P47, Relazione tra caratteristiche sensoriali e spettro colorimetrico
Transcript
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.