Evolución del deterioro de dorada conservada en hielo y su importancia para la predicción del grado de frescura
La dorada (Sparus aurata) es un pez perciforme perteneciente a la familia de los espáridos que posee un rendimiento del 54% y un aporte considerable de proteínas y grasas, presentando en estado fresco unas excelentes cualidades sensoriales; junto a la lubina (Dicentrarchus labrax) son las especies, económicamente hablando, más importantes que produce la industria de la acuicultura en el área del Mediterráneo (Smart, 2001). En Europa, la demanda de pescados de la familia Sparidae se ha incrementado significativamente a partir de la década de los 90 debido a su apetecible aroma y excelente calidad culinaria. En consecuencia, la alta demanda que se ha generado provocó que su producción se transformara en un negocio muy rentable (Alasalvar et al., 2001). En este sentido, destacan Grecia, Turquía y España como principales productores, abarcando un 81,1% del total de la producción mundial durante el año 2010 (Apromar, 2011).
En virtud de lo anterior, el propósito principal de este trabajo se basó en analizar el deterioro de doradas frescas mantenidas en hielo y a baja temperatura (0 ⁰C), a través de indicadores físico-químicos, microbiológicos y sensoriales para diseñar modelos predictivos de fácil aplicación que permitieran estimar aspectos importantes de calidad tales como el Índice de frescura sensorial (% IFS) y el tiempo de almacenamiento en horas (TAH).
Metodología
Se adquirieron de dos granjas ubicadas en las comunidades de Cataluña y Valencia, alrededor de 80 ejemplares de doradas con menos de 24 h desde el sacrifico y con talla media comercial (450 g /32 cm). Los pescados sin eviscerar y sin ningún tipo de lavado fueron almacenados en hielo (tipo escamas) a 0+/- 0,5 ⁰C, el cual se remplazó cada 48 h para simular las condiciones normales de comercialización. A intervalos de 24 y 48 h, se determinaron algunos parámetros físico-químicos (Nitrógeno básico volátil total —NBVT—, pH y temperatura interna —TI— en el músculo del animal, temperatura en superficie —TS— del pescado y conductividad empleando un Torrymeter —TM—) y microbiológicos (Mesófilos Viables Totales —MVT—, Psicrótrofos— PST— y Enterobacteriaceace —ET—).
Al mismo tiempo, un panel sensorial de expertos, evaluó la frescura en cada tiempo usando en primer lugar el formato oficial del Reglamento UE 2406/96 el cual fue modificado ya que se le asignaron números a las categorías establecidas y en segundo lugar, la escala del método del Índice de Calidad mejor conocido como QIM (AZTI, 2008). El grado de frescura fue expresado como un % (Índice de frescura sensorial -IFS-) para lograr un mejor ajuste a una distribución normal. Los datos fueron analizados con programas estadísticos (SPSS v.12 y Unscrambler X v.10.2) mediante ANOVA y la determinación de los coeficientes de correlación (r2). Posteriormente, se desarrollaron regresiones de mínimos cuadrados parciales (PLSR) para generar modelos predictivos.
Resultados
Caracterización del deterioro del pescado
Fig.3: Evolución de los recuentos microbiológicos en dorada almacenada en hielo. PST= Bacterias psicrótrofas, MVC = Bacterias mesófilicas totales y ET = Enterobacterias.
Modelos Predictivos
A partir de los resultados anteriores, se obtuvieron los siguientes modelos predictivos:
- Índice de Frescura de acuerdo con la escala oficial (UE) expresado en %:
IFS = 4,51TM – 7,95TS + 9,88TI + 7,97pH – 29,21 (1)
- Tiempo transcurrido durante el almacenamiento en hielo expresado en horas:
TAH (h) = - 11,02TM – 467,46pH – 65,02TI + 5278,25 (2)
Donde IFS es el Índice de Frescura Sensorial, TAH es el Tiempo de Almacenamiento en Hielo, TM es la conductividad eléctrica obtenida con el torrymeter, pH es el potencial de hidrogeniones libres, TI es la temperatura interna y finalmente TS es la temperatura en la superficie del pescado.
La ecuación para IFS (%) presentó en la validación una m= 0,97 y r2=0,95. Un análisis de superficie de respuesta demostró un intervalo de confianza (α =0,05) para la predicción desde un valor de 85% hasta 30%. Por su parte, la estimación de TAH exhibió un m= 0,97 y r2=0,95. El análisis de superficie de respuesta demostró un intervalo de confianza (α =0,05) para el modelo que abarca desde 3 hasta 268 h. Los modelos fueron validados con 3 lotes de doradas distintos, mostrando en todos los casos una exactitud superior al 90% entre los valores predichos y los determinados experimentalmente, bajo condiciones de reproducibilidad.
Conclusiones
Se establecieron modelos predictivos sencillos que demostraron ser muy efectivos para determinar el índice de frescura sensorial y el tiempo de almacenamiento de dorada fresca en hielo, prescindiendo de la evaluación sensorial y empleando técnicas analíticas rutinarias usadas en el control de calidad. Es bien sabido que la sustitución de los métodos únicos, subjetivos u objetivos, con métodos capaces de utilizar una combinación de parámetros implica beneficios adicionales siendo precisamente esto la fortaleza de los modelos propuestos.
En este sentido, el diseño de modelos multivariados para predecir aspectos de interés en productos acuícolas, tanto frescos como procesados, resulta muy útil para el control, aseguramiento y gestión de la calidad en la industria del pescado además de constituirse en una herramienta indispensable para la I+D+i, y otras aplicaciones científicas o industriales.
Referencias bibliográficas
- Alasalvar, C., Taylor, K., Oksuz, T., Garthwaite, M., Alexis, M &. Grigorakis, K. (2001). Aseguramiento de la frescura de dorada de cultivo (Sparus aurata) por métodos químicos, físicos y sensoriales. Food Chemistry 72, 33-40
- APROMAR, 2011. La acuicultura marina en España 2011. Último acceso: 09-06-2011. Disponible en http://www.apromar.es/Informes/Informe-APROMAR-2011.pdf.
- AZTI. 2008. Frescura del pescado: guía visual para su evaluación sensorial. Publicaciones AZTI-tecnalia
- IFST. (1999). Desarrollo y uso de criterios microbiológicos en alimentos. London: Institute of Food Science & Technology (UK).
- Membré, J. & Lambert, R. (2008). Aplicación de técnicas de modelación predictiva en la industria de alimentos: Desde el diseño hasta el aseguramiento. International Journal of Food Microbiology, 128, 10-15.
- REGLAMENTO (CE) No 1022/2008 DE LA COMISIÓN, de 17 de octubre de 2008. “por el que se modifica el Reglamento (CE) no 2074/2005 en lo que respecta a los valores límite de nitrógeno básico volátil total (NBVT)”.
- Smart, G. (2001). Los problemas de calidad en la lubina y dorada de cultivo del mediterráneo. In S. C. Kestin & P. D. Warriss (Eds.), Farmed Fish quality (pp. 120–128). Oxford: Fishing News (Boks)/Blackwell.