Predicción de la composición química de harina de sangre bovina mediante
Espectroscopia de Reflectancia en el Infrarrojo Cercano (NIRS)
Prediction of the chemical composition of bovine blood flour through Near Infrared
Spectroscopy (NIRS)
Flor Mejía
1,a,
*, Wilmer Bernal
1,b
, José Zamora
1,c
, Ives Yoplac
1,d
1
Facultad de Ingeniería Zootecnista, Agronegocios y Biotecnología, Universidad Nacional Toribio Rodríguez de Mendoza
de Amazonas, Chachapoyas, Perú.
a
M.Sc., flor.mejia@untrm.edu.pe, https://orcid.org/0000-0002-1851-1285
b
M.Sc., wilmer.bernal@untrm.edu.pe, https://orcid.org/0000-0003-3482-8466
c
M.Sc., jose.zamora@untrm.edu.pe, https://orcid.org/0000-0003-3362-9609
c
Ph.D., ives.yoplac@untrm.edu.pe, https://orcid.org/0000-0001-9524-1584
* Autor de Correspondencia: Tel. +51 935990754
http://dx.doi.org/10.25127/riagrop.20212.675
Resumen
El objetivo de la investigación fue predecir la
composición química de harina de sangre bovina
(HSB), mediante espectroscopia de reflectancia en el
infrarrojo cercano (NIRS), de las fracciones: Humedad
(H), Proteína Bruta (PB), Extracto Etéreo (EE) y Ceniza
(C). Se recolectó sangre de ganado vacuno de 1.5 a 8
años de edad, del centro de beneficio municipal de
Chachapoyas. Se prepararon 30 muestras de HSB
previa cocción a fuego lento por una hora y secado en
una estufa a 60 °C. Se tomaron espectros en NIRS
2500XL (Unity Scientific, USA) y de las muestras
analizadas en laboratorio por el método proximal, se
obtuvo los químicos de referencia para generar el
modelo de predicción con el software UCAL Model,
por la primera derivada y los métodos de regresión
RLM/ACP, RLM y RCP y se obtuvo el coeficiente de
determinación R2 de (0.93, 0.83 y 0.82); (0.74, 0.78, 0.19);
(0.67, 0.79, 0.39) y (0.69, 0.64, 0.19) y el error estándar de
calibración EEC de (0.38, 0.38, 0.38); (1.39, 1.27, 1.39);
Revista de Invest. Agropecuaria Science and Biotechnology
ISSN: 2788-6913
Vol. 01, No. 02, abril - junio 2021, 15-21
_________________________________________
http://revistas.untrm.edu.pe/index.php/RIAGROP
revista.riagrop@untrm.edu.pe
Recepción: 22 de enero 2021
Aprobación: 23 de marzo 2021
_________________________________________
Este trabajo tiene licencia de Creative Commons.
Attribution-NonCommercial-ShareAlike 4.0
International Public License – CC-BY-NC-SA 4.0
Mejía et al.
16
Rev. Agrop. Sci. & Biotech. Vol. 01, No. 02, 2021. pp. 15-21. ISSN: 2788-6913
(0.04, 0.05, 0.04) y (0.36, 0.35, 0.65); para H, PB, EE y C respectivamente. Por tanto, el modelo RLM tiene
potencial en la calibración de la predicción de la de la harina de sangre bovina.
Palabras Clave: Calibración, espectro, NIRS, predicción, validación del modelo.
Abstract
The purpose of the research was to predict the chemical composition of bovine blood flour (BBM) by means
of the reflectance of near infrared spectroscopy (NIRS), of the fractions: Humidity (H), Crude Protein (CP),
Ethereal Extract (EE) and Ash (A). Bovine blood was collected from 1.5 to 8 years of age, of the Chachapoyas
municipal benefit center. 30 samples HSB were prepared from previous simmering for one hour and drying
in an oven at 60 ° C, spectra were taken in NIRS 2500XL (Unity Scientific, USA), and the samples analyzed in
the laboratory by the proximal method obtaining the chemicals of Reference to generate the model of
prediction with the software UCAL Model, by the first derivative and the regression methods MLR/PCA,
MLR and PCR, obtaining the coefficient of determination R2 of (0.93, 0.83 and 0.82); (0.74, 0.78, 0.19); (0.67,
0.79, 0.39) and (0.69, 0.64, 0.19) and the standard EEC calibration error of (0.38, 0.38, 0.38); (1.39, 1.27, 1.39);
(0.04, 0.05, 0.04) and (0.36, 0.35, 0.65); For H, PB, EE and C respectively. Therefore, the MLR model has potential
in the calibration of the prediction of bovine blood flour.
Keywords: Calibration, spectrum, NIRS, prediction, validation model.
1. INTRODUCCIÓN
Los equipos tradicionalmente usados para
determinar la composición química de
insumos, o productos agroalimenticios,
presentan inconvenientes como el tiempo
prolongado, costos elevados y la utilización de
químicos peligrosos que genera efluentes como
desechos, ácidos, detergentes y gases irritantes,
peligroso para los operarios y son fuentes de
contaminación ambiental (Cozzolino et al.
2005).
NIRS (Near Infrared Spectroscopy) es una
técnica de análisis rápido, no destructiva,
multiproducto y, por su fiabilidad, es cada vez
más utilizada en el control de calidad de
insumos y productos. Además, requiere de
muestras pequeñas, tiempo corto de análisis,
sin uso de reactivos y no destruye la muestra.
Esto se refleja en los costos más bajos (80 % de
los equipos tradicionales) (Brown y Moore,
1987; Zhang y Su, 2014 y Asekova et al. 2016).
Sandoval et al. (2008) mencionan que NIRS
permite determinar la composición química
precisa a bajo coste y en corto tiempo, pero es
necesario generar o ajustar modelos
matemáticos de predicción, a partir del análisis
químico de laboratorio realizados por métodos
tradicionales (Mejía et al., 2016 y Mejía et al,
2019). NIRS basa su predicción en absorción
que son expresadas como sobretonos o picos,
mediante grupos funcionales como: C-H, O-H,
N-H y también S-H y C-O, los más comunes
constituyen agua, proteínas lípidos y
carbohidratos, que responden a la radiación en
el infrarrojo cercano (Jiménez, 2007 y Sandoval
et al., 2008).
Actualmente, los centros de beneficio generan
desechos como: sangre, vísceras, contenido
ruminal y demás efluentes a partir del beneficio
de animales que, generalmente, son enviados a
la red de alcantarillado, sin ningún tratamiento
Predicción de la composición química de harina de sangre bovina con NIRS
17
Rev. Agrop. Sci. & Biotech. Vol. 01, No. 02, 2021. pp. 15-21. ISSN: 2788-6913
previo y generan problemas de contaminación
ambiental (Terevinto y Chiesa, 2008 y Moreta,
2012). La sangre representa del 7 a 9 % del peso
vivo del animal (Madrid, 1999) y es un potencial
insumo de alta calidad para alimentación de
especies domésticas. La HSB contiene alta
concentración de proteína (FEDNA, 2012 y
Ricci, 2012). Por esta razón, se hace necesario
predecir la composición química de harina de
sangre bovina mediante la tecnología NIRS y
generar un valor agregado a la sangre de los
centros de beneficio.
2. MATERIALES Y MÉTODOS
Se utilizaron muestras de sangre procedente de
20 vacunos de 1.5 a 8 años de edad. Los análisis
químicos y de predicción se realizaron en la
Universidad Nacional Toribio Rodríguez de
Mendoza - UNTRM y en Laboratorio de
Nutrición Animal y Bromatología de Alimentos
de La UNTRM.
2.1. Método experimental para la obtención
de harina de sangre
2.1.1. Recolección de la sangre
La sangre fue obtenida directamente de la vena
yugular, inmediatamente después del degüello.
Posteriormente se colocó en un balde de 5 litros
con 15 g de citrato de sodio como
anticoagulante. Luego, se llevó al campus
universitario para realizar proceso de
deshidratación.
2.1.2. Deshidratación de la sangre
Este proceso se realizó en ollas de 15 L de
capacidad. La sangre fue concentrada y
deshidratada, con el uso de una cocina a gas, a
una temperatura 80 °C por una hora.
2.1.3. Enfriamiento y secado
El enfriamiento se realizó en bandejas de metal,
y el secado, en una estufa a 60 °C, por un tiempo
aproximado de dos días.
2.1.4. Molido
Las muestras secas se trituraron en un molino
de laboratorio. Luego se envasó 200 g en bolsas
de polietileno que fueron selladas con una
selladora manual hasta completar un total de 30
muestras necesarias para la calibración.
2.1.5. Almacenamiento
Las muestras se almacenaron a temperatura
ambiente hasta realizar su análisis químico
respectivo, previo a la obtención de sus
espectros.
2.1.6. Análisis químico de referencia de la harina de
sangre
El análisis químico de referencia se realizó de
manera empírica, con equipos tradicionales en
el laboratorio de Nutrición Animal de La
UNALM. Considerándose un análisis proximal
constituido por la Humedad (H), Proteína
Cruda (PC), Fibra cruda (FC), Extracto Etéreo
(EE) y Cenizas (C) mediante el método de la
AOAC (2005).
2.2. Metodología para la predicción de la
composición de la harina de sangre
2.2.1. Obtención de espectros
Se utilizó las mismas muestras a las que se le
evaluó el análisis químico de referencia, en el
equipo NIRS (Unity Scientific, USA, 2500XL).
Se colocó 80 g de muestra en celdas de cuarzo,
tapada con una cubierta 4 cm de diámetro por 1
cm de altura. Además, se tomó los espectros en
el rango de 1100 a 2500 nm y se guardó cada
espectro indicando su respectiva identificación.
Mejía et al.
18
Rev. Agrop. Sci. & Biotech. Vol. 01, No. 02, 2021. pp. 15-21. ISSN: 2788-6913
Al terminar el procedimiento se creó una
carpeta llamada harina de sangre,
posteriormente se copió los espectros del quipo
NIRS y se llevó a un computador para realizar
la calibración respectiva.
2.2.2. Calibración
Se utilizó con el Software UCAL Model, para la
cual los resultados del análisis químico de
referencia obtenido de cada muestra, se
ordenaron en una plantilla de Excel, con su
respectiva identificación, y los espectros
obtenidos en el NIRS. Luego, fueron llevados al
computador que contenía el software UCAL
Model donde se procedió a la calibración,
utilizando funciones estadísticas para
desarrollar los modelos matemáticos.
El proceso de calibración se realizó empleando
diferentes modelos de regresión:
- Regresión Lineal Múltiple asociada a un
Análisis de Componentes principales
(MLR/ACP)
- Regresión Lineal Múltiple (MLR)
- Análisis de regresión por componentes
principales (RCP)
2.3. Estadísticos evaluados para determinar el
mejor modelo de predicción.
Desde el punto de vista estadístico, que se
utiliza para evaluar ecuaciones NIRS no es
totalmente estandarizado por NIRS, fueron más
frecuente en trabajos publicados y software que
difieran a veces los estadísticos (Wells, 2006)
entre los utilizados son: el coeficiente de
determinación (R
2
) (Valenciaga, 2006). Walpole
et al. (1999) definen que el R
2
indica cual es la
proporción de la variación total en la respuesta
del valor predicho. Asimismo, Westerhaus
(1989) explica que un R
2
de 0 indica que no hay
relación entre ambos métodos. Asimismo, un R
2
igual a 1 indica un ajuste perfecto con un error
estándar de calibración de 0. Además, un valor
bajo de R
2
indica que los valores de laboratorio
son imprecisos.
Otro estadístico evaluado fue el error estándar
de calibración (EEC). Sobre esto, Davies y Grant
(1987) mencionan que permite comparar
calibraciones generadas a partir de un mismo
grupo de datos e indican la incertidumbre de la
calibración. Además, Westerhaus (1989) indica
que para evaluarlo se realiza una comparación
con el error estándar del método de referencia.
Se aceptó hasta el doble del error estándar del
método de referencia.
3. RESULTADOS Y DISCUSIÓN
3.1. Composición química de las muestras
Los resultados obtenidos de la composición
química de harina de sangre bovina obtenida
por los métodos de referencia son presentados
en la tabla 1. Las muestras presentan un rango
para humedad de 6.82 a 13.83 %; proteína, 73.27
a 87.81 %; extracto etéreo 0.15 a 0.68 % y cenizas
de 2.01 a 4.40 %. Se obtuvo un amplio rango de
variación en el set de las 30 muestras utilizadas
en la calibración. Los valores de la composición
nutricional de la harina de sangre fue para
humedad 9.20%, proteína 81.71%, grasa 0.30% y
cenizas 3.20%, concuerdan con los resultados de
obtenidos por Santiago et al. (2011), descrito en
las tablas brasileras para aves y cerdos de
composición de alimentos y requerimientos
nutricionales siendo de 7.1 %, 83.5 %, 0.46 % y
3.4 % respectivamente. Los rangos del
porcentaje humedad son superiores a las
obtenidos por Ockerman (2000). También, la
Fundación Española para el Desarrollo de la
Nutrición Animal [FEDNA] (2012) muestra
resultados similares de 8 %, 87 %, 0.8 % y 3.5 %.
Predicción de la composición química de harina de sangre bovina con NIRS
19
Rev. Agrop. Sci. & Biotech. Vol. 01, No. 02, 2021. pp. 15-21. ISSN: 2788-6913
Estas diferencias se deben al diferente
procedimiento realizado para la obtención de
dicho producto. Sin embargo, Beltrán y
Perdomo (2007), Cifuentes (2007) y Zamora
(2016) muestran resultados inferiores en
proteína, pero superiores es extracto etéreo y
cenizas. Dichos resultados podrían deberse a
los diferentes tipos de proceso de obtención de
harina de sangre y uso de diferente tipo de
anticoagulante.
Tabla 1. Composición química de harina de sangre
obtenida por los métodos de referencia
Nutriente
Prom.
Mín.
Máx.
DS
1
Humedad
9.20
6.82
13.83
1.46
Proteína
81.71
73.27
87.81
2.66
Extracto E
0.30
0.15
0.68
0.10
Cenizas
3.20
2.01
4.40
0.63
1
Desviación Estándar
3.2. Perfiles espectrales de las muestras de
harina de sangre bovina
Los perfiles se colectaron en el equipo NIRS, con
un rango de longitud de onda 1100 a 2500 nm y
se obtuvieron en las absorbancias de cada una
de las muestras donde existe variabilidad. Todo
esto fue favorable para el desarrollo de un
modelo, pero, esto no es el caso para este
modelo debido a la baja cantidad de muestras,
como se observa en la figura 1.
Figura 1. Perfiles espectrales de harina de sangre,
obtenido en el equipo NIRS.
3.3. Creación del modelo predictivo
Las ecuaciones de calibración se muestran en la
tabla 2. En el parámetro de humedad se obtuvo
una mejora calibración con el modelo
RLM/ACP con un R
2
de 0.93. En proteína y
extracto etéreo el mejor modelo de calibración
fue RLM con un R
2
de 0.78 y 0.79
respectivamente. En el parámetro de ceniza no
se obtuvo calibraciones aceptables en ninguno
de los modelos.
Tabla 2. Regresiones utilizadas para la composición
química de harina de sangre de 30 muestras
Método de
regresión
1
H
EE
RLM/ACP
29
29
1.47
0.08
0.93
0.67
0.38
0.04
RLM
28
28
1.04
0.11
0.83
0.79
0.38
0.05
RCP
29
27
1.47
0.06
0.82
0.39
0.38
0.04
1
RLM/PCA - Regresión lineal múltiple asociado a un análisis de
componentes Principales, RLM - Regresión lineal múltiple y RCP
- regresión por componentes principales
2
Número de muestra de calibración
3
Desviación estándar
4
Coeficiente de determinación de la calibración
5
Error estándar de calibración
La mejor ecuación fue obtenida mediante el
modelo de regresión lineal múltiple ya que
presenta los mejores estadísticos evaluados
para proteina y extracto etereo. En la figura 2 y
3 se muestra la relacion que hay entre el analisis
quimico de referencia y la predicción mediante
NIRS para proteína y grasa respetivamente.
El R
2
obtenido para H, P, EE y C fue de 0.83,
0.78, 0.79 y 0.64 respectivamente fueron
semejantes a los encontrados por García et al.
(2013) en la determinación de proteína en trigo
obteniendo un R
2
de 0.99, dicho producto fue
mayor el R
2
por el número de muestras
evaluadas y también por el producto.
Asimismo, Cozzolino (2002) evaluó alimento
Mejía et al.
20
Rev. Agrop. Sci. & Biotech. Vol. 01, No. 02, 2021. pp. 15-21. ISSN: 2788-6913
para animales (400 muestras) con diferentes
harinas proteicas tanto animales como
vegetales considerando la harina de sangre en
una pequeña proporción y obtuvo el R
2
de 0.98
para proteína y de 0.92 para cenizas al igual que
la investigación anterior los resultados son
afines ya que los productos son distintos y el
número de muestra es relativamente grande.
Asimismo, Vivar (2009) desarrolló predicciones
para harina de sangre de ave y reportó
resultados superiores a los obtenidos en este
estudio, en los parámetros de humedad,
proteína bruta, extracto etéreo y cenizas
reportaron un r
2
superior a 0. Estas diferencias
se deberían al tipo de harina de sangre y al
número de muestras evaluadas (180 muestras).
Figura 2. Relación entre el análisis químico de
referencia y la predicción mediante NIRS para
proteína.
Figura 3. Relación entre el análisis químico de
referencia y la predicción mediante NIRS para
extracto etéreo.
Los resultados de ceniza no son buenos para
realizar la calibración ya que muestra mucha
dispersión de los datos como se muestra en la
figura 4. Dichos resultados podrían deberse al
bajo número de muestras y al tipo de modelo de
regresión utilizado para realizar la calibración.
Figura 4. Relación entre el análisis químico de
referencia y la predicción mediante NIRS para
cenizas (Modelo MLR).
4. CONCLUSIONES
Los modelos de regresión RLM/ACP y RLM
reportaron para los parámetros de humedad y
proteína buenas calibraciones, con un r
2
superior a 0.7. El Modelo de regresión PCR solo
presento una buena calibración para el
parámetro de humedad.
El modelo RLM fue el mejor modelo de
calibración presento resultados superiores a 0.7
obtuvo en los parámetros de humedad,
proteína cruda y extracto etéreo.
El parámetro de Ceniza no se obtuvo ninguna
calibración aceptable en ninguno de los
modelos.
Agradecimientos:
Al Instituto de Investigación en Ganadería y
Biotecnología (IGBI), y Laboratorio de Nutrición
Animal y Bromatología de los alimentos de la
Universidad Nacional Toribio Rodríguez de
Mendoza de Amazonas.
Referencias
[AOAC] Association of Official Analytical Chemists. 2005.
Official Methods of Analysis. 18
th
ed. Washington,
USA.
R
2
= 0.78
R
2
= 0.64
R
2
= 0.79
Predicción de la composición química de harina de sangre bovina con NIRS
21
Rev. Agrop. Sci. & Biotech. Vol. 01, No. 02, 2021. pp. 15-21. ISSN: 2788-6913
Asekova S, Han SI, Choi HJ, ParkSJ, Shin DH, Kwon CH,
Lee JD.2016. Determination of forage qualityby near-
infrared reflectance spectros-copy in soybean. Turk J
Agric For 40:45-52. doi: 10.3906/tar-1407-33
Beltrán y Perdomo, 2007. Aprovechamiento de la sangre
de bovino para la obtencion de harina de sangre y
plasma sanguineo en el matadero Santa Cruz de
Malambo Atlantico. Universidad de la Salle,
Colombia. 193pCifuentes, Oscar I. 2007. Proceso
artesanal de producción de harina de sangre de
bovino, componentes de la sangre, procesamiento.
Universidad de Caldas, Colombia.
Brown, W. F. y Moore, J. E. (1987). Analysis of Forage
research Samples utilizing a combination of wet
Chemistry and Near Infrared Reflectance
Spectroscopy. Journal of Animal Science.
doi.org/10.2527/jas1987.641271x
Cozzolino, D. (2002). Uso de la espectroscopia de
reflectancia en el infrarrojo cercano (NIRS) en el
análisis de alimentos para animales. Agrociencia.
Vol. VI. INIA La Estansuela. Colonia - Uruguay.
Cozzolino, D., Fassio, A. & Fernández, E. 2005. Uso de la
espectroscopia de reflectancia en el infrarrojo
cercano para el análisis de calidad de ensilaje de
maíz. Agric. Téc. 63:387
Davies, A. M. y Grant, A. (1987). Near infrared analysis of
food. Journal Food Science.
Fundación Española para el Desarrollo de la Nutrición
Animal. 2012. Tablas de composición nutricional de
insumos.
García, M., García, J. y Barro, F. 2013. Determinación de
parámetros de calidad de variedades de trigo comuy
bajo contenido en epítopos de celiaquía mediante
NIR. Departamento de Mejora Genética Vegetal.
Córdoba.
Givens, D. I., De boever, J. L y Deaville, E. R. (1997). The
principles, practices and some future applications of
near infrared spectroscopy for predicting the
nutritive value of foods for animals and humans.
Nutrition Research Rewiews.
Madrid, A. (1999). Aprovechamiento de los subproductos
cárnicos.
Mejía, F. Bernal, W. y Yoplac, I. 2016. Predicción de la
composición química de harina de sangre bovina
mediante espectroscopia de reflectancia en el
infrarrojo cercano (NIRS). Tesis para optar el título
de Ingeniero Zootecnista – UNTRM.
Mejía, F. Yoplac, I. Bernal, W y Castro, W. 2019. Evaluación
de modelos de predicción de composición química y
energía bruta de kikuyo (Pennisetum clandestinum)
usando espectroscopía en infrarrojo cercano (NIRS).
Rev Inv Vet Perú 30(3): 1068-1076
http://dx.doi.org/10.15381/rivep.v30i3.16598
Moreta, M. (2012). Diseño de un secador tipo túnel para la
deshidratación de la harina de sangre en el camal
frigorífico de Riobamba.
Ockerman, H. 2000. Industrializacion de subproductos.
2da Ed. Barcelona-España. Edit Satrling. 13-19p.
Reeves, J., Blosser, T., Balde, A., Glenn, B. y Vandersal, J.
(1991). Near infrared spectroscopy analysis of forage
samples digested in situ (nylon bag). J. Dairy Science
Ricci, O. 2012. Harina de Sangre”. (En línea). Consultado,
12 de marzo. 2021. Formato HTML. Disponible en
http://www.engormix.com/
Sandoval, L. A., Bueso-Uclés, F. J., Vélez-Nauer, M. (2008).
Predicción nutricional para pastos tropicales por
espectroscopía de reflectancia en el infrarrojo
cercano. Universidad de Costa Rica. Agronomía
Mesoamericana.
Santiago, H., Teixeira, L., Lopes, J., Cezar, P., Flávia, R.,
Lopes, D., Soares, A., Toledo, S. y Euclides, R. 2011.
Tablas Brasileras para Aves y Cerdos, Composición
de Alimentos y Requerimientos Nutricionales. 3
a
Universidad Federal de Viçosa. Brasil.
Shenk, J. y Werterhaus, M. (1994). The application of Near
Infrared Reflectance Spectroscopy (NIRS) to forage
analysis. Ed. In Fahey, G. C.
Terevinto, A. y Chiesa, Carolina, 2008. Subproductos
Agroindustriales de Origen Animal. (En Línea).
Consultado el 27 de marzo de 2009. Disponible en:
http://www.fagro.edu.uy/~nutanimal/Chiesa%20Ter
evinto.SUB%20ANIMALES.2008
Walpole, R., Myers, R. y Myers, S. (1999). Probabilidad y
estadística par ingenieros. Traducido por Cruz, R. 6
a
.
ed. México.
Wells, G. (2006). Spectroscopía de reflectancia en el
infrarrojo cercano (NIRS) en el análisis cuantitativo y
cualitativo de carne de cordero. Tesis para obtener el
grado de magíster en producción animal
Universidad Austral de Chile
Westerhaus, M. (1989). Equation development. Analisys of
forage quality. Department of Agriculture- USA.
Zamora, S. J. 2016. Rendimiento y composición corporal de
cuyes (Cavia porcellus) suplementados con tres
niveles de harina de sangre bovino (Bos taurus)
procesada artesanalmente. Universidad Nacional de
Trujillo, Perú. 87p.
Zhang C, Su J. 2014. Application ofnear infrared
spectroscopy to the analysisand fast quality
assessment of traditional Chinese medicinal
products. ActaPharmaceutica Sinica 4: 182-192.
doi:10.1016/j.apsb.2014.04.001