APPLICATION OF NIR IMAGING TO THE STUDY OF EXPANDED SNACKS

CONTAINING AMARANTH, QUINOA AND KAÑIWA

Jose Martin Ramos-Diaz1, Åsmund Rinnan2, Kirsi Jouppila1

1Department of Food and Nutrition, P.O. Box 66 (Agnes Sjöbergin katu 2) FI-00014 University of Helsinki, Finland

Department of Food Science, Chemometrics and Analytical Technology, Rolighedsvej 26, DK-

1958, University of Copenhagen, Denmark

* Corresponding author. Jose Martin Ramos Diaz, P.O. Box 66 (Agnes Sjöbergin katu 2) FI-00014

University of Helsinki, Finland. E-mail: jose.ramosdiaz@helsinki.fi. Tel. 358 504485951. Fax.

+358 2941 58460 12

ABBREVIATONS

IJ: The complete image that was measured 22

K: Number of measured wavelengths 23

Mi: The image mask for sample i 24

N: Sample number 25

Ni: Number of pixels (excluding background) for sample i 26

NIR: Near infrared 27

Ntot: The number of pixels in all samples in total 28

P: Loadings from the PCA on the unfolded NIR images 29

PLS: Partial Least Squares regression model 30

T: Scores from the PCA on the unfolded NIR images 31

TDS: Temporal dominance of sensation 32

20/35/50A: Corn-based extruded samples containing 20, 35 or 50% amaranth of solids 33

20/35/50K: Corn-based extruded samples containing 20, 35 or 50% kañiwa of solids 34

20/35/50Q: Corn-based extruded samples containing 20, 35 or 50% quinoa of solids 35

50/80C: Extruded samples containing 50 and 80% corn of solids 36

ABSTRACT

Amaranth (Amarantus caudatus), quinoa (Chenopodium quinoa) and kañiwa (Chenopodium pallidicaule) are Andean
grains that are gaining interest as nutritious gluten-free alternatives to conventional cereals. Near infrared (NIR) imaging
was applied to extrudates containing 20, 35% and 50% amaranth, quinoa and kañiwa in order to study the spatial
distribution of fibre and protein along the cross-sectional area. The results were contrasted with existing physical
measurements (e.g., sectional expansion, stiffness) and textural data obtained from sensory profiling and temporal
studies (i.e., temporal dominance of sensation, TDS). Score distribution in PCA plots was directly associated to fibre
(PC1) and protein (PC2) due to spectral wavelength specificity (fibre: 1028nm; protein: 1470 nm). Partial Least Squares
regression model (PLS) showed that evenly distributed protein structures are strongly linked to desirable TDS textural
properties such as crispiness and crunchiness, while protein clumps were linked to undesirable properties such as
roughness. In contrast, fibre was found to reduce roughness. PLS could not explain accurately changes in physical
attributes, and sensory data from profiling tests had to be omitted from computing due to lack of fit. This study shows
that NIR hyperspectra imaging could help elucidate the chemical background of physical and particularly temporal
dominant attributes.

INTRODUCTION

Amaranth (Amarantus caudatus), quinoa (Chenopodium quinoa) and kañiwa (Chenopodium pallidicaule) are grains
traditionally cultivated in the Andes of South America in areas around or above 4000 m.a.s.l. Over the years, quinoa has
also been successfully cultivated in USA, UK, Denmark, The Netherlands, Finland and India (Janick et al., 1996; Jacobsen,
2003; Bhargava et al., 2006). According to FAO (2011), quinoa along with amaranth are promising foods for the future
due to their outstanding nutritional characteristics (e.g. protein quality, high content of fibre). Although kañiwa is a
much lesser known grain, its nutritonal qualities are similar to those of quinoa and amaranth, and the production of
kañiwa-containing extruded snacks is on the rise (Ramos Diaz, 2015). Extrusion is a versatile technology that alters the
physicochemical characteristics of grain flours, containing starch and protein, through increasing pressure and
temperature along the extruder barrel (Ramos Diaz, 2015; Ramos Diaz et al., 2015b). The resulting snack is expected to
have an expanded, porous structure, and crispy texture upon mastication.

According to Bressani and Garcia Vela (1990), the two largest protein fractions in amaranth are globular proteins
(albumins and globulins) and glutelins, accounting for around 90%, while the prolamine fraction is below 5%. In contrast,
quinoa was found to have up to 27% prolamines, and fractions of globular proteins and glutelins accounting for around
70% (Scarpati de Briceño, 1979; Scarpati de Briceño and Briceño, 1980). In kañiwa, prolamine accounted for around one
third of the proteins (Scarpati de Briceño, 1979). Regarding starch, quinoa seems to contain more amylose than
amaranth (around 12 and 7%, respectively) amilosa es asociadoTo the best of our knowledge, there is no information on
amylose/amylopectin ratio of kañiwa. Upon extrusion, low content of amylose is associated to highly elastic doughs
leading up to greater expansion (and potential shrinkage) of extrudates at die point (Babin et al., 2007; Ramos Diaz
2015).

Various studies (Ilo and Lui, 1999; Ramos Diaz et al., 2013; Ramos Diaz, 2015) have observed that increasing contents of
protein or fibre, and the addition of water into the system descrease the sectional expansion of extruded snacks).
Conversely, low content of amylose has been associated to highly elastic doughs upon extrusion, bringing about greater
expansion and potential shrinkage of extruded snacks at die point (Babin et al., 2007; Ramos Diaz 2015). Despite this,
little is known about the spatial distribution of food component (e.g. protein, starch) across the sectional area, and the
potential effect this may have on the physical and textural characteristics of the product. In that regard, near infrared
(NIR) hyperspectral imaging is an optical nondestructive method that allow us to explore the distribution of food
components. NIR is based on the molecular capacity to attenuate light at a given wavelength (700–2500 nm) or,
technically called, molar absorptivity. This is associated to a degree of molecular excitation that is specific to particular
chemical groups such as hydroxyls and amines. The overtone bands or molecular overtones (specific to chemical groups)
are then observable in the NIR spectra.
Although this optical multispectral meaurement is nondestructive, fast to conduct and ideal for online monitoring, it is
not as specific as chemical tests, and requires a great deal of data analysis (e.g. pre-processing, modelling) prior to
interpretation. However, it gives a good overview of the sample measured with only one analysis. The amount of
information largely surpass that of any of the chemical tests, and can lead to new understanding of the system at hand.
According to Alander et al. (2013), the mathematical models created, very often, cannot be generalised, and need to be
adjusted to new conditions. Although this may be seen as a weakness, this is also a strength, indicating that NIR is
capable to detect even minor changes in the sample matrix. Furthermore, the problem mentioned by Alander et al.
(2013) also indicates another strength of spectroscopy coupled with chemometrics; they inheret the first-order
advantage (Booksh and Kowalski 1994), meaning that it will indicate to the user when a change in the sample matrix for
new samples has occurred. This is not possible with the regular chemical tests as these are univariate by nature.

The aim of this study is to identify the spatial location of major food components in extrudates containing amaranth,
quinoa and kañiwa through the application of NIR hyperspectra imaging, and study the effect of such food components
on specific sensory attributes through the application of chemometrics.

MATERIAL AND METHODS

Materials

Commercial varieties of amaranth, quinoa and kañiwa were purchased from South America as seeds (Aduki Ltd.,
Finland), and milled with a pin disc grinding device (100 UPZ-lb, Hosokawa Alpine, Augsburg, Germany) at the Technical
Research Centre of Finland (VTT). Pregelatinised corn flour (Polenta flour, Risenta AB, Sweden) was obtained from a
local store in Helsinki, Finland. The calculated composition of flour blends is shown in Table 1. The median particle sizes
of amaranth, quinoa, kañiwa and corn flour were 285, 575, 240 and 747 μm, respectively. Particle size was determined
by laser light diffraction in a Beckman Coulter LS230 particle size analyser (Coulter Corporation, Miami, USA). Samples
were first dispersed in 95% ethanol using magnetic stirring, and then incubated in an ultrasound bath (5 min) to prevent
the formation of aggregates. The volumetric distribution of the particles (in accordance with the Fraunhofer diffraction
model and geometric statistics) was used to calculate medians of the particle sizes.

Extrusion

Extrudates were prepared using a co-rotating twin-screw extruder (Thermo Prism PTW24, Thermo Haake, Germany).
The extruder consisted of seven sections with individual temperature control in six of them (each 96 mm in length). The
feed rate was maintained at 86 g/min (constant) and the temperature profile was fixed at 90 °C (section 1), 95 °C
(section 2), 95 °C (section 3), 100 °C (section 4), 110 °C (section 5) and 140 °C (section 6). Further details on the extrusion
conditions can be found in Ramos Diaz et al. (2015). The samples used in the present study were obtained under the
following conditions: a. Content of amaranth, quinoa or kañiwa, 20, 35% and 50% (of solids); b. Water content of mass,
14%; c. Screw speed, 500 rpm; d. Temperature of die, 140 °C.

Physical and sensory evaluation

Sectional expansion index (SEI) was the ratio between the cross-sectional area of an extrudate and die. Stiffness was
calculated as the slope of force-formation curve in a universal testing machine (Instron 4465, Instron Ltd., High
Wycombe, UK) under three-point bending conditions. Extrudates were positioned perpendicularly over a sample holder
(12-mm gap) and the speed of the aluminium probe was 5 mm/min (Ramos-Diaz 2015). Water absorption index (WAI)
and water solubility index (WSI) was calculated following the method described by Mäkilä et al. (2014).

Regarding the sensory evaluation, panellists (n=10, aged 20-30 years) were in trained in English for up to 12 hours at the
sensory laboratory of the Department of Food and Nutritional Sciences of the University of Helsinki. Sensory profiling;
training was performed to familiarize the panel with extrudates and develop a set of descriptors, references and
definitions. Panellists were first introduced to various commercial extruded products in order to generate a preliminary
list of attributes linked to texture. Reference samples are described by Ramos-Diaz et al. (2015). Each panellist evaluated
all 9 samples [three contents of flours (20, 35, 50%) × three grain types (amaranth, quinoa, kañiwa)] in duplicate. The
intensity of the descriptors on unstructured 10-cm line scales with the anchors: “not at all” and “very”. The attributes for
texture were: crispiness, crunchiness (not included in the present study), hardness, hard particles and adhesiveness.
Temporal dominance of sensation (TDS); Panellists discussed and generated a set of descriptors associated to dominant
perceptions during mastication. The list of potentially dominant descriptors was presented in this order (decided by
consensus): crispiness, hardness, crunchiness, roughness, stickiness and gooeyness. Panellists began the evaluation by
placing the sample in their mouth and then selecting the descriptor they perceived as dominant. As the time went by,
panellists evaluated changes in dominant descriptors upon mastication (e.g. from crispiness to crunchiness). The order
of change and the time of dominance was registered and subsequently analyzed.

For either sensory profiling or TDS test, data management was carried out with FIZZ Sensory Evaluation Software,
Version 2.45 (Biosystemes, Courternon, France).

NIR measurements

Extrudates were dehydrated for three days at 52 °C in vacuum incubator prior to packaging in modified atmosphere
(N2). These samples were eventually sliced in to pieces of 5 mm in height before NIR measurement. The NIR-
hyperspectral images were obtained with a spectrometer (Headwall Photonics, Model 1002A-00371, Fitchburg, MA)
working in a wavelength range of 1000-1700 nm with a spectral resolution of 7 nm. In total, 142 wavelength bands were
recorded for each pixel. The measurement was conducted on nine replicates per extrudate sample. Thus, a total of 81
images were recorded (9 replicates x 3 grain types x 3 contents), however, due to an error for one of the measurements,
one of the images (one image with 20Q) could not be retrieved from the camera, reducing the total number of images to
80. The number of pixels for each image was on average 185 178 x 56.

Data handling

Each step in the data handling is shown in Figure 1.

i. The background for each of the images (Figure 1A) were removed by making a mask indicating whether a pixel in the
image contained the extrudate (1) or the background (0) (Figure 1B).

ii. The mask was then applied to each image (Figure 1C). 186

iii. Subsequently each image was unfolded, creating a matrix of size IJ x 142 columns (one row per pixel and one column
per NIR wavelength; Figure 1D).

iv. All samples were concatenated, giving rise to a matrix containing N x IJ rows and 142 columns (Figure 1E). N equals
the total number of images, which were 80, and IJ indicates the number of extrudate pixels for each image. However,
due to a lighting problem for one of the remaining images (one image with 20Q, probably related to the missing image
mentioned above), an outlier was spotted in a preliminary PCA, thus reducing the number of images further to 79. The
total number of spectra thus ended up being 520.062. 194

v. Each row of this matrix was pre-processed (Figure 1F) by first smoothing the spectra according to the Savitzky-Golay
algorithm (Savitzky-Golay, 1964) using a window size of nine, 2nd order polynomial for fitting the data and exclusion of
the end-points. This was important in order to improve the signal-to-noise-ratio of the spectra. In order to reduce the
scattering effects, all data were subsequently pre-processed by Multiplicative Scatter Correction (MSC; Geladi et al.,
1985).
vi. For each image, the average spectrum was extracted, and a global PCA (Figure 1G) was made on these 79 spectra by
134 wavelengths (the four first and four last wavelengths were lost during the Savitzky-Golay pre-processing step). The
pixels for all the images were subsequently projected onto this PCA model. Please note that both the reference for the
MSC and the average spectrum used for the mean-centering were calculated based on the 79 average spectra.6. In
order to visualize the PCA, the calculated scores were refolded back into the shape of the original image (Figure 1H).

Combining the NIR images and the sensory evaluation

In order to compare the NIR image data and the sensory evaluations, a PLS analysis was conducted with the average
spectra of each sample type (quinoa, amaranth or kañiwa) and content (20, 35 and 50% of tested flour) (Figure 1G’), and
regressed towards the physical and sensory evaluation (i.e. TDS) of the same sample type and content (Figure 1H’). Thus,
the analysis consisted of a total of nine samples and 134 wavelengths in the X-matrix, and nine samples with 10 sensory
attributes in Y. The NIR data was mean-centered and the sensory evaluation was autoscaled prior to the PLS model. No
validation was performed, as the result only was interesting from an exploratory approach.

RESULTS AND DISCUSSION

Overview PCA

As a first step in the data analysis, a PCA was made on the 79 average spectra across each image. Instead of showing the
score-plot with the 79 samples, 9 ellipses based on the average and standard error of each group (type and content of
tested grains) are shown in Figure 2. The first component explains 82.1% of the variance, while the second component
explains 10.1%. It is evident that the chemical composition of samples containing kañiwa is very different from those
containing amaranth and quinoa. Differences can be seen through PC1 (Figure 2A) and the loading plot (dotted line in
Figure 2B). This is primarily due to a large peak at the very beginning of the spectra 230 – with a probable maximum
around 990 nm – caused by fibre. As shown in Table 1, kañiwa has a markedly larger fibre content than the other grains.
However, as both this peak, and the peak at 1373 nm can be assigned to fibre, it is believed that not only the content of
fibre, but also the composition of fibre in kañiwa is different from the other two grains. Fibre in kañiwa appears to be
richer in hydroxyl groups (-OH) compared to quinoa and amaranth (Figure 2B). The most pronounced effect of the
loading from PC2 (solid line in Figure 2B) are the two peaks around 1475 nm, indicating changes in the protein
composition between the samples. In general, samples with low content of kañiwa behave very similar to those with
high content of amaranth and quinoa.

NIR hyperspectral imaging of extrudates 240

NIR images showed various score distribution patterns across extrudate samples (Figure 3). As noticed from Figure 2A,
the samples containing kañiwa have clearly higher scores on PC1 than those containing amaranth and quinoa. Score-
images with larger red sections seem to follow the content of fibre (Figure 3, PC1); this is particularly noticeable in
samples containing kañiwa. Score-images of samples containing amaranth and quinoa showed remarkable similarities
for PC1.20A and 20Q are almost undistinguishable, but differences become more evident at higher levels of grain
incorporation (Figure 3, PC1). Samples containing quinoa presented slightly higher score values than the corresponding
amaranth (see also Figure 2A). In general, the distribution of the scores for PC1 seems quite homogenous, with only
minor changes within each image (Figure 3). This is very different for the score-images of PC2, where samples show
random peaks of score distribution across individual images. Inevitably, the score positioning in Figure 2A is linked to the
score images in Figure 3. From this one can observe the similarity among 20K, 35A, 50A and 50Q in terms of score
distribution (i.e. large dark blue areas and few red ones). On the other hand, 20Q, 35Q, and 20A have similar average
score values for PC2 (Figure 2A) but the score distribution was found to be quite different (Figure 3, PC2). For instance,
20A showed a high degree of heterogeneity with sharp and small red spots while 20Q and 35Q, though heterogenous,
displayed smooth and large red areas (neighbouring pixels have similar values). Various authors have found that, in
native amaranth and quinoa, starch and protein form strong links that require enzymatic treatment or alkali conditions
to break them apart (Radosavljevic et al., 1998; Choi et al., 2004; 259 Villarreal et al., 2013; Kumar et al., 2013).
Probably, this makes more feasible for starch and protein to form intertwined matrices upon extrusion, like in
extrudates containing amaranth (Figure 2). The resulting molecular arrangement may strongly depend on the type of
starch (e.g. amylose/amylopectin ratio) and protein (i.e. albumin, globulin, glutelin, prolamin) present in the flour
mixture.

According to Cabrera-Chavez et al. (2012), insoluble native starch granules may have the capacity of entrap proteins
during the gelatinization and retrogradation of amaranth starch. In the present study, the extrusion temperatures (90-
140 °C) were high enough to ensure a high degree of gelatinization, dextrinization and eventual retrogradation. In Figure
2B, the spectra show overtones at around 1470 nm (max) and 1533 nm (min), corresponding to the spectral features of
starch retrogradation (Osborne, 1996). Generally, polysaccharide hydroxyl groups are exposed during extrusion
contributing, most possibly, to the formation of links with other food polymers (Osborne, 1996). The cysteine residues
present in glutelins (around 40% of total protein in amaranth; Bressani and Garcia-Vela, 1990) could have increased the
content of thiols (-SH) thereby boosting the formation of protein-starch networks. Unfortunately, the overtone
corresponding to thiols is commonly shown at 1740 nm, beyond the boundaries of the wavelength range (1000-1700
nm) of the present study. Cabrera-Chavez et al. (2012) explained that the starch-protein network might rely on a
combination of covalent (disulphide bonding) and non-covalent hydrophobic interaction. Generally, quinoa and kañiwa
have distinctively greater content of albumins and globulins than amaranth (Ramos Diaz, 2015), reaching, in some cases,
almost 80% of the protein content (Romero, 1981). In addition, the ratio of amylopectin/amylose in amaranth starch is
commonly higher than in quinoa starch (Qian and Kuhn, 1999). These differences could clearly affect the
formation/stability of a starch-protein network upon extrusion.

Combining NIR images with physical and TDS data 284

The PLS model (Figure 4) made by combining NIR images (independent variables) with physical and TDS data (response
variables) showed an extremely similar loading plot to the one in Figure 2A. The correlations between the loadings from
PLS and PCA are higher than 0.95, indicating that the same profile that applies to the description of the sensory
attributes, applies to the chemical data. The only difference is that the sucrose/ starch peak at 1441 nm is larger for the
PLS model, changing from a shoulder in the PCA to two peaks, with the protein peak at 1470 nm (results not shown).

PLS modelling allow the introduction of a cause-effect relationship between score distribution Figure 3) and
physical/TDS data (Table 2). As explained earlier, the score distribution in PC1 is associated to the content of fibre and, in
the PLS context, fibre presents an inverse effect on roughness (Figure 2; Figure 4). Besides, 20K, 35A, 50A and 50Q
presented very similar patterns of score distribution, visually characterized for having small red dots (associated to
protein) spread across those samples (Figure 3B). These evenly-distributed protein-associated structures had a direct
effect on crunchiness and crispiness, with some minor effect on gooeyness, stiffness, stickiness and SEI (Figure 4). In
contrast, score distribution in 20A, 20Q and 35Q was visually characterized for having large and well-defined red areas
(associated to protein). The unevenness of protein distribution as well as the formation of large protein clumps had a
direct effect on roughness and hardness, and minor effects on WSI and WAI (Figure 4).

Although sensory profiling was initially included in the modelling, it had to be omitted due to technical challenges in the
development of a reliable model. Apparently changes in the chemical data arising from NIR spectral data can be
successfully reflected on sensory continuum attributes (e.g. TDS) rather than on mainstream sensory profiling. Details on
the statistical analysis and level of significance associated to sensory data is comprehensively described by Ramos-Diaz
et al. (2015

Effect of protein and fibre distribution on physical attributes

The increase of amaranth, quinoa and kañiwa had a considerable effect on the physical attributes of corn-based
extrudates as seen in Figure 4 and detailed in Table 2. Samples containing more fibre and protein presented statistically
lower SEI (20/35/50A, p = 0.0001; 20/35/50Q, p = 0.005; 20/35/50K, p = 0.0001), WAI (20/35/50A, p = 0.0001;
20/35/50Q, p = 0.004 ; 20/35/50K, p = 0.039) and WSI (20/35/50A, p = 0.007; 20/35/50Q, p = 0.0001; 20/35/50K, p =
0.004). It was observed that the progressive increase of kañiwa led to the formation of protein clumps (Figure 2),
possibly linked to the disruption of porous structures and reduction of sectional expansion. The incorporation of kañiwa
reduced SEI by almost 50% (50K, Table 2). In contrast, the sectional expansion of extrudates containing quinoa and
amaranth (Figure 4) was not substantially reduced. In this case, the formation of protein clumps took place at low grain
incorporation (e.g. 20A, 35A, 20Q) and eventually dispersed (e.g. 50A, 50Q).

The increase of amaranth, quinoa and kañiwa reduced the extrudates capacity to absorb and solubilize in water,
probably, attributed to the formation of protein clumps. However, the effect was not the same for all grain types (Figure
4). Extrudates containing kañiwa were able to absorb more water (highest WAI), and were less likely to solubilize in
water (lowest WSI) compared to those containing quinoa and amaranth. This might indicate presence of hydrophilic
polymeric structures, possibly involving starch/fibre (Figure 2; Figure 3A). In contrast, extrudates containing amaranth
were the least able to absorb water (lowest WAI) and the most likely to solubilize (highest WSI). Interestingly, protein
clumps were not clearly observed in extrudates containing amaranth (Figure 3B). It is likely that the formation of protein
aggregates and/or starch-protein complexes (clumps observed as large red areas) stabilize the structure of the system,
thereby allowing it to absorb water and preventing further solubilisation. Due to the high standard deviation of stiffness,
only minor changes among tested samples were observed (Table 2). Extrudates containing more amaranth became
structurally weaker (20/35/50A, p = 0.001), which seems consistent with low WAI and high WSI if compared with other
tested samples (Table 2).

CONCLUSIONS

This study shows that the chemical profile obtained through NIR hyperspectral imaging can be successfully linked to
specific sensory and (to a lesser extent) physical attributes. Changes in spectral data was accurately reflected in
temporal dominance of sensations (TDS) rather than in sensory profiling. Appealing TDS attributes such as crunchiness
and crispiness were linked to evenly distributed protein-associated structures while undesirable roughness was clearly
linked to the formation of protein clumps (e.g. protein aggregates, protein-starch complexes). In the present study,
increasing content of fibre was found to reduce the sensation of roughness. The versatility of NIR to monitor food
properties at industrial scale is well known, but its ability to predict textural attributes is much lesser known. This study
proves that fast-monitoring techniques could be used to analyse the textural quality of extruded snacks.

ACKNOWLEDGEMENTS 351

Authors thank the European Cooperation of Science and Technology (COST) Action FA1001 for

supporting this research through a Short Term Scientific Mission (STSM) at University of Copenhagen in Denmark.

AASÁASSSSSS

MATERIAL Y MÉTODOS
Materiales
Las variedades comerciales de amaranto, quinua y kañiwa se
compraron de América del Sur como semillas (Aduki Ltd., Finlandia),
y se molieron con un dispositivo de molienda de disco (100 UPZ-lb,
Hosokawa Alpine, Augsburg, Alemania) en el Centro de Investigación
Técnica de Finlandia (VTT). La harina de maíz pregelatinizada (harina
de polenta, Risenta AB, Suecia) se obtuvo de una tienda local en
Helsinki, Finlandia. La composición calculada de las mezclas de harina
se muestra en la Tabla 1. Los tamaños medios de partícula de
amaranto, quinua, kañ8iwa y harina de maíz fueron 285, 575, 240 y
747 μm, respectivamente. El tamaño de partícula se determinó por
difracción de luz láser en un analizador de tamaño de partículas
Beckman Coulter LS230 (Coulter Corporation, Miami, EE. UU.). Las
muestras se dispersaron primero en etanol al 95% usando agitación
magnética, y luego se incubaron en un baño de ultrasonido (5 min)
para evitar la formación de agregados. La distribución volumétrica de
las partículas (de acuerdo con el modelo de difracción de Fraunhofer y
las estadísticas geométricas) se utilizó para calcular las medianas de
los tamaños de partículas.
Extrusión
Los extruidos se prepararon usando una extrusora de doble tornillo
co-giratoria (Thermo Prism PTW24, Thermo Haake, Alemania). La
extrusora constaba de siete secciones con control de temperatura
individual en seis de ellas (cada una de 96 mm de longitud). La
velocidad de alimentación se mantuvo a 86 g / min (constante) y el
perfil de temperatura se fijó a 90 ° C (sección 1), 95 ° C (sección 2), 95
° C (sección 3), 100 ° C (sección 4 ), 110 ° C (sección 5) y 140 ° C
(sección 6). Se pueden encontrar más detalles sobre las condiciones
de extrusión en Ramos Díaz et al. (2015) Las muestras utilizadas en el
presente estudio se obtuvieron en las siguientes condiciones: a.
Contenido de amaranto, quinua o kañiwa, 20, 35% y 50% (de sólidos);
si. Contenido de agua en masa, 14%; C. Velocidad del tornillo, 500
rpm; re. Temperatura de la matriz, 140 ° C.
Evaluación física y sensorial.
El índice de expansión seccional (SEI) fue la relación entre el área de
la sección transversal de un extruido y la matriz. La rigidez se calculó
como la pendiente de la curva de formación de fuerza en una máquina
de prueba universal (Instron 4465, Instron Ltd., High Wycombe, Reino
Unido) en condiciones de flexión de tres puntos. Los extruidos se
colocaron perpendicularmente sobre un soporte de muestra (espacio
de 12 mm) y la velocidad de la sonda de aluminio fue de 5 mm / min
(Ramos-Diaz 2015). El índice de absorción de agua (WAI) y el índice
de solubilidad en agua (WSI) se calcularon siguiendo el método
descrito por Mäkilä et al. (2014)
Con respecto a la evaluación sensorial, los panelistas (n = 10, entre 20
y 30 años) recibieron capacitación en inglés durante un máximo de
Con respecto a la evaluación sensorial, los panelistas (n = 10, entre 20
y 30 años) recibieron capacitación en inglés durante hasta 12 horas
en el laboratorio sensorial del Departamento de Ciencias de la
Alimentación y la Nutrición de la Universidad de Helsinki. Perfil
sensorial; Se realizó una capacitación para familiarizar el panel con
los extruidos y desarrollar un conjunto de descriptores, referencias y
definiciones. Los panelistas fueron introducidos por primera vez a
varios productos extruidos comerciales para generar una lista
preliminar de atributos vinculados a la textura. Las muestras de
referencia son descritas por Ramos-Diaz et al. (2015) Cada panelista
evaluó las 9 muestras [tres contenidos de harinas (20, 35, 50%) × tres
tipos de granos (amaranto, quinua, kañiwa)] por duplicado. La
intensidad de los descriptores en escalas de línea no estructuradas de
10 cm con los anclajes: "en absoluto" y "muy". Los atributos para la
textura fueron: textura crujiente, crujiente (no incluida en el presente
estudio), dureza, partículas duras y adhesividad. Dominio temporal de
la sensación (TDS); Los panelistas discutieron y generaron un
conjunto de descriptores asociados a las percepciones dominantes
durante la masticación. La lista de descriptores potencialmente
dominantes se presentó en este orden (decidido por consenso):
crujiente, dureza, crujiente, aspereza, pegajosidad y viscosidad. Los
panelistas comenzaron la evaluación colocando la muestra en su boca
y luego seleccionando el descriptor que percibían como dominante. A
medida que pasó el tiempo, los panelistas evaluaron los cambios en
los descriptores dominantes tras la masticación (por ejemplo, de
crujiente a crujiente). El orden de cambio y el tiempo de dominación
se registraron y posteriormente se analizaron.
Tanto para el perfil sensorial como para la prueba TDS, la gestión de
datos se realizó con el software de evaluación sensorial FIZZ, versión
2.45 (Biosystemes, Courternon, Francia).
Mediciones NIR
Los extruidos se deshidrataron durante tres días a 52 ° C en una
incubadora al vacío antes del envasado en atmósfera modificada (N2).
Estas muestras finalmente se cortaron en trozos de 5 mm de altura
antes de la medición de NIR. Las imágenes NIR-hiperespectrales se
obtuvieron con un espectrómetro (Headwall Photonics, Modelo
1002A-00371, Fitchburg, MA) trabajando en un rango de longitud de
onda de 1000-1700 nm con una resolución espectral de 7 nm. En
total, se registraron 142 bandas de longitud de onda para cada píxel.
La medición se realizó en nueve repeticiones por muestra de extruido.
Por lo tanto, se registraron un total de 81 imágenes (9 réplicas x 3
tipos de grano x 3 contenidos), sin embargo, debido a un error en una
de las mediciones, una de las imágenes (una imagen con 20Q) no se
pudo recuperar de la cámara , reduciendo el número total de
imágenes a 80. El número de píxeles para cada imagen fue en
promedio 185 178 x 56.
Manejo de datos
Cada paso en el manejo de datos se muestra en la Figura 1.
yo. El fondo para cada una de las imágenes (Figura 1A) se eliminó
haciendo una máscara que indica si un píxel en la imagen contenía el
extruido (1) o el fondo (0) (Figura 1B).
ii) Luego se aplicó la máscara a cada imagen (Figura 1C). 186
iii) Posteriormente, cada imagen se desplegó, creando una matriz de
tamaño IJ x 142 columnas (una fila por píxel y una columna por
longitud de onda NIR; Figura 1D).
iv. Todas las muestras fueron concatenadas, dando lugar a una matriz
que contiene N x IJ filas y 142 columnas (Figura 1E). N es igual al
número total de imágenes, que fueron 80, e IJ indica el número de
píxeles extruidos para cada imagen. Sin embargo, debido a un
problema de iluminación para una de las imágenes restantes (una
imagen con 20Q, probablemente relacionada con la imagen faltante
mencionada anteriormente), se detectó un valor atípico en un PCA
preliminar, reduciendo así el número de imágenes a 79. El total El
número de espectros terminó siendo 520.062. 194
v. Cada fila de esta matriz se preprocesó (Figura 1F) alisando primero
los espectros de acuerdo con el algoritmo Savitzky-Golay (Savitzky-
Golay, 1964) utilizando un tamaño de ventana de nueve polinomios de
segundo orden para ajustar los datos y la exclusión de los puntos
finales. Esto era importante para mejorar la relación señal / ruido de
los espectros. Para reducir los efectos de dispersión, todos los datos se
procesaron previamente por Corrección de dispersión multiplicativa
(MSC; Geladi et al., 1985).
vi. Para cada imagen, se extrajo el espectro promedio y se realizó un
PCA global (Figura 1G) en estos 79 espectros por 134 longitudes de
onda (las cuatro primeras y las cuatro últimas longitudes de onda se
perdieron durante el paso de preprocesamiento de Savitzky-Golay).
Los píxeles de todas las imágenes se proyectaron posteriormente en
este modelo de PCA. Tenga en cuenta que tanto la referencia para el
MSC como el espectro promedio utilizado para el centrado medio se
calcularon en base a los 79 espectros promedio.6. Para visualizar el
PCA, los puntajes calculados se volvieron a plegar en la forma de la
imagen original (Figura 1H).
Combinando las imágenes NIR y la evaluación sensorial.
Para comparar los datos de la imagen NIR y las evaluaciones
sensoriales, se realizó un análisis PLS con los espectros promedio de
cada tipo de muestra (quinua, amaranto o kañiwa) y contenido (20, 35
y 50% de la harina analizada) (Figura 1G ' ), y retrocedió hacia la
evaluación física y sensorial (es decir, TDS) del mismo tipo de muestra
y contenido (Figura 1H '). Por lo tanto, el análisis consistió en un total
de nueve muestras y 134 longitudes de onda en la matriz X, y nueve
muestras con 10 atributos sensoriales en Y. Los datos NIR estaban
centrados en la media y la evaluación sensorial se escalaba
automáticamente antes del modelo PLS. No se realizó ninguna
validación, ya que el resultado solo fue interesante desde un enfoque
exploratorio.
RESULTADOS Y DISCUSIÓN
Descripción general de PCA
Como primer paso en el análisis de datos, se realizó un PCA en los 79
espectros promedio de cada imagen. En lugar de mostrar la gráfica de
puntaje con las 79 muestras, se muestran 9 elipses basadas en el error
promedio y estándar de cada grupo (tipo y contenido de granos
probados) en la Figura 2. El primer componente explica el 82.1% de la
varianza, mientras que el segundo componente explica 10.1%. Es
evidente que la composición química de las muestras que contienen
kañiwa es muy diferente de las que contienen amaranto y quinua. Las
diferencias se pueden ver a través de PC1 (Figura 2A) y el gráfico de
carga (línea de puntos en la Figura 2B). Esto se debe principalmente a
un gran pico al comienzo de los espectros 230, con un máximo
probable de alrededor de 990 nm, causado por la fibra. Como se
muestra en la Tabla 1, kañiwa tiene un contenido de fibra
notablemente mayor que los otros granos. Sin embargo, como este
pico y el pico a 1373 nm pueden asignarse a la fibra, se cree que no
solo el contenido de fibra, sino también la composición de la fibra en
kañiwa es diferente de los otros dos granos. La fibra en kañiwa parece
ser más rica en grupos hidroxilo (-OH) en comparación con la quinua
y el amaranto (Figura 2B). El efecto más pronunciado de la carga de
PC2 (línea continua en la Figura 2B) son los dos picos alrededor de
1475 nm, lo que indica cambios en la composición de proteínas entre
las muestras. En general, las muestras con bajo contenido de kañiwa
se comportan de manera muy similar a aquellas con alto contenido de
amaranto y quinua.
Imagen hiperespectral NIR de extruidos 240
Las imágenes NIR mostraron varios patrones de distribución de
puntaje a través de muestras extruidas (Figura 3). Como se observó
en la Figura 2A, las muestras que contienen kañiwa tienen
puntuaciones claramente más altas en PC1 que las que contienen
amaranto y quinua. Las imágenes de puntuación con secciones rojas
más grandes parecen seguir el contenido de fibra (Figura 3, PC1); Esto
es particularmente notable en las muestras que contienen kañiwa. Las
imágenes de puntaje de muestras que contienen amaranto y quinua
mostraron similitudes notables para PC1.20A y 20Q son casi
indistinguibles, pero las diferencias se hacen más evidentes a niveles
más altos de incorporación de grano (Figura 3, PC1). Las muestras
que contenían quinua presentaron valores de puntaje ligeramente
más altos que el amaranto correspondiente (véase también la Figura
2A). En general, la distribución de las puntuaciones para PC1 parece
bastante homogénea, con solo pequeños cambios dentro de cada
imagen (Figura 3). Esto es muy diferente para las imágenes de puntaje
de PC2, donde las muestras muestran picos aleatorios de distribución
de puntaje en imágenes individuales. Inevitablemente, el
posicionamiento del puntaje en la Figura 2A está vinculado a las
imágenes del puntaje en la Figura 3. A partir de esto, se puede
observar la similitud entre 20K, 35A, 50A y 50Q en términos de
distribución de puntaje (es decir, grandes áreas de color azul oscuro y
pocas rojas). Por otro lado, 20Q, 35Q y 20A tienen valores de puntaje
promedio similares para PC2 (Figura 2A) pero se encontró que la
distribución de puntaje es bastante diferente (Figura 3, PC2). Por
ejemplo, 20A mostró un alto grado de heterogeneidad con puntos
rojos nítidos y pequeños, mientras que 20Q y 35Q, aunque
heterogéneos, mostraban áreas rojas suaves y grandes (los píxeles
vecinos tienen valores similares). Varios autores han encontrado que,
en el amaranto y la quinua nativos, el almidón y la proteína forman
fuertes vínculos que requieren un tratamiento enzimático o
condiciones alcalinas para separarlos (Radosavljevic et al., 1998; Choi
et al., 2004; 259 Villarreal et al., 2013; Kumar et al., 2013).
Probablemente, esto hace más factible que el almidón y la proteína
formen matrices entrelazadas durante la extrusión, como en los
extruidos que contienen amaranto (Figura 2). La disposición
molecular resultante puede depender en gran medida del tipo de
almidón (por ejemplo, relación amilosa / amilopectina) y proteína (es
decir, albúmina, globulina, glutelina, prolamina) presentes en la
mezcla de harina.
De acuerdo con Cabrera-Chavez et al. (2012), los gránulos de almidón
nativo insolubles pueden tener la capacidad de atrapar proteínas
durante la gelatinización y la retrogradación del almidón de amaranto.
En el presente estudio, las temperaturas de extrusión (90-140 ° C)
fueron lo suficientemente altas como para garantizar un alto grado de
gelatinización, dextrinización y eventual retrogradación. En la Figura
2B, los espectros muestran sobretonos a aproximadamente 1470 nm
(máx.) Y 1533 nm (mín.), Correspondientes a las características
espectrales de la retrogradación del almidón (Osborne, 1996). En
general, los grupos hidroxilo de polisacárido están expuestos durante
la extrusión contribuyendo, muy posiblemente, a la formación de
enlaces con otros polímeros alimentarios (Osborne, 1996). Los
residuos de cisteína presentes en las glutelinas (alrededor del 40% de
la proteína total en el amaranto; Bressani y García-Vela, 1990)
podrían haber aumentado el contenido de tioles (-SH) impulsando así
la formación de redes de proteína-almidón. Desafortunadamente, el
sobretono correspondiente a los tioles se muestra comúnmente a
1740 nm, más allá de los límites del rango de longitud de onda (1000-
1700 nm) del presente estudio. Cabrera-Chavez et al. (2012)
explicaron que la red de almidón-proteína podría depender de una
combinación de interacción hidrofóbica covalente (enlace disulfuro) y
no covalente. En general, la quinua y la kañiwa tienen un contenido
notablemente mayor de albúminas y globulinas que el amaranto
(Ramos Díaz, 2015), alcanzando, en algunos casos, casi el 80% del
contenido de proteínas (Romero, 1981). Además, la proporción de
amilopectina / amilosa en el almidón de amaranto es comúnmente
más alta que en el almidón de quinua (Qian y Kuhn, 1999). Estas
diferencias podrían afectar claramente la formación / estabilidad de
una red de almidón-proteína tras la extrusión.
Combinando imágenes NIR con datos físicos y TDS 284
El modelo PLS (Figura 4) realizado mediante la combinación de
imágenes NIR (variables independientes) con datos físicos y TDS
(variables de respuesta) mostró una gráfica de carga extremadamente
similar a la de la Figura 2A. Las correlaciones entre las cargas de PLS y
PCA son superiores a 0,95, lo que indica que el mismo perfil que se
aplica a la descripción de los atributos sensoriales, se aplica a los
datos químicos. La única diferencia es que el pico de sacarosa /
almidón a 1441 nm es mayor para el modelo PLS, cambiando de un
hombro en el PCA a dos picos, con el pico de proteína a 1470 nm
(resultados no mostrados).
El modelado PLS permite la introducción de una relación causa-efecto
entre la distribución de puntajes (Figura 3) y los datos físicos / TDS
(Tabla 2). Como se explicó anteriormente, la distribución de puntaje
en PC1 está asociada al contenido de fibra y, en el contexto de PLS, la
fibra presenta un efecto inverso sobre la rugosidad (Figura 2; Figura
4). Además, 20K, 35A, 50A y 50Q presentaron patrones muy similares
de distribución de puntajes, caracterizados visualmente por tener
pequeños puntos rojos (asociados a proteínas) distribuidos entre esas
muestras (Figura 3B). Estas estructuras asociadas a proteínas
distribuidas de manera uniforme tuvieron un efecto directo sobre la
textura crujiente y crujiente, con algunos efectos menores sobre la
viscosidad, rigidez, pegajosidad y SEI (Figura 4). En contraste, la
distribución de puntajes en 20A, 20Q y 35Q se caracterizó
visualmente por tener áreas rojas grandes y bien definidas (asociadas
a proteínas). La desigualdad de la distribución de proteínas, así como
la formación de grandes grupos de proteínas tuvieron un efecto
directo sobre la rugosidad y la dureza, y efectos menores sobre WSI y
WAI (Figura 4).
Aunque la creación de perfiles sensoriales se incluyó inicialmente en
el modelado, tuvo que omitirse debido a desafíos técnicos en el
desarrollo de un modelo confiable. Aparentemente, los cambios en los
datos químicos que surgen de los datos espectrales NIR se pueden
reflejar con éxito en los atributos del continuo sensorial (por ejemplo,
TDS) en lugar de en el perfil sensorial convencional. Los detalles sobre
el análisis estadístico y el nivel de significación asociados a los datos
sensoriales se describen exhaustivamente por Ramos-Diaz et al.
(2015).

Efecto de la distribución de proteínas y fibras en los atributos físicos.

El aumento de amaranto, quinua y kañiwa tuvo un efecto considerable
en los atributos físicos de los extruidos a base de maíz, como se ve en
la Figura 4 y se detalla en la Tabla 2. Las muestras que contienen más
fibra y proteína presentaron una SEI estadísticamente más baja
(20/35 / 50A, p = 0.0001; 20/35 / 50Q, p = 0.005; 20/35 / 50K, p =
0.0001), WAI (20/35 / 50A, p = 0.0001; 20/35 / 50Q, p = 0.004;
20/35 / 50K, p = 0.039) y WSI (20/35 / 50A, p = 0.007; 20/35 / 50Q,
p = 0.0001; 20/35 / 50K, p = 0.004). Se observó que el aumento
progresivo de kañiwa condujo a la formación de grupos de proteínas
(Figura 2), posiblemente relacionados con la interrupción de las
estructuras porosas y la reducción de la expansión seccional. La
incorporación de kañiwa redujo la SEI en casi un 50% (50K, Tabla 2).
En contraste, la expansión en sección de los extruidos que contienen
quinua y amaranto (Figura 4) no se redujo sustancialmente. En este
caso, la formación de grupos de proteínas tuvo lugar con baja
incorporación de grano (por ejemplo, 20A, 35A, 20Q) y finalmente se
dispersó (por ejemplo, 50A, 50Q).
El aumento de amaranto, quinua y kañiwa redujo la capacidad de los
extruidos para absorber y solubilizarse en agua, probablemente,
atribuido a la formación de grupos de proteínas. Sin embargo, el
efecto no fue el mismo para todos los tipos de granos (Figura 4). Los
extruidos que contienen kañiwa fueron capaces de absorber más agua
(WAI más alta) y fueron menos propensos a solubilizarse en agua
(WSI más bajo) en comparación con los que contienen quinua y
amaranto. Esto podría indicar la presencia de estructuras poliméricas
hidrofílicas, posiblemente involucrando almidón / fibra (Figura 2;
Figura 3A). En contraste, los extruidos que contienen amaranto fueron
los menos capaces de absorber agua (WAI más bajo) y los más
propensos a solubilizarse (WSI más alto). Curiosamente, los grupos de
proteínas no se observaron claramente en los extruidos que contienen
amaranto (Figura 3B). Es probable que la formación de agregados de
proteínas y / o complejos de almidón-proteína (grupos observados
como grandes áreas rojas) estabilicen la estructura del sistema, lo que
le permite absorber agua y evitar una mayor solubilización. Debido a
la alta desviación estándar de la rigidez, solo se observaron cambios
menores entre las muestras analizadas (Tabla 2). Los extruidos que
contienen más amaranto se volvieron estructuralmente más débiles
(20/35 / 50A, p = 0.001), lo que parece consistente con bajo WAI y
alto WSI en comparación con otras muestras analizadas (Tabla 2).

CONCLUSIONES
Este estudio muestra que el perfil químico obtenido a través de la
imagen hiperespectral NIR se puede vincular con éxito a atributos
sensoriales específicos y (en menor medida). Los cambios en los datos
espectrales se reflejaron con precisión en el dominio temporal de las
sensaciones (TDS) en lugar de en el perfil sensorial. Atributos
atractivos de TDS como crujiente y crujiente se vincularon a
estructuras asociadas a proteínas distribuidas uniformemente,
mientras que la rugosidad indeseable se relacionó claramente con la
formación de grupos de proteínas (por ejemplo, agregados de
proteínas, complejos de proteínas y almidón). En el presente estudio,
se encontró que aumentar el contenido de fibra reduce la sensación de
aspereza. La versatilidad de NIR para monitorear las propiedades de
los alimentos a escala industrial es bien conocida, pero su capacidad
para predecir atributos de textura es mucho menos conocida. Este
estudio demuestra que las técnicas de monitoreo rápido podrían
usarse para analizar la calidad textural de los bocadillos extruidos.
AGRADECIMIENTOS 351
Los autores agradecen a la Acción de Cooperación Europea de Ciencia
y Tecnología (COST) FA1001 por
apoyando esta investigación a través de una Misión Científica a Corto
Plazo (STSM) en la Universidad de Copenhague en Dinamarca.

APLICACIÓN DE IMÁGENES NIR AL ESTUDIO DE SNACKS AMPLIADOS

QUE CONTIENE AMARANTH, QUINOA Y KAÑIWA
José Martín Ramos-Díaz1, Åsmund Rinnan2, Kirsi Jouppila1
1 Departamento de Alimentación y Nutrición, P.O. Recuadro 66
(Agnes Sjöbergin katu 2) FI-00014 Universidad de Helsinki, Finlandia
Departamento de Ciencia de los Alimentos, Química y Tecnología
Analítica, Rolighedsvej 26, DK-
1958, Universidad de Copenhague, Dinamarca
* Autor correspondiente. José Martín Ramos Díaz, P.O. Recuadro 66
(Agnes Sjöbergin katu 2) FI-00014
Universidad de Helsinki, Finlandia. Correo electrónico:
jose.ramosdiaz@helsinki.fi. Tel. 358 504485951. Fax.
+358 2941 58460 12
ABREVIATONES
IJ: la imagen completa que se midió 22
K: Número de longitudes de onda medidas 23
Mi: la máscara de imagen para la muestra i 24
N: muestra número 25
Ni: número de píxeles (sin incluir el fondo) para la muestra i 26
NIR: infrarrojo cercano 27
Ntot: el número de píxeles en todas las muestras en total 28
P: Cargas del PCA en las imágenes NIR desplegadas 29
PLS: modelo de regresión de mínimos cuadrados parciales 30
T: Puntuaciones de la PCA en las imágenes NIR desplegadas 31
TDS: dominio temporal de la sensación 32
20/35 / 50A: Muestras extruidas a base de maíz que contienen 20, 35
o 50% de amaranto de sólidos 33
20/35 / 50K: muestras extruidas a base de maíz que contienen 20, 35
o 50% de kañiwa de sólidos 34
20/35 / 50Q: Muestras extruidas a base de maíz que contienen 20, 35
o 50% de quinua de sólidos 35
50 / 80C: Muestras extruidas que contienen 50 y 80% de maíz de
sólidos 36
RESUMEN
El amaranto (Amarantus caudatus), la quinua (Chenopodium quinoa)
y la kañiwa (Chenopodium pallidicaule) son granos andinos que están
ganando interés como alternativas nutritivas sin gluten a los cereales
convencionales. Se aplicaron imágenes de infrarrojo cercano (NIR) a
extruidos que contenían 20, 35% y 50% de amaranto, quinua y
kañiwa para estudiar la distribución espacial de fibra y proteína a lo
largo del área de la sección transversal. Los resultados se compararon
con las mediciones físicas existentes (p. Ej., Expansión seccional,
rigidez) y datos de textura obtenidos de perfiles sensoriales y estudios
temporales (es decir, dominio temporal de la sensación, TDS). La
distribución de la puntuación en las parcelas de PCA se asoció
directamente con la fibra (PC1) y la proteína (PC2) debido a la
especificidad de la longitud de onda espectral (fibra: 1028 nm;
proteína: 1470 nm). El modelo de regresión de mínimos cuadrados
parciales (PLS) mostró que las estructuras de proteínas distribuidas
uniformemente están fuertemente vinculadas a las propiedades de
textura de TDS deseables, como la textura crujiente y la textura
crujiente, mientras que los grupos de proteínas están vinculados a
propiedades indeseables como la rugosidad. En contraste, se encontró
que la fibra reduce la aspereza. PLS no pudo explicar con precisión los
cambios en los atributos físicos, y los datos sensoriales de las pruebas
de perfil tuvieron que omitirse de la informática debido a la falta de
ajuste. Este estudio muestra que las imágenes de hiperespectra NIR
podrían ayudar a dilucidar el fondo químico de los atributos
dominantes físicos y particularmente temporales.
INTRODUCCIÓN
El amaranto (Amarantus caudatus), la quinua (Chenopodium quinoa)
y la kañiwa (Chenopodium pallidicaule) son granos cultivados
tradicionalmente en los Andes de América del Sur en áreas de
alrededor de 4000 m.s.n.m. Con los años, la quinua también se ha
cultivado con éxito en Estados Unidos, Reino Unido, Dinamarca, Países
Bajos, Finlandia e India (Janick et al., 1996; Jacobsen, 2003; Bhargava
et al., 2006). Según la FAO (2011), la quinua junto con el amaranto son
alimentos prometedores para el futuro debido a sus características
nutricionales sobresalientes (por ejemplo, calidad de proteínas, alto
contenido de fibra). Aunque el kañiwa es un grano mucho menos
conocido, sus cualidades nutricionales son similares a las de la quinua
y el amaranto, y la producción de bocadillos extruidos que contienen
kañiwa está en aumento (Ramos Díaz, 2015). La extrusión es una
tecnología versátil que altera las características fisicoquímicas de las
harinas de grano, que contienen almidón y proteínas, a través del
aumento de la presión y la temperatura a lo largo del barril del
extrusor (Ramos Diaz, 2015; Ramos Diaz et al., 2015b). Se espera que
la merienda resultante tenga una estructura porosa expandida y una
textura crujiente tras la masticación.
Según Bressani y García Vela (1990), las dos fracciones de proteínas
más grandes en el amaranto son proteínas globulares (albúminas y
globulinas) y glutelinas, que representan alrededor del 90%, mientras
que la fracción de prolamina es inferior al 5%. Por el contrario, se
descubrió que la quinua tenía hasta un 27% de prolaminas, y las
fracciones de proteínas globulares y glutelinas representaban
alrededor del 70% (Scarpati de Briceño, 1979; Scarpati de Briceño y
Briceño, 1980). En kañiwa, la prolamina representaba alrededor de un
tercio de las proteínas (Scarpati de Briceño, 1979). Con respecto al
almidón, la quinua parece contener más amilosa que el amaranto
(alrededor del 12 y 7%, respectivamente) amilosa es asociado. Según
nuestro conocimiento, no existe información sobre la relación amilosa
/ amilopectina de kañiwa. Tras la extrusión, el bajo contenido de
amilosa se asocia a masas altamente elásticas que conducen a una
mayor expansión (y posible contracción) de los extruidos en el punto
de la matriz (Babin et al., 2007; Ramos Díaz 2015).
Diversos estudios (Ilo y Lui, 1999; Ramos Díaz et al., 2013; Ramos
Díaz, 2015) han observado que el aumento de los contenidos de
proteínas o fibra y la adición de agua en el sistema disminuyen la
expansión seccional de los bocadillos extruidos). Por el contrario, el
bajo contenido de amilosa se ha asociado a masas altamente elásticas
durante la extrusión, lo que provoca una mayor expansión y posible
contracción de los bocadillos extruidos en el punto de morir (Babin et
al., 2007; Ramos Díaz 2015).a pesar de esto, se sabe poco acerca de la
distribución espacial del componente alimenticio (por ejemplo,
proteínas, almidón) en el área de la sección, y el efecto potencial que
esto puede tener sobre las características físicas y de textura del
producto. En ese sentido, la imagen hiperespectral del infrarrojo
cercano (NIR) es un método óptico no destructivo que nos permite
explorar la distribución de los componentes de los alimentos. NIR se
basa en la capacidad molecular para atenuar la luz a una longitud de
onda dada (700–2500 nm) o, técnicamente llamada, la capacidad de
absorción molar. Esto está asociado a un grado de excitación
molecular que es específico de grupos químicos particulares, tales
como hidroxilos y aminas. Las bandas de armónicos o armónicos
moleculares (específicos para grupos químicos) son observables en
los espectros NIR.
Si bien esta medición óptica multiespectral no es destructiva, es
rápida de realizar e ideal para el monitoreo en línea, no es tan
específica como las pruebas químicas y requiere una gran cantidad de
análisis de datos (por ejemplo, preprocesamiento, modelado) antes de
la interpretación. Sin embargo, ofrece una buena visión general de la
muestra medida con un solo análisis. La cantidad de información
sobrepasa en gran medida la de cualquiera de las pruebas químicas y
puede conducir a una nueva comprensión del sistema en cuestión. De
acuerdo con Alander et al. (2013), los modelos matemáticos creados,
muy a menudo, no pueden generalizarse y deben ajustarse a las
nuevas condiciones. Aunque esto puede verse como una debilidad,
también es una fortaleza, lo que indica que NIR es capaz de detectar
incluso cambios menores en la matriz de la muestra. Además, el
problema mencionado por Alander et al. (2013) también indica otra
fuerza de la espectroscopía junto con la quimiometría; son inherentes
a la ventaja de primer orden (Booksh y Kowalski 1994), lo que
significa que indicará al usuario cuándo se ha producido un cambio en
la matriz de muestras para nuevas muestras. Esto no es posible con
las pruebas químicas regulares ya que estas son univariadas por
naturaleza.
El objetivo de este estudio es identificar la ubicación espacial de los
principales componentes alimentarios en los extruidos que contienen
amaranto, quinua y kañiwa mediante la aplicación de imágenes de
hiperespectra NIR, y estudiar el efecto de dichos componentes
alimentarios en atributos sensoriales específicos mediante la
aplicación de quimiometría.
MATERIAL Y MÉTODOS