Autenticación del Origen Botánico de la Miel Mediante Perfilado de Compuestos Volátiles por HS-SPME-GC-MS y Modelos...

Área de la Ciencia:

• Química Analítica
• Ciencia de los Alimentos
• Quimioinformática

Sus antecedentes:

• La autenticación botánica de la miel es crucial para el control de calidad y la detección de fraudes.
• Los métodos tradicionales a menudo carecen de la sensibilidad y especificidad para mezclas complejas.
• El perfilado de compuestos orgánicos volátiles (COV) ofrece una vía prometedora para la discriminación.

Objetivo del estudio:

• Desarrollar y comparar modelos avanzados de aprendizaje automático para la autenticación botánica multiclas de miel.
• Integrar Headspace Solid-Phase Microextraction Gas Chromatography-Mass Spectrometry (HS-SPME-GC-MS) con algoritmos de aprendizaje supervisado.
• Identificar marcadores quimiotaxonómicos clave para diferenciar las fuentes florales de la miel.

Principales métodos:

• Análisis de 57 muestras de miel mediante HS-SPME-GC-MS para obtener perfiles de COV.
• Aplicación del Análisis de Componentes Principales (PCA) para la visualización de datos y la separación de clases.
• Entrenamiento y evaluación de modelos de Random Forest (RF), eXtreme Gradient Boosting (XGBoost) y Red Neuronal (NN) para clasificación.

Principales resultados:

• Identificación de marcadores específicos de COV para mieles de cilantro, azahar, astrágalo, romero y chehelgiah.
• El PCA demostró una clara separación de las clases botánicas.
• El modelo de Red Neuronal alcanzó la mayor precisión de autenticación (90,32%), superando a RF y XGBoost.

Conclusiones:

• HS-SPME-GC-MS combinado con modelos de aprendizaje profundo proporciona un método rápido, sensible y fiable para la autenticación botánica de la miel.
• Este enfoque ofrece un potencial significativo para el control de calidad en tiempo real y la lucha contra la adulteración de la miel.
• El estudio destaca la eficacia del aprendizaje automático avanzado en el análisis de alimentos complejos.