La porcicultura es una industria de transformación que como toda empresa requiere optimizar sus procesos. Al ser la alimentación el rubro que mayor impacto tiene sobre la económicamente, representar alrededor del 70% de los costos de producción, (Zijlstra and Beltranena, 2013) se vuelve esencial conocer a detalle los ingredientes utilizados para elaborar las dietas, ello para garantizar un aporte adecuado de nutrientes (Patience, 2018).
Por lo tanto, los macro ingredientes como los cereales y pastas de oleaginosas pasan a ser de los de mayor relevancia, ya que son los que aportan la mayor proporción de nutrientes a las dietas (energía y proteína) y los que presentan mayor variabilidad.
Dicha variabilidad en la composición nutricional de los ingredientes macro (Black, 2016) radica en:
- Las características genéticas (variedades)
- Diferentes condiciones agronómicas
- Condiciones climáticas
- Cosecha
- Almacenamiento
Para el caso de las fuentes de proteína como las pastas y/o coproductos además de los factores mencionados, el proceso de su obtención es una fuente de variación adicional (Zijlstra and Beltranena, 2013; Noel et al., 2021).
Dichos factores de variación propician que la caracterización precisa del aporte de nutrientes por los ingredientes utilizados en la elaboración de la dieta sea de suma importancia para optimizar el rendimiento de los animales y minimizar el impacto ambiental (Noel et al., 2021).
Por tal motivo, contar con un método rápido y eficaz de predicción de la composición química, que permita a su vez predecir adecuadamente su valor nutritivo y que pueda ser llevado a cabo a nivel de campo, es de importancia para la industria porcina.
Para tal fin, la Espectroscopía en el Infrarrojo Cercano (NIRS por sus siglas en inglés) (Leeson et al., 2000; Ramírez et al., 2005; Noel et al., 2021), permite adecuar las matrices de formulación a utilizar, por lo que la precisión de la fórmula se incrementaría propiciando un aporte de nutrientes más exacto mejorando la eficiencia productiva.
Además de disminuir la excreción de nitrógeno que es el principal contaminante de la excreta porcina, a partir del cual se forman los nitratos que contaminan los suelos y cuerpos de agua, y el óxido nitroso principal gas de efecto invernadero asociado a la porcicultura (FAO, 2017); ayudando a mitigar el impacto climático de la porcicultura sin afectar los aspectos productivos (Shirali et al., 2012; Monteiro et al., 2017).
Por lo que el objetivo del presente trabajo fue validar la capacidad de predicción de un modelo desarrollado utilizando un equipo NIRS basado en la tecnología FT-IR (transformada de Fourier) para estimar la composición química de ingredientes destinados a la alimentación de cerdos.
Principios de la Espectroscopía en el Infrarrojo Cercano
La NIRS se basa en la interacción de la radiación electromagnética del espectro del infrarrojo cercano (780 nm a 2500 nm) con las moléculas presentes en una muestra. Cuando la radiación incide sobre la muestra, las moléculas vibran y absorben energía en longitudes de onda específicas, generando un espectro característico (Figura 1). Este espectro se analiza para identificar y cuantificar componentes químicos como humedad, proteínas, grasas y carbohidratos (Leeson et al., 2000). La técnica es apreciada por su rapidez y capacidad para analizar múltiples componentes simultáneamente sin necesidad de preparaciones extensas de las muestras.
Materiales y métodos
Se utilizaron 78 muestras de materias primas utilizadas en la alimentación de cerdos:
- 20 pasta de canola
- 20 pasta de soya
- 18 grano de maíz
- 20 grano de sorgo
Las muestras se molieron usando una criba de 1 mm y se analizaron para materia seca (MS), materia orgánica (MO), extracto etéreo, proteína cruda (PC) (AOAC, 2000) y energía bruta (EB) mediante bomba calorimétrica.
Las muestras se escanearon en un equipo de FTIR Nicolet 6700 (Thermo Scientific Inc.) en el rango espectral de 4,000 cm-1 a 10,000 ondas cm-1.
- Para obtener la calibración de cada analíto se utilizó el programa TQ Analyst (v8.0) con un modelo multivariado de cuadrados mínimos parciales (PLS).
- La selección de las calibraciones se basó en la minimización de los errores estándar de calibración (SEC), de predicción (SEP) y de la calibración cruzada (SECV); así como en la maximización del coeficiente de determinación de la calibración (R2).
- El poder de predicción se basó en el estadístico RDP, que es la relación entre la desviación estándar del total de las muestras con respecto al error estándar de la calibración cruzada de la calibración (DS/SECV) (Williams and Sobering, 1995).
- Una calibración con un RDP mayor a 3.0 indica que la calibración se puede utilizar para hacer estimaciones cuantitativas precisas (Williams and Sobering, 1995).
El modelo desarrollado se validó utilizando 39 muestras (10 de maíz, sorgo y pasta de soya y 9 muestras de pasta de canola), en las cuales se predijo la concentración de cada analito usado en el desarrollo del modelo.
Resultados
Figura 2. Predicción mediante NIRS de la Composición Química del Maíz, Sorgo, Pasta de Soya y Pasta de Canola. La figura muestra regresión lineal (línea azul) obtenida en el Equipo NIRS-FTIR para cada Analito (Materia Orgánica, Energía, Proteína Cruda y Extracto Etéreo. Los Puntos Rojos son los valores predichos por los modelos en el proceso de validación de los mismos.
En la Figura 2 se muestran las regresiones lineales obtenidas para cada analito.
- Los modelos explicaron más del 97.6% de la variación para cada variable estudiada (línea de Regresión azul).
- Al validar los modelos estos predijeron adecuadamente la composición química de las muestras, existiendo una pequeña desviación entre el valor predicho por el modelo y el valor determinado en el laboratorio, valores mostrados por los puntos rojos de las gráficas de la Figura 2 y por las desviaciones máximas y mínimas de cada predicción mostradas en el Cuadro 1.
Los resultados muestran que los modelos desarrollados para predecir la MO, PC, EE y EB son capaces de predecir el valor del analito en una muestra externa, por lo que, pueden ser utilizadas para la cuantificación de la composición química de muestras externas de composición desconocida.
Aplicaciones de la NIRS en la alimentación de cerdos
Evaluación de ingredientes
La NIRS permite determinar la composición nutricional de diversos ingredientes utilizados en las dietas porcinas, como granos y pastas proteicas. Mediante esta técnica, es posible cuantificar contenidos de proteína, humedad, fibra y otros nutrientes esenciales, facilitando la selección de ingredientes de alta calidad y la formulación precisa de dietas balanceadas (Noel et al., 2021).
La capacidad de la NIRS para analizar muestras en estado fresco o congelado amplía su aplicabilidad en diferentes etapas de la cadena de suministro.
Control de calidad
En la industria de alimentos para animales, mantener estándares de calidad consistentes es crucial. Para ello la NIRS se utiliza para:
- Monitorear la uniformidad de los lotes de producción
- Identificar variaciones en la composición de las materias primas que puedan afectar el rendimiento animal.
Esta vigilancia constante asegura que los productos finales cumplan con las especificaciones nutricionales establecidas, contribuyendo a la eficiencia y rentabilidad de la producción porcina.
Análisis de productos derivados
Además de los ingredientes crudos, la NIRS se aplica en la evaluación de productos derivados del cerdo, como carnes y embutidos. La técnica permite analizar la composición química de estos productos, asegurando su calidad y autenticidad.
Por ejemplo, en el caso del cerdo ibérico, la NIRS ha sido empleada para caracterizar cuantitativa y cualitativamente canales y productos derivados, contribuyendo a la trazabilidad y control de calidad en la industria cárnica.
Ventajas de la NIRS en la alimentación de cerdos
- Rapidez y eficiencia: La NIRS ofrece resultados en tiempo real, permitiendo tomar decisiones inmediatas en la formulación y ajuste de dietas.
- Análisis no destructivo: Las muestras no requieren preparación extensa ni son alteradas durante el análisis, conservando su integridad para usos posteriores.
- Versatilidad: La técnica es aplicable a una amplia gama de muestras, desde ingredientes crudos hasta productos procesados, en diferentes estados físicos.
- Reducción de costos: Al minimizar la necesidad de reactivos y consumibles, la NIRS representa una opción económica para análisis rutinarios.
Conclusiones
- La espectroscopia NIRS FTIR puede predecir con precisión la materia orgánica, la proteína cruda, el extracto etéreo y la energía bruta de ingredientes para la alimentación animal.
- Dichos resultados consolidan la NIRS FTIR como una herramienta invaluable en la alimentación porcina, facilitando la evaluación precisa de ingredientes.
- Su capacidad para proporcionar análisis rápidos, no destructivos y económicos contribuye significativamente a la optimización de la nutrición animal y al aseguramiento de la calidad en la industria porcina.
- La adopción de esta tecnología representa un avance hacia prácticas más eficientes y sostenibles en la producción animal.
Desafíos y consideraciones
- Aunque la NIRS ofrece múltiples beneficios, su implementación requiere una calibración precisa y la creación de modelos predictivos robustos.
- Es fundamental contar con una base de datos amplia y representativa para garantizar la exactitud de los análisis.
- Factores como la homogeneidad de las muestras y las condiciones ambientales pueden influir en los resultados, por lo que es necesario establecer protocolos estandarizados para el manejo y análisis de las muestras.
Agradecimientos
Los resultados aquí presentados son parte del proyecto (SIGI: 13202534765) “Mitigación del impacto climático de la producción porcina a través de estrategias alimenticias y de manejo” del INIFAP.