P47, Relazione tra caratteristiche sensoriali e spettro colorimetrico

RELAZIONE FRA CARATTERISTICHE SENSORIALI E SPETTRO COLORIMETRICO NELLA
CARNE DI VITELLO
Monica Borgogno1, Saida Favotto1 , Elena Saccà1, Nicoletta Pizzutti1, Fernando Gottardi2, Edi Piasentier1
1Dipartimento di Scienze Agrarie e Ambientali Università degli Studi di Udine, 2Coop Italia, Bologna
[email protected]
INTRODUZIONE
MATERIALE E METODI
Tenerezza, succosità e flavour sono fattori importantissimi in grado di influenzare la soddisfazione del
consumo per la carne. La prima impressione che il consumatore riceve dalla carne è quella relativa al
colore e, se questo non rispetta i canoni che il consumatore richiede, il prodotto viene considerato di
scarsa qualità (Wu et al., 2012).
Nel caso specifico della carne di vitello, il colore (AMSA, 1993) è l’attributo più importante per la
sua valutazione commerciale. Il sistema di allevamento del vitello a carne bianca è finalizzato
all’ottenimento di un prodotto di colore rosa chiaro, che viene specificatamente punteggiato al
macello, sul muscolo obliquo dell’addome.
L’esigenza e il desiderio dell’industria sono di poter stimare gli attributi di qualità del prodotto,
sviluppando nuove tecnologie veloci, non distruttive, on-line.
Diversi autori (Liu et al., 2002; Cozzolino et al., 2006; Cen et al., 2007;) hanno affiancato allo
spettrofotometro NIR, il colorimetro studiando la relazione tra i parametri CIE e la tenerezza, sia essa
misurata strumentalmente, sia sensorialmente (Liu et al., 2002; Cruz Ortiz et al., 2006, Wu et al.,
2012).
Campioni: sono stati valutati quindici lotti di carne di vitello con tre partite differenti, ciascuno rappresentato da
fettine di fesa di tre diversi vitelli. Le fettine di vitello sono state confezionate singolarmente in vaschette in
condizioni di atmosfera protetta.
Analisi sensoriali: profilo descrittivo utilizzando 16 attributi, generati da un panel addestrato costituito da otto
giudici. È stata utilizzata una scala lineare (0=assenza della sensazione;10= massima intensità). I campioni sono
stati valutati in triplicato.
Analisi strumentale: è stato misurato lo spettro del visibile su cinque fettine di fesa di vitello cruda per ciascun
lotto. Strumento: spettrofotometro Minolta 2600-d (apertura: 8 mm; angolo di osservazione: 10; illuminante D65).
Analisi statistica
Dati sensoriali: dopo validazione, sette descrittori sono stati mediati e utilizzati nella PCA.
Dati strumentali: PCA costruita con dati pretrattati con il metodo (Cen et al., 2007)
Modello predittivo: il modello PLS2 è stato costruito usando 2 lotti e validato con una full cross-validation (Xing et
al., 2004). Successivamente, è stato testato il potere predittivo del modello.
SCOPO
Vista l’esigenza da parte dell’industria delle produzioni animali di identificare dei metodi predittivi basati su strumenti rapidi, non distruttivi e on-line, questo lavoro si
propone di identificare quali caratteristiche sensoriali possono essere correlabili allo spettro colorimetrico del visibile rilevato strumentalmente sulla fettina confezionata.
RISULTATI E DISCUSSIONE
1. Mappa sensoriale: la prima e la seconda componente spiegano il 90% della varianza originale (figura 1).
La PC1 è caratterizzata da attributi di consistenza, positivamente dalla masticabilità, fibrosità, odore e
flavour metallico e negativamente dalla tenerezza. Scendendo lungo la seconda componente, la quale spiega
il 27%, il livello di succosità e di acido diminuisce.
I cinque campioni valutati con la prima partita sono disposti nella parte destra del grafico, quindi
caratterizzati da attributi negativi della texture, mentre i restanti 10 campioni sono disposti a sinistra. Un
ulteriore distinzione è evidente osservando la seconda componente.
2. Mappa spettrofotometrica: in figura 2 la PCA spiega rispettivamente il 64% e il 23% della varianza
delle carni. Rosso, blu e viola si pongono sulla PC1, le altre lunghezze d’onda sulla seconda componente. La
disposizione dei campioni conferma la distinzione evidenziata con la PCA sensoriale.
Figura 2: PCA sviluppata con i dati
spettrofotometrici nello spazio del
visibile (400-700) su matrice di
dati costituita dai dati medi dei 15
vitelli a carne bianca, pretrattata
con MSC.
Figura 1: Analisi delle componenti
principali relativa ai dati medi del
profilo sensoriale dei 15 lotti di vitelli
a carne bianca analizzati.
3. Modello di regressione PLS: la maggiore distinzione tra i campioni è sulla prima componente (varianza
spiegata 69% e 58%, rispettivamente per la variabile X e Y). La seconda componente spiega un ulteriore
18% e 17% di varianza. I risultati presi in considerazione sono l’errore standard medio (RMSE) e il
coefficiente di correlazione (r) per calibrazione, validazione e predizione (tabella 1) (Naes et al.,2002). I
risultati che si riferiscono alla calibrazione del modello mostrano un’ottima correlazione per tutti gli attributi
sensoriali considerati. La validazione e la predizione confermano la bontà del modello per “Od.
Metallico/ferroso” e “Succosità” con indici di correlazione maggiori di 0,80 ed errori inferiori allo 0,5.
4. Modello di regressione PLS: in tabella 2 sono riportati i valori di p relativi alla significatività della
correlazione tra le due matrici di variabili. Blu, verde, arancione, sono correlate alla prima componente (le λ
agli estremi dello spazio del visibile a sinistra, le λ centrali in modo positivo) come gli attributi relativi al
flavour e alla succosità; il viola, giallo e le prime lunghezze d’onda del rosso sono correlate maggiormente
al secondo fattore (rosso in modo negativo, giallo in modo positivo) associate agli attributi di texture. Lo
spazio del visibile che racchiude le lunghezze d’onda dal blu all’arancione (da 450 a 620 nm), risulta
importante per prevedere la succosità e il flavour metallico della carne di vitello. Il modello è risultato
valido nel predire l’odore metallico ferroso e la succosità con valori di correlazione rispettivamente di 0,89
e 0,80, associati a bassi valori di RMSEP.
colore
viola
Attributo
Od.met/ferroso
Acido
Fl.met/ferroso
Tenerezza
Succosità
Fibrosità
Masticabilità
Fattore Corr C RMSEC Corr V RMSEV Corr P RMSEP
1
0,91
0,36
0,87 0,43
0,87
0,43
2
0,94
0,30
0,89
0,41
0,89
0,41
1
0,86
0,55
0,78
0,68
0,78
0,68
2
0,89
0,49
0,78
0,72
0,78
0,72
1
0,81
0,60
0,68
0,77
0,68
0,77
2
0,90
0,44
0,76
0,75
0,76
0,75
1
0,46
0,73
0,01
0,97
0,01
0,97
2
0,78
0,52
0,39
0,92
0,39
0,92
1
0,89
0,43
0,82
0,54
0,82
0,54
2
0,89
0,43
0,80
0,56
0,80
0,56
1
0,69
0,70
0,42
0,94
0,42
0,94
2
0,85
0,51
0,59
0,92
0,59
0,92
1
0,53
0,81
0,17
1,06
0,17
1,06
2
0,79
0,58
0,48
0,99
0,48
0,99
Tabella 1: valore di correlazione e di errore standard
medio per ciascun attributo costituente la matrice di
variabili Y per Calibrazione (r C e RMSEC),
Validazione (r V e RMSEV), e Predizione (r P e
RMSEP) del modello PLS con full cross-validation.
blu
verde
giallo
arancio
5. Potere predittivo del modello PLS: usando i due campioni della partita non utilizzata per la calibrazione. I
risultati ottenuti per i campioni V7 e V10 (differenti per succosità) sono molto buoni. Il valore di correlazione, r,
è 0,88 e RMSEP è uguale a 0,41. Il modello costruito con i dati dello spettro del visibile permette di
prevedere in modo abbastanza accurato e preciso la succosità della carne bianca di vitello.
rosso
variabile X
nm
400
410
420
430
440
450
460
470
480
490
500
510
520
530
540
550
560
570
580
590
600
610
620
630
640
650
660
670
680
690
700
Od.met/ferroso
0,52
0,92
0,79
0,62
0,25
0,02
0,01
0,00
0,00
0,01
0,04
0,03
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,21
0,39
0,31
0,56
0,83
0,60
0,80
0,62
0,21
0,32
0,24
acido
0,32
0,86
0,67
0,48
0,20
0,03
0,00
0,00
0,03
0,09
0,19
0,16
0,01
0,00
0,01
0,01
0,01
0,02
0,02
0,00
0,17
0,31
0,21
0,48
0,77
0,50
0,77
0,72
0,46
0,54
0,28
variabile Y
Fl.met/ferroso
Tenerezza
0,61
0,79
0,74
0,44
0,56
0,23
0,35
0,10
0,08
0,05
0,01
0,06
0,01
0,05
0,01
0,44
0,27
0,89
0,57
0,75
0,81
0,63
0,76
0,65
0,07
0,75
0,00
0,04
0,00
0,07
0,00
0,07
0,00
0,06
0,00
0,08
0,02
0,13
0,00
0,01
0,40
0,63
0,55
0,73
0,44
0,59
0,75
0,94
0,73
0,63
0,57
0,55
0,93
0,83
0,72
0,40
0,94
0,56
0,89
0,55
0,72
0,86
Succosità
0,33
0,76
0,85
0,96
0,36
0,04
0,01
0,00
0,00
0,01
0,02
0,02
0,00
0,01
0,04
0,04
0,02
0,05
0,13
0,01
0,09
0,21
0,15
0,31
0,88
0,78
0,48
0,04
0,05
0,07
0,06
Fibrosità
0,66
0,61
0,38
0,18
0,03
0,02
0,01
0,08
0,67
0,92
0,89
0,92
0,32
0,01
0,01
0,01
0,01
0,02
0,05
0,00
0,48
0,62
0,50
0,83
0,68
0,56
0,98
0,52
0,73
0,71
0,92
Masticabilità
0,77
0,54
0,32
0,15
0,05
0,06
0,06
0,26
0,99
0,83
0,69
0,71
0,59
0,03
0,05
0,04
0,04
0,05
0,11
0,01
0,60
0,72
0,58
0,91
0,66
0,58
0,89
0,40
0,59
0,59
0,92
Tabella 2: valore di p per il coefficiente di correlazione B per ciascuna variabile X nello spazio del visibile,
relativo al modello di regressione PLS costruito sui dieci lotti. La correlazione è significativa se p<0,05.
CONCLUSIONI
L’indagine concernente il colore della carne rilevata con lo spettrofotometro nello spazio del visibile ha dato dei risultati accettabili, nonostante il numero limitato di campioni. Gli attributi risultati maggiormente correlati alle
diverse lunghezze d’onda da 400 a 700nm, sono l’odore e il flavour metallico/ferroso, l’acido e la succosità. Gli altri attributi relativi alla texture non sono così ben correlati allo spazio del visibile, infatti in bibliografia è
ricorrente la relazione tra tenerezza e spazio del vicino infrarosso.
Saranno quindi necessarie ulteriori indagini per comprendere se le correlazioni identificate tra le lunghezze d’onda dello spazio del visibile e succosità e flavour metallico ferroso saranno valide ampliando la popolazione in
osservazione, con un numero maggiore di lotti di vitelli, o testando altre classi commerciali di prodotti di origine animale.
IV CONVEGNO NAZIONALE SISS
Trieste, 22 - 23 Novembre 2012
RINGRAZIAMENTI:
P47
BIBLIOGRAFIA
AMSA (1991) Guidelines for meat color evaluation.
Cen, H., Bao, Y., He, Sun, D. (2007). Visible and near infrared spectroscopy for rapid detection of citric and tartaric acids in orange juice. Journal of Food Engineering, 82, 253-260.
Cozzolino D., Vadell A., Ballesteros E., Galietta G., Barlocco N. (2006) Combining visible and near-infrared spectroscopy with chemometrics to trace muscles from an autochthonous breed of pig produced in
Uruguay: a feasibility study. Anal Bioanal Chem 385, 931-936.
Liu Y., Lyon B.G., Windham W.R., Realini G.E., Dean T., Pringle D., & Duckett S. (2003). Prediction of color, texture, and sensory characteristics of beef steaks by visible and near infrared reflectance
spectroscopy. A feasibility study. Meat Science 65, 1107-1115.
Naes, T., Isaksson, T., & Davies, A.M. (2002). A user-friendly guide to multivariate calibration and classification. UK: NIr Publications.
Ortiz M.C., Sarabia L., Garcìa-Rey R., Dolores Luque de Castro M. (2006). Sensitivity and specificity of PLS-class modelling for five sensory characteristics of dry-cured ham using visible and near infrared
spectroscopy. Analitica Chimica Acta 558, 125-131. (2006).
Park B., Chen Y.R., Hruschka W.R., Shackelford D.S., Koohmaraie (2001). Principal Component Regression of Near-Infrared Reflectance Spectra for Beef Tenderness Prediction. American Society of Agricoltural
Engineers 44(3), 609-615.
Xing, J., Linden, V. V., Vanzeebroeck, M., & Baerdemaeker, J.D. (2004). Bruise detection on Jonagold apples by visible and near-infrared spectroscopy. Food Control, 16(4), 357-361.