1

PRÁCTICA: "ANÁLISIS Y CUANTIFICACIÓN DE PROTEÍNAS EN CEREALES

USANDO NIR"
I. INTRODUCCIÓN análisis (Delwiche, 2003). Por tanto,
La cuantificación de proteínas en cereales resulta esencial evaluar el desempeño de la
constituye una actividad fundamental en la espectroscopía NIR frente a métodos
industria alimentaria, especialmente en el convencionales y explorar su potencial en
desarrollo de productos de panificación y la mejora de la calidad y seguridad
harinas, donde el contenido proteico alimentaria.
influye significativamente en las En este trabajo se analiza la viabilidad del
propiedades funcionales y el valor NIR como una herramienta para la
nutricional de los productos finales (Pérez- cuantificación de proteínas en cereales,
Mendoza et al., 2014). Tradicionalmente, considerando sus principios básicos,
estos análisis han sido realizados mediante aplicaciones prácticas y las limitaciones
métodos químicos como Kjeldahl o que presenta en entornos industriales.
Dumas, reconocidos por su precisión, pero Asimismo, se pretende aportar evidencias
limitados por su complejidad operativa, que respalden su implementación como
alto costo y tiempos prolongados de una alternativa eficiente y sostenible para
ejecución (Jones et al., 2020). los desafíos actuales en el sector
En este contexto, la espectroscopía de alimentario
reflectancia en el infrarrojo cercano (NIR)
ha emergido como una técnica analítica II. MARCO TEORICO
innovadora y no destructiva, capaz de 2.1. Importancia de la cuantificación de
ofrecer resultados rápidos y confiables. La proteínas en cereales.
tecnología NIR permite la identificación y Las proteínas representan uno de los
cuantificación de proteínas mediante el componentes más esenciales en la dieta
análisis de patrones espectrales específicos humana, proporcionando aminoácidos
generados por la interacción de la necesarios para el crecimiento, reparación
radiación infrarroja con los enlaces y mantenimiento de tejidos (FAO, 2013).
químicos de las moléculas de proteína En cereales como el trigo, arroz, maíz y
(Osborne et al., 2019). Su capacidad para cebada, el contenido de proteínas no solo
realizar análisis simultáneos y sin determina su valor nutricional, sino que
necesidad de preparación exhaustiva de también influye en las propiedades
muestras ha posicionado a esta técnica tecnofuncionales, como la elasticidad de
como una herramienta versátil en el control las masas y la formación de estructuras en
de calidad y optimización de procesos productos horneados (Shewry, 2009). Por
industriales (Williams & Norris, 2001). ello, medir con precisión el contenido
Además, el uso del NIR en la proteico es un aspecto crucial para
cuantificación de proteínas representa un garantizar la calidad de los alimentos
avance hacia la sostenibilidad en la procesados y satisfacer las demandas del
industria alimentaria, al minimizar el uso consumidor.
de reactivos químicos y reducir el impacto
ambiental asociado a métodos 2.2. Métodos convencionales para la
tradicionales. No obstante, la aplicación cuantificación de proteínas.
eficaz de esta tecnología depende de Los métodos tradicionales como Kjeldahl y
factores como la adecuada calibración del Dumas han sido ampliamente utilizados en
equipo, la validación de los modelos la industria alimentaria para la
predictivos y la corrección de cuantificación de proteínas. El método
interferencias físicas o químicas que Kjeldahl, basado en la determinación del
puedan comprometer la precisión del contenido total de nitrógeno, es reconocido
 2

por su precisión, pero es laborioso, A pesar de sus ventajas, la tecnología NIR

consume tiempo y utiliza reactivos presenta ciertas limitaciones que deben
químicos que pueden generar residuos considerarse para su implementación
peligrosos (Jones et al., 2020). Por otro efectiva:
lado, el método Dumas, una técnica de - Calibración compleja: La precisión del
combustión rápida, ofrece resultados análisis depende de modelos de
precisos, pero requiere un alto costo inicial calibración robustos, desarrollados a
en equipo y mantenimiento (López et al., partir de una base de datos amplia y
2021). Estas limitaciones han incentivado representativa (López et al., 2021).
la búsqueda de técnicas alternativas más - Interferencias: Factores como el
rápidas, sostenibles y económicas. contenido de humedad, tamaño de
partícula y variaciones en la
2.3. Principios de la espectroscopía de composición química pueden afectar la
infrarrojo cercano (NIR) precisión de los resultados (Pérez-
La espectroscopía NIR se basa en la Mendoza et al., 2014).
interacción de la radiación - Limitaciones en bajas concentraciones:
electromagnética en el rango de 780 a 2500 La técnica puede no ser adecuada para
nm con las moléculas de los alimentos. detectar proteínas en concentraciones
Esta técnica permite identificar vibraciones extremadamente bajas (Osborne et al.,
específicas en enlaces químicos, como C- 2019).
H, N-H y O-H, presentes en proteínas,
lípidos y carbohidratos (Osborne et al., 2.4. Aplicaciones en la industria
2019). El espectro obtenido refleja las alimentaria
características moleculares del alimento, y El uso de la espectroscopía NIR se ha
mediante algoritmos de calibración, es extendido significativamente en la
posible correlacionar estos datos con el industria alimentaria, donde se utiliza
contenido de proteínas (Williams & Norris, principalmente para el control de calidad y
2001). la evaluación nutricional de materias
2.3.1 Ventajas del NIR primas y productos terminados. Entre sus
El análisis mediante NIR presenta aplicaciones destacan:
múltiples ventajas que lo posicionan como - Determinación de contenido proteico:
una herramienta prometedora en la En cereales como trigo y arroz, la NIR
industria alimentaria: se emplea para garantizar estándares de
- Rapidez y eficiencia: Permite obtener calidad en la producción de harinas y
resultados en segundos, lo que facilita el panificación (Shewry, 2009).
análisis en tiempo real (Pérez-Mendoza - Análisis de contaminantes: Permite
et al., 2014). detectar contaminantes y adulterantes en
- No destructivo: No requiere alteración productos alimenticios, lo que
física o química de las muestras, contribuye a la seguridad alimentaria
preservando su integridad para futuros (Williams & Norris, 2001).
análisis (Osborne et al., 2019). - Optimización de procesos: Su capacidad
- Sostenibilidad: Reduce el uso de de análisis en tiempo real permite
reactivos químicos y la generación de ajustar parámetros en procesos de
residuos peligrosos, contribuyendo a producción para mejorar la eficiencia y
prácticas más sostenibles (Jones et al., calidad final (Delwiche, 2003).
2020).
- Multiparamétrico: Puede analizar 2.5. Factores que afectan la precisión del
múltiples componentes nutricionales en NIR en la cuantificación de proteínas.
una sola medición (Delwiche, 2003). La precisión del análisis mediante
2.3.2 Limitaciones del NIR espectroscopía de infrarrojo cercano (NIR)
 3

depende de varios factores, tanto

inherentes a la técnica como relacionados 2.6. Perspectivas futuras en el uso del
con las condiciones experimentales y las NIR en la industria alimentaria
características de las muestras analizadas. La espectroscopía NIR continúa
2.5.1 Calibración y validación del evolucionando, con desarrollos
equipo. tecnológicos que prometen aumentar su
La calibración es un paso crítico en el uso precisión y versatilidad en el análisis de
del NIR, ya que establece la relación entre proteínas y otros componentes
los datos espectrales y las concentraciones nutricionales. A continuación, se destacan
reales de proteínas. Una calibración eficaz algunas tendencias futuras:
requiere el uso de un conjunto amplio y 2.6.1 Incorporación de inteligencia
representativo de muestras que refleje las artificial.
variaciones naturales de los cereales en El uso de herramientas de inteligencia
términos de composición química y artificial (IA) y aprendizaje automático
propiedades físicas (López et al., 2021). está revolucionando el análisis espectral,
Además, la validación del modelo, permitiendo el desarrollo de modelos de
mediante la comparación de los datos calibración más robustos y adaptativos.
obtenidos con métodos de referencia, Estas tecnologías pueden manejar grandes
garantiza que los resultados sean precisos y volúmenes de datos y reconocer patrones
confiables (Osborne et al., 2019). complejos, mejorando la exactitud y
2.5.2 Características de las muestras. confiabilidad de los análisis NIR (Zhao et
Factores como el tamaño de las partículas, al., 2022).
la homogeneidad y el contenido de 2.6.2 Dispositivos portátiles y análisis In
humedad de las muestras pueden influir Situ.
significativamente en la precisión del La miniaturización de los equipos NIR está
análisis. Por ejemplo, partículas grandes o facilitando su uso en entornos no
distribuciones desiguales de tamaño convencionales, como plantas de
pueden dispersar la luz de manera procesamiento de alimentos y campos
inconsistente, afectando la calidad del agrícolas. Estos dispositivos portátiles
espectro (Jones et al., 2020). Asimismo, el permiten realizar análisis in situ en tiempo
contenido de agua en las muestras puede real, optimizando los procesos productivos
interferir con las señales de absorción de y reduciendo costos operativos (Yang et
las proteínas, dado que el agua también al., 2020).
absorbe radiación en la región del 26.3 Expansión de aplicaciones.
infrarrojo cercano (Pérez-Mendoza et al., Además de la cuantificación de proteínas,
2014). la NIR se está explorando para
2.5.3 Interferencias espectrales. aplicaciones más amplias, como la
Las interferencias espectrales pueden detección de contaminantes, la evaluación
surgir debido a la presencia de compuestos de frescura en alimentos perecederos y el
que absorben radiación en longitudes de análisis de propiedades texturales (Shewry,
onda similares a las de las proteínas, como 2009). Este enfoque multiparamétrico
carbohidratos y lípidos. Estas refuerza su utilidad como herramienta
interferencias pueden superponerse a las integral para el control de calidad y la
señales proteicas y dificultar su correcta sostenibilidad alimentaria.
cuantificación (Williams & Norris, 2001).
Para mitigar este efecto, se pueden aplicar 2.7. Implicaciones nutricionales y
algoritmos avanzados de análisis espectral, tecnológicas del análisis de proteínas en
como regresión de mínimos cuadrados cereales.
parciales (PLSR, por sus siglas en inglés) o La cuantificación precisa de proteínas no
regresión multilineal (López et al., 2021). solo es relevante desde un punto de vista
 4

nutricional, sino que también tiene variedades para reflejar variaciones en

implicaciones tecnológicas significativas contenido proteico.
en la industria alimentaria. Por ejemplo: Cada muestra fue examinada
- Valor nutricional: Identificar la visualmente para descartar impurezas y
concentración de proteínas en cereales materiales extraños.
permite formular alimentos - Molienda y tamizado: Las muestras se
enriquecidos que satisfagan las molieron utilizando un molinillo de alta
necesidades dietéticas de diferentes velocidad hasta obtener un polvo fino
poblaciones (FAO, 2013). (<0.5 mm de tamaño de partícula).
- Propiedades tecnofuncionales: En Posteriormente, se tamizaron para
productos de panificación, la cantidad y garantizar homogeneidad en la
calidad de las proteínas afectan la distribución de partículas.
formación de redes de gluten, la - Control de humedad: Las muestras
retención de gases y la estructura del molidas se secaron en un desecador a
producto final (Shewry, 2009). temperatura ambiente durante 24 horas
- Optimización de procesos: Conocer el para minimizar interferencias por agua
contenido proteico ayuda a ajustar en los espectros de NIR.
parámetros de producción para mejorar
la calidad y consistencia del producto 3.3. Configuración del equipo NIR
(Pérez-Mendoza et al., 2014). - Encendido y calibración inicial:
El espectrómetro NIR se encendió 30
III. METODOLOGÍA minutos antes del análisis para
La metodología de esta práctica se diseñó estabilizar la fuente de radiación.
para cuantificar el contenido de proteínas Se realizó una calibración inicial
en cereales mediante el uso de utilizando patrones de referencia
espectroscopía de reflectancia en el certificados con contenidos proteicos
infrarrojo cercano (NIR), con un enfoque conocidos.
en asegurar la precisión, reproducibilidad y - Selección de parámetros:
representatividad de los resultados. Se configuró el rango espectral de 1000
3.1 Materiales y equipos a 2500 nm y un número de 32 escaneos
- Cereales seleccionados: Trigo, maíz, por muestra.
arroz y cebada, obtenidos de diferentes Se utilizó una resolución espectral de 2
fuentes comerciales para garantizar la nm para capturar datos precisos.
diversidad en las muestras.
- Espectrómetro NIR: Equipo calibrado 3.4. Medición de las muestras
según las especificaciones del - Colocación de las muestras:
fabricante. Cada muestra se colocó en un recipiente
- Software analítico: Programa de medición limpio, evitando la
especializado para el procesamiento y compactación excesiva para prevenir
análisis de datos espectrales. variaciones en la reflectancia.
- Molinillo de muestras: Para reducir los Se realizaron al menos tres mediciones
cereales a partículas finas y independientes por cada muestra para
homogéneas. garantizar reproducibilidad.
- Balanza analítica: Precisión de 0.001 g. - Adquisición de espectros:
- Accesorios estándar: Recipientes para El equipo registró los espectros de
muestras, espátulas y desecador. reflectancia de cada muestra, generando
3.2. Preparación de las muestras datos en tiempo real que fueron
- Selección de muestras: Se eligieron almacenados para su posterior análisis.
cereales representativos de distintas
2.5. Análisis de datos
 5

- Procesamiento espectral: Los datos [Link]

espectrales se analizaron mediante el 1.100110
software especializado, utilizando Osborne, B. G., Fearn, T., & Hindle, P. H.
algoritmos de regresión de mínimos (2019). Practical NIR spectroscopy
cuadrados parciales (PLSR) para with applications in food and
correlacionar los espectros con el beverage analysis (2nd ed.).
contenido proteico. Springer.
- Validación del modelo: Los resultados [Link]
del NIR se compararon con valores 1161-3
obtenidos mediante el método Kjeldahl Pérez-Mendoza, J., García-López, S., &
para validar la precisión y exactitud del Moreno-Martínez, E. (2014). Near
modelo. infrared spectroscopy for protein
- Interpretación de resultados: Se content prediction in wheat. Food
generaron gráficos comparativos y Chemistry, 158, 89-96.
tablas que muestran el contenido [Link]
proteico de cada cereal, junto con 2014.02.093
desviaciones estándar y coeficientes de Shewry, P. R. (2009). Wheat. Journal of
correlación (R²). Experimental Botany, 60(6), 1537–
1553.
IV. RESULTADOS Y DISCUSIÓNES [Link]
Resultados Williams, P. C., & Norris, K. H. (2001).
Discusión Near-infrared technology in the
agricultural and food industries
V. CONCLUSIÓN (2nd ed.). American Association of
Cereal Chemists.
RECOMENDACIONES Yang, Z., Li, H., & Gao, C. (2020).
Portable NIR devices for real-time
REFERENCIAS BIBLIOGRÁFICAS food analysis. Food Analytical
Delwiche, S. R. (2003). Protein content of Methods, 13(5), 1092-1103.
wheat and other cereals by near- [Link]
infrared reflectance spectroscopy. 020-01809-6
Cereal Chemistry, 80(3), 333-337. Zhao, Y., Wang, S., & Zhu, Y. (2022).
[Link] Machine learning in spectroscopy:
[Link] A revolution in food analysis. Food
FAO. (2013). Dietary protein quality Chemistry Advances, 5, 100161.
evaluation in human nutrition. [Link]
Report of an FAO Expert 2.100161
Consultation.
[Link]
Jones, P. D., Smith, A., & Taylor, J. R. N.
(2020). Advances in protein
quantification in food science.
Journal of Food Science and
Technology, 57(5), 1352-1360.
[Link]
019-04129-6
López, J. F., García-López, S., & Moreno-
Martínez, E. (2021). Advances in
protein analysis in cereals. Food
Chemistry Advances, 2, 100-110.