ACI Avances en Ciencias e Ingenierías

Artículos

Vol. 17 Núm. 1 (2025)

Optimización de la acidez y del aroma en caramelos de goma con sabor a naranja utilizando un diseño de mezclas simplex-lattice implementado con R

Enviado
August 5, 2024
Publicado
2025-04-15

Resumen

Los acidulantes son cruciales para mejorar y equilibrar los perfiles de sabor de los productos de confitería, como los caramelos de goma, asegurando una experiencia sensorial óptima. Este estudio tuvo como objetivo desarrollar un script en R utilizando el diseño de mezclas simplex-lattice para optimizar los niveles de acidez y aroma y la respuesta combinada de estos atributos para caramelos de goma con sabor a naranja, demostrando su aplicación para mejorar las cualidades sensoriales de los productos de confitería. Los caramelos de goma se prepararon según investigaciones previas, incorporando ácidos cítrico, málico y fumárico con base en el diseño experimental. Los scripts en R se proporcionaron y cargaron en la plataforma GitLab para su descarga y análisis (https://gitlab.com/FoodChem-DataSciLab/orange-flavored-gummy-candies). Treinta jueces capacitados evaluaron los efectos de estos ácidos sobre la acidez y el aroma utilizando una escala hedónica de 5 puntos. Los datos se analizaron con R, lo que dio como resultado modelos matemáticos para los efectos individuales, las interacciones y las respuestas combinadas de los ácidos. También se generaron gráficos de efectos (dirección de Piepel) y gráficos de contornos. Se determinó que la mezcla óptima era 4.95 g de ácido cítrico, 4.65 g de ácido málico y 5.40 g de ácido fumárico, logrando un valor de respuesta combinado óptimo de 107.14. En conclusión, equilibrar estos tres ácidos es fundamental para optimizar los niveles de acidez y aroma en los caramelos de goma con sabor a naranja. Este estudio proporcionó una metodología valiosa para formular productos de confitería con perfiles sensoriales mejorados. Demostró la capacidad de R para abordar problemas complejos tanto en la industria de la confitería como en el mundo académico, enfatizando su importancia como herramienta analítica para desarrollar productos con características sensoriales mejoradas.

Referencias

  1. González-Otamendi, M. D. J., Pérez-Flores, J. G., Contreras-López, E., Soto-Vega, K., García-Curiel, L., Pérez-Escalante, E., Islas-Martínez, D., Jijón, C. Á., & Portillo-Torres, L. A. (2024). Uso de polioles en la industria de la confitería. Ciencia Latina Revista Científica Multidisciplinar, 8(3), 499-528. https://doi.org/10.37811/cl_rcm.v8i3.11259
  2. Gómez, M. M. R., & Sánchez, N. E. O. (2011). Productos gelificados y aireados. En Confitería: De lo artesanal a la tecnología (pp. 179-209). Universidad Autónoma de Aguascalientes.
  3. Hartel, R. W., Von Elbe, J. H., & Hofberger, R. (2018). Jellies, gummies and licorices. En R. W. Hartel, J. H. Von Elbe, & R. Hofberger, Confectionery science and technology (pp. 329-359). Springer International Publishing. https://doi.org/10.1007/978-3-319-61742-8
  4. Chen, X., Zhang, W., Quek, S. Y., & Zhao, L. (2023). Flavor–food ingredient interactions in fortified or reformulated novel food: Binding behaviors, manipulation strategies, sensory impacts, and future trends in delicious and healthy food design. Comprehensive Reviews in Food Science and Food Safety, 22(5), 4004-4029. https://doi.org/10.1111/1541-4337.13195
  5. Hou, L., Zhang, Y., Li, C., Wang, X., & Wang, S. C. (2021). Determination of main bitter compounds in soaked and germinated sesame pastes. Journal of Oleo Science, 70(1), 31-38. https://doi.org/10.5650/jos.ess20169
  6. Qian, R., Sun, C., Bai, T., Yan, J., Cheng, J., & Zhang, J. (2024). Recent advances and challenges in the interaction between myofibrillar proteins and flavor substances. Frontiers in Nutrition, 11, 1378884. https://doi.org/10.3389/fnut.2024.1378884
  7. Goldenberg, L., Yaniv, Y., Kaplunov, T., Doron‐Faigenboim, A., Carmi, N., & Porat, R. (2015). Diversity in sensory quality and determining factors influencing mandarin flavor liking. Journal of Food Science, 80(2), S418-S425. https://doi.org/10.1111/1750-3841.12742
  8. Hülber-Beyer, É., Bélafi-Bakó, K., & Nemestóthy, N. (2021). Low-waste fermentation-derived organic acid production by bipolar membrane electrodialysis—An overview. Chemical Papers, 75(10), 5223-5234. https://doi.org/10.1007/s11696-021-01720-w
  9. Mao, Y., Tian, S., Qin, Y., & Cheng, S. (2021). An optimized organic acid human sensory sourness analysis method. Journal of the Science of Food and Agriculture, 101(14), 5880-5887. https://doi.org/10.1002/jsfa.11240
  10. Rodríguez-Sánchez, F. (2020). Quince consejos para mejorar nuestro código y flujo de trabajo con R. Ecosistemas, 29(3). https://doi.org/10.7818/ECOS.2129
  11. Santos, F. G., Fratelli, C., Muniz, D. G., & Capriles, V. D. (2018). Mixture design applied to the development of chickpea‐based gluten‐free bread with attractive technological, sensory, and nutritional quality. Journal of Food Science, 83(1), 188-197. https://doi.org/10.1111/1750-3841.14009
  12. Squeo, G., De Angelis, D., Leardi, R., Summo, C., & Caponio, F. (2021). Background, applications and issues of the experimental designs for mixture in the food sector. Foods, 10(5), 1128. https://doi.org/10.3390/foods10051128
  13. K K, S., C, S. C., K, S., M C, J., Raj, A., & Kappally, S. (2023). Statistical design of experiments using R program for the optimization of an extended-release neem oil matrix tablet. Journal of Pharmaceutical Innovation, 18(1), 205-219. https://doi.org/10.1007/s12247-022-09640-2
  14. Lawson, J., & Willden, C. (2016). Mixture experiments in R using mixexp. Journal of Statistical Software, 72(Code Snippet 2). https://doi.org/10.18637/jss.v072.c02
  15. Lawson, J., & Willden, C. (2011). mixexp: Design and analysis of mixture experiments (p. 1.2.7) [Dataset]. https://doi.org/10.32614/CRAN.package.mixexp
  16. Boyd, A., & Sun, D. L. (2024). salmon: A symbolic linear regression package for Python. Journal of Statistical Software, 108(8). https://doi.org/10.18637/jss.v108.i08
  17. Liu, X., Yue, R.-X., Xu, J., & Chatterjee, K. (2016). Algorithmic construction of R-optimal designs for second-order response surface models. Journal of Statistical Planning and Inference, 178, 61-69. https://doi.org/10.1016/j.jspi.2016.05.003
  18. Sánchez Villena, A. (2019). Uso de programas estadísticos libres para el análisis de datos: Jamovi, Jasp y R. Revista Perspectiva, 20(1), 112-114. https://doi.org/10.33198/rp.v20i1.00026
  19. Ke, Y., Yang, R., & Liu, N. (2024). Comparing open-access database and traditional intensive care studies using machine learning: Bibliometric analysis study. Journal of Medical Internet Research, 26, e48330. https://doi.org/10.2196/48330
  20. Mittal, D., Mease, R., Kuner, T., Flor, H., Kuner, R., & Andoh, J. (2023). Data management strategy for a collaborative research center. GigaScience, 12, giad049. https://doi.org/10.1093/gigascience/giad049
  21. Freire, M. A. M., Lema, L. D. C. Z., & Rivera, S. M. H. (2021). Estadística descriptiva con R. Gráficos avanzados y aplicaciones. Editorial Universidad Nacional de Chimborazo. https://doi.org/10.37135/u.editorial.05.35
  22. Salas-Molina, F., Pla-Santamaria, D., García-Bernabeu, A., & Utrero-González, N. (2023, July 13). Una revisión de experiencias y recursos educativos para aprender economía y finanzas con Python. IN-RED 2023: IX Congreso de Innovación Educativa y Docencia en Red. https://doi.org/10.4995/INRED2023.2023.16511
  23. Canett Romero, R., Ledesma Osuna, A. I., Robles, S., Morales Castro, R., León Martínez, L., & León-Gálvez, R. (2004). Caracterización de galletas elaboradas con cascarilla de orujo de uva. Archivos Latinoamericanos de Nutrición, 54(1), 93-99. https://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0004-06222004000100014
  24. Kayacier, A., Yüksel, F., & Karaman, S. (2014). Simplex lattice mixture design approach on physicochemical and sensory properties of wheat chips enriched with different legume flours: An optimization study based on sensory properties. LWT - Food Science and Technology, 58(2), 639-648. https://doi.org/10.1016/j.lwt.2014.03.032
  25. Plustea, L., Dossa, S., Dragomir, C., Cocan, I., Negrea, M., Obistioiu, D., Poiana, M.-A., Voica, D., Berbecea, A., & Alexa, E. (2024). Comparative study of the nutritional, phytochemical, sensory characteristics and glycemic response of cookies enriched with lupin sprout flour and lupin green sprout. Foods, 13(5), 656. https://doi.org/10.3390/foods13050656
  26. Duarte, B. P. M., Atkinson, A. C., Granjo, J. F. O., & Oliveira, N. M. C. (2021). Optimal design of mixture experiments for general blending models. Chemometrics and Intelligent Laboratory Systems, 217, 104400. https://doi.org/10.1016/j.chemolab.2021.104400
  27. Galvagnini, F., Fredi, G., Dorigato, A., Fambri, L., & Pegoretti, A. (2021). Mechanical behaviour of multifunctional epoxy/hollow glass microspheres/paraffin microcapsules syntactic foams for thermal management. Polymers, 13(17), 2896. https://doi.org/10.3390/polym13172896
  28. Homayouni Rad, A., Pirouzian, H. R., Toker, O. S., & Konar, N. (2019). Application of simplex lattice mixture design for optimization of sucrose-free milk chocolate produced in a ball mill. LWT, 115, 108435. https://doi.org/10.1016/j.lwt.2019.108435
  29. Buruk Sahin, Y., Aktar Demirtaş, E., & Burnak, N. (2016). Mixture design: A review of recent applications in the food industry. Pamukkale University Journal of Engineering Sciences, 22(4), 297-304. http://doi.org/10.5505/pajes.2015.98598
  30. Grosso, G. S., Méndez, L. M. R., Tangarife, M. P. O., & Arias, N. R. (2015). Diseño experimental de mezclas como herramienta para la optimización de cremolácteos de mango. Revista Colombiana de Investigaciones Agroindustriales, 2(1), 16-24. https://doi.org/10.23850/24220582.166
  31. Mendoza-Combatt, J. C., Fuentes-Medina, L., Mendoza-Combatt, M., & National Open and Distance University, Cartagena. (2021). Design of lattice simplex mixtures as a statistical tool for the inclusion of cowpea bean flour (Vigna unguiculata) in a cheese stick formulation. Revista Mexicana de Ingeniería Química, 20(3), 1-14. https://doi.org/10.24275/rmiq/Alim2433
  32. Ospina‐Casas, K., Laguado‐Escobar, D., & Narváez‐Cuenca, C. (2022). Using a mixture of hydrocolloids to mimic texture and rheological properties of a massive consumption food product. Journal of Food Processing and Preservation, 46(4). https://doi.org/10.1111/jfpp.16440
  33. Kumle, L., Võ, M. L.-H., & Draschkow, D. (2021). Estimating power in (generalized) linear mixed models: An open introduction and tutorial in R. Behavior Research Methods, 53(6), 2528-2543. https://doi.org/10.3758/s13428-021-01546-0
  34. Miles, J. (2014). R squared, adjusted R squared. En R. S. Kenett, N. T. Longford, W. W. Piegorsch, & F. Ruggeri (Eds.), Wiley StatsRef: Statistics reference online (1st ed.). Wiley. https://doi.org/10.1002/9781118445112.stat06627
  35. Jankowski, J. (2017). Mixture seeding for sustainable information spreading in complex networks. En N. T. Nguyen, S. Tojo, L. M. Nguyen, & B. Trawiński (Eds.), Intelligent information and database systems (vol. 10191, pp. 191-201). Springer International Publishing. https://doi.org/10.1007/978-3-319-54472-4_19
  36. Piepel, G. F. (1982). Measuring component effects in constrained mixture experiments. Technometrics, 24(1), 29-39. https://doi.org/10.1080/00401706.1982.10487706
  37. Talens, C., Llorente, R., Simó-Boyle, L., Odriozola-Serrano, I., Tueros, I., & Ibargüen, M. (2022). Hybrid sausages: Modelling the effect of partial meat replacement with broccoli, upcycled brewer’s spent grain and insect flours. Foods, 11(21), 3396. https://doi.org/10.3390/foods11213396
  38. Olubi, O., Felix-Minnaar, J. V., & Jideani, V. A. (2021). Physicochemical, mineral and sensory characteristics of instant Citrullus lanatus mucosospermus (Egusi) soup. Foods, 10(8), 1817. https://doi.org/10.3390/foods10081817

Descargas

Los datos de descarga todavía no están disponibles.