• alimenti
• chemiometria
• frumento
• grasso
• spettroscopia

La spettroscopia nel vicino infrarosso (NIR) è una tecnica analitica rapida, non distruttiva, economica e precisa che ha trovato applicazioni nel campo dell'industria alimentare, grazie alla sua capacità di fornire informazioni qualitative e quantitative anche senza preparazione del campione. Sebbene le attuali applicazioni della spettroscopia NIR nella caratterizzazione di matrici alimentari complesse siano numerose, ulteriori sviluppi, spesso associati all’uso di metodi chemiometrici innovativi, potrebbero essere di grande valore per l'industria alimentare.
La presente ricerca si è focalizzata sulla caratterizzazione di due matrici alimentari, frumento e tessuto adiposo suino, mediante spettroscopia NIR accoppiata a metodi chemiometrici.
Nel caso del frumento e derivati (farine bianche, sfarinati e granelle) è stata studiata la possibilità di utilizzare la spettroscopia NIR per prevedere la qualità delle materie prime da panificazione. La classificazione delle farine in categorie qualitative viene effettuata da valutatori esperti sulla base dell'Indice Sintetico di Qualità (ISQ), che viene assegnato ai campioni di frumento in base alle loro proprietà reologiche e chimiche. Tuttavia, la procedura non è semplice e spesso l' assegnazione alle classi risulta incerta, facendo sorgere la possibilità di controversie. Inoltre, la determinazione dei parametri ISQ richiede analisi di laboratorio lunghe e costose. Per risolvere questo problema, è stato applicato l’algoritmo di calibrazione Partial Least Square (PLS) agli spettri NIR acquisiti sui campioni in tre diverse forme fisiche, al fine di prevedere quantitativamente i valori delle proprietà ISQ. Utilizzando diversi tipi di approcci PLS (PLS1 e PLS2) si è dimostrata la correlazione tra gli spettri NIR ed i parametri ISQ, ottenendo risultati promettenti nella determinazione del peso ettolitrico e del parametro reologico W. Per quel che riguarda la caratterizzazione del tessuto adiposo suino, la ricerca si è focalizzata sullo sviluppo di metodi rapidi ed economici per classificare due strati sottocutanei aventi differente composizione in acidi grassi e destinati alla produzione di alimenti diversi. A tal scopo, i campioni di grasso sono stati analizzati mediante colorimetria, spettroscopia NIR, e analisi distruttive tradizionali quali la determinazione del numero di iodio (IV) e misurazioni gas cromatografiche (GC) mirate alla determinazione della percentuale di acidi grassi specifici come pure i loro importi globali in termini di acidi grassi saturi (SFA) e acidi grassi polinsaturi (PUFA). La classificazione dei due strati è stata ottenuta mediante l'uso dell’Analisi Discriminante PLS (PLS-DA) applicata ai dati colorimetrici e agli spettri NIR. L’analisi degli spettri ha anche previsto l’utilizzo di vari pretrattamenti e di algoritmi di selezione di variabili. I risultati in classificazione hanno confermato la possibilità di distinguere i due strati di tessuto adiposo: mentre sui dati colorimetrici si è ottenuta un’efficienza in classificazione del 78% , sui dati NIR si è raggiunta un’efficienza pari al 96%. Per quanto riguarda le analisi quantitative, i modelli di calibrazione ottenuti hanno mostrato elevate capacità predittive per la stima del grado di insaturazione rappresentato dall’IV, per acido linoleico, SFA e PUFA, con coefficienti di correlazione in predizione attorno a 0.8; gli algoritmi di selezione di variabili hanno prodotto lievi miglioramenti nei risultati.

Near InfraRed (NIR) spectroscopy represents a rapid, non-destructive, cheap, and accurate technique that has found increasing applications in the field of food industry thanks to its ability of providing both qualitative and quantitative information with minimal or no sample preparation. Despite the current applications of NIR spectroscopy in the characterization of different food matrices, further developments concerning new applications as well as the use of chemometric methods for the extraction of useful information could be highly valuable for the food industry. In this context, the proposed research has been focused on the characterization by means of NIR spectroscopy coupled with chemometrics of two main food matrices: wheat and swine adipose tissue. As for wheat, the possibility to use NIR spectroscopy for the prediction of quality of raw matters has been investigated. Nowadays, the classification of bread wheat in different quality categories is accomplished by expert assessors on the basis of the Italian Synthetic Index of Quality (ISQ) which is assigned to each wheat sample considering selected chemical and rheological properties. In many cases the procedure is not straightforward, making the class assignation uncertain, thus leading to the possibility of controversies. Furthermore, the determination of the ISQ parameters is time consuming and requires expensive laboratory analyses. In order to solve this issue, Partial Least Square (PLS) calibration algorithm was applied to NIR spectra acquired on samples in three different physical forms to quantitatively predict the ISQ proprieties. Using different kind of PLS approaches (PLS1 and PLS2) the correlation between NIR spectra and ISQ parameters has been demonstrated. Promising results have been obtained for the determination of hectoliter weight values and the rheological parameter W. Concerning the characterization by NIR of swine adipose tissue, the research was focused on the development of a fast and non-destructive method to classify two subcutaneous layers having different fatty acid compositions and destined to the manufacturing of different products. To this purpose, fat samples were analyzed by means of colorimetry, NIR spectroscopy and traditional destructive analysis such as Iodine Value determination (IV) and gas chromatographic measurements aimed to determine the amount of specific fatty acids as well as their overall amounts in terms of Saturated Fatty Acids (SFA) and Poly Unsaturated Fatty Acids (PUFA). A classification of the two layers was obtained by applying PLS-Discriminant Analysis (PLS-DA) to colorimetric and NIR data, also evaluating different spectral preprocessing methods and different variable selection algorithms. The classification results confirmed the possibility to recognize the two fat layers with efficiency equal to 78% for colorimetric data and 96% for NIR data. As for quantitative analyses, the calibration models showed high prediction performances for the evaluation of the degree of unsaturation represented by IV, linoleic acid, SFA and PUFA with correlation coefficients in prediction around 0.8; slight improvements have been obtained using a variable selection algorithm.