Stefania Barzaghi1*, Sara Michelini2, Katia Cremonesi1, Marco Nocetti2, Laura Marinoni1,
Giovanni Cabassi1
1CREA- FLC - via A.Lombardo,11 26900 LODI
2 Servizio Tecnico Consorzio del formaggio Parmigiano Reggiano – via J.F. Kennedy,18 42100 REGGIO E.
*stefania.barzaghi@crea.gov.it
Riassunto
Il formaggio a pasta dura Parmigiano Reggiano D.O.P. è un prodotto territoriale le cui caratteristiche di pregio sono connesse al rispetto di una tecnologia di produzione consolidata. Il monitoraggio della qualità garantisce il rispetto dei requisiti che lo rendono unico. Dal disciplinare di produzione del formaggio Parmigiano Reggiano risulta che per avere la denominazione nel prodotto grattugiato la quantità di crosta presente non deve superare il 18% sul totale del prodotto. Scopo del presente lavoro era confermare l’idoneità della spettroscopia NIR nell’individuazione della percentuale di crosta presente nel prodotto grattugiato.
Prove preliminari sono state condotte miscelando porzioni provenienti da lotti diversi di croste lavate e di paste di parmigiano grattugiato. In totale sono state ottenute 67 miscele con percentuali di crosta aggiunta fino ad un massimo del 50%.
Le miscele, poste in capsule Petri, sono state analizzate con spettrometro FT-NIR NIRFlex 500 in riflettanza nell’intervallo spettrale tra 10000 e 4000 cm-1.
Allo scopo di costruire un modello di predizione indipendente dal differente tenore di umidità delle due componenti della miscela e che rilevi le differenze della maturazione di crosta e pasta dovute alla proteolisi, le regioni spettrali degli assorbimenti dei gruppi ossidrilici sono state escluse dal modello. Il miglior modello è stato ottenuto con 5 LV, pretrattando gli spettri con derivata prima SG; gli errori ottenuti sono stati RMSEC: 1.25, RMSECV: 1.86 e RMSEP: 3.37 (p/p).
Un modello ausiliario, calcolato con spettri ottenuti dalle medesime miscele sottoposte ad un processo di liofilizzazione con umidità residua del 1,6% ha confermato la capacità predittiva della tecnica NIR indipendentemente dal contributo del contenuto idrico dei costituenti la miscela con RMSEC: 0.99, RMSECV: 1.83 e RMSEP: 3.58 (p/p).
AGROALIMENTARE – P_AA01
79
Introduzione
Il formaggio a pasta dura Parmigiano Reggiano D.O.P. è un prodotto territoriale le cui caratteristiche di pregio sono connesse al rispetto di una tecnologia di produzione consolidata. Il monitoraggio della qualità garantisce il rispetto dei requisiti che lo rendono unico. Dal disciplinare di produzione del formaggio Parmigiano Reggiano risulta che per avere la denominazione nel prodotto grattugiato la quantità di crosta presente non deve superare il 18% sul totale del prodotto [1].
Diverse tecniche di analisi sono state proposte con l’obiettivo di quantificare la percentuale di crosta presente in miscela con la componente pasta, tra cui l’utilizzo dell’elettroforesi capillare [2] e la waveguide dielectric spectroscopy[3].
Tra le tecniche utili allo scopo è stata proposta anche la spettroscopia NIR data la sua versatilità e la possibilità di essere utilizzata per analisi da effettuarsi on-line[4,5].
Il presente studio è stato condotto per confermare l’idoneità della spettroscopia NIR nell’individuazione della percentuale di crosta presente nel prodotto grattugiato in prospettiva di un suo possibile impiego per l’individuazione di frodi alimentari.
Materiali e Metodi
Le prove sono state condotte miscelando porzioni provenienti da lotti diversi di croste lavate e di paste di parmigiano grattugiate provenienti da forme con periodi di maturazione da 15 a 30 mesi. In totale sono state ottenute 67 miscele (p/p) con percentuali di crosta aggiunta fino ad un massimo del 50%. Le letture allo spettrometro sono state fatte in giorni differenti a temperatura ambiente. E’ stato utilizzato uno spettrometro FT-NIR (NIRFlex N500, Büchi Italia Srl) equipaggiato con accessorio per letture del campione in capsule Petri. Gli spettri, sono stati acquisiti in riflettanza
nell'intervallo 4000-10000 cm-1 , con risoluzione di 8 cm-1, e 32 scansioni. Per ogni campione sono
state fatte 3 letture e i risultanti spettri sono stati mediati e trasformati in assorbanza per le successive elaborazioni.
I campioni sono stati raggruppati in due set indipendenti, uno per la costruzione dei modelli l’altro per la loro validazione.
I medesimi campioni sono stati successivamente liofilizzati fino ad un contenuto di umidità residua di 1.6% e riletti utilizzando le medesime impostazioni.
I modelli sono stati calcolati utilizzando il software PLS_Toolbox ver 8.1 (Eigenvector Research, Inc.)
Risultati e Discussione
Allo scopo di costruire un modello di predizione indipendente dal differente tenore di umidità, poiché questo parametro è strettamente dipendente anche dal periodo e dalle condizioni di stagionatura, le regioni spettrali degli assorbimenti dei gruppi ossidrilici, caratteristici dell’acqua, sono state escluse dal modello.
Sono stati inoltre considerati diversi algoritmi di pretrattamento degli spettri per eliminare differenze di assorbanza tra i campioni dovute all’effetto scattering della luce.
AGROALIMENTARE – P_AA01
80
Il modello con le migliori performance, ovvero con errori di predizione più bassi, è stato ottenuto pretrattando gli spettri applicando una derivata prima, secondo il metodo di Savitzky-Golay (2nd order, 21 punti), seguita da un centraggio degli spettri rispetto alla media.
Il modello scelto considera 5 Variabili Latenti e assorbimenti nell’intervallo spettrale da 1953nm a
5 10 15 20 25 30 35 40 45 50 55 5 10 15 20 25 30 35 40 45 50 % Measured % C V P re d ic te d 5 Latent Variables RMSEC = 1.2478 RMSECV = 1.8619
Calibration Bias = 3.5527e-15 CV Bias = 0.088157 R2 (Cal,CV) = 0.989, 0.975 5 Latent Variables RMSEC = 1.2478 RMSECV = 1.8619 RMSEP = 3.3686
Calibration Bias = 3.5527e-15 CV Bias = 0.088157 Prediction Bias = 0.37435 R2 (Cal,CV) = 0.989, 0.975 R2 (Pred) = 0.921 5 10 15 20 25 30 35 40 45 0 5 10 15 20 25 30 35 40 45 % Measured % P re d ic te d 5 Latent Variables RMSEC = 1.2478 RMSECV = 1.8619 RMSEP = 3.3686
Calibration Bias = 3.5527e-15 CV Bias = 0.088157
Prediction Bias = 0.37435 R2 (Cal,CV) = 0.989, 0.975 R2 (Pred) = 0.921
Figura 1- Percentuale di crosta aggiunta vs valori predetti del set di campioni di calibrazione e performance del modello scelto
Figura 2- Percentuale di crosta aggiunta vs valori predetti del set di campioni di validazione e performance di predizione
AGROALIMENTARE – P_AA01
81
2500nm; l’errore medio in cross-validazione (RMSECV) è risultato pari a 1.86 %, in un intervallo di percentuale di crosta aggiunta che va da 7,5% a 50.7%, e il coefficiente di determinazione della retta tra valori reali vs valori predetti è risultato pari a 0.975 (Figura 1).
La predizione della percentuale di crosta aggiunta in miscele appartenenti al set di validazione ha presentato un errore medio maggiore, RMSEP= 3.37%, sebbene i campioni che hanno mostrato errori più alti siano le miscele con una bassa percentuale di aggiunta di crosta (Figura 2), spesso al di sotto del limite di legge (18%).
Un modello ausiliario, calcolato con spettri ottenuti dalle medesime miscele sottoposte ad un processo di liofilizzazione con umidità residua del 1,6% ha confermato la capacità predittiva della tecnica NIR indipendentemente dal contributo del contenuto idrico dei costituenti la miscela con RMSEC: 0.99, RMSECV: 1.83 e RMSEP: 3.58 (Figura 3)
Conclusioni
Dai risultati ottenuti si è avuta un ulteriore conferma della validità della spettroscopia NIR nell’individuare il contenuto di crosta nel grattugiato.
Inoltre è stata verificata la possibilità di utilizzare, nella costruzione del modello, zone spettrali non direttamente influenzate dal contenuto di umidità del campione, che è un parametro dipendente, tra l’altro, dalle condizioni di conservazione del campione stesso.
Ringraziamenti
Il lavoro è stato parzialmente svolto nell’ambito del progetto “Strumenti di supporto per la
valutazione del rischio di frodi dei prodotti agroalimentari” finanziato da Ministero delle Politiche agricole alimentari e forestali DD.MM. n. 24267 del 17/11/2010, n. 13973 del 16/05/2012, n. 23790 del 12/11/2013.
6 Latent Variables RMSEC = 0.98639 RMSECV = 1.8344 RMSEP = 3.5806
Calibration Bias = 2.4869e-14 CV Bias = -0.0066476 Prediction Bias = 0.5152 R^2 (Cal,CV) = 0.993, 0.975 R^2 (Pred) = 0.899 5 10 15 20 25 30 35 40 45 50 55 5 10 15 20 25 30 35 40 45 50 55 % Measured % P re d ic te d 6 Latent Variables RMSEC = 0.98639 RMSECV = 1.8344 RMSEP = 3.5806
Calibration Bias = 2.4869e-14 CV Bias = -0.0066476 Prediction Bias = 0.5152 R2 (Cal,CV) = 0.993, 0.975 R2 (Pred) = 0.899
Figura 3- Percentuale di crosta aggiunta vs valori predetti di campioni con 1,6% umidità relativa e performance del modello. Il colore nero indica campioni appartenenti al set di
AGROALIMENTARE – P_AA01
82
Si ringrazia il dott. Gianluca Gambini per il prezioso contributo fornito.
Bibliografia
1. http://www.parmigianoreggiano.it/consorzio/disciplinare_produzione_vigente_2011/default.asp x
2. L. Pellegrino, A. Tirelli, i. De Noni, P. Resmini (2003) Valutazione del grana Padano
Grattugiato attraverso determinazione per elettroforesi capillare di frazioni caseiniche e di loro peptidi di degradazione, Sci. Tecn. Latt.-Cas., 54, 321-333.
3. C. Cevoli, L. Ragni , A. Gori, A. Berardinelli , M.F. Caboni (2012) Quality parameter
assessment of grated Parmigiano–Reggiano cheese by waveguide spectroscopy, Journal of
Food Engineering, 113, 201–209.
4. V. Musi, A. Filippi (2015) La tecnologia VIS-NIR online nel controllo del contenuto di crosta
nel grattugiato di Parmigiano Reggiano Sci. Tecn. Latt.-Cas., 66, 107-110.
5. Cevoli C., Fabbri A., Gori A., Caboni M.F., Guarnieri A. (2013) Screening of grated cheese
AGROALIMENTARE – P_AA02
83