Evaluación de métodos computacionales para correlacionar espectros de infrarrojo cercano (NIR) con la presencia de aflatoxinas en maíz.

Abstract

El maíz (Zea mays L.) es uno de los cultivos más importantes a nivel mundial. Sin embargo, su contaminación por aflatoxinas, producidas por Aspergillus flavus y Aspergillus parasiticus, representa un riesgo para la salud pública. Su detección temprana es crucial para prevenir su entrada en la cadena alimentaria, y la espectroscopía de infrarrojo cercano (NIR) se ha consolidado como una técnica no destructiva, rápida y precisa para su monitoreo. Se realizó un estudio computacional, clasificando los espectros NIR y la presencia de aflatoxinas mediante técnicas estadísticas. Se utilizaron 15 muestras contaminadas y 11 no contaminadas de maíz blanco, aplicando Análisis de Componentes Principales (PCA) combinado con regresión logística. El modelo mostró una alta capacidad de discriminación entre las muestras. El uso de 2 componentes principales (PCs) explicó el 98.1%, mientras que el uso de 3 PCs alcanzó un 99.5% de la varianza total, mejorando la separación de clases y reduciendo la incertidumbre en las predicciones. También se utilizó el modelo de Análisis discriminante de mínimos cuadrados parciales (PLS-DA) con diferentes pretratamientos espectrales como derivadas de Savitzky-Golay, MSC y Detrend. El pretratamiento “2nd Deriv 11" obtuvo los mejores rendimientos, alcanzando una exactitud del 100%, tanto en calibración como en validación. El rendimiento de los modelos fue evaluado mediante validación cruzada de exclusión de uno (LOOCV), donde el pretratamiento "2nd Deriv 11” alcanzó una exactitud del 92.3%, un área bajo la curva (AUC) de 0.933 y un Error cuadrático medio (RMSE) de 0.277, demostrando que este pretratamiento fue el más eficaz.