Post on 01-Jul-2022
Evaluación de espectroscopía FTIR-ATR, colorimetría triestímulo y
análisis de imagen como herramientas para la determinación
de carotenoides en ahuyama
Yazmín Natalia Quijano Ortega
Universidad Nacional de Colombia
Facultad de Ciencias Agrarias, Instituto de Ciencia y Tecnología de Alimentos
Bogotá, Colombia
2020
Evaluación de espectroscopía
FTIR-ATR, colorimetría triestímulo y
análisis de imagen como
herramientas para la determinación
de carotenoides en ahuyama
Yazmín Natalia Quijano Ortega
Tesis presentada como requisito parcial para optar al título de:
Magister en Ciencia y Tecnología de Alimentos
Director (a):
Profesor Carlos Alberto Fuenmayor Bobadilla, Ph.D.
Codirector (a):
Profesor Carlos Mario Zuluaga Domínguez, Ph.D.
Línea de Investigación:
Calidad de los alimentos
Análisis instrumental de las propiedades sensoriales de alimentos
Grupos de Investigación:
Bioalimentos - Aseguramiento de la Calidad de Alimentos y Desarrollo de nuevos Productos
Universidad Nacional de Colombia
Facultad de Ciencias Agrarias, Instituto de Ciencia y Tecnología de Alimentos
Bogotá, Colombia
2020
Dedicatoria
A mis padres por su apoyo incondicional, sin
ustedes esto no sería posible.
A Jorge por sus consejos, amor y paciencia
en este proyecto de vida.
A mi familia entera por enseñarme que con
amor y perseverancia todo es posible.
Agradecimientos
Al profesor Carlos Fuenmayor, mi director, por su amistad, por darme la oportunidad de
trabajar en este maravilloso proyecto y por compartir sus conocimientos conmigo.
Al profesor Carlos Zuluaga, mi codirector, sus valiosos aportes han sido de suma
importancia para la construcción de este trabajo.
A la profesora Consuelo Diaz Moreno, por pensar en mi para llevar a cabo este proyecto e
invitarme a ser parte de su magnífico semillero de investigación.
A Silvia Grassi, experta internacional, por su valiosa colaboración en distintas etapas de
mi trabajo.
A Maribel García y Sandra Ballesta, por su amistad y valiosa ayuda, que fueron
indispensables para lograr desarrollar con éxito mi trabajo experimental.
A todo el personal del ICTA, su gentileza y amabilidad me acompañaron en el transcurso
de mi trabajo experimental.
A cada una de las personas que de una u otra forma contribuyeron con su conocimiento y
pusieron un grano de arena en la construcción de este trabajo.
En cuanto a las entidades e instituciones, debo agradecer:
A MinCiencias por el apoyo económico, que fue clave para el desarrollo de este proyecto
de investigación.
A la Facultad de Ciencias Agrarias por el apoyo económico para mi proyecto de tesis.
Al Centro de Investigación y Extensión Rural (CIER) de la Universidad Nacional de
Colombia por el apoyo económico para ser ponente en modalidad poster en un congreso
internacional en la ciudad de Sevilla, España.
Resumen 7
Resumen
Las ahuyamas son hortalizas consideradas como productos de alto potencial agroindustrial
en Colombia. No obstante, su caracterización es incipiente y la información relacionada
con compuestos bioactivos (como los carotenoides) es escasa. Esto se debe en parte a
factores como el alto costo y la complejidad de las técnicas de análisis empleadas para
cuantificar dichos compuestos. En este contexto, han surgido herramientas como la
espectroscopía infrarroja con transformada de Fourier con reflectancia total atenuada
(FTIR-ATR), la colorimetría instrumental y el análisis de imagen, que, en conjunto con
análisis estadístico multivariado, permiten determinar el contenido de analitos de interés.
Esta tesis presenta modelos de predicción de compuestos carotenoides totales y
específicos realizados a partir de la combinación de espectroscopía FTIR-ATR,
colorimetría y análisis de imagen con análisis estadístico multivariado. Para lograrlo, se
trabajó en dos etapas: en una primera etapa 63 ahuyamas de ocho cultivares distintos,
fueron procesadas de tal forma que se obtuvieron tres tipos de muestra, cada una de estas
con diferente grado de aislamiento del analito (compuestos carotenoides): (A)
homogenizadas con licuadora, (B) liofilizadas, y (C) extractos en hexano:acetona. A partir
de diferentes experimentos realizados con (A), (B) y (C) fue posible obtener una serie de
matrices de datos obtenidos con técnicas espectroscópicas: coordenadas L*a*b* por
medio de colorimetría triestímulo en el espacio CIELAB, espectros de absorbancias en el
infrarrojo medio (400 – 4000 cm-1) por medio de FTIR-ATR y valores RGB por medio de
análisis de imagen digital, que mediante algoritmo de mínimos cuadrados parciales (PLS)
se correlacionaron con el contenido de carotenoides totales determinados por
espectrofotometría UV-Vis. En una segunda etapa, 25 ahuyamas de cuatro cultivares
provenientes de Palmira (Valle del Cauca) fueron procesadas de igual forma para obtener
los tres tipos de muestra con diferente grado de aislamiento del analito: (A) (B) y (C), así
como las matrices de datos de coordenadas colorimétricas, espectros de FTIR-ATR y
valores RGB, las cuales mediante PLS se correlacionaron con el contenido de
8 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen como
herramientas para la determinación de carotenoides en ahuyama
carotenoides específicos determinados por cromatografía líquida acoplada a detección
UV-Vis con arreglo de diodos (HPLC-DAD).
En la primera etapa, se encontraron valores de carotenoides totales cuantificados por la
metodología convencional muy variables (155,8 – 2137,3 µg/g μg β-carotenoeq/g – base
seca) asociados con la procedencia geográfica o el cultivar. Al desarrollar los modelos de
correlación multivariada entre el contenido de carotenoides totales y las variables
espectroscópicas por PLS, se encontró que, al emplear las absorbancias del FTIR-ATR en
la región 920-3000 cm-1 como matriz predictora, la bondad de ajuste del modelo fue
bastante alta (R2PRED=0,93) con un error asociado de 193,1 μg β-carotenoeq/g (base seca),
únicamente cuando se trabajó con muestras liofilizadas (B), dado que para las muestras
homogenizadas (A) y los extractos (C) se obtuvieron coeficientes de determinación muy
bajos (0,66 y 0,30, respectivamente) y por ende los modelos en estos casos no fueron
confiables. Al modificar la matriz predictora combinando los datos de FTIR-ATR con datos
de color (coordenadas L*a*b*), el valor de R2PRED de los modelos para la muestra
homogeneizada (A) mejoró ligeramente (0,84) y aquellos de los modelos para la muestra
liofilizada disminuyó ligeramente, manteniendo un valor aceptable (0,88). Al reemplazar los
datos de color por datos de imagen RGB, la bondad de ajuste entre los datos
experimentales y datos predichos por el modelo fue aceptable cuando se trabajó con la
muestra liofilizada, no obstante, tampoco en este caso el coeficiente de determinación
(0,85) fue mejor que el obtenido empleando únicamente datos de FTIR-ATR.
En la segunda etapa, la realización de análisis cromatográficos permitió conocer el perfil
de carotenoides de cuatro cultivares colombianos de ahuyama de importancia
agroindustrial. El análisis reveló que los carotenoides predominantes en estas muestras
fueron luteína y β-caroteno, seguidos de violaxantina y α-caroteno. Los rangos
encontrados para el cultivar Mandarino, Dorado, Bolo Verde y Abanico 75 respectivamente
fueron en mg/100 g (base seca): luteína (6,51-15,05), (2,57-11,1), (5,55-28.29), (12,74-
33,87); β-caroteno (2,41-5,51), (2,03-5,25), (2,44-6,25), (3,28-8,76); violaxantina (0-6,24),
(2,46-11,66), (1,11-5,98), (0-5,36) y α-caroteno (1,21-2,98), (0-4,65), (0,38-16,47), (0-
8,76). Al desarrollar los modelos de correlación por PLS entre los datos espectroscópicos
y los datos de composición, los resultados obtenidos haciendo uso únicamente de las
absorbancias del infrarrojo (región 920-3000 cm-1), indican que fue posible obtener
modelos con buena capacidad de predicción solo para la luteína (R2PRED=0,94), el
Resumen 9
carotenoide que estaba presente en mayor concentración en las muestras estudiadas. Al
incluir en la matriz predictora los datos de colorimetría triestímulo, se mantuvieron los
resultados para la luteína, y se logró una mejora en los coeficientes de predicción para el
β-caroteno (R2PRED=0,91). En este caso, los modelos para el α-caroteno y la violaxantina
(carotenoides minoritarios) mantuvieron una bondad de ajuste muy baja, por lo cual se
infiere que, al mezclar la información espectroscópica y colorimétrica, no se logran
resultados aceptables cuando los compuestos carotenoides no están presentes en todas
las muestras estudiadas o se encuentran en bajas concentraciones, ya que esto afecta la
robustez de la matriz independiente. Finalmente, al modificar la matriz predictora e incluir
datos de infrarrojo con datos de imagen RGB, los modelos no mejoraron, con problemas
de under-fitting y validación cruzada, lo cual sugiere que la inclusión de datos RGB altera
negativamente el comportamiento de los modelos PLS.
En general, de las tres técnicas estudiadas, la que mejor presentó capacidad predictiva al
ser acoplada con estadística multivariada es la espectroscopía FTIR-ATR para el caso de
determinación de carotenoides totales (R2PRED=0,93), y la espectroscopía FTIR-ATR
combinada con colorimetría triestímulo para el caso de carotenoides específicos, con
buena capacidad predictiva de los dos carotenoides predominantes: luteína (R2PRED=0,94)
y β-caroteno (R2PRED=0,91). Es de resaltar que, en comparación con las técnicas de análisis
convencional, el uso de métodos basados en la combinación de técnicas espectroscópicas
y análisis estadístico multivariado, disminuirían notablemente los tiempos de análisis y
adicionalmente eliminarían la necesidad del empleo de solventes orgánicos. Se puede
concluir que estas técnicas son promisorias y deben seguir siendo exploradas como
herramientas para la evaluación de la calidad y la descripción de la presencia de
compuestos bioactivos en esta y otras hortalizas.
Palabras clave: Carotenoides, ahuyama, análisis multivariado, mínimos cuadrados
parciales, espectroscopía infrarroja, colorimetría triestímulo, HPLC.
Abstract 10
Abstract
Pumpkins are vegetables considered as products of high agroindustrial potential in
Colombia. However, its characterization is incipient and the information related to bioactive
compounds (such as carotenoids) is scarce. This is due in part to factors such as the high
cost and complexity of the analysis techniques used to quantify these compounds. In this
context, tools have emerged such as Fourier transform infrared spectroscopy with
attenuated total reflectance (FTIR-ATR), instrumental colorimetry and image analysis,
which, together with multivariate statistical analysis, allow determining the analyte content
of interest.
This thesis presents prediction models of total and specific carotenoid compounds made
from the combination of FTIR-ATR spectroscopy, colorimetry and image analysis with
multivariate statistical analysis. To achieve this, two stages were carried out: in a first stage,
63 pumpkins from eight different cultivars were processed in such a way that three types of
sample were obtained, each one with a different degree of isolation of the analyte
(carotenoid compounds): (A) homogenized with a blender, (B) freeze-dried, and (C)
extracts in hexane: acetone. From different experiments carried out with (A), (B) and (C) it
was possible to obtain a series of data matrices obtained with spectroscopic techniques:
L*a*b* coordinates by means of tristimulus colorimetry in CIELAB space, spectra of infrared
absorbances in the middle infrared (400 - 4000 cm-1) by means of FTIR-ATR and RGB
values by means of digital image analysis, which by means of partial least squares (PLS)
algorithm were correlated with the determined total carotenoid content by UV-Vis
spectrophotometry. In a second stage, 25 pumpkins from four cultivars from Palmira (Valle
del Cauca) were processed in the same way to obtain the three types of sample with
different degrees of analyte isolation: (A) (B) and (C), as well as colorimetric coordinate
data matrices, FTIR-ATR spectra and RGB values, which were correlated by PLS with the
Abstract 11
specific carotenoid content determined by liquid chromatography coupled to UV-Vis
detection with diode array (HPLC-DAD).
In the first stage, very variable total carotenoid values were found by the conventional
methodology (155.8 - 2137.3 µg/g µg β-carotenoeq/g - dry basis) associated with geographic
origin or cultivar. When developing the multivariate correlation models between the total
carotenoid content and the PLS spectroscopic variables, it was found that, when using the
absorbances of the FTIR-ATR in the region 920-3000 cm-1, the goodness of fit of the model
was quite high (R2PRED = 0.93) with an associated error of 193.1 μg β-carotenoeq/g (dry
basis), only when working with freeze-dried samples (B), since for the homogenized
samples (A) and the extracts (C) it was obtained very low determination coefficients (0.66
and 0.30, respectively) and therefore the models in these cases were not reliable. By
modifying the predictor matrix by combining the FTIR-ATR data with color data (L*a*b*
coordinates), the R2PRED value of the models for the homogenized sample (A) improved
slightly (0.84) and those of the models for the freeze-dried sample decreased slightly,
maintaining an acceptable value (0.88). When replacing the color data with RGB image
data, the goodness of fit between the experimental data and the data predicted by the
model was acceptable when working with the freeze-dried sample, however, in this case,
the coefficient of determination (0,85) was not better than that obtained using only FTIR-
ATR data.
In the second stage, the performance of chromatographic analyzes allowed knowing the
carotenoid profile of four Colombian pumpkin cultivars of agroindustrial importance.
Analysis revealed that the predominant carotenoids in these samples were lutein and β-
carotene, followed by violaxanthin and α-carotene. The ranges found for the cultivar
Mandarino, Dorado, Bolo Verde and Abanico 75 respectively were in mg/100 g (dry basis):
lutein (6.51-15.05), (2.57-11.1), (5 , 55-28.29), (12.74-33.87); β-carotene (2.41-5.51), (2.03-
5.25), (2.44-6.25), (3.28-8.76); violaxanthin (0-6.24), (2.46-11.66), (1.11-5.98), (0-5.36) and
α-carotene (1.21-2.98), (0-4.65), (0.38-16.47), (0-8.76). When developing the PLS
correlation models between the spectroscopic data and the compositional data, the results
obtained using only the infrared absorbances (region 920-3000 cm-1), indicate that it was
possible to obtain models with good predictability only for lutein (R2PRED = 0.94), the
carotenoid that was present in the highest concentration in the samples studied. By
including the tristimulus colorimetry data in the predictor matrix, the results for lutein were
12 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen como
herramientas para la determinación de carotenoides en ahuyama
maintained, and an improvement in the prediction coefficients for β-carotene (R2PRED = 0.91)
was achieved. In this case, the models for α-carotene and violaxanthin (minority
carotenoids) maintained a very low goodness of fit, so it is inferred that, when mixing the
spectroscopic and colorimetric information, acceptable results are not achieved when the
carotenoid compounds they are not present in all the samples studied or are in low
concentrations, since this affects the robustness of the independent matrix. Finally, by
modifying the predictor matrix by replacing the tristimulus colorimetry information with RGB
data from the image analysis, an acceptable predictive capacity was maintained in the case
of lutein (R2PRED = 0.81), but this was lower for the other carotenoids, except for violaxanthin,
which improved markedly (R2PRED = 0.88).
In general, of the three techniques studied, the one that best presented predictive capacity
when coupled with multivariate statistics is the FTIR-ATR spectroscopy for the case of total
carotenoid determination (R2PRED = 0.93), and the combined FTIR-ATR spectroscopy. with
tristimulus colorimetry for specific carotenoids, with good predictive capacity of the two
predominant carotenoids: lutein (R2PRED = 0.94) and β-carotene (R2
PRED = 0.91). It is
noteworthy that, compared to conventional analysis techniques, the use of methods based
on the combination of spectroscopic techniques and multivariate statistical analysis, would
significantly reduce analysis times and additionally eliminate the need for the use of organic
solvents. It can be concluded that these techniques are promising and should continue to
be explored as tools for evaluating the quality and describing the presence of bioactive
compounds in this and other vegetables.
Keywords: Carotenoids, pumpkin, squash, multivariate analysis, partial least
squares, infrared spectroscopy, tristimulus colorimetry, image analysis, HPLC.
Contenido 13
Contenido
Resumen .......................................................................................................................... 7
Lista de figuras .............................................................................................................. 17
Lista de tablas ............................................................................................................... 20
Introducción .................................................................................................................. 24
Objetivo general .............................................................................................................. 29
Objetivos específicos ...................................................................................................... 29
1. Marco teórico .......................................................................................................... 30
1.1 Compuestos carotenoides ................................................................................... 30
1.1.1 Isómeros ópticos y geométricos ....................................................................... 35
1.1.2 Asociación con otras moléculas ....................................................................... 36
1.1.3 Propiedades fisicoquímicas .............................................................................. 36
1.2 Distribución y biosíntesis en plantas .................................................................... 37
1.3 Fuentes alimentarias de carotenoides ................................................................. 39
1.3.1 La ahuyama ...................................................................................................... 39
1.3.2 Importancia agroindustrial de la ahuyama en Colombia ................................. 40
1.4 Determinación de carotenoides en alimentos por medio de técnicas
convencionales ................................................................................................................ 40
1.5 Técnicas espectroscópicas con potencial para la evaluación de carotenoides:
generalidades .................................................................................................................. 45
1.5.1 Espectroscopía infrarroja ................................................................................. 45
1.5.2 Colorimetría triestímulo .................................................................................... 47
1.5.3 Análisis de imagen ........................................................................................... 49
1.6 Antecedentes del uso de técnicas espectroscópicas en la determinación de
carotenoides para diferentes matrices alimentarias ....................................................... 49
14 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen como
herramientas para la determinación de carotenoides en ahuyama
1.6.1 Antecedentes con espectroscopía FTIR-ATR ................................................. 49
1.6.2 Antecedentes con otras técnicas espectroscópicas ........................................ 53
1.7 Quimiometría para la predicción del contenido de carotenoides ........................ 54
1.7.1 Aplicación de métodos quimiométricos en el análisis de alimentos ................ 55
1.8 Bibliografía............................................................................................................ 62
2. Espectroscopía FTIR-ATR, colorimetría y análisis de imagen combinadas con
modelamiento de regresión multivariante como enfoque para la determinación de
carotenoides totales en muestras de ahuyama (Cucurbita spp.) .............................. 74
2.1 Introducción .......................................................................................................... 74
2.2 Materiales y métodos ........................................................................................... 75
2.2.1 Material vegetal ................................................................................................ 75
2.2.2 Adquisición de las imágenes ............................................................................ 77
2.2.3 Procesamiento de las muestras ....................................................................... 78
2.2.4 Determinación de propiedades fisicoquímicas ................................................ 78
2.2.5 Determinación del color por colorimetría triestímulo ....................................... 78
2.2.6 Determinación del contenido de carotenoides totales por espectrofotometría
UV-Vis .......................................................................................................................... 78
2.2.7 Espectroscopía infrarroja por transformada de Fourier con reflectancia total
atenuada (FTIR-ATR) .................................................................................................. 79
2.2.8 Análisis estadístico ........................................................................................... 79
2.2.9 Análisis de componentes principales (PCA) .................................................... 80
2.2.10 Modelado de regresión por mínimos cuadrados parciales (PLS) ................... 80
2.3 Resultados y discusión ........................................................................................ 81
2.3.1 Contenido de carotenoides totales e índices de calidad fisicoquímica de
muestras de Cucurbita spp. ........................................................................................ 81
2.3.2 Análisis de imagen digital ................................................................................. 84
2.3.3 Análisis colorimétrico ........................................................................................ 87
2.3.4 Análisis espectral .............................................................................................. 91
2.3.5 Regresión PLS: predicción del contenido de carotenoides totales mediante
datos espectrales IR .................................................................................................... 94
2.3.6 Regresión PLS: predicción del contenido de carotenoides totales mediante
datos espectrales IR y datos de color. ........................................................................ 97
Contenido 15
2.3.7 Regresión PLS: predicción del contenido de carotenoides totales mediante
datos espectrales IR y datos de imagen RGB .......................................................... 100
2.4 Conclusión .......................................................................................................... 102
2.5 Bibliografía.......................................................................................................... 103
3. Espectroscopía FTIR-ATR, colorimetría y análisis de imagen combinadas con
modelamiento de regresión multivariante como enfoque para la determinación de
carotenoides específicos en muestras de ahuyama (Cucurbita spp.) ..................... 107
3.1 Introducción ........................................................................................................ 107
3.2 Materiales y métodos ......................................................................................... 108
3.2.1 Material vegetal .............................................................................................. 108
3.2.2 Adquisición de las imágenes .......................................................................... 108
3.2.3 Procesamiento de la muestra ........................................................................ 109
3.2.4 Determinación del color por colorimetría triestímulo ..................................... 109
3.2.5 Determinación de carotenoides específicos por HPLC ................................. 109
3.2.6 Espectroscopía infrarroja por transformada de Fourier con reflectancia total
atenuada (FTIR-ATR) ................................................................................................ 111
3.2.7 Análisis estadístico ......................................................................................... 111
3.2.8 Análisis de componentes principales (PCA) .................................................. 111
3.2.9 Modelado de regresión con mínimos cuadrados parciales (PLS) ................. 111
3.3 Resultados y discusión ...................................................................................... 112
3.3.1 Contenido de carotenoides específicos por HPLC ........................................ 112
3.3.2 Análisis de imagen digital de las ahuyamas y de colorimétría triestímulo de
sus pulpas .................................................................................................................. 118
3.3.3 Análisis espectral IR ....................................................................................... 123
3.3.4 Regresión PLS: predicción del contenido de carotenoides específicos por
datos espectrales IR .................................................................................................. 124
3.3.5 Regresión PLS: predicción del contenido de carotenoides por datos
espectrales IR y análisis colorimétrico ...................................................................... 127
3.3.6 Regresión PLS: predicción del contenido de carotenoides mediante datos
espectrales IR y datos de análisis de imagen .......................................................... 129
3.4 Conclusión .......................................................................................................... 131
3.5 Bibliografía.......................................................................................................... 132
16 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen como
herramientas para la determinación de carotenoides en ahuyama
4. Conclusiones generales y trabajo futuro ........................................................... 137
Contribuciones científicas ......................................................................................... 140
Lista de figuras 17
Lista de figuras
Figura 1.1 Estructura de los carotenos .............................................................................. 31
Figura 1.2. Estructura de las xantofilas .............................................................................. 33
Figura 1.3. Isómeros geométricos del β-caroteno ............................................................. 35
Figura 1.4. Ruta de biosíntesis de carotenoides ................................................................ 38
Figura 1.5. Espectro UV del licopeno en n-hexano ........................................................... 42
Figura 1.6. Espectros del licopeno (---), ɣ-caroteno (- - -) β-caroteno (- • - • - •), y -caroteno
(...) en éter de petróleo. ...................................................................................................... 44
Figura 1.7. Métodos quimiométricos empleados en el análisis cuantitativo de alimentos
(Granato & Ares, 2014) ....................................................................................................... 55
Figura 1.8. Descripción del primer componente en PCA ................................................... 57
Figura 1.9. Descripción del primer componente en PCA, rotación en el origen ............... 57
Figura 1.10. Descripción general del algoritmo PLS en las etapas de calibración y
predicción (Romía & Bernàrdez, 2009) ............................................................................. 62
Figura 2.1 Ahuyamas Cucurbita spp. seleccionadas para el estudio. Esta fotografía se
obtuvo posterior a la desinfección de las ahuyamas y previo a su congelación. 1: Valle del
Cauca; 2: Tolima; 3: Huila; 4: Meta; 5: cv. Dorado; 6: cv. Mandarino; 7: Abanico 75; 8: . 76
Figura 2.2 Score plot para valores RGB en muestras de Cucurbita spp., donde
DO=Dorado; AB=Abanico75; MD=Mandarino; BV=Bolo verde; LL=Llanera; VL=Valluna;
MQ=Mariquiteña. ................................................................................................................ 86
Figura 2.3 Loading plot para las variables RGB en muestras de Cucurbita spp. V1, V2 y V3
son R, G y B, respectivamente. .......................................................................................... 87
18 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen como
herramientas para la determinación de carotenoides en ahuyama
Figura 2.4. Espectros característicos de FTIR-ATR de las muestras de Cucurbita spp. (n =
63) con diferentes protocolos de procesamiento de muestras: (A) pulpa fresca (licuadora-
homogenizada); (B) pulpa liofilizada; (C) extractos en hexano:acetona (1:1) .................. 92
Figura 2.5. Espectros FTIR-ATR para β-caroteno y luteína .............................................. 93
Figura 2.6. Comparación entre el contenido de carotenoides totales determinado por
espectrofotometría UV-Vis y el modelo PLS basado en espectroscopía FTIR-ATR obtenido
de muestras liofilizadas. En círculos grises, el conjunto de entrenamiento; en rombos rojos,
el conjunto de predicción. ................................................................................................... 97
Figura 2.7. Comparación entre el contenido de carotenoides totales determinado por
espectrofotometría UV-Vis y el modelo PLS basado en datos de colorimetría triestímulo y
FTIR-ATR obtenidos de muestras liofilizadas. En círculos grises, el conjunto de
entrenamiento; en rombos rojos, el conjunto de predicción. ............................................. 99
Figura 2.8. Comparación entre el contenido de carotenoides totales determinado por
espectrofotometría UV-Vis y el modelo PLS basado en imágenes RGB y datos FTIR-ATR
obtenido de muestras liofilizadas. En círculos grises, el conjunto de entrenamiento; en
rombos rojos, el conjunto de predicción. .......................................................................... 101
Figura 3.1 Cromatogramas característicos de muestras hidrolizadas: (1) cv. Mandarino; (2)
cv. Dorado; (3) cv. Abanico 75; (4) cv. Bolo Verde. Los picos señalados corresponden a:
A: Anteraxantina; L: Luteína; Z: Zeaxantina; B: β-Caroteno; V: Violaxantina. Los picos
señalados como “u” corresponden a compuestos no identificados o desconocidos. ..... 114
Figura 3.2 Score plot para carotenoides cuantificados mediante HPLC, donde DO=Dorado,
MD=Mandarino, AB=Abanico 75, BV=Bolo verde. .......................................................... 117
Figura 3.3 Loading plot para carotenoides específicos cuantificados mediante HPLC. V1:
luteína; V2: β-caroteno; V3: α-caroteno; V4: violaxantina; V5: anteraxantina; V6:
zeaxantina; V7: “desconocidos”. ...................................................................................... 117
Figura 3.4. Score plot realizado para valores RGB en muestras de Cucurbita spp., donde
DO=Dorado, AB=Abanico 75, MD=Mandarino, BV=Bolo verde. ..................................... 120
Figura 3.5 Loading plot para valores RGB en muestras de Cucurbita spp., donde V1=R,
V2=G, V3=B. ..................................................................................................................... 120
Figura 3.6 Espectros característicos de FTIR-ATR de las muestras de Cucurbita spp. (n =
25) de las variedades Mandarino, Boloverde, Dorado y Abanico 75, con diferentes
protocolos de procesamiento de muestras: (A) pulpa fresca (licuadora-homogeneizada);
(B) pulpa liofilizada............................................................................................................ 124
Lista de figuras 72
Lista de tablas
20
Lista de tablas
Tabla 1.1 Valores de absorbancia de carotenoides acíclicos. .......................................... 43
Tabla 1.2. Bandas asociadas a carotenoides en estudio 1 en tomate .............................. 50
Tabla 1.3. Bandas asociadas a carotenoides en estudio 2 en tomate .............................. 51
Tabla 1.4.Bandas asociadas a carotenoides en estudio 3 en tomate ............................... 51
Tabla 1.5. Bandas asociadas a carotenoides en estudio 4 en tomate .............................. 51
Tabla 1.6. Bandas asociadas a carotenoides en estudio en pimiento .............................. 52
Tabla 1.7. Bandas asociadas a carotenoides en estudio en frutos cítricos ...................... 52
Tabla 1.8. Índices de color de rodajas de ahuyama .......................................................... 53
Tabla 1.9. Índices de color encontrados en ahuyama en el periodo de almacenamiento 54
Tabla 1.10. Métodos de regresión empleados en análisis cuantitativo ............................. 58
Tabla 2.1 Codificación de las ahuyamas seleccionadas para el estudio .......................... 77
Tabla 2.2 Contenido de carotenoides totales y parámetros de calidad fisicoquímica de
muestras de Cucurbita spp. ................................................................................................ 82
Tabla 2.3. Valores RGB obtenidos a partir de imágenes de los cultivares de Cucurbita spp.
............................................................................................................................................. 84
Tabla 2.4. Coordenadas L*a*b* para las muestras de Cucurbita spp. (pulpa fresca
homogeneizada). ................................................................................................................ 89
Tabla 2.5. Modelos de regresión PLS para la predicción del contenido de carotenoides
totales en pulpa de Cucurbita spp. a partir de espectros FTIR-ATR ................................. 95
Tabla 2.6. Rendimiento comparativo de métodos basados en técnicas MIR y NIR para la
determinación de carotenoides en muestras de alimentos. .............................................. 96
Tabla 2.7. Modelos de regresión PLS para la predicción del contenido de carotenoides
totales en pulpa de calabaza a partir de espectros FTIR-ATR y valores de color L*a*b*. 98
Lista de tablas 72
Tabla 2.8. Modelos de regresión PLS para la predicción del contenido de carotenoides
totales en pulpa de Cucurbita spp. a partir de espectros FTIR-ATR y valores de imagen
RGB ................................................................................................................................... 100
Tabla 3.1 Masas precisas medidas de los carotenoides objetivo por HR-Orbitrap-MS, con
indicación de la desviación de masa (en ppm) con respecto a la masa teórica calculada.
........................................................................................................................................... 112
Tabla 3.2. Composición específica de carotenoides en muestras de Cucurbita spp. .... 115
Tabla 3.3. Valores RGB para imágenes de Cucurbita spp. ............................................. 118
Tabla 3.4. Coordenadas L*a*b* para las muestras de ahuyama .................................... 122
Tabla 3.5. Modelos de regresión PLS desarrollados para la luteína mediante datos IR 125
Tabla 3.6. Modelos de regresión PLS desarrollados para el β-caroteno mediante datos IR
........................................................................................................................................... 125
Tabla 3.7. Modelos de regresión PLS desarrollados para el α-caroteno mediante datos IR
........................................................................................................................................... 125
Tabla 3.8. Modelos de regresión PLS desarrollados para la violaxantina mediante datos IR
........................................................................................................................................... 125
Tabla 3.9. Modelos de regresión PLS desarrollados para la luteína mediante IR y datos de
color ................................................................................................................................... 128
Tabla 3.10. Modelos de regresión PLS desarrollados para el β-caroteno mediante IR y
datos de color ................................................................................................................... 128
Tabla 3.11. Modelos de regresión PLS desarrollados para el α-caroteno mediante IR y
datos de color ................................................................................................................... 128
Tabla 3.12. Modelos de regresión PLS desarrollados para la luteína mediante IR y datos
de imagen RGB ................................................................................................................ 130
Tabla 3.13. Modelos de regresión PLS desarrollados para el β-caroteno mediante IR y
datos de imagen RGB ...................................................................................................... 130
Tabla 3.14. Modelos de regresión PLS desarrollados para el α-caroteno mediante IR y
datos de imagen RGB ...................................................................................................... 130
Tabla 3.15. Modelos de regresión PLS desarrollados para la violaxantina mediante IR y
datos de imagen RGB ...................................................................................................... 130
Lista de símbolos y abreviaturas
22
Lista de Símbolos y abreviaturas
Símbolos con letras latinas Símbolo Término Unidad Definición
TCC Contenido de carotenoides totales (𝜇𝑔 𝛽 − 𝑐𝑎𝑟𝑜𝑡𝑒𝑛𝑜𝑒𝑞
𝑔)
Eq. 1
Subíndices Subíndice Término
CAL Calibration (Calibración)
CV Cross-validation (Validación cruzada)
PRED Prediction (Predicción)
Superíndices Superíndice Término
2 Exponente, potencia
Abreviaturas
Lista de símbolos y abreviaturas 72
Abreviatura Término
FTIR-ATR Espectroscopía infrarroja con transformada
de Fourier con reflectancia total atenuada.
AB Abanico 75
DO Dorado
BV Bolo verde
MD Mandarino
MQ Mariquiteña
HU Huilense
LL Llanera
VL Valluna
LV Latent variable (Variable latente)
RMSEC Root mean square error of calibration
RMSECV Root mean square error of cross-validation
RMSEP Root mean square error of prediction
SEL Standard error of laboratory
Introducción
24
Introducción
Los compuestos carotenoides han ganado considerable atención en los últimos años
gracias a la amplia gama de beneficios que ofrecen tanto en la industria de alimentos,
como en la salud humana; motivo por el cual son objeto de investigación en la ciencia
moderna. Para llevar a cabo una investigación rigurosa sobre esta clase de compuestos
bioactivos, y adquirir información apreciable, es necesario recurrir al análisis químico
cuantitativo, ya que es una herramienta esencial para evaluar la calidad de los alimentos
en relación al contenido de ciertos constituyentes, en este caso los carotenoides.
En Colombia existen matrices de alto potencial agroindustrial poco estudiadas en cuanto
a estos compuestos bioactivos, como es el caso de la ahuyama, la cual es una hortaliza
proveniente de diferentes especies del género Cucurbita. En Colombia son de particular
interés las especies C. moschata y C. maxima. La importancia de la ahuyama en el mundo
ha sido reconocida gracias a su alto valor nutritivo, y es de hecho una fuente catalogada
como “rica” en carotenoides. Adicionalmente, es una hortaliza de gran versatilidad en
cuanto a su uso como ingrediente en culinaria, destacándose su aplicación para consumo
directo, preparación de sopas, compotas, purés, cremas y jugos, o como materia prima
para la agroindustria de harinas y deshidratados (Toro Sánchez, 2009; Zambrano Blanco,
2010).
La producción de esta hortaliza en Colombia es frecuente en agroecosistemas de
economía campesina y en medianas explotaciones productivas, ya sea como cultivo
principal o transitorio, o en sistemas de producción intercalados y de relevo con frutales,
ornamentales y forestales, por lo cual, sobresale como una especie hortícola de gran
importancia en el contexto de la seguridad alimentaria del país (Zambrano Blanco, 2010).
Este hecho, sumado a la creciente demanda de nuevas materias primas para la
agroindustria, han fomentado de manera progresiva la investigación sobre esta hortaliza.
Muy a pesar de ello, las investigaciones realizadas acerca de la identificación y
cuantificación de compuestos bioactivos son escasas. De hecho, no se conocen estudios
Introducción 72
previos sobre el perfil de compuestos carotenoides específicos en cultivares de ahuyama
colombiana.
Para la cuantificación de carotenoides en diversas matrices alimentarias, se ha recurrido
tradicionalmente a técnicas convencionales como la cromatografía líquida de alta eficiencia
(HPLC) acoplada a espectrofotometría UV-Vis, que presenta algunas desventajas, como
la necesidad de personal especializado, un alto consumo de solventes y estándares
analíticos costosos, así como el requerimiento de protocolos complejos de preparación de
las muestras (Amorim-Carrilho et al., 2014).
El desarrollo de herramientas analíticas alternativas que permitan, de forma confiable,
realizar la caracterización de la composición química de los alimentos en relación a sus
compuestos bioactivos, como los carotenoides, de manera más rápida, sencilla, y con
menores costos asociados, es de gran interés para la ciencia de alimentos. En este
contexto, se ha encontrado que técnicas espectroscópicas, como la espectroscopía de
infrarrojo con transformada de Fourier (FTIR), en particular con el uso de reflectancia total
atenuada (ATR), la colorimetría triestímulo y el análisis de imagen, son herramientas
potencialmente aprovechables para sustituir parcialmente técnicas más complejas y
costosas, como HPLC.
Por una parte el FTIR, es una técnica que, de acuerdo a diversos autores, permite predecir
la concentración de diferentes constituyentes en alimentos de forma rápida y sencilla
(Anjos et al., 2017; Lucarini et al., 2018). La colorimetría triestímulo, por otra parte, requiere
de equipos relativamente económicos y fáciles de usar, empleando sistemas triestímulo
Hunter y CIE L*a*b* para medir el color. Finalmente, se destaca el análisis de imagen
digital, una herramienta que tiene la ventaja de ser objetiva, no destructiva (permite
reutilizar la muestra tras el análisis) y de respuesta inmediata, con un tiempo de ejecución
del análisis y obtención de resultados de unos pocos segundos (García Cabello, 2016), lo
cual es ideal para el estudio de carotenoides en las matrices seleccionadas. Es necesario
resaltar que las tecnologías anteriormente mencionadas pueden generar grandes
volúmenes de datos por medición que requieren métodos de análisis altamente
sofisticados (Roberts & Cozzolino, 2016). Así, al tratar las matrices de datos obtenidas
mediante estas técnicas con métodos estadísticos quimiométricos como mínimos
cuadrados parciales (PLS), es posible predecir el contenido del analito de interés (los
carotenoides en este caso), permitiendo la posibilidad de prescindir de las complejas
26 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen como
herramientas para la determinación de carotenoides en ahuyama
técnicas tradicionales que comúnmente se utilizan para la cuantificación de estos
compuestos.
Este proyecto de investigación tiene como objetivo explorar diferentes combinaciones de
estas técnicas espectroscópicas, junto con análisis estadístico multivariado de datos, en el
desarrollo de metodologías analíticas sencillas que puedan ser utilizada con facilidad en el
laboratorio para cuantificar carotenoides, tanto totales como específicos. Adicionalmente,
busca generar nueva información sobre la composición química de una matriz de gran
importancia agroindustrial en Colombia como lo es la ahuyama, la cual podría ser utilizada
(Rodriguez-Amaya, 2015b) como un indicador de funcionalidad y bioactividad en relación
con los compuestos estudiados, y así dar un valor agregado a este producto.
El presente documento de tesis está dividido en tres capítulos. En el primero de ellos se
presenta una revisión de los conceptos clave que constituyen el marco teórico de la
investigación, así como de los fundamentos y el estado del arte del uso de técnicas
espectroscópicas para la caracterización fisicoquímica de matrices alimentarias. En los
siguientes dos capítulos, se presentan los materiales y métodos, así como los resultados
con su correspondiente discusión, a modo de artículos científicos, de los estudios llevados
a cabo sobre del uso de espectroscopía FTIR-ATR, colorimetría triestímulo y análisis de
imagen, combinadas con modelamiento de regresión multivariante, como enfoque para la
determinación de carotenoides totales en muestras de ahuyama colombiana de distintos
orígenes geográficos (capítulo 2) y de carotenoides específicos en muestras de ahuyama
de distintos cultivares provenientes del Valle del Cauca (capítulo 3). Finalmente, se
presentan algunas conclusiones generales y perspectivas futuras de la investigación.
Cabe mencionar que el presente trabajo fue desarrollado gracias al apoyo financiero de
los proyectos: “ESTUDIO ESPECTROSCÓPICO Y PERFIL DE COMPUESTOS
CAROTENOIDES DE MATRICES ALIMENTARIAS CON ALTO POTENCIAL
AGROINDUSTRIAL PARA LA EXTRACCIÓN Y MICROENCAPSULACIÓN DE
COLORANTES AMARILLO-NARANJA”, financiado por Minciencias, y por otro lado,
“Evaluación de espectroscopía FTIR-ATR, colorimetría triestímulo y análisis de imagen,
como herramientas para la determinación de carotenoides en ahuyama y polen apícola”.
Financiado por la Facultad de Ciencias Agrarias, a través de la CONVOCATORIA PARA
EL APOYO A LA FINANCIACIÓN DE PROYECTOS DE TESIS PARA FORTALECER Y
Introducción 72
CONSOLIDAR LOS PROGRAMAS DE DOCTORADO Y MAESTRÍA DE LA FACULTAD
DE CIENCIAS AGRARIAS, SEDE BOGOTÁ.
Objetivos de la investigación 29
Objetivos de la investigación
Objetivo general
Desarrollar una metodología analítica basada en el estudio espectroscópico con FTIR-
ATR, colorimetría triestímulo y análisis de imagen, en conjunto con métodos estadísticos
multivariados, para determinar el contenido de carotenoides en ahuyama.
Objetivos específicos
▪ Estudiar por medio de espectroscopía infrarroja con Transformada de Fourier
con reflectancia total atenuada (FTIR-ATR), colorimetría triestímulo y análisis de
imagen muestras de ahuyama colombianas.
▪ Determinar la concentración de carotenoides totales y del perfil de carotenoides
de estas muestras por medio de técnicas analíticas convencionales.
▪ Generar modelos estadísticos quimiométricos para la predicción del contenido
de carotenoides en la ahuyama a partir de la correlación entre las características
espectroscópicas y composicionales.
30 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
1. Marco teórico
1.1 Compuestos carotenoides
Los carotenoides son compuestos derivados del isopreno, sintetizados por organismos
fotosintéticos (incluyendo plantas, algas y cianobacterias), algunos hongos y animales
no fotosintéticos. Son compuestos que, en el caso de los sistemas fotosintéticos,
participan en la recolección de luz y juegan un papel esencial en la función de
fotoprotección, mientras que, en tejidos y organismos no fotosintéticos, actúan como
pigmentos, aportando tonalidades en el rango del amarillo al rojo (Rodriguez-
Concepcion et al., 2018). Los carotenoides son los responsables del color de muchas
frutas y vegetales, como el amarillo del maíz, el anaranjado de las zanahorias, la
ahuyama y las naranjas, y el rojo del tomate y la sandía, entre muchos otros (Khoo et
al., 2011). La mayoría de animales (incluidos los humanos) no tienen la capacidad de
sintetizar estos compuestos, motivo por el cual los obtienen a partir de la dieta y los
utilizan para importantes funciones fisiológicas (Berendschot & Plat, 2014)
Químicamente hablando, los carotenoides son hidrocarburos isoprenoides constituidos
por una cadena principal de polieno que contiene un número variable de dobles enlaces
conjugados, una característica que imparte a estos compuestos la propiedad de
absorber luz visible, lo que resulta en su coloración característica en tonalidades amarillo
a rojo (Hurst, 2008). La mayoría de carotenoides derivan del fitoeno (C40), el cual se
biosintetiza mediante la condensación de dos moléculas de difosfafo de geranilgeranilo
(C20). Los carotenoides restantes derivan del fitoeno, cuando experimenta diversas
reacciones enzimáticas (Saini & Keum, 2018). Los carotenoides se dividen en dos
grupos principales: en primer lugar, aquellos constituidos únicamente por carbono e
hidrógeno, denominados carotenos (Figura 1.1).
Capítulo 1 31
Figura 1.1 Estructura de los carotenos
(Fuente: Rodriguez-Amaya, 2015a)
32 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 1.1 Estructura de los carotenos (continuación)
En segundo lugar, se encuentran los derivados oxigenados de carotenoides
hidrocarbonados, denominados xantófilas (Lorenzo & Munekata, 2016). En el grupo de
xantófilas, el átomo de oxígeno puede estar presente en forma de hidroxilo, metoxilo,
epóxido, carbonilo o carboxilo (Meléndez Martínez et al., 2007). Algunos ejemplos de
xantófilas se ilustran en la Figura 1.2. Además de esta clasificación general también
existen otras subclases, como los apocarotenoides y los carotenoides C50. Los
apocarotenoides corresponden a los productos que se generan mediante escisión
oxidativa de los carotenoides, catalizados por una familia de enzimas llamadas
dioxigenasas de escisión de carotenoides (CCD) (Saini & Keum, 2018)
Capítulo 1 33
Figura 1.2. Estructura de las xantofilas
(Rodriguez-Amaya, 2015a)
34 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 1.2. Estructura de las xantofilas (continuación)
Capítulo 1 35
1.1.1 Isómeros ópticos y geométricos
Gracias a la presencia de dobles enlaces en las moléculas de carotenoides, se podrían
formar múltiples isómeros geométricos (cis/trans o Z/E), aunque en la mayoría de casos
existen impedimentos estéricos (Rodriguez-Concepcion et al., 2018). Los isómeros cis
y trans difieren considerablemente en forma, tal como se muestra en la siguiente imagen
Figura 1.3. Isómeros geométricos del β-caroteno
(Fuente: Rodriguez-Concepcion et al., 2018)
Los carotenoides normalmente se encuentran en configuración totalmente trans, que
parece ser la más estable; sin embargo, pueden ocurrir algunas excepciones, como en
el caso de carotenoides acíclicos como el fitoeno o el fitoflueno (Meléndez-Martínez et
al., 2014). Aunque la presencia de isómeros cis en alimentos y otras matrices puede
atribuirse a la isomerización causada por factores como el calor o la luz, se ha
establecido que algunos también pueden ocurrir de forma natural (Rodriguez-Amaya,
1999; Schieber & Carle, 2005)
Ahora bien, es importante recalcar que debe existir al menos una proporción pequeña
de algunos carotenoides en configuración cis, dado que son biológicamente relevantes
para el complejo de recolección de luz, y la formación de hormonas derivadas de
carotenoides.
36 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
1.1.2 Asociación con otras moléculas
Los carotenoides tienen la capacidad de asociarse con diferentes clases de
macromoléculas, entre las cuales se incluyen ácidos grasos, azúcares o proteínas
(Meléndez-Martínez, Mapelli-Brahm, et al., 2019), y en cada uno de estos casos se
conocen diferentes ejemplos. En el primer caso se destacan las xantófilas, que
usualmente se encuentran esterificadas con ácidos grasos en muchas frutas u otros
órganos de las plantas, como flores y tubérculos (Breithaupt et al., 2002; Breithaupt &
Bamedi, 2002; Murillo et al., 2013). Es importante aclarar que la esterificación no afecta
las propiedades cromóforas, y sí facilita la integración y almacenamiento de los
carotenoides (de carácter lipofílico) en los plasto-glóbulos.
Se conocen casos de carotenoides asociados a fragmentos de azúcares, como en el
caso de la crocetina (Pfister et al., 1996). Finalmente, algunos carotenoides pueden
formar complejos con proteínas (carotenoproteínas) que tienen la propiedad de ser
solubles en agua y darían estabilidad a los carotenoides (Bhosale & Bernstein, 2007).
1.1.3 Propiedades fisicoquímicas
Exceptuando algunos casos, los compuestos carotenoides son altamente lipofílicos, por
lo cual generalmente se encuentran en ambientes hidrofóbicos (Britton, 1995; Fiedor &
Burda, 2014). El proceso de esterificación con ácidos grasos tiende a aumentar el
carácter lipofílico de los carotenoides, mientras que la unión con proteínas o azúcares
lo reduce (Rodriguez-Concepcion et al., 2018). El sistema de dobles enlaces conjugados
se podría considerar como la característica principal de estos compuestos, siendo dicho
sistema el principal responsable del color (actuando como cromóforo), forma,
reactividad y propiedades fotoquímicas (Britton, 1995; Venugopal, 2008; Young & Lowe,
2018).
La mayoría de carotenoides absorben luz azul y violeta (400-500 nm) y por lo tanto
exhiben colores en el rango del amarillo al rojo (Mercadante, 2019), lo cual depende de
factores como la concentración, agregación o interacción con proteínas. En el último
caso cabe resaltar que las carotenoproteínas pueden presentar colores que incluyen
azul, verde, rojo y púrpura (Decker et al., 2000; Simpson et al., 2019) .
La cadena de dobles enlaces influye en la forma rígida de los isómeros (totalmente
trans) (Gruszecki & Strzałka, 2005; Yahia, 2017). Por ejemplo, las propiedades únicas
del fitoeno y fitoflueno (Figura 1.1) se deben al menor número de dobles enlaces
Capítulo 1 37
conjugados, que los convierte en incoloros y menos rígidos (Meléndez-Martínez et al.,
2015; Meléndez-Martínez, Stinco, et al., 2019).
1.2 Distribución y biosíntesis en plantas
Es importante tener presente que la biosíntesis y almacenamiento de carotenoides se
dan en los plástidos de las células vegetales, específicamente en los proplástidos,
amiloplastos, etioplastos, cloroplastos, y cromoplastos (Hannoufa & Hossain, 2020; L Li
et al., 2016; Shumskaya & Wurtzel, 2013). Todos, a excepción de los proplástidos,
poseen la capacidad de producir carotenoides (L Li et al., 2016). Ahora bien, a pesar de
que los proplástidos no son sitios carotenogénicos, son los precursores de los otros tipos
de plástidos, por lo cual no se puede menospreciar su función (T. Sun et al., 2018)
En cuanto al proceso de biosíntesis, se conoce que en plantas superiores el proceso
inicia con la participación del difosfato de isopentenilo (IDP). A continuación, cuatro
unidades de IDP (C5) se fusionan en diversas reacciones de condensación cabeza a
cola, produciendo el precursor (C20) inmediato de carotenoides, difosfato de
geranilgeranilo (GGPP). Posteriormente, una condensación cabeza a cabeza de dos
moléculas de GGPP genera fitoeno, que es incoloro. Sucesivas reacciones de
deshidratación catalizadas enzimáticamente, conducen desde fitoeno a fitoflueno, -
caroteno, neurosporeno, y finalmente a licopeno (Schweiggert & Carle, 2017). La
posterior ciclación del licopeno por las enzimas licopeno -ciclasa (LycE) y/o licopeno -
ciclasa (LycB) produce y -caroteno, representando la rama y de la ruta
respectivamente (Becerra & Santos-Ruiz, 2012; T. Sun et al., 2018). En la Figura 1.4,
se describe con más detalle el proceso descrito anteriormente. En una etapa posterior,
la hidroxilación del y -caroteno por hidroxilasas conduce a la formación de xantofilas
amarillas (como luteína) en la rama y zeaxantina en la rama (Quinlan et al., 2012; T.
Sun et al., 2018). Ahora bien, si ocurren modificaciones extra para los carotenos o
xantofilas, se generan carotenoides específicos. Un ejemplo de lo anterior es la
segmentación oxidativa catalizada por enzimas CCD (dioxigenasas de escisión de
carotenoides), donde se producen apocarotenoides, que incluyen compuestos como
fitohormonas, o moléculas de señalización (Al-Babili & Bouwmeester, 2015). De esta
manera, las enzimas CCD contribuyen a los niveles estacionarios de compuestos
carotenoides, aunque también se sabe que el “secuestro” de carotenoides afecta la
acumulación total de estos compuestos (Gonzalez-Jorge et al., 2013; Li Li & Yuan, 2013)
38 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 1.4. Ruta de biosíntesis de carotenoides
(Fuente: Rodriguez-Amaya, 2015a)
Capítulo 1 39
1.3 Fuentes alimentarias de carotenoides
Los carotenoides están presentes en diversos alimentos, dentro de los cuales se
destacan las frutas, las verduras y los jugos. Usualmente, la coloración está ligada al
tipo de carotenoides presentes en el alimento, tal como se muestra a continuación:
❖ Las frutas y verduras de color amarillo-naranja, proveen la mayor cantidad de
y -caroteno. Alimentos como la zanahoria, la ahuyama o zapallo, el durazno y
la batata (papa dulce) son fuentes ricas de estos carotenoides (Nagarajan et al.,
2017).
❖ Las frutas de color naranja también se caracterizan por su contenido de
criptoxantina. De esta manera, este compuesto se puede encontrar en
mandarinas, naranjas, ciertos mangos y papayas (Arscott, 2013).
❖ Las verduras de color verde oscuro y las yemas de huevo contienen luteína y
zeaxantina. Así, estos compuestos se pueden encontrar en hojas verdes de
alimentos como la espinaca, cilantro o perejil (Perry et al., 2009; Sommerburg et
al., 1998).
❖ Alimentos de color rojo como los tomates y sus productos derivados, junto a
frutas de color rojo-rosáceo como la sandía y la guayaba, contienen licopeno
(Maiani et al., 2009; Nagarajan et al., 2017).
1.3.1 La ahuyama
La ahuyama, también conocida como zapallo, es un producto originario de América del
Sur perteneciente a la familia de las cucurbitáceas, más específicamente al género
Cucurbita. Entre sus especies más representativas se destacan Cucurbita maxima,
Cucurbita pepo, Cucurbita moschata y Cucurbita mixta, las cuales varían de acuerdo a
la textura y forma de sus tallos (Shi et al., 2013). La mayoría de especies de esta familia
se caracterizan por su tolerancia a climas cálidos y húmedos, motivo por el cual se
cultivan en países tropicales (como Colombia) (Cabrera, 2004; Cervantes, 2007).
Constantemente en todo el mundo se produce un gran número de variedades de
ahuyama, cada una de estas con diferentes niveles de carotenoides, hecho que podría
estar asociado tanto al origen geográfico del producto, como a la variedad o cultivar
seleccionado. Diversos reportes evidencian lo anterior. Por ejemplo, en una
investigación llevada a cabo en Brasil, se determinó la composición de carotenoides de
ahuyamas, donde los resultados indican que los principales carotenoides en C.
40 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
moschata son -caroteno y -caroteno, mientras que en C. maxima y C. pepo
predominan la luteína y el -caroteno (Azevedo-Meleiro & Rodriguez-Amaya, 2007).
Así mismo, en otro estudio realizado en Brasil (con un cultivar Baianinha), donde se
estudian las variedades C. maxima y C. moschata, se determinó un contenido alto de
carotenoides totales (2120 µg/100* g) y de β-caroteno (1180 µg/100*g) en la variedad
C. máxima; sin embargo, entre ambas variedades, C. moschata presentó los niveles
más altos de carotenoides totales (47 µg/g de E-α-caroteno y 235 µg/g de E-β-caroteno)
(Carvalho et al., 2014)
Ahora bien, si se trata de ahuyamas que pertenecen a otra zona geográfica, como en el
caso de Cucurbita moschata cultivar Bolo-verde, proveniente de Palmira (departamento
del Valle del Cauca) se han reportado altos contenidos de carotenoides totales, de hasta
427 µg/g, un contenido mucho más pronunciado en comparación al cultivar Baianinha
estudiado en Brasil (Valdés-Restrepo et al., 2013). A pesar de que en Colombia existen
estudios que señalan el contenido de carotenoides totales en ciertas variedades, aun es
bastante escasa la información respecto al perfil de carotenoides individuales.
1.3.2 Importancia agroindustrial de la ahuyama en Colombia
Se podría decir que el auge de la ahuyama (gracias a su versatilidad en uso y consumo),
ha generado un incremento significativo en su producción. Lo anterior se evidencia en
las cifras reportadas por el ministerio de agricultura; mientras que en el año 2007 se
cosechaban 3729 hectáreas, este valor se duplicó con los años y alcanzó las 8158 ha
para el 2014 (Minagricultura, 2014). Para el mismo año en mención, los departamentos
que generaban la mayor producción incluían Cesar, alcanzando una producción del
17,66%, Caldas (15,39%), Santander (10,29%), Magdalena (6,81%) y Huila (6,28%). No
obstante, los departamentos restantes también cumplen una función importante en este
grupo, generando el 43,57% de la producción nacional restante (Minagricultura, 2014).
1.4 Determinación de carotenoides en alimentos por medio de técnicas convencionales
La estructura química de los carotenoides consta de dobles enlaces conjugados, que le
confieren la característica de que sus formas isoméricas sean comunes (Amorim-
Carrilho et al., 2014). No obstante, estos sistemas de dobles enlaces en la cadena
carbonada hacen que sean susceptibles a ciertas reacciones, como la oxidación e
Capítulo 1 41
isomerización, especialmente por acción de la luz, el calor, los ácidos y el oxígeno
(Provesi et al., 2011). Además de estas reacciones, otros procesos como ciclación,
hidrogenación, deshidrogenación, adición de grupos laterales, entre otras, son algunas
modificaciones que conducen a la existencia de una variedad compleja de compuestos
(Cvetkovic & Nikolic, 2017). Es por ello que, considerando la susceptibilidad de su
estructura química, y factores como la falta de estándares disponibles comercialmente,
bajas concentraciones en muestras biológicas, y la presencia de compuestos que
pueden causar interferencias (van Breemen et al., 2012), se incrementa cada vez más
la dificultad para desarrollar métodos analíticos que permitan identificar y cuantificar
carotenoides en muestras reales (Cacciola et al., 2012); no obstante, la identidad de los
carotenoides puede confirmarse utilizando cromatografía líquida acoplada a diversos
detectores (Amorim-Carrilho et al., 2014).
El análisis con cromatografía líquida de alto rendimiento (HPLC) ha sido durante mucho
tiempo el método predilecto para separar, identificar y cuantificar carotenoides en
alimentos (Kopec et al., 2012). Dos desarrollos importantes con esta técnica han
evolucionado considerablemente el análisis de carotenoides: (a) columnas que
proporcionan una separación de la línea base para un rango de carotenoides en un
alimento dado hasta la separación de isómeros geométricos y (b) el detector de matriz
de fotodiodos que proporciona espectros de absorción visible de los carotenoides
separados en línea (Rodriguez-Amaya, 2015a).
Durante algún tiempo, la columna más utilizada para la separación de carotenoides fue
la columna con empaque polimérico C18, sin embargo, considerando que no
proporciona una separación adecuada de carotenoides alimentarios, especialmente si
se trata de isómeros geométricos (Gupta et al., 2015), esta columna ha sido superada
en los últimos años por la columna polimérica C30. Gracias a que se han diseñado
especialmente para la separación de isómeros de carotenoides (Sander et al., 1994),
las fases estacionarias C30 han adquirido una gran aplicación en el análisis de alimentos
(Sander et al., 2000).
Como fases móviles para carotenoides, la mayoría de los que utilizan la columna C30
ha utilizado una combinación de metanol y metil-tert-butil éter (Kaiser et al., 2009; Yahia
et al., 2011). Aparte de los solventes primarios, se requieren pequeñas cantidades de
otros solventes para obtener la retención deseada, aumentar la solubilidad y mejorar la
resolución (Rodriguez-Amaya, 2015a). A menudo se usan para este propósito los
solventes clorados, como una forma efectiva de separar los carotenoides (Cortés-
42 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Herrera et al., 2019). Otros disolventes utilizados como modificadores son el
tetrahidrofurano, acetato de etilo, hexano, y acetona (Craft et al., 1992).
▪ Espectrofotometría UV-VIS
Gracias a la presencia de dobles enlaces conjugados, la mayoría carotenoides absorben
en el rango de 400-500 nm (Zaghdoudi et al., 2017). La información espectral es una
herramienta útil para distinguir e identificar diferentes especies de carotenoides; sin
embargo, es importante tener en cuenta que, para los carotenoides comunes, los
espectros UV-Vis únicamente proporcionan información sobre el grupo cromóforo del
carotenoide (Xu & Howard, 2012). Por ejemplo, el -caroteno y la luteína no pueden
identificarse entre sí únicamente por los espectros, y se deben considerar otros factores
como el tiempo de retención para distinguir entre estos dos compuestos (Kopec et al.,
2012). Además, los espectros de carotenoides pueden verse influenciados por
diferentes clases de solventes y también pueden interactuar con proteínas y lípidos,
afectando así las características espectrales (Britton, 1995).
Los carotenoides generalmente tienen tres picos más o menos distintos en lugar de una
sola banda (Kohler, 1995). De esta manera, la característica principal de los espectros
de carotenoides es la presencia de tres máximos de absorción (Figura 1.5). Así, la
relación del pico III con el pico II puede ser útil para distinguir entre isómeros de
carotenoides y carotenoides (Kopec et al., 2012).
Figura 1.5. Espectro UV del licopeno en n-hexano
(Fuente: Finkel’shtein, 2016)
Capítulo 1 43
Para un solvente dado, cuanto mayor sea el número de dobles enlaces conjugados del
compuesto, mayores serán los valores de absorción (λmax) (Mahindru, 2000). Esto se
puede apreciar en la serie de carotenoides acíclicos presentados en la Tabla 1.1.
Tabla 1.1 Valores de absorbancia de carotenoides acíclicos.
Compuesto carotenoide Numero de insaturaciones Picos de absorbancia (nm)
Licopeno 11 444, 470 y 502
Neurosporeno 9 414, 439 y 467
-Caroteno 7 378, 400 y 425
Fitoflueno 5 331, 348, y 367
Fitoeno 3 276, 286 y 297
Nota: los valores listados corresponden al éter de petróleo.
(Fuente: Rodriguez-Amaya, 2015a)
En el caso de los carotenoides cíclicos, el fenómeno de ciclación produce un
impedimento estérico entre el grupo metilo del anillo en posición C-5 y el hidrógeno en
posición C-8 de la cadena de polieno, sacando de plano los electrones π del doble
enlace en el anillo junto a los de la cadena de polieno. En consecuencia, se producen
distintos fenómenos: un desplazamiento hipsocrómico (desplazamiento de λmax a una
longitud de onda inferior), efecto hipocrómico (disminución de la absorbancia) y pérdida
de estructura fina (espectro con picos menos definidos) (Rodriguez-Amaya, 2015a). De
acuerdo a esto, el β-caroteno, que es bicíclico, aunque posee el mismo número de
dobles enlaces conjugados que el licopeno, absorbe a 450 nm, 425 y a 477 nm,
corroborando lo anteriormente dicho (Figura 1.6) (Godinho & Bhosle, 2008). En el caso
del ɣ-caroteno monocíclico, la mitad de su estructura se parece al licopeno y la otra
mitad se asemeja a la del β-caroteno. Por lo anterior, exhibe un espectro intermedio
entre los de estos compuestos tanto en λmax como en forma (Figura 1.6) (Machmudah
& Goto, 2013). El doble enlace en el anillo del α-caroteno está fuera de conjugación,
dejando 10 dobles enlaces conjugados (9 en la cadena de polieno y 1 en el anillo β). En
consecuencia, su espectro de absorción está más definido con λmax en longitudes de
onda ligeramente más cortas (422, 445 y 473 nm) que las del β-caroteno (Rodriguez-
Amaya & Kimura, 2004) (Figura 1.6).
44 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 1.6. Espectros del licopeno (---), ɣ-caroteno (- - -) β-caroteno (- • - • - •), y -
caroteno (...) en éter de petróleo.
(Fuente: Rodriguez-Amaya, 2015a)
▪ Espectrometría de masas
La mayoría de técnicas basadas en cromatografía liquida (CL) para el análisis de
carotenoides se utilizan acopladas a un detector de arreglo de diodos o UV-Vis
(Galanakis, 2019), y aunque la CL acoplada a instrumentos UV-Vis ha sido muy
utilizada en la determinación tanto cualitativa como cuantitativa de carotenoides, los
espectros obtenidos resultan muy similares, por lo que muchos investigadores han
optado por complementar la identificación de carotenoides con otras formas de
detección, como por ejemplo la espectrometría de masas (MS) (Amorim-Carrilho et al.,
2014).
Los instrumentos MS se utilizan con diferentes fines, para superar interferencias
espectrales del UV-Vis, lograr una alta sensibilidad en mezclas complejas y
adicionalmente para obtener información estructural en base al patrón de masa y
fragmentación molecular obtenido con MS Tándem (Caballero et al., 2015). Ahora bien,
aunque este patrón depende de la técnica de ionización y la composición de la fase
móvil utilizada, se han identificado fragmentos característicos de compuestos
carotenoides empleando diversas técnicas de ionización. Este enfoque se puede usar
para distinguir carotenoides con la misma masa molecular pero diferentes patrones de
Capítulo 1 45
fragmentación, como en el caso de los isómeros estructurales y geométricos (Kao et al.,
2012)
En este sentido, el estudio de los isómeros geométricos de los carotenoides está
adquiriendo una gran importancia, ya que sus propiedades (actividad de la vitamina A,
susceptibilidad a la oxidación y biodisponibilidad) difieren de las de sus compañeros
(Meléndez-Martínez et al., 2007). El HPLC acoplado a masas también se ha utilizado
para distinguir entre moléculas estructuralmente relacionadas y sus formas epoxidadas,
productos de la oxidación de carotenoides, que son marcadores potenciales de estrés
oxidativo y difíciles de perfilar debido a sus pequeñas cantidades y a la dificultad que
representa separarlas de compuestos hidroxi-carotenoides (Caballero et al., 2015). Los
métodos de ionización conocidos para el estudio de carotenoides con esta técnica
incluyen, equipos de impacto de electrones (EI), bombardeo de átomos rápidos (FAB),
desorción/ionización láser asistida por matriz (MALDI), ionización por
electropulverización (ESI), ionización química a presión atmosférica (APCI),
fotoionización a presión atmosférica (APPI) y sonda de análisis de sólidos atmosféricos
(ASAP) (Rivera et al., 2014).
1.5 Técnicas espectroscópicas con potencial para la evaluación de carotenoides: generalidades
Los métodos tradicionalmente empleados para el análisis de carotenoides totales
(espectrofotometría UV-Vis) y de carotenoides específicos (HPLC) son considerados
como eficientes en la separación y cuantificación de estos compuestos, sin embargo,
presentan ciertos inconvenientes relacionados con el alto costo, o bien, requieren un
protocolo de preparación complejo de la muestra. Es por ello que, el presente
documento describe a continuación los principios de tres técnicas (espectroscopía
infrarroja, colorimetría triestímulo y análisis de imagen) potencialmente aprovechables
para el análisis de carotenoides, y que podrían brindar una alternativa mucho más
accesible para el estudio de estos compuestos bioactivos en matrices alimentarias.
1.5.1 Espectroscopía infrarroja
La espectroscopía infrarroja (IR) se define como una técnica vibracional que estudia la
interacción de la radiación con la materia (Coleman, 1993) en aquella región del
espectro electromagnético que está más allá de lo visible (390–700 nm). La región
infrarroja se clasifica o divide en las regiones cercano (NIR), medio (MIR) y lejano; De
esta manera, la región NIR está comprendida entre 14,000–4000 cm−1 (o 714–2500 nm),
46 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
MIR está comprendida entre 4000–400 cm−1 (o 2500–25000 nm) y la región del infrarrojo
lejano está definida entre 400–10 cm−1 (o 25,000–1 × 106 nm) (Lin et al., 2009). En la
región IR, las muestras se pueden analizar mediante una serie de técnicas
complementarias, bien sea, espectroscopia NIR, MIR o Raman; que se diferencian por
los tipos de vibraciones moleculares que detectan (Larkin, 2018). NIR y MIR son las
regiones que contienen el mayor número de aplicaciones relacionadas con frutas,
hortalizas y sus productos procesados (Bureau et al., 2019).
En el caso de NIR, se sabe que este tipo de radiación puede penetrar mucho más en
una muestra que la radiación MIR (Jessica J Roberts et al., 2018), por lo cual NIR
permite el uso de longitudes de trayecto largas en la adquisición espectral de diversas
muestras. Además, el uso de espectroscopía NIR con fibra óptica permite a los usuarios
obtener el espectro completo de una muestra alimenticia que esté intacta (Lin et al.,
2009). A pesar de esta capacidad de penetración, la espectroscopia NIR posee varias
limitaciones. La mayoría de los instrumentos NIR proporcionan una selectividad limitada
y no se pueden emplear para realizar mediciones de constituyentes de alimentos con
un contenido inferior al 1%. Además, los métodos NIR requieren calibración de datos
usando valores de referencia recolectados con métodos químicos tradicionales, y cada
componente del alimento requiere de calibración por separado (Barcelo et al., 2018)
En cuanto al MIR, es claro que a partir del año 2000 ha habido un aumento constante
en estudios hortícolas y agronómicos mediante el uso de esta tecnología. Lo anterior
podría estar relacionado con diversas ventajas asociadas al uso de la espectroscopia
MIR; tiempos de análisis rápidos en relación a métodos estándar tradicionales como
HPLC, se requiere poca cantidad de muestra, sensibilidad, preparación simple de
muestras en pocos pasos y con pocos productos químicos tóxicos o carcinogénicos, es
una técnica económica (en comparación con otros instrumentos de laboratorio) y tiene
la capacidad de analizar muestras en múltiples estados físicos (gases, líquidos, sólidos,
materiales amorfos, películas, polvos y polímeros) (Bureau et al., 2019).
Para el MIR se utilizan dos tipos de equipos básicamente: instrumentos dispersivos e
instrumentos con transformada de Fourier (FT). Prácticamente todos los instrumentos
nuevos son del tipo FT (Gauglitz & Moore, 2014). En estos últimos, la radiación no se
dispersa, sino que todas las longitudes de onda llegan al detector simultáneamente y se
utiliza un tratamiento matemático llamado FT, para convertir los resultados en un
espectro infrarrojo típico (Wehling, 2010). Además, en lugar de un monocromador
(utilizado en los instrumentos dispersivos), el instrumento emplea un interferómetro. Las
Capítulo 1 47
técnicas de manejo de la muestra en MIR dependen básicamente de si la muestra es
sólida o líquida. Los líquidos pueden medirse por espectroscopia IR de transmisión;
dado que los coeficientes de absortividad en el MIR son altos, se utilizan comúnmente
celdas con longitudes de trayectoria de 0.01-1.0 mm. El cuarzo y el vidrio absorben en
la región IR media, por lo que las ventanas de las celdas están hechas de materiales no
absorbentes como sales de haluro o sulfuro (como KBr) (Nielsen, 2017)
Los equipos FT-MIR pueden acoplarse con celdas de reflectancia total atenuada (ATR),
ya que permiten obtener espectros para muestras sólidas que son demasiado gruesas
u opacas para aplicar mediciones de transmisión como en los casos anteriores (D.-W.
Sun, 2008). Por tal motivo es común encontrar investigaciones donde se analiza con
FTIR-ATR muestras de miel o sólidos duros como cereales de desayuno (Anjos et al.,
2017; Y. Kim et al., 2007).
De esta manera, el ATR mide la cantidad total de energía reflejada desde la superficie
de la muestra en contacto con un cristal transmisor de IR (Daramola & Ayeni, 2020). La
radiación infrarroja pasa a través del cristal a la muestra, donde la radiación penetra una
corta distancia en la muestra antes de que se refleje nuevamente en el cristal transmisor
(Kress-Rogers & Brimelow, 2001). Por lo tanto, la intensidad de la radiación reflejada
disminuye a longitudes de onda en las que la muestra absorbe radiación, lo que permite
obtener un espectro similar al espectro de transmisión (Nielsen, 2017)
1.5.2 Colorimetría triestímulo
El color es un atributo de calidad importante en la industria de alimentos que influye en
la elección y preferencias del consumidor, siendo un parámetro que se rige por los
cambios fisicoquímicos, bioquímicos y microbianos que ocurren durante el crecimiento,
maduración, el manejo y el procesamiento poscosecha (Ekinci, 2015; Varzakas & Tzia,
2015). Por tal motivo la medición de color se ha utilizado como medida indirecta de
determinados atributos, como el contenido de ciertos pigmentos, dado que es un
procedimiento simple y sencillo (Pathare et al., 2013).
Lo anterior es importante, teniendo en cuenta que el color de muchos alimentos deriva
de pigmentos naturales, muchos de los cuales cambian a lo largo del proceso de
maduración, tal y como sucede con los pigmentos carotenoides, que son los de interés
para este trabajo (Hussmann, 2018). El color de un producto puede evaluarse mediante
diferentes sistemas de coordenadas de color. Entre los sistemas más populares se
encuentran RGB (rojo, verde y azul), Hunter Lab, (CIE) L*a*b*, CIE XYZ, CIE L*u*v*,
48 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
CIE Yxy y CIE LCH (Jafari, 2020). Estos sistemas difieren en la simetría de espacio de
color y en el sistema de coordenadas utilizado para definir puntos dentro de ese espacio.
Según los conceptos del CIE (comisión internacional de iluminación), el ojo humano
tiene tres receptores de color: rojo, verde y azul, y todos los colores en general son
combinaciones de estos (Ladanyia & Ladaniya, 2010). Las cantidades de rojo, verde y
azul necesarias para formar un color en particular se denominan valores triestímulo y se
denominan X, Y, y Z, respectivamente (Joshi, 2018).
Los sistemas más utilizados en la industria alimentaria son las escalas de color Hunter
Lab L*a*b* y el sistema CIE modificado denominado CIELAB, para el cual las
coordenadas (L*a*b*) se leen directamente. En el caso de este último sistema, lo que
se miden son dos coordenadas de color, a* y b*, y un índice de luminosidad L* (Pathare
et al., 2013). El parámetro a* toma valores positivos para colores rojizos y negativos
para los verdosos, mientras que b* toma valores positivos para los amarillentos y
negativos para los azulados. L* representa una medida aproximada de la luminosidad,
que es la propiedad según la cual cada color se puede considerar equivalente a un
miembro de la escala de grises, entre blanco y negro (Meléndez-Martínez et al., 2005) .
El croma (C*), considerado como el atributo cuantitativo del color, se utiliza para
determinar el grado de diferencia de un matiz en comparación con un color gris con la
misma claridad. Cuanto más altos son los valores del croma, mayor es la intensidad de
color de las muestras percibidas por los humanos (Granato & Masson, 2010). Dicho lo
anterior, el croma se calcula usando la siguiente ecuación:
𝐶 ∗= √𝑎 ∗2+ 𝑏 ∗2
Por otra parte, el parámetro ángulo de tono (h*) es considerado como el atributo
cualitativo del color según el cual los colores se han definido tradicionalmente como
rojizo, verdoso, etc., y se usa para definir la diferencia de un determinado color en
comparación al color gris con la misma claridad Este atributo está relacionado con las
diferencias en la absorbancia a diferentes longitudes de onda (Fernández-Vázquez et
al., 2014; Fernández‐Vázquez et al., 2011).. Se podría decir que un ángulo de tono
mayor representa un carácter amarillo menor en los ensayos realizados:
ℎ ∗= tan−1 (𝑏 ∗
𝑎 ∗)
Un ángulo de 0° o 360° representa el tono rojo, mientras que ángulos de 90°, 180° y
270° representan tonos amarillos, verdes y azules, respectivamente. Esta información
Capítulo 1 49
se ha utilizado ampliamente en la evaluación de parámetros de color en productos como
vegetales, frutas y carnes (Barreiro et al., 1997).
Entre los instrumentos utilizados para medir el color, se encuentran los colorímetros y
espectrofotómetros (Jafari, 2020).
1.5.3 Análisis de imagen
Es posible medir el color empleando cámaras digitales y llevando a cabo un posterior
tratamiento de la imagen. Lo anterior consiste en que una cámara digital recibe las
imágenes en un dispositivo CCD (en inglés charge‐coupled device), circuito que
contiene un número de condensadores que son estimulados por la radiación y registran
gradaciones de luz en tres colores básicos: rojo, verde y azul (RGB en inglés). Cada
píxel de la imagen contiene un valor para cada uno de los canales RGB (García Cabello,
2016).
El espacio de color RGB no es continuo, cada canal toma un valor entero entre 0 y 255,
lo que hace un total de más de 16 millones de colores. Para la adquisición de imágenes
se utilizan sistemas DigiEye®, que están especialmente diseñados para medir el color
según las directrices de la CIE y para la evaluación de otras características relacionadas
con la apariencia, como la heterogeneidad cromática o el calibre del fruto (Gil, 2014).
Este sistema incluye una cámara digital, un monitor, una impresora o un software gráfico
y un espacio iluminado, que asegure consistencia en el color y la iluminación, para la
captura de la imagen (Delmoro et al., 2010).
1.6 Antecedentes del uso de técnicas espectroscópicas en la determinación de carotenoides para diferentes matrices alimentarias
1.6.1 Antecedentes con espectroscopía FTIR-ATR
El creciente interés en los carotenoides como compuestos bioactivos ha incentivado el
desarrollo de métodos rápidos para su determinación en diversas matrices. Técnicas
como infrarrojo medio o cercano se han propuesto como alternativas al HPLC para llevar
a cabo análisis simples, de alto rendimiento y no menos importante, de bajo costo. No
obstante, la elección del método espectroscópico depende del objetivo de análisis, las
características de la muestra, y la precisión y especificidad esperadas.
50 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Teniendo en cuenta lo anterior, y que se deben tener en cuenta las características de la
muestra para elegir el método espectroscópico, es necesario considerar el siguiente
apartado; diferentes estudios señalan que los espectros de diferentes carotenoides se
superponen fuertemente en la región electromagnética UV-vis (Pflanz & Zude, 2008).
Sumado a lo anterior, el análisis de matrices con perfiles complejos de carotenoides en
diversas configuraciones isoméricas requiere métodos con mayores grados de
especificidad. Es precisamente por ello que el análisis infrarrojo y la información
disponible para asignar bandas espectrales a grupos químicos presentes en la muestra,
hacen que las técnicas espectroscópicas vibracionales sean muy buenas candidatas
para el estudio de carotenoides.
En este sentido, las técnicas de infrarrojo por transformada de Fourier (FT-IR)
combinadas con un análisis multivariante constituyen una técnica fiable, precisa, simple
y rápida para el análisis de diversas matrices agrícolas y alimentarias. La región IR
media (4000-700 cm-1) produce bandas de absorción para casi todos los grupos
funcionales, que pueden correlacionarse directamente con entidades químicas
específicas. Más específicamente, cuando el FTIR se combina con ATR (reflectancia
total atenuada) es posible llevar a cabo un análisis tanto cualitativo como cuantitativo de
matrices que no requieren mayor preparación de la muestra.
▪ Tomate:
Una de las matrices que más se ha estudiado respecto al contenido de carotenoides y
haciendo uso de esta técnica es el tomate. Múltiples reportes evidencian este hecho.
Por ejemplo, en el estudio realizado por Rubio-Diaz et al., (2011), se analizó una
variedad de tomates “baja en carotenoides” empleando un cristal ATR de selenuro de
zinc (ZnSe). Para la adquisición de los espectros se suspendieron alícuotas del extracto
lipídico seco (previamente obtenido) en cloroformo y a continuación se aplicaron dos
gotas sobre el cristal ATR. Los resultados de las bandas espectrales se describen en la
Tabla 1.2.
Tabla 1.2. Bandas asociadas a carotenoides en estudio 1 en tomate
Banda espectral Compuesto o enlace asociado
950-980 cm-1 Enlace -C=C-
964 cm-1 Banda asociada al β-caroteno
957 cm-1 Banda asociada al licopeno
Capítulo 1 51
De la misma manera se realizó un estudio del contenido de β-caroteno y licopeno (De
Nardo et al., 2009), pero en este caso en jugo de tomate, para lo cual se realizó, además
de una medición de muestra directamente (sobre un cristal ATR de diamante), una
medición del extracto lipídico (utilizando un cristal ATR de ZnSe). Los resultados del
espectro ATR se describen en la Tabla 1.3.
Tabla 1.3. Bandas asociadas a carotenoides en estudio 2 en tomate
Banda espectral Compuesto o enlace asociado
1380-1370 cm-1 Doblamiento de enlaces C-H
3000-2800 cm-1 Estiramiento de enlaces C-H
960 cm-1 Vibraciones fuera del plano de -C=C-
1200-700 cm-1 Región de huella digital
968 cm-1 Banda característica del β-caroteno
957 cm-1 Banda característica del licopeno
En otro estudio relacionado con la misma matriz (Rubio-Diaz, Santos, et al., 2010), se
realizó un seguimiento a los cambios químicos tanto en carotenoides como lípidos
totales durante la producción y almacenamiento del jugo de tomate en conserva
utilizando espectroscopia IR-ATR complementada con HPLC. Las bandas espectrales
características se observan en la Tabla 1.4.
Tabla 1.4.Bandas asociadas a carotenoides en estudio 3 en tomate
Banda espectral Compuesto asociado
964 y 961 cm-1 Vibraciones del enlace-C=C-
3026 cm-1 Enlaces -C-H
3006 y 960 cm-1 Bandas asociadas a isomerización de carotenoides trans
De la misma manera, un estudio realizado por Rubio-Diaz, De Nardo, et al., (2010) en
24 variedades de tomate con la misma técnica arrojó las siguientes bandas espectrales:
Tabla 1.5. Bandas asociadas a carotenoides en estudio 4 en tomate
Banda espectral Compuesto asociado
1358-1362 cm-1 Anillos beta ionona del β- caroteno
960 cm-1 aproximadamente Enlaces vinílicos cis o trans -C=C-del β-caroteno
▪ Pimiento y frutas cítricas:
52 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Para matrices como el pimiento rojo se han desarrollado modelos quimiométricos con
espectroscopia FTIR-ATR, con el propósito de realizar un seguimiento a la degradación
de compuestos bioactivos (carotenoides amarillos y rojos, fenoles totales, ácido
ascórbico y capacidad antioxidante). En el estudio realizado por Castañeda-Pérez et al.,
(2013) los espectros se obtuvieron a partir de muestras en polvo obtenidas previamente,
y a continuación se realizaron 64 lecturas con una resolución de 4 cm-1 en la región
espectral de 700 a 4000 cm-1. Los resultados se presentan en la Tabla 1.6.
Tabla 1.6. Bandas asociadas a carotenoides en estudio en pimiento
Banda espectral Compuesto asociado
2900 Estiramiento simétrico grupos CH3
1600-1700 cm-1 Estiramiento simétrico enlace -C=C-
1000 aprox. Estiramiento simétrico enlace C-C
Además de vegetales o frutos como el tomate, esta técnica también ha sido aplicada en
frutas cítricas. Por ejemplo en el estudio realizado por S. W. Kim et al., (2015) se
midieron los espectros de FT-IR de cítricos tanto en cáscara como pulpa a intervalos
mensuales durante el desarrollo de la fruta. En este caso se empleó un cristal ATR de
ZnSe (donde se cargaba el extracto de la muestra) y para obtener los espectros se
realizó un barrido de 4000 a 400 cm-1 usando una resolución espectral de 4 cm-1.
Tabla 1.7. Bandas asociadas a carotenoides en estudio en frutos cítricos
Banda espectral Compuesto o enlace asociado
1525 cm-1 Estiramiento enlace -C=C- de carotenoides
1155 cm-1 Estiramiento enlace C-C de carotenoides
Los autores señalan que la evolución de las bandas espectrales durante el desarrollo
de la fruta indica un incremento en el contenido carotenoides.
▪ Ahuyama:
Los análisis respecto a la caracterización de la pulpa aún son escasos. Los estudios
realizados para esta matriz se han enfocado en estudiar principalmente el aceite
extraído a partir de las semillas. Un ejemplo de lo anterior es el estudio realizado por
Saucedo-Hernandez et al., (2011) donde la técnica FTIR-ATR acompañada de un
tratamiento multivariante para los datos espectrales, permitió clasificar aceites de
semillas del género Cucurbita (C. maxima, C. pepo y C. moschata). Los espectros de
Capítulo 1 53
las muestras se obtuvieron utilizando un cristal de ZnSe realizando un barrido en el
rango de 3200 a 600 cm-1, con una resolución de 2 cm-1, y realizando 15 lecturas. A
pesar de que los espectros fueron bastante similares entre sí, los autores hacen énfasis
en que las diferencias espectrales observadas podrían atribuirse a: diferencias en la
genética, en las condiciones de crecimiento o en los sistemas de procesamiento
utilizados para obtener los aceites, ya que las muestras de aceite C. pepo y C. maxima
estaban disponibles comercialmente, y los aceites de C. moschata fueron producidos
en el laboratorio.
1.6.2 Antecedentes con otras técnicas espectroscópicas
▪ Colorimetría
En el estudio realizado por Song, Wang, Li, Meng, et al., (2017) se realizó un
seguimiento al cambio de color de rodajas de ahuyama (Cucurbita maxima) en función
del tratamiento realizado con microondas al vacío. Los parámetros obtenidos se
muestran en la siguiente tabla:
Tabla 1.8. Índices de color de rodajas de ahuyama
Índice de color Secado con frío Secado con
aire caliente
Secado
microondas-vacío
L* 80.1 73.1 78.5
a* 21 28 22
b* 55.4 57.3 56.4
C 59.4 64 60.6
H 69 64 68.7
ΔE --- 10 2.1
La muestra de chips de ahuyama más seca y oscura dio lugar al valor más bajo de L*,
lo cual indica que el valor L* tuvo una mayor influencia del tratamiento donde se empleó
secado con aire caliente. Este resultado se correlacionó con una mayor pérdida de
carotenoides en las rodajas de calabaza, considerando el hecho de que el color amarillo
y/o rojo del producto se atribuye en gran parte a la presencia de estos compuestos.
De la misma manera, en otra investigación realizada por Song, Wang, Li, & Liu, (2017)
también se evaluó el cambio de color en función del tratamiento de secado sobre rodajas
de Cucurbita maxima, y esto se correlacionó con el contenido de carotenoides. En este
caso se encontró que, con el aumento de la potencia y tiempo de secado del
54 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
microondas, las rodajas de calabaza se tornaban más oscuras, lo cual implicaba una
disminución en el valor L*. Al final del secado, el valor Hunter L* de la rodaja disminuyó
exponencialmente. Sin embargo, no se evidenciaron cambios en los valores a* y b* con
el aumento de la potencia y el tiempo. Los autores atribuyen este fenómeno al hecho de
que el β y α-caroteno, los pigmentos más abundantes de la ahuyama, son carotenoides
“amarillentos”, y su degradación produce un mayor impacto en L* en comparación a los
valores a* y b*.
Para el caso de Cucurbita moschata, se han realizado estudios donde se evalúa el
cambio de color durante el periodo de almacenamiento (Muzzaffar et al., 2016). A pesar
de que en este caso los autores no correlacionan los resultados con el contenido de
carotenoides de la ahuyama, sí concluyen que hay una disminución significativa del beta
caroteno, pasando de 8.85 a 6.67 mg/100 g durante el tiempo de almacenamiento,
hecho que puede evidenciarse en el descenso de los índices de color (Tabla 1.9),
especialmente en el parámetro L*.
Tabla 1.9. Índices de color encontrados en ahuyama en el periodo de
almacenamiento
Índice de
color
Pulpa
fresca
0 meses 1 mes 2 meses 3 meses
L* 66.49 49.43 48.84 48.11 46.57
a* 8.31 7.19 7.36 7.8 8.7
b* 51.96 16.2 15.2 14.96 12.25
1.7 Quimiometría para la predicción del contenido de carotenoides
La ICS define la quimiometría de la siguiente manera: “La quimiometría es la ciencia de
relacionar las mediciones realizadas en un sistema o proceso químico con el estado del
sistema a través de la aplicación de métodos matemáticos o estadísticos". La
quimiometría se está convirtiendo rápidamente en un conjunto común de herramientas
utilizadas en muchos entornos industriales y de investigación. Su aumento en las últimas
dos décadas se puede atribuir a dos factores principales (Swarbrick & Westad, 2016):
▪ La velocidad de los computadores ha mejorado exponencialmente, y pueden
almacenar grandes cantidades de datos para su análisis.
Capítulo 1 55
▪ Las tecnologías analíticas, como los espectrómetros, pueden generar grandes
volúmenes de datos por medición que requieren métodos de análisis altamente
sofisticados.
1.7.1 Aplicación de métodos quimiométricos en el análisis de alimentos
El análisis cuantitativo en alimentos involucra distintas etapas y métodos
quimiométricos. Normalmente se emplea como punto de partida el análisis de datos
exploratorio, seguido de métodos de regresión/calibración. Lo anterior se resume en la
Figura 1.7.
Figura 1.7. Métodos quimiométricos empleados en el análisis cuantitativo de alimentos
(Granato & Ares, 2014)
▪ Análisis de datos exploratorio
El EDA es típicamente el primer paso en cualquier problema de análisis de datos.
Permite obtener un panorama general para un conjunto determinado de datos,
particularmente la distribución de los datos para cada una de las variables. Dentro del
EDA el método más usado es el análisis de componentes principales, un método no
supervisado, es decir, donde no existen variables respuesta o variables de salida (Y),
solamente existe un conjunto de variables de entrada o independientes (X) (Granato &
Ares, 2014).
56 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
El análisis de componentes principales es un método de compresión de variables que
reduce el conjunto de datos de la matriz X (K x N) a un número mucho menor de
variables (A) llamadas componentes principales (CP). El modelo matemático
correspondiente se construye a partir de la expresión:
X = TPT + E
donde T (N X A) es una matriz que contiene los scores, P (K X A) corresponde a los
loadings y E (K X N) representa la matriz de residuos del modelo. Los scores son las
intensidades de las nuevas variables A para las muestras y los loadings las nuevas
variables obtenidas a partir de las originales. Las CP son ortogonales entre sí, por lo
que ambos vectores no están correlacionados. Una consecuencia importante de la
ortogonalidad en los vectores de las CP es que la correlación se elimina por completo
al usar las nuevas variables en lugar de las originales (Romía & Bernàrdez, 2009).
El objetivo de PCA es permitir que la matriz de datos original se reduzca a una más
simple mientras se elimina la información inútil. El algoritmo inicialmente determina la
dirección de máxima variabilidad en los datos, luego el siguiente en importancia y así
sucesivamente. Para este fin, utiliza cualquier vector en el espacio K-dimensional y lo
gira alrededor del origen para alcanzar la posición que mejor se ajuste a la dirección
principal de los datos (Figura 1.8). Los puntos se proyectan en el nuevo eje P1 y se
calcula su varianza. Existe un ángulo donde la varianza es máxima; en esa posición, el
vector P1 será la primera CP (es decir, el vector que mejor describe la posible dirección
principal de variabilidad en los puntos). Los cosenos directores del vector serán los
loadings y reflejarán la posición del nuevo eje en el espacio K-dimensional (Figura 1.9).
Al proyectar los puntos en el espacio de K dimensiones en este vector, se pueden
calcular las coordenadas de los puntos respecto a la primera CP (es decir, los scores).
Así, el primer vector scores-loadings identifica el primer CP y es equivalente a
seleccionar el vector propio con el valor propio más grande en la matriz de covarianza
(Romía & Bernàrdez, 2009)
Capítulo 1 57
Figura 1.8. Descripción del primer componente en PCA
(Swarbrick & Westad, 2016)
Figura 1.9. Descripción del primer componente en PCA, rotación en el origen
(Swarbrick & Westad, 2016)
Ahora bien, para decidir el número de componentes principales, existen ciertos criterios
como (Otto, 2016): porcentaje de varianza explicada, criterio de valor propio uno, prueba
de Scree, validación cruzada.
▪ Modelos de regresión
La calibración es el proceso mediante el cual se establece la relación matemática entre
los valores proporcionados por un instrumento o sistema de medición y los conocidos
para el objeto material medido. La expresión matemática que relaciona las respuestas
analíticas o las señales con las concentraciones se conoce como ecuación de
58 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
calibración o modelo de calibración. La mayoría de las técnicas analíticas utilizan una
línea recta para la calibración debido su capacidad para ilustrar una relación directa
entre las señales medidas y las concentraciones (calibración univariada). Sin embargo,
un modelo de calibración lineal solo puede ser útil para fines de cuantificación si la señal
analítica depende exclusivamente de la concentración del analito específico para el que
se ha desarrollado el modelo. Las mediciones espectroscópicas se utilizan para
establecer una relación lineal entre la absorbancia o la absorbancia aparente y la
concentración a través de la ley de Beer-Lambert. Los modelos de calibración para estas
técnicas generalmente se construyen mediante regresión de mínimos cuadrados (LSR)
de los valores de absorbancia para un conjunto de estándares frente a sus
concentraciones. En aplicaciones del mundo real, donde los datos son típicamente
ruidosos, es muy poco probable que las variables estén completamente
correlacionadas; sin embargo, un grado sustancial de correlación entre variables puede
conducir a una matriz invertida inestable. Otros algoritmos comunes utilizados para
realizar regresión incluyen mínimos cuadrados parciales (PLS) y regresión de
componentes principales (PCR). Estos métodos de regresión están diseñados para
evitar problemas asociados con el ruido y las correlaciones (colinealidad) en los datos.
La Tabla 1.10 resume los algoritmos más comunes empleados para realizar regresiones
(Granato & Ares, 2014):
Tabla 1.10. Métodos de regresión empleados en análisis cuantitativo
Método Características
Mínimos cuadrados (LS) Fácil de calcular y comprender, se utiliza para
conjuntos de muestras simples (por ejemplo,
compuestos puros). Requiere variables
aisladas (como bandas espectrales), grandes
errores de predicción.
Mínimos cuadrados clásico (CLS) Basado en la Ley de Beer, utiliza una gran
cantidad de variables, no adecuadas para
mezclas de compuestos, susceptibles a
efectos de línea base.
Mínimos cuadrados inverso (ILS) Es un método flexible utilizado solo para
calibración indirecta y sin restricciones en
cuanto al número de variables, es la base de
la regresión multivariada.
Mínimos cuadrados parciales (PLS) Método flexible, de espectro completo, de
compresión de variables, combina ILS y CLS,
Capítulo 1 59
las calibraciones son robustas, efecto de
colinealidad.
Regresión de componentes principales
(PCR)
Es un método flexible de espectro completo.
Compresión de variables, utiliza regresión
inversa, requiere conocimiento de PCA.
Análisis de redes neuronales Método de compresión flexible que utiliza un
número restringido de variables de entrada y
es compatible con calibración inversa e
indirecta.
La construcción de un modelo de calibración multivariante es un proceso complejo y
lento que requiere una cuidadosa selección de variables para garantizar una predicción
precisa de muestras desconocidas. Esto requiere el conocimiento no solo de las
muestras objetivo sino también de las técnicas quimiométricas, a fin de obtener un
modelo que conserve su capacidad predictiva a lo largo del tiempo y que sea fácil de
actualizar. Debido a que el modelo generalmente será aplicado por operadores no
calificados, debe entregar información analítica de una manera fácil de interpretar
(Blanco y Bernardez, 2009). El proceso para obtener un modelo robusto implica los
siguientes pasos:
▪ Elegir las muestras para incluir en el conjunto de calibración
▪ Determinar la propiedad a predecir utilizando un método apropiado
(composición)
▪ Obtener la señal instrumental analítica (espectros)
▪ Preprocesamiento de los datos
▪ Construcción del modelo
▪ Validación interna (Cross-validation)
▪ Predicción de muestras desconocidas.
La selección de muestras de calibración es uno de los pasos más importantes para
construir un modelo de calibración e implica elegir una serie de muestras, que
idealmente debería abarcar todas las fuentes posibles de variabilidad física y química
en las muestras que se preverán posteriormente (Blanco y Bernardez, 2009). El modelo
solo funcionará con precisión si tanto las muestras de calibración como las muestras de
predicción pertenecen a la misma población. Por lo general, el conjunto o población de
muestras disponibles se divide en dos subconjuntos, llamados conjunto de calibración
60 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
(utilizado para construir el modelo) y conjunto de validación (Næs et al., 2002; McClure,
2003; Cozzolino et al., 2006a, 2011a, 2011b; Nicolai et al., 2007; Walsh y Kawano, 2009)
Como se describió anteriormente, antes de construir un modelo de calibración para un
analito dado empleando espectros (NIR y MIR), se debe realizar el preprocesamiento
de la información espectral. Las técnicas de preprocesamiento se utilizan para eliminar
cualquier información irrelevante que las técnicas de regresión no puedan manejar. Esto
puede incluir funciones como el promedio de espectros, que se utiliza para reducir el
número de longitudes de onda; o para suavizar el espectro (Nicolai et al., 2007), filtros
de media móvil y el algoritmo Savitzky-Golay (Næs et al., 2002; Mark y Workman, 2003;
Nicolai et al., 2007; Blanco y Bernardez, 2009). Otra técnica de preprocesamiento
comúnmente utilizada es la estandarización. La estandarización quiere decir que se
divide el espectro en cada longitud de onda por la desviación estándar del espectro en
esta longitud de onda. Por lo general, las variaciones de todas las longitudes de onda
se estandarizan a uno, lo que resulta en una influencia igual de las variables en el
modelo. También son posibles otros procedimientos de estandarización (Næs et al.,
2002; Mark y Workman, 2003; Blanco y Bernardez, 2009). La estandarización se usa
comúnmente cuando las variables se miden en diferentes unidades o tienen diferentes
rangos. Si bien la mayoría del software de quimiometría ofrece varios métodos de
normalización, la corrección de dispersión múltiple (MSC) y la corrección de variación
normal estándar (SNV) son las dos técnicas de normalización más populares (Dhanoa
et al., 1994; Næs et al., 2002; Mark y Workman, 2003; Blanco y Bernardez, 2009). La
MSC se usa para compensar los efectos aditivos (cambio de línea de base) y
multiplicativos (inclinación) en los datos espectrales, que son inducidos por efectos
físicos (dispersión, tamaño de partículas y el índice de refracción) (Mark y Workman,
2003; Nicolai et al., 2007; Blanco y Bernardez, 2009). Con SNV, cada espectro individual
se normaliza a promedio cero y varianza unitaria (Dhanoa et al., 1994). Por otro lado, la
derivación se utiliza para eliminar los cambios de línea base y los picos superpuestos
(Duckworth, 2004; Næs et al., 2002; (Granato & Ares, 2014)).
Una vez que se ha desarrollado el modelo de calibración, se debe evaluar su capacidad
para predecir muestras desconocidas que no están presentes en el conjunto de
calibración (que no se utilizaron para construir el modelo). Esto implica aplicar el modelo
a un número limitado de muestras no incluidas en el conjunto de calibración, para las
cuales se conoce previamente la propiedad objetivo que va a predecir el modelo. Los
resultados proporcionados por el modelo se comparan directamente con los valores de
Capítulo 1 61
referencia; si los dos son esencialmente idénticos, el modelo proporcionará predicciones
precisas y será útil para determinar la propiedad objetivo en el futuro. Para evaluar la
precisión del modelo de calibración y evitar problemas de sobreajuste, se deben aplicar
procedimientos de validación, ya que un modelo de calibración sin validación no tiene
sentido. En este sentido, la validación cruzada es un método práctico para demostrar
que la espectroscopía puede predecir algo, no obstante, la precisión real debe estimarse
con un conjunto de prueba o conjunto de validación apropiado (Otto, 1999; Brereton,
2000; Næs et al., 2002). De esta manera, la capacidad predictiva del método debe
demostrarse utilizando un conjunto de validación independiente.
Diferentes parámetros estadísticos se reportan en la literatura para interpretar una
calibración. Por ejemplo, el error de predicción de un modelo se define como el error
cuadrático medio de raíz para la validación cruzada (RMSECV) cuando se utiliza
validación cruzada o el error cuadrático medio de predicción (RMSEP) cuando se utiliza
validación externa (Næs et al., 2002; Walsh y Kawano, 2009). El coeficiente de
determinación (R2) representa la proporción de la varianza explicada de la variable
respuesta en los conjuntos de calibración o validación. El número de variables latentes
(componentes o factores) en el modelo de regresión generalmente se determina como
aquel que minimiza el RMSECV o RMSEP. La calidad del modelo también se puede
determinar asegurando que el valor de RMSEP no exceda el doble del error estándar
del laboratorio (SEL) (Granato & Ares, 2014).
▪ Mínimos cuadrados parciales
El método PLS, que fue introducido por Wold (1975), se ha utilizado como una
alternativa a la regresión de mínimos cuadrados ordinarios para resolver problemas que
involucran alta colinealidad o la necesidad de calcular variables Y correlacionadas.
Desde su formulación original, PLS se ha asociado con otros métodos y algoritmos
matemáticos. Los algoritmos más utilizados para implementar PLS son NIPALS
(mínimos cuadrados parciales iterativos no lineales) y SIMPLS. Algunos recientes, sin
embargo, se apartan del procedimiento clásico iterativo y facilitan una regresión global
y rápida. En cualquier caso, las variables y están relacionadas con las variables x a
través de variables auxiliares llamadas variables latentes, o factores o componentes,
que son combinaciones lineales de las variables x1, x2, ..., xK, y son muy similares a las
CP calculadas por PCA. De esta manera, cada componente se obtiene maximizando la
covarianza entre 𝑦 y cada posible función lineal de X (Romía & Bernàrdez, 2009).
62 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
El esquema general del método PLS para las etapas de calibración y validación se
describe en la Figura 1.10:
Figura 1.10. Descripción general del algoritmo PLS en las etapas de calibración y
predicción
(Romía & Bernàrdez, 2009)
1.8 Bibliografía
Al-Babili, S., & Bouwmeester, H. J. (2015). Strigolactones, a novel carotenoid-derived
plant hormone. Annual Review of Plant Biology, 66, 161–186.
Amorim-Carrilho, K. T., Cepeda, A., Fente, C., & Regal, P. (2014). Review of methods
for analysis of carotenoids. TrAC Trends in Analytical Chemistry, 56, 49–73.
Anjos, O., Santos, A. J. A., Dias, T., & Estevinho, L. M. (2017). Application of FTIR-
ATR spectroscopy on the bee pollen characterization. Journal of Apicultural
Research, 56(3), 210–218.
Arscott, S. A. (2013). Food sources of carotenoids. In Carotenoids and human health
(pp. 3–19). Springer.
Azevedo-Meleiro, C. H., & Rodriguez-Amaya, D. B. (2007). Qualitative and quantitative
differences in carotenoid composition among Cucurbita moschata, Cucurbita
maxima, and Cucurbita pepo. Journal of Agricultural and Food Chemistry, 55(10),
4027–4033.
Capítulo 1 63
Barcelo, D., Lopes, J., & Sousa, C. (2018). Vibrational Spectroscopy for Plant Varieties
and Cultivars Characterization. Elsevier Science.
https://books.google.com.co/books?id=NnFZDwAAQBAJ
Barreiro, J. A., Milano, M., & Sandoval, A. J. (1997). Kinetics of colour change of
double concentrated tomato paste during thermal treatment. Journal of Food
Engineering, 33(3), 359–372.
Becerra, J., & Santos-Ruiz, L. (2012). Hot Topics in Cell Biology. Chartridge Books
Oxford.
Berendschot, T. T. J. M., & Plat, J. (2014). Plant stanol and sterol esters and macular
pigment optical density. In Handbook of nutrition, diet and the eye (pp. 441–449).
Elsevier.
Bhosale, P., & Bernstein, P. S. (2007). Vertebrate and invertebrate carotenoid-binding
proteins. Archives of Biochemistry and Biophysics, 458(2), 121–127.
Breithaupt, D. E., & Bamedi, A. (2002). Carotenoids and carotenoid esters in potatoes
(Solanum tuberosum L.): new insights into an ancient vegetable. Journal of
Agricultural and Food Chemistry, 50(24), 7175–7181.
Breithaupt, D. E., Wirt, U., & Bamedi, A. (2002). Differentiation between lutein
monoester regioisomers and detection of lutein diesters from marigold flowers
(Tagetes erecta L.) and several fruits by liquid chromatography− mass
spectrometry. Journal of Agricultural and Food Chemistry, 50(1), 66–70.
Britton, G. (1995). Structure and properties of carotenoids in relation to function. The
FASEB Journal, 9(15), 1551–1558.
Bureau, S., Cozzolino, D., & Clark, C. J. (2019). Contributions of Fourier-transform mid
infrared (FT-MIR) spectroscopy to the study of fruit and vegetables: A review.
Postharvest Biology and Technology, 148, 1–14.
Caballero, B., Finglas, P., & Toldrá, F. (2015). Encyclopedia of food and health.
Academic Press.
Cabrera, F. A. V. (2004). Producción de hortalizas de clima cálido. Univ. Nacional de
Colombia.
Cacciola, F., Donato, P., Beccaria, M., Dugo, P., & Mondello, L. (2012). Advances in
64 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
LC-MS for food analysis. Lc Gc Europe, 25(5), 15-+.
Carvalho, L. M. J. de, Smiderle, L. de A. S. M., Carvalho, J. L. V. de, Cardoso, F. de S.
N., & Koblitz, M. G. B. (2014). Assessment of carotenoids in pumpkins after
different home cooking conditions. Food Science and Technology, 34(2), 365–
370.
Castañeda-Pérez, E., Osorio-Revilla, G. I., Gallardo-Velázquez, T., & Proal-Nájera, J.
B. (2013). Uso de FTIR-HATR y análisis multivariable para el seguimiento de la
degradación de compuestos bioactivos durante el secado de pimiento rojo.
Revista Mexicana de Ingeniería Química, 12(2), 193–204.
Cervantes, D. M. F. (2007). Puce. INIAP Archivo Historico.
Coleman, P. B. (1993). Practical sampling techniques for infrared analysis. CRC Press.
Cortés-Herrera, C., Chacón, A., Artavia, G., & Granados-Chinchilla, F. (2019).
Simultaneous LC/MS Analysis of Carotenoids and Fat-Soluble Vitamins in Costa
Rican Avocados (Persea americana Mill.). Molecules, 24(24), 4517.
Craft, N. E., Wise, S. A., & Soares Jr, J. H. (1992). Optimization of an isocratic high-
performance liquid chromatographic separation of carotenoids. Journal of
Chromatography. A, 589(1–2), 171–176.
Cvetkovic, D., & Nikolic, G. (2017). Carotenoids. IntechOpen.
https://books.google.com.co/books?id=isWPDwAAQBAJ
Daramola, M. O., & Ayeni, A. O. (2020). Valorization of Biomass to Value-Added
Commodities: Current Trends, Challenges, and Future Prospects. Springer
International Publishing AG.
https://books.google.com.co/books?id=ppneDwAAQBAJ
De Nardo, T., Shiroma-Kian, C., Halim, Y., Francis, D., & Rodriguez-Saona, L. E.
(2009). Rapid and simultaneous determination of lycopene and β-carotene
contents in tomato juice by infrared spectroscopy. Journal of Agricultural and Food
Chemistry, 57(4), 1105–1112.
Decker, E. A., Faustman, C., & Lopez-Bote, C. J. (2000). Antioxidants in muscle foods:
nutritional strategies to improve quality. John Wiley & Sons.
Delmoro, J., Muñoz, D., Nadal, V., Clementz, A., & Pranzetti, V. (2010). El color en los
Capítulo 1 65
alimentos: determinación de color en mieles. Invenio: Revista de Investigación
Académica, 25, 145–152.
Ekinci, D. (2015). Biotechnology. IntechOpen.
https://books.google.com.co/books?id=SmmQDwAAQBAJ
Fernández-Vázquez, R., Hewson, L., Fisk, I., Vila, D. H., Mira, F. J. H., Vicario, I. M., &
Hort, J. (2014). Colour influences sensory perception and liking of orange juice.
Flavour, 3(1), 1.
Fernández‐Vázquez, R., Stinco, C. M., Meléndez‐Martínez, A. J., Heredia, F. J., &
Vicario, I. M. (2011). Visual and instrumental evaluation of orange juoce color: A
Consumers’ Preference Study. Journal of Sensory Studies, 26(6), 436–444.
Fiedor, J., & Burda, K. (2014). Potential role of carotenoids as antioxidants in human
health and disease. Nutrients, 6(2), 466–488.
Finkel’shtein, E. I. (2016). Modern methods of analysis of carotenoids. Pharmaceutical
Chemistry Journal, 50(2), 96–107.
Galanakis, C. M. (2019). Carotenoids: Properties, Processing and Applications.
Elsevier Science. https://books.google.com.co/books?id=H7SrDwAAQBAJ
García Cabello, R. (2016). Aplicación de técnicas ópticas para la evaluación de
propiedades texturométricas de frutos comestibles.
Gauglitz, G., & Moore, D. S. (2014). Handbook of Spectroscopy. Wiley.
https://books.google.com.co/books?id=WhaKAwAAQBAJ
Godinho, A., & Bhosle, S. (2008). Carotenes produced by alkaliphilic orange-
pigmented strain of Microbacterium arborescens-AGSB isolated from coastal sand
dunes.
Gonzalez-Jorge, S., Ha, S.-H., Magallanes-Lundback, M., Gilliland, L. U., Zhou, A.,
Lipka, A. E., Nguyen, Y.-N., Angelovici, R., Lin, H., & Cepela, J. (2013).
Carotenoid cleavage dioxygenase4 is a negative regulator of β-carotene content
in Arabidopsis seeds. The Plant Cell, 25(12), 4812–4826.
Granato, D., & Ares, G. (2014). Mathematical and statistical methods in food science
and technology. John Wiley & Sons.
Granato, D., & Masson, M. L. (2010). Instrumental color and sensory acceptance of
66 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
soy-based emulsions: a response surface approach. Food Science and
Technology, 30(4), 1090–1096.
Gruszecki, W. I., & Strzałka, K. (2005). Carotenoids as modulators of lipid membrane
physical properties. Biochimica et Biophysica Acta (BBA)-Molecular Basis of
Disease, 1740(2), 108–115.
Gupta, P., Sreelakshmi, Y., & Sharma, R. (2015). A rapid and sensitive method for
determination of carotenoids in plant tissues by high performance liquid
chromatography. Plant Methods, 11(1), 5.
Hannoufa, A., & Hossain, Z. (2020). Carotenoid Biosynthesis and Regulation in Plants.
Agriculture and Agri-Food Canada.
Hurst, W. J. (2008). Methods of analysis for functional foods and nutraceuticals. CRC
Press.
Hussmann, S. (2018). Automation in Agriculture: Securing Food Supplies for Future
Generations. BoD–Books on Demand.
Jafari, S. M. (2020). Characterization of Nanoencapsulated Food Ingredients. Elsevier
Science. https://books.google.com.co/books?id=IFbVDwAAQBAJ
Joshi, M. A. (2018). DIGITAL IMAGE PROCESSING: AN ALGORITHMIC APPROACH.
PHI Learning Pvt. Ltd. https://books.google.com.co/books?id=gjNpDwAAQBAJ
Kaiser, P., Surmann, P., & Fuhrmann, H. (2009). Mobile phase additives for enhancing
the chromatographic performance of astaxanthin on nonendcapped polymeric
C30‐bonded stationary phases. Journal of Separation Science, 32(1), 34–43.
Kao, T. H., Loh, C. H., Inbaraj, B. S., & Chen, B. H. (2012). Determination of
carotenoids in Taraxacum formosanum by HPLC–DAD–APCI-MS and preparation
by column chromatography. Journal of Pharmaceutical and Biomedical Analysis,
66, 144–153.
Khoo, H.-E., Prasad, K. N., Kong, K.-W., Jiang, Y., & Ismail, A. (2011). Carotenoids
and their isomers: color pigments in fruits and vegetables. Molecules, 16(2),
1710–1738.
Kim, S. W., Ahn, M. S., Kwon, Y. K., Song, S. Y., Kim, J. K., Ha, S.-H., Kim, I.-J., & Liu,
J. R. (2015). Monthly metabolic changes and PLS prediction of carotenoid content
Capítulo 1 67
of citrus fruit by combined Fourier transform infrared spectroscopy and
quantitative HPLC analysis. Plant Biotechnology Reports, 9(4), 247–258.
Kim, Y., Himmelsbach, D. S., & Kays, S. E. (2007). ATR-Fourier transform mid-infrared
spectroscopy for determination of trans fatty acids in ground cereal products
without oil extraction. Journal of Agricultural and Food Chemistry, 55(11), 4327–
4333.
Kopec, R. E., Cooperstone, J. L., Cichon, M. J., & Schwartz, S. J. (2012). Analysis
methods of carotenoids. Analysis of Antioxidant-Rich Phytochemicals, 4, 105–148.
Kress-Rogers, E., & Brimelow, C. J. B. (2001). Instrumentation and sensors for the
food industry (Vol. 65). Woodhead Publishing.
Ladanyia, M., & Ladaniya, M. (2010). Citrus fruit: biology, technology and evaluation.
Academic press.
Li, L, Yuan, H., Zeng, Y., & Qiang, X. (2016). Carotenoids in nature biosynthesis,
regulation and function. Plastids and Carotenoids Accumulation, 1st Edn,
Switzerland, 273–293.
Li, Li, & Yuan, H. (2013). Chromoplast biogenesis and carotenoid accumulation.
Archives of Biochemistry and Biophysics, 539(2), 102–109.
Lin, M., Rasco, B., Cavinato, A. G., Al-Holy, M., Huang, Y., Tang, J., Mayes, D. M., Lin,
M., Mousavi-Hesary, M., & Mayes, D. M. (2009). Chapter 6—infrared (IR)
spectroscopy—near-infrared spectroscopy and mid-infrared spectroscopy.
Infrared Spectrosc Food Qual Anal Control, 119–143.
Lorenzo, J. M., & Munekata, P. E. (2016). Dietary Carotenoids for Reduction of Cancer
Risk. In Studies in Natural Products Chemistry (Vol. 51, pp. 223–251). Elsevier.
Lucarini, M., Durazzo, A., Del Pulgar, J. S., Gabrielli, P., & Lombardi-Boccia, G. (2018).
Determination of fatty acid content in meat and meat products: The FTIR-ATR
approach. Food Chemistry, 267, 223–230.
Machmudah, S., & Goto, M. (2013). Methods for extraction and analysis of carotenoids.
Natural Products, 3367–3411.
Mahindru, S. N. (2000). Food additives: characteristics, detection and estimation. Tata
McGraw-Hill Pub.
68 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Maiani, G., Periago Castón, M. J., Catasta, G., Toti, E., Cambrodón, I. G., Bysted, A.,
Granado‐Lorencio, F., Olmedilla‐Alonso, B., Knuthsen, P., & Valoti, M. (2009).
Carotenoids: actual knowledge on food sources, intakes, stability and
bioavailability and their protective role in humans. Molecular Nutrition & Food
Research, 53(S2), S194–S218.
Meléndez-Martínez, A. J., Mapelli-Brahm, P., Benítez-González, A., & Stinco, C. M.
(2015). A comprehensive review on the colorless carotenoids phytoene and
phytofluene. Archives of Biochemistry and Biophysics, 572, 188–200.
Meléndez-Martínez, A. J., Mapelli-Brahm, P., Hornero-Méndez, D., & Vicario, I. M.
(2019). Structures, Nomenclature and General Chemistry of Carotenoids and
Their Esters.
Meléndez-Martínez, A. J., Paulino, M., Stinco, C. M., Mapelli-Brahm, P., & Wang, X.-D.
(2014). Study of the time-course of cis/trans (Z/E) isomerization of lycopene,
phytoene, and phytofluene from tomato. Journal of Agricultural and Food
Chemistry, 62(51), 12399–12406.
Meléndez-Martínez, A. J., Stinco, C. M., & Mapelli-Brahm, P. (2019). Skin Carotenoids
in Public Health and Nutricosmetics: The Emerging Roles and Applications of the
UV Radiation-Absorbing Colourless Carotenoids Phytoene and Phytofluene.
Nutrients, 11(5), 1093.
Meléndez-Martínez, A. J., Vicario, I. M., & Heredia, F. J. (2005). Correlation between
visual and instrumental colour measurements of orange juice dilutions: effect of
the background. Food Quality and Preference, 16(5), 471–478.
Meléndez-Martínez, A. J., Vicario, I. M., & Heredia, F. J. (2007). Geometrical isomers
of violaxanthin in orange juice. Food Chemistry, 104(1), 169–175.
Meléndez Martínez, A. J., Vicario Romero, I., & Heredia Mira, F. J. (2007). Pigmentos
carotenoides: consideraciones estructurales y fisioquímicas.
Mercadante, A. Z. (2019). Carotenoid esters in foods: physical, chemical and biological
properties (Vol. 13). Royal Society of Chemistry.
Murillo, E., Giuffrida, D., Menchaca, D., Dugo, P., Torre, G., Meléndez-Martinez, A. J.,
& Mondello, L. (2013). Native carotenoids composition of some tropical fruits.
Food Chemistry, 140(4), 825–836.
Capítulo 1 69
Muzzaffar, S., Baba, W. N., Nazir, N., Masoodi, F. A., Bhat, M. M., & Bazaz, R. (2016).
Effect of storage on physicochemical, microbial and antioxidant properties of
pumpkin (Cucurbita moschata) candy. Cogent Food & Agriculture, 2(1), 1163650.
Nagarajan, J., Ramanan, R. N., Raghunandan, M. E., Galanakis, C. M., &
Krishnamurthy, N. P. (2017). Carotenoids, Nutraceutical and Functional Food
Components.
Nielsen, S. (2017). Food Analysis Laboratory Manual (3rd ed.). Springer.
Otto, M. (2016). Chemometrics: statistics and computer application in analytical
chemistry. John Wiley & Sons.
Pathare, P. B., Opara, U. L., & Al-Said, F. A.-J. (2013). Colour measurement and
analysis in fresh and processed foods: a review. Food and Bioprocess
Technology, 6(1), 36–60.
Perry, A., Rasmussen, H., & Johnson, E. J. (2009). Xanthophyll (lutein, zeaxanthin)
content in fruits, vegetables and corn and egg products. Journal of Food
Composition and Analysis, 22(1), 9–15.
Pfister, S., Meyer, P., Steck, A., & Pfander, H. (1996). Isolation and structure
elucidation of carotenoid− glycosyl esters in gardenia fruits (gardenia jasminoides
ellis) and saffron (crocus sativus linne). Journal of Agricultural and Food
Chemistry, 44(9), 2612–2615.
Pflanz, M., & Zude, M. (2008). Spectrophotometric analyses of chlorophyll and single
carotenoids during fruit development of tomato (Solanum lycopersicum L.) by
means of iterative multiple linear regression analysis. Applied Optics, 47(32),
5961–5970.
Provesi, J. G., Dias, C. O., & Amante, E. R. (2011). Changes in carotenoids during
processing and storage of pumpkin puree. Food Chemistry, 128(1), 195–202.
Quinlan, R. F., Shumskaya, M., Bradbury, L. M. T., Beltrán, J., Ma, C., Kennelly, E. J.,
& Wurtzel, E. T. (2012). Synergistic interactions between carotene ring
hydroxylases drive lutein formation in plant carotenoid biosynthesis. Plant
Physiology, 160(1), 204–214.
Rivera, S. M., Christou, P., & Canela‐Garayoa, R. (2014). Identification of carotenoids
using mass spectrometry. Mass Spectrometry Reviews, 33(5), 353–372.
70 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Roberts, J J, & Cozzolino, D. (2016). An overview on the application of chemometrics
in food science and technology—an approach to quantitative data analysis. Food
Analytical Methods, 9(12), 3258–3267.
Roberts, Jessica J, Power, A., Chapman, J., Chandra, S., & Cozzolino, D. (2018).
Vibrational spectroscopy methods for agro-food product analysis. In
Comprehensive Analytical Chemistry (Vol. 80, pp. 51–68). Elsevier.
Rodriguez-Amaya, D. B. (1999). Changes in carotenoids during processing and
storage of foods. Archivos Latinoamericanos de Nutrición, 49(3 Suppl 1), 38S-
47S.
Rodriguez-Amaya, D. B. (2015a). Food carotenoids: Chemistry, biology and
technology. John Wiley & Sons.
Rodriguez-Amaya, D. B. (2015b). Status of carotenoid analytical methods and in vitro
assays for the assessment of food quality and health effects. Current Opinion in
Food Science, 1, 56–63.
Rodriguez-Amaya, D. B., & Kimura, M. (2004). HarvestPlus handbook for carotenoid
analysis (Vol. 2). International Food Policy Research Institute (IFPRI) Washington,
DC.
Rodriguez-Concepcion, M., Avalos, J., Bonet, M. L., Boronat, A., Gomez-Gomez, L.,
Hornero-Mendez, D., Limon, M. C., Meléndez-Martínez, A. J., Olmedilla-Alonso,
B., & Palou, A. (2018). A global perspective on carotenoids: Metabolism,
biotechnology, and benefits for nutrition and health. Progress in Lipid Research,
70, 62–93.
Romía, M. B., & Bernàrdez, M. A. (2009). Multivariate calibration for quantitative
analysis. In Infrared spectroscopy for food quality analysis and control (pp. 51–
82).
Rubio-Diaz, D. E., De Nardo, T., Santos, A., de Jesus, S., Francis, D., & Rodriguez-
Saona, L. E. (2010). Profiling of nutritionally important carotenoids from
genetically-diverse tomatoes by infrared spectroscopy. Food Chemistry, 120(1),
282–289.
Rubio-Diaz, D. E., Francis, D. M., & Rodriguez-Saona, L. E. (2011). External calibration
models for the measurement of tomato carotenoids by infrared spectroscopy.
Capítulo 1 71
Journal of Food Composition and Analysis, 24(1), 121–126.
Rubio-Diaz, D. E., Santos, A., Francis, D. M., & Rodriguez-Saona, L. E. (2010).
Carotenoid stability during production and storage of tomato juice made from
tomatoes with diverse pigment profiles measured by infrared spectroscopy.
Journal of Agricultural and Food Chemistry, 58(15), 8692–8698.
Saini, R. K., & Keum, Y.-S. (2018). Carotenoid extraction methods: A review of recent
developments. Food Chemistry, 240, 90–103.
Saucedo-Hernandez, Y., Lerma-Garcia, M. J., Herrero-Martínez, J. M., Ramis-Ramos,
G., Jorge-Rodriguez, E., & Simo-Alfonso, E. F. (2011). Classification of pumpkin
seed oils according to their species and genetic variety by attenuated total
reflection Fourier-transform infrared spectroscopy. Journal of Agricultural and
Food Chemistry, 59(8), 4125–4129.
Schieber, A., & Carle, R. (2005). Occurrence of carotenoid cis-isomers in food:
technological, analytical, and nutritional implications. Trends in Food Science &
Technology, 16(9), 416–422.
Schweiggert, R. M., & Carle, R. (2017). Carotenoid deposition in plant and animal
foods and its impact on bioavailability. Critical Reviews in Food Science and
Nutrition, 57(9), 1807–1830.
Shi, X., Wu, H., Shi, J., Xue, S. J., Wang, D., Wang, W., Cheng, A., Gong, Z., Chen, X.,
& Wang, C. (2013). Effect of modifier on the composition and antioxidant activity
of carotenoid extracts from pumpkin (Cucurbita maxima) by supercritical CO2.
LWT-Food Science and Technology, 51(2), 433–440.
Shumskaya, M., & Wurtzel, E. T. (2013). The carotenoid biosynthetic pathway: thinking
in all dimensions. Plant Science, 208, 58–63.
Simpson, B. K., Aryee, A. N., & Toldrá, F. (2019). Byproducts from Agriculture and
Fisheries: Adding Value for Food, Feed, Pharma and Fuels. John Wiley & Sons.
Sommerburg, O., Keunen, J. E. E., Bird, A. C., & Van Kuijk, F. J. G. M. (1998). Fruits
and vegetables that are sources for lutein and zeaxanthin: the macular pigment in
human eyes. British Journal of Ophthalmology, 82(8), 907–910.
Song, J., Wang, X., Li, D., & Liu, C. (2017). Degradation kinetics of carotenoids and
visual colour in pumpkin (Cucurbita maxima L.) slices during microwave-vacuum
72 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
drying. International Journal of Food Properties, 20(sup1), S632–S643.
Song, J., Wang, X., Li, D., Meng, L., & Liu, C. (2017). Degradation of carotenoids in
pumpkin (Cucurbita maxima L.) slices as influenced by microwave vacuum drying.
International Journal of Food Properties, 20(7), 1479–1487.
Sun, D.-W. (2008). Modern techniques for food authentication. Academic Press.
Sun, T., Yuan, H., Cao, H., Yazdani, M., Tadmor, Y., & Li, L. (2018). Carotenoid
metabolism in plants: the role of plastids. Molecular Plant, 11(1), 58–74.
Swarbrick, B., & Westad, F. (2016). ANOVERVIEW OF CHEMOMETRICS FOR THE
ENGINEERING AND MEASUREMENT SCIENCES. Handbook of Measurement
in Science and Engineering, 3, 2309.
Toro Sánchez, S. (2009). Heterosis y habilidad combinatoria entre poblaciones
seleccionadas de (Cucúrbita moschata Duch. Ex Poir). Facultad de Ciencias
Agropecuarias.
Valdés-Restrepo, M. P., Ortiz-Grisales, S., Vallejo-Cabrera, F. A., & Baena-Garcia, D.
(2013). Phenotypic stability of traits associated with fruit quality in butternut
squash (Cucurbita moschata Duch.). Agronomía Colombiana, 31(2), 147–152.
van Breemen, R. B., Dong, L., & Pajkovic, N. D. (2012). Atmospheric pressure
chemical ionization tandem mass spectrometry of carotenoids. International
Journal of Mass Spectrometry, 312, 163–172.
Varzakas, T., & Tzia, C. (2015). Handbook of Food Processing, Two Volume Set. CRC
Press.
Venugopal, V. (2008). Marine products for healthcare: functional and bioactive
nutraceutical compounds from the ocean. CRC press.
Wehling, R. L. (2010). Infrared spectroscopy. In Food analysis (pp. 407–420). Springer.
Xu, Z., & Howard, L. R. (2012). Analysis of antioxidant-rich phytochemicals. John Wiley
& Sons.
Yahia, E. M. (2017). Fruit and Vegetable Phytochemicals: Chemistry and Human
Health, 2 Volumes. John Wiley & Sons.
Yahia, E. M., Gutiérrez-Orozco, F., & Arvizu-de Leon, C. (2011). Phytochemical and
Capítulo 1 73
antioxidant characterization of mamey (Pouteria sapota Jacq. HE Moore & Stearn)
fruit. Food Research International, 44(7), 2175–2181.
Young, A. J., & Lowe, G. L. (2018). Carotenoids—antioxidant properties.
Multidisciplinary Digital Publishing Institute.
Zaghdoudi, K., Ngomo, O., Vanderesse, R., Arnoux, P., Myrzakhmetov, B., Frochot, C.,
& Guiavarc’h, Y. (2017). Extraction, Identification and Photo-Physical
Characterization of Persimmon (Diospyros kaki L.) Carotenoids. Foods, 6(1), 4.
Zambrano Blanco, E. (2010). Mejoramiento genético de zapallo Cucurbita moschata:
obtención de un nuevo cultivar con fines de consumo en fresco adaptado a las
condiciones del Valle del Cauca. Maestría Ciencias Agrarias.
74 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
2. Espectroscopía FTIR-ATR, colorimetría y análisis de imagen combinadas con modelamiento de regresión multivariante como enfoque para la determinación de carotenoides totales en muestras de ahuyama (Cucurbita spp.)
2.1 Introducción
Una de las técnicas más utilizadas para la cuantificación de carotenoides es la
espectrofotometría UV-Vis, que exige un alto consumo de solventes y un extenso
protocolo de preparación de muestras. En este contexto, ha surgido un interés especial
en la espectroscopia vibracional, más específicamente en la espectroscopía infrarroja
por transformada de Fourier (FTIR), una poderosa herramienta para el análisis y
cuantificación de compuestos carotenoides en matrices alimentarias, cuando se
combina con métodos estadísticos multivariados (Karoui et al., 2010).
La región del infrarrojo medio (MIR) ubicada entre 4000 cm-1 y 450 cm-1 contiene
información que surge de las vibraciones moleculares sensibles a los estados químicos
y físicos de la muestra. Por lo anterior, se han desarrollado varios métodos basados en
FT-MIR para discriminar y determinar diversas propiedades de matrices alimentarias
(Bassbasi et al., 2014; Anjos et al., 2015; Mellado-Mojica et al., 2016; Biancolillo et al.,
2020), teniendo como ventajas la reducción del consumo de productos químicos y de
tiempo. Además, el uso de dispositivos de reflectancia total atenuada (ATR) simplifica
enormemente la aplicación de FTIR para el análisis cualitativo y cuantitativo de
materiales y de alimentos.
La capacidad de esta técnica para la determinación de carotenoides en matrices
alimentarias ha sido demostrada en matrices como el tomate, obteniendo buen
rendimiento en la cuantificación de licopeno (De Nardo et al., 2009).
Capítulo 2 75
Ahora bien, si la combinación de espectroscopía infrarroja con análisis multivariante no
permite obtener resultados satisfactorios, existe otra alternativa que consiste en
complementar la espectroscopía IR, con técnicas como colorimetría y análisis de
imagen, acopladas con análisis multivariante. En el caso de la colorimetría triestímulo
se sabe que los colorímetros, que miden y describen objetivamente el color visible, son
relativamente económicos y fáciles de usar. No obstante, una porción de ahuyama
puede presentar una gran área superficial, con variaciones internas de color, por lo cual
la colorimetría de triestímulo convencional no puede proporcionar mayor información a
una simple medición de un área pequeña, hecho que motiva a explorar otras técnicas
adicionales (Salazar-González et al., 2018). Además de la colorimetría triestímulo, se
han empleado metodologías como el análisis de imagen digital para evaluar el color en
matrices no uniformes como la ahuyama. Mediante el uso de cámaras digitales, es
posible obtener información de cada píxel. Estos sistemas adquieren información
colorimétrica en el espacio de color rojo, verde, azul (RGB). En este sentido, el análisis
de imagen se ha utilizado ampliamente en diversos alimentos como vinos, semillas de
uva, entre otros (Salazar-González et al., 2018; Rodríguez Pulido et al., 2017)
Actualmente no existen estudios previos de FTIR-ATR para la evaluación de
carotenoides en pulpa de ahuyama cuando se utiliza como única herramienta, ni
tampoco cuando se complementa con colorimetría o análisis de imagen. Por lo tanto, el
objetivo de esta primera parte del trabajo fue verificar la efectividad de técnicas como
espectroscopía FTIR-ATR, colorimetría triestímulo y análisis de imagen digital,
combinadas con algoritmo de mínimos cuadrados parciales, como herramientas para la
cuantificación de carotenoides totales en muestras de Cucurbita spp. provenientes
de distintas regiones geográficas de Colombia.
2.2 Materiales y métodos
2.2.1 Material vegetal
Para el estudio se seleccionaron 63 muestras de ahuyama de diferentes fuentes (Figura
2.1).
76 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 2.1 Ahuyamas Cucurbita spp. seleccionadas para el estudio. Esta fotografía se obtuvo posterior a la desinfección de las ahuyamas y previo a su congelación. 1: Valle del Cauca; 2: Tolima; 3: Huila; 4: Meta; 5: cv. Dorado; 6: cv. Mandarino; 7: Abanico 75; 8:
De estas, 31 se recolectaron en el centro experimental de la Universidad Nacional de
Colombia en Palmira (Valle del Cauca) [3 ° 32′05 ″ N 76 ° 17′44 ″ O; 1001 m.s.n.m.], un
proceso que tomó 3-5 meses (según el cultivar), y correspondieron a muestras de los
cultivares de Cucurbita moschata: cv. Boloverde (n = 6), cv. Dorado (n = 8), cv. Abanico
75 (n = 9); y de Cucurbita maxima: cv. Mandarino (n = 8). Estos cultivares han sido
descritos genética, morfológica y fisiológicamente (Baena García et al., 2010). Las
restantes 32 muestras fueron adquiridas directamente de proveedores locales, más
específicamente de la Corporación de Abastos de Bogotá S.A. (Corabastos). Estas
fueron muestras sanas de ahuyama, enteras y en su grado de maduración comercial,
cosechadas en los departamentos de Huila (n = 8), Tolima (n = 8), Valle del Cauca (n =
8) y Meta (n = 8), todas identificadas como pertenecientes a la especie Cucurbita
moschata, y fueron adquiridas el mismo día de llegada a Bogotá. Una vez que las
ahuyamas se cosecharon o adquirieron del mercado, dentro de un período máximo de
2 días, se desinfectaron en una solución de hipoclorito de sodio y luego se mantuvieron
en un cuarto de congelación a -30 °C hasta su procesamiento y análisis. La codificación
que se empleará en este capítulo para las ahuyamas seleccionadas se presenta en la
Tabla 2.1.
Capítulo 2 77
Tabla 2.1 Codificación de las ahuyamas seleccionadas para el estudio
Tipo de ahuyama
Código Especie Origen geográfico
Número de muestras recolectadas para el
estudio
cv. Dorado DO Cucurbita moschata
Duch
Palmira, Valle del Cauca (Colombia)
8
cv. Bolo verde
BV Cucurbita moschata
Duch
Palmira, Valle del Cauca (Colombia)
6
cv. Abanico 75
AB Cucurbita moschata
Duch
Palmira, Valle del Cauca (Colombia)
9
cv. Mandarino
MD Cucurbita maxima
Palmira, Valle del Cauca (Colombia)
8
Valluna VL Cucurbita moschata
Duch
Valle del Cauca (Colombia)
8
Mariquiteña MQ Cucurbita moschata
Duch
Mariquita, Tolima (Colombia)
8
Huilense HU Cucurbita moschata
Duch Huila (Colombia) 8
Llanera LL Cucurbita moschata
Duch Meta (Colombia) 8
2.2.2 Adquisición de las imágenes
El proceso consistió en fotografiar las ahuyamas con una cámara Canon EOS Rebel T3i
empleando a la vez un Colorchecker clásico X-rite (también conocido como cuadro de
calibración fotográfica), que permitió la calibración de la imagen. Así mismo, se utilizó
un espacio para garantizar condiciones de iluminación estándar para todas las
fotografías. Las imágenes se adquirieron con una dimensión de 5184x3456 pixeles y se
almacenaron en formato jpg. Debido a su extensión, proyección de sombras y alta
luminosidad, las imágenes se recortaron, para finalmente tener archivos con tamaños
entre 148 y 370 pixeles. El principio de la técnica consiste esencialmente en obtener los
parámetros R, G y B de las imágenes adquiridas, a partir de una validación previa con
datos modelados en una escala de color CIELAB (L*a*b*). La conversión de las
imágenes en valores RGB se realizó empleando el software MATLAB (The MathWorks,
EE. UU.).
78 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
2.2.3 Procesamiento de las muestras
Para el procesamiento de las muestras, inicialmente se retiraron la cáscara y las
semillas, y posteriormente la pulpa se porcionó y se procesó con ayuda de una licuadora
(SharkNinja, Canadá). Pequeñas porciones (20-30 mg) de la pulpa homogenizada
obtenida se usaron para el análisis con FTIR-ATR, y se denominaron “pulpa fresca”, que
corresponde al grado de aislamiento de analito más bajo (A). La porción restante de la
ahuyama homogenizada obtenida se liofilizó (-50 °C en el condensador, 30 °C en la
cámara de calentamiento, 1 mbar, 48 h) para también ser analizada con FTIR-ATR, y
se denominó “pulpa liofilizada” que corresponde al grado intermedio de aislamiento de
analito (B). Finalmente, las muestras liofilizadas se sometieron al protocolo de extracción
con hexano: acetona (1: 1) descrito en la sección 2.2.4; estos extractos (~ 50 µL) fueron
analizados por FTIR-ATR, correspondiente al grado de aislamiento más alto del analito
(C).
2.2.4 Determinación de propiedades fisicoquímicas
Las muestras de Cucurbita spp. (de la pulpa fresca homogenizada, A) se caracterizaron
mediante contenido de humedad (AOAC 934.06), sólidos solubles totales (AOAC
932.12), pH y acidez titulable (AOAC 942.15) (AOAC, 2012).
2.2.5 Determinación del color por colorimetría triestímulo
Las muestras (de la pulpa fresca homogeneizada, A) se midieron directamente
utilizando un colorímetro HunterLab ColorQuestXE (Hunter Associates Laboratory, Inc.).
De esta manera, las coordenadas triestímulo del espacio CIELab se determinaron en
coordenadas rectangulares como luminosidad (L*), a* (verde-rojo) y b* (azul-amarillo).
2.2.6 Determinación del contenido de carotenoides totales por
espectrofotometría UV-Vis
Se transfirieron 100 mg de muestra liofilizada y molida a un tubo Falcon de 10 mL y a
continuación se añadió la mezcla extractiva de solventes (1 mL de hexano: acetona en
relación 1:1) (Merck, EE. UU.). Luego, la mezcla se agitó en vortex durante 20 s y se
centrifugó a 14000 rpm durante 5 minutos a 4 °C. Este procedimiento se realizó varias
veces hasta la desaparición del color en la mezcla de solventes; luego, los extractos se
filtraron utilizando Whatman 4. Finalmente, se añadió de la misma mezcla extractiva
Capítulo 2 79
para completar un volumen de 10 mL en matraces volumétricos. La absorbancia de los
extractos se leyó en un espectrofotómetro Genesys 10S (Thermo Scientific, EE. UU.) a
454 nm. Para la curva de calibración, se realizó el siguiente procedimiento: se preparó
la solución madre pesando 0,005 g del estándar de β-caroteno (Sigma-Aldrich, 99%), y
se transfirió a un matraz volumétrico de 50 mL para luego ser llevado a volumen con la
mezcla de solventes hexano: acetona (relación 1: 1). Se prepararon soluciones estándar
de concentración 0.5, 1.5, 2.5, 3.5, 4.5, 5.5, 6.5 y 7.5 µg/mL, y su absorbancia se leyó a
454 nm. La curva de calibración, a partir de 13 repeticiones, se calculó por regresión de
mínimos cuadrados, de la siguiente manera: intercepto 0.0222 u.a.; pendiente 0.1592
u.a./µg/mL; R2> 0,99; El contenido total de carotenoides se expresó como µg de
equivalentes de β-caroteno /g, calculado de acuerdo con la siguiente ecuación:
𝐶𝑜𝑛𝑡𝑒𝑛𝑖𝑑𝑜 𝑑𝑒 𝑐𝑎𝑟𝑜𝑡𝑒𝑛𝑜𝑖𝑑𝑒𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 (𝜇𝑔 𝛽 − 𝑐𝑎𝑟𝑜𝑡𝑒𝑛𝑜𝑒𝑞
𝑔) = (
𝐴𝑏𝑠454 𝑛𝑚 − 𝑏
𝑚 ) ∗
𝑉
𝑊∗ 𝐷𝐹
Donde 𝐴𝑏𝑠454 𝑛𝑚 es la absorbancia medida a 454 nm; b y m son el intercepto y la
pendiente de la curva de Calibración, respectivamente; V es el volumen del extracto
(mL); W es el peso de la muestra liofilizada (g); y DF es el factor de dilución
correspondiente. El contenido de carotenoides totales se corrigió a base seca o base
húmeda, de acuerdo con el contenido de humedad de la muestra (liofilizada o fresca),
determinada como se describe en la sección 2.1.4
2.2.7 Espectroscopía infrarroja por transformada de Fourier
con reflectancia total atenuada (FTIR-ATR)
Los datos espectrales se obtuvieron con un equipo FTIR (Jasco, Japón) utilizando un
dispositivo de reflectancia total atenuada (ATR) de reflexión única de diamante. Se
adquirieron un total de 24 espectros por muestra con 24 scans por espectro con una
resolución espectral de 4 cm-1 en el intervalo espectral de 4000 a 450 cm-1. Los
espectros medidos se registraron y pretrataron con los procedimientos incorporados
para la eliminación de agua y CO2, con el software Spectra Manager (Jasco, Japón).
2.2.8 Análisis estadístico
Para las matrices de datos obtenidas a partir de las secciones 2.2.2, 2.2.4, 2.2.5, y
2.2.6 se efectuó el respectivo análisis ANOVA y la prueba de Tukey para identificar las
diferencias entre cultivares, a un nivel de significación de p <0,05. Dicho análisis se
80 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
realizó utilizando el software XLSTAT (Addinsoft, Francia), trabajando en el entorno de
Microsoft Excel (Microsoft, EE. UU.).
2.2.9 Análisis de componentes principales (PCA)
Haciendo uso del software MATLAB (The Mathworks, EE. UU.), se llevó a cabo el
procedimiento de análisis de componentes principales. Esto con el fin de determinar las
variables latentes o componentes principales que describan la máxima variabilidad de
los datos de imagen (variables R, G y B) y así poder visualizar posibles patrones de
agrupamiento, mediante la visualización del scoreplot. Adicionalmente, a través del
loading plot, fue posible observar la contribución de cada variable a las componentes
seleccionadas.
2.2.10 Modelado de regresión por mínimos cuadrados
parciales (PLS)
Los modelos de regresión para predecir el contenido de carotenoides totales se
desarrollaron mediante algoritmo de mínimos cuadrados parciales, que combina la
información espectral, colorimétrica y de imagen (X) con la información dependiente (Y),
es decir, el contenido de carotenoides totales determinado por espectrofotometría UV-
Vis. Los espectros se redujeron en el rango espectral (1300-3000 o 920-3000 cm-1) y se
dividieron en dos conjuntos de datos mediante el algoritmo de Kennard-Stone; un
conjunto de datos, que contiene alrededor del 70% de los espectros, se utilizó para la
calibración del modelo, y el 30% restante de los datos se utilizó para probar la
predictividad del modelo. Se utilizaron las siguientes técnicas de preprocesamiento
espectral (además de eliminación de agua y CO2), cada una por separado o en
combinación: sin preprocesamiento espectral, standard normal variate (SNV), suavizado
(Savitzky-Golay con ancho de filtro 15), primera derivada (Savitzky-Golay con ancho de
filtro 15), segunda derivada (Savitzky-Golay con ancho de filtro 15), siempre seguidos
de mean centering. La dimensionalidad del modelo, también conocida como el número
de variables latentes, se evaluó mediante estrategia de validación cruzada empleando
venetian-blinds. Para identificar el modelo más apropiado, se utilizaron parámetros
estadísticos como root mean square error of calibration (RMSEC) y root mean square
error of prediction (RMSEP), sumado al coeficiente de determinación (R2) de la
calibración y la predicción. Además, la capacidad de predicción de los modelos
obtenidos se evaluó comparando el RMSEP con el Error estándar de laboratorio
Capítulo 2 81
(RMSEL) de acuerdo con el procedimiento propuesto por Shenk & Westerhaus (1996),
empleando la siguiente ecuación:
𝑆𝐸𝐿 = ∑ (𝑦1 − 𝑦2)2𝑁
1
2𝑁
Donde 𝑦1 es la primera medida obtenida en el laboratorio; 𝑦2 es la segunda medida; N
es el número total de muestras.
Los modelos fueron desarrollados haciendo uso de PLS toolbox (Eigenvector, EE. UU.)
en el entorno MATLAB (The Mathworks, EE. UU.)
2.3 Resultados y discusión
2.3.1 Contenido de carotenoides totales e índices de calidad
fisicoquímica de muestras de Cucurbita spp.
El contenido de carotenoides totales de las 63 muestras de pulpa de Cucurbita spp. se
presenta en la Tabla 2.2, junto con sus parámetros de calidad fisicoquímica (contenido
de humedad, pH, acidez titulable y sólidos solubles totales). A partir de estos resultados,
es posible resaltar que este vegetal cultivado en Colombia es una fuente importante de
compuestos carotenoides, presentando una gran variabilidad en su contenido total
(155,8 μg/g – 2137,3 μg/g en base seca), según el cultivar u origen geográfico,
garantizando una representación robusta de carotenoides totales para el desarrollo del
modelo de regresión. C. moschata de Tolima presentó el mayor contenido de
carotenoides, con valores que exceden los 1000 μg/g (base seca), lo cual
probablemente está asociado con un índice de madurez más alto, como lo indica el pH
promedio más alto y una acidez más baja (Sharma and Rao, 2013). El cultivar Dorado
presentó el contenido de carotenoides más bajo, con valores comprendidos entre 155,8
y 291,8 μg/g (base seca).
82 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Tabla 2.2 Contenido de carotenoides totales y parámetros de calidad fisicoquímica de muestras de Cucurbita spp.
Origen o cultivar TCC (Base seca) (µg/g)
(X ± σ [mín. – máx.] (n))
pH (X ± σ [mín. –
máx.] (n))
Acidez titulable (g ácido málico eq/100 g) (X ± σ [mín. – máx.] (n))
Sólidos solubles totales (°Brix)
(X ± σ [mín. – máx.] (n)) Código Descripción
AB C. moschata D. (cv.
Abanico 75) 517,7 ± 173,3BC
[292,1 – 749,0](9) 6,070 ± 0,199CD
[5,830 – 6,500] (9) 0,295 ± 0,064A
[0,194 – 0,403] (9) 10,561 ± 1,521A
[8,100 – 13,400] (9)
LL C. moschata D. (origen: Meta)
1065,4 ± 616,1AB
[614,2 – 2081,3] (8) 6,349 ± 0,368AB
[5,990 – 7,030] (8) 0,136 ± 0,017BCD
[0,127 – 0,200] (8) 5,475 ± 1,705D
[3,700 – 8,000] (8)
MD C. maxima D. (cv.
Mandarino) 388,2 ± 127,0BC
[263,5 – 597,7] (8) 6,026 ± 0,138D
[5,800 – 6,270] (8) 0,107 ± 0,027CDE
[0,066 – 0,142] (8) 5,094 ± 0,812DE
[3,900 – 6,400] (8)
BV C. moschata D. (cv.
Bolo verde) 399,1 ± 192,3BC
[205,7 – 729,6] (6) 6,259 ± 0,264BCD
[5,910 – 6,650] (6) 0,149 ± 0,032BC
[0,115 – 0,214] (6) 7,775 ± 0,990C
[6,500 – 9,500] (6)
DO C. moschata D. (cv.
Dorado) 207,0 ± 55,0C
[155,8 – 291,8] (8) 6,301 ± 0,184ABC
[6,050 – 6,630](8) 0,178 ± 0,064B
[0,111 – 0,280] (8) 9,313 ± 1,063B
[7,400 – 11,300] (8)
VL C. moschata D.
(origen: Valle del Cauca)
744,3 ± 394,2ABC
[247,1 – 1299,7](8) 5,740 ± 0,166E
[5,560 – 6,020] (8)
0,101 ± 0,035DE
[0,062 – 0,135] (8) 5,688 ± 1,148D
[3,700 – 7,200] (8)
HU C. moschata D. (origen: Huila)
754,2 ± 266,2ABC
[453,600 – 1096,9] (8) 6,424 ± 0,291AB
[5,900 – 6,700] (8) 0,065 ± 0,003E
[0,057 – 0,059] (8) 4,100 ± 0,825E
[2,700 – 5,200] (8)
MQ C. moschata D. (origen:Tolima)
1203,1 ± 880,3A
[229,8 – 2137,3] (8) 6,554 ± 0,225A
[6,250 – 6,960] (8) 0,067 ± 0,001E
[0,063 – 0,068] (8) 5,206 ± 0,713DE
[4,200 – 6,500] (8)
General 659,9 ± 345,0
[155,8 – 2137,3] (63) 6,215 ± 0,259
[5,560 – 7,030] (63) 0,295 ± 0,064
[0,057 – 0,403] (63) 6,652 ± 2,298
[3,700 – 13,400] (63)
Capítulo 2 83
X=promedio, σ=desviación estandar, n=número de muestras. Las medias en la misma columna seguidas de una letra distinta indican diferencias
estadísticamente significativas (P <0.05).
84 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Hay diferentes rangos reportados de carotenoides totales tanto de C. moschata como
de C. maxima; en general, el contenido de carotenoides de las muestras colombianas
de Cucurbita spp. analizadas en este estudio concuerda con reportes anteriores. Ortiz
(2009) encontró que el contenido varía de 490,1 – 1365,8 μg/g en C. moschata de
Colombia (Valle del Cauca). En un estudio con ahuyamas brasileñas de la misma
especie, el contenido total de carotenoides varió entre 404,98 y 234,21 μg/g (Carvalho
et al., 2014). Azevedo-Meleiro & Rodriguez-Amaya (2007) reportaron contenidos de
118,7 μg/g y 105,1 μg/g para dos cultivares de C. moschata, y contenidos de 152,8 μg/g
y 123,4 μg/g para dos cultivares de C. maxima de Brasil (como la suma de β-caroteno,
α-caroteno, luteína, violaxantina y neoxantina, en base húmeda). (Murkovic et al., 2002)
encontraron contenidos de 30 μg/g y 205 μg/g en C. maxima, y de 42 μg/g y 130 μg/g
en C. moschata de diferentes variedades de Austria (como la suma de β-caroteno, α-
caroteno, luteína y zeaxantina, en base húmeda).
2.3.2 Análisis de imagen digital
El algoritmo propuesto básicamente implicaba dos etapas importantes, primero el
parcelamiento de la imagen y, segundo, el cálculo de los valores RGB. A partir de este
procedimiento se podría decir que el algoritmo fue capaz de identificar la muestra en
toda la imagen, reconocer los píxeles y extraer los valores RGB. Los resultados
obtenidos se muestran en la Tabla 2.3.
Tabla 2.3. Valores RGB obtenidos a partir de imágenes de los cultivares de
Cucurbita spp.
Origen o cultivar R
(X ± σ [mín.-máx.] (n))
G (X ± σ [mín.-máx.]
(n))
B (X ± σ [mín.-máx.] (n))
Código Descripción
AB C. moschata D. (cv. Abanico 75)
102,792 ±13,984C [80,17-118,83]
(7)
89,789 ±5,209 C [80,76-96,91]
(7)
68,413 ±6,877 B [61,06-80,23]
(7)
LL C. moschata D. (origen: Meta)
155,411±28,774B [122,394-92,117]
(8)
112,079±24,573BC [81,318-148,369]
(8)
68,510±17,692 B [41,128-97,483]
(8)
MD C. maxima D.
(cv. Mandarino)
191,606±15,323A
[162,565-205,724] (8)
122,614±12,978AB
[109,893-146,264] (8)
61,120 ±9,260B [41,552-69,993]
(8)
Capítulo 2 85
BV C. moschata D. (cv. Bolo verde)
89,983 ±21,588C [47,101-105,859]
(6)
83,478±19,216C [49,339-105,185]
(6)
60,945±12,484B [45,645-80,590]
(6)
DO C. moschata D.
(cv. Dorado)
166,385 ±6,654AB [159,593-74,776]
(8)
141,628±6,922A [132,293-153,428]
(8)
98,379±10,333A
[80,565-116,369] (8)
VL C. moschata D.
(origen: Valle del Cauca)
89,825 ±20,787C [52,595-108,315]
(8)
90,557±16,716C [58,638-103,033]
(8)
77,750±15,996AB [54,423-98,598]
(8)
HU C. moschata D. (origen: Huila)
87,400 ±23,901C [37,113-105,945]
(8)
93,485±27,656C [35,960-115,115]
(8)
72,313±20,652B [31,371-96,908]
(8)
MQ
C. moschata D. (origen:
Mariquita,Tolima)
104,706 ±17,417C [86,233-129,192]
(8)
106,171±11,657BC [95,231-128,431]
(8)
81,074±15,649AB [56,456-95,212]
(8) Promedio ± σ
(n)
123,514±18,553 (61)
104,975± 15,616 (61)
73,563± 13,618 (61)
X=promedio, σ=desviación estándar, n=número de muestras. Las medias en la misma
columna seguidas de una letra distinta indican diferencias estadísticamente
significativas (P <0.05).
El análisis de varianza revela las similitudes y diferencias entre cada cultivar descrito en
la Tabla 2.3. Para las tres variables R, G y B cabe destacar que la diferencia entre
cultivares “VL”, “HU” y “MQ” no es estadísticamente significativa, lo cual podría estar
relacionado con el hecho de que estos cultivares presentaban coloración verde. Lo
anterior queda demostrado con el PCA presentado en la Figura 2.2, donde se puede
apreciar que estos tres cultivares no están ni del lado positivo ni del lado negativo del
scoreplot, compartiendo la posición intermedia del gráfico. Por su parte, los cultivares
“DO” y “MD” están del lado positivo del scoreplot y los cultivares “AB” y “BV” están del
lado negativo. La similitud en este último par es consistente con los resultados del
ANOVA, lo cual indica que, si bien las unidades experimentales presentaban distinta
coloración, el fragmento analizado de la imagen de cada cultivar contenía pixeles con
cantidades similares de R, G y B.
De acuerdo a los resultados, una única componente fue suficiente para describir
prácticamente el 70% de la varianza, por lo cual dicha componente constituye el vector
propio con el valor propio más grande en la matriz de covarianza, siendo la componente
que captura la mayor parte de la información de las tres variables estudiadas (R,G,B).
86 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 2.2 Score plot para valores RGB en muestras de Cucurbita spp., donde DO=Dorado; AB=Abanico75; MD=Mandarino; BV=Bolo verde; LL=Llanera; VL=Valluna; MQ=Mariquiteña.
Los resultados sugieren que los cultivares Dorado, Abanico 75, Mandarino y Mariquiteña
tienen la menor variación intraclase, y contrario a esto, las ahuyamas de origen Llanera,
Huilense, Valluna y Bolo verde poseen una gran variación intraclase. Como se puede
observar, los cultivares con menor variación intraclase son en su mayoría aquellos que
se cultivaron en condiciones controladas en el centro experimental, mientras que
aquellos que poseen una alta variación intraclase son en su mayoría adquiridos
directamente del comercio. Según esta observación, al no tener la certeza de que se
han aplicado condiciones estrictas durante el cultivo de las ahuyamas obtenidas del
comercio, esto podría conducir a unidades experimentales heterogéneas, que difieren
entre sí en cuanto a su apariencia. Dicha variación intraclase concuerda con algunos
informes, que sugieren que ahuyamas pertenecientes al género Cucurbita, poseen
variabilidad en su coloración. (Balkaya et al., 2010; Grumet et al., 2017; Rodríguez et
al., 2018; Schaffer & Paris, 2003).
Al igual que el ojo humano, una cámara digital tiene sensores sensibles a tres colores.
En un chip CCD (dispositivo de carga acoplada) se diferencian por un filtro de Bayer.
Cada área del sensor Bayer de 2x2 píxeles contiene un píxel rojo, un píxel azul y dos
Capítulo 2 87
píxeles verdes. Por lo tanto, en el espacio de color RGB (Rojo Verde Azul), cada píxel
se describe por la intensidad de rojo, verde y azul que contiene (Sharma, 2018).
Cada uno de los componentes individuales R o G o B son normalmente valores de 8
bits (8 bits de resolución), cada uno en el rango de 0-255, siendo 255 el mayor valor
posible para almacenar en 8 bits (28 = 256 valores de [0-255]) (Zamojski et al., 2019).
En este contexto, considerando que el espacio de color RGB es un sistema de color
aditivo donde el proceso de reproducción aditiva mezcla varias cantidades de luz roja,
verde y azul para producir otros colores, y considerando que los componentes
predominantes son, rojo (R) y verde (G), la adición de estos dos componentes daría
lugar al color amarillo, lo cual es consistente con el hecho de que la mayoría de muestras
de Cucurbita spp. poseen una apariencia verde o amarilla en la superficie/cáscara. Lo
anterior queda demostrado con el loading plot, donde se corrobora el hecho de que las
variables R y G son las que mayor participación tienen en la componente seleccionada,
y por ende en la coloración de las unidades experimentales estudiadas, tal como se
observa en la Figura 2.3
Figura 2.3 Loading plot para las variables RGB en muestras de Cucurbita spp. V1, V2 y V3 son R, G y B, respectivamente.
2.3.3 Análisis colorimétrico
Los resultados obtenidos para el análisis colorimétrico realizado a la pulpa
homogeneizada de Cucurbita spp., se muestran en la Tabla 2.4.
A partir de estos resultados se puede apreciar que tanto a* como b* tienen valores
positivos, lo cual indica que todas las muestras analizadas presentan tonalidades
comprendidas en la gama de colores amarillo-rojo-naranja. Adicionalmente se puede
88 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
apreciar que los valores del croma oscilan entre 51 y 64, hecho que se traduce en
diferencias en la intensidad de color de las muestras (X-rite, 2016), unas con mayor
saturación que otras, lo cual podria ser una evidencia de la diferencia en composición
de los pigmentos de las diferentes muestras (carotenoides). Para evaluar los resultados
del Croma, se efectuó el respectivo análisis de ANOVA y la prueba de Tukey para
identificar las diferencia entre cultivares, a un nivel de confianza del 95%. Los resultados
sugieren que no hay diferencias significativas entre los cultivares Abanico y Mandarino,
al igual que entre las ahuyamas de origen Llanera y Mariquiteña. Por su parte las
ahuyamas Dorado, Huilense, Valluna y y Bolo verde son significativamente diferentes
de las demás.
Las observaciones subjetivas del color de la pulpa (última columna de la Tabla 2.4)
fueron consistentes con el valor de matiz obtenido (ángulo de tono), en que los valores
alrededor de 60° corresponden a tonalidades rojo-naranja, lo cual además es
consistente con los valores reportados en la literatura (Boscarol, 2007). Teniendo en
cuenta que en la mayoría de los casos el valor del ángulo de tono se encuentra alrededor
de 60°, se podría asegurar que los distintos cultivares tienen una tonalidad similar entre
sí. Lo anterior es consistente con el análisis ANOVA (nivel de confianza del 95%), donde
se encontró que no hay diferencias significativas entre las muestras analizadas.
Los valores anteriormente mencionados para Croma y matiz coinciden con reportes
literarios para C. moschata, donde los valores de Croma y matiz oscilan entre 60-70 y
70°-90° respectivamente (Itle & Kabelka, 2009). No obstante, existen reportes del
cultivar Bolo verde (C. moschata), cuyos valores varían entre 30-40 y 30°-50°,
respectivamente, que indican una saturación de color mucho menor, y una tonalidad
más rojiza en comparación a las muestras del presente estudio (Suarez et al., 2016).
Capítulo 2 89
Tabla 2.4. Coordenadas L*a*b* para las muestras de Cucurbita spp. (pulpa fresca homogeneizada).
Origen o cultivar L (claridad)
(X ± σ [mín. – máx.] (n))
a* (X ± σ [mín. –
máx.] (n))
b* (X ± σ [mín. – máx.]
(n))
C (Croma) (X ± σ [mín. –
máx.] (n))
Matiz (ángulo de tono)
(X ± σ [mín. – máx.] (n))
Imagen ilustrativa de
valor promedio de
color* Código Descripción
AB C. moschata
D. (cv. Abanico 75)
62,612±3,822BC
[55,303-67,370] (9)
27,494±1,643A
[24,290-29,707] (9)
57,298±5,666 A
[45,993-64,687] (9)
63,623±4,986 AB
[53,094-69,726] (9)
64,196±2,842 A
[60,027-69,421] (9)
LL C. moschata D. (origen:
Meta)
55,219±2,888D
[50,023-58,997] (8)
25,976±2,725 A
[21,270-28,463] (8)
50,038±9,353ABC [42,933-72,627]
(8)
56,509±8,873BCD [47,917-77,221]
(8)
62,192±3,670 A
[58,764-70,040] (8)
MD C. maxima D.
(cv. Mandarino)
64,196±2,580B
[60,457-67,060] (8)
26,460±1,517 A
[25.093-29,180] (8)
55,589±1,924AB [52,757-57,787]
(8)
61,599±1,145 AB
[60,014-63,046] (8)
64,515±2,028 A
[61,046-66,430] (8)
BV C. moschata
D. (cv. Boloverde)
61,760±4,395BCD
[55,877-65,923] (6)
27,645±2,567 A
[23,910-31,260] (6)
54,662±7,627 AB
[43,343-64,217] (6)
61,378±6,858 ABC
[50,685-70,344] (6)
62,872±3,966 A
[58,772-67,945] (6)
DO C. moschata
D. (cv. Dorado)
71,090±2,849A
[67,657-76,140] (8)
27,682±2,707 A
[21,630-30,357] (8)
58,409±3,228 A
[53,343-62,360] (8)
64,709±2,786 A
[59,801-69,305] (8)
64,593±2,795 A
[62,170-70,873] (8)
VL
C. moschata D. (origen: Valle del Cauca)
57,281±4,611CD
[51,787-64,387] (8)
25,701±2,969 A
[20,457-30,147] (8)
44,338±3,021C
[38,707-49,030] (8)
51,329±2,959 D
[45,478-55,571] (8)
59,879±3,365 A
[55,557-66,481] (8)
90 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
HU C. moschata D. (origen:
Huila)
56,915±1,146CD
[55,213-58,060] (8)
24,460±1,946 A
[22,600-27,770] (8)
47,490±4,303BC
[42,587-55,847] (8)
53,425±4,649 CD
[48,212-62,372] (8)
62,720±0,897 A
[61,092-63,689] (8)
MQ
C. moschata D. (origen: Mariquita, Tolima)
56,777±6,501CD
[47,160-66,127] (8)
26,029±2,814 A
[22,913-30,297] (8)
50,173±5,773ABC
[44,270-62,423] (8)
56,659±4,968 BCD
[49,849-66,701] (8)
62,347±3,908 A
[57,975-69,173] (8)
*Color converter (Nix Sensor, Estados Unidos) disponible en: https://www.nixsensor.com/free-color-converter/
X=promedio; σ=desviación estandar; n=numero de muestras
Capítulo 2 91
2.3.4 Análisis espectral
La Figura 2.4 (A) muestra el espectro característico de la pulpa fresca (cada uno
corresponde al promedio de 24 espectros). En general, los espectros son similares
respecto a la posición de los picos característicos. Sin embargo, la intensidad de varios
picos, en particular aquellos entre 1200 y 500 cm-1, varía mucho, lo que sugiere la
posibilidad de obtener información cuantitativa de la composición química de las
especies de Cucurbita a partir de estos espectros. En el espectro de la pulpa fresca, las
bandas del β-caroteno y la luteína podrían estar solapadas con los picos de otros grupos
funcionales. No obstante, es posible distinguir algunos picos característicos de estos
compuestos, como 960,1 cm-1 y 963,1 cm-1 (Figura 2.5). De acuerdo con la literatura, el
pico alrededor de 1550-1600 cm-1 correspondería a vibraciones de estiramiento de
dobles enlaces C=C en la cadena de polieno del β-caroteno. La región de
aproximadamente 450 cm–1 estaría asociada a vibraciones de deformación antisimétrica
de los grupos CH3 (cambio en los ángulos HCH) y grupos CH2 (vibraciones de tijera).
De la misma manera, las bandas de intensidad débil-media ubicadas alrededor de 1360-
1390 cm–1 estarían formadas por las vibraciones tipo “sombrilla” de los grupos CH3. El
pico más intenso del espectro, ubicado entre 950-980 cm-1 correspondería a las
vibraciones de deformación de los enlaces C-H en la cadena de polieno. Por otro lado,
la banda ubicada a aproximadamente 520-530 cm-1 estaría asociada con el cambio en
los ángulos y la deformación de la cadena de polieno (Berezin & Nechaev, 2005;
Schlücker et al., 2003). Es interesante notar la similitud de los espectros con los
reportados para muestras de pectina de C. maxima (Torkova et al., 2018), donde el pico
con un máximo de 3000-3600 cm-1 corresponde a las oscilaciones de los grupos O-H.
Otra banda asociada por estos autores con pectina de C. maxima, corresponde a 2926
cm-1, que corresponde a la oscilación de grupos funcionales que contienen enlaces C-
H. En el espectro FTIR de las muestras estudiadas de Cucurbita spp., también es
posible encontrar una banda alrededor de 1100 cm-1 que correspondería al estiramiento
C-O de alcoholes; banda que probablemente surge de compuestos carotenoides como
la luteína (Prabhu et al., 2015) (esta banda se puede apreciar también en la Figura 2.5),
o también de otros compuestos bioactivos con grupos alcohol que hacen parte de la
composición química de la pulpa de Cucurbita spp.(Kulczyński & Gramza-Michałowska,
2019a, 2019b). Según esto, además de compuestos carotenoides, los espectros
característicos de pulpa de Cucurbita spp., también están determinados por la presencia
de pectina y diferentes compuestos bioactivos.
92 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 2.4. Espectros característicos de FTIR-ATR de las muestras de Cucurbita spp. (n = 63) con diferentes protocolos de
procesamiento de muestras: (A) pulpa fresca (licuadora-homogenizada); (B) pulpa liofilizada; (C) extractos en hexano:acetona (1:1)
Capítulo 2 93
Figura 2.5. Espectros FTIR-ATR para β-caroteno y luteína
94 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
En los espectros de la pulpa liofilizada que se muestran en la Figura 2.4 (B), se puede
ver que el pico amplio e intenso con un máximo de 3200 a 3600 cm-1 corresponde a las
oscilaciones de los grupos OH en la molécula de agua, cuya intensidad se reduce debido
al proceso de liofilización. En estos espectros, es posible apreciar las mismas bandas
características de los espectros de la pulpa fresca: 2926 cm-1 que corresponde a la
oscilación de grupos con enlaces C-H, 1550 cm-1, asociada a dobles enlaces de la
cadena de polieno del β-caroteno. También se puede observar una de las bandas típicas
del β-caroteno, que se ubica alrededor de 968 cm-1 (De Nardo et al., 2009).
La Figura 2.4 (C) muestra los espectros de los extractos en hexano:acetona. En este
caso (al comparar con el espectro de la Figura 2.5) es posible identificar la banda
característica del β-caroteno a 3000 cm-1, sin embargo, se superpone con la banda típica
del hexano que también está alrededor de 3000 cm-1 (asociada a enlace C-H). Así
mismo, en estos espectros se observan las bandas características de la acetona, que
incluyen la banda intensa de aproximadamente 1720 cm-1 (asociada a enlace C=O), y la
banda alrededor de 1220 cm-1 que corresponde a la flexión C-C-C (Walton & Reyes,
1983; Weininger & Stermitz, 1988). El β-caroteno también produce una banda
característica alrededor de 968 cm-1, sin embargo, la absorbancia de la mezcla de
solventes es muy fuerte, por lo tanto, "ocultan" la del analito y no se observa la banda
correspondiente del carotenoide.
2.3.5 Regresión PLS: predicción del contenido de carotenoides
totales mediante datos espectrales IR
Se investigaron diferentes rangos espectrales y pretratamientos para desarrollar
modelos PLS con el fin de predecir el contenido de carotenoides totales en muestras de
Cucurbita spp. Posteriormente, se desarrollaron modelos para todos los protocolos de
preparación investigados (homogenización con licuadora (A), liofilización (B) y
extracción con hexano: acetona (1: 1) (C). Finalmente, se realizó procedimiento de
validación cruzada para cada modelo con el fin de confirmar la solidez de la calibración
y para seleccionar el número de variables latentes que minimizaban el error de
calibración y validación cruzada (RMSEC y RMSECV). Los detalles de los mejores
modelos desarrollados se presentan en la Tabla 2.5. Para cada preparación de muestra,
se seleccionó el mejor modelo teniendo en cuenta el error más bajo en la predicción
(RMSEP) y el mayor coeficiente de determinación en la predicción (R2PRED).
Capítulo 2 95
Tabla 2.5. Modelos de regresión PLS para la predicción del contenido de
carotenoides totales en pulpa de Cucurbita spp. a partir de espectros FTIR-ATR
Tratamiento de muestra
Rango espectral
(cm-1)
LV TCC rango de variación (µg/g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca (A)
1300-3000
8 21,0 230,1 57,1 0,93 12,8 0,425 42,5
4 21 230,1 57,1 0,72 23,26 0,66 25,66
Pulpa liofilizada
(B) 920-3000 8 182,8 2137,3 522,6 0,95 109,8 0,93 193,1
Extracto (C) 920-3000 7 162,1 2563,4 600,1 0,61 296,9 0,3 491
LV, variables latentes; TCC, contenido de carotenoides totales; min, valor mínimo del conjunto de
predicción; máx., valor máximo del conjunto de predicción; S.D., desviación estándar del conjunto de
predicción; R2, coeficiente de determinación; RMSEC, error cuadrático medio de calibración; RMSECV,
error cuadrático medio de validación cruzada; RMSEP, error cuadrático medio de predicción. El error para
la pulpa fresca se expresa como µg/g en base húmeda, mientras que el error para muestras liofilizadas se
expresa como µg/g en base seca.
El modelo obtenido para la pulpa fresca presentó una baja capacidad de predicción
(R2PRED de 0,66 en comparación con el R2
CAL de 0,93), lo que demuestra que el modelo
no es estable al pasar al conjunto de datos de predicción. Esto probablemente se
atribuye al alto contenido de agua, que implica una menor concentración de nutrientes
y, por lo tanto, una menor absorbancia de los compuestos de carotenoides en los
espectros y un mayor efecto de absorbancia ligado al contenido de agua. El RMSEP
obtenido fue 25,66 µg/g en base húmeda, que es más de dos veces el error estándar
de laboratorio (RMSEL) que fue 10,86 µg/g. De acuerdo a Shenk & Westerhaus (1996),
se puede considerar un modelo de predicción para la implementación real cuando el
RMSEP no excede el doble del SEL, por lo tanto, en estas circunstancias el modelo solo
podría ser aplicado con fines de detección de carotenoides, pero en una forma
preliminar. Por otro lado, el modelo de regresión obtenido empleando los espectros de
las muestras liofilizadas mejoró considerablemente (R2PRED de 0,92, RMSEP de 193 µg/g
en base seca), gracias al aumento de las bandas de absorción características, que no
están afectadas por la presencia de agua. En este caso, el valor de 2 x RMSEL fue de
208,09 µg/g en base seca, por lo tanto, el modelo estaría dentro del límite de
confiabilidad para la implementación de la técnica (espectroscopía FTIR-ATR) junto con
regresión PLS, para la determinación de carotenoides en muestras de Cucurbita spp.
liofilizadas. Ahora bien, se pensó que, al aumentar el grado de aislamiento del analito,
es decir, al realizar la extracción de carotenoides totales en hexano: acetona, sería
posible mejorar aún más la capacidad predictiva del modelo. Sin embargo, los grupos
funcionales de los solventes empleados se superponen y atenúan las bandas típicas de
96 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
los carotenoides, causando una muy baja predictividad de los modelos de regresión,
incluso cuando se evalúan rangos espectrales diferentes (Tabla 2.5).
El desempeño estadístico de los modelos PLS desarrollados en diferentes estudios para
la determinación del contenido de carotenoides en productos alimenticios frescos o
mínimamente procesados, utilizando datos espectrales MIR y NIR, se muestra en la
Tabla 2.6. En comparación, el modelo PLS desarrollado para las muestras liofilizadas
de este estudio tiene un buen desempeño estadístico, con parámetros comparables a
los de dichos estudios reportados.
Tabla 2.6. Rendimiento comparativo de métodos basados en técnicas MIR y NIR
para la determinación de carotenoides en muestras de alimentos.
Técnica Matriz
Rango de variación
(µg/g) (min –máx.)
Analito R2 RMSE Fuente
MIR Jugo de tomate
92.5-15.22 Licopeno 0,97 0,4
(De Nardo et al., 2009)
MIR Jugo de tomate
1.8 – 6.6 β-caroteno 0,91 0,054
(De Nardo et al., 2009)
NIR Ahuyama 67.1–451.2 Carotenoides totales 0,95 31,7
(Martínez-Valdivieso et al., 2014)
NIR Ahuyama 50.3–434.3 Luteína 0,96 26,8
(Martínez-Valdivieso et al., 2014)
NIR Ahuyama 0–24 β-caroteno 0,81 2,27
(Martínez-Valdivieso et al., 2014)
NIR Tomate 26.2 – 6290 Licopeno 0,85 91,19
(Baranska et al., 2006)
NIR Tomate 2.3 – 28.3 β-caroteno 0,8 0,41
(Baranska et al., 2006)
R2, coeficiente de determinación de los modelos reportado; RMSE, raíz del error cuadrático medio
reportado. MIR: espectroscopía de infrarrojo medio; NIR: espectroscopía de infrarrojo cercano.
En resumen, el modelo PLS obtenido con datos espectrales FTIR-ATR de muestras
liofilizadas fue el más apropiado. Este modelo permitió obtener valores de contenido de
carotenoides totales que son comparables a los obtenidos por la técnica
espectrofotométrica UV-Vis utilizada convencionalmente, con un menor consumo de
tiempo y evitando la necesidad de protocolos de extracción y solventes. La comparación
entre ambas técnicas se presenta en la Figura 2.6.
Capítulo 2 97
Figura 2.6. Comparación entre el contenido de carotenoides totales determinado
por espectrofotometría UV-Vis y el modelo PLS basado en espectroscopía FTIR-
ATR obtenido de muestras liofilizadas. En círculos grises, el conjunto de
entrenamiento; en rombos rojos, el conjunto de predicción.
2.3.6 Regresión PLS: predicción del contenido de carotenoides
totales mediante datos espectrales IR y datos de color.
Para investigar si los modelos PLS de la sección 2.3.5 podrían mejorarse, se pensó
que al mezclar datos de espectroscopía IR con valores de color triestímulo obtenidos
mediante análisis de colorimetría, sería posible lograr un mejor rendimiento en la
regresión PLS. En este caso, no se desarrollaron modelos para los extractos en hexano:
acetona, teniendo en cuenta la pobre capacidad predictiva obtenida para estas muestras
en la sección anterior. Primero, se aplicó preprocesamiento para eliminar el ruido y las
señales interferentes, y luego, el procedimiento de validación cruzada permitió
determinar el número de variables latentes con el mayor porcentaje de varianza
explicado. Los resultados de los modelos con el mejor rendimiento para los protocolos
de muestra: homogenización con licuadora (A) y liofilización (B) se presentan en la
Tabla 2.7.
98 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Tabla 2.7. Modelos de regresión PLS para la predicción del contenido de
carotenoides totales en pulpa de calabaza a partir de espectros FTIR-ATR y
valores de color L*a*b*
Tratamiento de
muestra
Rango espectral (cm-1)
LV
TCC rango de variación (µg/g)
Calibración Predicción
min máx. S.D. R2
CA
L
RMSEC
R2PRE
D
RMSEP
Pulpa fresca (A)
1300-3000
8 21,0
3 230,1
4 57,0
7 0,91 10,48 0,84 15,02
Pulpa liofilizada
(B)
1300-3000
6 21,0
3 230,1
4 57,0
7 0,9 16,16 0,88 20,55
Es posible apreciar que, a diferencia de la sección 2.3.5, el modelo para pulpa fresca
(homogenización con licuadora) mejoró considerablemente, presentando un coeficiente
R2 de 0,91 µg/g para calibración y 0,84 µg/g para predicción, lo que demuestra que el
modelo es estable al pasar del conjunto de calibración al conjunto de predicción. El valor
de RMSEP se comparó con el error estándar de laboratorio (SEL), para evaluar en qué
medida el modelo tiene una capacidad predictiva suficientemente buena dada la
aplicación real (Kutz, 2016). En este caso, el valor de RMSEP (15,02 µg/g) no excede
el doble del SEL (2 x SEL= 21,73 µg/g), por lo cual podría decirse que el modelo puede
considerarse para su implementación real. No obstante, el coeficiente de determinación
en la validación cruzada es relativamente bajo (0,62), denotando una estimación no
confiable del número de variables latentes, lo cual a su vez puede afectar la estimación
de la predictividad del modelo. Por otro lado, el modelo realizado con los espectros
infrarrojo de las muestras liofilizadas conduce a valores altos para los coeficientes de
calibración (0,90), validación cruzada (0,77) y predicción (0,88). De acuerdo a esto, la
comparación entre la técnica estándar (UV-Vis) y las técnicas propuestas (Color + FTIR-
ATR) para las muestras liofilizadas se presenta en la Figura 2.7.
Capítulo 2 99
Figura 2.7. Comparación entre el contenido de carotenoides totales determinado
por espectrofotometría UV-Vis y el modelo PLS basado en datos de colorimetría
triestímulo y FTIR-ATR obtenidos de muestras liofilizadas. En círculos grises, el
conjunto de entrenamiento; en rombos rojos, el conjunto de predicción.
En este caso el valor de RMSEP (20,55) tampoco excede el doble del valor de SEL (2 x
SEL= 21,73 µg/g), por lo cual, de acuerdo con Shenk & Westerhaus (1996) el modelo
puede considerarse para su implementación real.
De acuerdo a lo anterior se podría decir que, si bien las muestras frescas poseen un
buen RMSEP (que no excede el valor de SEL), las estadísticas de validación cruzada
son deficientes y, por lo tanto, el modelo no es confiable. Por otro lado, las muestras
liofilizadas conducen a un buen rendimiento en calibración, validación cruzada y
predicción, con un valor aceptable de RMSEP, que no excede el límite del SEL. No
obstante, el valor de R2PRED no es superior al obtenido empleando información
exclusivamente del infrarrojo en la matriz predictora (R2PRED = 0.93) por lo cual se podría
decir que, no es necesario recurrir a la combinación de absorbancias FTIR-ATR con
valores de colorimetría triestímulo para la determinación del contenido de carotenoides
totales, es decir, basta con emplear información obtenida mediante espectroscopía
FTIR-ATR.
100 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
2.3.7 Regresión PLS: predicción del contenido de carotenoides
totales mediante datos espectrales IR y datos de imagen
RGB
Como otra alternativa de mejora de los modelos de regresión obtenidos con datos de
FTIR-ATR, se exploró la combinación de estos datos espectrales con datos de imagen
RGB. Los datos de imagen RGB tienen una ventaja, y es que contienen información que
surge de toda la superficie de la ahuyama, por lo cual, podría esperarse que esta nueva
combinación de datos permita mejorar los modelos tanto para la muestra fresca como
liofilizada. En este caso, los datos RGB se procesaron con la función de auto escalado
antes de mezclarse con la matriz de datos IR, y los datos IR se procesaron con mean
centering. Los resultados de los modelos con el mejor rendimiento se presentan en la
Tabla 2.8.
Tabla 2.8. Modelos de regresión PLS para la predicción del contenido de
carotenoides totales en pulpa de Cucurbita spp. a partir de espectros FTIR-ATR
y valores de imagen RGB
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (µg/g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca (A)
1300-3000
7 21,03 229,42 52,8 0,87 18,82 0,85 23,96
Pulpa liofilizada
(B)
1300-3000
6 21,03 229,42 52,8 0,93 14,63 0,85 27,94
En este caso, el rango espectral de 1300-3000 cm-1 corresponde a la región de
absorción de carotenoides, y fue la región utilizada para desarrollar los modelos PLS
correspondientes a cada tipo de muestra. Cuando se usan datos de imagen combinados
con absorbancias de infrarrojo, se obtienen modelos que, si bien no exceden la
eficiencia de los modelos reportados en la sección 2.3.5 (usando solo datos de
infrarrojo), mantienen valores aceptables para R2CAL y R2
PRED. En ambos modelos, el
valor de RMSEP no excede el doble del error estándar de laboratorio en base seca (2 x
SEL = 208,09 µg/g). Sin embargo, el modelo de la pulpa fresca tiene un R2CV
relativamente bajo (0,70), lo que podría indicar una estimación incorrecta de la
dimensionalidad del modelo. De esta manera, se consideró que siete variables latentes
describían el modelo de la muestra fresca, lo cual sugiere que, dichos factores utilizados
Capítulo 2 101
para desarrollar el modelo no son correctos, y, por lo tanto, podría existir un problema
de sobreajuste.
La ligera mejora en el procedimiento de validación cruzada para las muestras liofilizadas
(R2CV = 0,77) permite establecer que, en este caso, la estimación del número de
variables latentes es correcta, lo que evita problemas de sobreajuste. De esta manera,
se puede evidenciar que el proceso de eliminación del contenido de agua en las
muestras de Cucurbita spp. favorece la predicción del contenido de carotenoides totales
mediante el uso de valores RGB y absorbancias IR como matriz predictora, lo que
denota que el análisis de imagen digital es una herramienta potencial para predecir
compuestos carotenoides cuando se utiliza junto a técnicas espectroscópicas y métodos
multivariados, al menos para muestras liofilizadas. En la Figura 2.8 se presenta la
comparación entre la técnica estándar y FTIR-ATR con datos de imagen.
Figura 2.8. Comparación entre el contenido de carotenoides totales determinado
por espectrofotometría UV-Vis y el modelo PLS basado en imágenes RGB y datos
FTIR-ATR obtenido de muestras liofilizadas. En círculos grises, el conjunto de
entrenamiento; en rombos rojos, el conjunto de predicción.
A partir del gráfico se puede afirmar que el modelo es preciso, por lo tanto, existe una
fuerte correlación entre los resultados medidos y los pronosticados. Esto es consistente
con los altos valores de R2CAL y R2
PRED, que indican que la bondad de ajuste del modelo
es aceptable. No obstante, los valores de R2PRED no son superiores a los obtenidos
mediante el uso de información del FTIR-ATR como matriz predictora.
102 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
2.4 Conclusión
Se desarrollaron con éxito modelos de regresión PLS para la evaluación del contenido
de carotenoides totales de Cucurbita spp., con valores de R2 de 0,95 y 0,93 para
calibración y predicción, respectivamente, basados en uso de espectros FTIR-ATR. La
región MIR comprendida entre 900 cm-1 y 3000 cm-1 fue la más apropiada para los
modelos de regresión, que incluye bandas como 950-980 cm-1 que proporcionan
información cuantitativa útil, probablemente asociada a grupos trans C=C de
isoprenoides como el β-caroteno y la luteína, que se sabe son carotenoides abundantes
en la ahuyama. Aunque en los extractos en hexano: acetona hay un mayor grado de
aislamiento del analito, los modelos de regresión presentaron una pobre capacidad
predictiva, que puede atribuirse a la superposición de bandas de carotenoides con las
bandas de los solventes empleados. En el caso de los modelos PLS obtenidos mediante
la combinación de datos IR con información colorimétrica, los resultados sugieren que,
el modelo de las muestras liofilizadas tiene coeficientes de determinación y errores
asociados a la predicción aceptables, sin embargo, la eficiencia del modelo no es
superior a la del modelo obtenido empleando únicamente información del infrarrojo, por
lo cual se puede concluir que no es necesario recurrir al uso de colorimetría triestímulo,
basta con el uso de las absorbancias del FTIR-ATR para la predicción de carotenoides
totales. De igual manera, los modelos PLS logrados mediante el uso de imágenes RGB
y absorbancias IR como matriz predictora indican que esta combinación funciona para
muestras liofilizadas, en cuanto conduce a una bondad de ajuste aceptable para
calibración, validación cruzada y validación externa, no obstante, el coeficiente de
determinación para la predicción no es superior en comparación al coeficiente obtenido
empleando únicamente información de FTIR-ATR. En suma, respecto a los modelos
multivariados de predicción del contenido de carotenoides totales obtenidos con
solamente información espectral de FTIR-ATR, la capacidad predictiva disminuye
ligeramente cuando son combinados con información de colorimetría y análisis de
imagen. Mediante la aplicación de modelos de regresión PLS y empleando regiones
espectrales como 920-3000 cm-1 y 1300-3000 cm-1, se pueden determinar carotenoides
totales en muestras de Cucurbita spp. a través de una metodología rápida que no implica
el uso de solventes o protocolos de extracción, y que requiere un entrenamiento mínimo,
lo cual representa una ventaja en términos de simplicidad, costo e impacto ambiental.
Capítulo 2 103
2.5 Bibliografía
Azevedo-Meleiro, C. H., & Rodriguez-Amaya, D. B. (2007). Qualitative and quantitative
differences in carotenoid composition among Cucurbita moschata, Cucurbita
maxima, and Cucurbita pepo. Journal of Agricultural and Food Chemistry, 55(10),
4027–4033.
Baena García, D., Ortiz Grisales, S., Valdés Restrepo, M. P., Estrada Salazar, E. I., &
Vallejo Cabrera, F. A. (n.d.). Unapal–abanico 75: nuevo cultivar de zapallo con
alto contenido de materia seca en el fruto para fines agroindustriales. Acta
Agronómica, 59(3), 285–292.
Balkaya, A., Özbakir, M., & Kurtar, E. S. (2010). The phenotypic diversity and fruit
characterization of winter squash (Cucurbita maxima) populations from the Black
Sea Region of Turkey. African Journal of Biotechnology, 9(2).
Baranska, M., Schütze, W., & Schulz, H. (2006). Determination of lycopene and β-
carotene content in tomato fruits and related products: comparison of FT-Raman,
ATR-IR, and NIR spectroscopy. Analytical Chemistry, 78(24), 8456–8461.
Berezin, K. V, & Nechaev, V. V. (2005). Calculation of the IR Spectrum and the
Molecular Structure of β-Carotene. Journal of Applied Spectroscopy, 72(2), 164–
171.
Boscarol, M. (n.d.). El espacio de color L*C*h.
Carvalho, L. M. J. de, Smiderle, L. de A. S. M., Carvalho, J. L. V. de, Cardoso, F. de S.
N., & Koblitz, M. G. B. (2014). Assessment of carotenoids in pumpkins after
different home cooking conditions. Food Science and Technology, 34(2), 365–
370.
De Nardo, T., Shiroma-Kian, C., Halim, Y., Francis, D., & Rodriguez-Saona, L. E.
(2009). Rapid and simultaneous determination of lycopene and β-carotene
contents in tomato juice by infrared spectroscopy. Journal of Agricultural and Food
Chemistry, 57(4), 1105–1112.
Grumet, R., Katzir, N., & Garcia-Mas, J. (2017). Genetics and genomics of
Cucurbitaceae. Springer.
Itle, R. A., & Kabelka, E. A. (2009). Correlation between L* a* b* color space values
104 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
and carotenoid content in pumpkins and squash (Cucurbita spp.). HortScience,
44(3), 633–637.
Kulczyński, B., & Gramza-Michałowska, A. (2019a). The Profile of Carotenoids and
Other Bioactive Molecules in Various Pumpkin Fruits (Cucurbita maxima
Duchesne) Cultivars. Molecules, 24(18), 3212.
Kulczyński, B., & Gramza-Michałowska, A. (2019b). The profile of secondary
metabolites and other bioactive compounds in Cucurbita pepo L. and Cucurbita
moschata pumpkin cultivars. Molecules, 24(16), 2945.
Kutz, M. (2016). Handbook of Measurement in Science and Engineering (Issue v. 3).
Wiley. https://books.google.com.co/books?id=4Z5tDAAAQBAJ
Martínez-Valdivieso, D., Font, R., Blanco-Díaz, M. T., Moreno-Rojas, J. M., Gómez, P.,
Alonso-Moraga, Á., & Del Río-Celestino, M. (2014). Application of near-infrared
reflectance spectroscopy for predicting carotenoid content in summer squash fruit.
Computers and Electronics in Agriculture, 108, 71–79.
Murkovic, M., Mülleder, U., & Neunteufl, H. (2002). Carotenoid content in different
varieties of pumpkins. Journal of Food Composition and Analysis, 15(6), 633–638.
Ortiz, S. (2009). Estudios genéticos en caracteres relacionados con el rendimiento y
calidad del fruto de zapallo Cucurbita moschata Duch para fines agroindustriales.
Universidad Nacional de Colombia Sede Palmira.
Prabhu, A., Abdul, K. S., & Rekha, P.-D. (2015). Isolation and Purification of Lutein
from Indian Spinach Basella alba. Research Journal of Pharmacy and
Technology, 8(10), 1379–1382.
Rodríguez Pulido, F. J., González-Miret Martín, M. L., & Heredia Mira, F. J. (2017).
Application of imaging techniques for the evaluation of phenolic maturity of grape
seeds. Optica Pura y Aplicada, 50 (1), 1-11.
Rodríguez, R. A., Valdés, M. P., & Ortiz, S. (2018). Características agronómicas y
calidad nutricional de los frutos y semillas de zapallo Cucurbita sp. Revista
Colombiana de Ciencia Animal Recia, 10(1), 86–97.
Salazar-González, C. Y., Rodríguez-Pulido, F. J., Terrab, A., Díaz-Moreno, C.,
Fuenmayor, C. A., & Heredia, F. J. (2018). Analysis of Multifloral Bee Pollen
Capítulo 2 105
Pellets by Advanced Digital Imaging Applied to Functional Food Ingredients. Plant
Foods for Human Nutrition, 73(4), 328–335.
Schaffer, A. A., & Paris, H. S. (2003). Melons, squashes, and gourds.
Schlücker, S., Szeghalmi, A., Schmitt, M., Popp, J., & Kiefer, W. (2003). Density
functional and vibrational spectroscopic analysis of β‐carotene. Journal of Raman
Spectroscopy, 34(6), 413–419.
Sharma, A. (2018). Understanding color management. John Wiley & Sons.
Shenk, J. S., & Westerhaus, M. O. (1996). Calibration the ISI way. Near Infrared
Spectroscopy: The Future Waves, 198–202.
Suarez, E. A., Paz Peña, S. P., Echeverria Restrepo, D. C., Ruiz, K., & Mosquera
Sanchez, S. A. (2016). EFECTO DEL SISTEMA DE PRODUCCIÓN EN LA
MADURACIÓN FISIOLÓGICA DE Cucurbita moschata VAR. BOLO VERDE.
Biotecnoloía En El Sector Agropecuario y Agroindustrial, 14(2), 29.
https://doi.org/10.18684/bsaa(14)29-37
Torkova, A. A., Lisitskaya, K. V., Filimonov, I. S., Glazunova, O. A., Kachalova, G. S.,
Golubev, V. N., & Fedorova, T. V. (2018). Physicochemical and functional
properties of Cucurbita maxima pumpkin pectin and commercial citrus and apple
pectins: A comparative evaluation. PloS One, 13(9), E0204261.
Torkova, A., Lisitskaya, K., Filimonov, I., Glazunova, O., Kachalova, G., Golubev, V., &
Fedorova, T. (2018). Physicochemical and functional properties of Cucurbita
maxima pumpkin pectin and commercial citrus and apple pectins: A comparative
evaluation. PLOS ONE, 13, e0204261.
https://doi.org/10.1371/journal.pone.0204261
Walton, H. F., & Reyes, J. (1983). Análisis químico e instrumental moderno. Reverté.
Weininger, S. J., & Stermitz, F. R. (1988). Química orgánica. Reverté.
X-rite. (2016). A guide to understanding color.
Zamojski, W., Mazurkiewicz, J., Sugier, J., Walkowiak, T., & Kacprzyk, J. (2019).
Engineering in Dependability of Computer Systems and Networks: Proceedings of
the Fourteenth International Conference on Dependability of Computer Systems
DepCoS-RELCOMEX, July 1–5, 2019, Brunów, Poland (Vol. 987). Springer.
106 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
https://www.redalyc.org/pdf/1699/169916224001.pdf
Capítulo 2 107
3. Espectroscopía FTIR-ATR, colorimetría y análisis de imagen combinadas con modelamiento de regresión multivariante como enfoque para la determinación de carotenoides específicos en muestras de ahuyama (Cucurbita spp.)
3.1 Introducción
La importancia del análisis cuantitativo de carotenoides en los alimentos es ampliamente
reconocida como un indicador de biodisponibilidad y funcionalidad de estos compuestos
(Rodriguez-Amaya, 2015). En este contexto, la cromatografía líquida de alta eficiencia
(HPLC) se ha utilizado tradicionalmente como la herramienta preferida para la
determinación de estos compuestos. Sin embargo, han surgido técnicas novedosas que
podrían usarse para simplificar y mejorar la cuantificación de carotenoides, cuando se
combinan con análisis estadístico multivariado. Estas técnicas incluyen la
espectroscopía FTIR-ATR, que puede usarse sola o combinada con colorimetría de
triestímulo o análisis de imagen digital para tal propósito. La espectroscopía infrarroja
por transformada de Fourier (FTIR) es una técnica que ha permitido el desarrollo de
metodologías aceptadas para evaluar diferentes componentes de los alimentos, en
particular cuando se usa en combinación con análisis multivariado y quimiometría,
mejorando la velocidad de análisis, dado que en general no necesita una preparación
de muestra que consuma mucho tiempo o reactivos costosos y/o contaminantes (Anjos
et al., 2015). La región del infrarrojo medio ubicada entre 4000 cm-1 y 450 cm-1 contiene
información que surge de las vibraciones moleculares y es sensible a los estados
químicos y físicos de la muestra, lo que permite discriminar diferentes muestras con
diferentes concentraciones y composiciones; por lo tanto, constituye una técnica
poderosa para el análisis no destructivo (Anjos et al., 2015). Por otro lado, la colorimetría
triestímulo ha llamado la atención debido a su capacidad para predecir la concentración
de compuestos relacionados con la pigmentación de los alimentos, como los
108 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
carotenoides, en diferentes matrices, entre las cuales se destaca la ahuyama (Itle &
Kabelka, 2009). Los colores de la pulpa de ahuyama generalmente incluyen una amplia
gama de amarillos y naranjas, lo que las convierte en buenos candidatas para el análisis
colorimétrico. Finalmente, el análisis de imagen digital, es una técnica atractiva que,
mediante el empleo de solo una cámara, permite extraer información colorimétrica y
morfológica, no solo de un área pequeña (a diferencia del análisis de color), en el
espacio de color RGB (rojo, verde y azul) a partir de cada píxel en una imagen. La
información espectroscópica obtenida a través de estas técnicas puede ser
correlacionada con la composición química de las matrices alimentarias determinada a
través de técnicas analíticas convencionales, como HPLC, mediante el uso de métodos
quimiométricos, con el fin de explorar el potencial de predicción de las primeras en
relación a la presencia y concentración de analitos de interés, y así reemplazar métodos
tradicionales más complejos. Por todo lo anterior, el objetivo de esta parte del trabajo
fue evaluar el potencial de técnicas como espectroscopía FTIR-ATR sola o en
combinación con colorimetría y análisis de imagen como herramientas para predecir el
contenido de carotenoides específicos en muestras de ahuyama (Cucurbita spp.)
3.2 Materiales y métodos
3.2.1 Material vegetal
Las 25 muestras seleccionadas para el estudio fueron recolectadas en el centro
experimental de la Universidad Nacional de Colombia en Palmira (Valle del Cauca)
[3 ° 32′05 ″ N 76 ° 17′44 ″ O; 1001 m.s.n.m.], un proceso que dio lugar a tres cultivares
de Cucurbita moschata: Boloverde (n = 6), Dorado (n = 8), Abanico 75 (n = 7), y uno de
Cucurbita maxima: Mandarino (n = 4). Una vez que se cosecharon, las muestras fueron
enviadas al Insitituto de Ciencia y Tecnología de Alimentos (ICTA), de la Universidad
Nacional de Colombia (Bogotá), dentro de un período máximo de 2 días, se
desinfectaron en una solución de hipoclorito de sodio (200 ppm) y luego se mantuvieron
en un cuarto de congelación a -30 °C.
3.2.2 Adquisición de las imágenes
La obtención de las imágenes se realizó acorde al procedimiento descrito en la sección
2.2.2
Capítulo 3 109
3.2.3 Procesamiento de la muestra
El procesamiento se realizó de la misma forma que se describe en la sección 2.2.3. En
este caso solo se obtuvieron dos tipos de muestra procesada: muestra homogenizada
(A) y muestra liofilizada (B).
3.2.4 Determinación del color por colorimetría triestímulo
La determinación del color se realizó acorde al procedimiento descrito en la sección
2.2.5.
3.2.5 Determinación de carotenoides específicos por HPLC
Esta etapa de la metodología se desarrolló en colaboración con el Laboratorio de
Análisis Químico de la Sección de Nutrición Humana del Departamento de Ciencias de
los Alimentos, el Ambiente y la Nutrición de la Universidad de Milán (Italia).
▪ Reactivos
La astaxantina, luteína, zeaxantina, β-criptoxantina, violaxantina, equinenona (patrón
interno), α-caroteno y β-caroteno fueron proporcionados por Hoffmann-La Roche
(Basilea, Suiza). El metanol, etanol y tetrahidrofurano (THF) se obtuvieron de Sigma-
Aldrich (St. Louis, MO, EE. UU.). El agua grado HPLC fue obtenida a través de un
aparato Milli-Q (Millipore, Milford, MA, EE. UU.).
▪ Extracción e hidrólisis de carotenoides.
Los carotenoides se extrajeron de 0,2 g de ahuyama liofilizada (B) con 2 mL de una
solución de etanol:THF (80:20, v/v). La extracción se realizó bajo agitación y luz
disminuida. La mezcla se centrifugó a 1600 xg durante 10 minutos y el procedimiento
de extracción se repitió hasta que el residuo se volvió incoloro. Los extractos se
combinaron y el volumen se ajustó a 10 mL con la solución de etanol:THF (80:20, v/v).
Cada extracto (1,8 mL) se saponificó con 0,2 mL de KOH 1 M en etanol, en condiciones
de oscuridad a 30 °C. Después de 2 h, la solución se centrifugó a 1600 xg durante 1 min
y se analizó el sobrenadante.
▪ Análisis cuantitativo de los carotenoides por el método HPLC-DAD
Como sistema cromatográfico se empleó un cromatógrafo Alliance 2695 (Waters,
Milford, USA), acoplado a un detector de matriz de diodos (DAD) modelo 2998 (Waters)
y una columna Develosil C30 de 3 µm (150 × 2,1 mm; Phenomenex, Torrance, CA, USA).
Adicionalmente se utilizó un espectrómetro de masas Orbitrap modelo Exactive (Thermo
110 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Scientific, San José, CA, EE. UU.), equipado con una sonda de ionización química a
presión atmosférica (APCI), que funciona en modo de ionización positiva.
La velocidad de flujo fue de 0,2 mL/min, y se inyectaron 5 μL. La columna y la muestra
se mantuvieron a 25 y 15 °C, respectivamente. Los eluyentes fueron (X)
agua:metanol:THF (4:89:7, v/v/v/) y (Y) agua: metanol: THF (4:6:90, v/v/v/). Las
separaciones cromatográficas se llevaron a cabo en modo de elución en gradiente,
realizadas de la siguiente manera: 0% Y a 80% Y en 60 minutos, y luego 80% Y durante
10 min. Los espectros se adquirieron en el rango de 220-700 nm y los cromatogramas
se integraron a 445 nm. La adquisición y cuantificación se realizaron utilizando el
software Empower (Waters). Las curvas de calibración para violaxantina, luteína,
zeaxantina, β-criptoxantina, α-caroteno y β-caroteno oscilaron entre 0,1 y 2,0 μg/mL.
Las condiciones operativas de APCI fueron las siguientes: descarga en corona +5 µA,
velocidad de flujo de gas de revestimiento 35 au (unidades arbitrarias), velocidad de
flujo de gas auxiliar 10 au, temperatura capilar 275 C, temperatura del vaporizador
400 ° C, voltaje capilar + 40 V, lente de tubo +125 V y skimmer +18 V. Los analitos se
identificaron en modo positivo mediante adquisición de exploración completa (m/z + 200-
2000 u), utilizando una ventana de aislamiento de ± 3 ppm. El objetivo de control
automático de ganancia (AGC), el tiempo de inyección, la resolución de masa y la
energía de colisión fueron 1 × 106, 50 ms, 50 K y 50 eV, respectivamente.
La opción de "fragmentación de todo el ión" usando la célula de disociación de colisión
de alta energía (HCD) solo se usó para investigar el potencial de confirmación de los
fragmentos generados y se apagó durante el análisis real. La calibración inicial del
instrumento se logró infundiendo mezclas de calibración para los modos de iones
positivo y negativo (Thermo Scientific). La mezcla de calibración positiva incluía cafeína,
sal de acetato de Met-Arg-Phe-Ala (MRFA) y Ultramark® 1621, mientras que la solución
de calibración negativa comprendía dodecil sulfato de sodio, taurocolato de sodio y
Ultramark® 1621. Estos compuestos se disolvieron en una mezcla de acetonitrilo, agua
y metanol, y ambas mezclas se infundieron usando una bomba de jeringa Chemyx
Fusion 100 (Thermo Fisher). El control del instrumento y el procesamiento de datos se
llevaron a cabo mediante el software Xcalibur (Thermo Fisher).
Capítulo 3 111
3.2.6 Espectroscopía infrarroja por transformada de Fourier
con reflectancia total atenuada (FTIR-ATR)
La adquisición de los espectros se realizó de la misma forma que se describió en la
sección 2.2.7.
3.2.7 Análisis estadístico
Para las matrices de datos obtenidas a partir de las secciones 3.2.2 y 3.2.4 se efectuó
el respectivo análisis ANOVA y la prueba de Tukey para identificar las diferencias entre
cultivares, a un nivel de significación de p <0,05. Dicho análisis se realizó utilizando el
software XLSTAT (Addinsoft, Francia), trabajando en el entorno de Microsoft Excel
(Microsoft, EE.UU).
3.2.8 Análisis de componentes principales (PCA)
Haciendo uso del software MATLAB (The Mathworks, EE.UU.), se llevó a cabo el
procedimiento de análisis de componentes principales. Este método de análisis no
supervisado permitió realizar el análisis de los datos obtenidos para el perfil de
carotenoides y, además, de las variables RGB en el caso del análisis de imagen.
Inicialmente se realizó la determinación del número de componentes óptimos mediante
un gráfico de Scree, donde se tuvieron en cuenta únicamente aquellas componentes
con un valor propio mayor a 1. Una vez seleccionadas las componentes principales,
aquellas que explican la máxima varianza posible, se calculó el PCA, donde se obtuvo
el scoreplot y el loading plot, que permitieron observar patrones o tendencias de
agrupamiento en los cultivares estudiados, así como la contribución de cada variable a
las componentes seleccionadas respectivamente.
3.2.9 Modelado de regresión con mínimos cuadrados parciales
(PLS)
Los modelos de regresión para carotenoides específicos se desarrollaron mediante un
algoritmo de mínimos cuadrados parciales que combina la información espectral,
colorimétrica y de imagen (X) con la información dependiente (Y), es decir, el contenido
de carotenoides determinado por HPLC. Los detalles del procedimiento son similares a
los descritos en la sección 2.2.8
112 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
3.3 Resultados y discusión
3.3.1 Contenido de carotenoides específicos por HPLC
Los carotenoides se identificaron comparando el tiempo de retención (RT), los espectros
UV-Vis y la masa exacta (<3 ppm) con los de los estándares auténticos. En este
contexto, inicialmente se determinaron las masas típicas de los estándares de
carotenoides empleados. Los resultados se muestran en la Tabla 3.1
Tabla 3.1 Masas precisas medidas de los carotenoides objetivo por HR-Orbitrap-MS, con indicación de la desviación de masa (en ppm) con respecto a la masa teórica calculada.
Analito Masa medida
(m/z) Masa teórica
(m/z)
Violaxantina
601,4245 601,4251
Anteraxantina
585,4309 585,4302
Luteína
569,4344 569,4353
Zeaxantina
569,4343 569,4353
α-Caroteno
537,4447 537,4454
β-Caroteno 537,4448 537,4454
Cuando se utilizan técnicas de ionización suave, como la ionización química a presión
atmosférica (APCI), que se emplea para ionizar analitos orgánicos térmicamente lábiles
como los carotenoides, generalmente se producen iones sin electrones no apareados y
las especies [M + H]+ resultantes se denominan moléculas protonadas (Steckel &
Schlosser, 2019). Particularmente, cuando se utiliza APCI de iones positivos, como en
esta investigación, dichas moléculas protonadas se forman dependiendo de la
composición del disolvente y, dado que en este caso se empleó un solvente prótico
como metanol, se favoreció la formación de carotenoides protonados en lugar de los
correspondientes iones moleculares (van Breemen et al., 2012). De acuerdo a esto, en
la Tabla 3.1 se presentan las masas de carotenoides protonados, y corresponden a los
picos de mayor relación m/z en los espectros de masas de cada estándar analizado.
Adicionalmente, en la Figura 3.1 se muestran los cromatogramas representativos de
cada cultivar.
Los tiempos de retención de los carotenoides identificados en los cromatogramas
difieren principalmente por el tipo de interacción de los mismos con la fase estacionaria.
Capítulo 3 113
En la fase estacionaria C30, los tiempos de retención son proporcionales a la longitud de
la molécula y la de su cadena de polieno. Pequeñas diferencias en la estructura
molecular dan como resultado diferencias significativas en los tiempos de retención
(Turcsi et al., 2016). No obstante, considerando que la longitud de la cadena carbonada
es igual para todos los carotenoides analizados, se utilizarán otros criterios para explicar
los tiempos de retención.
La fase estacionaria en este caso está constituida por cadenas alquilo de 30 carbonos
que están orientadas de forma paralela unas a otras, lo que da como resultado un mayor
contenido de carbono respecto a otras fases estacionarias como C18 y, por ende, una
mayor retención de los carotenoides (Craft, 2001). En este sentido la polaridad de los
carotenoides juega un papel fundamental en el orden de elución, siendo eluidos de
mayor a menor polaridad; por lo cual, los tiempos de retención serán menores para
alcoholes y mayores para hidrocarburos (Waksmundzka-Hajnos & Sherma, 2010) Lo
anterior se evidencia en los tiempos de retención de la Figura 3.1 donde se observa
para todas las muestras, que primero eluyen las xantófilas (con grupos OH) y por último
los carotenos (que contienen exclusivamente carbono e hidrógeno).
El mecanismo mediante el cual interactúan los carotenoides y la fase estacionaria está
determinado por la estructura de los carotenoides, que pueden contener anillos
aromáticos y cadenas de carbono apolares constituidas por dobles enlaces conjugados.
Por ejemplo, una molécula de luteína contiene grupos hidroxilo polares que podrían ser
responsables de las interacciones de hidrógeno y donor-aceptor con la fase
estacionaria. Los anillos aromáticos condicionan la formación de interacciones π – π,
mientras que las cadenas hidrófobas contribuyen a las interacciones de Van der Waals
(Ligor et al., 2014). Lo mismo se cumple para las demás xantófilas (Violaxantina,
Astaxantina, Zeaxantina). Los carotenos por su parte, al estar constituidos
exclusivamente por cadenas hidrófobas, interactúan mediante fuerzas de Van der Waals
con la fase estacionaria.
114 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 3.1 Cromatogramas característicos de muestras hidrolizadas: (1) cv. Mandarino; (2) cv. Dorado; (3) cv. Abanico 75; (4) cv. Bolo Verde. Los picos señalados corresponden a: A: Anteraxantina; L: Luteína; Z: Zeaxantina; B: β-Caroteno; V: Violaxantina. Los picos señalados como “u” corresponden a compuestos no identificados o desconocidos.
A partir del método de estándar interno, (empleando equinenona como patrón interno)
fue posible calcular la concentración de cada carotenoide. Los resultados obtenidos se
presentan en la Tabla 3.2.
Capítulo 3 115
Tabla 3.2. Composición específica de carotenoides en muestras de Cucurbita
spp.
Cultivar
Concentración (mg/100 g)*
Lut β-Car α-Car Vio Ant Zea Des
MD_1 8,84 3,48 2,14 0 6,2 3,8 2,4
MD_3 8,61 3,97 2,98 0 12,6 3,3 1,7
MD_5 6,51 2,41 1,21 1,21 8,4 2,2 2,2
MD_7 15,05 5,51 1,84 6,24 0,4 1,5 6,2
DO_1 7,00 5,25 0 9,50 0 0 3,3
DO_2 4,97 2,48 0,96 7,64 0 0 3,1
DO_3 6,26 2,83 3,03 5,45 0 0 2,6
DO_4 3,32 3,57 1,60 2,46 0 0 1,4
DO_5 11,1 4,65 4,65 10,74 0 0 4,7
DO_6 4,77 2,45 1,16 2,58 0 0,3 1,7
DO_7 2,57 2,03 0,64 3,85 0 0 1,6
DO_8 10,04 3,89 2,27 11,66 0 0 4,5
BV_1 23,29 6,25 16,47 5,68 0,6 1,7 2,8
BV_2 10,96 4,22 6,18 3,09 0,3 0,8 2,5
BV_3 10,72 2,44 0,38 1,5 0,2 1,3 2,3
BV_4 23,72 5,63 2,01 5,23 0,4 1,2 2
BV_5 5,55 5,74 5,55 1,11 0 0,4 0,2
BV_6 28,29 5,44 11,42 5,98 0 1,1 2,2
AB_1 15,13 4,68 3,85 1,93 0 1,9 0
AB_2 16,64 3,77 2,2 4,71 0 1,6 2,5
AB_3 33,69 8,57 4,57 5,14 0 2,3 2,9
AB_4 18,59 3,65 3,98 2,99 0 1,3 2,7
AB_5 21,84 5,77 4,12 5,36 0 1,6 2,5
AB_6 33,87 8,76 8,76 3,5 0 1,8 1,8
AB_7 12,74 3,28 0 0 14,9 5,1 0,4
X ± σ 13,8±9,0 4,4±1,7 3,7±3,7 4,3±3,1 1,8±4,1 1,3±1,3 2,4±1,3
*Concentración en base seca. X=Promedio; σ=Desviación estándar (n=25); Lut=Luteína;
Car=Caroteno; Vio=Violaxantina; Ant=Anteraxantina; Zea=Zeaxantina; Des=Desconocidos,
MD=Mandarino; DO=Dorado; BV=Bolo verde; AB=Abanico 75.
Los resultados sugieren que el compuesto más abundante en las muestras de ahuyama
es la luteína, seguido de β-caroteno, violaxantina, α-caroteno, y de pequeñas cantidades
de zeaxantina y anteraxantina. Adicionalmente, se encontraron carotenoides cuya
identidad no fue posible determinar; su concentración estimada a través del estándar
116 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
interno (equinenona) se encuentra reportada en la Tabla 3.2 como la suma de todas las
concentraciones en la columna correspondiente a “Desconocidos”.
El PCA realizado para los resultados obtenidos (Figura 3.2) indica que el cultivar Dorado
muestra la menor variación intraclase, opuesto a lo que ocurre con los cultivares Abanico
75, Mandarino y Boloverde, que presentan la variación intraclase más alta. Esta
variación intraclase ocurre precisamente debido a la heterogeneidad en composición de
la pulpa de ahuyama, que conduce a tales diferencias en la cuantificación.
El loading plot (Figura 3.3) sugiere que las variables 1, 2 y 3 (Luteína, β-caroteno y α-
caroteno) están correlacionadas de forma positiva, lo cual indica que, si alguno de estos
compuestos presenta un incremento, los demás también aumentarán en la matriz
estudiada. Lo mismo sucede entre las variables 5,6 (anteraxantina y zeaxantina) y 4,7
(violaxantina y “desconocidos”). Por el contrario, se observa una correlación negativa
entre las variables 4,7 y 5,6. Al relacionar el scoreplot con el loading plot se podría decir
que en el cultivar Dorado predominan luteína, β-caroteno, α-caroteno, violaxantina y
“desconocidos” (variables 1,2,3,7 y 4), al igual que en los cultivares Abanico 75 y
Boloverde. En el caso del cultivar Mandarino, las 7 variables están presentes, lo cual es
consistente considerando que este cultivar estaría en todos los cuadrantes del scoreplot.
La composición exacta de carotenoides en la ahuyama varía entre diferentes estudios y
a menudo se relaciona con la especie particular de ahuyama analizada. Así, en algunos
estudios, el β-caroteno es el predominante, mientras que en otros lo es la luteína. En
este caso el carotenoide principal es la luteína, para todas las muestras estudiadas de
Cucurbita spp.; sin embargo, este no es siempre el caso, ya que hay estudios que
revelan diferencias en composición entre las dos especies (C. maxima y C. moschata).
Los resultados obtenidos son similares a los de otros autores que también han trabajado
con ahuyamas de Cucurbita moschata. Por ejemplo, el estudio realizado por (Kulczyński
& Gramza-Michałowska, 2019b) en 6 variedades de esta especie, el perfil de
carotenoides reveló que la molécula más abundante es la luteína, seguida
principalmente de β-caroteno. Del mismo modo, la investigación realizada por
Kulczyński & Gramza-Michałowska (2019a) para 11 variedades de ahuyama mostró que
en la gran mayoría de estas, el carotenoide predominante es la luteína, seguido de
zeaxantina y β-caroteno. En otro estudio realizado en C. moschata por Bergantin et al.
(2018), los resultados indicaron que los principales carotenoides en esta especie son
luteína, β-caroteno y violaxantina, lo cual en general coincide con los resultados
presentados en la Tabla 3.2.
Capítulo 3 117
Figura 3.2 Score plot para carotenoides cuantificados mediante HPLC, donde DO=Dorado, MD=Mandarino, AB=Abanico 75, BV=Bolo verde.
Figura 3.3 Loading plot para carotenoides específicos cuantificados mediante HPLC. V1: luteína; V2: β-caroteno; V3: α-caroteno; V4: violaxantina; V5:
anteraxantina; V6: zeaxantina; V7: “desconocidos”.
En el artículo de Provesi et al. (2011), los autores indican que para C. moschata los
carotenoides principales son el β-caroteno y α-caroteno y para C. maxima los
carotenoides predominantes son luteína y β-caroteno. De igual manera, el trabajo
presentado por Murkovic et al. (2002) para tres especies de ahuyama (C. moschata, C.
maxima, C. pepo), reveló que estos frutos contenían 0-17 mg/100 g de luteína, 0,06-7,4
118 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
mg/100 g de β-caroteno y 0-7,5 mg/100 g de α-caroteno. Así mismo, el estudio de Seo
et al. (2005) indica que el carotenoide más abundante en muestras de C. moschata es
el β-caroteno, seguido de pequeñas trazas de α-caroteno, luteína y también compuestos
desconocidos.
3.3.2 Análisis de imagen digital de las ahuyamas y de colorimétría triestímulo de sus pulpas
Se tomaron fotografías digitales de las ahuyamas enteras, las cuales fueron
segmentadas y posteriormente, a través de un algoritmo, se extrajeron los valores RGB
promedio del segmento seleccionado. Los intervalos de variación del RGB promedio
para cada cultivar se muestran en la Tabla 3.3.
Tabla 3.3. Valores RGB para imágenes de Cucurbita spp.
X=Promedio; σ=Desviación estándar; min=mínimo; máx=máximo; n=número de muestras; Las medias en
la misma columna seguidas de una letra distinta indican diferencias estadísticamente significativas (P
<0.05).
Dado que las muestras seleccionadas para esta parte del estudio corresponden a un
subconjunto del conjunto de muestras empleadas en el Capítulo 2, los resultados son
similares a los discutidos en las secciones 2.3.2 y 2.3.3.
El Análisis de varianza revela que no existen diferencias significativas entre los
cultivares Abanico 75 y Boloverde para ninguna de las variables R, G y B. Lo anterior
Origen o cultivar R (X ± σ [mín.-máx.]
(n))
G (X ± σ [mín.-máx.]
(n))
B (X ± σ [mín.-máx.] (n)) Código Descripción
AB C. moschata D. (cv. Abanico 75)
102,792±13,984C [80,172-118,834]
(7)
89,789 ±5,209 C [80,762-96,915]
(7)
68,413 ±6,877B [61,059-80,232]
(7)
MD C. maxima D.
(cv. Mandarino)
191,606±15,323A
[162,565-205,724] (4)
122,614±12,978B
[109,893-146,264] (4)
61,120 ±9,260B [41,552-69,993]
(4)
BV C. moschata D. (cv. Bolo verde)
89,983 ±21,588C [47,101-105,859]
(6)
83,478±19,216C [49,339-105,185]
(6)
60,945±12,484B [45,645-80,590]
(6)
DO C. moschata D.
(cv. Dorado)
166,385 ±6,654B [159,593-74,776]
(8)
141,628±6,922A [132,293-153,428]
(8)
98,379±10,333A
[80,565-116,369] (8)
X ± σ [mín.-máx.] (n)
134,516±43,407 [47,101-205,724]
(25)
109,303±27,266 [49,339-153,428]
(25)
76,013±18,174 [45,645-116,369]
(25)
Capítulo 3 119
implica que los fragmentos de imagen analizados para estos dos cultivares presentan
una coloración similar.
Como se discutió en la sección 2.3.2, las variables predominantes en los cuatro
cultivares son rojo (R) y verde (G), que de acuerdo a la teoría aditiva del espacio de
color RGB, dan como resultado una coloración amarillo-naranja, es decir, el color que
se aprecia subjetivamente en la cáscara. Esta coloración podría estar asociada a la
presencia de compuestos carotenoides, que serían los responsables de impartir
coloración amarilla, además de la pulpa, a la cáscara. En este contexto, de acuerdo a lo
reportado en la literatura, en la cáscara de Cucurbita spp. se encuentran compuestos
como β-caroteno y luteína (Kreck et al., 2006), que absorben la luz en la región azul-
verde y violeta y reflejan colores como amarillo, rojo y naranja.
Utilizando los valores RGB, se realizó un PCA (Figura 3.4) para este conjunto de
muestras, donde se corroboran los resultados obtenidos mediante el ANOVA. Se puede
apreciar que los cultivares Abanico 75 y Boloverde, al no tener diferencias significativas,
se encuentran del mismo lado del score plot, mientras que los demás cultivares, al tener
diferencias significativas están del lado opuesto del gráfico.
Los resultados demuestran que los cultivares Boloverde, Abanico 75 y Mandarino tienen
la menor variación intraclase, mientras que el cultivar Dorado presenta la mayor
variación intraclase, lo cual implica que en este cultivar existe una mayor heterogeneidad
de valores RGB en los fragmentos de imagen analizados con el algoritmo
correspondiente.
Al igual que en la sección 2.3.2, el loading plot (Figura 3.5) revela resultados similares,
siendo la variable “G” la que mayor información aporta a la componente. Por lo anterior,
se infiere que cada pixel de las imágenes obtenidas tiene predominancia de esta
variable.
120 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Figura 3.4. Score plot realizado para valores RGB en muestras de Cucurbita spp.,
donde DO=Dorado, AB=Abanico 75, MD=Mandarino, BV=Bolo verde.
Figura 3.5 Loading plot para valores RGB en muestras de Cucurbita spp., donde V1=R, V2=G, V3=B.
Los resultados obtenidos para el análisis colorimétrico realizado a la pulpa
homogeneizada se muestran en la Tabla 3.4.
Los resultados son muy similares a los de la sección 2.3.3; es decir, se puede observar
que no hay diferencias significativas entre cultivares. La única diferencia significativa se
aprecia en la variable L*, donde el cultivar Dorado presenta un valor superior al de los
Capítulo 3 121
demás cultivares, denotando que la pulpa analizada en este caso es más clara que las
demás. Por su parte, la imagen ilustrativa de color sugiere que el color de la pulpa es
similar entre todas las muestras. Los valores de L*a*b* coinciden con los encontrados
en otros estudios tanto para C. maxima (L= 59,48; a= 26,58; b= 54,45) como C.
moschata (L= ≈ 60; a = ≈ 30; b = ≈ 60) (Gonçalves et al., 2007; Paz et al., 2013). Se
puede apreciar que el valor de b* es superior al de a*, a partir de lo cual se puede inferir
que en los modelos de regresión que se desarrollan más adelante, la variable que tendrá
más peso en los modelos de regresión desarrollados empleando la matriz de valores
triestímulo, será b*.
El valor del matiz en este caso corresponde a amarillo (≈ 60°), mientras que el croma
denota una saturación intermedia (≈ 60). En estudios realizados para ahuyama
Cucurbita moschata del departamento del Cauca se ha encontrado que el matiz oscila
entre 50 y 80, hecho que se traduce en tonos amarillo-naranja que coinciden con el
encontrado en esta investigación (Suarez et al., 2016). En otros estudios colorimétricos
realizados para pulpa de esta misma especie, los autores reportan valores de tono y
cromaticidad cercanos a 60 (F Zaccari et al., 2015), lo cual corrobora que las ahuyamas
de C. moschata tienen un matiz y saturación característicos. De esta manera, el matiz
amarillo está asociado a altos contenidos de luteína (valor promedio obtenido = 13,8
mg/100g), que sería el carotenoide responsable de tal característica; esto teniendo en
cuenta que la luteína puede absorber luz azul, y por lo tanto refleja el color amarillo
(Khoo et al., 2011).
Por otro lado, en ahuyamas híbrido (C. maxima x C. moschata) se han encontrado
valores tanto de matiz como cromaticidad de entre 60 y 70 (Fernanda Zaccari et al.,
2015). De igual manera, en ahuyamas C. maxima se han encontrado valores de croma
alrededor de 60 y de matiz menores a 90° (Gonçalves et al., 2007). La similitud en estos
valores para C. maxima y C. moschata es consistente con lo encontrado en esta
investigación, ya que el cultivar Mandarino (C. maxima) y los demás cultivares (C.
moschata) comparten valores semejantes de Croma y matiz.
122 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de imagen
como herramientas para la determinación de carotenoides en ahuyama
Tabla 3.4. Coordenadas L*a*b* para las muestras de ahuyama
Origen o cultivar L (claridad)
(X ± σ [mín. – máx.] (n))
a*
(X ± σ [mín. – máx.] (n))
b*
(X ± σ [mín. – máx.] (n))
C (Croma)
(X ± σ [mín. – máx.] (n))
Matiz (Tono)
(X ± σ [mín. – máx.] (n))
Imagen ilustrativa de
valor promedio de color* Código Descripción
AB C. moschata D. (cv. Abanico 75)
62,554±3,729B [55,303-67,370]
(7)
27,572±1,888A [24,290-29,707]
(7)
56,808±5,722 A [45,993-64,687]
(7)
63,223±4,993 A [53,094-69,097]
(7)
63,936±3,047 A [60,027-69,421]
(7)
MD C. maxima D.
(cv. Mandarino)
64,162±2,822B [60,457-67,047]
(4)
26,412±1,436A [25,093-28,453]
(4)
55,263±1,732 A [52,840-56,890]
(4)
61,275±1,029 A [60,014-62,534]
(4)
64,434±1,881 A [61,698-65,839]
(4)
BV C. moschata D. (cv. Bolo verde)
61,760±4,395B [55,877-65,923]
(6)
27,645±2,567A [23,910-31,260]
(6)
54,662±7,627 A [43,343-64,217]
(6)
61,378±6,858 A [50,685-70,344]
(6)
62,872±3,966 A [58,772-67,945]
(6)
DO C. moschata D.
(cv. Dorado)
71,090±2,849A [67,657-76,140]
(8)
27,682±2,707A [21,630-30,357]
(8)
58,409±3,228 A [53,343-62,360]
(8)
64,709±2,786 A [59,801-69,305]
(8)
64,593±2,795 A [62,170-70,873]
(8)
*Color converter (Nix Sensor, Estados Unidos) disponible en: https://www.nixsensor.com/free-color-converter/
X=promedio; σ=desviación estandar; n=numero de muestras; Las medias en la misma columna seguidas de una letra distinta indican
diferencias estadísticamente significativas (P <0.05).
3.3.3 Análisis espectral IR
La Figura 3.6 (A) muestra el espectro característico de la pulpa fresca del conjunto de
muestras de los cultivares Mandarino, Boloverde, Dorado y Abanico 75, seleccionadas
para esta parte del estudio. Los espectros obtenidos presentan las mismas frecuencias
características de los espectros descritos en la sección 2.3.4, sin embargo, aquí se
explicarán brevemente las bandas típicas tanto de la muestra fresca como liofilizada.
Considerando que en el análisis por HPLC los compuestos más abundantes fueron la
luteína y β-caroteno, los espectros se describirán en base a estas dos moléculas.
El pico alrededor de 1550-1600 cm-1 correspondería a vibraciones de estiramiento de
dobles enlaces C=C en la cadena de polieno. La región de aproximadamente 450 cm–1
estaría asociada a vibraciones de deformación antisimétrica de los grupos CH3 (cambio en
los ángulos HCH) y grupos CH2 (vibraciones de tijera). De la misma manera, las bandas
de intensidad débil-media ubicadas alrededor de 1360-1390 cm–1 estarían formadas por
las vibraciones tipo “sombrilla” de los grupos CH3. El pico más intenso del espectro,
ubicado entre 950-980 cm-1 correspondería a las vibraciones de deformación de los
enlaces C-H en la cadena de polieno. Por otro lado, la banda ubicada a aproximadamente
520-530 cm-1 estaría asociada con el cambio en los ángulos y la deformación de la cadena
de polieno (Berezin & Nechaev, 2005; Schlücker et al., 2003). También es posible
encontrar una banda alrededor de 1100 cm-1 que correspondería al estiramiento C-O de
alcoholes; banda que probablemente surge de xantófilas (que contienen grupos -OH) como
la luteína (Prabhu et al., 2015) o de otros compuestos bioactivos con grupos alcohol que
hacen parte de la composición química de la pulpa de Cucurbita spp. (Kulczyński &
Gramza-Michałowska, 2019a, 2019b).
En los espectros de la pulpa liofilizada que se muestran en la Figura 3.6 (B), se puede ver
que el pico amplio por encima de 3000 cm-1 corresponde a la absorción de los grupos OH
de la molécula de agua. También es posible apreciar las mismas bandas características
de los espectros de la pulpa fresca, dentro de las cuales se destacan bandas a frecuencias
como 2926 cm-1 que corresponde a la oscilación de grupos con enlaces C-H, 1550 cm-1,
asociada a dobles enlaces de la cadena de polieno, y la banda típica del β-caroteno, que
se ubica alrededor de 968 cm-1 (De Nardo et al., 2009).
124 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
Figura 3.6 Espectros característicos de FTIR-ATR de las muestras de Cucurbita spp. (n = 25) de las variedades Mandarino, Boloverde, Dorado y Abanico 75, con diferentes protocolos de procesamiento de muestras: (A) pulpa fresca (licuadora-homogeneizada); (B) pulpa liofilizada.
3.3.4 Regresión PLS: predicción del contenido de carotenoides
específicos por datos espectrales IR
Teniendo en cuenta las regiones de absorción IR típicas para compuestos carotenoides,
se probaron diferentes rangos espectrales (920-3000 cm-1, 1300-3000 cm-1 y 450-4000 cm-
1) para determinar con cual era posible predecir los principales compuestos carotenoides
(luteína, β-caroteno, α-caroteno y violaxantina) mediante la correlación del contenido de
carotenoides (HPLC) en base seca con las absorbancias de estos rangos espectrales.
Se utilizaron diferentes métodos de preprocesamiento para transformar los espectros y así
eliminar el ruido y las señales interferentes. El proceso de validación cruzada permitió
determinar el número óptimo de factores y luego se realizó una validación externa para
evaluar la predictividad del modelo. En este contexto, se desarrollaron modelos para
muestras de pulpa fresca (A) y pulpa liofilizada (B). Los modelos con el mejor rendimiento
se eligieron en función de los parámetros estadísticos RMSEC, RMSEP y R2 (Tablas
3.5,3.6,3.7,3.8).
Capítulo 3 125
Tabla 3.5. Modelos de regresión PLS desarrollados para la luteína mediante datos
IR
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100 g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 920-3000 7 4,77 33,69 9,74
0,96 1,71 0,75 6,70
Pulpa liofilizada
920-3000 4 0,89 2,96 0,94 5,96
Tabla 3.6. Modelos de regresión PLS desarrollados para el β-caroteno mediante
datos IR
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100 g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 920-3000 5 2,44 8,57 1,97
0,86 0,62 0,99 0,56
Pulpa liofilizada
920-3000 6 0,92 0,50 0,99 1,56
Tabla 3.7. Modelos de regresión PLS desarrollados para el α-caroteno mediante
datos IR
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 1300-3000 8 0,38 11,42 3,52
0,97 0,64 1,00 1,40
Pulpa liofilizada 1300-3000 7 0,99 0,48 0,86 0,90
Tabla 3.8. Modelos de regresión PLS desarrollados para la violaxantina mediante
datos IR
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100
g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 450-4000 5 0 10,74 3,32
0,91 1,02 0,72 1,60
Pulpa liofilizada 1300-3000 6 0,96 0,50 0,90 1,43
126 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
La Tabla 3.5 muestra los resultados para las muestras frescas y liofilizadas en el caso de
predicción de luteína. El valor bajo de R2PRED sugiere que los espectros de infrarrojo de las
muestras frescas no representan la matriz ideal para desarrollar un modelo de regresión
PLS, lo que podría estar relacionado con el alto contenido de agua en las muestras, que
atenúa la absorbancia de los carotenoides. En el caso de las muestras liofilizadas, los
valores mejoran considerablemente, un hecho que puede estar influenciado por la
eliminación de agua de las muestras durante el proceso de liofilización, que permite
concentrar los nutrientes (carotenoides) en las especies de Cucurbita estudiadas. Los
resultados muestran que el modelo obtenido para la predicción del contenido de luteína
empleando la información espectral FTIR-ATR de la pulpa liofilizada es confiable, con una
alta bondad de ajuste para calibración (R2=0,89), validación cruzada (R2=0,74) y predicción
(R2=0,94). El modelo posee la capacidad de predecir la concentración de luteina y se
considera estable cuando se pasa del conjunto de calibración/entrenamiento al conjunto
de predicción/validación.
De acuerdo a la teoría propuesta por Shenk & Westerhaus (1996), los valores de RMSEP
no deben exceder el doble del error estándar de laboratorio (SEL) para que el modelo
pueda ser implementado. En este contexto, el valor de RMSEP (5,96 mg/100 g) no excede
el doble del SEL (2 x SEL = 7,67 mg/100 g) y, por ende, está dentro del límite de
confiabilidad para su implementación.
En cuanto a la predicción de los carotenoides restantes, aunque los coeficientes de
calibración y predicción son bastante altos para ambos tipos de muestras (frescas y
liofilizadas), los resultados de la validación cruzada son bastante bajos, por lo cual, los
modelos no son lo suficientemente confiables. Por ejemplo, el modelo del β-caroteno para
muestras liofilizadas posee valores altos de R2CAL y R2
PRED (0,92 y 0,99 respectivamente),
pero un bajo valor de R2 de validación cruzada (0,46). El modelo de α-caroteno para
muestras liofilizadas posee valores altos de R2CAL y R2
PRED (0,99 y 0,86 respectivamente),
pero un bajo coeficiente R2 de validación cruzada (0,31). El modelo de violaxantina para
muestras liofilizadas posee valores altos de R2CAL y R2
PRED (0,96 y 0,90 respectivamente),
pero un bajo coeficiente de validación cruzada (0,42). De esta manera, se podría inferir
que cuando no se realiza un procedimiento de validación cruzada adecuado, esto podría
Capítulo 3 127
conducir a una estimación incorrecta del número de variables latentes y maximizar el error
RMSEP.
De todos estos compuestos, la luteína fue la única que se detectó por HPLC en las 25
muestras analizadas, mientras que los otros carotenoides estuvieron parcialmente
presentes (algunos en solo unas pocas muestras). Este hecho podría influir en la eficiencia
de los modelos realizados, ya que, si un gran conjunto de muestras no contiene el
compuesto carotenoide, la matriz (Y) utilizada para predecir el modelo pierde robustez,
afectando simultaneamente los valores de R2CAL, R
2CV y R2
PRED.
3.3.5 Regresión PLS: predicción del contenido de carotenoides
por datos espectrales IR y análisis colorimétrico
Con el propósito de evaluar si los modelos previamente realizados con solo datos
espectrales IR y valores de referencia de HPLC mejoraban, los modelos para la luteína, β-
caroteno, α-caroteno y violaxantina se desarrollaron nuevamente, pero esta vez
combinando los datos espectrales IR con valores triestímulo L*a*b* obtenidos a partir de
los análisis colorimétricos. Las coordenadas de color L*a*b* se consideraron juntas como
variables predictoras debido a la naturaleza tridimensional del color (Ruiz et al., 2008).
El procedimiento realizado es esencialmente el mismo; se probaron las absorbancias de
diferentes rangos espectrales (450-4000 cm-1, 920-3000 cm-1 y 1300-3000 cm-1)
combinadas con los datos de color para ver cuál conjunto de datos conducía al mejor
rendimiento estadístico, y luego se aplicó validación cruzada para estimar el número de
componentes óptimos. Finalmente, se llevó a cabo la validación externa y el rendimiento
del modelo se evaluó mediante los valores de RMSEC, RMSEP, R2CAL y R2
PRED. Se
desarrollaron múltiples modelos, sin embargo, solo se discuten aquellos con el mejor
rendimiento en esta sección.
128 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
Tabla 3.9. Modelos de regresión PLS desarrollados para la luteína mediante IR y
datos de color
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100
g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 1300-3000 4 4,77 33,69 9,74
0,96 1,18 0,97 2,02
Pulpa liofilizada 1300-3000 5 0,99 0,7 0,92 2,15
Tabla 3.10. Modelos de regresión PLS desarrollados para el β-caroteno mediante IR
y datos de color
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100 g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 450-4000 3 2,44 8,57 1,97
0,90 0,43 0,96 0,53
Pulpa liofilizada 920-3000 3 0,95 0,31 0,91 0,66
Tabla 3.11. Modelos de regresión PLS desarrollados para el α-caroteno mediante IR
y datos de color
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100
g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 920-3000 6 0,38 11,42 3,52
0,93 0,61 0,82 2,3
Pulpa liofilizada 1300-3000 8 0,96 0,81 0,25 4,65
Los resultados obtenidos para la luteína (muestra liofilizada) sugieren que la combinación
de datos espectrales IR con datos de color realmente mejora el rendimiento del modelo
PLS. Esto se puede evidenciar en los valores de R2CAL (0,99) y R2
PRED (0,92), que indican
que el modelo es estable cuando se pasa del conjunto de calibración al conjunto de
predicción. En este caso, el valor de RMSEP (2,15 mg/100 g) no supera el doble del error
estándar de laboratorio (7,67 mg/100 g) y, por lo tanto, puede ser utilizado para su
implementación real (Shenk & Westerhaus, 1996)
Capítulo 3 129
En general, a mayor concentración en las muestras de ahuyama, mayor valor de R2,
aunque las diferencias en estos valores de R2 sean pequeñas. De hecho, los carotenoides
predominantes fueron luteína (13,8 mg/100 g) y β-caroteno (4,4 mg/100 g) y presentaron
valores altos de R2PRED (0,92 y 0,91, respectivamente), mientras que violaxantina y α-
caroteno presentaron valores de R2PRED <0,25. Teniendo en cuenta los bajos resultados
obtenidos para la violaxantina, dichos modelos no se discutirán en este manuscrito.
Los valores de R2 para la luteína y el β-caroteno podrían sugerir que estos carotenoides
juegan un papel importante en las muestras de Cucurbita spp. estudiadas, indicando que
el color de los diferentes cultivares utilizados en esta investigación se atribuye
principalmente a estos compuestos, lo que confirma la relación existente entre una alta
concentración de carotenoides, un R2 más alto y, por ende, una alta contribución del
carotenoide al color de la muestra. En cuanto a la contribución de cada variable predictora
(L*a*b*) a los modelos desarrollados, b* (amarillez) debería ser considerado como el
parámetro con mayor peso, lo cual es consistente con la apariencia de las muestras de
ahuyama y con la predominancia de luteína, que imparte coloración amarilla a las muestras
estudiadas (Kurz et al., 2008).
En suma, respecto al uso de los datos de FTIR-ATR solos, al combinar los datos de FTIR-
ATR de las muestras liofilizadas con los datos de colorimetría triestímulo de las pulpas, se
mejoró el modelo de predicción para el contenido de luteína (disminución del error de
predicción) y se logró obtener un modelo confiable para la predicción del contenido de β-
caroteno (aumento del coefiente de correlación y disminución del error de prediccción).
3.3.6 Regresión PLS: predicción del contenido de carotenoides
mediante datos espectrales IR y datos de análisis de imagen
A continuación se probó el desarrollo de modelos PLS con la combinación de los datos
FTIR-ATR con las coordenadas RGB obtenidas a partir del análisis de imagen de las
ahuyamas. En este caso, se probaron los mismos tres rangos espectrales y se utilizaron
varias técnicas de preprocesamiento. En las Tablas 3.12-3.15 se presentan los resultados
de los modelos con los mejores coeficientes estadísticos para la predicción del contenido
de luteína, β-caroteno, α-caroteno y violaxantina.
130 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
Tabla 3.12. Modelos de regresión PLS desarrollados para la luteína mediante IR y
datos de imagen RGB
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100
g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 920-3000 1 4,77 28,29 8,65
0,78 4,88 0,81 9,01
Pulpa liofilizada 1300-3000 7 0,98 1,35 0,96 4,48
Tabla 3.13. Modelos de regresión PLS desarrollados para el β-caroteno mediante IR
y datos de imagen RGB
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100
g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 1300-3000 7 2,44 6,25 1,46
0,96 0,41 0,01 3,25
Pulpa liofilizada 920-3000 1 0,90 0,64 0,17 9,01
Tabla 3.14. Modelos de regresión PLS desarrollados para el α-caroteno mediante IR
y datos de imagen RGB
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100 g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 450-4000 1 0,38 8,76 2,84
0,48 3,1 0,02 3,37
Pulpa liofilizada 450-4000 7 0,97 0,69 0,00 3,9
Tabla 3.15. Modelos de regresión PLS desarrollados para la violaxantina mediante
IR y datos de imagen RGB
Tratamiento de muestra
Rango espectral
(cm-1) LV
TCC rango de variación (mg/100 g)
Calibración Predicción
min máx. S.D. R2CAL RMSEC R2
PRED RMSEP
Pulpa fresca 450-4000 6
0 9,5 3,14
0,89 1,14 0,11 5,91
Pulpa liofilizada
920-3000 1 0,71 3,94 0,88 3,37
Capítulo 3 131
El espacio de color empleado (RGB) se considera rápido y ventajoso en el sentido de que
para CIE Lab es necesario aplicar fórmulas de transformación para convertir datos RGB
en dicho espacio (Fofi & Mériaudeau, 2007).
En este caso, con excepción de la violaxantina, se cumple de nuevo la afirmación de que,
cuanto mayor es la concentración del compuesto carotenoide en las muestras de
Cucurbita, mayor es la capacidad predictiva del modelo. En general, seleccionar
demasiadas variables latentes indica un modelo sobreajustado que no solo describe la
información de los datos sino también el ruido, mientras que elegir muy pocas LV implica
un modelo mal ajustado que incorpora información insuficiente de los datos. En este
contexto, los dos mejores modelos obtenidos (muestra fresca para luteína y muestra
liofilizada para violaxantina) poseen solo una variable latente, hecho que podría denotar
un problema de “under-fitting” o sub ajuste, donde el modelo no es lo suficientemente
grande como para capturar la variabilidad en los datos. (Deng et al., 2015; Gowen et al.,
2011; Granato & Ares, 2014). Además, los coeficientes de determinación para la validación
cruzada son muy bajos para estos dos compuestos, un hecho que corrobora que la
estimación de los factores óptimos de los modelos no es confiable y, por lo tanto, la
estimación de la capacidad predictiva del modelo tampoco lo es. Tales resultados
indicarían que los datos RGB probablemente no sean predictores adecuados de
carotenoides específicos cuando se usan en conjunto con absorbancias del infrarrojo.
3.4 Conclusión
Los resultados obtenidos por HPLC muestran que la luteina es el carotenoide
predominante en las muestras de ahuyama colombiana de los cultivares analizados,
seguida por el β-caroteno, violaxantina, α-caroteno, zeaxantina y anteraxantina. De todos
los carotenoides estudiados, únicamente luteína y β-caroteno se encontraron en todas
muestras de Cucurbita spp. analizadas, y por lo tanto dieron lugar a las matrices más
robustas para el desarrollo de modelos de predicción multivariado a partir de datos de
análisis espectroscópicos.
En cuanto al desarrollo de modelos por medio de PLS para la predicción del contenido de
carotenoides específicos, los resultados indicaron que, al utilizar exclusivamente las
absorbancias del infrarrojo como matriz predictora, solo es posible predecir con precisión
132 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
el contenido de luteína, mientras que para los demas carotenoides no es posible, teniendo
en cuenta los bajos coeficientes de determinación para el procedimiento de validación
cruzada, que denotan una pobre estimación de la dimensionalidad del modelo, y por ende
afecta la capacidad predictiva. Al modificar la matriz predictora e incluir esta vez los datos
de infrarrojo con los datos de color (L*a*b*), se logró una mejora en los resultados
obtenidos para la luteina y β-caroteno, obteniendo altos coeficientes de determinación
tanto en calibración, validación cruzada y predicción (R2PRED>0.9) y valores bajos de error
asociados a la predicción, hecho que denota que los datos de color permiten mejorar el
rendimiento de los modelos de regresión. Finalmente, al modificar la matriz predictora e
incluir datos de infrarrojo con datos de imagen RGB, los modelos no mejoraron, con
problemas de under-fitting y validación cruzada, lo cual sugiere que la combinación de
datos RGB alteran negativamente la capacidad predictiva de los modelos PLS.
De acuerdo con estos resultados el perfil de carotenoides de la pulpa está relacionado con
su espectro de absorbancia en el infrarrojo medio y con el color de la pulpa, pero no con
el color de su cáscara. Algunas posibles estrategias para mejorar el rendimiento de los
modelos son: incluir un mayor número de muestras en el set de calibración y modificar el
preprocesamiento de la matriz de datos predictora (X), de modo que se reduzca la
información irrelevante en los datos.
Sin embargo, teniendo en cuenta los resultados y dado que lo que se busca es realizar los
modelos con la menor complejidad posible, es posible concluir que basta con emplear la
información de infrarrojo y colorimetría triestímulo para predecir con precisión el contenido
de los principales carotenoides (luteína y β-caroteno).
3.5 Bibliografía
Anjos, O., Campos, M. G., Ruiz, P. C., & Antunes, P. (2015). Application of FTIR-ATR
spectroscopy to the quantification of sugar in honey. Food Chemistry, 169, 218–223.
Berezin, K. V, & Nechaev, V. V. (2005). Calculation of the IR Spectrum and the Molecular
Structure of β-Carotene. Journal of Applied Spectroscopy, 72(2), 164–171.
Bergantin, C., Maietti, A., Tedeschi, P., Font, G., Manyes, L., & Marchetti, N. (2018).
Capítulo 3 133
HPLC-UV/Vis-APCI-MS/MS determination of major carotenoids and their
bioaccessibility from “Delica”(Cucurbita maxima) and “Violina”(Cucurbita moschata)
pumpkins as food traceability markers. Molecules, 23(11), 2791.
Craft, N. E. (2001). Chromatographic techniques for carotenoid separation. Current
Protocols in Food Analytical Chemistry, 1, F2-3.
De Nardo, T., Shiroma-Kian, C., Halim, Y., Francis, D., & Rodriguez-Saona, L. E. (2009).
Rapid and simultaneous determination of lycopene and β-carotene contents in
tomato juice by infrared spectroscopy. Journal of Agricultural and Food Chemistry,
57(4), 1105–1112.
Deng, B.-C., Yun, Y.-H., Liang, Y.-Z., Cao, D.-S., Xu, Q.-S., Yi, L.-Z., & Huang, X. (2015).
A new strategy to prevent over-fitting in partial least squares models based on model
population analysis. Analytica Chimica Acta, 880, 32–41.
Fofi, D., & Mériaudeau, F. (2007). Eighth International Conference on Quality Control by
Artificial Vision: 23-25 May 2007, Le Creusot, France (Vol. 6356). Society of Photo
Optical.
Gonçalves, E. M., Pinheiro, J., Abreu, M., Brandão, T. R. S., & Silva, C. L. M. (2007).
Modelling the kinetics of peroxidase inactivation, colour and texture changes of
pumpkin (Cucurbita maxima L.) during blanching. Journal of Food Engineering,
81(4), 693–701.
Gowen, A. A., Downey, G., Esquerre, C., & O’Donnell, C. P. (2011). Preventing over‐
fitting in PLS calibration models of near‐infrared (NIR) spectroscopy data using
regression coefficients. Journal of Chemometrics, 25(7), 375–381.
Granato, D., & Ares, G. (2014). Mathematical and statistical methods in food science and
technology. John Wiley & Sons.
Itle, R. A., & Kabelka, E. A. (2009). Correlation between L* a* b* color space values and
carotenoid content in pumpkins and squash (Cucurbita spp.). HortScience, 44(3),
633–637.
Khoo, H.-E., Prasad, K. N., Kong, K.-W., Jiang, Y., & Ismail, A. (2011). Carotenoids and
134 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
their isomers: color pigments in fruits and vegetables. Molecules, 16(2), 1710–1738.
Kreck, M., Kuerbel, P., Ludwig, M., Paschold, P. J., & Dietrich, H. (2006). Identification
and quantification of carotenoids in pumpkin cultivars (Cucurbita maxima L.) and
their juices by liquid chromatography with ultraviolet-diode array detection. Journal of
Applied Botany and Food Quality, 80(2), 93–99.
Kulczyński, B., & Gramza-Michałowska, A. (2019a). The Profile of Carotenoids and Other
Bioactive Molecules in Various Pumpkin Fruits (Cucurbita maxima Duchesne)
Cultivars. Molecules, 24(18), 3212.
Kulczyński, B., & Gramza-Michałowska, A. (2019b). The profile of secondary metabolites
and other bioactive compounds in Cucurbita pepo L. and Cucurbita moschata
pumpkin cultivars. Molecules, 24(16), 2945.
Kurz, C., Carle, R., & Schieber, A. (2008). HPLC-DAD-MSn characterisation of
carotenoids from apricots and pumpkins for the evaluation of fruit product
authenticity. Food Chemistry, 110(2), 522–530.
Ligor, M., Kováčová, J., Gadzała-Kopciuch, R. M., Studzińska, S., Bocian, S., Lehotay, J.,
& Buszewski, B. (2014). Study of RP HPLC retention behaviours in analysis of
carotenoids. Chromatographia, 77(15–16), 1047–1057.
Murkovic, M., Mülleder, U., & Neunteufl, H. (2002). Carotenoid content in different
varieties of pumpkins. Journal of Food Composition and Analysis, 15(6), 633–638.
Paz, R. J. S., Denoya, G. I., Languasco, J. M., & Della Rocca, P. A. (2013). Evaluación de
los parámetros de color y de textura del zapallo anco (Cucurbita moschata, D.)
sometido a dife-rentes tratamientos de deshidratación osmótica. Proyecciones, 69.
Prabhu, A., Abdul, K. S., & Rekha, P.-D. (2015). Isolation and Purification of Lutein from
Indian Spinach Basella alba. Research Journal of Pharmacy and Technology, 8(10),
1379–1382.
Provesi, J. G., Dias, C. O., & Amante, E. R. (2011). Changes in carotenoids during
processing and storage of pumpkin puree. Food Chemistry, 128(1), 195–202.
Capítulo 3 135
Rodriguez-Amaya, D. B. (2015). Status of carotenoid analytical methods and in vitro
assays for the assessment of food quality and health effects. Current Opinion in
Food Science, 1, 56–63.
Ruiz, D., Reich, M., Bureau, S., Renard, C. M. G. C., & Audergon, J.-M. (2008).
Application of reflectance colorimeter measurements and infrared spectroscopy
methods to rapid and nondestructive evaluation of carotenoids content in apricot
(Prunus armeniaca L.). Journal of Agricultural and Food Chemistry, 56(13), 4916–
4922.
Schlücker, S., Szeghalmi, A., Schmitt, M., Popp, J., & Kiefer, W. (2003). Density
functional and vibrational spectroscopic analysis of β‐carotene. Journal of Raman
Spectroscopy, 34(6), 413–419.
Seo, J. S., Burri, B. J., Quan, Z., & Neidlinger, T. R. (2005). Extraction and
chromatography of carotenoids from pumpkin. Journal of Chromatography A,
1073(1–2), 371–375.
Shenk, J. S., & Westerhaus, M. O. (1996). Calibration the ISI way. Near Infrared
Spectroscopy: The Future Waves, 198–202.
Steckel, A., & Schlosser, G. (2019). An organic chemist’s guide to electrospray mass
spectrometric structure elucidation. Molecules, 24(3), 611.
Suarez, E. A., Paz Peña, S. P., Echeverria Restrepo, D. C., Ruiz, K., & Mosquera
Sanchez, Si. A. (2016). Efecto del sistema de producción en la maduración
fisiológica de Cucurbita moschata Var. Bolo Verde. Biotecnoloía En El Sector
Agropecuario y Agroindustrial, 14(2), 29. https://doi.org/10.18684/bsaa(14)29-37
Turcsi, E., Nagy, V., & Deli, J. (2016). Study on the elution order of carotenoids on
endcapped C18 and C30 reverse silica stationary phases. A review of the database.
Journal of Food Composition and Analysis, 47, 101–112.
van Breemen, R. B., Dong, L., & Pajkovic, N. D. (2012). Atmospheric pressure chemical
ionization tandem mass spectrometry of carotenoids. International Journal of Mass
Spectrometry, 312, 163–172.
136 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
Waksmundzka-Hajnos, M., & Sherma, J. (2010). High performance liquid chromatography
in phytochemical analysis. CRC press.
Zaccari, F, Cabrera, M. C., & Saadoun, A. (2015). Variation in glucose, α-and β-carotene
and lutein content during storage time in winter squash" type Butternut". V
International Symposium on Cucurbits 1151, 273–278.
Zaccari, Fernanda, Galeazzi, D., & Rahi, V. (2015). Efecto del tiempo de almacenamiento
en condiciones controladas de temperatura sobre atributos físicos y químicos de
zapallos “Tipo Kabutia” (Cucurbita maxima x Cucurbita moschata). Revista
Iberoamericana de Tecnología Postcosecha, 16(1), 114–120.
137 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
4. Conclusiones generales y trabajo futuro
El presente trabajo fue desarrollado con el objetivo de explorar técnicas novedosas
aplicadas al análisis cuantitativo de compuestos carotenoides en muestras de ahuyama
colombiana, y así generar modelos de regresión que en un futuro puedan ser aplicados
para predecir esta clase de compuestos bioactivos, sin necesidad de recurrir a las técnicas
convencionales que se suelen emplear para dicho análisis, como el HPLC y la
espectroscopía UV-Vis.
En este contexto, el estudio espectroscópico con FTIR-ATR permitió realizar la
caracterización de las muestras de ahuyama, revelando bandas características (960.1,
1550, 1360 cm-1) asociadas a compuestos como β-caroteno y luteína, regiones espectrales
que se emplearon en los modelos de calibración. Por su parte, de los resultados obtenidos
con colorimetría triestímulo cabe resaltar que los cultivares estudiados presentan
características distintivas como: 1) valores positivos de coordenadas a y b, asociados a un
matiz amarillo-naranja en la pulpa, y 2) una gran variabilidad en el croma, que refleja las
diferencias en composición de carotenoides. Finalmente, el estudio de las imágenes de
cada cultivar permitió encontrar que las variables R y G son las que más contribuyen al
color de la cáscara, dando como resultado un color amarillo, característico de la
apreciación subjetiva de la superficie.
La determinación de carotenoides totales permitió determinar que existe una gran
variabilidad en la concentración de estos compuestos (155.8 – 2137.3 µg/g en base seca),
garantizando una representación robusta de todos los cultivares en los modelos de
regresión desarrollados. De estos resultados cabe mencionar que, la ahuyama de origen
Mariquita (Tolima) es la que presenta el mayor contenido de carotenoides totales, con
valores incluso por encima de los reportados para otras ahuyamas colombianas, mientras
que el cultivar Dorado proveniente del Valle del Cauca es el que posee el menor contenido
de carotenoides.
138 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
Por su parte, el análisis del perfil de carotenoides reveló que los carotenoides
predominantes en las ahuyamas colombianas de los cultivares analizados son luteína y β-
caroteno, seguidos de violaxantina y α-caroteno. Así, los rangos encontrados para el
cultivar Mandarino, Dorado, Bolo Verde y Abanico 75 respectivamente son: luteína (6.51-
15.05), (2.57-11.1), (5.55-28.29), (12.74-33.87); β-Caroteno (2.41-5.51), (2.03-5.25), (2.44-
6.25), (3.28-8.76); violaxantina (0-6.24), (2.46-11.66), (1.11-5.98), (0-5.36) y α-Caroteno
(1.21-2.98), (0-4.65), (0.38-16.47), (0-8.76) mg/100 g, base seca.
Fue posible desarrollar modelos de regresión mediante algoritmo de mínimos cuadrados
parciales (PLS), empleando 920-300 cm-1 y 1300-300 cm-1 como rangos espectrales para
muestras de ahuyama, y haciendo una correlación entre datos espectroscópicos,
colorimétricos y de imagen con los datos composicionales. Los resultados sugieren que,
al emplear espectros de absorbancias de FTIR-ATR de las pulpas liofilizadas como matriz
predictora en el caso de carotenoides totales, es posible lograr una alta capacidad
predictiva del modelo, hecho que se refleja en una alta bondad de ajuste (R2PRED= 0.93).
Estos modelos no mejoran sustancialmente cuando se combina la información proveniente
de análisis colorimétricos de la pulpa o de la imagen de la ahuyama. De esta manera se
puede concluir que, para predecir el contenido de carotenoides totales en muestras de
ahuyama, sería necesario liofilizar la muestra y trabajar únicamente con las absorbancias
del infrarrojo, sin la necesidad de recurrir al uso de colorimetría triestímulo o adquisición
de imágenes.
Finalmente, en el caso de carotenoides específicos, los resultados indican que, al combinar
absorbancias de infrarrojo con datos de color (L*a*b*) en la matriz predictora, se obtienen
altos coeficientes de determinación tanto en calibración, validación cruzada y predicción,
así como bajos valores de error asociado a la predicción, para luteina y β-caroteno, los
carotenoides más abundantes en las muestras de ahuyama.
Con este estudio exploratorio se confirma que la espectroscopía infrarroja y la colorimetría
son herramientas potenciales para la determinación del perfil de los principales
carotenoides, creando modelos que pueden ser utilizados más adelante para la prediccion
de estos compuestos bioactivos, sin la necesidad de utilizar las complejas técnicas
convencionales.
Conclusiones generales y trabajo futuro 139
Como investigación futura sería interesante descubrir si los modelos de regresión
propuestos se pueden validar empleando un set de muestras completamente diferentes a
las seleccionadas, como ahuyamas de otra ubicación geográfica en el país. Así mismo, se
podría probar si el procedimiento realizado para la predicción de carotenoides, puede ser
empleado en la predicción de otros compuestos bioactivos, y así contribuir a la
caracterización de la ahuyama en Colombia, cuya información es aún incipiente.
140 Evaluación de espectroscopía FTIR-ATR, colorimetría y análisis de
imagen como herramientas para la determinación de carotenoides en
ahuyama
Contribuciones científicas
Publicaciones científicas
Quijano-Ortega, N., Fuenmayor, C.A, Zuluaga-Dominguez, C., Díaz-Moreno, C., Ortíz-
Grisales, S., García-Mahecha, M., Grassi, S. (2020). FTIR-ATR Spectroscopy Combined
with Multivariate Regression Modeling as a preliminary Approach for Carotenoids
Determination in Cucurbita Spp. Applied Sciences, 10(11),3722.
DOI: 10.3390/app10113722
Participación en eventos científicos
Quijano-Ortega, N., Fuenmayor, C.A, Zuluaga-Dominguez, C., Díaz-Moreno, C., Ortíz-
Grisales, S., García-Mahecha, M., Grassi, S. (2019). FTIR-ATR spectroscopy combined
with multivariate regression modelling as an approach for carotenoids determination in
pumpkin samples. Presentación en modalidad de poster en el 2nd Food Chemistry
Conference realizado en la ciudad de Sevilla, España. 17-19 de septiembre.