Identificación de la huella digital para miel de abejas ...

Identificación de la huella digital para miel de abejas con origen en zonas

cafeteras de Colombia

Darwin Arlley Rodríguez Medina

Universidad Nacional de Colombia

Facultad de Ciencias Agrarias, Instituto de Ciencia y Tecnología de Alimentos

Bogotá, Colombia

2016

Identificación de la huella digital para miel de abejas con origen en zonas


Darwin Arlley Rodríguez Medina

Tesis presentada como requisito para optar al título de:

Magister en Ciencia y Tecnología de Alimentos

Directora:

Ph.D. MSc, Amanda Consuelo Díaz Moreno

Línea de Investigación:

Caracterización y generación de valor en productos de la colmena

Grupo de Investigación:

BIOALIMENTOS

Universidad Nacional de Colombia

Facultad de Ciencias Agrarias, Instituto de Ciencia y Tecnología de Alimentos

Bogotá, Colombia

2016

Dedicada a mi madre

Agradecimientos

Al “Programa Estratégico en Alternativas para la Generación de Valor en Productos

apícolas en Colombia a Través de la Innovación y el Desarrollo Tecnológico” financiado

por Colciencias y desarrollado en el Instituto de Ciencia y Tecnología de Alimentos- ICTA

de la Universidad Nacional de Colombia.

A la Universidad de Valencia por el apoyo financiero para la beca "Jóvenes Investigadores

2016" la cual permitió desarrollar parte de las técnicas experimentales en los laboratorios

de la universidad.

Al Instituto de Ciencia y Tecnología de Alimentos ICTA por permitirme desarrollar este

proyecto en sus laboratorios y el apoyo del grupo de personas que trabajan acá.

A la Dirección Académica y la Facultad de Ingeniería de Universidad Nacional de

Colombia, sede Bogotá por la beca Asistente Docente de la cual fui beneficiario entre

agostos de 2015 y diciembre de 2016.

De manera especial agradezco a mi madre, Flor Medina, y mis Hermanas Sindy y

Vannesa, quienes me han apoyado en cada momento y decisión tomada en mi vida.

A la doctora Consuelo Díaz por ser la gestora y guía de este proyecto. Además, de

brindarme su incondicional apoyo y amistad desde el comienzo de este camino.

A los doctores Miguel de la Guardia Cirugeda y Salvador Garrigues Mateo, pertenecientes

al departamento de química analítica de la Universidad de Valencia, quienes me abrieron

las puertas de su laboratorio y fueron partícipes del desarrollo experimental, logístico y

escrito de este trabajo.

VIII Identificación de la huella digital para miel de abejas con origen en zonas cafeteras

de Colombia

Al Doctor Jorge Tello, a Doris Ascencio y a Omar Pabón, quienes colaboraron con la

recolección de muestras.

A Amaury Blanco y Angélica Benavidez quienes colaboraron en el análisis cromatográfico.

A mis compañeros del ICTA por su apoyo en el laboratorio y en diferentes momentos.

A mis compañeras de posgrado con quienes compartí clases y buenos momentos.

A mis mejores amigos: Geraldine, Oscar, Nicolás, Laura, Yesenia, Juan Camilo, Alexandra,

Esteban y Felipe, quienes han estado en los momentos más importantes de mi vida y me

han acompañado en este largo camino.

Resumen IX

Resumen

La miel es un producto que posee características únicas que varían de acuerdo a su origen

botánico y geográfico. Aprovechando la sinergia entre la apicultura y la producción de café

en Colombia, este trabajo evaluó la huella digital de mieles de tres zonas cafeteras de

Colombia (Magdalena, Cauca y Santander). Se evaluaron parámetros fisicoquímicos como

acidez libre, pH, sólidos solubles totales, humedad, conductividad eléctrica, actividad de

diastasa, contenido de azúcares reductores, contenido de cenizas, calcio y potasio, color,

viscosidad y perfil aromático. Posteriormente, se desarrollaron técnicas de clasificación

multivariada a parámetros de composición y calidad de mieles de acuerdo a su origen

geográfico a partir de las características fisicoquímicas y técnicas de espectroscopia

infrarroja. El análisis quimiométrico utilizado, permitió clasificar correctamente mieles de

zonas cafeteras de acuerdo a su origen geográfico con valores de sensibilidad y

especificidad entre 81-100% y 90.2-100%, respectivamente. Por su parte, los datos

espectrales proporcionados por la espectroscopia en el infrarrojo cercano y medio generan

directamente una huella digital de mieles de zonas cafeteras de Colombia sin necesidad

de aplicar ningún tratamiento físico ni químico a la muestra. El análisis discriminante por

mínimos cuadrados parciales aplicado a la espectroscopia infrarroja permitió clasificar

mieles procedentes de zonas cafeteras de Magdalena con una capacidad predictiva del

100%, frente a mieles procedentes de Santander y Cauca. Esto indica que las mieles

procedentes de las zonas cafeteras de Santander y Cauca poseen características

comunes que les permiten agruparse en una misma categoría.

Palabras clave: análisis multivariado, apicultura, denominación de origen, espectroscopia

infrarroja, espectroscopia NIR

X Identificación de la huella digital para miel de abejas con origen en zonas cafeteras

de Colombia

Abstract

Honey is a product with special characteristics that vary according to its botanical and

geographical origin. Taking advantage of the link of beekeeping and coffee production in

Colombia, the aim of this study is evaluate the fingerprint of honeys from coffee areas of

Colombia and study the possible differentiation of these according to their geographical

origin. Parameters free acidity, pH, soluble solids, moisture, electrical conductivity, diastase

activity, content of reducing sugars, ash, calcium and potassium, color, viscosity and flavor

profile were evaluated to honeys from coffee-growing areas in the departments Cauca,

Magdalena and Santander. Multivariate classification techniques with physicochemical

parameters and infrared spectroscopy were developed for honey discrimination according

to their geographical origin. Chemometric analysis applied to physicochemical parameters,

allowed to classify correctly honeys coffee areas according to their origin with sensitivity

and specificity values between 81-100% and 90.2-100%, respectively. Meanwhile, spectral

data provided by near and mid infrared generate directly a fingerprint of honey, produced

from different coffee growing areas of Colombia without any physical nor chemical

treatment of samples. Partial least squares discriminant analysis applied to infrared

spectroscopy allowed to classify honeys from coffee-growing areas of Magdalena with a

predictive capacity of 100% compared to honey from Santander and Cauca. This indicates

that honey from coffee areas of Cauca and Santander have common characteristics that

allow them to be grouped in the same category.

Keywords: Multivariate analysis, beekeeping, designation of origin, infrared spectroscopy,

NIR spectroscopy.

Contenido XI

Contenido

Pág.

Resumen ........................................................................................................................ IX

Abstract........................................................................................................................... X

Lista de figuras ............................................................................................................ XIII

Lista de tablas ............................................................................................................. XIV

Lista de Símbolos y abreviaturas ................................................................................ XV

Introducción .................................................................................................................... 1

1. Mieles de zonas cafeteras y su huella digital ......................................................... 3 1.1 Sinergia existente entre el cultivo café y apicultura .......................................... 3 1.2 Miel de abejas ................................................................................................. 6

1.2.1 Características fisicoquímicas y sensoriales de la miel ......................... 6 1.3 Huella digital por medio de espectroscopia vibracional .................................. 11

1.3.1 Espectroscopia infrarroja ..................................................................... 13 1.3.2 Instrumentación ................................................................................... 14 1.3.3 Aplicaciones de la espectroscopia infrarroja ........................................ 15

1.4 Quimiometría ................................................................................................. 17 1.4.1 Pre-tratamiento de los datos ............................................................... 18 1.4.2 Validación ........................................................................................... 19 1.4.3 Técnicas de reconocimiento de patrones (PRT) .................................. 20

2. Clasificación multivariada en la discriminación geográfica de miel de abejas producida en zonas cafeteras de Colombia utilizando parámetros fisicoquímicos y

perfil aromático ............................................................................................................. 23 2.1 Resumen ....................................................................................................... 23 2.2 Introducción ................................................................................................... 24 2.3 Materiales y métodos ..................................................................................... 25

2.3.1 Muestras de miel ................................................................................. 25 2.3.2 Análisis fisicoquímicos y sensoriales ................................................... 25 2.3.3 Perfil aromático ................................................................................... 26 2.3.4 Viscosidad ........................................................................................... 26 2.3.5 Análisis estadístico .............................................................................. 26

2.4 Resultados y discusión .................................................................................. 27 2.4.1 Análisis fisicoquímico y de color .......................................................... 27 2.4.2 Viscosidad ........................................................................................... 30

XII Identificación de la huella digital para miel de abejas con origen en zonas


2.4.3 Análisis del perfil aromático y PCA. .................................................... 31 2.4.4 Análisis discriminante por mínimos cuadrados parciales (PLS-DA) ... 35

2.5 Conclusiones ................................................................................................. 36 2.6 Agradecimientos ............................................................................................ 37 2.7 Referencias ................................................................................................... 37

3. Uso de la espectroscopia infrarroja para la autentificación de mieles de zonas cafeteras de la Sierra Nevada de Santa Marta (Colombia) ......................................... 43

3.1 Resumen ....................................................................................................... 43 3.2 Introducción ................................................................................................... 44 3.3 Materiales y métodos .................................................................................... 46

3.3.1 Muestras de miel ................................................................................ 46 3.3.2 Análisis FT-NIR ................................................................................... 46 3.3.3 Análisis ATR-MIR ............................................................................... 47 3.3.4 Análisis estadístico ............................................................................. 47

3.4 Resultados y discusión .................................................................................. 49 3.4.1 Espectros IR de las muestras de miel ................................................. 49 3.4.2 PCA de los espectros NIR y MIR ........................................................ 52 3.4.3 Autenticación de mieles Colombianas por técnicas de reconocimiento de patrones (PRT) ............................................................................................ 53 3.4.4 Efecto del pre-tratamiento en el modelo PLS-DA para la autenticación de miel. ........................................................................................................... 55 3.4.5 El uso combinado de los espectros NIR y MIR para la autenticación de mieles ........................................................................................................... 57

3.5 Conclusiones ................................................................................................. 59 3.6 Agradecimientos ............................................................................................ 59 3.7 Referencias ................................................................................................... 59

4. Conclusiones y recomendaciones ....................................................................... 63 4.1 Conclusiones ................................................................................................. 63 4.2 Recomendaciones ......................................................................................... 65

A. Anexo: Artículos complementarios ...................................................................... 67

Bibliografía .................................................................................................................... 73

Contenido XIII

Lista de figuras

Pág. Figura 1-1: Distribución de la producción de miel de abejas (Izq.) y café (Der.) en

Colombia. .................................................................................................................... 4

Figura 2-1: Tendencia del comportamiento de la viscosidad en las muestras de miel

evaluadas a T=25°C. ...................................................................................................... 30

Figura 2-2: Análisis de componentes principales para la nariz electrónica (a) Score plot

(b) Loading plot .............................................................................................................. 32

Figura 2-3: Aporte de las variables estudiadas frente a los componentes principales (a)

PC1 (b) PC2. .................................................................................................................. 33

Figura 2-4: PCA para los parámetros de azúcares reductores, nariz electrónica,

humedad, Ca, K, conductividad, acidez libre, cenizas y °Brix. (a) Score plot (b) Loading plot

.................................................................................................................. 34

Figura 3-1: Espectros de muestras de miel (A) NIR con 6 mm de paso óptico, (B)

espectros NIR normalizados con 500 micras de paso óptico y (C) ATR-MIR. Inserción (a)

celda de vidrio. (b) celda fabricada. ................................................................................ 49

Figura 3-2: Scores plot de las muestras de miel en el espacio definido por los dos

primeros componentes principales para (A) espectros NIR con 6 mm de paso óptico, (B)

los espectros NIR normalizados correspondiente a 500 micras paso óptico (C) espectros

ATR-MIR. .................................................................................................................. 52

Figura 3-3: Score plot de predicción para PLS-DA aplicado a la combinación de

espectros NIR con paso óptico de 6 mm y espectros ATR-MIR. .................................... 58

XIV Identificación de la huella digital para miel de abejas con origen en zonas


Lista de tablas

Pág. Tabla 1-1: Flora y condiciones ambientales de las zonas cafeteras de Santander,

Cauca y la Sierra nevada de Santa Marta. ........................................................................ 5

Tabla 1-2: Metodologías de análisis fisicoquímico y sensorial de miel de abejas .......... 7

Tabla 1-3: Referencias sobre investigaciones en autenticidad, clasificación y

caracterización de diferentes mieles usando espectroscopia vibracional ........................ 16

Tabla 2-1: Parámetros fisicoquímicos de mieles de zonas cafeteras de Colombia ..... 27

Tabla 2-2: Valores de sensibilidad y especificidad para el modelo de clasificación

multivariada PLS-DA. ...................................................................................................... 35

Tabla 3-1: Comparación de las técnicas de reconocimiento de patrones utilizadas (PTR)

en la discriminación de muestras de miel proveniente de la Sierra Nevada de Santa Marta

de acuerdo a su sensibilidad, especificidad y exactitud total. .......................................... 54

Tabla 3-2: Influencia de diferentes pre-tratamientos de datos espectrales en la

formulación del modelo PLS-DA para la clasificación de las muestras de miel de zonas

cafeteras de Colombia. ................................................................................................... 56

Tabla 3-3: Aplicación del modelado por PLS-DA para la clasificación de mieles con los

espectros combinados NIR y ATR-MIR ........................................................................... 58

Contenido XV

Lista de Símbolos y abreviaturas

Símbolos con letras latinas Símbolo Término

g Gramo kg Kilogramo mg Miligramo M Molar ppm Partes por millón l Litro % Porcentaje pa Pascales s Segundos

Símbolos con letras griegas Símbolo Término Unidad SI

η Viscosidad Pa*s τ Esfuerzo cortante Pa

γ Velocidad de cizalla s-1

µ Micro 1

Abreviaturas Abreviatura Término

Abs Absorbancia OSC Corrección ortogonal de la señal

NIR Espectroscopia en el infrarrojo cercano

MIR Espectroscopia en el infrarrojo medio

ATR Reflexión total atenuada

1. Der. Primera derivada

MSC Corrección del efecto multiplicativo de dispersión

MC Centrado en la media

SIMCA Modelado suave independiente de analogías de clases

PLS Mínimos cuadrados parciales

PLS-DA Análisis discriminante por mínimos cuadrados parciales

PLSR Regresión por mínimos cuadrados parciales

K-nn K-vecinos más cercanos

XVI Identificación de la huella digital para miel de abejas con origen en zonas


Abreviatura Término

PCA Análisis de componentes principales

PC Componente principal

RSMEC Raíz del error cuadrático medio de calibración

RSMECV Raíz del error cuadrático medio de la validación cruzada

RSMEP Raíz del error cuadrático medio de predicción

R2 Coeficiente de determinación

Introducción

La producción apícola en Colombia ha presentado un considerable aumento en el número

de colmenas (8% pasando del 89200 en el 2010 a 96356 para el 2015) y en la producción

de miel (18%, pasando de 2630 a 3112 ton/año). Departamentos como Santander, Cauca

y Magdalena, presentaron una producción de miel de 125, 178 y 76 ton/año

respectivamente (CPAA 2015). Estas tres zonas presentan características comunes en la

producción de cafés especiales y sinergia con la actividad apícola.

Con el impulso de la apicultura en Colombia, se le ha otorgado importancia a la

caracterización de mieles procedentes de diferentes orígenes, esto con el fin de

diferenciarlas y establecer indicadores que puedan contribuir al soporte técnico para

obtener sellos de calidad que potencialicen el producto comercialmente, incremente la

producción y genere la posibilidad de acceso a nuevos mercados.

En los últimos años, la espectroscopia infrarroja (MIR y NIR) ha ganado una amplia

aceptación en el campo de ciencias de la alimentación para el análisis cualitativo y

cuantitativo, debido a sus ventajas sobre otras técnicas analíticas, tales como su rapidez,

bajo costo, facilidad y su aplicación no destructiva (Cheng et al. 2013). Con estas técnicas

se pueden obtener datos de un componente o propiedad de interés perteneciente a una

matriz alimentaria en particular, partiendo del correspondiente espectro y una modelización

adecuada de estas señales mediante el empleo de quimiometría y de los valores de

referencia de las muestras, medidos mediante el uso de técnicas tradicionales de análisis.

El objetivo de este proyecto fue identificar la huella digital para miel de abejas con origen

en zonas cafeteras de Colombia (Cauca, Santander y Magdalena). Se aplicaron las

técnicas de espectroscopia NIR y MIR, con el fin de obtener los espectros característicos

de las mieles y desarrollar modelos de calibración multivariada que permitan clasificar las

2 Identificación de la huella digital para miel de abejas con origen en

zonas cafeteras de Colombia

mieles según su origen. Estas técnicas fueron aplicadas con orientación de expertos en

espectroscopia vibracional en los laboratorios de Química Analítica de la Universidad de

Valencia (España).

Este es un primer paso en la búsqueda de un sello de calidad para mieles de zonas

cafeteras, utilizando como estrategia el vínculo entre la miel y el café, un producto

reconocido con denominación de origen en la Comunidad Económica Europea desde

2006. Este sello otorgaría valor agregado a las mieles, incentivando las prácticas apícolas

en la región y aumentando de esta forma los ingresos de los apicultores, contribuyendo al

repoblamiento de abejas y generando un aporte significativo en la cadena productiva de

las abejas y la apicultura.

Los resultados de esta tesis serán presentados como artículos de investigación que han

sido sometidos a evaluación en revistas indexadas a nivel internacional. Los resultados del

primer objetivo: evaluar características fisicoquímicas y sensoriales de mieles de Apis

mellifera de tres zonas cafeteras de Colombia, corresponden al artículo “Clasificación

multivariada en la discriminación geográfica de miel de abejas producida en zonas

cafeteras de Colombia utilizando parámetros fisicoquímicos y perfil aromático” presentado

en el capítulo 2.

Los resultados el segundo objetivo: desarrollar una propuesta metodológica para la

tipificación de miel de abejas de zona cafetera utilizando espectroscopia de infrarrojo

cercano (NIR), corresponden al artículo “Uso de la espectroscopia infrarroja para la

autentificación de mieles de zonas cafeteras de la Sierra Nevada de Santa Marta

(Colombia)” presentado en el capítulo 3. Este artículo fue sometido a evaluación por la

revista Food Chemistry de la editorial Elsevier.

Los resultados del tercer objetivo: Realizar un estudio quimiométrico que permita

correlacionar y establecer marcadores de diferenciación para mieles de zonas cafeteras,

hacen parte de los capítulos 2 y 3.

1. Mieles de zonas cafeteras y su huella digital

1.1 Sinergia existente entre el cultivo café y apicultura

Las abejas se ven atraídas a diferentes cultivos por señales visuales y olfativas, de los

cuales obtienen el néctar y el polen. Esta disponibilidad de recursos varía de una fuente a

otra, lo que ocasiona productos apícolas significativamente diferentes. Además de los

componentes nutricionales, las abejas también absorben compuestos aromáticos, aceites

esenciales y compuestos bioactivos. Otros factores asociados a la elección de recursos

por parte de las abejas son el costo energético que implica tomar el alimento de una fuente

floral específica, la eficiencia, disponibilidad y calidad de los recursos y los periodos de

floración de las plantas (Montoya 2011). Colombia cuenta con diferentes especies de

abejas, siendo la Apis mellifera la más utilizada en la producción apícola en el país (CPAA

2015).

La presencia de árboles de sombra en el cultivo de café tiene efectos importantes en la

floración de este, lo cual también presenta beneficios para las abejas. La sombra gradual

que los árboles le ofrecen al cafetal beneficios, otorgándole mayor rayo de sol a una parte

de cultivo que a otro, generando así producción floral en distintos tiempos, dosificando los

recursos florales para las abejas y evitando la pérdida de recursos (Florez, Muschler, &

Harvey 2002).

Por otra parte, siendo la polinización vital en los sistemas de producción agrícola, esta

puede ser realizada por abejas, lo que genera beneficios en el rendimiento y calidad de

frutos y semillas. Jaramillo (2012) realizó estudios sobre el efecto de las abejas silvestres

en la polinización de café en Antioquía (Colombia), encontrando efectos benéficos de la

polinización asistida por abejas, tales como la disminución de pérdidas de frutos y peso de

cáscara y aumento en el rendimiento de cultivos, peso de semilla, tamaño de fruto, pH y

4 Identificación de la huella digital para miel de abejas con origen en zonas


°Brix del grano. De esta manera, la apicultura es una oportunidad que puede ser

aprovechada tanto por propietarios de tierras como por agricultores, actuando de manera

sinérgica en la obtención de los productos agrarios y apícolas (Zuluaga 2010).

Figura 1-1: Distribución de la producción de miel de abejas (Izq.) y café (Der.) en Colombia.

Tomado de: (CPAA, 2015; Federación Nacional de cafeteros, 2014)

El cultivo de café es una actividad agraria destacada en el mundo, estando presente en

más de 50 países, principalmente de zona tropical. Colombia es un país reconocido por la

calidad y características sensoriales de su café, cuya variedad 100% café arábigo,

producido en diferentes regiones del país (Federación Nacional de cafeteros 2010). Debido

a la diversidad de condiciones climáticas presentes, el café posee características

diferentes entre una región y otra, lo cual ha permitido la obtención de sellos de calidad

asociados al café proveniente de zonas específicas de Colombia como Huila, Nariño,

Cauca y Santander. En regiones como la Sierra Nevada de Santa Marta (Magdalena) se

Capítulo 1 5

produce un tipo de café especial sin el uso de productos químicos como fungicidas,

herbicidas o insecticidas (León-Bonilla, Nates-Parra 2014).

Tal como se observa en la figura 1-1, la producción apícola converge en varias zonas del

país con la producción cafetera, lo cual genera una sinergia que se ve representada en la

mejora de los productos de ambas actividades agrarias.

En la tabla 1-1 se observan las características comunes que presentan las zonas cafeteras

de Santander, Cauca y Magdalena. Estas características presentan influencia sobre el

cultivo de café como en la miel producida.

Tabla 1-1: Flora y condiciones ambientales de las zonas cafeteras de Santander,

Cauca y la Sierra nevada de Santa Marta.

Región Flora circundante Condiciones ambientales y

geográficas

Cauca (Municipios Caldono y Piendamó)

Sangredrago (Croton gossypiifolius), Arrayan Varejon (Clibadium

surinamense), Chicharrón (Calea sessiliflora),

Salvia (Clibadium surinamense), Carbonero (Callandra pittieri),

Saman (Albizia saman), Matarraton (Gliricidia sepium), Aguacate (Persea americana), Guamo común (Inga densiflora)

Café (Coffea arabica),

Altura: 1.185 msnm Temperatura Promedio: 22 °C

Magdalena (Sierra

Nevada de Santa Marta)

Yarumo (Cecropia sp.), Café (Coffea arabica),

Tagua (Dictyocaryum lamarkianum), Dormidera (Mimosa sp.), Cordoncillo (Piper sp.),

Pringamosa (Tipo Moraceae).

Altura: 900-1900 msnm Temperatura Promedio: 21 °C

Santander (Provincia Guanentá)

Yarumo (Cecropia sp.), Café (Coffea arabica),

Dormidera (Mimosa sp.).

Altura: 1.700 msnm Temperatura Promedio: 18 °C

Tomado de: (Nates, Montoya, & Chamorro, 2013; Viloria de la Hoz, 2005).

La huella digital de mieles vinculadas a zonas cafeteras es una herramienta que permite

comparar muestras entre regiones y establecer indicadores de calidad que puedan

contribuir al soporte técnico para obtener un sello de calidad que potencialice el producto,

lo cual puede incentivar un incremento en la producción y generar la posibilidad de acceso

a nuevos mercados, incluso utilizando como estrategia el vínculo entre este producto y la



producción de café, un producto reconocido con denominación de origen en la Comunidad

Económica europea desde 2006.

1.2 Miel de abejas

La miel es una sustancia natural producida por abejas obreras de diferentes especies, a

partir del néctar de las plantas o de secreciones de partes vivas de plantas o excreciones

de insectos chupadores sobre partes vivas, recolectadas por las abejas, transformada por

combinación con sustancias específicas propias de las abejas, depositada, deshidratada,

almacenada y colocada dentro de celdillas del panal para su madurez (Ministerio de

Protección Social 2010). La miel está compuesta de una solución saturada de azúcares y

otras sustancias menores, tales como ácidos orgánicos, proteínas, minerales, vitaminas,

lípidos, enzimas y sustancias antioxidantes (Gomes et al. 2010; Özcan and Ölmez 2014).

El factor más influyente en la composición de la miel es la variedad de plantas de las cuales

haya sido obtenido el néctar (Pascoal et al. 2014). Sin embargo, mieles del mismo origen

botánico presentan diferencias significativas entre ellas según su origen geográfico y

estacional (Juan-Borrás et al. 2014), esto debido a las diferencias climáticas y ambientales

presentes en una región específica (Lazaridou et al. 2004).

1.2.1 Características fisicoquímicas y sensoriales de la miel

Las abejas succionan y utilizan los recursos florales y/o no florales en distintas

proporciones de acuerdo a su distribución y abundancia (Nates, Montoya, & Chamorro

2013), lo que ocasiona diferencias en la composición de la miel, además de otros factores

que juegan un factor importante como las condiciones ambientales, estacionales y los

métodos de procesamiento (Liu, Ye, Lin, Wang, & Peng, 2013). Por este motivo, las mieles

se pueden diferenciar según su origen botánico y geográfico gracias a sus parámetros de

composición fisicoquímica (Anklam 1998), aspectos sensoriales y componentes bioactivos.

Diferentes autores a lo largo de los años han aplicado diversas técnicas de diferenciación

de mieles de acuerdo a su composición. El Instituto de Ciencia y Tecnología de Alimentos

–ICTA- de la Universidad Nacional de Colombia, junto con Colciencias, desarrollaron el

proyecto “Selección de indicadores fisicoquímicos mediante aplicación de nariz electrónica

Capítulo 1 7

para la catalogación de productos apícolas” en el cual se analizaron 276 muestras de miel

provenientes de 4 departamentos de Colombia (Boyacá, Cundinamarca, Magdalena y

Santander) (ICTA 2012). Este estudio encontró que las variables fisicoquímicas que

mostraron resultados significativamente diferentes para las zonas analizadas son la

conductividad eléctrica, pH, %humedad, % cenizas, color, contenido de potasio y calcio,

actividad diastasa y % azúcares (ICTA 2012). Además de esto, se realizó análisis de perfil

aromático por nariz electrónica (Zuluaga 2010) y la viscosidad (Yanniotis et al. 2006) son

variables que presentan capacidad de diferenciación de mieles según su origen. La tabla

2 muestra una descripción de estos análisis y su metodología de referencia.

Tabla 1-2: Metodologías de análisis fisicoquímico y sensorial de miel de abejas

Análisis Técnica Método de referencia

Humedad Refractometría AOAC 969.38b (AOAC

2012)

Azúcares HPLC AAC 979.23 y 983.22

(AOAC 2012)

pH y acidez libre Potenciometría y volumetría Bogdanov (2009)

Conductividad eléctrica Conductimetría Bogdanov (2009)

Actividad de diastasa Espectrofotometría Bogdanov (2009)

Color Fotometría (Ciappini et al. 2013; Nieto

and Quicazán 2014)

Cenizas gravimetría AOAC 920.181 (AOAC

2012)

Minerales (K y Ca) Espectroscopia de

absorción atómica

AOAC 968.08 (AOAC

2012)

Perfil aromático Nariz electrónica (Zuluaga 2010)

Viscosidad Viscosimetría (Yanniotis et al. 2006;

Oroian 2013)

Humedad

La humedad en la miel depende de las condiciones ambientales y de manipulación por

parte de los apicultores durante el periodo de cosecha (Yanniotis, Skaltsi, & Karaburnioti

2006). El contenido de humedad afecta diferentes parámetros tales como la viscosidad,



densidad, constante dieléctrica y la temperatura de transición vítrea (Ahmed et al. 2007).

Bajos contenidos de humedad pueden acelerar la cristalización, mientras que altos

contenidos, pueden causar aparición de mohos y levaduras debido al aumento de la

actividad de agua (Yanniotis, Skaltsi, & Karaburnioti 2006). Por otra parte, debido a la

humedad relativa del aire, la miel puede absorber o desorber agua si se encuentra

expuesta al ambiente durante un largo tiempo (Yao et al. 2003). Por este motivo, el

contenido de humedad es considerado un parámetro de calidad que puede indicar

condiciones de cosecha y almacenamiento inadecuadas, así como adulteración del

producto. La resolución 1057 del 2010 establece un valor máximo para la humedad en miel

de 21% en peso para mieles de origen tropical y 20% para otros tipos de mieles (Ministerio

de la Protección Social 2010).

Actividad diastasa

Una enzima es una proteína que actúa como catalizador biológico, llevando a cabo

reacciones bioquímicas a muy altas velocidades, no se consume durante la reacción y en

general presentan un alto grado de especificad (Baudi 2006). La diastasa es una enzima

compuesta por α y β amilasas que tiene la capacidad de degradar el almidón en

carbohidratos más simples (Vorlov & Piidal 2002). La actividad de diastasa representa la

capacidad que tiene la miel de degradar el almidón en 1 hora a 40 °C bajo las condiciones

de la prueba (Bogdanov 2009). Este valor disminuye cuando la miel ha sido sometida a

calentamiento o almacenamiento prolongado (Bentabol M et al. 2014). Sin embargo, no

varía solamente por el envejecimiento de la miel, sino también varía en función de su origen

botánico (Juan-Borrás et al. 2014) siendo menor para mieles de mielato que para mieles

de origen floral (Özcan & Ölmez 2014). La resolución 1057 del 2010 establece un valor

mínimo de actividad de diastasa 8 en la escala Schade (Ministerio de la Protección Social

2010).

Contenido mineral

El contenido mineral de la miel, depende de la capacidad de absorción de los minerales

del suelo y del ambiente circundante a la producción, por lo tanto varía dependiendo el

origen floral de esta, convirtiéndolo en un parámetro diferenciador entre orígenes botánicos

y geográficos. Los principales minerales presentes en la miel son el potasio, calcio, sodio

y magnesio (Vanhanen, Emmertz, & Savage 2011), siendo potasio el más abundante de

estos con 1/3 del contenido mineral total (Alqarni et al. 2012). Las mieles que tienen un

Capítulo 1 9

color más oscuro, poseen a su vez un mayor contenido mineral que las mieles de color

claro, el contenido puede variar entre 0,04 y 0,2% (Gomes et al. 2010). El contenido de

minerales está relacionado con la conductividad eléctrica y las cenizas y juega un papel

importante en las funciones bioactivas de la miel (Escuredo et al. 2013).

pH y acidez

La acidez de la miel es la cantidad de ácidos libres que están disponible para reaccionar,

expresada en miliequivalentes de ácido/kg de miel (Valdivieso & N 2003). Esta contribuye

al sabor, estabilidad contra microorganismos, mejora de las reacciones químicas y puede

influir en la actividad antimicrobiana y antioxidante (Cavia et al. 2007). El ácido glucónico,

resultado de la oxidación enzimática de la glucosa por medio de la glucosa oxidasa, es el

ácido orgánico presente en mayor proporción en la miel. Este se encuentra en equilibrio

dinámico con la δ-gluconolactona sobre la base de la pérdida ganancia de una molécula

de agua (Zuluaga 2010). La acidez libre es uno de los principales parámetros de control

de calidad en miel, indica si la miel se encuentra en estado de fermentación. Según la

resolución 1057 del 2010 emitida por el Ministerio de la Protección Social, la acidez libre

de la miel no puede ser mayor a 50 meq/kg (Ministerio de Protección Social 2010). El pH

de la miel depende tanto de los ácidos ionizados como de los minerales presentes e

influencia el desarrollo de microorganismos, la actividad enzimática y la textura, entre otras

propiedades (Cavia et al. 2007).

Azúcares.

La miel es una solución sobresaturada de azúcares, los cuales alcanzan un valor entre el

85 y 95% en peso seco (Gomes et al. 2010). La fructosa es el azúcar predominante en la

miel (Pasini et al. 2013), siendo superado por la glucosa en mieles especiales tales como

la miel de Colza y de diente de león (Escuredo et al. 2014). Otros azúcares presentes son

la maltosa y sacarosa, seguidos por otros disacáridos, trisacáridos y algunos

oligosacáridos en pequeñas concentraciones (Kaškonienė, Venskutonis, & Čeksterytė

2010). Debido a la baja solubilidad de la glucosa frente a la fructosa, uno de los parámetros

que indican la cristalización de la miel es la relación fructosa/glucosa, siendo los valores

más altos para mieles más fluidas (Liviu Al et al. 2009). El contenido de azúcares varía de

una fuente floral a otra, por lo cual es usado como una de las variables más importantes a

la hora de diferenciar una miel de otra según su origen floral y/o geográfico (De La Fuente

et al. 2011). Según la resolución 1057 del 2010, el contenido de azúcares reductores



(glucosa y fructosa) en miel debe ser mínimo del 60% de esta para mieles florales y 45%

para mieles de origen tropical (Ministerio de la Protección Social 2010).

Viscosidad

La viscosidad es uno de los parámetros más importantes para la caracterización física y

sensorial de un material (Oroian 2013). Está definida como la fricción interna de un fluido

o tendencia a resistirse al flujo, es usualmente denotada por η y representa la relación

entre el esfuerzo de corte y la velocidad de cizalla aplicados sobre un fluido (Bourne 2002).

La miel presenta un comportamiento de fluido newtoniano (Oroian 2013), sin embargo, se

puede presentar un pequeño decrecimiento de la viscosidad al aumentar la velocidad de

cizalla, dándole a la miel un comportamiento que sigue la ley de potencia con un exponente

muy cercano a 1 (Schellart 2011). La viscosidad de la miel varía con respecto a la

temperatura, el contenido de humedad, contenido de azúcares, la presencia de cristales y

sustancias coloidales (Yanniotis, Skaltsi, & Karaburnioti 2006; Abu-Jdayil et al. 2002). Por

esto, es uno de los parámetros fisicoquímicos utilizados para la diferenciación y

caracterización de mieles (Ahmed et al. 2007).

Características sensoriales

El color, junto con el aroma, hacen parte de las características sensoriales que varían en

una miel de acuerdo a su origen floral y geográfico (Karabagias et al. 2014). El color varía

desde un amarillo pálido, pasando por el ámbar y el rojo oscuro hasta estar cercano al

negro (Bertoncelj et al. 2007). Está relacionado con el contenido de minerales, compuestos

fenólicos y polen (Lazaridou et al. 2004; Bertoncelj et al. 2007), lo que lo hace un indicador

del origen floral (Brudzynski & Miotto 2011). Existen diferentes técnicas instrumentales

para la medición de color, las cuales determinan las coordenadas del color en el espacio

cromático. Así, las coordenadas cromáticas de un sistema pueden definirse en término de

sus valores triestímulo del sistema elegido, generalmente CIELAB. Estas coordenadas

L*a*b* están relacionadas con la percepción fisiológica del color (Houhg & Fiszman 2005).

El sistema de medición de color en miel más simple es el medidor Pfund, un dispositivo de

comparación óptica que da la medida del punto a lo largo de un vidrio ámbar de calibración.

Este es un fotómetro que mide la cantidad de luz absorbida por la miel a dos longitudes de

onda distintas (420 y 525 nm), los valores presentados por el colorímetro se dan dentro de

la escala Pfund en un intervalo de 0 a 150 mm Pfund, cuyos valores más bajos representan

Capítulo 1 11

las mieles más claras y los valores altos para mieles oscuras. La escala Pfund no registra

las tonalidades verdosas o rojizas que pueden resultar características de la miel en relación

con su procedencia botánica.

El aroma es un factor importante en la percepción sensorial de los alimentos. Esta

característica depende de los compuestos volátiles y semivolátiles los cuales varían según

el origen floral y los métodos de manipulación de la miel (Zuluaga 2010). El análisis de

compuestos volátiles en miel es usado como herramienta de caracterización del origen

botánico. Este análisis puede ser desarrollado por distintas técnicas tales como la

extracción por solventes, métodos simultáneos de destilación-extracción, nariz electrónica

y micro-extracción en fase sólida (Cuevas-Glory et al. 2007). Debido a su complejidad y a

la baja concentración de componentes volátiles en la miel, la opción más viable para la

obtención del perfil sensorial aromático de la miel es la nariz electrónica.

Una nariz electrónica es un instrumento, que contiene un conjunto de sensores

electroquímicos con especificidad parcial unidos a un sistema de reconocimiento de

patrones apropiados, capaces de reconocer olores simples o complejos (Boeker 2014). La

nariz electrónica se ha utilizado ampliamente en la industria alimentaria, siendo aplicada

principalmente en control de calidad de productos como pescado, carne, leche, vino, café

y té, existiendo aproximadamente 5000 publicaciones desde 1993 (Loutfi et al. 2015). Entre

estas publicaciones, existen reportes acerca de la aplicación de nariz electrónica para la

identificación, diferenciación y clasificación de productos, un ejemplo de esto es la

clasificación de propóleos de diferentes fuentes botánicas (Cheng et al. 2013).

1.3 Huella digital por medio de espectroscopia vibracional

En los últimos años, el análisis de parámetros fisicoquímicos y sensoriales ha sido utilizado

para determinar el origen de la miel. Sin embargo, estos métodos experimentales

presentan diversas desventajas, tales como su alto costo, requerimiento de experiencia

por parte del analista y grandes cantidades de reactivos (Anklam 1998). Por su parte, la

espectroscopia de infrarrojo cercano (NIR) ha ganado una amplia aceptación en el campo

de ciencias de la alimentación para el análisis cuantitativo y cualitativo debido a sus



ventajas sobre otras técnicas analíticas. Entre estas ventajas se encuentra su rapidez, bajo

costo, facilidad y ser una técnica no destructiva (Chen et al., 2012).

En espectroscopia molecular, los espectros son originados a partir de la absorción, emisión

o dispersión de un fotón al cambiar la energía de una molécula. A diferencia de la

espectroscopia atómica, la energía de la molécula puede ser modificada no solo por las

transiciones electrónicas, sino también por cambios en el estado rotacional y vibracional

(De Paula 2007). La espectroscopia vibracional consiste en hacer interactuar un haz de

radiación electromagnética a un sistema cuyas características se quieran determinar,

produciendo diferencias sobre el haz de luz saliente que permiten obtener información

sobre la estructura del sistema estudiado (Pérez et al. 2005).

Toda la luz, incluida la infrarroja, es clasificada dentro del espectro electromagnético y es

descrita por una onda continua sinusoidal como el movimiento de campos

electromagnéticos (Larkin 2011). El objetivo de la espectroscopia es la interacción de la

radiación electromagnética con la materia. Esta consiste en la grabación de los cambios

de absorción como la variación de la frecuencia de radiación sobre un rango dado

(Sathyanarayana 2007).

Como la luz infrarroja (IR) tiene asociada una menor energía comparada con la UV, la

espectroscopia de absorción IR generalmente está asociada a excitaciones vibracionales

y rotacionales en moléculas, sin que se produzcan transiciones electrónicas. De tal

manera, los espectros infrarrojos se originan a partir de transiciones entre niveles

vibracionales de la molécula en el estado electrónico básico y son, por lo general,

observados como espectros de absorción en la región del infrarrojo. Desde un punto de

vista cuántico, una vibración es activa IR si el momento dipolar de la molécula cambia

durante la vibración (Pérez et al. 2005).

Debido a las diferentes condiciones de excitación de la espectroscopia en el infrarrojo

cercano (NIR) y medio (MIR), la relación entre las intensidades de absorción y la

funcionalidad dirigida de las moléculas de interés varía significativamente. Estos factores

específicos conducen a respuestas muy diferentes para la misma vibración molecular de

la técnica aplicada (Siesler et al. 2008).

Capítulo 1 13

1.3.1 Espectroscopia infrarroja

La región del infrarrojo comprende el intervalo espectral de 780-106 nm. Según el

fenómeno espectroscópico que provoca la absorción de energía por parte de la materia,

esta región se divide en tres zonas: infrarrojo cercano 780-2800 nm (NIR), medio 2500-

20000 nm (MIR) y lejano 20000-106 nm (FIR). La absorción en el infrarrojo lejano se debe

a las rotaciones moleculares, mientras que en el medio proviene de las vibraciones

moleculares fundamentales. En el infrarrojo cercano, esta absorción se debe a los

armónicos y bandas de combinación de las vibraciones fundamentales de las moléculas.

Una molécula absorbe radiación infrarroja cuando experimenta un cambio neto en el

momento dipolar como consecuencia de su movimiento de vibración y rotación. Si la

frecuencia de radiación iguala a la frecuencia de vibración natural de la molécula, ocurre

una transferencia neta de energía que da lugar a un cambio en la amplitud de la vibración

molecular y como consecuencia, absorbe radiación (Peguero 2010).

La espectroscopia MIR monitorea las vibraciones y rotaciones fundamentales de las

moléculas pertenecientes al perfil químico de una muestra. La región MIR (4000-500 cm-1)

es una región bastante robusta y reproducible del espectro electromagnético en la cual

pequeñas diferencias en la composición de las muestras pueden ser medidas. Las

moléculas absorben energía MIR y exhiben vibraciones de extensión, doblamiento, torsión,

balanceo y rompimiento, medibles en una o varias localizaciones del espectro. Estos

comportamientos moleculares dependen de factores como la configuración y localización

de los enlaces. Esta información puede ayudar a analizar y determinar la composición

molecular de una matriz (Sun 2009).

En la metodología NIR, cuando la luz incide sobre una muestra, una parte de los fotones

se transmite a través de la misma, siendo el resto absorbida. La absorción de energía por

parte de la muestra produce que los enlaces entre C–H, N–H, O–H, C=O y C=C, los cuales

son los principales constituyentes de la estructura básica de las sustancias orgánicas;

vibren en distintas formas (Reyes 2009). Los espectros NIR de una muestra son medidos

por escáneres a ciertas de longitudes de onda espaciadas igualmente. La información en

la curva es usada para predecir la composición química de la muestra por extracción de

información relevante de muchos picos sobrepuestos. El análisis NIR genera un dato por



cada 2 longitudes de onda, por lo cual se manejan matrices de más de 1000 datos por

muestra. Estos puntos adquiridos representan la huella espectral de cada muestra.

(Jimaré-Benito et al. 2008; Reyes 2009).

La espectroscopia NIR no es tan sensible como MIR debido a que la radiación NIR penetra

la muestra mucho más que la radiación MIR. Por esto, las bandas NIR son de 10 a 100

veces menos intensas que las bandas MIR. Los espectros NIR contienen armónicos

anchos y débiles y combinación de bandas que son difíciles de identificar y asociar con

frecuencias IR específicas de un grupo químico. Además, son necesarias técnicas

robustas de calibración para hacer precisa la metodología (Sun 2009).

1.3.2 Instrumentación

El equipo que efectúa la medición se llama espectrómetro de infrarrojo. Este instrumento

básicamente consta de una fuente que produce el rayo infrarrojo, un detector y una serie

de espejos fijos y móviles que guían el rayo hasta un contenedor donde se encuentra la

muestra que va a ser analizada. Al interaccionar la radiación con la muestra, parte de ella

es absorbida, lo que provoca vibraciones a nivel molecular. Este fenómeno se representa

en forma de resultado como un gráfico conocido como espectro de infrarrojo. En un es-

pectro podemos observar picos de absorción a frecuencias específicas que corresponden

a las frecuencias de vibración en los diferentes enlaces atómicos que son susceptibles a

generar vibraciones en un particular tipo de muestra (Martín, Cortez, & Ulloa 2011).

Básicamente, el equipo consta de una fuente de radiación, un selector de longitudes de

onda, el compartimento de las muestras y el detector.

Registro de espectros NIR

Existen 3 tipos de registros de espectros NIR: los de transmitancia, reflectancia y

transflectancia. La transmitancia de la solución es la fracción de radiación incidente

transmitida por la solución siguiendo la ley de Beer-Lambert la cual establece que la

absorbancia a cualquier longitud de onda es proporcional al número o concentración de

moléculas absorbentes presentes en el camino recorrido por la radiación (Reyes 2009).

Bajo este espectro se pueden registrar gases, líquidos, semilíquidos y sólidos. La

Capítulo 1 15

reflectancia o reflexión de la radiación, puede dividirse en especular y difusa, siendo la

especular aquella que aporta ruido a la absorción de luz y la difusa aquella que tiene lugar

en todas las direcciones como consecuencia del proceso de absorción y dispersión.

Cuando los materiales son débilmente absorbentes a la longitud de onda incidente y

cuando la penetración de la radiación es grande en relación con la longitud de onda,

predomina la reflectancia difusa. Este espectro es utilizado para materiales sólidos y

semisólidos. Finalmente, la transflectancia es un tipo de registro de espectro utilizado para

sustancias líquidas o semilíquidas en el cual, la radiación incidente entra en contacto con

la muestra y la atraviesa, esta se refleja en el reflector y retorna de nuevo atravesando la

muestra para finalmente la radiación ser captada por el detector (Burns and Ciurczak 2007;

Jimaré-Benito et al. 2008; Peguero 2010).

Registro de espectros MIR

La reflexión total atenuada (ATR) es una de las técnicas de muestreo más utilizada en los

últimos años. Cuando el haz infrarrojo viaja de un medio con alto índice de refracción

(cristal) a un medio de bajo índice de refracción (muestra), alguna cantidad de energía es

reflejada de vuelta hacia el interior de un medio de bajo índice de refracción y a un ángulo

particular de incidencia, casi toda la luz es reflejada de vuelta. Este fenómeno es llamado

reflexión total interna. En esta condición, alguna cantidad de energía escapa del cristal y

se extiende una corta distancia a través de la superficie en forma de ondas llamadas ondas

evanescentes. La intensidad de la luz reflejada es reducida en este punto, dando paso al

fenómeno de reflexión total atenuada. Cuando la muestra es aplicada al cristal, alguna

cantidad de la radiación IR que penetra a través del cristal es absorbida por la muestra.

Esta absorbancia es trasladada dentro del espectro IR de la muestra (Sun 2009).

1.3.3 Aplicaciones de la espectroscopia infrarroja

En la industria alimentaria, la espectroscopia de infrarrojo cercano ha sido utilizada para la

identificación de componentes y control de calidad en varios productos tales como granos

de cereales, pasta, trigo, levadura, maíz, semillas de girasol, arroz, productos y derivados

lácteos como queso, leche, yogurt y mantequilla, productos cárnicos y acuícolas y sus

derivados, frutas y verduras, aceites, jarabes de azúcar, miel y en bebidas fermentadas



tales como el vino y la cerveza (Jimaré-Benito, Bosch-Ojeda, & Sánchez-Rojas 2008). En

mieles, algunas de sus aplicaciones se pueden observar en la Tabla 1-3.

Tabla 1-3: Referencias sobre investigaciones en autenticidad, clasificación y

caracterización de diferentes mieles usando espectroscopia vibracional

Estudio % Clasificación

correcta Referencia

Clasificación de mieles italianas por

espectroscopia de reflectancia difusa en

infrarrojo medio

100% Calibración

93% Validación

(Bertelli et al.

2007)

Identificación de la huella espectral de

mieles con DOP usando espectroscopia de

infrarrojo cercano

90.0% Miel de

Córcega (Woodcock et al.

2009)

Tipificación de miel de diferente origen

botánico o geográfico mediante la

espectroscopia del infrarrojo cercano.

100% Calibración

100% Predicción (Reyes 2009)

La detección de adulterantes tales como

materiales de edulcorantes en la miel

utilizando espectroscopia de infrarrojo

cercano y quimiometría

100% especificidad

91,3% sensibilidad

95,1% exactitud total

(Zhu et al. 2010)

Clasificación de mieles chinas según su

origen floral por espectroscopia de infrarrojo

cercano.

90.9% Calibración

89.3% Validación

(Chen et al. 2012)

Un procedimiento quimiométrico rápido

basado en los datos NIR para la

autenticación de miel con indicación

geográfica protegida.

93,3% sensibilidad

100% especificidad (Latorre et al.

2013)

Espectroscopia de infrarrojo cercano para la

predicción de compuestos antioxidantes en

miel.

61.7% – 91.6%

(Escuredo et al.

2013)

Capítulo 1 17

Tabla 1-3: (Continuación)

Espectroscopia infrarroja como una

herramienta rápida para detectar

metilglioxal y la actividad antibacteriana en

mieles australianas

63.71% S.Aureus

80.17% E.coli (Sultanbawa et al.

2015)

Debido a esto, se puede concluir que la espectroscopia NIR, junto con calibraciones

multivariantes y el análisis multivariado estadístico, contribuye a la diferenciación de mieles

según su origen floral. Además, se observa una clara ventaja en contraste con otros

enfoques basados en métodos químicos en cuanto a la simplicidad de la obtención de la

información pertinente, la facilidad y rapidez en la medición, que es una medida no

destructiva y no requiere del pre tratamiento de la miel.

1.4 Quimiometría

En una investigación, existen muchas variables que tienen influencia en el sistema de

estudio. El análisis de estas variables de manera individual, además de ser complejo,

genera incertidumbre al no evaluar la influencia que tiene una variable sobre otra y su

efecto en el fenómeno estudiado. Técnicas como la espectroscopia generan una gran

cantidad de datos, pero no todos poseen información relevante del sistema (Peguero

2010). Para solucionar esto, existe la quimiometría.

La quimiometría es una disciplina metrológica que aplica conceptos estadísticos a

procesos químicos para extraer de una matriz de datos, la mayor cantidad de información

posible y extender el conocimiento del sistema evaluado, descartando a su vez la

información relevante de aquella que no tenga suficiente interés (Fernández 2011).

Algunas de las áreas de aplicación son la calibración, validación y pruebas de significación,

la optimización de las mediciones químicas y procedimientos experimentales y la

extracción del máximo de información química a partir de datos analíticos (Lucio 2012). La

quimiometría es útil para manejar grandes cantidades de datos, por lo cual en los últimos

años ha sido importante dentro del control de calidad y pruebas de autenticidad (Zuluaga

2010).



La quimiometría aplicada tiene como objetivo filtrar las señales espectrales de las mieles,

clasificar mieles de acuerdo con su origen y predecir parámetros fisicoquímicos de las

muestras. Estas técnicas son explicadas a continuación

1.4.1 Pre-tratamiento de los datos

Los datos espectrales requieren un tratamiento de datos que aumente la relación

señal/ruido y la señal correspondiente del analito de interés, linealizar las respuestas de

las variables y eliminar fuentes que generen variación y no aporten relevancia al análisis.

Este pre-tratamiento es realizado antes de construir un modelo matemático, reduciendo

así el error sistemático presente (Lucio 2012). Algunos tipos de pre tratamiento aplicados

son:

Corrección del efecto multiplicativo de dispersión (Multiplicative scattering

correction- MSC): Esta técnica es aplicada para corregir los efectos de dispersión

de luz en los espectros ya que minimiza las interferencias multiplicativas de la

dispersión en los datos espectrales producidas por los distintos tamaños de

partícula en la muestra (Lucio 2012).

Derivatización: Las derivadas permiten aumentar la diferenciación entre las bandas

de los espectros; también se utilizan para corregir los efectos de línea base. La

primera derivada elimina los desplazamientos de línea base paralelos al eje de las

abscisas, mientras que la segunda derivada elimina los términos que varían

linealmente con la longitud de onda (Lucio 2012). Uno de los métodos de

derivación más utilizados es el de Savitzky‐ Golay que realiza un suavizado

simultáneo con la derivación.

Corrección ortogonal de la señal (Orthogonal signal correction -OSC): Permite

eliminar toda la información de los espectros que no tiene influencia en la propiedad

a determinar, permitiendo obtener modelos de calibración más sencillos (Peguero

2010).

Capítulo 1 19

Centrado en la media (mean center): Calcula el valor medio de cada variable de la

matriz y lo resta a cada valor de la columna de datos, haciendo que cada muestra

exhiba solo las diferencias que tiene con respecto a la muestra promedio de los

datos originales (Lucio 2012).

Auto escalado: Posteriormente al centrado de cada variable, su valor es dividido

por la desviación estándar de cada variable, lo que puede ser útil para evitar la

presencia de valores extremos en la escala de los datos en algunas muestras

(Lucio 2012).

1.4.2 Validación

La validación de un modelo consiste en verificar su desempeño al utilizar nuevas muestras

en la predicción, del mismo tipo que las utilizadas en su construcción, estimando la

incertidumbre de las futuras predicciones. Si la incertidumbre es baja, el modelo puede ser

considerado válido (Lucio 2012).

Esta verificación puede realizarse usando un conjunto de muestras asignado para ello, las

cuales deben ser distintas al utilizado para la construcción del modelo. Una forma de

realizar esto es con la técnica de validación cruzada (Cross validation), la cual utiliza el

mismo conjunto de muestras tanto para la estimación del modelo, como para su

evaluación, dejando un grupo de muestras del conjunto por fuera del set de calibración,

las cuales serán aplicadas en la validación. Este proceso es repetido hasta que todos las

muestras del conjunto han sido utilizadas para la validación por lo menos una vez (Lucio

2012).

Existen criterios para evaluar el comportamiento del modelo al incluir nuevas muestras y

determinar el número óptimo de componentes principales o variables latentes para el

modelo. En este caso se usó el error cuadrático medio (root mean square error-RMSE), el

cual da información sobre el ajuste del modelo a los datos (Wise et al. 2006).



1.4.3 Técnicas de reconocimiento de patrones (PRT)

Análisis de componentes principales (PCA)

Esta técnica permite la visualización de la información contenida en una matriz de múltiples

variables a través de componentes principales. Los componentes principales son

combinaciones lineales de las variables originales, que se utilizan para estudiar la

estructura de los datos en una dimensión reducida de la original reteniendo a su vez la

mayor parte de la información, determinada por la varianza explicada (Latorre et al. 2013).

Los primeros componentes principales describen la mayor variación en los datos y están

asociados a la información más relevante, mientras que los últimos describen variaciones

debidas a ruido o error experimental, y pueden ser descartados (Lucio 2012).

El PCA consta de dos gráficos: El score plot que muestra la distribución de las muestras

en el espacio vectorial generado por los componentes principales y el loading plot, el cual

permite establecer las variables más relevantes en la clasificación de un conjunto de

muestras. Por esto, el PCA es una de las herramientas quimiométricas más utilizadas pues

permite la proyección de los datos de un espacio vectorial mayor a uno de dimensión

inferior (Jandrić et al. 2015).

Modelado suave independiente de analogías de clases (soft independent modelling

class analogy-SIMCA)

SIMCA es un método de clasificación en el cual cada clase se modela usando un PCA de

forma independiente, de forma que cada clase tiene un modelo específico que la describe

a través del el número óptimo de componentes principales (Lucio 2012). El conjunto de

clasificación, se proyecta en el espacio de componentes principales definidos en la etapa

anterior, y las muestras desconocidas se colocan en la clase en la que mejor coinciden

(Latorre et al. 2013). De esta manera, el modelo clasifica muestras que pueden pertenecer

o no a una clase para un nivel de confianza seleccionado

SIMCA es una técnica muy flexible, ya que permite la variación en un gran número de

parámetros, tales como la escala o la ponderación de las variables originales, el número

de componentes, etc. (Oliveri et al. 2011).

Capítulo 1 21

K-vecinos más cercanos (K nearest neighbors- knn)

KNN es un método de clasificación supervisada basado en una métrica local relacionada

con la similitud entre los objetos. Esta técnica opera mediante la clasificación de una

muestra desconocida en la categoría con la que tiene un número determinado k de vecinos

más cercanos (Latorre et al. 2013). La técnica se basa en la suposición de que cuanto más

cerca se encuentran las muestras en el espacio de medición, es más probable que

pertenezcan a la misma categoría. Se seleccionan las k muestras más cercanas desde el

conjunto de calibración y la muestra desconocida se clasifica en el grupo al que la mayoría

de los k vecinos pertenecen. La técnica se adapta bien a conjuntos de datos con números

de muestra pequeños y puede funcionar incluso con sólo el conjunto de calibración de

cada categoría. Es muy sensible a las desigualdades en el número de muestras en cada

clase (Kelly et al. 2004).

Mínimos cuadrados parciales (Partial Least Squares-PLS)

La regresión por mínimos cuadrados parciales (PLSR) se utiliza para encontrar las

relaciones fundamentales entre las variables independientes (X) y las variables

dependientes (Y), las cuales son modeladas simultáneamente teniendo en cuenta no sólo

la varianza de X, sino la covarianza entre X e Y (Lucio 2012). Entonces, X e Y se

descomponen simultáneamente en un producto de otras dos matrices de scores y loadings.

El algoritmo PLS trata de encontrar variables latentes que maximizan la cantidad de

variación explicada en X que es relevante para la predicción de Y, es decir, capturar

varianza y conseguir correlación (Lucio 2012).

Por su parte, el análisis discriminante por mínimos cuadrados parciales (PLS-DA), se basa

en el mismo principio del PLSR, pero en este caso, la variable Y es una variable que

codifica cada clase con número enteros. El resultado de la regresión son valores de Y

cercanos a los que indican cada categoría para el set de calibración (Lucio 2012). Los

mejores modelos se pueden lograr cuando las clases presentan número similar o igual de

muestras (Latorre et al. 2013).

2. Clasificación multivariada en la discriminación geográfica de miel de abejas producida en zonas cafeteras de Colombia utilizando parámetros fisicoquímicos y perfil aromático

Darwin Rodríguez-Medina1, Consuelo Díaz-Moreno1

1Instituto de Ciencia y Tecnología de Alimentos, Universidad Nacional de Colombia,

Carrera 30 No. 45-03, Bogotá, Colombia.

2.1 Resumen

La composición de la miel varía con respecto a su origen botánico y geográfico. El trabajo

evaluó las características fisicoquímicas, color y el perfil aromático de mieles procedentes

de zonas cafeteras de tres departamentos de Colombia (Magdalena, Santander y Cauca).

Fueron evaluados el contenido de humedad y sólidos solubles, pH y acidez libre, actividad

diastasa, conductividad eléctrica, azúcares reductores (glucosa y fructosa), contenido de

cenizas, calcio y potasio, viscosidad, color (escala Pfund) y el perfil aromático utilizando

nariz electrónica. El análisis de varianza presentó diferencias estadísticamente

significativas de las muestras de miel provenientes de diferentes zonas cafeteras excepto

pH, diastasa, color y viscosidad. El análisis de componentes principales (PCA) obtenido

con las variables fisicoquímicas y la respuesta de los sensores de nariz electrónica mostró

una diferenciación de las mieles provenientes de Magdalena frente a las mieles de

Santander y Cauca con una varianza explicada de 75,7%. El análisis discriminante por

mínimos cuadrados parciales (PLS-DA) mostró una clasificación correcta de la miel de

zonas cafeteras colombianas con valores de sensibilidad y especificidad entre 81-100% y

90.2-100%, respectivamente.

Palabras clave: PCA, nariz electrónica, ANOVA, viscosidad, diferenciación.



2.2 Introducción

La miel es una sustancia natural producida por las abejas obreras de diferentes especies

a partir del néctar recogido de una gran variedad de fuentes florales (Codex Alimentarius

Commission 2001). Está compuesta mayoritariamente por carbohidratos y otras sustancias

menores como aminoácidos, proteínas, ácidos orgánicos, vitaminas, minerales y

compuestos fitoquímicos (Gomes et al. 2010; Kaškonienė et al. 2010; Özcan & Ölmez

2014). Las propiedades físicas, cualidades sensoriales y actividad biológica dependen de

la fuente de néctar (Anklam 1998; Lazaridou et al. 2004), sin embargo, en mieles con el

mismo origen botánico su propiedades pueden variar como consecuencia de las

condiciones climáticas o geográficas de una región en particular (Juan-Borrás et al. 2014).

En ciertas zonas de Colombia, la producción apícola converge junto con el cultivo de café,

lo cual genera una sinergia que beneficia ambas actividades económicas. Colombia es un

país con amplia trayectoria cafetera, producto con reconocimiento internacional de

denominación de origen (DOP) (Jaramillo 2012). Las zonas cafeteras de los

departamentos de Santander, Cauca y Magdalena, comparten características comunes

como altura sobre el nivel del mar (entre 1200 y 1800 msnm), flora circundante (Cecropia

sp., Coffea arabica, Mimosa sp., Piper sp., Dictyocaryum lamarkianum, entre otros),

precipitación fluvial (1800 a 2000 mm/año), brillo solar (1600 a 2000 horas de sol al año),

temperatura promedio (19 a 22 °C) y pH del suelo (5 a 5,5), entre otros (Oliveros 2011;

Jaramillo 2012; León-Bonilla & Nates-Parra 2014; Castro 2015). Debido a la biodiversidad

de las zonas cafeteras en Colombia, no es posible clasificar las mieles como monoflorales

puesto que un cultivo específico suele estar rodeado de muchas especies melíferas

visitadas por las abejas para tomar su alimento (Nates et al. 2013).

Durante los últimos años las pruebas fisicoquímicas y sensoriales convencionales se han

utilizado tanto para la autenticación y control de calidad como para la discriminación del

origen geográfico y botánico de la miel producida en diferentes partes del mundo

(Karabagias et al. 2017). Parámetros como el contenido de azúcares, conductividad

eléctrica, contenido mineral, humedad, perfil aromático, color, capacidad antioxidante,

perfil de aminoácidos y compuestos bioactivos, pH y acidez, viscosidad, entre otros, han

sido utilizados para diferenciar mieles de acuerdo a su origen (Popek 2002; Yanniotis et al.

Capítulo 2 25

2006; Acquarone et al. 2007; Cuevas-Glory et al. 2007; Alvarez-Suarez et al. 2010;

Kaškonienė et al. 2010; Zuluaga et al. 2011). Por esta razón, se sugiere que entre más

amplio sea el alcance analítico considerado, más precisa será la clasificación de un tipo de

miel en específico (Juan-Borrás et al. 2014).

Estudios previos han mostrado que las variables fisicoquímicas que tienen potencial

diferenciador en mieles de zonas cafeteras de Colombia son la conductividad eléctrica, pH,

humedad, cenizas, color, potasio, calcio, actividad diastasa, contenido de flavonoides y el

análisis de perfil aromático por nariz electrónica (Zuluaga 2010; Castro 2015). De acuerdo

a esto, el objetivo de este trabajo fue realizar una caracterización y clasificación de mieles

procedentes de zonas cafeteras de tres departamentos de Colombia (Magdalena, Cauca

y Santander).

2.3 Materiales y métodos

2.3.1 Muestras de miel

Fueron analizadas 56 muestras de miel procedentes de zonas cafeteras de Colombia

obtenidas directamente de los apicultores durante los años 2013-2016. Las tres zonas

cafeteras evaluadas fueron la Sierra Nevada de Santa Marta en Magdalena (n=20), la

provincia de Guanentá al este de Santander (n=21) y los municipios Caldono y Piendamó

de Cauca (n=15). Las muestras fueron almacenadas en tubos de polietileno a 0 °C hasta

su análisis.

2.3.2 Análisis fisicoquímicos y sensoriales

Los parámetros de acidez libre, pH, conductividad eléctrica y actividad de diastasa fueron

analizados de acuerdo a los métodos armonizados de la comisión europea de miel

(Bogdanov 2009). La humedad y sólidos solubles totales se analizaron por refractometría

por el método oficial de la AOAC 969.38b y el contenido de cenizas según el método

929.181 (AOAC 2012). La cuantificación de azúcares reductores (glucosa y fructosa) se

realizó por cromatografía líquida de alta eficiencia-HPLC de acuerdo a los métodos AOAC

977.20 y 983.22 (AOAC 2012). La cuantificación de calcio y potasio se realizó por

espectroscopia de absorción atómica según el método oficial AOAC 968.08 (AOAC 2012).



El color se determinó por la escala mPfund con un Analizador de Color de Miel-Hanna

Instruments (Ciappini et al. 2013).

2.3.3 Perfil aromático

Fue evaluado por medio de una nariz electrónica portátil Airsense Analytics GmbH PEN3

(Schwerin, Alemania)(Zuluaga et al. 2011). Las muestras fueron calentadas a 40°C por 20

minutos previa a su medición. El intervalo de muestra fue 1 segundo, tiempo de pre-

muestreo de 5 segundos, recorte de tiempo cero de 10 segundos, tiempo de medida de

150 segundos, tiempo de limpieza de los sensores de 450 segundos, un valor máximo de

conductancia de 3.0, un flujo de gas de 60 ml/min y un flujo de inyección inicial de 10

segundos.

2.3.4 Viscosidad

La viscosidad (η) se determinó con un viscosímetro rotacional de cilindros concéntricos

Thermo Scientific (Massachusetts, USA) y un sensor SV-DIN. La medición se realizó a 25

°C a través del programa Rheo Win Job Manager de Thermo Scientific, a una velocidad de

cizalla entre 0,1 y 100 s-1 y una adquisición de 50 datos (Yanniotis et al. 2006; Oroian

2013). Las muestras que presentaban estado de cristalización fueron calentadas a 45°C

hasta la dilución completa de los cristales.

2.3.5 Análisis estadístico

El tratamiento de los datos se llevó a cabo utilizando funciones internas de Matlab

8.3.0.532 (R2014a) de MathWorks (Natick, MA, EE.UU.). Como parte de estadística

descriptiva se aplicaron pruebas de normalidad y homocedasticidad para conocer el

comportamiento paramétrico de las variables. Se llevó a cabo análisis de varianza

(ANOVA) para establecer las diferencias estadísticamente significativas sobre los

parámetros evaluados respecto al origen geográfico de la miel bajo un nivel de significancia

de α=0,05.

Los datos fueron analizados en conjunto mediante un análisis de componentes principales

(PCA) el cual reduce el número de variables a un sistema de 2 o 3 dimensiones y permite

observar la relación entre los experimentos realizados generando agrupaciones en el

gráfico que se pueden utilizar para la clasificación. Además, se aplicó el análisis

Capítulo 2 27

discriminante mínimos cuadrados parciales (PLS-DA) para clasificación multivariada. El

pre-tratamiento de datos se realizó por auto-escalado y se realizó una validación cruzada

por el método de venetian blinds. Finalmente, se evaluó la sensibilidad y especificidad del

modelo.

2.4 Resultados y discusión

2.4.1 Análisis fisicoquímico y de color

La Tabla 2-1 muestra los resultados valores medios, desviación estándar, mínimo y

máximo de los parámetros evaluados de todas las muestras estudiadas. Además, esta

tabla muestra los resultados del ANOVA para cada parámetro obtenido de acuerdo al

origen geográfico de la miel.

Tabla 2-1: Parámetros fisicoquímicos de mieles de zonas cafeteras de Colombia

Santander Cauca Magdalena

Acidez libre (meq/kg)

35,9± 4,7 a (25,8-45,4)

36± 4,8 a (23,4-42,3)

41,7± 3,5 b (33,6-46,8)

pH 3,68± 0,07 a (3,52-3,84)

3,76± 0,1 a (3,55-3,95)

3,71± 0,13 a (3,45-3,92)

°Brix 78,4± 1,1a (76,5-80,5)

78,9± 0,7 a (77,7-80,1)

80,7± 0,8 b (79,1-82)

Humedad (%) 19,4± 1 a (17,6-20,9)

18,9± 0,8 a (17,6-20,2)

16,9± 0,7 b (16-18,3)

Conductividad (µS/cm)

359,7± 75 a (215-511,7)

403,8± 114,2 a (244,8-632,5)

583,3± 83,8 b (452-718)

Diastasa (DN) 15,7± 5,1 a (8,7-28,1)

15± 5,2 a (4,4-23,7)

17,6± 6,7 a (8-29)

Color (mmPfund)

71,4± 15,4 a (44,5-87,0)

65,1± 12,6 a (44-87)

63,2± 10,3 a (44-83)

Glucosa (%) 31,7± 3,9 a (24,3-36,5)

33,9± 2,6 a (29,1-38,6)

25,4± 3,4 b (21,6-30,7)

Fructosa (%) 35,4± 4,2 ab (26,7-41,5)

37,3± 2,3 a (32,6-41,3)

32,5± 4,6 b (25,8-38,3)

Cenizas (%) 0,096± 0,031 a (0,034-0,155)

0,154± 0,065 ab (0,063-0,295)

0,203± 0,031 b (0,151-0,261)

Ca (ppm) 140,9± 22,7 a (107,8-186)

130,9± 33,3 a (62,5-186,6)

94± 15,9 b (67,1-127,4)

K (ppm) 255,1± 61,4 a (133,4-353,5)

406,7± 148,5 b (223,8-730,5)

408,0± 127,1 b (129,9-612,5)

Los valores presentados son la media ± desviación estándar (mínimo-máximo)

a-b-c Valores diferentes dentro de una misma fila indican diferencias estadísticamente significativas (p<0.05)



La acidez libre es un parámetro relacionado con el deterioro de la miel, siendo indicativo

de la fermentación de los azúcares en ácidos orgánicos (Karabagias et al. 2017). Fueron

encontrados valores entre 23.4 y 46.8 meq/kg, los cuales se encuentran debajo del máximo

permitido por el Codex alimentarium para miel de 50 meq/kg (Codex Alimentarius

Commission 2001). Acidez libre para otras mieles colombianas se encuentran en el rango

de 16.1 y 45.3 meq/kg, presentándose mayor valor para mieles procedentes de zonas

cafeteras (Velásquez-Giraldo et al. 2013; Ortega-Bonilla et al. 2016). Las muestras de miel

procedente de Magdalena presentan una acidez libre de 41.7± 3.5 meq/kg, valor que es

estadísticamente mayor al de las mieles procedentes de Santander y Cauca.

El contenido de humedad de las mieles procedentes de zonas cafeteras de Colombia

analizadas está dentro del rango 16.0 a 20.9%. Otros estudios con mieles colombianas

han encontrado valores de humedad de 18.03± 1.04 para mieles de zona cafetera del

departamento de Antioquia (Velásquez-Giraldo et al. 2013) y 16.45 ± 0.18 para mieles de

cultivo de eucalipto de Casanare (Ortega-Bonilla et al. 2016).

La conductividad eléctrica (CE) es un parámetro directamente proporcional al contenido

mineral y cenizas de las mieles (Acquarone et al. 2007; Kaškonienė et al. 2010). La CE

para las muestras tiene un valor de 215 y 718 µS/cm, valores inferiores encontrados en

mieles de eucalipto provenientes de Casanare (808 - 819 µS/cm) (Ortega-Bonilla et al.

2016). Valores similares de conductividad en regiones tropicales se han encontrado para

mieles de Lara y Yarancui (Venezuela) con valores de CE entre 216 y 485 µS/cm (Principal

et al. 2013). Otros estudios han mostrado valores de conductividad para mieles

monoflorales de 610 ± 140 µS/cm para mieles de brezo y 357± 35 µS/cm para mieles de

trigo (Popek 2002; Devillers et al. 2004; Bentabol M et al. 2014). Encontrándose que

valores altos de conductividad eléctrica están asociados con el contenido mineral y las

cenizas, tal como se observa para las mieles de zonas cafeteras.

El color depende del contenido de flavonoides y sustancias antioxidantes presentes en la

miel (Abu-Jdayil et al. 2002; Alvarez-Suarez et al. 2010; Ciappini et al. 2013). Los valores

de color para las mieles evaluadas es de 65.7± 12.4 mmPfund, siendo menor a las mieles

de eucalipto colombianas 91.6±1.02 mmPfund, las cuales a su vez tienen un mayor

contenido mineral y de conductividad eléctrica (Ortega-Bonilla et al. 2016). Color similar al

Capítulo 2 29

de mieles de zonas cafeteras se ha encontrado para mieles de brezo francesas con

valores de 62.56 ± 10.49 mmPfund (Devillers et al. 2004).

La composición de azúcares de la miel depende del tipo de flora melifera, y por lo tanto

varía según el tipo de miel y las condiciones geográficas y climáticas (Kaškonienė et al.

2010). Por esta razón, el nivel de algunos azúcares e incluso las relaciones entre ellos se

utilizan para determinar la autenticidad de la miel (Juan-Borrás et al. 2014). Los valores

medios de fructosa y glucosa varían 32.3 a 37.5 %w/w y 25.4 a 33.9 %w/w,

respectivamente, siendo la fructosa el azúcar reductor presente en mayor cantidad en

todas las muestras analizadas. Esta característica se ha observado en otras mieles

procedentes de zonas cafeteras de Colombia, presentando valores de fructosa de 31.21±

0.43% y glucosa de 32.37± 0.42% (Velásquez-Giraldo et al. 2013).

El contenido de cenizas es significativamente menor para las mieles provenientes de

Santander (0.096± 0.031 %), frente a las de Cauca (0.154± 0.065 %) y Magdalena (0.203±

0.031 %), comportamiento similar presentado para la conductividad eléctrica, lo que indica

la relación directa de estos parámetros. Mieles con contenido de cenizas similares se han

encontrado para mieles de brezo y trigo con valores de 0.22± 0.04 % y 0.24± 0.03 %

respectivamente (Popek 2002).

Por otra parte, el contenido de Calcio fue significativamente menor para mieles de

Magdalena (94± 15.9 mg/kg), frente a las mieles de Santander (140.9± 22.7 mg/kg) y

Cauca (130.9± 33.3 mg/kg), mientras que el contenido de potasio es mayor para las mieles

de Cauca (406.7± 148.5 mg/kg) y Magdalena (408.02± 127.1mg/kg), frente a Santander

(265± 75 mg/kg). El mineral presente en mayor cantidad fue potasio, tendencia similar a la

encontrada por diferentes autores (Alqarni et al. 2012; Alves et al. 2013; Escuredo et al.

2015; Kaygusuz et al. 2016). El contenido de calcio encontrado en mieles de otros orígenes

es 55.4± 13.04 mg/kg para mieles de cítricos (Karabagias et al. 2017), 70.84 ±0.47 mg/kg

para mieles de eucalipto (Alves et al. 2013) 72.9± 0.02 para mieles multiflorales de la india

(Nanda et al. 2003).

La diastasa es una de las enzimas más importantes en la miel. Su concentración varía no

sólo según su origen botánico, sino también debido al envejecimiento y las temperaturas

extremas (Juan-Borrás et al. 2014). Para las mieles evaluadas, la actividad de diastasa fue



de 16.2 ± 5.8, valor que es significativamente mayor al encontrado para otras mieles

colombianas (3.21±0.04) (Ortega-Bonilla et al. 2016). Valores similares de actividad

diastasa se han reportado para mieles de castaña turcas (17,7 ± 1,4) y de brezo francesas

y españolas (14,5 ± 6,1) (Devillers et al. 2004; Küçük et al. 2007; Bentabol M et al. 2014)

Los parámetros cuyo ANOVA mostró diferencias estadísticamente significativas para las

muestras provenientes de la zona cafetera de Magdalena frente a las provenientes de

Santander y Cauca fueron acidez libre, solidos solubles, humedad, conductividad eléctrica,

azúcares reductores, cenizas y calcio. Estos parámetros son diferenciadores de mieles

provenientes de la Sierra Nevada de Santa Marta (Magdalena) frente a las mieles

provenientes de la provincia de Guanentá (Santander) y de los municipios Caldono y

Piendamó (Cauca) Finalmente, la actividad de diastasa, pH y color no presentan

diferencias estadísticamente significativas.

2.4.2 Viscosidad

Figura 2-1: Tendencia del comportamiento de la viscosidad en las muestras de miel

evaluadas a T=25°C.

0

50

100

150

200

250

300

350

400

0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40

she

ar s

tre

ss (

pa)

shear rate (s-1)

Magdalena Cauca Santander

Capítulo 2 31

La viscosidad depende del esfuerzo de corte y la velocidad de cizalla (Wei et al. 2010). La

figura 2-1 ilustra las curvas de flujo de las mieles evaluadas donde se observa que todas

las muestras de miel se comportaron como fluidos newtonianos a todas las temperaturas

medidas. Este comportamiento es similar a lo encontrado por (Abu-Jdayil et al. 2002;

Lazaridou et al. 2004; Yanniotis et al. 2006; Wei et al. 2010; Dobre et al. 2012). La

viscosidad para mieles de zonas cafeteras a 25°C es de 9.3±3.4 Pa*s, valores similares a

los encontrados para mieles de girasol (12.28 Pa*s) e inferiores a los reportados para pino

(20.7 Pa*s), algodón (23.4 Pa*s) y naranja (18.39 Pa*s) (Yanniotis et al. 2006)

Se ha demostrado que la viscosidad varía con respecto a la composición de la miel. Siendo

la composición en gran parte dependiente del origen botánico, parámetros como humedad

y el contenido de azúcares pueden influir en esta (Abu-Jdayil et al. 2002; Lazaridou et al.

2004; Yanniotis et al. 2006). Sin embargo, las mieles evaluadas no presentaron diferencias

estadísticamente significativas con respecto a su viscosidad, comportamiento contrario al

encontrado por otros autores quienes afirman que la viscosidad varía de acuerdo al origen

geográfico y botánico (Popek 2002; Yanniotis et al. 2006; Özcan & Ölmez 2014).

2.4.3 Análisis del perfil aromático y PCA.

La nariz electrónica es un equipo que permite el análisis del perfil aromático de alimentos

mediante la disposición de un arreglo de sensores electroquímicos que identifican

compuestos volátiles asociados a grupos químicos funcionales y proporcionan una

respuesta cuantitativa, la cual es analizada mediante técnicas estadísticas multivariadas

(Zuluaga 2010). Los sensores W1C, W3C y W5C están asociados a compuestos

aromáticos, W5S a compuestos nitrogenados, W6S a hidrógeno, W1S a hidrocarburos de

cadena corta, W1W y W2W a compuestos azufrados, W2S a alcoholes y W3S a

compuestos alifáticos de cadena corta (Zuluaga et al. 2011).



Figura 2-2: Análisis de componentes principales para la nariz electrónica (a) Score plot

(b) Loading plot

Fue realizado un análisis de componentes principales para diferenciar las mieles de zonas

cafeteras según su perfil aromático y su relación con el origen geográfico. En el PCA

obtenido (figura 2-2) cuenta con una varianza explicada de 89,23% distribuida en 2

componentes principales. Magdalena, situada a la izquierda, se diferenció claramente de

las demás muestras, mientras que el Santander y Cauca no están tan evidentemente

separadas una de la otra. Esto indica que aunque el origen geográfico de la miel tiene

influencia sobre el perfil aromático, éste no es suficiente para la diferenciación entre las

tres regiones estudiadas. Se puede observar que los sensores con mayor relevancia en

las mieles procedentes de Magdalena son los asociados con compuestos aromáticos y

alifáticos (W1C y W5C), mientras que para las mieles de Santander y Cauca son los

sensores asociados a compuestos azufrados, nitrogenados y alcoholes (W5S, W2W, W1S,

W1W y W6S).

Con el fin de evaluar el efecto global desde un punto de vista descriptivo de los parámetros

fisicoquímicos, minerales, color y perfil aromático sobre las mieles de diferentes

procedentes de zona cafetera de diferentes orígenes geográficos, se realizó un PCA con

estas variables. La figura 2-3 muestra el aporte que genera cada parámetro a la varianza

explicada del PC1 (34.36%) y PC2 (17.43%). Se puede observar que el perfil aromático

medido por los sensores de la nariz electrónica, aportan mayor información al primer

componente que la aportada por los parámetros fisicoquímicos. Para el segundo

componente, las variables fisicoquímicas aportan gran cantidad de información,

-8 -6 -4 -2 0 2 4 6-4

-3

-2

-1

0

1

2

3

Scores on PC 1 (73.29%)

Score

s o

n P

C 2

(15.9

9%

)

95% Confidence Level

Cauca

Magdalena

Santander

-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

PC 1 (73.29%)

PC

2 (

15.9

9%

)

W1C W5S

W6S

W5C

W1S

W1W

W2W

W3S

Capítulo 2 33

exceptuando a los parámetros de actividad de diastasa, pH y color. Estos resultados

concuerdan con lo presentado en el ANOVA, donde todas las variables, excepto diastasa,

pH y color, presentaban diferencias estadísticamente significativas de acuerdo al origen

geográfico de la miel.

Figura 2-3: Aporte de las variables estudiadas frente a los componentes principales (a)

PC1 (b) PC2.

La figura 2-4 muestra el PCA de las mieles procedentes de las tres zonas cafeteras de

Colombia. Los dos primeros componentes explicaron un 67,5% de la varianza en el

conjunto de datos, PC1 (52,48%) y PC2 (15,08%). Para aumentar esta varianza explicada

se agregó un tercer componente el cual aporta una varianza de 8,24%, dando así un

sistema de tres componentes con una varianza explicada de 75,74%. Los sensores de la

nariz electrónica, la humedad y los azúcares fructosa y glucosa, son las variables más

fuertemente correlacionadas al PC1. Por su parte, para el PC2 las variables dominantes

fueron la acidez libre, humedad, °Brix, conductividad eléctrica, glucosa, fructosa, cenizas,

calcio y potasio, mientras que para el PC3 fueron conductividad eléctrica, glucosa, fructosa,

cenizas, Ca y K.

2 4 6 8 10 12 14 16 18 20 22-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

Variable

PC

1 (

34.2

6%

)

pH

Brix

Humedad

Conductividad

Diastasa

mmPfund

glucosa fructosa

Cenizas ppm potasio

W1C

W5S

W3C

W6S

W5C

W1S W1W

W2S W2W

W3S

2 4 6 8 10 12 14 16 18 20 22-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

Variable

PC

2 (

17.4

3%

)

Acidez libre

pH

Brix

Humedad

Conductividad

Diastasa mmPfund

glucosa

fructosa

Cenizas

ppm calcio

ppm potasio

W1C

W5S

W3C

W6S

W5C

W1S

W1W

W2S W2W

W3S



Figura 2-4: PCA para los parámetros de azúcares reductores, nariz electrónica,

humedad, Ca, K, conductividad, acidez libre, cenizas y °Brix. (a) Score plot (b) Loading plot

El sistema de tres componentes principales logra diferenciar las muestras de miel

procedentes de las tres zonas cafeteras evaluadas, siendo más evidente frente a las

muestras provenientes de Magdalena frente a las de Santander y Cauca. Valores mayores

de conductividad, cenizas, solidos solubles, potasio y acidez libre están asociados al

departamento de Magdalena. Esto se puede observar también en el análisis de varianza

(ANOVA), donde este presentaba diferencias con respecto a los otros orígenes

geográficos.

En muchos estudios de la literatura se ha utilizado el análisis de componentes principales

(PCA) para clasificar los orígenes geográficos y botánicos de varios tipos de miel. PCA se

realiza para explorar datos experimentales, evaluar correlaciones entre variables

relevantes, y producir planos bidimensionales en las que las muestras y las variables se

visualizan en un plano particular que maximizar la varianza (Karabagias et al. 2017).

Devillers et al. 2004 observó discriminación de mieles francesas de 7 orígenes botánicos

distintos en un PCA bidimensional con una varianza explicada del 59,53% (Devillers et al.

2004). Castro-Vázquez et al. 2010 evaluando compuestos volátiles, encontró

diferenciación de mieles de castaña provenientes de tres zonas de España con el uso de

un PCA, obteniendo un 86% de varianza explicada (Castro-Vázquez et al. 2010). Juan-

Borrás et al. 2014 usando PCA, logró discriminar mieles de girasol, acacia y tilia

provenientes de España, Republica Checa y Rumania, obteniendo un 74% de varianza

explicada en los dos primeros componentes (Juan-Borrás et al. 2014). Fechner et al. 2016

-5

0

5

-5

0

5

-2

-1

0

1

2

Scores on PC 1 (52.96%)Scores on PC 2 (15.51%)

Score

s o

n P

C 3

(8.1

3%

)

Cauca

Magdalena

Santander

-0.2

0

0.2

-0.2

0

0.2

0.4

0

0.2

0.4

0.6

Glucose

Moisture

Fructose

PC 1 (52.96%)

W1W

Ca

W2W W2S

W1C W5C

Free acidity

K

Brix

PC 2 (15.51%)

Ash

ConductivityPC

3 (

8.1

3%

)

Capítulo 2 35

encontró diferenciación de mieles multiflorales provenientes de la provincia de Corrientes

(Argentina) una varianza explicada del 66% en los 2 primeros componentes principales

(Fechner et al. 2016). Estos datos reportados en estudios anteriores, junto con los descritos

en el presente estudio, nos muestra que esta es una poderosa herramienta para propósitos

de discriminación de mieles según su origen geográfico.

2.4.4 Análisis discriminante por mínimos cuadrados parciales (PLS-DA)

El análisis discriminante por mínimos cuadrados parciales (PLS-DA) se utiliza para

encontrar las relaciones fundamentales entre las variables independientes y clases

codificadas como números enteros, las cuales son modeladas simultáneamente teniendo

en cuenta la varianza y covarianza entre variables y clases (Lucio 2012). El algoritmo PLS

captura varianza mientras consigue correlación de parámetros, generando como resultado,

valores de clases cercanos a los indicados para cada categoría del set de calibración

(Latorre et al. 2013).

Tabla 2-2: Valores de sensibilidad y especificidad para el modelo de clasificación

multivariada PLS-DA.

PLSDA


%Sen. %Esp. %Sen. %Esp. %Sen. %Esp.

Calibración 90,4 97,1 93,3 95,1 100 100

Validación 81,0 94,2 86,6 90,2 100 100

Sen. Sensibilidad Esp. Especificidad Cal: Calibración; CV: Validación cruzada

La información proporcionada por ANOVA y PCA, muestra que ciertas variables tienen

mayor influencia que otras en la diferenciación de mieles. Estas variables fueron utilizadas

en la diferenciación de origen a través del PLS-DA. Se seleccionaron las tres variables

latentes para la construcción del modelo las cuales contienen el 71.4% de la varianza

explicada. En la tabla 2-2 se pueden observar los resultados encontrados para la

clasificación generada por este modelo. Se puede observar que el modelo tiene una

sensibilidad del 100% y una especificidad del 100% para las muestras de miel procedentes



de Magdalena, 81% de sensibilidad y 94,2% de especificidad para mieles procedentes de

Santander y 86.6% de sensibilidad y 90.2% de especificidad para las mieles provenientes

de Cauca. Esto nos indica que el modelo es más sensible para clasificar mieles

procedentes de las zonas cafeteras de Magdalena que para Santander y Cauca.

Tabla 2-3: Resultados de la clasificación PLS-DA llevados a cabo mediante el

procedimiento de validación cruzada.

Clase real


Predicho como Santander 17 2 0 Predicho como Cauca 4 13 0 Predicho como Magdalena 0 0 20

En la tabla 2-3 se muestra la matriz de confusión para el modelo desarrollado, Se puede

observar que las 20 muestras provenientes de Magdalena fueron clasificadas por el

modelos como pertenecientes a esta clase. Por otra parte, dos de las muestras

provenientes de Cauca fueron clasificadas como pertenecientes a Santander y 4

provenientes de Santander fueron clasificadas como Cauca. Esto indica que el modelo,

aunque tiene altos valores de sensibilidad y especificidad para las muestras de Santander

y Cauca, no es capaz de discriminarlas por completo de acuerdo a su origen, como si logra

hacerlo con las muestras provenientes de Magdalena.

2.5 Conclusiones

Las mieles procedentes de zonas cafeteras de Colombia tienen parámetros fisicoquímicos,

contenido mineral y color comparables con mieles procedentes de otros orígenes

botánicos y geográficos que, a su vez, cumplen con las condiciones de calidad

establecidos por la normatividad internacional. El perfil aromático medido por nariz

electrónica aporta bastante información a los componentes principales del PCA, pero no

es suficiente para la diferenciación de las muestras estudiadas. Los resultados del presente

estudio mostraron que la humedad, contenido de azúcares, acidez libre, conductividad

eléctrica, minerales, color, solidos solubles y el perfil aromático analizados por técnicas

quimiométricas, pueden diferenciar mieles provenientes de la zona cafetera de Magdalena

frente a mieles de Santander y Cauca con una varianza explicada de 75.74%. Siendo este

Capítulo 2 37

es el primer estudio sobre la diferenciación de origen geográfico de mieles de zonas

cafeteras colombianas, se observó claramente la eficacia del PLS-DA en la tasa de

clasificación correcta de la miel de zonas cafeteras colombianas con valores de

sensibilidad y especificidad entre 81-100% y 90.2-100%, respectivamente.

2.6 Agradecimientos

Los autores agradecen al “Programa Estratégico en Alternativas para la Generación de

Valor en Productos apícolas en Colombia a Través de la Innovación y el Desarrollo

Tecnológico” financiado por Colciencias y desarrollado en el Instituto de Ciencia y

Tecnología de Alimentos- ICTA de la Universidad Nacional de Colombia.

2.7 Referencias

Abu-Jdayil B, Al-Majeed Ghzawi A, Al-Malah KIM, Zaitoun S. Heat effect on rheology of

light- and dark-colored honey. J Food Eng. 2002; 51:33–8.

Acquarone C, Buera P, Elizalde B. Pattern of pH and electrical conductivity upon honey

dilution as a complementary tool for discriminating geographical origin of honeys. Food

Chem. 2007; 101:695–703.

Alqarni AS, Owayss A., Mahmoud A. a., Hannan M a. Mineral content and physical

properties of local and imported honeys in Saudi Arabia. J Saudi Chem Soc [Internet]. 2012;

18(5):618–25. Available from: http://dx.doi.org/10.1016/j.jscs.2012.11.009

Álvarez-Suarez JM, Tulipani S, Díaz D, Estevez Y, Romandini S, Giampieri F, et al.

Antioxidant and antimicrobial capacity of several monofloral Cuban honeys and their

correlation with color, polyphenol content and other chemical compounds. Food Chem

Toxicol [Internet]. 2010 Aug; 48(8–9):2490–9. Available from:

http://www.sciencedirect.com/science/article/pii/S0278691510003959

Alves A, Ramos A, Gonçalves MM, Bernardo M, Mendes B. Antioxidant activity, quality

parameters and mineral content of Portuguese monofloral honeys. J Food Compos Anal.

2013; 30:130–8.

Anklam E. A review of the analytical methods to determine the geographical and botanical

origin of honey. Food Chem. 1998; 63(4):549–62.



AOAC. The Official Methods of Analysis. 19th edition. Dr. George W. Latimer J, editor.

AOAC International; 2012.

Bentabol M A, Hernández García Z, Rodríguez Galdón B, Rodríguez E, Díaz Romero C.

Physicochemical characteristics of minor monofloral honeys from Tenerife, Spain. LWT -

Food Sci Technol [Internet]. 2014; 55(2):572–8. Available from:

http://dx.doi.org/10.1016/j.lwt.2013.09.024

Bogdanov S. Harmonised Methods of the International Honey Commission. 2009.

Castro E. Evaluación de indicadores para la diferenciación de mieles provenientes de la

zona cafetera de la sierra nevada de santa marta. Universidad Nacional de Colombia- Sede

Bogotá; 2015.

Ciappini MC, Gatti MB, Vito MV Di. El Color como indicador del contenido de flavonoides

en miel. 2013; 15–9.

Codex Alimentarius Commission. Revised Codex Standard for Honey. Codex STAN. 2001;

12-1981.

Cuevas-Glory LF, Pino J a., Santiago LS, Sauri-Duch E. A review of volatile analytical

methods for determining the botanical origin of honey. Food Chem. 2007; 103:1032–43.

Devillers J, Morlot M, Pham-Delègue MH, Doré JC. Classification of monofloral honeys

based on their quality control data. Food Chem. 2004; 86:305–12.

Dobre I, Georgescu LA, Alexe P, Escuredo O, Seijo MC. Rheological behavior of different

honey types from Romania. Food Res Int [Internet]. 2012; 49(1):126–32. Available from:

http://dx.doi.org/10.1016/j.foodres.2012.08.009

Escuredo O, González-Martín MI, Rodríguez-Flores MS, Seijo MC. Near infrared

spectroscopy applied to the rapid prediction of the floral origin and mineral content of

honeys. Food Chem [Internet]. 2015; 170:47–54. Available from:

http://linkinghub.elsevier.com/retrieve/pii/S030881461401276X

Gomes S, Dias LG, Moreira LL, Rodrigues P, Estevinho L. Physicochemical,

microbiological and antimicrobial properties of commercial honeys from Portugal. Food

Capítulo 2 39

Chem Toxicol [Internet]. 2010 Feb [cited 2013 Oct 18]; 48(2):544–8. Available from:

http://www.ncbi.nlm.nih.gov/pubmed/19909782

Jaramillo A. Efecto de las abejas silvestres en la polinización del café (Coffea arabica:

Rubiaceae) en tres sistemas de producción en el departamento de Antioquia. Universidad

Nacional de Colombia; 2012.

Juan-Borrás M, Domenech E, Hellebrandova M, Escriche I. Effect of country origin on

physicochemical, sugar and volatile composition of acacia, sunflower and tilia honeys. Food

Res Int [Internet]. 2014; 60:86–94. Available from:


Karabagias IK, Louppis AP, Karabournioti S, Kontakos S, Papastephanou C, Kontominas

MG. Characterization and geographical discrimination of commercial Citrus spp. honeys

produced in different Mediterranean countries based on minerals, volatile compounds and

physicochemical parameters, using chemometrics. Food Chem [Internet]. 2017; 217:445–

55. Available from: http://linkinghub.elsevier.com/retrieve/pii/S0308814616313735

Kaškonienė V, Venskutonis PR, Čeksterytė V. Carbohydrate composition and electrical

conductivity of different origin honeys from Lithuania. LWT - Food Sci Technol [Internet].

2010 Jun [cited 2014 Apr 10]; 43(5):801–7. Available from:

http://linkinghub.elsevier.com/retrieve/pii/S0023643810000125

Kaygusuz H, Tezcan F, Bedia Erim F, Yildiz O, Sahin H, Can Z, et al. Characterization of

Anatolian honeys based on minerals, bioactive components and principal component

analysis. LWT - Food Sci Technol [Internet]. 2016; 68:273–9. Available from:


Küçük M, Kolaylı S, Karaoğlu Ş, Ulusoy E, Baltacı C, Candan F. Biological activities and

chemical composition of three honeys of different types from Anatolia. Food Chem

[Internet]. 2007 Jan [cited 2013 Oct 18]; 100(2):526–34. Available from:


Latorre CH, Crecente RMP, Martín SG, García JB. A fast chemometric procedure based

on NIR data for authentication of honey with protected geographical indication. Food Chem

[Internet]. 2013; 141(4):3559–65. Available from:

http://dx.doi.org/10.1016/j.foodchem.2013.06.022



Lazaridou A, Biliaderis CG, Bacandritsos N, Sabatini AG. Composition, thermal and

rheological behaviour of selected Greek honeys. J Food Eng [Internet]. 2004 Sep [cited

2014 Oct 21]; 64(1):9–21. Available from:


León-Bonilla D, Nates-Parra G. Vegetación asociada a cultivos orgánicos y convencionales

de café en la Sierra Nevada de Santa Marta. Enid Biodivers y Desarro Sosten. 2014; 1:2–

4.

Lucio JR. Aplicación de Métodos Quimiométricos para la Caracterización y Control de

Calidad de Plantas Medicinales. Universitat Autònoma de Barcelona; 2012.

Nanda V, Sarkar BC, Sharma HK, Bawa a. S. Physico-chemical properties and estimation

of mineral content in honey produced from different plants in Northern India. J Food

Compos Anal. 2003; 16:613–9.

Nates G, Montoya PM, Chamorro FJ. Origen geográfico y botánico de mieles de apis

mellifera (apidae) en cuatro departamentos de Colombia. Acta biológica Colomb. 2013;

18(3):427–37.

Oliveros C. Ingeniería y café en Colombia. Rev Ing Univ los Andes. 2011; 33:99–114.

Oroian M. Measurement, prediction and correlation of density, viscosity, surface tension

and ultrasonic velocity of different honey types at different temperatures. J Food Eng


http://dx.doi.org/10.1016/j.jfoodeng.2013.05.029

Ortega-Bonilla RA, Chito-Trujillo DM, Suárez-Ramos CA. Physicochemical characteristics

of commercial eucalyptus honeys from Southwest Casanare. Corpoica Cienc y Tecnol

Agropecu. 2016; 17(1):73–80.

Özcan MM, Ölmez Ç. Some qualitative properties of different monofloral honeys. Food

Chem. 2014; 163:212–8.

Popek S. A procedure to identify a honey type. Food Chem. 2002; 79:401–6.

Capítulo 2 41

Principal J, Barrios C, Colmenárez D, Aubeterre RD, Graterol Z, Fuselli S, et al.

Physicochemical and sensory characterization of Apis mellifera L. S honeys from Lara and

Yaracuy States in Venezuela. Zootec Trop. 2013; 31(2):119–28.

Velásquez-Giraldo A, Vélez-Acosta L, Zuluaga-Gallego R. Physicochemical and

Microbiological Characterization of Apis mellifera sp. Honey from Southwest of Antioquia in

Colombia. Ing y Cienc. 2013; 9(18):61–74.

Wei Z, Wang J, Wang Y. Classification of monofloral honeys from different floral origins and

geographical origins based on rheometer. J Food Eng [Internet]. 2010; 96(3):469–79.

Available from: http://dx.doi.org/10.1016/j.jfoodeng.2009.08.028

Yanniotis S, Skaltsi S, Karaburnioti S. Effect of moisture content on the viscosity of honey

at different temperatures. J Food Eng. 2006; 72:372–7.

Zuluaga CM. Análisis quimiométrico para diferenciar la huella digital de los productos de

las abejas en Colombia. Universidad Nacional de Colombia; 2010.

Zuluaga CM, Díaz AC, Quicazán MC. Standardizing and validating aromatic profile analysis

by an electronic nose. Ing E Investig. 2011; 31(I):65–73.

3. Uso de la espectroscopia infrarroja para la autentificación de mieles de zonas cafeteras de la Sierra Nevada de Santa Marta (Colombia)

Los resultados de este capítulo fueron presentados como artículo de investigación en

la revista Food Chemistry. Para los efectos de este documento, el artículo fue

traducido al español.

Darwin Rodríguez-Medina1, Consuelo Díaz-Moreno1, Salvador Garrigues2*, Miguel de

la Guardia2


Carrera 30 No. 45-03, Bogotá, Colombia

2Departmento de Química Analítica Universidad de Valencia, c/ Dr. Moliner 50, 46100

Burjassot, Valencia, España

3.1 Resumen

119 muestras de miel fueron analizadas a través de infrarrojo cercano (NIR) y reflexión

total atenuada de infrarrojo medio (MIR-ATR). Tras el examen preliminar de los datos

mediante análisis de componentes principales (PCA), las técnicas de reconocimiento de

patrones, tales como los análisis discriminante por mínimos cuadrados parciales (PLS-DA),

modelado independiente suave de la analogía de la clase (SIMCA) y K-vecinos más

cercanos (KNN) se analizaron con el fin de encontrar un modelo de clasificación que puede

autenticar correctamente las muestras de miel bajo la denominación Sierra Nevada de

Santa Marta. Entre los procedimientos de clasificación evaluados, PLS-DA presenta el

mejor ajuste con valores de sensibilidad y especificidad del 97% y 83%, respetivamente,



en la validación cruzada y en la predicción, una sensibilidad y especificidad del 100%

basada en la combinación de NIR y los espectros ATR-MIR, proporcionando así una

método sencillo y rápido con el fin de discriminar entre muestras de miel de diferentes

orígenes colombianos.

Palabras clave: autenticidad de miel, modelado de clases, quimiometría, espectroscopia

infrarroja, análisis multivariado, PLS-DA, SIMCA, k-vecinos más cercanos,

3.2 Introducción

La miel es una sustancia natural producida por las abejas obreras de diferentes especies

a partir del néctar de las flores o las secreciones de las partes vivas de las plantas (Codex

Alimentarius Commission 2001), que es transformada hasta una solución saturada de

azucares en combinación con otras sustancias menores, tales como ácidos orgánicos,

proteínas, minerales, vitaminas, lípidos, enzimas y sustancias antioxidantes (Gomes et al.

2010; Özcan and Ölmez 2014), y que le otorgan características propias según su origen

botánico, climático y geográfico (Anklam 1998; Lazaridou et al. 2004). Estas características

específicas asociadas al origen son apreciadas por el consumidor, generando a los

apicultores y la industria la oportunidad de acceder a nuevos mercados y obtener mayor

ganancia de sus productos (Juan-Borrás et al. 2014).

En ciertas zonas de Colombia, la producción apícola converge junto con el cultivo de café,

lo cual genera una sinergia que beneficia ambas actividades económicas. Colombia ha

sido ampliamente reconocida por su trayectoria cafetera, teniendo incluso cafés con

denominación de origen (DOP) (Jaramillo 2012). Zonas cafeteras de los departamentos de

Santander, Cauca y Magdalena, comparten características comunes como altura sobre el

nivel del mar, cultivos circundantes, precipitación fluvial, brillo solar, temperatura promedio

y condiciones del suelo (Oliveros 2011), lo cual otorga que las mieles provenientes de estas

zonas posean características similares. El impulso de una denominación de origen para

la miel producida en zonas de cultivo de café, lograría generar valor a este producto, pues

el DOP se está convirtiendo en una buena opción para proteger y promover el consumo

de este alimento en diferentes países (Juan-Borrás et al. 2014). Debido a la biodiversidad

con la que cuenta Colombia, no es posible clasificar las mieles como monoflorales puesto

Capítulo 3 45

que un cultivo específico suele estar rodeado de muchas especies de flora de la cual la

abeja puede tomar su alimento (Nates et al. 2013).

Tradicionalmente, la determinación del origen de la miel se hace a través de análisis

fisicoquímico y palinológico (Anklam 1998). Estas técnicas generalmente son costosas,

requieren un gran número de equipos para su desarrollo y una alta experiencia en su

aplicación (Acquarone et al. 2007). Para superar este problema, se han desarrollado

métodos para predecir el origen de la miel a través de su “huella digital” obtenida con el

uso de la espectroscopia vibracional y técnicas quimiométricas. La reducida manipulación

de la muestra, la rapidez y sencillez de la técnica y el no necesitar curvas de calibración,

son algunas de las ventajas de la espectroscopia vibracional frente a los métodos de

análisis fisicoquímicos tradicionales (Oliveri et al. 2011; Latorre et al. 2013; Lenhardt et al.

2014).

La aplicación de espectroscopia en el infrarrojo cercano (NIR) se ha evaluado en la

determinación del origen floral de muestras de miel europeas y para la detección de la

adulteración de la miel. Sin embargo, esta técnica no puede detectar componentes de la

miel de menor importancia, por lo que la espectroscopia en el infrarrojo medio (MIR) se

utiliza para recopilar información más específica acerca de la miel (Lenhardt et al. 2014).

Varios estudios informan sobre el uso de NIR y MIR para determinar el origen geográfico

de alimentos (de la Guardia & Garrigues 2013). En todos estos casos, el análisis de datos

multivariados se ha demostrado que es indispensable para la extracción de la máxima

información útil de las señales registradas (Oliveri et al. 2011).

El objetivo de este trabajo fue investigar la capacidad de la espectroscopia NIR y MIR junto

con técnicas quimiométricas para clasificar muestras procedentes de diferentes orígenes

geográficos y diferenciarlas de mieles procedentes de la Sierra Nevada de Santa Marta

(Colombia).



3.3 Materiales y métodos

3.3.1 Muestras de miel

Se analizaron 119 muestras de miel de zonas cafeteras de Colombia, 83 de la Sierra

Nevada de Santa Marta (zona A) y 36 de los departamentos de Santander y Cauca (zona

B). Para el conjunto de validación, se seleccionaron al azar 75% de las muestras, mientras

que el 25% restante corresponde al conjunto de predicción. Las muestras fueron

almacenadas en tubos de polietileno a 0 ° C hasta su análisis. Antes del análisis, las

muestras se sometieron a calentamiento suave a 45 ° C para disolver los cristales.

3.3.2 Análisis FT-NIR

Los espectros NIR se obtuvieron usando un modelo Analizador Multipropósito (MPA)

espectrómetro de infrarrojo cercano por transformada de Fourier (FT-NIR), de Bruker

(Bremen, Alemania). Las muestras fueron escaneadas en la región entre 3500 y 14000

cm-1 en el modo de transmitancia usando viales de vidrio con un diámetro interno de 6

mm. Además se emplearon celdas caseras para evaluar los espectros NIR con una

longitud de trayectoria reducida y evitar la saturación de la señal. Estas celdas consisten

en un portaobjetos de microscopio estándar con un espaciador hecho de hojas de aluminio,

proporcionando una longitud de trayectoria de aproximadamente de 500 micras (ver Figura

3-1b). Para el uso de este tipo de celdas, se introdujo una gota de muestra de miel en el

espaciador y se cubrió con un cubreobjetos de microscopio. Para las mediciones NIR la

celda antes mencionada se inserta perpendicularmente en el soporte de la muestra, lo que

garantiza que el haz de luz NIR pasa a través de la muestra. Cada espectro se obtuvo un

promedio de 50 exploraciones. Los datos espectrales NIR fueron almacenados en formato

de absorbancia con una resolución de 4 cm-1 y 3 repeticiones fueron realizadas para cada

una de las muestras. El background se realizó con un vial de vidrio vacío para paso óptico

de 6 mm y un portaobjetos de microscopio limpio para las medidas de paso óptico reducido,

en las mismas condiciones de medición entre cada muestra. Para la adquisición de datos

se utilizó el software OPUS 6.5 de Bruker.

Capítulo 3 47

3.3.3 Análisis ATR-MIR

50 µL de muestra de miel fueron depositados en la celda de reflexión total atenuada (ATR)

y se registró el espectro en el infrarrojo medio entre las longitudes de onda de 4.000 y 600

cm-1, con una resolución nominal de 4 cm-1 y la acumulación de 50 exploraciones.

Después de la medición de cada muestra de miel, la célula se limpió con una solución de

agua/jabón y se secó con papel suave. El background de la celda vacía se midió con las

mismas condiciones empleadas para las muestras. Para el control de instrumentos y la

adquisición de datos, se utilizó el software de Bruker OPUS 6.5.

3.3.4 Análisis estadístico

El tratamiento de los datos se llevó a cabo utilizando funciones internas de Matlab

8.3.0.532 (R2014a) de MathWorks (Natick, MA, EE.UU.). Para los métodos multivariantes

de análisis, se utilizó el PLS Toolbox 7.5.2 de Eigenvector Research Inc. (Wenatchee, WA,

USA).

Debido a la gran cantidad de datos generados por los espectros, fue necesario aplicar

diferentes técnicas para reducir la dimensionalidad de los datos multivariados preservando

al mismo tiempo la mayor parte de la varianza. En este trabajo, el análisis estadístico se

llevó a cabo en tres etapas diferentes.

El primer paso fue un análisis exploratorio de los datos NIR y MIR, usando análisis de

componentes principales (PCA) a fin de reducir el número de variables y para seleccionar

la mejor longitud de onda para ser utilizada en técnicas de clasificación. Además, el PCA

se aplicó para observar una correlación de muestras de miel con su origen y para tratar de

obtener una clasificación inicial.

En una segunda etapa, Se realizó la clasificación y la validación mediante técnicas de

reconocimiento de patrones (PRT) para desarrollar un modelo matemático con el fin de

diferenciar y predecir el origen de la miel (zona A y B). Las técnicas aplicadas en este

estudio fueron el análisis discriminante por mínimos cuadrados parciales (PLS-DA), el

modelado suave independiente de la analogía de la clase (SIMCA) y K-vecinos más

cercanos (KNN).



En el tercer paso, diferentes pre-tratamientos de datos se analizaron en base a la

normalización, filtrado y escalado/centrado. Se estableció la combinación de tratamientos

previos, PRT y el rango espectral para clasificar muestras de miel en función de su origen.

Además, se realizó una validación cruzada por el método “Leave one out” con el fin de

extender la validación de datos adicionales y garantizar la validez del modelo de predicción.

Se analizaron los datos espectrales NIR y MIR por separado y en conjunto con el fin de

seleccionar el mejor método de clasificación de muestras.

La sensibilidad y la especificidad de los modelos fueron seleccionadas como criterios para

buscar el mejor método de clasificación. Sensibilidad del modelo para una clase A se

refiere a la proporción de muestras auténticas A que el modelo reconoce como

perteneciente a esta clase. La especificidad de un modelo para una clase A es la

proporción de muestras no-A de que el modelo rechaza como no perteneciente a esta

clase (Latorre et al. 2013).

La sensibilidad y especificidad se calcularon como:

𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 =𝑇𝑃

𝑇𝑃 + 𝐹𝑁100 (3.1)

𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑑𝑎𝑑 =𝑇𝑁

𝑇𝑁 + 𝐹𝑃100 (3.2)

Donde TP, TN, FP y FN son los valores predichos como verdaderos positivos, verdaderos

negativos, falsos positivos y falsos negativos, respectivamente. Un modelo de clasificación

con una sensibilidad del 100% y el 100% de especificidad será un modelo capaz de aceptar

todas las muestras genuinas de un origen específico (Zhu et al. 2010; Latorre et al. 2013).

Además exactitud total del modelo se estableció a partir de la ecuación (3.3).

𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 𝑡𝑜𝑡𝑎𝑙 =𝑇𝑁 + 𝑇𝑃

𝑇𝑃 + 𝐹𝑁 + 𝑇𝑁 + 𝐹𝑃 100 (3.3)

Capítulo 3 49

3.4 Resultados y discusión

3.4.1 Espectros IR de las muestras de miel

En la Figura 3-1. Pueden apreciarse los espectros NIR y ATR-MIR para las muestras de

miel. Se puede observar que la tendencia de las curvas es bastante similar, presentan

superposición entre las muestras evaluadas y no hay valores atípicos que puedan ser

identificados directamente en los espectros, haciendo necesario un tratamiento de los

datos. Esta tendencia es típica tanto para los espectros en el infrarrojo medio como el

cercano (Oliveri et al. 2011; Chen et al. 2012; Lenhardt et al. 2014).

Figura 3-1: Espectros de muestras de miel (A) NIR con 6 mm de paso óptico, (B)

espectros NIR normalizados con 500 micras de paso óptico y (C) ATR-MIR. Inserción (a)

celda de vidrio. (b) celda fabricada.

A



En el espectro NIR con paso óptico de 6mm (Fig. 3-1a) se pueden observar bandas de

absorción a las longitudes de onda 8300, 5900 y 5650 cm-1. A las longitudes de onda entre

7000 a 6400 cm-1 y a 5200 cm-1 se puede observar una evidente saturación de la señal

pues están relacionadas con el estiramiento y la deformación del primer armónico O-H

(Latorre et al. 2013), enlace asociado al contenido de humedad de la miel. Debido a esta

saturación de señales, se realizó la medición de los espectros NIR con un paso óptico

reducido (500 µm) el cual se sometió a una normalización con los espectros NIR 6 mm.

Esta normalización fue realizada de acuerdo a la ecuación 3.4

𝐹𝑎𝑐𝑡𝑜𝑟 =(𝐴𝑏𝑠5646 − 𝐴𝑏𝑠13000)6 𝑚𝑚

(𝐴𝑏𝑠5646 − 𝐴𝑏𝑠13000)500 µ𝑚 (3.4)

B

C

Capítulo 3 51

En el espectro NIR con 6 mm de paso óptico, la absorbancia a 5646 cm-1 es el valor más

alto que no presenta saturación de la señal. Longitud de onda 13000 cm-1 representa el

valor mínimo de la absorbancia en los mismos espectros. La diferencia entre estas

absorbancias, representa la altura máxima en los espectros. La relación entre la altura de

espectro NIR con 6 mm de paso óptico y los espectros NIR con 500 micras, es el factor

multiplicativo para normalizar el espectro de paso óptico reducido.

Las bandas observadas en el espectro NIR normalizado de 500 µm (Fig. 3-1b) están

asociadas a las combinaciones de O-H, C-H y C-H2 (6850 cm-1), combinaciones de OH

(5160 cm-1) y combinaciones de CH (4760 y 4400 cm-1) (Golic et al. 2003). Estos picos

de absorbancia corresponden a los encontrados por Woodcock et al. (2009), donde los

picos presentados a estas longitudes de onda están asociados a las soluciones acuosas

de glucosa y fructosa (Woodcock et al. 2009).

En el espectro ATR-MIR (Fig. 3-1c) se presenta una gran variación en la región de 1700 a

750 cm-1. Tal como describe Lenhardt et al. (2014), la absorción en esta región se asocia

a los monosacáridos glucosa (1033-1061 cm-1) y fructosa (1062 cm-1), al igual que

disacáridos como la sacarosa (997-1054 cm-1) (Bertelli et al. 2007; Lenhardt et al. 2014;

Mellado-Mojica & López 2015). Los picos intensos observados entre 950 y 1150 cm-1 se

deben principalmente a los modos de estiramiento de los grupos C-C y C-O (Kelly et al.

2004; Bertelli et al. 2007). Específicamente, las bandas que aparecen entre 1420 y 1150

cm-1 se asocian a los modos de flexión de los grupos C-C-H, C-O-H y O-C-H (Kelly et al.

2004; Lenhardt et al. 2014). La región entre 1600 y 1700 cm-1 está relacionada al

estiramiento/doblamiento del grupo O-H (agua), estiramiento del grupo C=O

(carbohidratos) y doblamiento el grupo N-H (proteínas) (Gok et al. 2015). La absorción en

las bandas entre 2800 y 3000 cm-1 está asociada con los modos de estiramiento de los

grupos C-H y O-H de los carbohidratos y los ácidos carboxílicos y del grupo NH3 de los

aminoácidos libres (Bertelli et al. 2007; Gok et al. 2015). La banda presentada entre la

región de 3000 y 3600 cm-1 se relaciona con el modo de estiramiento del O-H y el agua

residual contenida en las muestras de miel (Bertelli et al. 2007).



3.4.2 PCA de los espectros NIR y MIR

PCA es una de las herramientas quimiométricas más utilizadas debido a que permite la

proyección de los datos de una alta para reducir el espacio dimensional (Jandrić et al.

2015). Los componentes principales son combinaciones lineales de las variables

originales, que se utilizan para estudiar la estructura de los datos en un pequeño tamaño

de los originales, conservando la mayor variabilidad posible de las señales de muestra

(Latorre et al. 2013).

Figura 3-2: Scores plot de las muestras de miel en el espacio definido por los dos

primeros componentes principales para (A) espectros NIR con 6 mm de paso óptico, (B)

los espectros NIR normalizados correspondiente a 500 micras paso óptico (C) espectros

ATR-MIR.

A

B

C

Capítulo 3 53

En la figura 3-2 se pueden observar los PCA obtenidos para los datos espectrales de las

muestras de miel. Estos PCA corresponden a regiones de longitud de onda específicas

para cada espectro, donde el conjunto de datos presenta mayor varianza explicada al

reducir el ruido del espectro. Estas longitudes de onda fueron 10500 a 7600 cm-1 y 6000

a 5400 cm-1 para NIR 6mm, 7400 a 3850 cm-1 para NIR 500µm y 1700 a 650 cm-1 para

ATR-MIR, obteniendo una varianza explicada total de 81.8, 92.6 y 86.4% respectivamente.

En ninguno de los PCA se puede observar una separación evidente entre las muestras de

la zona 1 y la zona 2, por lo que se puede concluir que esta no es una técnica adecuada

para realizar una clasificación entre estas muestras de miel y que es necesario aplicar otras

técnicas quimiométricas. Esto es comparable con lo encontrado con Chen et al. (2012) y

Jandrić et al. (2015) donde el PCA de los datos espectrales no mostró ningún agrupamiento

entre muestras de miel de diferentes orígenes (Chen et al. 2012; Jandrić et al. 2015).

Además, para Bertelli et al. (2007), el aumento de la derivatización de los datos para el

PCA no permite mejorar la calidad de los resultados, por el contrario, al aumentar la

derivada menor es la varianza explicada obtenida (Bertelli et al. 2007).

3.4.3 Autenticación de mieles Colombianas por técnicas de reconocimiento de patrones (PRT)

Fueron aplicadas tres técnicas de reconocimiento de patrones: PLS-DA, SIMCA y KNN.

Estas fueron comparadas a través de la sensibilidad, especificidad y exactitud total del

modelo, con el fin de encontrar la más adecuada para reconocer las mieles auténticas de

la zona cafetera de la Sierra Nevada de Santa Marta. Fue aplicado un pre-tratamiento de

los datos que incluye 1ª derivada con 15 puntos utilizando el método Savitzky-Golay

(Oliveri et al. 2011), normalización por corrección multiplicativa de la señal (MSC) y

centrado en la media.

Para la aplicación de las PRT, fue necesario reducir el número de variables espectrales,

pues al evaluar los modelos con todos los datos espectrales, la incertidumbre aumentaría,

crearía modelos inestables por la relación entre el número de muestras y variables y

requeriría un elevado espacio de almacenamiento y tiempo de cálculo (Latorre et al. 2013).

Los modelos fueron evaluados con respecto al espectro total y posteriormente se fueron

reduciendo las bandas hasta llegar a los mejores valores de predicción.



Tabla 3-1: Comparación de las técnicas de reconocimiento de patrones utilizadas

(PTR) en la discriminación de muestras de miel proveniente de la Sierra Nevada de Santa

Marta de acuerdo a su sensibilidad, especificidad y exactitud total.

CV: Validación cruzada; Sen.: Sensibilidad; Esp.: Especificidad; Total: Exactitud total

Pre-tratamiento: primera derivada por suavizado Savitzky–Golay, corrección multiplicativa de la seña (MSC)

y centrado en la media.

Al igual que lo encontrado por Latorre et al. (2013), la capacidad de estimación de los

modelos mejora mediante la eliminación de las regiones espectrales que no contienen

información útil. Para el NIR 6mm las regiones seleccionadas fueron aquellas que

presentaban información relevante y cuyas bandas no mostraban saturación aparente,

mientras que para el NIR 500µm, la región seleccionada es toda aquella donde se

presentan picos importantes en el espectro. En cuanto al infrarrojo medio, la sección del

espectro seleccionada fue la región asociada a los azucares. Diferentes autores

(Woodcock et al. 2009; Chen et al. 2011; Oliveri et al. 2011; Latorre et al. 2013) han

mostrado las ventajas que tienen las diferentes técnicas de clasificación, generando

discordancia en la técnica más adecuada para este tipo de muestras. En estos casos, las

técnicas SIMCA, KNN y PLS-DA presentan valores por encima del 90% para sensibilidad

y especificidad.

Tabla 3-1 muestra los valores de sensibilidad, especificidad y exactitud para los tres PRT

evaluados en este estudio y bajo los datos espectrales NIR o MIR, siendo considerados

también los dos pasos ópticos medidos en NIR descritos en la parte en la parte

experimental. En este caso, la técnica SIMCA tiene valores de especificidad altos entre

NIR 6 mm ATR-MIR NIR 500 µm

Longitud de onda

[10500-7600; 6000-5400]

[1700-650] [7400-3850]

Sen. %

Esp. %

Total %

Sen. %

Esp. %

Total %

Sen. %

Esp. %

Total %

PLS-DA

CV 80 73 77 90 84 87 92 87 89

Predicción 78 67 72 76 75 76 91 67 79

SIMCA

CV 33 100 67 28 100 64 07 97 52

Predicción 22 83 53 12 75 44 13 100 57

KNN CV 90 43 67 88 53 71 68 47 57

Predicción 91 50 71 96 50 73 91 17 54

Capítulo 3 55

97% a 100% para la validación cruzada y 75% a 100% para la predicción. Sin embargo, la

sensibilidad del modelo no excede el 33% en la validación cruzada y 22% en la predicción.

Esto indica que el modelo es adecuado para el rechazo de muestras que no pertenecen a

la zona estudiada, pero no reconoce adecuadamente las mieles procedentes de la Sierra

Nevada de Santa Marta. Por el contrario, la técnica KNN exhibe una sensibilidad entre 68

y 90% para la validación cruzada y 91% a 96% para la predicción. Sin embargo, la

especificidad máximo encontrada fue de 53% y 50% para la validación cruzada y la

predicción, respectivamente. Este tipo de comportamiento fue encontrado por Latorre et

al. (2013) donde SIMCA presenta una especificidad total pero menor sensibilidad y KNN

tiene comportamiento inverso. Esto se debe a que KNN es una técnica discriminante que

se enfoca en las diferencias de las clases, mientras que SIMCA es un procedimiento de

modelado donde la regla de clasificación se enfoca a un análisis de similitud dentro de la

clase (Latorre et al. 2013).

Por su parte, el método PLS-DA obtiene valores de sensibilidad entre el 80 y el 92% para

la validación y de 76 a 91% en la predicción. A su vez, la especificidad está entre el 73 y

87% para la validación y el 67 y 75% para la predicción. Con esto se puede concluir que

el método PLS-DA es la mejor técnica de reconocimiento de patrones (PRT) para

autentificar muestras de miel procedentes de la Sierra Nevada de Santa Marta.

Realizando una comparación entre las técnicas de espectroscopia evaluadas, el modelo

PLS-DA evaluada para el infrarrojo medio con paso óptico de 500 µm, presenta mayor

exactitud total tanto en la predicción como en la validación cruzada frente a las demás

técnicas. Esto puede deberse a la claridad de las bandas del espectro, el poco ruido

presentado en las mismas y que el rango espectral evaluado es más amplio, lo cual ofrece

una menor perdida de información.

3.4.4 Efecto del pre-tratamiento en el modelo PLS-DA para la autenticación de miel.

Como se pudo observar anteriormente en la figura 3-1, los datos en bruto de los espectros

no presentan mayor información que permita clasificar las muestras según su origen

geográfico. Debido a esto, deben aplicarse técnicas que permitan a los métodos de



clasificación tener mayor exactitud para autentificar una muestra. Para esto, es necesario

evaluar el pre-tratamiento de datos más adecuado para un modelo.

En este caso fueron evaluados métodos de normalización, filtrado y centrado de datos. En

cuanto a la normalización, se trabajó con los datos sin normalizar y normalizados con el

método de corrección multiplicativa de la señal (MSC). Para el filtrado se evaluó la

derivatización por el método Savitzky-Golay con 15 puntos y la corrección ortogonal de la

señal (OSC). Finalmente se realizó centrado en la media (MC) y en vías múltiples, aunque

para estas dos técnicas no se encontraron diferencias. Como anteriormente se mencionó,

la aplicación de una mayor derivatización, reduce la exactitud del método, por lo cual se

evaluó únicamente la primera derivada (Bertelli et al. 2007; Woodcock et al. 2009).

Tabla 3-2: Influencia de diferentes pre-tratamientos de datos espectrales en la

formulación del modelo PLS-DA para la clasificación de las muestras de miel de zonas

cafeteras de Colombia.

NIR 6 mm ATR-MIR NIR 500 µm

Longitud de onda

[10500-7600; 6000-5400]

[1700-650] [7400-3850]

pre-tratamiento

Sen. %

Esp. %

Total %

Sen. %

Esp. %

Total %

Sen. %

Esp. %

Total %

1 Der. +MC

CV 90 80 85 83 77 80 90 84 87

Predicción 91 50 71 83 67 75 76 75 76

MSC+ 1 Der. +MC

CV 92 87 89 80 73 77 90 84 87

Predicción 91 67 79 78 67 72 76 75 76

OSC+MC CV 85 80 82 92 90 91 86 78 82

Predicción 87 50 68 91 83 87 88 100 94

MSC+OSC+MC

CV 92 87 89 87 77 82 90 75 82

Predicción 96 50 73 91 100 96 88 100 94

CV: Validación cruzada; Sen.: Sensibilidad; Esp.: Especificidad; Total: Exactitud total

1 Der.: primera derivada; MSC: corrección multiplicativa de la señal; MC: centrado en la media; OSC:

corrección ortogonal de la señal

El centrado en la media se utiliza para restar la media de cada variable y asegurar que

todos los resultados serán interpretables en términos de variación alrededor de la media.

MSC se aplica para minimizar y calibrar los posibles efectos aditivos y multiplicativos en

los espectros. La derivatización se usa para reducir la variación de la línea de base y

Capítulo 3 57

mejorar las características espectrales (Chen et al. 2011). La corrección ortogonal de la

señal permite eliminar toda aquella información contenida en los espectros que no está

correlacionada con la propiedad a determinar. Su aplicación permite obtener modelos de

calibración más simples (Peguero 2010).

En la tabla 3-2 se puede observar los valores de sensibilidad, especificidad y exactitud total

evaluados para PLS-DA calculado con diferentes pre-tratamientos de datos espectrales

del NIR y MIR. Para los datos espectrales de NIR 6mm, se puede observar que la

sensibilidad del método es mayor cuando se aplica el pre-tratamiento MSC+OSC+MC

obteniendo valores de 92 y 96% para la validación y la predicción respectivamente. Sin

embargo, la especificidad de la predicción es mejor cuando se aplica derivatización en vez

de corrección ortogonal de la señal. Para este caso, la exactitud total es de 89 y 79% para

la validación y predicción, respectivamente.

En el NIR 500µm, el mejor pre-tratamiento de datos es MSC+OSC+MC con una exactitud

total de 82 y 94% para validación y predicción, respectivamente. Para el ATR-MIR, Se llega

a la conclusión que el mejor pre-tratamiento de datos es el mismo que para NIR 500µm,

con una exactitud total de 82 y 96% para validación y predicción, respectivamente.

3.4.5 El uso combinado de los espectros NIR y MIR para la autenticación de mieles

Además de la utilización por separado de la espectroscopia NIR y MIR para la

autenticación del origen de la miel producida en la zona de cultivo de café Sierra Nevada

de Santa Marta, se evaluó la capacidad de predicción a través del uso combinado de las

señales obtenidas en el NIR y MIR, el modelado por PLS-DA y los mejores pre-tratamientos

seleccionados. En la tabla 3-3 se puede observar que, aunque el modelo establecido para

ambos conjuntos de datos espectrales presenta una predicción del 100%, el pre-

tratamiento de MSC+OSC+MC aplicado al conjunto de datos MIR-NIR 6mm es el mejor

modelo de clasificación pues logra reducir los datos en un sistema de 3 variables. La figura

3 muestra el score plot (varianza explicada del 89.06%) donde se observa la efectividad

del modelo para clasificar las muestras de miel originarias de la Sierra Nevada y separarlas

de las muestras procedentes de otros orígenes geográficos.



Tabla 3-3: Aplicación del modelado por PLS-DA para la clasificación de mieles con los

espectros combinados NIR y ATR-MIR

Longitud de onda (ATR-MIR) [1700-650] [1700-650]

Longitud de onda (NIR 6 mm) [10500-7600; 6000-5400]

Longitud de onda (NIR 500 µm) [7400-3850]

Pre-tratamiento

LV Sen. %

Esp. %

Total % Sen. %

Esp. %

Total %

MSC+ 1 Der. +MC

7 CV 97 89 93 96 85 91

Predicción 100 100 100 100 100 100

MSC+OSC+MC

3 CV 97 81 89 95 85 90

Predicción 100 100 100 95 100 98 LV: número de variables latentes CV: Validación cruzada; Sen.: Sensibilidad; Esp.: Especificidad; Total:

Exactitud total

1 Der.: primera derivada; MSC: corrección multiplicativa de la señal; MC: centrado en la media; OSC:

corrección ortogonal de la señal

Figura 3-3: Score plot de predicción para PLS-DA aplicado a la combinación de

espectros NIR con paso óptico de 6 mm y espectros ATR-MIR.

Capítulo 3 59

3.5 Conclusiones

Los espectros NIR y MIR proporcionan directamente una huella digital de mieles de zonas

cafeteras de Colombia sin necesidad de aplicar ningún tratamiento físico ni químico a la

muestra. Después de procesamiento de datos de los espectros y el tratamiento PLS-DA

se puede obtener una clara discriminación de las muestras producidas en la Sierra Nevada

de Santa Marta con un alto nivel de sensibilidad, selectividad y exactitud total usando

espectros NIR o ATR-MIR. Sin embargo, el uso combinado de los espectros NIR en el

modo transmitancia obtenidos utilizando celdas de paso óptico de 6 mm y espectros ATR-

MIR proporcionan, utilizando sólo 3 variables latentes, una discriminación completa de las

muestras de la Sierra Nevada de Santa Marta contra las producidas en otras áreas de

cultivo de café de Colombia, generando así una herramienta rápida y verde para la

autenticación del origen de la miel de esta zona de Colombia.

3.6 Agradecimientos

Los autores agradecen el apoyo financiero de la Generalitat Valenciana (PROMETEO

Proyecto II / 2014/077) y el Ministerio de Economía y Competitividad- Feder (Proyectos

CTQ2014-52841-P). También agradecer el apoyo financiero de la Universidad de Valencia

para la beca "Jóvenes Investigadores 2016" y el "Programa Estratégico en Alternativas

para la Generación de Valor en Productos apícolas en Colombia un Través de la

Innovación y el Desarrollo Tecnológico" financiado por Colciencias y desarrollado en el

Instituto de Ciencia y Tecnología de Alimentos- ICTA de la Universidad Nacional de

Colombia por su apoyo.

3.7 Referencias


dilution as a complementary tool for discriminating geographical origin of honeys. Food

Chem. 2007; 101: 695–703.


origin of honey. Food Chem. 1998; 63(4):549–62.



Bertelli D, Plessi M, Sabatini AG, Lolli M, Grillenzoni F. Classification of Italian honeys by

mid-infrared diffuse reflectance spectroscopy (DRIFTS). Food Chem. 2007; 101(4):1565–

70.

Chen L, Wang J, Ye Z, Zhao J, Xue X, Heyden Y Vander, et al. Classification of Chinese

honeys according to their floral origin by near infrared spectroscopy. Food Chem [Internet].

2012; 135(2):338–42. Available from: http://dx.doi.org/10.1016/j.foodchem.2012.02.156

Chen L, Xue X, Ye Z, Zhou J, Chen F, Zhao J. Determination of Chinese honey adulterated

with high fructose corn syrup by near infrared spectroscopy. Food Chem [Internet]. 2011;

128(4):1110–4. Available from: http://dx.doi.org/10.1016/j.foodchem.2010.10.027

Codex Alimentarius Commission. Revised Codex Standard for Honey. Codex STAN. 2001;

12-1981.

Gok S, Severcan M, Goormaghtigh E, Kandemir I, Severcan F. Differentiation of Anatolian

honey samples from different botanical origins by ATR-FTIR spectroscopy using

multivariate analysis. Food Chem [Internet]. 2015; 170:234–40. Available from:


Golic M, Walsh K, Lawson P. Short-wavelength near infrared spectra of sucrose, glucose

and fructose with respect to sugar concentration and temperature. Appl Spectrosc. 2003;

57:139–45.


microbiological and antimicrobial properties of commercial honeys from Portugal. Food

Chem Toxicol [Internet]. 2010 Feb [cited 2013 Oct 18]; 48(2):544–8. Available from:


Jandrić Z, Haughey S a., Frew RD, McComb K, Galvin-King P, Elliott CT, et al.

Discrimination of honey of different floral origins by a combination of various chemical

parameters. Food Chem [Internet]. 2015; Available from:


Jaramillo A. Efecto de las abejas silvestres en la polinización del café (Coffea arabica:

Rubiaceae) en tres sistemas de producción en el departamento de Antioquia. Universidad

Nacional de Colombia; 2012.

Capítulo 3 61


physicochemical, sugar and volatile composition of acacia, sunflower and tilia honeys. Food

Res Int [Internet]. 2014; 60:86–94. Available from:


Kelly JFD, Downey G, Fouratier V. Initial Study of Honey Adulteration by Sugar Solutions

Using Midinfrared (MIR) Spectroscopy and Chemometrics. J Agric Food Chem. 2004;

52(1):33–9.

de la Guardia M, Garrigues S. Vibrational spectroscopy. In: de la Guardia M, Gonzalve

Illueca A, editors. Food Protected Designation of Origin: Methodologies and Applications.

1st Editio. Oxford: Elsevier; 2013.


on NIR data for authentication of honey with protected geographical indication. Food Chem




rheological behaviour of selected Greek honeys. J Food Eng [Internet]. 2004 Sep [cited

2014 Oct 21]; 64(1):9–21. Available from:


Lenhardt L, Zeković I, Dramićanin T, Tešić Ž, Milojković-Opsenica D, Dramićanin MD.

Authentication of the botanical origin of unifloral honey by infrared spectroscopy coupled

with support vector machine algorithm. Phys Scr. 2014; T162:14042.

Mellado-Mojica E, López MG. Identification, classification, and discrimination of agave

syrups from natural sweeteners by infrared spectroscopy and HPAEC-PAD. Food Chem

[Internet]. 2015; 167:349–57. Available from:



mellifera (apidae) en cuatro departamentos de Colombia. Acta biológica Colomb. 2013;

18(3):427–37.



Oliveri P, Di Egidio V, Woodcock T, Downey G. Application of class-modelling techniques

to near infrared data for food authentication purposes. Food Chem [Internet]. 2011;


Oliveros C. Ingeniería y café en Colombia. Rev Ing Univ los Andes. 2011; 33:99–114.


Chem. 2014; 163:212–8.

Peguero A. La espectroscopia NIR en la determinación de propiedades físicas y

composición química de intermedios de producción y productos acabados. Universitat

Autònoma de Barcelona; 2010.

Woodcock T, Downey G, O’Donnell CP. Near infrared spectral fingerprinting for

confirmation of claimed PDO provenance of honey. Food Chem [Internet]. 2009;


Zhu X, Li S, Shan Y, Zhang Z, Li G, Su D, et al. Detection of adulterants such as sweeteners

materials in honey using near-infrared spectroscopy and chemometrics. J Food Eng



4. Conclusiones y recomendaciones

4.1 Conclusiones

Fueron evaluadas 119 muestras de miel de Apis mellifera con origen en zonas cafeteras

de Colombia a través de características fisicoquímicas y sensoriales, las cuales hacen

parte de su huella digital y además, pueden actuar como parámetros de diferenciación. Se

determinó la acidez libre (37.8± 5.1 meq/kg), pH (3.7± 0,1), °Brix (79.3± 1.4), humedad

(18.3± 1.4%), conductividad eléctrica (456.5± 138.7 µS/Cm), actividad de diastasa (16.2±

5.8 ND), contenido de glucosa (30.1± 4.9 %), contenido de fructosa (34.9± 4.4%),

contenido de cenizas (0.15± 0.06%), contenido de calcio (120.5± 30.8mg/kg), contenido de

potasio (374.2± 189.1 mg/kg) y color (66.8± 13.4 mmPfund).

Se estandarizo el método para evaluar viscosidad en mieles a las temperaturas 20, 25,

30, 40 y 50°C, estableciendo un perfil de viscosidad para mieles de zonas cafeteras que

varía con respecto a la temperatura según la ecuación de Arrhenius. No se encontraron

diferencias estadísticamente significativas entre las viscosidades de las muestras de las

tres regiones evaluadas a ninguna temperatura. Esto indica que las mieles de zonas

cafeteras de Cauca, Santander y Magdalena, tienen un perfil de viscosidad similar,

teniendo a su vez comportamiento de fluido newtoniano. La viscosidad encontrada para

estas mieles a 25°C es de 8.72 ± 3.04 Pa*s

Se desarrolló una técnica de clasificación de mieles de acuerdo a su origen geográfico con

el uso de espectroscopia infrarroja. Este trabajo conto con la orientación de un grupo de

Investigación experto en Espectroscopia vibracional de la Universidad de Valencia

(España). Esta etapa del trabajo tuvo 3 etapas: puesta en marcha del método de análisis,

medición de las muestras y análisis de los resultados utilizando quimiometría. Los

espectros de las 119 muestras analizadas fueron obtenidos en el infrarrojo medio y



cercano, siendo la espectroscopia FT-NIR evaluada con 2 pasos ópticos para mejorar las

señales. Se encontró que los espectros característicos de las mieles de zonas cafeteras

de Colombia son similares entre sí y requieren de la aplicación de técnicas quimiométricas

para su análisis.

El análisis de componentes principales (PCA) y el análisis discriminante por mínimos

cuadrados parciales (PLS), son técnicas que permiten clasificar mieles de zonas cafeteras

de acuerdo a su origen geográfico. Un PCA generado a través de los datos obtenidos por

la nariz electrónica, logra comprimir la información en un sistema de 2 componentes con

una varianza explicada de 89%. Este PCA nos indica que la nariz electrónica no logra

clasificar mieles de acuerdo a su origen botánico, pero genera suficiente información que

complementa el perfil fisicoquímico que hace parte de la huella digital de una miel

El análisis de componentes principales (PCA) analizado con los parámetros humedad,

acidez libre, conductividad eléctrica, contenido de cenizas, azúcares reductores, calcio y

potasio, color y perfil aromático, permite separar las muestras provenientes de la zona

cafetera de la Sierra Nevada de Santa Marta frente a las mieles de Santander y Cauca con

una varianza explicada de 75,7%. Estos son los marcadores de diferenciación para mieles

procedentes de las zonas cafeteras evaluadas. Además, el análisis discriminante por

mínimos cuadrados parciales (PLS-DA) presenta valores de sensibilidad y especificidad

del modelo entre 81-100% y 90.2-100% respectivamente, para la clasificación de mieles

de zonas cafeteras colombianas.

La discriminación de origen por medio de los datos espectrales ATR-MIR y FT-NIR con

paso óptico de 6mm bajo la técnica PLS-DA, fue el mejor modelo de clasificación pues

logra reducir los datos en un sistema de 3 variables y presenta valores de predicción del

100% en la discriminación de mieles precedentes de zonas cafeteras de Magdalena, frente

a Santander y Cauca.

Conclusiones 65

4.2 Recomendaciones

Las características fisicoquímicas, bioactivas y sensoriales hacen parte de la huella digital

de la miel, huella que está descrita por el espectro característico de cada miel. Estas

características permitirían a las mieles de zonas cafeteras acceder a una denominación de

origen, principalmente enfocado a mieles procedentes de la Sierra Nevada de Santa Marta.

La espectroscopia infrarroja es una técnica que tiene gran potencial para la caracterización

y clasificación de mieles de acuerdo a su origen geográfico. Sin embargo, este es un

estudio preliminar que evalúa la aplicación de estas técnicas en mieles colombianas, por

lo que es necesario extender el estudio a mieles procedentes de otros orígenes tanto

geográficos como botánicos.

Un estudio avanzado en la aplicación de la espectroscopia vibracional para la predicción

de parámetros fisicoquímicos permitiría dejar de lado poco a poco las técnicas de

referencia, para evaluar estas características de manera rápida y sencilla. Para un estudio

con ese alcance se requiere con un muestreo más amplio y que el tiempo de medición

entre métodos de referencia y técnicas infrarrojas sea corto, para evitar cambios en las

características evaluadas que afecten la predicción.

Se sugiere impulsar la obtención de un sello de denominación de origen para mieles de

zonas cafeteras de Colombia y que su certificación esté dada por técnicas de

espectroscopia infrarroja.

A. Anexo: Artículos complementarios



Efecto de la temperatura sobre la viscosidad de mieles procedentes de zonas


Darwin Rodríguez Medina1 y Consuelo Díaz-Moreno1

Instituto de Ciencia y Tecnología de Alimentos (ICTA), Universidad Nacional de Colombia, Bogotá (Colombia). [email protected]

RESUMEN

La miel es una sustancia natural producida por abejas obreras de diferentes especies, a

partir del néctar de las flores o secreciones de partes vivas de las plantas. La composición

de esta varía dependiendo a diferentes factores, lo cual se ve reflejado en sus propiedades

físicas, tal como la viscosidad. En este trabajo, se estudió el efecto de la temperatura sobre

la viscosidad de 59 muestras de miel de abejas de la especie Apis mellifera provenientes

de zonas cafeteras de los departamentos de Magdalena, Santander y Cauca. Se evaluó el

comportamiento de la viscosidad contra la temperatura con una regresión polinómica y por

la ecuación de Arrhenius, siendo el modelo de Arrhenius el cual presenta mejor ajuste.

Palabras clave: Diferenciación, Arrhenius, Apis mellifera, energía de activación

ABSTRACT

Honey is a natural substance produced by worker bees of different species, from the nectar

of flowers or secretions of living parts of plants. The composition of this varies depending

on different factors, which reflected in their physical properties, such as viscosity. In this

paper, was studied the effect of temperature on viscosity of 59 samples of Apis mellifera

honey from coffee-growing areas in the departments of Magdalena, Santander and Cauca.

The viscosity behavior versus temperature was assessed with a polynomial regression and

the Arrhenius equation, and the Arrhenius model provided the best fit.

Keywords: Differentiation, Arrhenius, Apis mellifera, activation energy

Anexo A: Artículos complementarios 69

Caracterización y diferenciación de mieles procedentes zonas cafeteras de

Cauca (Colombia)

Darwin Rodríguez Medina1, Omar Pabón2, Consuelo Díaz-Moreno1

1Instituto de Ciencia y Tecnología de Alimentos (ICTA), Universidad Nacional de Colombia, Bogotá (Colombia). [email protected]. 2 Universidad del Cauca

RESUMEN

En algunas zonas de producción de café en Colombia, se tiene como segunda alternativa

productiva la apicultura, actividad que contribuye positivamente en procesos de

polinización y conservación de la biodiversidad. La miel de abejas es un alimento natural

con características propias asociadas a su origen geográfico, donde influyen factores

botánicos, fisicoquímicos, bioactivos y sensoriales. El objetivo de este trabajo fue evaluar

parámetros fisicoquímicos y sensoriales que permitan diferenciar mieles procedentes de

zonas cafeteras del departamento de Cauca. Se evaluaron 15 muestras de miel de abejas

de la especie Apis mellifera provenientes de Piendamó y Caldono (Cauca). Se realizaron

análisis de varianza y análisis de compuestos principales (PCA) para diferenciar entre

zonas. Se encontró una diferenciación de las mieles evaluadas con respecto a su origen

con una varianza explicada del 75%.

Palabras clave: Apis mellifera, denominación de origen, huella digital, nariz electrónica.

ABSTRACT

In some areas of coffee production in Colombia, beekeeping is a productive alternative that

contributes positively in the process of pollination and biodiversity conservation. Honey is

a natural food with specific characteristics associated to their geographical origin, where

botanist, physicochemical, bioactive and sensory factors have an incidence. The aim of this

study was to evaluate physicochemical and sensory parameters to differentiate honeys

from coffee-growing areas of the department of Cauca; fifteen samples of honey bee from

the species Apis mellifera of the Piendamó and Caldono municipalities were evaluated.

Analysis of variance and principal component analysis (PCA) to differentiate between areas

were performed. Differentiation of honeys evaluated with respect to their origin with an

explained variance of 75% was found.

Keywords: Apis mellifera, designation of origin, fingerprint, electronic nose.



Infrared Spectroscopy authentication of honeys from coffee-growing areas of

Sierra Nevada de Santa Marta (Colombia)

Abbreviated title: Infrared Spectroscopy authentication of honeys from

Colombia

Darwin Rodríguez-Medina1, Consuelo Díaz-Moreno1, Salvador Garrigues2*, Miguel de la

Guardia2


Carrera 30 No. 45-03, Bogotá, Colombia

2Departmento de Química Analítica Universidad de Valencia, c/ Dr. Moliner 50, 46100

Burjassot, Valencia, España

* Corresponding author. Tel.: +34 963543158.

ABSTRACT

119 samples of honey were analyzed through near infrared (NIR) and attenuated total

reflection mid infrared (ATR-MIR). Following preliminary data examination using principal

component analysis, pattern recognition techniques such as partial least squares

discriminant analysis (PLS-DA), soft independent modeling of class analogy (SIMCA) and

K-nearest neighbor (KNN) were assayed in order to find a classification model that can

correctly authenticate the honey samples under the designation of origin Sierra Nevada de

Santa Marta. Among the classification procedures evaluated, PLS-DA presents the best

fitting with 97 % and 83 % sensitivity and specificity in the cross-validation and 100 %

sensitivity and specificity in prediction based on the combination of NIR and ATR-MIR

spectra, thus providing a simple and rapid method in order to discriminate between honey

samples from different Colombian origins.

Keywords: Honey authenticity, class-modelling, chemometrics, infrared spectroscopy,

multivariate analysis, PLS-DA, SIMCA, k-near neighbors,

Anexo A: Artículos complementarios 71

Bibliografía

Abu-Jdayil B, Al-Majeed Ghzawi A, Al-Malah KIM, Zaitoun S. Heat effect on rheology of

light- and dark-colored honey. J Food Eng. 2002;51:33–8.


dilution as a complementary tool for discriminating geographical origin of honeys.

Food Chem. 2007;101:695–703.

Ahmed J, Prabhu ST, Raghavan GS V, Ngadi M. Physico-chemical, rheological,

calorimetric and dielectric behavior of selected Indian honey. J Food Eng.

2007;79:1207–13.

Alqarni AS, Owayss A a., Mahmoud A a., Hannan M a. Mineral content and physical

properties of local and imported honeys in Saudi Arabia. J Saudi Chem Soc

[Internet]. 2012;18(5):618–25. Available from:

http://dx.doi.org/10.1016/j.jscs.2012.11.009

Alvarez-Suarez JM, Tulipani S, Díaz D, Estevez Y, Romandini S, Giampieri F, et al.

Antioxidant and antimicrobial capacity of several monofloral Cuban honeys and their

correlation with color, polyphenol content and other chemical compounds. Food

Chem Toxicol [Internet]. 2010 Aug;48(8–9):2490–9. Available from:


Alves A, Ramos A, Gonçalves MM, Bernardo M, Mendes B. Antioxidant activity, quality

parameters and mineral content of Portuguese monofloral honeys. J Food Compos

Anal. 2013;30:130–8.


origin of honey. Food Chem. 1998;63(4):549–62.

AOAC. The Official Methods of Analysis. 19th editi. Dr. George W. Latimer J, editor.

AOAC International; 2012.

Baudi S. Química de los alimentos. Cuarta edi. Pearson Educación; 2006.

Bentabol M A, Hernández García Z, Rodríguez Galdón B, Rodríguez Rodríguez E, Díaz

Romero C. Physicochemical characteristics of minor monofloral honeys from



Tenerife, Spain. LWT - Food Sci Technol [Internet]. 2014;55(2):572–8. Available

from: http://dx.doi.org/10.1016/j.lwt.2013.09.024

Bertelli D, Plessi M, Sabatini AG, Lolli M, Grillenzoni F. Classification of Italian honeys by

mid-infrared diffuse reflectance spectroscopy (DRIFTS). Food Chem.

2007;101(4):1565–70.

Bertoncelj J, Dobersek U, Jamnik M, Golob T. Evaluation of the phenolic content,

antioxidant activity and colour of Slovenian honey [Internet]. Vol. 105, Food

Chemistry. 2007 [cited 2013 Oct 18]. Available from:


Boeker P. On “Electronic Nose” methodology. Sensors Actuators B Chem [Internet].

2014;204:2–17. Available from:


Bogdanov S. Harmonised Methods Of The International Honey Commission. 2009.

Bourne MC. Food Texture and viscosity. Second Edi. Elsevier Science & Technology

Books; 2002.

Brudzynski K, Miotto D. The relationship between the content of Maillard reaction-like

products and bioactivity of Canadian honeys. Food Chem [Internet]. 2011 Feb [cited

2014 Jun 9];124(3):869–74. Available from:


Burns DA, Ciurczak EW. Handbook of Near-Infrared Analysis [Internet]. Third Edit. CRC

Press; 2007. (Practical Spectroscopy). Available from:

https://books.google.com.co/books?id=6EEd1a0uka0C

Castro E. Evaluación de indicadores para la diferenciación de mieles provenientes de la

zona cafetera de la sierra nevada de santa marta. Universidad Nacional de

Colombia- Sede Bogotá; 2015.

Castro-Vázquez L, Díaz-Maroto MC, de Torres C, Pérez-Coello MS. Effect of

geographical origin on the chemical and sensory characteristics of chestnut honeys.

Food Res Int [Internet]. 2010;43(10):2335–40. Available from:


Cavia MM, Fernández-Muiño M a., Alonso-Torre SR, Huidobro JF, Sancho MT. Evolution

of acidity of honeys from continental climates: Influence of induced granulation. Food

Chem [Internet]. 2007 Jan [cited 2014 Oct 21];100(4):1728–33. Available from:

Bibliografía 75


Chen L, Wang J, Ye Z, Zhao J, Xue X, Heyden Y Vander, et al. Classification of Chinese

honeys according to their floral origin by near infrared spectroscopy. Food Chem



Chen L, Xue X, Ye Z, Zhou J, Chen F, Zhao J. Determination of Chinese honey

adulterated with high fructose corn syrup by near infrared spectroscopy. Food Chem



Cheng H, Qin ZH, Guo XF, Hu XS, Wu JH. Geographical origin identification of propolis

using GC-MS and electronic nose combined with principal component analysis. Food

Res Int. 2013;51:813–22.

Ciappini MC, Gatti MB, Vito MV Di. El Color como indicador del contenido de flavonoides

en miel. 2013;15–9.

Codex Alimentarius Commission. Revised Codex Standard for Honey. Codex STAN.

2001;12-1981.

CPAA. Informe Sectorial 2015. 2015.

Cuevas-Glory LF, Pino J a., Santiago LS, Sauri-Duch E. A review of volatile analytical

methods for determining the botanical origin of honey. Food Chem. 2007;103:1032–

43.

Devillers J, Morlot M, Pham-Delègue MH, Doré JC. Classification of monofloral honeys

based on their quality control data. Food Chem. 2004;86:305–12.

Díaz-Moreno C, Vásquez R. Diferenciación de Miel de Abejas Procedentes de Cultivos

de Frutos Tropicales Utilizando Nariz Electrónica. Fac Nac Agon. 2014;67(2):563–5.

Dobre I, Georgescu LA, Alexe P, Escuredo O, Seijo MC. Rheological behavior of different

honey types from Romania. Food Res Int [Internet]. 2012;49(1):126–32. Available

from: http://dx.doi.org/10.1016/j.foodres.2012.08.009

Escuredo O, Dobre I, Fernández-González M, Seijo MC. Contribution of botanical origin

and sugar composition of honeys on the crystallization phenomenon. Food Chem

[Internet]. 2014 Apr 15 [cited 2014 Oct 6];149:84–90. Available from:


Escuredo O, González-Martín MI, Rodríguez-Flores MS, Seijo MC. Near infrared

spectroscopy applied to the rapid prediction of the floral origin and mineral content of



honeys. Food Chem [Internet]. 2015;170:47–54. Available from:

http://linkinghub.elsevier.com/retrieve/pii/S030881461401276X

Escuredo O, Míguez M, Fernández-González M, Carmen Seijo M. Nutritional value and

antioxidant activity of honeys produced in a European Atlantic area. Food Chem

[Internet]. 2013 Jun 1 [cited 2013 Oct 4];138(2-3):851–6. Available from:


Fechner DC, Moresi AL, Ruiz Díaz JD, Pellerano RG, Vazquez FA. Multivariate

classification of honeys from Corrientes (Argentina) according to geographical origin

based on physicochemical properties. Food Biosci [Internet]. 2016;15:49–54.

Available from: http://dx.doi.org/10.1016/j.fbio.2016.05.002

Federación Nacional de cafeteros. Nuestras Regiones cafeteras [Internet]. 2010 [cited

2015 Apr 27]. Available from:

http://www.cafedecolombia.com/particulares/es/la_tierra_del_cafe/regiones_cafetera

s/

Federación Nacional de cafeteros. Nuestro Café [Internet]. 2014a [cited 2015 Apr 27].

Available from: http://www.federaciondecafeteros.org/particulares/es/nuestro_cafe

Federación Nacional de cafeteros. Nuestro café [Internet]. 2014b [cited 2015 Feb 20].

Available from: http://www.federaciondecafeteros.org/particulares/es/nuestro_cafe

Fernández CM. Principios de quimiometría. In: Quimiometría [Internet]. Publicacions de la

Universitat de València; 2011. p. 19–35. (Educació. Sèrie Materials). Available from:

https://books.google.com.co/books?id=3oix-tIRPAUC

Florez JA, Muschler R, Harvey C. Biodiversidad funcional en cafetales: el rol de la

diversidad vegetal en la conservación de abejas. Agroforestería en las … [Internet].

2002;9:29–36. Available from:

http://web.catie.ac.cr/informacion/RAFA/rev35_36/29_36.pdf

Gok S, Severcan M, Goormaghtigh E, Kandemir I, Severcan F. Differentiation of

Anatolian honey samples from different botanical origins by ATR-FTIR spectroscopy

using multivariate analysis. Food Chem [Internet]. 2015;170:234–40. Available from:


Golic M, Walsh K, Lawson P. Short-wavelength near infrared spectra of sucrose, glucose

and fructose with respect to sugar concentration and temperature. Appl Spectrosc.

2003;57:139–45.

Bibliografía 77


microbiological and antimicrobial properties of commercial honeys from Portugal.

Food Chem Toxicol [Internet]. 2010 Feb [cited 2013 Oct 18];48(2):544–8. Available

from: http://www.ncbi.nlm.nih.gov/pubmed/19909782

Gómez-Díaz D, Navaza JM, Quintáns-Riveiro LC. Effect of Temperature on the Viscosity

of Honey. Int J Food Prop. 2009 Mar;12(2):396–404.

Houhg G, Fiszman S. Estimación de la vida útil sensoria de los alimentos. 2005.

ICTA. Informe final- Selección de indicadores fisicoquímicos mediante aplicación de nariz

electrónica para la catalogación de productos apícolas. 2011.

Jandrić Z, Haughey S a., Frew RD, McComb K, Galvin-King P, Elliott CT, et al.

Discrimination of honey of different floral origins by a combination of various

chemical parameters. Food Chem [Internet]. 2015; Available from:


Jaramillo A. Efecto de las abejas silvestres en la polinización del café (Coffea

arabica:Rubiaceae) en tres sistemas de producción en el departamento de

Antioquia. Universidad Nacional de Colombia; 2012.

Jimaré-Benito M, Bosch-Ojeda C, Sánchez-Rojas F. Química y Medio Ambiente Química

analítica de procesos : Aplicaciones de la espectrometría de absorción en el

infrarrojo cercano al análisis de biocombustibles y al análisis de alimentos. An

Química. 2008;104(4):290–301.


physicochemical, sugar and volatile composition of acacia, sunflower and tilia

honeys. Food Res Int [Internet]. 2014;60:86–94. Available from:


Karabagias IK, Louppis AP, Karabournioti S, Kontakos S, Papastephanou C, Kontominas

MG. Characterization and geographical discrimination of commercial Citrus spp.

honeys produced in different Mediterranean countries based on minerals, volatile

compounds and physicochemical parameters, using chemometrics. Food Chem

[Internet]. 2017;217:445–55. Available from:


Karabagias IK, Vavoura M V., Nikolaou C, Badeka A V., Kontakos S, Kontominas MG.

Floral authentication of Greek unifloral honeys based on the combination of phenolic

compounds, physicochemical parameters and chemometrics. Food Res Int [Internet].



2014;62:753–60. Available from: http://dx.doi.org/10.1016/j.foodres.2014.04.015

Kaškonienė V, Venskutonis PR, Čeksterytė V. Carbohydrate composition and electrical

conductivity of different origin honeys from Lithuania. LWT - Food Sci Technol

[Internet]. 2010 Jun [cited 2014 Apr 10];43(5):801–7. Available from:


Kaygusuz H, Tezcan F, Bedia Erim F, Yildiz O, Sahin H, Can Z, et al. Characterization of

Anatolian honeys based on minerals, bioactive components and principal component

analysis. LWT - Food Sci Technol [Internet]. 2016;68:273–9. Available from:


Kelly JFD, Downey G, Fouratier V. Initial Study of Honey Adulteration by Sugar Solutions

Using Midinfrared (MIR) Spectroscopy and Chemometrics. J Agric Food Chem.

2004;52(1):33–9.

Küçük M, Kolaylı S, Karaoğlu Ş, Ulusoy E, Baltacı C, Candan F. Biological activities and

chemical composition of three honeys of different types from Anatolia. Food Chem

[Internet]. 2007 Jan [cited 2013 Oct 18];100(2):526–34. Available from:


De La Fuente E, Ruiz-Matute a. I, Valencia-Barrera RM, Sanz J, Martínez Castro I.

Carbohydrate composition of Spanish unifloral honeys. Food Chem [Internet].

2011;129(4):1483–9. Available from:


de la Guardia M, Garrigues S. Vibrational spectroscopy. In: de la Guardia M, Gonzalve

Illueca A, editors. Food Protected Designation of Origin: Methodologies and

Applications. 1st Editio. Oxford: Elsevier; 2013.

Larkin P. Infrared and Raman Spectroscopy; Principles and Spectral Interpretation.

Elsevier Science; 2011.


on NIR data for authentication of honey with protected geographical indication. Food

Chem [Internet]. 2013;141(4):3559–65. Available from:



rheological behaviour of selected Greek honeys. J Food Eng [Internet]. 2004 Sep

[cited 2014 Oct 21];64(1):9–21. Available from:

Bibliografía 79


Lenhardt L, Zeković I, Dramićanin T, Tešić Ž, Milojković-Opsenica D, Dramićanin MD.

Authentication of the botanical origin of unifloral honey by infrared spectroscopy

coupled with support vector machine algorithm. Phys Scr. 2014;T162:14042.

León-Bonilla D, Nates-Parra G. Vegetación asociada a cultivos orgánicos y

convencionales de café en la Sierra Nevada de Santa Marta. Enid Biodivers y

Desarro Sosten. 2014;1:2–4.

Liu J-R, Ye Y-L, Lin T-Y, Wang Y-W, Peng C-C. Effect of floral sources on the antioxidant,

antimicrobial, and anti-inflammatory activities of honeys in Taiwan. Food Chem

[Internet]. 2013 Aug 15 [cited 2013 Oct 2];139(1-4):938–43. Available from:


Liviu Al M, Daniel D, Moise A, Bobis O, Laslo L, Bogdanov S. Physico-chemical and

bioactive properties of different floral origin honeys from Romania. Food Chem.

2009;112:863–7.

Loutfi A, Coradeschi S, Mani GK, Shankar P, Rayappan JBB. Electronic noses for food

quality: A review. J Food Eng [Internet]. 2015;144:103–11. Available from:


Lucio JR. Aplicación de Métodos Quimiométricos para la Caracterización y Control de

Calidad de Plantas Medicinales . Universitat Autònoma de Barcelona; 2012.

Martín P, Cortez M, Ulloa A. Identificación de alimentos adulterados mediante

espectroscopia de infrarojo. 2011;(6):5–9.

Mellado-Mojica E, López MG. Identification, classification, and discrimination of agave

syrups from natural sweeteners by infrared spectroscopy and HPAEC-PAD. Food

Chem [Internet]. 2015;167:349–57. Available from:


Ministerio de Protección Social. Resolucion 1057 de 2010 Miel de abejas. 2010. p. 9.

Montoya PM. Uso de recursos florales poliníferos por Apis mellifera (Hymenoptera:

Apidae) en apiarios de la Sabana de Bogotá y alrededores [Internet]. Universidad

Nacional de Colombia; 2011. Available from:

http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Uso+de+recursos+f

lorales+polin?feros+por+Apis+mellifera+(+Hymenoptera+:+Apidae+)+en+apiarios+d

e+la+Sabana+de+Bogot?+y+alrededores#0

Mossel B, Bhandari B, D’Arcy B, Caffin N. Use of an Arrhenius Model to Predict



Rheological Behaviour in some Australian Honeys. LWT - Food Sci Technol. 2000

Dec;33(8):545–52.

Nanda V, Sarkar BC, Sharma HK, Bawa a. S. Physico-chemical properties and

estimation of mineral content in honey produced from different plants in Northern

India. J Food Compos Anal. 2003;16:613–9.


mellifera (apidae) en cuatro departamentos de Colombia. Acta biológica Colomb.

2013;18(3):427–37.

Nieto A, Quicazán MC. Correlación de a medida de color de mieles colombianas en

escala Pfund y el espacio de color CIE L*a*b*. Enid Biodivers y Desarro Sosten.

2014;1:1–5.

Oliveri P, Di Egidio V, Woodcock T, Downey G. Application of class-modelling techniques

to near infrared data for food authentication purposes. Food Chem [Internet].

2011;125(4):1450–6. Available from:


Oliveros C. Ingeniería y café en Colombia. Rev Ing Univ los Andes. 2011;33:99–114.

Oroian M. Measurement, prediction and correlation of density, viscosity, surface tension

and ultrasonic velocity of different honey types at different temperatures. J Food Eng



Ortega-Bonilla RA, Chito-Trujillo DM, Suárez-Ramos CA. Physicochemical characteristics

of commercial eucalyptus honeys from Southwest Casanare. Corpoica Cienc y

Tecnol Agropecu. 2016;17(1):73–80.


Chem. 2014;163:212–8.

Pascoal A, Rodrigues S, Teixeira A, Feás X, Estevinho LM. Biological activities of

commercial bee pollens: antimicrobial, antimutagenic, antioxidant and anti-

inflammatory. Food Chem Toxicol [Internet]. 2014 Jan [cited 2014 Mar 28];63:233–9.

Available from: http://www.ncbi.nlm.nih.gov/pubmed/24262487

Pasini F, Gardini S, Marcazzan GL, Caboni MF. Buckwheat honeys: screening of

composition and properties. Food Chem [Internet]. 2013 Dec 1 [cited 2014 Feb

24];141(3):2802–11. Available from: http://www.ncbi.nlm.nih.gov/pubmed/23871027

Bibliografía 81

De Paula A. Química Física. Médica Panamericana; 2007.

Peguero A. La espectroscopia NIR en la determinación de propiedades físicas y

composición química de intermedios de producción y productos acabados.

Universitat Autònoma de Barcelona; 2010.

Pérez JL, Murillo R, Gómez R. ESPECTROSCOPÍAS INFRARROJA Y RAMAN. Facultad

de ciencias UNAM. 2005.

Popek S. A procedure to identify a honey type. Food Chem. 2002;79:401–6.

Principal J, Barrios C, Colmenárez D, Aubeterre RD, Graterol Z, Fuselli S, et al.

Physicochemical and sensory characterization of Apis mellifera L. S honeys from

Lara and Yaracuy States in Venezuela. Zootec Trop. 2013;31(2):119–28.

Reyes CA. Tipificación de miel de diferente origen botánico o geográfico mediante la

espectroscopia del infrarrojo cercano. 2009.

Sathyanarayana DN. Vibrational Spectroscopy: Theory and Applications. New Age

International (P) Limited; 2007.

Schellart WP. Rheology and density of glucose syrup and honey: Determining their

suitability for usage in analogue and fluid dynamic models of geological processes. J

Struct Geol [Internet]. 2011;33(6):1079–88. Available from:

http://dx.doi.org/10.1016/j.jsg.2011.03.013

Siesler HW, Ozaki Y, Kawata S, Heise HM. Near-Infrared Spectroscopy: Principles,

Instruments, Applications. Wiley; 2008.

Sultanbawa Y, Cozzolino D, Fuller S, Cusack A, Currie M, Smyth H. Infrared

spectroscopy as a rapid tool to detect methylglyoxal and antibacterial activity in

Australian honeys. Food Chem [Internet]. 2015;172:207–12. Available from:


Sun D-W. Infrared Spectroscopy for Food Quality Analysis and Control [Internet]. Elsevier

Science; 2009. Available from:

https://books.google.com.co/books?id=bOWUDeiYshsC

Valdivieso A. Elaboración de Toffee de miel y Avellana chilena - (Gevuina avellana Mol.).

2003;

Vanhanen LP, Emmertz A, Savage GP. Mineral analysis of mono-floral New Zealand

honey. Food Chem [Internet]. 2011 Sep [cited 2014 Apr 11];128(1):236–40.

Available from: http://linkinghub.elsevier.com/retrieve/pii/S0308814611003232

Velásquez-Giraldo A, Vélez-Acosta L, Zuluaga-Gallego R. Physicochemical and



Microbiological Characterization of Apis mellifera sp . Honey from Southwest of

Antioquia in Colombia. Ing y Cienc. 2013;9(18):61–74.

Viloria de la Hoz J. Sierra Nevada De Santa Marta: Economía De Sus Recursos

Naturales. Doc Trab sobre Econ Reg. 2005;61.

Vorlov L, Piidal A. Invertase and Diastase Activity in Honeys of Czech Provenience. Acta

Univ Agric silvicuturae Mendelianae Brun. 2002;5:57–66.

Wei Z, Wang J, Wang Y. Classification of monofloral honeys from different floral origins

and geographical origins based on rheometer. J Food Eng [Internet].

2010;96(3):469–79. Available from: http://dx.doi.org/10.1016/j.jfoodeng.2009.08.028

Wise B., Gallagher N., Bro R., Shaver J., Windig W., Koch R. Chemometrics Tutorial for

PLS_Toolbox and Solo. 2006.

Woodcock T, Downey G, O’Donnell CP. Near infrared spectral fingerprinting for

confirmation of claimed PDO provenance of honey. Food Chem [Internet].

2009;114(2):742–6. Available from:


Yanniotis S, Skaltsi S, Karaburnioti S. Effect of moisture content on the viscosity of honey

at different temperatures. J Food Eng. 2006;72:372–7.

Yao L, Bhandari BR, Datta N, Singanusong R, D’Arcy BR. Crystallisation and moisture

sorption properties of selected Australian unifloral honeys. J Sci Food Agric

[Internet]. 2003 Jul [cited 2014 Oct 21];83(9):884–8. Available from:

http://doi.wiley.com/10.1002/jsfa.1421

Zhu X, Li S, Shan Y, Zhang Z, Li G, Su D, et al. Detection of adulterants such as

sweeteners materials in honey using near-infrared spectroscopy and chemometrics.

J Food Eng [Internet]. 2010;101(1):92–7. Available from:


Zuluaga CM. Análisis quimiométrico para diferenciar la huella digital de los productos de

las abejas en Colombia. Universidad Nacional de Colombia; 2010.

Zuluaga CM, Díaz AC, Quicazán MC. Standardizing and validating aromatic profile

analysis by an electronic nose. Ing E Investig. 2011;31(I):65–73.

Identificación de la huella digital para miel de abejas ...

Documents

Transcript of Identificación de la huella digital para miel de abejas ...