Enriquecimiento ambiental: la espectroscopía de infrarrojo cercano (NIRS) como herramienta para diferenciar el sistema de manejo de cerdo ibérico

En un escenario en el que la implementación de marcas relacionados con la sostenibilidad o la mejora del bienestar animal tienen una gran importancia para el consumidor y un considerable impacto económico (Alonso et al., 2020), encontrar herramientas que ayuden a autentificar el sistema de producción que se empleó durante la cría de animales, y en especial de cerdo ibérico, tiene una enorme importancia.

En este contexto, la Espectroscopía de Infrarrojo Cercano (NIRS) surge como una herramienta prometedora ya que puede ser utilizada de manera rápida, sencilla y no destructiva. A estas ventajas hay que sumar que los recientes desarrollos de equipos portátiles y miniaturizados podrían permitir su empleo en línea. Esta metodología se ha intentado aplicar para diferenciar raza (Zamora Rojas et al.,2012) o sistema de manejo (Horcada et al., 2020), pero la discriminación de varios factores conjuntamente presenta limitaciones (Horcada et al., 2020). En el caso de los equipos portátiles, estas dificultades pueden ser mayores debido a sus diferentes rangos de trabajo y a que hay una fuerte influencia de la región espectral en la capacidad predictiva (Garrido-Delgado et al., 2018).

Por lo tanto, el objetivo de este trabajo fue evaluar si el análisis del espectro NIRS obtenido mediante un espectrómetro portátil, el MicroNIR 1700, permite diferenciar muestras de lomo de cerdo ibérico en función del enriquecimiento del espacio, siendo el resto de factores tales como dieta, espacio disponible o alimentación idénticos al grupo control.

Se analizaron un total de 100 muestras de carne de cerdo procedente de dos grupos de sistemas de producción y razas diferentes: 50 muestras procedían de hembras 100 % ibéricas engordadas con pienso al aire libre (cebo de campo ibérico, G1) y 50 muestras de machos 50 % ibéricos × Duroc en sistema intensivo (cebo ibérico; G2) y dentro de cada grupo todos los animales tuvieron el mismo régimen alimenticio. El primer grupo se subdividió en dos corrales: un corral convencional con suelo de tierra compactada (C1, n = 25) y un corral experimental con las mismas características estructurales, pero equipado con cadenas metálicas, cuerdas de algodón, juguetes masticables y un estanque (E1, n = 25). El segundo grupo los animales se distribuyeron en un establo convencional con acceso a un parque al aire libre (C2, n = 25) y un establo experimental idéntico, pero que incluía pelotas, juguetes masticables y cuerdas de algodón (E2, n = 25) (Figura 1). Los animales se mantuvieron en estas condiciones hasta que alcanzaron el peso comercial de sacrificio, momento en el que fueron transportados al matadero. Tras el sacrificio y enfriamiento, se extrajo el lomo izquierdo de cada animal y se trasladó al laboratorio para su análisis.

Figura 1. Cerdos 50% ibéricos en sus corrales. a) interior, b) exterior.

A las 48 horas post mortem, se partieron dos filetes de 2 cm de grosor entre las vértebras T7-T9, y se realizó el registro del espectro NIR mediante la aplicación directa de la sonda en cinco puntos diferentes de cada corte (Figura 2 a), utilizando un MicroNIR 1700 (Viavi solutions, EE. UU.) (Figura 2 b) en modo de reflectancia con medición en el rango espectral de 908-1676 nm. Tanto las muestras como el laboratorio donde se realizaron las medidas se encontraban a una temperatura de 20 + 2°C.

El tratamiento de los datos se realizó utilizando el método discriminante OPLS-DA (SIMCA software) aplicado tanto a los espectros brutos (None) como a los tratados con diferentes pre-tratamientos espectrales para corregir la dispersión (SNV, Detrend). También se estudiaron el efecto de la aplicación o no de derivadas, primera y segunda, en diferentes intervalos así como el efecto de distintos suavizados. Se obtienen así distintos pretratamientos que se codifican con cuatro dígitos (a, b, c, d) de modo que el primer dígito es el número de la derivada, el segundo es el intervalo sobre el que se calcula la derivada, el tercero es el número de puntos de datos en el suavizado y el cuarto dígito es el segundo suavizado. Para estudiar la capacidad de clasificación, los datos se dividieron en un conjunto de calibración y un conjunto de validación que contenían el 80% y el 20% de las muestras de cada grupo respectivamente (20 y 5 muestras). La bondad del ajuste del modelo se determinó en función del porcentaje de éxito de la clasificación tanto en la calibración como en la validación, de acuerdo con los factores analizados.

En primer lugar, se procedió a llevar a cabo la discriminación OPLS-DA con un elevado número de combinaciones de pretratamientos espectrales y matemáticos (Hernández-Jiménez et al., 2024) evaluándose la capacidad discriminatoria de tratamientos tales como None (0,0,1,1), None (1,4,4,1), None, (2,4,4,1), None (2,10,10,1), None (2,8,6,1) y los correspondientes con SNV y Detrend. Los resultados, expresados como porcentaje de muestras correctamente clasificadas en el grupo correspondiente, mostraron que los mejores resultados en calibración se encontraron en general para aquellas combinaciones que utilizaban una derivada. Este hecho puede ser atribuido a que las derivadas son una herramienta que permite reducir la superposición de bandas y el desplazamiento de la línea de base debido a las características físicas de las muestras (Williams, 1987).

En concreto los mejores resultados en calibración se obtuvieron para el tratamiento SNV (2,4,4,1) que implica el empleo de una segunda derivada que consiguió una clasificación global del 91,25% (Tabla 1). En concreto para el grupo E1 (100% ibérico con enriquecimiento ambiental) la calibración desarrollada consigue que el 100% de muestras se clasifiquen correctamente, mientras que el grupo control C1 mostró el porcentaje de acierto más bajo ya que 2 de sus muestras aparecieron clasificadas en el grupo E1 y otras dos muestras se confundieron con los grupos C2 y E2. En el caso del grupo 2 (50% ibérico) todas sus muestras aparecen clasificadas correctamente según la raza y solo 1 muestra del C2 y 2 muestras del E2 no fueron clasificadas dentro del tratamiento correcto.

Cuando se realiza la validación del modelo, aplicando la calibración calculada a 20 muestras no pertenecientes al grupo de calibración, 5 de cada grupo, se observa que los porcentajes de acierto bajaron sensiblemente (Tabla 2), de modo que el porcentaje total de muestras correctamente clasificadas fue de un 60%. En esta ocasión el grupo C2 fue el que mostró una tasa de acierto más baja 40%, mientras que el E2 por el contrario mostró los valores más altos de clasificación correcta, el 80%. Este descenso en la capacidad discriminatoria de los modelos en validación ha sido frecuentemente descrita (Hernández-Jiménez et al., 2024) y nos indica una baja capacidad de predecir muestras desconocidas. Este hecho puede ser, en este caso, debido principalmente al bajo número de muestras incluidas en cada grupo y, en especial, en el grupo de validación.

Por último, la representación de las muestras en el plano descrito por las dos primeras componentes obtenidas del análisis OPLS-DA (Figura 3) permite observar que las muestras del grupo G1 (100 % ibérico, cebo de campo) aparecen en la parte derecha del gráfico, es decir, con valores positivos en el eje de abscisas. Para este grupo, se observan claramente las diferencias entre el grupo de control en la parte superior derecha (C1) y el grupo experimental en la parte inferior derecha (E1). Por otro lado, para el grupo G2 (50 % ibérico, cebo), representado en el eje de abscisas con valores negativos, las diferencias observadas entre el grupo de control y el experimental no son tan evidentes como en el grupo G1, ya que la mayoría de las muestras se encuentran en la parte central del gráfico y con una menor dispersión en el eje de ordenadas. Además, tal y como se observa en la tabla 2, algunas muestras del C2 aparecen junto con el grupo E2.

Sin embargo, se observa que las muestras de los experimentos en los que se había hecho un enriquecimiento del espacio (E1 azul y E2 amarillo) se sitúan en la parte inferior del gráfico. Este resultado apunta a que la composición química y la estructura física son similares para estos dos grupos de muestras y diferentes de los controles.

La espectroscopia de infrarrojo cercano (NIRS), en combinación con el método de clasificación OPLS-DA, mostró una buena capacidad para discriminar los cuatro grupos de muestras según los diferentes sistemas de enriquecimiento espacial. Sin embargo, para mejorar la robustez de los resultados, sería necesario aumentar el número de muestras. Los resultados señalan que los animales criados en cebo de campo, con mayor acceso al exterior, presentaban una mejor discriminación en comparación con los criados en sistemas intensivos con acceso a corrales al aire libre, sistema para el que las diferencias fueron menos acusadas y solo se observaba una tendencia.

Desde un punto de vista aplicado, la implementación de la espectroscopía NIR en la evaluación de estos sistemas de producción podría integrarse en puntos clave de la cadena de suministro de carne fresca, como las plantas de procesamiento, las líneas de envasado, los puntos de almacenamiento y venta al por menor, proporcionando una herramienta rápida y no destructiva para clasificar la carne según el manejo de los animales. Además, los datos respaldan la adopción de prácticas de enriquecimiento espacial como estrategia para mejorar el bienestar animal y satisfacer la demanda de los consumidores de productos procedentes de sistemas con mayor libertad y bienestar.

Referencias bibliográficas

• Alonso, M. E., González-Montaña, J. R., & Lomillos, J. M. (2020). Consumers’ concerns and perceptions of farm animal welfare. Animals, 10(3), 385.
• Garrido-Delgado, R., Muñoz-Pérez, M. E., & Arce, L. (2018). Detection of adulteration in extra virgin olive oils by using UV-IMS and chemometric analysis. Food Control, 85, 292-299.
• Hernández-Jiménez, M., Revilla, I., Vivar-Quintana, A. M., Grabska, J., Bec, K. B., & Huck, C. W. (2024). Performance of benchtop and portable spectroscopy equipment for discriminating Iberian ham according to breed. Current Research in Food Science, 8, 100675.
• Horcada, A., Valera, M., Juárez, M., & Fernández-Cabanás, V. M. (2020). Authentication of Iberian pork official quality categories using a portable near infrared spectroscopy (NIRS) instrument. Food Chemistry, 318, 126471.
• Lebret, B., & Candek-Potokar, M. (2022). Pork quality attributes from farm to fork. Part I. Carcass and fresh meat. Animal, 16, 100402.
• Ludwiczak, A., KasprowiczP o t o c k a, M., Z a w o r s k a - Zakrzewska, A., SkladanowskaBaryza, J., Rodriguez-Estevez, V., Sanz-Fernandez, S., Diaz-Gaona, C., Ferrari, P., Pedersen, L.P., Couto, M.Y.R., Revilla, I. & SellKubiak, E. (2023). Husbandry practices associated with extensification in European pig production and their effects on pork quality. Meat Science, 206, 109339.
• Moeller, S. J., Miller, R. K., Edwards, K. K., Zerby, H. N., Logan, K. E., Aldredge, T. L., ... & Box-Steffensmeier, J. M. (2010). Consumer perceptions of pork eating quality as affected by pork quality attributes and end-point cooked temperature. Meat Science, 84(1), 14-22.
• Williams, P., 1987. Variables affecting near-infrared reflectance spectroscopic analysis. Near-Infrared Technology in the Agricultural and Food Industries, 143–167.
• Zamora-Rojas, E., Pérez-Marín, D., De Pedro-Sanz, E., Guerrero-Ginel, J. E., & Garrido-Varo, A. (2012). In-situ Iberian pig carcass classification using a micro-electro-mechanical system (MEMS)-based near infrared (NIR) spectrometer. Meat science, 90(3), 636-642.

Agradecimientos: Al proyecto mEATquality financiado por el programa de Investigación e Innovación Horizonte 2020 de la Unión Europea (Nº 101000344).