Fusión secuencial de información adquirida mediante lengua electrónica basada en solventes eutécticos naturales para mejorar la detección de alteraciones por calor en miel

S. M. AZCÁRATE; R. DAZAT; J. M. CAMIÑA; M. F. SILVA; F. GÓMEZ

CORRIENTES

Congreso; XI CONGRESO ARGENTINO DE QUIMICA ANALÍTICA; 2021

UNNE

Los solventes eutécticos profundos naturales (NADES) se consideran los solventes ?verdes? del momento. Conformados principalmente por ácidos orgánicos, azucares y aminoácidos, donde la fuerza de interacción principal entre ellos son por puente de hidrogeno. Las ventajas más relevantes de los NADES están relacionadas a la facilidad de preparación, bajo costo, que son químicamente sostenibles, la enorme cantidad de potenciales combinaciones y sus propiedades fisicoquímicas "ajustables". Recientemente, se ha demostrado que los nades pueden mejorar la señal electroquímica de algunos analitos1. En este contexto, los sensores electroquímicos han incrementado sus aplicaciones en el análisis de alimentos. Sin embargo, estas matrices son, en general, complejas y dinámicas y, por lo tanto, una herramienta de detección individual puede proporcionar información limitada. En este sentido, han surgido en estos últimos años tecnologías de fusión de información de múltiples sensores para realizar mejoras adicionales en el reconocimiento de patrones y la estimación de parámetros de calidad de diversos alimentos para construir modelos más informativos, fiables y robustos2,3. Con base en estas consideraciones, el objetivo del presente trabajo es presentar por primera vez un nuevo concepto de lengua electrónica (ET) basada en modificaciones del buffer mediante la utilización de diferentes NADES para evaluar su potencial en la detección de la alteración por calor en mieles. Para ello, se analizaron 14 muestras de mieles procedentes de la provincia de Mendoza. Las alteraciones de cada miel se simularon en el laboratorio mediante incubación en un baño de agua a 80° C durante 4 horas. Para la adquisición de la información, se construyó un arreglo de sensores (cuatro sensores por arreglo): PBS (buffer fosfato sin modificar), LGH (ácido láctico, glucosa y H2O, 5:1:3); CGH (ácido cítrico, glucosa y H2O, 1:1:2) y FCH (ácido cítrico, fructosa y H2O, 1:1:2) y para la medida electroquímica se utilizaron electrodos serigrafiados de carbono comerciales en placas de 96x. Las mediciones se realizaron sobre cada muestra de miel (con y sin alteración por calor) por triplicado utilizando un nuevo electrodo cada vez y además cada electrodo se aplicó por triplicado, por lo que se obtuvieron un total de nueve mediciones para cada muestra. Para evaluar el potencial de cada sensor individual se construyeron modelos de clasificación aplicando análisis discriminante por cuadrados mínimos parciales (PLS-DA) por separado en cada bloque de datos. Los cuatro modelos individuales obtenidos no proporcionaron desempeños óptimos resultando en modelos con altas tasas de error de clasificación que van desde el 14% al 24%. Con vistas a mejorar estos resultados se evaluó la potencialidad de los datos multi-sensores. Para ello se realizó un análisis multi-bloque basado en una estrategia de fusión de datos de nivel medio4. Esta estrategia fue adoptada mediante la aplicación de un análisis discriminante lineal de cuadrados mínimos secuenciales y ortogonalizados (SO-PLS-LDA) sobre los datos adquiridos de la combinación de diferentes sensores ET (dos, tres o cuatro bloques de datos), desarrollando un total de once modelos. Todos los modelos de clasificación se validaron internamente mediante el uso de la validación cruzada (venetian blind) y el rendimiento de los modelos se confirmó mediante validación externa con un conjunto de muestras independientes. La calidad de cada modelo se evaluó en las etapas de calibración y predicción a través de algunos índices de clasificación (sensibilidad, especificidad, precisión y tasa de no error). Como resultado, los once modelos mejoraron los resultados de clasificación no solo de los modelos individuales sino que también se evidenció que cada modelo mejoró en la medida en que se agregó al análisis un sensor ET más. La precisión general alcanzada para los modelos individuales osciló entre 0,78 y 0,76 y entre 0,84 y 0,86 para los conjuntos de entrenamiento y predicción, respectivamente, mientras que el modelo final alcanzó 0,99 y 0,97. Así, los resultados óptimos se lograron a partir de la fusión de los cuatro sensores ET revelando el efecto sinérgico entre los datos ET y la aplicación de un enfoque quimiométrico adecuado para el propósito estudiado. Estos hallazgos sugieren que los procesos de calentamiento realizados alteran significativamente la composición intrínseca de la miel y dichos cambios se pueden detectar de manera efectiva a través de la metodología propuesta en este trabajo. Además, este tipo de ET podría ser una poderosa herramienta para los organismos e industrias de control de calidad de los alimentos, con el fin de prevenir fraudes y también alteraciones no intencionales. 1. Espino, M., de los Ángeles Fernández, M., Gomez, F. J. V., & Silva, M. F. (2016). TrAC Trends in Analytical Chemistry, 76, 126-136. 2. Azcarate, S. M., Ríos-Reina, R., Amigo, J. M., & Goicoechea, H. C. (2021). TrAC Trends in Analytical Chemistry, 143, 116355.3. Zhou, L., Zhang, C., Qiu, Z., & He, Y. (2020). TrAC Trends in Analytical Chemistry, 127, 115901.4. Cocchi, M. (2019). In M. Cocchi (Ed.), Data Handling in Science and Technology (pp. 1-26): Elsevier.