Determinación de la adulteración de aceites de alto valor nutricional mediante el uso de técnicas espectroscópicas y análisis quimiométrico de datos multi-instrumentales

M. WAGNER; D. MUCH; S.M. AZACARATE; M. ALCARAZ; H. C. GOICOCHEA; J. M. CAMIÑA

CORRIENTES

Congreso; XI CONGRESO ARGENTINO DE QUÍMICA ANALÍTICA; 2021

UNNE

Los aceites vegetales no convencionales, como los de canola, sésamo, chía y lino, presentan características nutricionales y sensoriales particulares que los hacen componentes únicos y básicos de la dieta, como lo son también los aceites de oliva extra virgen. Su alta demanda en el mercado, su alto valor nutricional, su elevado costo y, en el caso de los aceites no convencionales, su baja regulación, los hacen blanco de acciones fraudulentas con el fin, entre otros, de reducir los costos de producción. Su adulteración es una de las prácticas fraudulentas más frecuentes que ocurre, generalmente, por adición de aceites refinados más económicos, como los de girasol, maíz o soja1. Actualmente, las investigaciones en este campo se orientan hacia el desarrollo de herramientas que brinden soluciones rápidas, no destructivas, de bajo costo y amigables con el ambiente. En este aspecto, las técnicas basadas en mediciones espectroscópicas se muestran como las alternativas más atractivas. Asimismo, el análisis quimiométrico de datos ha demostrado una sinergia con estas técnicas analíticas, impactando positivamente en todos los ejes del desarrollo experimental, principalmente, en la reducción de tiempos de análisis, en el consumo de solventes y en el incremento de información química de los sistemas en estudio2,3. En el presente trabajo se presenta una metodología analítica articulada en torno a técnicas espectroscópicas multidimensionales (UV-Vis, NIR y fluorescencia de matrices de excitación-emisión (EEM), acoplada a análisis quimiométrico de datos para determinar adulteraciones en aceites de oliva extra virgen, canola, sésamo, chía y lino. Se evaluaron adulterantes de distinta naturaleza (aceites refinados de girasol, maíz y soja) en bajos niveles de concentración (2-15 %). Para la cuantificación de adulterante, se construyeron modelos predictivos mediante el análisis por cuadrados mínimos parciales (PLS) con cada conjunto de datos obtenido por cada técnica individual. Asimismo, con el fin de explotar las particularidades de la información procedente de cada fuente instrumental, se evaluaron dos estrategias de fusión de datos (nivel bajo y nivel medio). Se analizó un total de 25 modelos (5 por cada tipo de aceite). La capacidad predictiva de cada modelo se evaluó a partir del análisis de los parámetros estadísticos, como los coeficientes de regresión (R2) de la calibración, los errores cuadráticos medios de calibración (RMSEC), de validación cruzada (RMSECV) y de predicción (RMSEP), como también, el error porcentual de predicción (REP%). En términos generales, la fluorescencia de EEM proporciona mayor información del sistema en una única medición. Este aumento en la información química contenida en un mismo dato instrumental permite la obtención de modelos más sensibles que aprovechan esta información para lograr errores de predicción inferiores (REP% menores a 20 %) a los obtenidos por las técnicas espectroscópicas convencionales de detección espectral (REP% menores a 36 % y 50 % para UV-Vis y NIR, respectivamente). Esta observación valida, también, los resultados obtenidos para los modelos construidos con los datos fusionados, en el que la combinación de la información instrumental, conlleva una mejora sustancial de la eficiencia del modelo (REP% menores a 15 % 16 % para el nivel bajo y medio, respectivamente). Los resultados obtenidos demostraron que el aumento de información adquirida conlleva una mejora sustancial en la eficiencia predictiva de los modelos respecto a los construidos con señales instrumentales individuales. Además, se demostró la factibilidad de técnicas espectroscópicas en combinación con la quimiometría para los análisis de autenticidad en aceites de calidad. 1. Rifna E.J., Pandiselvam R., Kothakota A., Subba Rao K.V., Dwivedi M., Kumar M., Thirumdas R., Ramesh S.V. (2022). Food Chemistry, 369, 130898. 2. Cocchi, M. (2019). In M. Cocchi (Ed.), Data Handling in Science and Technology (pp. 1-26): Elsevier 3. Azcarate, S. M., Ríos-Reina, R., Amigo, J. M., Goicoechea, H. C. (2021). TrAC-Trends in Analytical Chemistry, 143, 116355.