El Sensor Químico (ChemSensor) como herramienta
complementaria en el análisis sensorial de vinos
Miriam Pérez-Mateos*, Lucía Giménez y Juan Atanasio Carrasco
Instituto de Ciencia y Tecnología de Alimentos y Nutrición (ICTAN- CSIC) José Antonio Novais, 10 - 28040 Madrid
(*) Email: [email protected]
RESUMEN
El Sensor Químico (ChemSensor) o pseudo-nariz electrónica determina la agrupación de alimentos por similitudes y según la distancias entre grupos, a partir del análisis de espectrometría de masas de los compuestos volátiles y/o los ácidos grasos. Se trata de una herramienta excelente como complemento al análisis sensorial. Es muy útil en la clasificación y predicción de productos alimenticios según su origen, procesado y conservación; en la optimización de procesos y en aplicaciones de control de calidad, trazabilidad, detección de fraudes, etc. En el caso de los vinos, nuestros ensayos preliminares muestran que se logra diferenciar vinos blancos según variedad y zona geográfica.
ABSTRACT
The ChemSensor System employs mass spectrometry to classify foods based on similarity and distance between groups of volatile compounds and/or fatty acids. It is an excellent tool complementing sensory analysis and it is very useful for product classification and prediction by origin, processing, and storage and quality control applications as well as in food traceability and adulteration detection applications. It offers significant advantages over conventional sensor-array electronic noses, such as the much higher information content afforded by fingerprint mass spectra. In the case of wines, our preliminary assays have shown that white wines can be discriminated by variety and geographical origin.
RÉSUMÉ
Le ChemSensor ou nez électronique détermine le groupement des aliments par similitudes et distance entre les groupes en utilisant des composés volatils et (ou) des acides gras par spectrométrie de masse. Il s'agit d'un excellent outil en complément de l'analyse sensorielle. Il est très utile pour la classification des produits alimentaires selon leur origine, traitement et conservation ainsi que pour la prédiction de ceux-ci. Il est applicable en contrôle de qualité, traçabilité, détection de fraudes, etc. Dans le cas des vins, notre essais préliminaires montrent qu'il réussit à différencier les vins blancs selon la variété et la zone géographique d'origine.
PALABRAS CLAVE
ChemSensor, MS-nariz electrónica, cromatografía de gases-masas, espacio de cabeza, volátiles, análisis multivariante, clasificación y discriminación, vinos.
INTRODUCCION
El vino presenta una matriz compleja, ya que tiene varias centenas de compuestos volátiles de diferente naturaleza (alcoholes, ésteres, ácidos, aldehídos, cetonas, etc.) y en distinta concentración (desde mg/L a unos pocos ng/L). Además, la calidad del vino varía según su origen geográfico, variedad de uva, añada, procesado, etc. (Garde-Cerdán et ál., 2010). En las últimas décadas, se han realizado muchos intentos de clasificación de los diferentes tipos de vino (López-Feria et ál., 2008; Saurina, 2010), partiendo principalmente de la identificación y cuantificación de los compuestos volátiles, así como de su contribución a los aromas del vino (Plutowska y Wardencki, 2008).
Con el objeto de describir y predecir las propiedades sensoriales de los vinos, se ha intentado correlacionar los descriptores sensoriales con técnicas analíticas como: la espectrofotometría, la cromatografía líquida de alta eficacia (HPLC), la lengua electrónica, la nariz electrónica (Buratti et ál., 2007; Campo et ál., 2006; Casale et ál., 2010; Cozzolino et ál., 2008a; Lozano et ál., 2007; Parpinello et ál., 2009; Saavedra et ál., 2011; Saurina, 2010). En la mayoría de estos casos, se ha realizado en base a determinadas variables (color, absorbancia, concentración de ciertos compuestos como minerales, volátiles, fenoles, azúcares, ácidos, pigmentos, etc.) que necesitan ser determinadas previamente y seleccionadas según su poder de discriminación para cada tipo de vino (Louw et ál., 2009).
La tecnología de la nariz electrónica comenzó con el uso de semiconductores, que suele utilizar sensores metálicos que miden la variación de la impedancia ante la presencia de ciertos compuestos volátiles. Recientemente, ha surgido la nariz electrónica basada en la cromatografía de gases-masas (CG-MS), por lo cual, se denomina MS-nariz electrónica o también Sensor Químico (ChemSensor). No se utilizan los porcentajes de los compuestos volátiles, sino que se realiza en base al espectro de masas específico de cada molécula (“huella digital”), obtenido a partir de la fragmentación carga-masa iónica de todos los compuestos volátiles en conjunto, sin necesidad de una completa separación cromatográfica y con una mínima preparación de la muestra (Armanino et ál., 2008; Busto et ál., 2002; Casale et ál., 2010; Cozzolino et ál., 2008b; Cynkar et ál., 2010; Dirinck et ál., 2006; Martí et ál., 2004; Rocha et ál., 2006; Vera et ál., 2010). El detector de masas fragmenta las moléculas mediante un impacto electrónico que produce una serie de fracciones másicas con unos valores m/z (masa/carga) y con una abundancia determinada para cada una de las fracciones. La suma de las abundancias de cada masa iónica, de cada uno de los espectros, nos da una matriz de datos que puede superar los 500, comportándose cada masa iónica como una auténtica variable específica de cada muestra. A través del análisis multivariante de los datos, se realiza un análisis muy completo y reproductible de la matriz de abundancias másicas de cada muestra. Es un método rápido y de alto poder de discriminación, ya que es capaz de detectar diferencias entre grupos de muestras y obtener un modelo matemático de predicción aplicable a muestras incógnitas.
Entre las ventajas más importantes del ChemSensor frente la nariz electrónica convencional, se encuentran: el elevado número de variables obtenido, la alta reproductibilidad, el hecho de que no se modifica con la humedad ambiente, y que el tiempo de análisis para cada muestra puede ser muy reducido. Por si las ventajas anteriores no fuesen suficientes, se puede llegar a identificar que compuestos volátiles son los que más poder de discriminación aportan en cada análisis. Esta última cualidad
es de sumo interés en investigación, pues puede ayudar a optimizar los procesos tecnológicos en la obtención o mejora de un tipo de vino determinado.
El objetivo de este trabajo inicial es mostrar la capacidad del ChemSensor como herramienta discriminatoria de vinos blancos jóvenes según variedad y según zona geográfica.
MATERIALES Y MÉTODOS
Se trata de ensayo preliminar, ya que tan solo se ha utilizado una botella por tipo de vino, haciendo 10 repeticiones de cada muestra En futuros trabajos, habría que realizar un diseño experimental con mayor número de muestras por tipo de vino (diferentes fabricantes) que representen la variabilidad de vinos en el mercado y, en una fase posterior, mirar la influencia de la cosecha u otra variable de interés. Para la experiencia de discriminación según variedad, las muestras de vino utilizadas fueron: Malvasía: joven 2008 Morales de Toro; Gewürztraminer: joven 2009 Rueda; Verdejo: joven 2009 Pozal de Rueda. Y para la experiencia de discriminación según origen, se utilizaron tres vinos jóvenes de Verdejo de la cosecha del 2009 de diferente procedencia: Villamor de los Escuderos (Zamora), Rueda (Valladolid) y Gordoncillo (León). Se tomaron 5 mL de vino en viales de 22 mL a los que se añadió NaCl en concentración de saturación (2 g). Se agitaron por 1 min para facilitar la disolución de la sal. Se calentaron a 65 °C / 1 h para conseguir el equilibrio de los volátiles en el espacio de cabeza del vial.
Los análisis se realizaron en un cromatógrafo de gases-masas acoplado al espacio de cabeza dinámico (D-HS/GC/MS). Las muestras fueron inyectadas automáticamente y retenidas en la trampa del espacio de cabeza dinámico, utilizando tres ciclos de purga/trampa (TurboMatrix HS-40 con Air Monitoring Trap, PerkinElmer, Waltham, MA, E.E.U.U.). A continuación, las muestras fueron desorbidas térmicamente (280°C) de la trampa y fueron inyectadas (200°C) en el cromatógrafo de gases (CG 6890, Agilent Technologies, Palo Alto, CA, E.E.U.U.) con columna capilar (HP-5MS: 30 m longitud, 0.32 mm i.d., 0.25 µm espesor película) en las siguientes condiciones de trabajo: 70 ºC /1 min, 70 ºC a 180 ºC a 5 ºC/min y 180 ºC/ 5 min. El espectrómetro de masas (Agilent, MSD 5973) consta de un detector de cuadrupolo operando en modo de impacto electrónico con una energía de ionización de 70eV, y línea de transferencia de 110ºC. El escaneo de masas se realiza en el rango de fragmentos iónicos m/z = 50 – 200 m/z, para eliminar la interferencia del etanol que es predominante en los vinos.
Los análisis multivariante se realizaron sobre los datos normalizados, utilizando el software quimiométrico (Pirouette 3.11, Infometrix Inc., Bothell, WA). Como análisis exploratorio, para el reconocimiento de patrones no supervisado sin definir previamente las clases, se aplicó el Análisis Jerárquico de Grupos (Hierarchical Cluster Analysis, HCA) y el Análisis por Componentes Principales (Principal Components Analysis, PCA).
La clasificación predictiva de las muestras, en base a las clases definidas por los datos de las etiquetas (variedad y origen), se realizó mediante el método de Modelado Suave Independiente de las Analogías de Clases (Soft Independent Modelling Class Analogy, SIMCA). El método SIMCA se basa en el principio de analogía entre las muestras que pertenecen a una misma clase. Para el cálculo de las distancias, se emplea la contribución de las variables a cada de los factores determinados mediante PCA. El
sistema calcula un modelo PCA para cada clase o categoría presente en el sistema objeto de estudio; y, posteriormente, integra cada una de las clases y calcula sus límites o fronteras con una probabilidad dada (95 %).
Para la evaluación de los modelos, se utilizaron los diagramas de Coomans, que muestran gráficamente las distancias ortogonales de las muestras del conjunto respecto a las dos clases o grupos definidos por el modelo. De forma visual, dichos diagramas indican si existe una buena clasificación y permite clasificar las muestras observando su posición respecto a los grupos. Las líneas continuas, que dividen la gráfica en cuatro partes, indican los límites de las clases para un nivel de significación del 5 %. De tal manera, que una muestra situada en el cuadrante superior izquierdo es miembro únicamente de la clase del eje de abscisas (X); si su distancia al grupo es lo suficientemente pequeña para considerarse miembro del mismo. Por el contrario, cuando la muestra esté en el cuadrante inferior derecho es miembro de la clase del eje de coordenadas (Y). En el caso de que la muestra esté en el cuadrante inferior izquierdo podría pertenecer a cualquiera de las clases. Y si se encuentra en el cuadrante superior derecho, a ninguna de las clases.
RESULTADOS Y DISCUSION
1. Discriminación según variedad de uva
El análisis multivariante se inició con un análisis exploratorio de los datos por medio de un análisis jerárquico (HCA). En la figura 1, se muestra el dendograma, en el cual se aprecia una buena separación (nivel de similitud de 0,72) entre las tres variedades de vinos (eliminando previamente dos datos fuera de margen u outliers del grupo de Gewürztraminer). VVERDERJO2_0403 VVERDEJO7_0403 VVERDEJO5_0403 VVERDEJO6_0403 VVERDEJO3_0403 VVERDEJO4_0403 VVERDEJO10_0403 VVERDEJO9_0403 VVERDEJO8_0403 VVERDEJO1_0403 VMALVASIA10_0403 VMALVASIA1_0403 VMALVASIA9_0403 VMALVASIA8_0403 VMALVASIA4_0403 VMALVASIA5_0403 VMALVASIA7_0403 VMALVASIA6_0403 VMALVASIA3_0403 VMALVASIA2_0403 VTRAMINER10_0403 VTRAMINER9_0403 VTRAMINER7_0403 VTRAMINER4_0403 VTRAMINER6_0403 VTRAMINER3_0403 VTRAMINER8_0403 VTRAMINER5_0403 0.0 0.2 0.4 0.6 0.8 1.0 Centroid CURSOR Similarity: 0.653 NODE Similarity: 0.000 Distance: 18.363 Descendants: 28 Centroid CURSOR Similarity: 0.653 NODE
El gráfico que se muestra en la figura 2 es el resultado de aplicar un análisis de componentes principales (PCA). Se puede apreciar la separación de las distintas variedades sobre el primer componente principal (factor 1); destacando la mayor separación de Gewürztraminer respecto a Verdejo y Malvasía. Sin embargo, sobre el factor 2, la variedad que más se separa es la Malvasía.
Figura 2. Análisis por Componentes Principales según variedad.
En el modelo SIMCA, construido a partir de las categorías dadas por la etiqueta de los vinos, se destaca que se logra una correcta clasificación de las muestras (Tabla 1). En dicha tabla de clasificación, se muestra el número de factores que el modelo asigna a cada clase (tres componentes principales para cada variedad), el número de muestras clasificadas en cada grupo junto con el porcentaje de muestras predichas entre paréntesis, y las distancias entre los grupos. En todos los casos, la distancia entre las clases es muy alta, lo que evidencia una separación notable entre los grupos.
Tabla 1. Clasificación de muestras según variedad
Malvasía Gewürztraminer Verdejo
F C d C d C d
Malvasía 3 10 (100%) 0 0 11,94 0 20,24
Gewürztraminer 3 0 11,94 8 (100%) 0 0 16,16
Verdejo 3 0 20,24 0 16,16 10 (100%) 0
En la figura 3, se muestra los diagramas de Coomans según variedad, en los cuales, se presentan las distancias ortogonales de todas las muestras del conjunto con respecto a las dos clases. Se destaca que se logra una correcta discriminación entre los grupos.
Figura 3. Método de Modelado Suave Independiente de las Analogías de Clases (SIMCA) según variedad. Donde “CS” indica la clase asignada y “@” se refiere al número de factores que el modelo asigna a cada clase. Las líneas continuas en rojo indican los límites de las clases para un nivel de significación del 5 %.
2. Discriminación según origen geográfico
En el dendograma del modelo HCA (Figura 4), se observa que no se obtiene una buena separación de los vinos según origen geográfico (bajos valores de similitud). Se aprecia como las muestras de León son las que mejor se diferencian de las muestras de Zamora y Valladolid. Asimismo, al realizar el análisis de componentes principales (Figura 5), se puede apreciar la separación de los vinos de León sobre el primer componente principal (factor 1), apareciendo entremezclados los vinos de Zamora con los de Valladolid.
ZAMORA10_0804 ZAMORA7_0804 ZAMORA1_0804 ZAMORA4_0804 ZAMORA9_0804 ZAMORA2_0804 VALLADO10_0804 VALLADO5_0804 VALLADO7_0804 VALLADO4_0804 VALLADO3_0804 VALLADO2_0804 ZAMORA8_0804 ZAMORA5_0804 ZAMORA3_0804 VALLADO1_0804 ZAMORA6_0804 VALLADO8_0804 VALLADO6_0804 VALLADO9_0804 LEON10_0804 LEON7_0804 LEON6_0804 LEON9_0804 LEON8_0804 LEON2_0804 LEON1_0804 LEON5_0804 LEON4_0804 LEON3_0804 0.0 0.2 0.4 0.6 0.8 1.0 Centroid CURSOR Similarity: 0.200 NODE Similarity: 0.000 Distance: 9.297 Descendants: 30 Centroid CURSOR Similarity: 0.200 NODE
Figura 4. Análisis Jerárquico de Grupos según origen geográfico.
Figura 5. Análisis por Componentes Principales según origen geográfico.
Los análisis exploratorios (HCA y PCA) muestran un solapamiento entre las muestras de Zamora y Valladolid. Esto parece indicar que la separación será más difícil
que en el caso anterior por variedad (apartado 1). Al realizar la clasificación predictiva (Tabla 2), se observa una correcta clasificación de todas las muestras con un número bajo de componentes principales (4 para León y Valladolid, 5 para Zamora). La distancia entre las clases es alta, aunque menor que en la discriminación por variedad de uva, lo que evidencia que son muestras más similares, especialmente la de Valladolid con Zamora.
Tabla 2. Clasificación de vinos Verdejosegún origen
León Valladolid Zamora
F C d C d C d
León 4 10 (100%) 0 0 11,87 0 11,73
Valladolid 4 0 11,87 10 (100%) 0 0 4,76
Zamora 5 0 11,73 0 4,76 10 (100%) 0
F: factores de clasificación, C: clasificación correcta (% aciertos); d: distancia entre grupos
En la figura 6, se muestra los diagramas de Coomans según origen geográfico, en los que se destaca que se logra una correcta diferenciación entre los grupos, encontrándose a menor distancia los vinos de Valladolid y Zamora. Es decir, el vino de León se diferencia más del vino de Zamora y Valladolid.
Figura 6. Método de Modelado Suave Independiente de las Analogías de Clases (SIMCA) según origen. Donde “CS” indica la clase asignada y “@” se refiere al número de factores que el modelo asigna a cada clase. Las líneas continuas en rojo indican los límites de las clases para un nivel de significación del 5 %.
CONCLUSIONES
En el análisis según variedad, se logra detectar diferencias muy importantes entre los grupos: Malvasía, Gewürztraminer y Verdejo. En el análisis según origen, las diferencias son menores pero también significativas; destacando la separación del Verdejo de León.
En conclusión, el Sensor Químico (ChemSensor) logra diferenciar las características de los vinos, por lo cual, podría considerarse una excelente herramienta complementaria al análisis sensorial.
Además, el análisis con el Sensor Químico permite conocer cómo de diferente son dos vinos entre sí y cómo se alejan o acercan tras la modificación del proceso de vinificación. Esta característica puede ser muy útil para la optimización de procesos y obtención de un producto de “calidad diferenciada”.
Otras aplicaciones en vinos pueden ser: la detección de adulteraciones, detección de contaminantes, alteraciones en el producto, etc.
Agradecimientos:
A CCL Certificación S.L. (Valladolid) por facilitarnos las muestras. agradecimientos. A Scott Ramos (Infometrix, Inc.) por su ayuda en el análisis quimiométrico.
REFERENCIASBIBLIOGRAFICAS
AA. VV. (2008). ''Modelling aroma of three Italian red wines by headspace-mass spectrometry and potential functions'', Analytica Chimica Acta 614 (2): 134-142.
AA. VV. (2007). ''Prediction of Italian red wine sensorial descriptors from electronic nose, electronic tongue and spectrophotometric measurements by means of Genetic Algorithm regression models'', Food Chemistry 100 (1): 211-218.
AA. VV. (2002). ''La nariz electrónica en el control de calidad de vinos. Nuevas aplicaciones.'', Alcion Mayo-Junio: 31-36.
AA. VV. (2006). Prediction of wine sensory descriptors from GC-olfactometry data: possibilities and limitations. In Developments in Food Science, vol. 43 (pp. 483-488). CARRASCO, J. A. (2009). Sistema de tipificación de la carne de animales y otros productos derivados en función de la especie, raza y/o alimentación. In CSIC (Ed.), OFICINA ESPAÑOLA DE PATENTES Y MARCAS, vol. P200602701). España: Patente de Invención ES 2308905.
AA. VV. (2010). ''NIR and UV-vis spectroscopy, artificial nose and tongue: Comparison of four fingerprinting techniques for the characterisation of Italian red wines'', Analytica Chimica Acta 668 (2): 143-148.
AA. VV. (2008a). ''Relationship between wine scores and visible-near-infrared spectra of Australian red wines'', Analytical and Bioanalytical Chemistry 391 (3): 975-981. AA. VV. (2010). ''Two-dimensional correlation analysis of the effect of temperature on the fingerprint of wines analysed by mass spectrometry electronic nose'', Sensors and Actuators B-Chemical 145 (2): 628-634.
AA. VV. (2008b). ''Use of direct headspace-mass spectrometry coupled with chemometrics to predict aroma properties in Australian Riesling wine'', Analytica Chimica Acta 621 (1): 2-7.
AA. VV. (2010). ''Classification of Tempranillo wines according to geographic origin: Combination of mass spectrometry based electronic nose and chemometrics'', Analytica Chimica Acta 660 (1-2): 227-231.
AA. VV. (2006). ChemSensor classification of red wines. In Developments in Food Science, vol. 43 (pp. 521-524).
AA. VV. (2010). ''Effects of composition, storage time, geographic origin and oak type on the accumulation of some volatile oak compounds and ethylphenols in wines'', Food Chemistry 122 (4): 1076-1082.
AA. VV. (2008). ''Simplifying chromatographic analysis of the volatile fraction of foods'', TrAC - Trends in Analytical Chemistry 27 (9): 794-803.
AA. VV. (2009). ''Characterization of selected South African young cultivar wines using FTMIR Spectroscopy, Gas chromatography, and multivariate data analysis'', Journal of Agricultural and Food Chemistry 57 (7): 2623-2632.
AA. VV. (2007). ''Correlating e-nose responses to wine sensorial descriptors and gas chromatography-mass spectrometry profiles using partial least squares regression analysis'', Sensors and Actuators, B: Chemical 127 (1): 267-276.
AA. VV. (2004). ''Application of a headspace mass spectrometry system to the differentiation and classification of wines according to their origin, variety and ageing'', Journal of Chromatography A 1057 (1-2): 211-217.
AA. VV. (2009). ''Relationship among sensory descriptors, consumer preference and color parameters of Italian Novello red wines'', Food Research International 42 (10): 1389-1395.
PLUTOWSKA, B. y WARDENCKI, W. (2008). ''Application of gas chromatography-olfactometry (GC-O) in analysis and quality assessment of alcoholic beverages - A review'', Food Chemistry 107 (1): 449-463.
AA. VV. (2006). ''Rapid tool for distinction of wines based on the global volatile signature'', Journal of Chromatography A 1114 (2): 188-197.
AA. VV. (2011). ''Chemometric approaches for the zoning of Pinot Noir wines from the Casablanca valley, Chile'', Food Chemistry 127 (4): 1842-1847.
SAURINA, J. (2010). ''Characterization of wines using compositional profiles and chemometrics'', Trac-Trends in Analytical Chemistry 29 (3): 234-245.
AA. VV. (2010). ''Use of synthetic wine for models transfer in wine analysis by HS-MS e-nose'', Sensors and Actuators, B: Chemical 143 (2): 689-695.
