Implementación de una técnica quimiométrica rápida empleando NIRS para la predicción de propiedades bromatológicas en larva de mosca soldado negra

Abstract

La larva de mosca soldado negra (Hermetia illucens) es un insecto que ha despertado interés en los últimos años, debido a su alto contenido de proteína y por su increíble capacidad de bioconversión. En la industria alimentaria, esta larva tiene que pasar por control de calidad cuantificando los diferentes macronutrientes que la componen, para esto se emplea el análisis bromatológico por química húmeda, el cual trae consigo el uso de métodos de análisis demandantes de tiempo y recursos químicos nocivos para la salud y el medio ambiente. De esta forma, este trabajo tiene como objetivo desarrollar un método de predicción de macronutrientes por medio de espectroscopia de infrarrojo cercano (NIRS) en larva de mosca soldado negra, técnica que se caracteriza por ser rápida y amigable con el medio ambiente.

La metodología se divide en tres partes: calibración de modelos con y sin pretratamiento; predicción de los macronutrientes y evaluación de desempeño de los modelos. Los resultados de este estudio mostraron errores de calibración y validación cruzada (SEC y SECV) menores a 1% para todos los modelos; así mismo, mostraron coeficientes de determinación (R2) cercanos a 0.9, indicando que la calibración de los modelos fue buena. Al estudiar la capacidad predictiva de los modelos se obtuvieron errores de predicción (SEP) menores al 3% y razón entre el rendimiento y la desviación (RPDp) para los modelos de proteína excelentes (RPDp > 3), con capacidad de predicción cuantitativa aproximada para humedad y grasa (2 < RPDp < 2.5), y modelos de predicción poco fiables para fibra (RPDp <1.5).

De lo anterior se concluyó que de los diferentes modelos estudiados el único con predicción precisa es proteína. En contraste, los otros modelos calibrados de grasa, humedad y fibra presentaron deficiencia debido a la falta de información espectral importante fuera del rango de infrarrojo trabajado. Por lo que es recomendable realizar modelos que cubran la mayor parte del espectro NIR para tener mejores resultados.