ¯ se generaron a partir de la predicción lineal PLS
de la puntuación UMF™ y la clasificación de tres clases de MPI respectivamente siguiendo
la ecuación,
y = Xβ+e (Nilsson et al , 1997; Pullanagari et al , 2021)
Donde β es el vector de coeficientes de regresión PLS de cada variable espectral, X son los
datos espectrales de entrada, y es el vector de valores predichos y e es el vector de valores
de error (Pullanagari et al., 2021).
La potencia manukaness ¯ se calculó a partir de la predicción de UMF™, que representa
la relación entre el valor predictivo de UMF™ y la verdadera referencia de UMF™ para toda
la población. Mientras tanto, la pureza manukaness ¯ se generó a partir de la clasificación
PLS de mieles mono, multi y no manuka ¯ que refleja la correlación entre la relación de
clasificación de las clases predictivas y verdaderas en toda la población. Se espera que los
valores predictivos sean iguales a los valores de referencia verdaderos para los cuales el
coeficiente de determinación r
esta cerca de 1
4
Revista de Análisis y Composición de Alimentos 114 (2022) 104780
(Aleixandre­Tudó et al., 2018).
4. Resultados
¯
4.1. Espectros de mieles manuka ¯ y no manuka de Nueva Zelanda en Vis­
rango NIR
Las 1.451 muestras de miel de Nueva Zelanda se escanearon en el rango espectral de
350 a 2.500 nm. La figura 2 ilustra los espectros medios de 1451 muestras de miel
recolectadas en ocho distritos. Las figuras 2A y C muestran los espectros de miel de
reflectancia y absorbancia media de cada distrito, mientras que las figuras 2B y D muestran
los de tres clases de MPI (miel no manuka, multi­m¯ anuka y m¯ anuka). Los espectros de
absorbancia de las mieles de cada región geográfica son visiblemente diferentes en el rango
de 600 a 1400 nm. Por el contrario, los espectros de las mieles no manuka, mono­manuka
¯ y multi­m¯ anuka eran bastante separables en el rango espectral de 1500 a 2500 nm. En
general, los espectros de absorbancia de las mieles multi­manuka y no­manuka fueron
¯
bastante similares excepto más allá de 1500 nm.
¯
4.2. Manukaness de potencia ¯ predicción
4.2.1. Resultados de regresión
Los datos espectrales (350–2500 nm) se modelaron mediante regresión lineal de
mínimos cuadrados parciales (PLSR) para estimar las puntuaciones UMF™. Primero se
aplicó una técnica iPLS de 30 intervalos en un rango completo para descartar bandas innecesarias.
Posteriormente, solo se seleccionó el rango espectral de 370 a 1700 nm para el modelado,
ya que por debajo de 370 y más allá de 1700 nm contenía ruido e información irrelevante.
El último modelo PLS (370–1700 nm) utilizó iPLS de 4 intervalos y VIP automático para
optimizar las bandas espectrales dominantes para la predicción de UMF™. Se observó un
20 cuantificado en el momento de la cosecha (UMF™ 0 meses) y después de 10 meses de
almacenamiento (UMF™ 10 meses). Un modelo PLSR lineal contra UMF™ de 10 meses
arrojó un coeficiente de correlación R2 (0,74) mayor que un modelo contra UMF™ de 0
meses (R2 = 0,72). El uso de UMF™ de 10 meses para mieles después de un año de
cosecha para el modelado PLS fue más compatible con el tiempo del experimento. Por lo
tanto, se eligió un modelo PLSR de UMF™ de 10 meses.
La figura 3 muestra el resultado de la regresión de un modelo PLSR final para la
predicción de puntuaciones UMF™. Se aplicó el preprocesamiento SNV a los datos
espectrales y se seleccionaron trece variables latentes que dieron el primer error cuadrático
medio más bajo de validación cruzada (RMSECV) y valores de calibración (RMSEC). El
modelo PLS obtuvo el R2 (CV) 0,71 y R2 (Pred.) 0,72 con valores de RMSECV y RMSEP
de 2,834 y 2,551, respectivamente. La desviación predictiva residual (RPD) para este
modelo de calibración PLS fue 1,84. En este modelo, la estimación de UMF™ (Fig. 3e)
contenía algunos valores negativos y algunos puntos sobrepredictivos en la referencia 0 de
UMF™. Esto insinuaba algún sesgo o restricciones que el modelo no podía explicar.
Al igual que con los resultados del modelo de regresión PLS, se entrenó la SVR para
predecir los valores de UMF™ en un rango espectral completo (350–2500 nm). Un modelo
SVR entrenado obtuvo un R2 de 0,66 y un RMSE de 2,872, lo que revela una precisión de
predicción peor que el de PLR, pero la capacidad predictiva de SVR fue ligeramente mayor
con RPD 1,86. El modelo SVR probado en el conjunto de validación arrojó R2 0,74 y RMSE
(validación) 2,815, que fue mayor que en el modelo PLSR (RMSEP 2,551).
4.2.2. Selección de variables del modelo de regresión Se
utilizaron un total de 204 variables espectrales en un modelo PLS final después de
aplicar técnicas iPLS y VIP (auto). El gráfico de carga PLS muestra 21 características
importantes que dan valores de peso de carga altos (Fig. 4). Se pueden distinguir dos
regiones espectrales influyentes. La primera región cubre características espectrales por
debajo de 700 nm que podrían ser relevantes para las absorciones de DHA, MGO y algunos
flavonoides. Otra región importante entre 991 y 1373 nm podría corresponder a huellas de
moléculas de agua y grupos de carbohidratos locales. La Tabla 3 indica las bandas
espectrales dominantes que podrían vincularse a algunos compuestos específicos.
Longitudes de onda
Machine Translated by Google
HTD Truong et al.
Fig. 2. Los espectros medios de reflectancia y absorbancia de muestras de miel 1451 para ocho distritos geográficos (A) y (C) y los espectros medios de reflectancia y absorbancia de mieles mono­m¯ anuka, multi­m¯ anuka y no manuka. (B)
¯
y (D) en el rango de 350 a 2500 nm, respectivamente.
alrededor de 1000 nm corresponden a la banda de estiramiento OH del segundo
armónico, mientras que las bandas en el rango de 1342 a 1374 nm indican la
combinación del primer armónico del estiramiento CH de los grupos ­CH3. Por el
contrario, las bandas cercanas a 1155­1245 reflejan la presencia del estiramiento CH del
segundo armónico de los grupos ­CH3, ­CH2 y ­CH (Xiaobo et al., 2010).
4.2.3. Generalización de la potencia manukaness ¯
La potencia manukaness ¯ se generalizó a partir de la regresión lineal PLS de la
predicción UMF™. La figura 5 describe la potencia manukaness2 ¯ de ocho distritos
geográficos diferentes con una correlación r de 0,74. El distrito H
poseía los valores más altos de UMF™ con un alto valor de predicción de potencia
manukaness ¯ en comparación con el obtenido en los distritos restantes. Hubo algunas
muestras de los distritos D, C y F con puntuaciones UMF™ 0 para las cuales el modelo
sobreestimó la potencia manukaness, ¯
lo que implica una debilidad en la capacidad predictiva del modelo o ruido en los datos
originales.
4.3. Pureza manukaness ¯ predicción
4.3.1. Resultados de la
clasificación Se emplearon dos clasificadores multivariados lineales PLSDA y no
lineales SVMDA (RBF) para analizar el rango completo de datos espectrales Vis­NIR de
1500 muestras de miel. Se eligieron como categorías de clasificación las tres clases de
mieles del MPI. Los modelos de clasificación con validación cruzada de PLSDA y SVMDA
produjeron una precisión de ≈ 82 %. La Tabla 4 muestra los resultados de predicción de
ambos clasificadores en el conjunto de validación de 450 muestras.
5
Revista de Análisis y Composición de Alimentos 114 (2022) 104780
lo que dio una precisión general del 88% al 89%. La clasificación SVMDA de multi­m¯
¯
anuka y no manuka obtuvo 73,73 % y 65,82 %, respectivamente, que fueron superiores
entre un 3 y un 5 % a las de PLSDA (69,44 %, 62,79 %).
Sin embargo, la clasificación PLSDA de las mieles mono­m¯ anuka de gran valor dio
como resultado una precisión superior al 97 %, que fue mejor que la de SVMDA con una
precisión del 94,89 %. La Fig. 6 ilustra las curvas de las características operativas del
receptor (ROC) de la salida del modelo PLSDA en el conjunto de validación. La
sensibilidad y especificidad de la clasificación de las mieles mono­m¯ anuka, multi­
¯ ¯
manuka y no manuka oscilaron entre 0,8 y 0,95.
La clasificación de las tres clases de miel fue muy efectiva con el área bajo la curva de
ROC por encima del 90 % (Fig. 6). Además, se construyó un modelo PLSDA adicional
en un conjunto de calibración de 397 muestras que contenía solo mieles múltiples y no
¯
manuka. Este modelo PLSDA se probó en un conjunto de validación de 169 muestras
que obtuvo una precisión del 82,52 % (multi­m¯ anuka) y del 62,12 % (non­m¯ anuka).
De manera análoga a un modelo PLS con tres clases, el submodelo PLS aumentó la
precisión de la clasificación en un 17 % para las mieles multi­manuka, pero no mejoró la
¯
precisión para las mieles que no son­m¯ anuka. Por el contrario, el modelo SVMDA
adicional construido mostró una mejora en la precisión tanto para anuka multi­m¯ (81,08
%) como para no­m¯ anuka (65,52 %).
4.3.2. Selección de variables del modelo de clasificación.
El modelo PLSDA se utilizó para seleccionar longitudes de onda importantes para la
¯
clasificación de mieles mono, múltiples y no manuka. Un total de 360 bandas dominantes
estaban contenidas en un modelo final después de emplear iPLS y VIP (automático) de
30 intervalos. El gráfico de carga de PLS especificó lo importante
Machine Translated by Google

HTD Truong et al. Revista de Análisis y Composición de Alimentos 114 (2022) 104780

Fig. 3. Salida del modelo PLS con preprocesamiento SNV para la estimación de puntuación UMF™ con conjunto de calibración (círculo negro) y conjunto de prueba (rombo rojo): a) Gráfico de variable
latente versus RMSE (calibración: línea continua, validación cruzada: línea discontinua y prueba: línea sólida con estrellas) b) Gráfico de residuos Q y T2 de Hotelling , c) Gráfico de puntaje PLS, d)
Gráfico de apalancamiento y e) Gráfico de regresión entre puntajes UMF™ medidos y estimados. (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la
versión web de este artículo).

características espectrales que poseían altos valores de carga (Tabla 5). Se Parece evidente que los fitoquímicos, el agua y los carbohidratos en la matriz de la
identificaron cuatro regiones espectrales importantes, por debajo de 600 nm y miel contribuyen en gran medida a la hora de clasificar las mieles mono, multi y no
alrededor de 830 a 860 nm, 1000 a 1400 nm y 1850 a 1873 nm. La Tabla 5 indica m¯ anuka.
características específicas que podrían vincularse a compuestos específicos. La
asignación de características espectrales a grupos químicos es similar a la analizada 4.3.3. Generalización de la pureza manukaness ¯
anteriormente para los modelos de regresión. Basado en estas importantes bandas espectrales,
La pureza m¯ anukaness se generalizó a partir de la clasificación de no

6
Machine Translated by Google

HTD Truong et al. Revista de Análisis y Composición de Alimentos 114 (2022) 104780

Fig. 4. Características espectrales importantes extraídas del gráfico de carga de regresión PLS para la predicción de UMF™.

Tabla 3 Tabla 4
Las características espectrales importantes y las huellas químicas correspondientes definidas a Rendimiento de clasificación en el conjunto de datos de prueba para modelos PLSDA lineal y
partir de la predicción PLS­UMF™. SVMDA no lineal.

Regiones Longitudes Huellas químicas Compuestos relevantes Datos de prueba (n = 450) PLSDA (CV: 82,2%) SVMDA (rbf) (CV: 82,2%)
espectrales (nm) de onda relevantes discutidos.
mono­m¯ anuka 97,44% 94,89%
identificadas (nm) ¯
multimanuka 65,82% 72,73%
Por debajo de 700 447, 462 MGO MGO No manuka ¯ 62,79% 69,44%
476, 489, 497, DHA DHA Kapa 0,73 0,74
509 Precisión de predicción 88,3% 89,43%
552 pigmentos quercetina
607, 636, 674, de color flavonoides clorofila
¯ ¯
692 y 697 y no manuka
m¯ anuka, mieles multi­manuka). Los modelos PLSDA y SVMDA (RBF) clasificaron tres clases de MPI con
991­1373 991, 997, 1000 2º entonado OH 1er H2O
alta precisión (Kappa 0,73–0,74). Se eligió el modelado lineal PLSDA para calcular la pureza manukaness. ¯
1342, 1354, entonado CH MGO, DHA y otros
1364 y 1374 Se valoraron tres clases de MPI 1 para no manuka, 2 para multi­manuka y 3 para mono­manuka ¯ como valor
combinación de ­CH3 2º grupos de carbohidratos ¯

1155, 1159, entonado CH de MGO, DHA y otros de peso medido. La manukaness de pureza ¯ se estimó multiplicando el peso de la regresión por todo el
¯
1236 y 1245 ­CH3, ­CH2 y ­CH grupos de carbohidratos conjunto de datos espectrales. La Fig. 7 ilustra gráficos de distribución de violín de pureza estimada

Nota: MGO: metilglioxal; DHA: dihidroxiacetona manukaness ¯ de mieles mono­manuka, multi­m¯ anuka y no manuka. La 'caja' dentro de cada forma de

'violín' representa el 75% de la población que realiza que no haya superposición entre estas cajas. Sin
¯

embargo, la cola de distribución de 'violín' entre m¯ anuka de alta pureza y los otros dos tipos está poco
¯
superpuesta.

Esto también se encontró entre manuka de baja pureza y las otras clases.

En general, la mayor parte de la superposición se produce en los límites de las clases.

5. Discusión

Se capturaron señales espectrales en el rango Vis­NIR de 350 a 2500 utilizando un sensor sin imágenes

de 1451 muestras de miel que abarcaban mieles mono­m¯ anuka, multi­manuka y no manuka de ocho
¯ ¯
distritos de la Isla Norte. Los espectros de absorbancia medios de las mieles en cada distrito fueron bastante

diferentes en el rango de 500 a 1500 nm (Fig. 2C). Mientras tanto, los espectros de las mieles mono­manuka,

multi­manuka y no­m¯ anuka fueron ligeramente diferentes en 500­1500 nm, pero más separables en el
¯ ¯

infrarrojo medio 1500­2500 nm (Fig. 2D).

Varios estudios han buscado determinar el origen botánico de las mieles utilizando métodos NIR. La
Fig. 5. Regresión lineal entre la potencia manukaness ¯ y UMF™ medidas de las 1451 muestras vibración molecular de los enlaces OH, CH y CO se identifica comúnmente para diferenciar una miel específica
de miel de ocho distritos geográficos combinados (A, B, C, D, E, F, G y H). en el rango NIR. Por ejemplo, autenticación de flores monoflorales y multiflorales.

7
Machine Translated by Google

HTD Truong et al. Revista de Análisis y Composición de Alimentos 114 (2022) 104780

Fig. 6. Curvas de características operativas del receptor (ROC) del modelo PLSDA en el conjunto de validación.

Tabla 5
Las características espectrales importantes y las huellas químicas correspondientes se identificaron a partir de la clasificación PLSDA de mieles mono­m¯ anuka, multi­m¯ anuka y no­
m¯ anuka.

Regiones espectrales Longitudes de onda identificadas (nm) Huellas químicas relevantes Compuestos discutidos
(nm)
¯
mono­manuka ¯ multimanuka No manuka ¯

Por debajo de 600 413.417.438.441 470, 412.417.437.444 412.417.433.455 MGO 471, 499 475, 494 MGO

499 589 DHA DHA

564 589 flavonoides Desconocido
830–860 859 859 859 3er sobretono CH 2do grupos de carbohidratos
1000­1400 1000 1006 1007 sobretono OH 2do
1160 1166 1160 sobretono CH Grupos de carbohidratos H2O
1309 1295 1309 1.ª combinación CH entonada 1340, 1367, 1398 1349,1364,1382 1340, 1370,1394 1.ª combinación CH MGO, DHA, grupos de carbohidratos
entonada 1879 1872 1873 MGO, DHA, grupos de carbohidratos
1873–1879 Estiramiento del segundo sobretono C––O + combinación del C––O (DHA, MGO) + molécula de
primer sobretono OH agua

1
mieles en los 4200 y 5200 cm­ debido a (1923 – 2381 nm) el rango era mayormente También se encontró en el estudio de Bazar et al. (2016) para caracterizar la miel cruda y
que el CO y el CC estiran las regiones de los sacáridos (Ruoff et al., 2006). las mieles adulteradas en almíbar (Bazar et al., 2016). Sin embargo, la red de moléculas
¯

Las mieles corsas y no corsas se separaron en el rango de 1100 a 2498 nm basándose en de agua en las matrices de miel de mono­manuka, mul­ti­manuka ¯ y no­m¯ anuka en el
seis enlaces químicos importantes, que eran relevantes para los grupos hidroxilo estudio actual podría diferir de la de mono­manuka, mieles de manuka mezcladas con
¯

(estiramiento de OH del primer armónico, las combinaciones de estiramiento de OH y
deformación de OH (1935 nm)), grupos de carbohidratos ( 1er armónico ­CH2 y combinación
de estiramiento y deformación de ­CH2 (1460 nm), combinación de estiramiento de CH
(2095 y 2280 nm), estiramiento de CO) y las absorciones de fructosa y glucosa (Woodcock
jarabe y jarabe de maíz. en el estudio de Yang et al. (2020).
Según Stephens (2006), la actividad de UMF™ disminuyó cuando las mieles mon­o­
manuka ¯ se mezclaron con otras mieles recolectadas de diferentes fuentes de néctar (por
¯

et al., 2009). De manera similar, Yang et al. (2020) también clasificaron mieles de manuka
¯ crudas a partir de mieles de manuka ¯ mezcladas con almíbar y jarabe de maíz usando
1300–1600 nm (primer tono de estiramiento OH) y 1600–1800 nm (vibración de
carbohidratos). La absorción de moléculas de agua (1300­1600 nm) jugó un papel
importante en la diferenciación de manuka ¯
mieles y mieles de manuka ¯ adulteradas (Yang et al., 2020). Esto era
ejemplo, para convertirse en mieles multi­manuka). Las mieles que no son de m¯ anuka
generalmente tuvieron una puntuación UMF™ muy baja < 2,5. Las diferencias en los
perfiles de marcadores químicos, los contenidos polifenólicos y las moléculas de agua
libres en la matriz de la miel también podrían afectar la estimación de las puntuaciones
UMF™. Por lo tanto, la absorción de marcadores químicos de las mieles de manuka ¯ que
se presentan en rangos espectrales (440–700 nm) y (990–1400 nm) podría contribuir
potencialmente a la predicción de UMF™. En primer lugar, DHA, MGO y

8
Machine Translated by Google
HTD Truong et al.
Fig. 7. Gráfico de distribución de pureza m¯ anukaness de violín estimado a partir de un modelo PLSDA frente a mieles de referencia mono­m¯ anuka, multi­m¯ anuka y no m¯ anuka.
Se analiza la leptosperina ya que está presente en grandes cantidades en las mieles
mono­manuka ¯ y son compuestos primarios que contribuyen a la actividad de UMF™.
El DHA es un compuesto carbonílico de 3 C, que se convierte gradualmente en MGO
por deshidratación en la matriz de la miel (Grainger et al., 2016a). El DHA
potencialmente reacciona con aminoácidos en presencia de agua para formar
pigmentos marrones durante las reacciones de Maillard (Grainger et al., 2016b).
Según Nguyen y Kochevar (2003), los pigmentos marrones inducidos por DHA
absorben tanto en UV a 340 nm como en Vis a 460­520 nm (Nguyen y Kochevar,
2003). Por lo tanto, se plantea la hipótesis de que las longitudes de onda importantes
(462, 476, 489, 497, 509 nm) caracterizadas a partir del gráfico de carga de PLS
cerca de 460–520 nm podrían reflejar indirectamente la presencia de DHA. La
absorción de MGO libre se percibió fuertemente en el rango de 350 a 480 nm con un
pico amplio en 410 a 450 nm. Este trabajo también asumió que la longitud de onda
de 447 nm podría ser relevante para las huellas del compuesto MGO en las mieles
de manuka. Cuando las mieles se exponen a energía radiante excitante por debajo
de 420 nm, el MGO podría experimentar la fotólisis para formar radicales CH3CO +
HCO (Staffelbach et al., 1995). La presencia de estos compuestos de radicales libres
que contienen grupos ­CH3 y CO podría contribuir al estiramiento de la primera y
segunda combinación de armónicos CH, estiramiento de ­CH3 (Tabla 3). Además,
pueden ocurrir varias reacciones secundarias del MGO durante la fotólisis en la matriz
de la miel (Staffelbach et al., 1995). La leptosperina es otro marcador químico para
identificar manuka ¯
mieles que también contribuyen a la puntuación UMF™ (Bong et al., 2016, 2017;
Johnston et al., 2018; Stephens et al., 2017). Según Bong et al.
(2017), la leptosperina absorbe fuertemente en el rango UV (máximo a 270 nm), que
estaba fuera del rango de este trabajo en el rango 350­2500 (Bong et al., 2017), pero
los enlaces subquímicos de la leptosperina (­CH3, OH y CO) podrían capturarse en
el rango NIR.
Las mieles de Manuka ¯ generalmente contienen cantidades significativas de
compuesto fenólico (250,18 ± 14,39 µg/g) característico de origen botánico
(Oelschlaegel et al., 2012; Stephens et al., 2010; Yiuchung et al., 2019).
Los ácidos fenólicos y los flavonoides son metabolitos vegetales secundarios
presentes en las mieles que también pueden desempeñar funciones clave en la
actividad de UMF™ (Alqarni et al., 2016; Johnston et al., 2018; Stephens et al., 2010; Wang,puntuaciones.
2011).
Según Bogdanov et al. (2004), los compuestos fenólicos derivados del propóleo
también se encuentran en las mieles monoflorales. Esto podría tener algún impacto
en las diferencias entre las mieles monoflorales (Bogdanov et al., 2004).
Los ácidos fenólicos normalmente absorben luz en el rango UV en lugar de en la
región Vis­NIR (Aleixandre­Tudo et al., 2018; Ang et al., 2013; Danila et al., 2018;
Wang, 2011). Los flavonoides también son compuestos esenciales que contribuyen
con una variedad de actividades UMF™ entre las mieles. Se sabe que las mieles de
M¯ anuka contienen varios flavonoides como hesperitina, naringina, hesperidina,
quercitrina, miricetina, morina, luteolina + quercetina, naringenina, apigenina,
kaempferol, crisina, galangina y tangeretina (Yiuchung et al. ,
9
Revista de Análisis y Composición de Alimentos 114 (2022) 104780
2019). Casi todos estos flavonoides se absorben en dos rangos específicos (300–400
nm) y (240–300 nm) correspondientes al sistema cinamoílo y al anillo benzoílo,
respectivamente (Wang et al., 2020). La quercetina es excepcional, se absorbe
máximamente a 515–550 nm con un hombro alrededor de 440–450 nm en agua a pH
2,5/5,5 (Amorati et al., 2017). Por tanto, se plantea la hipótesis de que la banda de
ondas cercana a 552 nm (515–550 nm) se relaciona con la quercetina.
Las mieles presentan diferentes colores que podrían reflejar su calidad
(Negueruela y Pérez­Arquillue, 2000; Stephens, 2006). La clorofila, los carotenoides,
las xantofilas y las antocianinas son pigmentos de color que se encuentran en las
mieles y que pueden diferir entre mieles. En las mieles mono­manuka ¯, estos
pigmentos se derivan íntegramente del néctar de Leptospermum scoparium (Alqarni
et al., 2016; Danila et al., 2018; Negueruela y Perez­Arquillue, 2000). Los carotenoides
y las xantofilas absorben en el rango de 400 a 500 nm, mientras que las antocianinas
absorben en el rango de 520 a 540 nm (Aleixandre­Tudo et al., 2018; Nagao et al.,
2015). Las longitudes de onda cercanas a 400­540 nm también podrían ser relevantes
para los carotenoides, xantofilas y antocianinas. Las clorofilas a y b absorben energía
luminosa en las regiones azul (428–453 nm) y roja (661–672 nm) (Pedros et al.,
´
2008). Sugirió que las características importantes (636 y 674 nm) caracterizadas en
este estudio podrían vincularse con el segundo pico de clorofila a y b. Otras bandas
restantes en el rango de Vis podrían ser relevantes para algunos cromóforos
desconocidos en las mieles. Sin embargo, se sugiere realizar más investigaciones
para probar las hipótesis.
La región de 991 a 1374 nm refleja la absorción de moléculas de agua y las
características de los carbohidratos (Xiaobo et al., 2010; Yang et al., 2020).
La absorción por moléculas de agua en picos locales a 991 y 997 nm también puede
indicar diferencias en la actividad de UMF™ en las mieles. La vibración de la
combinación CH del primer armónico (1342, 1354, 1364 y 1374 nm) y el estiramiento
del CH del segundo armónico (1155, 1159, 1236 y 1245 nm) de los grupos de carbono
­CH, ­CH2 y ­CH3 corresponden a diferencias en calidad e identidad . entre muestras
de miel (Xiaobo et al., 2010). En general, la contribución de las moléculas de agua
libres y las características del carbono en la matriz de la miel probablemente
desempeñen un papel importante en la estimación de UMF™.
La predicción de la potencia m¯ anukaness se refleja principalmente en la
actividad de UMF™. La calidad de las mieles en términos de actividad UMF™ difiere
entre distritos geográficos (Fig. 5). Esto estaba en línea con el estudio de Stephens
(2006) , quien afirmó que la actividad de la UMF™ depende de factores geográficos
dentro y entre regiones. Las variedades de Lep­tospermum scoparium y la abundancia
de otras flores difieren entre distritos (Stephens, 2006). La estimación de la potencia
manukaness ¯
en el rango Vis­NIR obtuvo una precisión del 74 %, lo suficientemente buena como
para distinguir entre puntuaciones UMF™ altas y bajas entre los marcos de miel
antes de la extracción de grumos. Validación del desempeño del modelo de potencia por
Machine Translated by Google
HTD Truong et al.
conjuntos de datos independientes (resultados no publicados) mostraron que la predicción de la
potencia m¯ anukaness (Fig. 5) podría sobrestimar los valores verdaderos de UMF™ en 2,4
unidades para muestras con UMF™ por debajo de 7,5, y subestimar los valores verdaderos de
UMF™ en 2,4 para muestras con UMF™ superior a 15. Entre 2,5 y 15 UMF™, el modelo funcionó
bien. El peor rendimiento de la predicción en los datos de validación podría deberse a una escasez
de muestras con UMF™ superior a 15 en el conjunto de datos sin procesar, y no necesariamente
es fundamental para el método. Investigaciones adicionales sugerirían que agregar más muestras
en este rango podría mejorar el rendimiento del modelo. Además, también se sugiere un modelo
complejo para enfrentar la variación regional que mejora aún más la predicción de UMF™.
Los clasificadores PLSDA y SVMDA (RBF) dieron precisiones generales del 82 % (validación
cruzada) y del 88 al 89 % (predicción) (Tabla 4). Estos resultados fueron compatibles con el
estudio de Noviyanto y Abdulla (2020), quienes utilizaron SVMDA para clasificar las mieles de
trébol, manuka ¯ mezcla y mono­manuka ¯ con una precisión del 75 al 99 %. Sin embargo, estos
autores utilizaron productos comerciales de miel de manuka, que eran bastante diferentes de las
muestras compuestas individuales de miel en este estudio que fueron extraídas recientemente
de marcos de miel y agrupadas de apiarios conocidos.
Los resultados de la clasificación mostraron que las mieles mono­m¯ anuka discriminaban
significativamente con una precisión del 94 al 97 %, que era un 20 % mayor que las de las mieles
¯ ¯
multi­manuka y no manuka (62­72 %) (Tabla 4 ) . Esto podría deberse a un gran conjunto de datos
de este grupo. La investigación de la discriminación entre mieles multi­manuka y no­m¯ anuka
¯
mostró que la multi­manuka se clasificó con una precisión del 78 al 89 % y la no manuka con una
¯
precisión del 65 al 75 %. Ruoff et al. (2006) encontraron que la discriminación entre un pequeño
grupo de mieles monoflorales y mieles poliflorales podría verse cuestionada debido al conjunto de
datos desigual (Ruoff et al., 2006). Sin embargo, las mieles mono­manuka ¯ fueron un grupo
mayoritario (70 % del conjunto de datos) en este estudio, mientras que las mieles multi­manuka y
no manuka representaron alrededor del 15 % cada una. En general, PLSDA realizó la clasificación
¯ ¯
de tres clases de MPI (mono, multi y no manuka) y dos clases (multi y no manuka), al igual que
SVMDA. Además, el área bajo la curva (AUC) de PLSDA­ROC muestra la probabilidad de
¯
separación de cada grupo de miel obtenida por encima del 90 %. La sensibilidad y especificidad
¯
de clasificación de las mieles mono­manuka ¯ se aproximaron a 1 y las de las mieles multi­m¯
anuka y no manuka ¯ rondaron 0,8.
Esto significa que los modelos podrían no verse gravemente afectados por el conjunto de datos
desequilibrado de este estudio.
Los rangos espectrales importantes seleccionados fueron (400–600 nm), (859 y 1000–1400
nm) y (1850–1880 nm). Esto estaba en línea con el estudio de Noviyanto y Abdulla (2020) , pero
era diferente del de Yang et al. (2020).
Noviyanto y Abdulla (2020) discriminaron manuka monofloral ¯
mieles de mezcla de manuka, ¯ trébol y entre mieles mono­manuka ¯ con diferentes niveles de
UMF ™ en 400–1000 nm (Noviyanto y Abdulla, 2020). El rango seleccionado en el estudio de
Noviyanto y Abdulla (2020) contenía el rango Vis similar al del estudio actual. Sin embargo, los
autores no indicaron ninguna huella química relacionada con características espectrales.
En el trabajo actual, bandas importantes en (400­600) podrían ser relevantes para las huellas de
DHA, MGO y pigmentos de color, mientras que (859 y 1000­1400 nm) y (1850­1880 nm) podrían
reflejar características de carbohidratos y moléculas de agua. en la matriz de la miel (Cuadro 5).
Por el contrario, Yang et al. (2020) seleccionaron la región de 1300 a 1800 nm para diferenciar las
mieles mono­manuka ¯ de las mieles m¯ anuka mezcladas con almíbar y jarabe de maíz. En su
investigación, las bandas de interés correspondieron mayoritariamente a la absorción de agua en
la matriz de la miel (Yang et al., 2020). En este estudio, los picos de absorción de las moléculas
de agua locales también se identificaron a 1000 nm, 1398/1399 nm y 1850/1852 nm. La matriz de
las mieles frescas mono, multi y no manuka es diferente de las mieles adulteradas estudiadas por
Yang et al. (2020). En este estudio, la presencia de marcadores químicos clave, compuestos
¯ Awad, M., Khanna, R., 2015. Máquinas de aprendizaje eficientes: teorías, conceptos y
polifenólicos y moléculas de agua fue de gran importancia para la clasificación de mieles mono,
multi y no manuka.
¯ Bazar, G., Romvari, R., Szabo, A., Somogyi, T., Eles, V., Tsenkova, R., 2016. NIR
10
Revista de Análisis y Composición de Alimentos 114 (2022) 104780
6. Conclusión
La espectroscopía Vis­NIR mostró la capacidad de estimar la calidad de la miel en términos
de potencia y pureza. ¯ El análisis de información espectral (basado en bandas espectrales
importantes) mostró la capacidad de Vis­NIRS para capturar información química única relacionada
con la potencia y la pureza. Estas importantes características espectrales se identificaron en los
rangos Vis y NIR, que podrían corresponder principalmente a DHA, MGO, flavonoides, pigmentos
de color y moléculas de agua en la matriz de la miel.
Los modelos de clasificación para la pureza de la miel mono­m¯ anuka lograron una precisión
superior al 90 % en comparación con otras fuentes (mieles multi­m¯ anuka y no­m¯ anuka). Sin
embargo, el modelo de predicción de potencia mostró un rendimiento de predicción moderado
debido al impacto regional. En general, el enfoque propuesto permitiría evaluar la calidad de la
miel mediante la actividad biológica y el origen botánico.
Declaración de contribución de autoría CRediT
Hien Thi Dieu Truong: metodología, recopilación de datos, análisis de datos, redacción –
borrador original. Pullanagari Reddy: supervisión, validación, redacción – revisión y edición. Marlon
M. Reis: Supervisión, Validación, Redacción – revisión y edición. Richard Archer: supervisión,
validación, redacción: revisión y edición.
Declaración de intereses en competencia
Los autores declaran que no tienen intereses financieros en competencia ni relaciones
personales conocidas que pudieran haber influido en el trabajo presentado en este artículo.
Disponibilidad de datos
Los datos que se han utilizado son confidenciales.
Reconocimiento
Este trabajo es parte del Ph.D. investigación de Hien Thi Dieu Truong en Massey University
& AgResearch, Palmerston North, Nueva Zelanda. Los autores desean expresar su agradecimiento
al Ministerio de Negocios, Innovación y Empleo de Nueva Zelanda (MBIE), que financió la beca de
Tecnologías habilitadoras de la industria alimentaria (FIET) (ID de contacto: MAUX1402) que
permitió este estudio. Además, nos gustaría reconocer la gran colaboración de la empresa
Comvita® por proporcionar muestras y compartir debates para que este trabajo sea específico.
Referencias
Aleixandre­Tudo, JL, Nieuwoudt, H., Olivieri, A., Aleixandre, JL, Du Toit, W., 2018.
Perfilado fenólico de uvas, muestras de fermentación y vinos mediante espectroscopía
UV­Visible con quimiometría. Control de alimentos 85, 11­22. https://doi.org/10.1016/
j.foodcont.2017.09.014 .
Alqarni, AS, Owayss, AA, Mahmoud, AA, 2016. Características fisicoquímicas, fenoles totales y
pigmentos de mieles nacionales e internacionales en Arabia Saudita. Árabe. J.
Química. 9 (1), 114­120. https://doi.org/10.1016/j.arabjc.2012.11.013.
Amorati, R., Baschieri, A., Valgimigli, L., Cowden, A., 2017. La actividad antioxidante de la quercetina
en solución acuosa. Biomimética 2 (3). https://doi.org/10.3390/biomimetics2030009 .
Ang, Z., Li, W., Cuiyun, W., Yulin, F., Guomin, H., Hua, L., Zhenwen, Z., Hua, W., 2013.
Determinación simultánea de 14 compuestos fenólicos en cañas de uva mediante HPLC­
DAD­UV mediante detección de cambio de longitud de onda. Moléculas 18 (11), 14241–14257.
https://doi.org/10.3390/molecules181114241.
Aplicaciones para ingenieros y diseñadores de sistemas [Libro]. Presione. http://ezproxy.masse
y.ac.nz/login?url=https://search.ebscohost.com/login.aspx?direct=true&AuthType
=ip,cookie,url,uid&db=nlebk&AN=985681&site=eds­ live&scope=site&authtype
=sso&custid=s3027306 .
La detección de adulteración de la miel revela diferencias en el patrón espectral del agua.
Química de los alimentos. 194, 873–880. https://doi.org/10.1016/j.foodchem.2015.08.092.
Bogdanov, S., Ruoff, K., Persano Oddo, L., 2004. Métodos fisicoquímicos para la
Caracterización de mieles uniflorales: una revisión. Apidologie 35 (Suplemento 1), S4 – S17.
https://doi.org/10.1051/apido:2004047.
Machine Translated by Google
HTD Truong et al.
Bong, J., Loomes, KM, Schlothauer, RC, Stephens, JM, 2016. Marcadores de fluorescencia en algunas mieles
de Nueva Zelanda. Química de los alimentos. 192, 1006–1014. https://doi.org/10.1016/j.
foodchem.2015.07.118.
Bong, J., Prijic, G., Braggins, TJ, Schlothauer, RC, Stephens, JM, Loomes, KM, 2017.
La leptosperina es un fluoróforo distintivo y detectable en las mieles de Leptospermum. Química de los
alimentos. 214, 102­109. https://doi.org/10.1016/j.foodchem.2016.07.018.
Bong, J., Loomes, KM, Lin, B., Stephens, JM, 2018. Nuevo enfoque: perfiles químicos y de fluorescencia
de mieles de Nueva Zelanda. Química de los alimentos. 267, 355–367. https://doi.org/10.1016/
j.foodchem.2017.07.065 .
Burns, DT, Dillon, A., Warren, J., Walker, MJ, 2018. Una revisión crítica de los factores disponibles para la
identificación y determinación de miel de manuka ¯. Anal de comida.
Métodos 11 (6), 1561. https://doi.org/10.1007/s12161­018­1154­9.
Danila, C., Tamara Yuliett, F.­H., Sadia, A., Massimiliano, G., Patricia, R.­R., Piera Pia, M., Jiaojiao, Z.,
Leire Bravo, L., Susana Martínez, F., Pablo Agudo, T., Jos´e Luis, Q., Francesca, G., Maurizio, B.,
2018. Compuestos fenólicos en la miel y sus beneficios para la salud asociados: una revisión. Moléculas
23 (9). https://doi.org/10.3390/moléculas23092322 .
Gan, Z., Yang, Y., Li, J., Wen, X., Zhu, M., Jiang, Y., Ni, Y., 2016. Uso de sensores y análisis espectral
para clasificar el origen botánico y determinar la adulteración de miel cruda. J. Ing. de Alimentos.
178, 151­158. https://doi.org/10.1016/j. jfoodeng.2016.01.016.
Goss, CHA, 2009. Indicadores de Bioactividad y Origen Floral de Mieles de Nueva Zelanda.
La Universidad de Waikato, Hamilton, Nueva Zelanda.
Grainger, MNC, Manley­Harris, M., Lane, JR, Field, RJ, 2016a. Cinética de
Conversión de dihidroxiacetona en metilglioxal en miel ma‾nuka de Nueva Zelanda: Parte i ­ sistemas
de miel. Química de los alimentos. 202, 484–491. https://doi.org/10.1016/j. foodchem.2016.02.029.
Grainger, MNC, Manley­Harris, M., Lane, JR, Field, RJ, 2016b. Cinética de la
Conversión de dihidroxiacetona en metilglioxal en miel ma‾nuka de Nueva Zelanda: Parte II ­ sistemas
modelo. Química de los alimentos. 202, 492–499. https://doi.org/10.1016/j. foodchem.2016.02.030.
Hellwig, M., Rueckriemen, J., Sandner, D., Henle, T., 2017. Patrón único de productos de reacción de
Maillard unidos a proteínas en miel de Manuka (Leptospermum scoparium). 65, 3532–3540. https://
doi.org/10.1021/acs.jafc.7b00797.
Johnston, M., McBride, M., Dahiya, D., Owusu­Apenten, R., Nigam, PS, 2018.
Actividad antibacteriana de la miel de Manuka y sus componentes: una descripción general.
OBJETIVOS Microbiol. 4, 655. http://ezproxy.massey.ac.nz/login?url=http://search.ebscohost. com/
login.aspx?direct=true&db=edsdoj&AN=edsdoj.8219815dd66445288f4c2c db7b32ebbe&site=eds­
live&scope=site . ­live&scope=site&authtype=sso&custid=s 3027306
Krzysztof, BB, Christian, WH, 2019. Potencial de avance en el infrarrojo cercano
espectroscopia: simulación de espectros. una revisión de los acontecimientos recientes. Frente. Química.
7. https://doi.org/10.3389/fchem.2019.00048.
Kumaravelu, C., Gopal, A., 2015. Detección y cuantificación de adulteración en miel mediante espectroscopia
de infrarrojo cercano. En t. J. Proposición de Alimentos 18 (9), 1930–1935. https://doi.org/
10.1080/10942912.2014.919320 .
Lin, B., Brimble, MA, Bong, J., Stephens, JM, Loomes, KM, Middleditch, MJ,
Daniels, BJ, Furkert, DP, 2020. Utilidad del compuesto lepteridina de Leptospermum scoparium como
marcador químico de la autenticidad de la miel de manuka. ACS Omega 5 (15), 8858–8866. https://
doi.org/10.1021/acsomega.0c00486.
Lu, Y., Saeys, W., Kim, M., Peng, Y., Lu, R., 2020. Tecnología de imágenes hiperespectrales para la
evaluación de la calidad y seguridad de productos hortícolas: una revisión y celebración del progreso de
los últimos 20 años . Biol poscosecha. Tecnología. 170. https://doi.org/10.1016/j. postharvbio.2020.111318.
Minaei, S., Shafiee, S., Polder, G., Moghadam­Charkari, N., van Ruth, S., Barzegar, M., Zahiri, J., Alewijn,
M., Ku´s, PM, 2017 Aplicación de imágenes VIS/NIR para la determinación del origen floral de la miel.
Física infrarroja. Tecnología. 86, 218–225. https://doi.org/10.1016/j.infrared.2017.09.001 .
MPI, 2017. Respuesta a las presentaciones sobre la definición propuesta por MPI para manuka ¯ miel.
Ministerio de Industrias Primarias. http://search.ebscohost.com/login.aspx?direct=true
&db=cat00245a&AN=massey.b4193865&site=eds­live&scope=site . UMFHA, 2021. Sistema de calificaciones de la UMF.
Nagao, A., Ono, H., Kotake­Nara, E., Kobayashi, M., Tomita, T., Maoka, T., 2015. Un grupo terminal 3­hidroxi
β en xantofilas se oxida preferentemente a 3 ­grupo final ­oxo ε en mamíferos. J. Res de lípidos. 56
(2), 449–462. https://doi.org/10.1194/jlr.
P055459.
Negueruela, AI, Perez­Arquillue, C., 2000. Medición del color de la miel de romero en estado sólido mediante
espectroscopía de reflectancia con fondo negro. J. AOAC Int. 83 (3), 669–674. https://doi.org/10.1093/
jaoac/83.3.669.
Nguyen, B.­C., Kochevar, IE, 2003. Influencia de la hidratación en la pigmentación del estrato córneo inducida
por dihidroxiacetona. J. Investigar. Dermatol. 120 (4), 655–661. https://doi.org/10.1046/
j.1523­1747.2003.12089.x .
Nilsson, J., De Jong, S., Smilde, AK, 1997. Calibración multidireccional en 3D QSAR.
J. Chemom. 11 (6), 511–524 https://doi.org/10.1002/(SICI)1099­128X(199711/ 12)11:6<511::AID­
CEM488>3.0.CO;2­W.
Noviyanto, A., Abdulla, WH, 2020. Clasificación del origen botánico de la miel utilizando
Imágenes hiperespectrales y aprendizaje automático. J. Ing. de Alimentos. 265. https://doi.org/
10.1016/j.jfoodeng.2019.109684 .
Oelschlaegel, S., Gruner, M., Wang, P.­N., Boettcher, A., Koelling­Speer, I., Speer, K., 2012. Clasificación
y caracterización de mieles de Manuka basadas en compuestos fenólicos y metilglioxal. 60, 7229–
7237. https://doi.org/10.1021/jf300888q .
Owens, A., Lane, JR, Manley­Harris, M., Marie Jensen, A., Jørgensen, S., 2019. Cinética de conversión de
dihidroxiacetona en metilglioxal en miel de m¯ anuka de Nueva Zelanda: parte V: la tasa determinante
paso. Química de los alimentos. 276, 636–642. https://doi.org/10.1016/j.foodchem.2018.10.039 .
11
Revista de Análisis y Composición de Alimentos 114 (2022) 104780
´
Pedros, R., Moya, I., Goulas, Y., Jacquemoud, S., 2008. Espectro de emisión de fluorescencia de
clorofila en el interior de una hoja. Fotoquímica. Fotobiol. Ciencia. 7 (4), 498–502. https://doi.org/10.1039/
b719506k .
Pu, Y.­Y., O'Donnell, C., Tobin, JT, O'Shea, N., 2020. Revisión del infrarrojo cercano
La espectroscopia como tecnología analítica de procesos para el monitoreo de productos en tiempo real
en el procesamiento de lácteos. En t. Lácteos J. 103. https://doi.org/10.1016/j.idairyj.2019.104623.
Pullanagari, RR, Dehghan­Shoar, M., Yule, IJ, Bhatia, N., 2021. Espectroscopia de campo de la concentración
de nitrógeno del dosel en pastizales templados utilizando una red neuronal convolucional. Sensores
remotos. Medio ambiente. 257. https://doi.org/10.1016/j.rse.2021.112353.
`
Ruoff, K., Luginbühl, W., Bogdanov, S., Bosset, JO, Estermann, B., Ziolko, T., Amado, R., 2006. Autenticación
del origen botánico de la miel mediante espectroscopia de infrarrojo cercano.
J. Agrícola. Química de los alimentos. 54 (18), 6867–6872. https://doi.org/10.1021/jf060770f.
`
Ruoff, K., Luginbühl, W., Bogdanov, S., Bosset, JO, Künzli, R., Amado, R., Von Der
Ohe, K., Von Der Ohe, W., 2006. Autenticación del origen botánico y geográfico de la miel mediante
espectroscopia de fluorescencia frontal. J. Agrícola. Química de los alimentos. 54 (18), 6858–6866.
https://doi.org/10.1021/jf060697t.
Saeys, W., Xing, J., De Baerdemaeker, J., Ramon, H., 2005.). Comparación de
transflectancia y reflectancia para analizar estiércol de cerdo. J. Espectrosc infrarrojo. 13 (2), 99­107.
https://doi.org/10.1255/jnirs.462.
Saeys, W., Nguyen Do Trong, N., Van Beers, R., Nicolaï, BM, 2019. Multivariado
Calibración de sensores espectroscópicos para la evaluación de la calidad poscosecha: una revisión.
Biol poscosecha. Tecnología. 158. https://doi.org/10.1016/j.
postharvbio.2019.110981.
Shafiee, S., Polder, G., Minaei, S., Moghadam­Charkari, N., Van Ruth, S., Ku´s, PM, 2016.
Detección de adulteración de la miel mediante imágenes hiperespectrales. En: IFAC­
PapersOnLine, 49­16. Elsevier Ltd, págs. https://doi.org/10.1016/j. ifacol.2016.10.057, 2016.
Smallfield, BM, Joyce, NI, van Klink, JW, 2018. Cambios de desarrollo y composición en el néctar de
Leptospermum scoparium y su relevancia para los bioactivos y marcadores* de la miel de m¯ anuka.
Bot de Nueva Zelanda. 56 (2), 183–197. https://doi.org/10.1080/0028825X.2018.1446450 .
Snow, MJ, Manley­Harris, M., 2004. Sobre la naturaleza de los agentes antibacterianos sin peróxido.
Actividad en la miel de manuka de Nueva Zelanda. Química de los alimentos. 84 (1), 145­147. https://
doi. org/10.1016/S0308­8146(03)00258­9.
Staffelbach, TA, Orlando, JJ, Tyndall, GS, Calvert, JG, 1995. El UV­visible
espectro de absorción y rendimientos cuánticos de fotólisis del metilglioxal. J. Geophys.
Res. 100 (D7), 14189–14198. http://ezproxy.massey.ac.nz/login?url=https://sea rch.ebscohost.com/
login.aspx?direct=true&AuthType=ip,cookie,url,uid&db=eds wsc&AN=A1995RK57000032&site=eds
.
Stephens, JMC, 2006. Los factores responsables de los diferentes niveles de UMF® en manuka ¯
(Leptospermum scoparium) miel Waikato]. La Universidad de Waikato, Hamilton, Nueva Zelanda.
Stephens, JMC, Schlothauer, RC, Morris, BD, Yang, D., Fearnley, L., Greenwood, D.
R., Loomes, KM, 2010. Compuestos fenólicos y metilglioxal en algunas mieles de manuka y
kanuka de Nueva Zelanda. Química de los alimentos. 120 (1), 78–86. https://doi.org/10.1016/
j.foodchem.2009.09.074 .
Stephens, JMC, Loomes, KM, Braggins, TJ, Bong, J., Lin, B., Prijic, G., 2017.
Fluorescencia: un método novedoso para determinar la pureza floral de la miel de manuka. Anal de
miel. https://doi.org/10.5772/66313.
Sun, D.­W., ElMasry, G., 2010. En: Sun, D.­W. (Ed.), Principios de imágenes hiperespectrales
Tecnología, primera edición. Elsevier.
Thrasyvoulou, A., Tananaki, C., Goras, G., Karazafiris, E., Dimou, M., Liolios, V.,
Kanelis, D., Gounari, S., 2018. Legislación de criterios y normas de miel. J. Apic.
Res. 57 (1), 88–96. https://doi.org/10.1080/00218839.2017.1411181.
Truong, HTD, Nguyen, DTN, Saeys, W., 2021. Discriminación basada en fluorescencia de células vegetativas
de cepas de bacilo de Escherichia coli y Saccharomyces cerevisiae. Biosistema. Ing. 209, 232–
245. https://doi.org/10.1016/j. biosystemseng.2021.07.007.
https://www.umf.org.nz/grading­system­explain
ed/ .
Van Eaton, C., 2014. Manuka: la biografía de una miel extraordinaria [No ficción].
Exilio. http://ezproxy.massey.ac.nz/login?url=http://search.ebscohost.com/login. aspx?
direct=true&db=cat00245a&AN=massey.b3389062&site=eds­live&scope=si te .
Wang, H., 2011. El estudio de la actividad antioxidante de los componentes fenólicos de
Miel Manuka. La Universidad de Waikato.
Wang, Q., Zhao, H., Zhu, M., Gao, L., Cheng, N., Cao, W., 2020. Espectroscopia
caracterización, estudio teórico y actividades antioxidantes de los complejos flavonoides­Pb(II). J. Mol.
Estructura. 1209. https://doi.org/10.1016/j.molstruc.2020.127919.
Williams, S., King, J., Revell, M., Manley­Harris, M., Balks, M., Janusch, F., Kiefer, M., Clearwater, M., Brooks,
P., Dawson, M ., 2014. Variaciones regionales, anuales e individuales en el contenido de
dihidroxiacetona del néctar de Manuka (Leptospermum scoparium) en Nueva Zelanda. J. Agrícola.
Química de los alimentos. 62 (42), 10332–10340. https://doi.org/10.1021/jf5045958 .
Williams, SD, Pappalardo, L., Bishop, J., Brooks, PR, 2018. Dihidroxiacetona
La producción de néctar de Leptospermum australiano depende de la especie. J. Agrícola.
Química de los alimentos. 66 (42), 11133–11140. https://doi.org/10.1021/acs.jafc.8b04363.
Woodcock, T., Downey, G., O'Donnell, CP, 2009. Huellas dactilares espectrales del infrarrojo cercano para
confirmar la procedencia de la miel con DOP. Química de los alimentos. 114 (2), 742–746.
https://doi.org/10.1016/j.foodchem.2008.10.034.
Xiaobo, Z., Jiewen, Z., Povey, MJW, Holmes, M., Hanpin, M., 2010. Métodos de selección de variables en
espectroscopia de infrarrojo cercano. Anal. Chim. Actas 667 (1), 14–32. https://doi. org/10.1016/
j.aca.2010.03.048.
Machine Translated by Google
HTD Truong et al.
Yang, X., Guang, P., Xu, G., Zhu, S., Chen, Z., Huang, F., 2020. Detección de adulteración
de la miel de Manuka basada en espectroscopia de infrarrojo cercano combinada con
acuafotómica. LWT 132. https://doi.org/10.1016/j.lwt.2020.109837.
Yiuchung, C., Maninder, M., Xiaoming, Y., Baojun, X., 2019. Ácidos fenólicos y
Perfiles de flavonoides de miel comercial de diferentes fuentes florales y geográficas.
12
Revista de Análisis y Composición de Alimentos 114 (2022) 104780
fuentes. En t. J. Propuesta de Alimentos 22 (1), 290–308. https://doi.org/
10.1080/10942912.2019.1579835 .
Z´ abrodsk´ a, B., Vorlov´ a, L., 2014. Adulteración de la miel y métodos disponibles para la
detección: una revisión. Acta Veterinaria. Brno 83, S85–S102. https://doi.org/10.2754/
avb201483S10S85 .