Ep 25 — Industria alimentaria: Detección de adulteración (leche, miel, aceite de oliva)

Serie: Enciclopedia de espectroscopia infrarroja: de los principios a la práctica
Capítulo: Tercera parte · Nivel intermedio — Aplicaciones industriales
Público objetivo: Técnicos de laboratorios de inspección de alimentos, personal de control de calidad de empresas alimentarias, inspectores de importación y exportación
Conocimiento previo: Ep 14 (ATR), Ep 20 (Fundamentos cuantitativos), Ep 23 (Enfoque de identificación de mezclas)
Tiempo de lectura: Aproximadamente 48 minutos

Introducción: El costo de una "miel falsa"

En 2019, la Administración de Supervisión del Mercado de cierta provincia recibió una queja de un consumidor, alegando que la miel de una marca local "era de sabor aguado y cristalización anormal". Tras el envío para análisis, se utilizó FTIR-ATR + quimiometría, y se encontró que el espectro infrarrojo de la muestra en la región 1050–1150 cm⁻¹, correspondiente al estiramiento C-O de carbohidratos, era significativamente diferente al de la miel pura, mostrando características típicas del jarabe de maíz con alto contenido de fructosa (HFCS) [1].

Un modelo PLS-DA adicional determinó que la muestra contenía aproximadamente 35% de jarabe de maíz con alto contenido de fructosa. Investigaciones posteriores revelaron que la empresa compraba HFCS de una fábrica química y lo mezclaba directamente con miel barata para hacer pasar lo malo por bueno. Finalmente, la empresa fue despojada de su licencia de producción de alimentos y el principal responsable fue procesado penalmente [1].

"La adulteración de la miel con edulcorantes baratos (sacarosa, HFCS) es uno de los fraudes alimentarios más comunes en todo el mundo, y la espectroscopia FTIR combinada con quimiometría es una herramienta de detección potente."
—— Downey G et al., Food Chemistry, 2014 [2]

La adulteración de alimentos es un problema global. Según la Base de Datos de Fraude Alimentario de USP (Farmacopea de EE. UU.), la leche, la miel y el aceite de oliva son los tres alimentos con mayor tasa de adulteración [3]. En este episodio, nos centraremos en estos tres tipos de alimentos para aprender sistemáticamente la aplicación de la FTIR en la detección de adulteración, desde el método de una sola banda hasta la quimiometría, desde la detección rápida hasta la evaluación de conformidad.

I. Adulteración de alimentos: un problema "antiguo"

1.1 ¿Qué es la adulteración de alimentos?

Adulteración de alimentos (Food Adulteration) se refiere a la adición intencional de sustancias baratas o no alimentarias a los alimentos para obtener beneficios económicos indebidos [3][4]:

1.2 Estado actual de la adulteración de leche, miel y aceite de oliva

1.2.1 Métodos comunes de adulteración de la leche [4][5]

1.2.2 Adulteración de la miel [2][6]

• Adición de jarabe de sacarosa: el más tradicional
• Adición de HFCS: el más común debido a su bajo costo
• Adición de jarabe de remolacha: similar a los azúcares de la miel, difícil de distinguir
• Miel artificial directa: jarabe de maíz + aromatizantes

1.2.3 Adulteración del aceite de oliva [7]

• Mezcla con aceite de soja, aceite de girasol, aceite de maíz: reducción de costos
• Mezcla con aceite de avellana: composición similar al aceite de oliva
• Mezcla con aceite de oliva de baja calidad: pasar lo malo por bueno
• Falsificación de etiquetas: falsificación de origen, grado

1.3 Papel de la FTIR en la inspección de alimentos

Ventajas de la FTIR en la detección de adulteración de alimentos [2][4][5]:

① Rápida: medición ATR en 1–2 minutos
② Multicomponente: un solo barrido cubre todos los componentes
③ Sin reactivos: ecológico, bajo consumo
④ Muestra pequeña: se puede medir con una gota
⑤ Combinación con quimiometría: puede identificar adulteraciones muy complejas

Limitaciones:

• Interferencia del agua: la fuerte absorción del agua puede ocultar parte de la señal
• Adulteración en baja concentración: el límite de detección suele ser del 1–5%
• Efecto de matriz: grandes diferencias entre alimentos, cada uno requiere un modelo específico

II. Detección de adulteración de leche por FTIR

2.1 "Huella digital" infrarroja de la leche

La leche es un sistema complejo que contiene agua, grasa, proteínas, lactosa y minerales [4][5]. Sus principales características infrarrojas:

🔗 Extensión: El doblete de amida I y amida II (1650/1540 cm⁻¹) de la leche proviene de las proteínas lácteas. En la página de grupos funcionales amida de ftir.fun se puede ver que 1650 y 1550 cm⁻¹ son dos posiciones comunes de amida, y la página muestra la distribución de las bandas de amida (el soporte se actualiza con la biblioteca) [8]. Estos dos picos en el espectro ATR de la leche son una manifestación típica de la región de amida.

2.2 Leche con agua: simple pero efectiva

La dilución con agua es la forma más simple de adulteración de la leche. Principio de detección por FTIR [4][5]:

• Aumento del estiramiento O-H: al aumentar el agua, el pico a 3300 cm⁻¹ se intensifica
• Disminución de amida I/II: disminuye la concentración de proteína
• Disminución a 1740 cm⁻¹: disminuye la concentración de grasa

Cuantificación simple:
$$\text{Proporción de agua añadida} \approx 1 - \frac{A{1540, muestra}}{A{1540, control}}$$

Limitación de la medición ATR: cuando la adición de agua es < 5%, la sensibilidad es limitada debido a que el pico O-H ya es fuerte. Se requiere quimiometría o un método de refracción más preciso.

2.3 Leche con urea

La urea CO(NH₂)₂ contiene dos grupos amina primarios, con características infrarrojas claras [5][9]:

• 3450, 3340 cm⁻¹: Estiramiento N-H (doblete de amina primaria)
• 1630 cm⁻¹: Estiramiento C=O (región de amida I)
• 1460 cm⁻¹: Flexión N-H
• 1150 cm⁻¹: Estiramiento C-N

Banda clave para la identificación: la aparición del doblete a 3450/3340 cm⁻¹ es una señal clara de adición de urea.

Cuantificación: utilizando el área del pico a 1150 cm⁻¹ para hacer una curva de calibración, se puede cuantificar el contenido de urea.

📷 Figura 1: Comparación de espectros ATR-FTIR de leche pura y leche con urea añadida

Fuente: Imagen real/abierta · Unsplash — aceite de oliva (marca de agua ftir.fun añadida)
https://doi.org/10.1016/j.lwt…

2.4 Leche con melamina

La melamina (C₃H₆N₆) contiene anillo de triazina + tres grupos amino, y fue la culpable del incidente de la leche en polvo con melamina en China en 2008 [10].

Características infrarrojas [10]:

• 3470, 3420, 3330 cm⁻¹: Estiramiento N-H (múltiples grupos amino)
• 1650 cm⁻¹: Estiramiento C=N del anillo de triazina
• 1550, 1460 cm⁻¹: Flexión N-H
• 1020 cm⁻¹: Estiramiento C-N

Dificultad de detección: la cantidad de melamina añadida suele ser < 1% (para evitar que el método Kjeldahl muestre anomalías), por lo que es difícil de detectar directamente con ATR convencional [10].

Soluciones:

• Extracción y enriquecimiento con TFA: Extraer melamina con ácido trifluoroacético, concentrar y medir
• Quimiometría: Identificar melamina < 1% usando modelo PLS
• μ-FTIR: Observar si hay partículas cristalinas de melamina

⚠️ Regulación: GB/T 22388—2008 establece que los métodos de detección de melamina son GC-MS, LC-MS; FTIR se utiliza para detección rápida, no como método de confirmación legal [10].

2.5 Aplicación de la quimiometría en la detección en leche

Los espectros infrarrojos de la leche son complejos; la quimiometría es clave [4][5][9]:

① PCA (Análisis de Componentes Principales): Identificar muestras anómalas

• Agrupación PCA de muestras de leche pura
• Muestras adulteradas se desvían del grupo
• Visualizar muestras "anómalas"

② PLS-DA (Análisis Discriminante de Mínimos Cuadrados Parciales): Clasificación

• Conjunto de entrenamiento: leche pura vs leche adulterada (varios tipos)
• El modelo puede discriminar "si está adulterada"
• Precisión puede alcanzar > 95%

③ PLS (Cuantitativo): Cuantificar la proporción de adulteración

• Conjunto de entrenamiento: muestras con contenido conocido de urea
• El modelo predice el contenido de urea
• Límite de detección aproximadamente 0.1–0.5%

3. Detección de adulteración de miel por FTIR

3.1 "Huella dactilar" infrarroja de la miel

La miel contiene principalmente fructosa, glucosa, sacarosa y otros azúcares (alrededor del 80%) y agua (alrededor del 17%) [2][6].

🔗 Ampliación: El cribado de adulteración de miel debe examinar tanto la región de tensión O–H como la C–O de azúcares (aproximadamente 1050–1150 cm⁻¹). El O–H se puede consultar en página de hidroxilo; el esqueleto C–O es más adecuado consultar en página de éter/C–O o página de carbohidratos (si la página tiene datos), no afirmar que el C–O de azúcares es "el contenido principal de la página de hidroxilo".

3.2 Detección de miel con jarabe de maíz de alta fructosa (HFCS)

El jarabe de maíz de alta fructosa (HFCS) es el adulterante más común en la miel [2][6]. El HFCS es producto de la hidrólisis e isomerización del almidón de maíz, contiene principalmente fructosa y glucosa — muy similar a la composición de azúcares de la miel.

3.2.1 Distinción por método de pico único

Pero el HFCS y la miel difieren en algunos componentes traza:

• La miel contiene proteínas de polen naturales: doblete en 1650/1540 cm⁻¹
• HFCS casi sin proteínas: doblete débil o ausente
• La miel contiene ácidos orgánicos: pico débil en 1730 cm⁻¹
• HFCS casi sin: ausente en 1730 cm⁻¹

Método de determinación [2][6]:

• Medir la relación $A{1650}/A{1050}$
• Miel pura > 0.05
• Miel adulterada con HFCS < 0.03

3.2.2 Discriminación por quimiometría

El método más fiable es PLS-DA [2][6]:

• Conjunto de entrenamiento: miel pura + miel adulterada con HFCS (0%, 10%, 20%, … 100%)
• PLS-DA con espectro completo (4000–400 cm⁻¹)
• Precisión puede alcanzar 98%

📷 Figura 2: Comparación de espectros FTIR de miel pura y miel adulterada con HFCS

Fuente: Imagen real/de código abierto · Unsplash — lab (con marca de agua ftir.fun)
https://doi.org/10.1016/j.foo…

3.3 Detección de miel con jarabe de sacarosa

El jarabe de sacarosa (como el jarabe de caña de azúcar) es más difícil de detectar que el HFCS, porque [6]:

• La sacarosa está presente naturalmente en la miel
• El espectro infrarrojo es muy similar al de la miel

Soluciones:

• Análisis de isótopos (IRMS): el ¹³C de plantas C4 (maíz) difiere de plantas C3 (fuente floral de la miel)
• Relación de picos característicos: diferencias sutiles en relaciones como 1045/1020 cm⁻¹
• Cromatografía combinada: HPLC para medir distribución de oligosacáridos

4. Detección de adulteración de aceite de oliva por FTIR

4.1 "Huella dactilar" infrarroja del aceite de oliva

El aceite de oliva es una mezcla de triglicéridos, que contiene principalmente ácido oleico (C18:1), ácido linoleico (C18:2), ácido palmítico (C16:0) y otros ácidos grasos [7][12].

🔗 Ampliación: La tensión C=O a 1746 cm⁻¹ del aceite de oliva corresponde a un éster típico. En la página de grupo funcional éster de ftir.fun se puede ver que 1740, 1730, 1735 cm⁻¹ son las tres frecuencias C=O de éster más comunes en la página [13]. El 1746 cm⁻¹ del aceite de oliva es ligeramente superior al éster típico debido al efecto inductivo del grupo éster en los triglicéridos.

4.2 Detección de aceite de oliva adulterado con aceite de soja/girasol

La composición de ácidos grasos de diferentes aceites vegetales varía ligeramente [7][12]:

Diferencia clave: Los aceites de soja, girasol y maíz contienen más ácidos grasos insaturados → pico a 3007 cm⁻¹ (tensión =C-H) más fuerte [12].

4.3 Método de pico único vs quimiometría

Método de pico único [12]:

• Medir la relación $A{3007}/A{1746}$
• Aceite de oliva puro: aproximadamente 0.07–0.10
• Adulterado con 20% aceite de soja: aproximadamente 0.10–0.12
• Adulterado con 50% aceite de soja: aproximadamente 0.13–0.15

Ventajas: Simple y rápido
Limitaciones: Límite de detección aproximadamente 10–15%, difícil identificar adulteración en baja proporción

Quimiometría (PLS-DA) [7]:

• Entrenamiento con espectro completo
• Límite de detección puede ser tan bajo como 5%
• Precisión superior al 95%

4.4 Detección de oxidación del aceite de oliva

El aceite de oliva mismo puede oxidarse y enranciarse, afectando la calidad. FTIR puede monitorear [12]:

• Aparición de un nuevo pico a 1710 cm⁻¹: C=O de ácidos grasos libres (de hidrólisis)
• Aparición de O-H a 3470 cm⁻¹: Hidroperóxidos
• Incremento a 967 cm⁻¹: Grasas trans (isomerización oxidativa)

"FTIR has become a routine tool for olive oil quality assessment, with the Codex Alimentarius and IOC (International Olive Council) recognizing several IR-based methods."

—— Consejo Oleícola Internacional, Norma Comercial, 2022 [7]

4.5 Base regulatoria

• IOC (Consejo Oleícola Internacional) COI/T.20/Doc. No 29: Determinación de parámetros de calidad del aceite de oliva por FTIR
• AOCS Cd 1e-01: Determinación de grasas trans por FTIR
• GB 5009.168—2016: Norma Nacional de Seguridad Alimentaria - Determinación de ácidos grasos en alimentos (principalmente sistema cromatográfico; si aparece IR en el método/apéndice, debe verificarse según el texto de la norma, no se debe escribir genéricamente como "que contiene cuantificación por IR")

V. Ventajas y limitaciones prácticas de ATR-FTIR en la detección rápida de alimentos

5.1 Ventajas de ATR en la detección rápida de alimentos

5.2 Limitaciones de ATR en la detección rápida de alimentos

① Interferencia de soluciones acuosas

La absorción infrarroja del agua es muy fuerte [4][5]:

• 3300 cm⁻¹ (estiramiento O-H): ancha e intensa
• 1640 cm⁻¹ (flexión H-O-H): ancha

Estas dos regiones casi "no ven" la señal de la muestra

Solución:

• Utilizar un cristal con menor profundidad de penetración (ej. Ge, penetración 0.2 μm)
• O usar quimiometría para restar la contribución del agua
• O secar la muestra (pero se pierde información de volátiles)

② Límite de detección

La profundidad de penetración de ATR es solo 0.5–5 μm, las adulteraciones traza son difíciles de detectar directamente [5][9]:

• Melamina < 0.1%: difícil de medir con ATR convencional
• Adulteración < 5%: requiere quimiometría

③ Efecto matriz

Las matrices de diferentes alimentos varían mucho, los modelos no son extrapolables [9]:

• El modelo PLS de leche no puede usarse para zumos
• Mieles de diferentes fuentes florales requieren modelos independientes
• Aceites de oliva de diferentes orígenes muestran diferencias significativas

5.3 Consejos para el manejo de muestras

Leche: ATR directo, 1–2 gotas, sin pretratamiento [4]

Miel: si está cristalizada, calentar en baño de agua a 40°C [6]

Aceite de oliva: ATR directo, evitar burbujas [7]

Alimentos sólidos: moler y prensar con KBr, o cortar una sección fresca para ATR

VI. La quimiometría mejora la precisión de la discriminación

6.1 ¿Por qué se necesita la quimiometría?

Los espectros infrarrojos de los alimentos son ricos en información pero se superponen, el método de pico único es difícil de manejar [9][14]:

• Los picos característicos de azúcares, proteínas y grasas están en 1000–1700 cm⁻¹
• Diferentes componentes interfieren entre sí
• La señal de adulteración es débil, a menudo enmascarada por la matriz

La quimiometría (Chemometrics) extrae información del espectro completo mediante análisis multivariante [9][14]:

6.2 Introducción a los métodos principales

① Pretratamiento de datos [9][14]

• SNV (Transformación de Variable Normal Estándar): elimina la dispersión de partículas
• MSC (Corrección de Dispersión Múltiple): corrección de línea base
• Derivada primera/segunda: resalta picos débiles, elimina inclinación de línea base
• Suavizado Savitzky-Golay: reducción de ruido

② PCA (Análisis de Componentes Principales) [9]

   PC2
    ▲
    │      ● Miel pura
    │   ●●●●
    │  ●●  
    │   ●     × Adulterada
    │           ××
    │            ×
    └─────────────► PC1

• Reduce los espectros multidimensionales a 2–3 dimensiones
• Visualiza la agrupación de muestras
• Identifica muestras "anómalas"

③ PLS-DA (Análisis Discriminante de Mínimos Cuadrados Parciales) [9]

• Conjunto de entrenamiento: muestras de categorías conocidas (ej. miel pura vs adulterada)
• El modelo aprende la relación entre espectros y categorías
• Las muestras desconocidas pueden clasificarse

④ PLS (Análisis Cuantitativo) [9]

• Conjunto de entrenamiento: muestras de concentración conocida (ej. urea 0–5%)
• El modelo aprende la relación entre espectros y concentración
• Las muestras desconocidas pueden predecir la concentración

6.3 Validación del modelo

La validación del modelo es clave para evitar sobreajuste [9][14]:

• Validación cruzada (cross-validation): método de dejar uno fuera dentro del conjunto de entrenamiento
• Validación externa (external validation): conjunto de prueba independiente
• RPD (Desviación de Predicción Residual): RPD > 3 indica modelo utilizable, > 5 excelente

Identificación de sobreajuste:

• R² alto en entrenamiento, R² bajo en prueba → sobreajuste
• Demasiados componentes principales → ajuste de ruido
• Muestras insuficientes en entrenamiento → modelo no robusto

6.4 Herramientas de código abierto recomendadas

• Orange-Spectroscopy: interfaz gráfica, sin programación (ver Ep 54)
• SpectroChemPy: framework de Python (ver Ep 53)
• HyperSpy: análisis avanzado (ver Ep 54)

🔗 Extensión: El aprendizaje sistemático de la quimiometría se desarrollará en detalle en Ep 43 (PCA, PLS) y Ep 44 (Aprendizaje automático).

VII. Normas de la industria y validación de métodos

7.1 Estado regulatorio de la detección de adulteración de alimentos por FTIR

Actualmente, FTIR se utiliza principalmente como método de cribado, no como método de confirmación legal [3][4][5]:

7.2 Requisitos de validación del método

Los métodos de cribado por FTIR deben validarse según AOAC o ISO 17025 [3]:

7.3 Confirmación "doble vía" de muestras positivas

Práctica habitual [3][9]:

• Cribado FTIR positivo → confirmación por espectrometría de masas/método isotópico
• Se emite informe oficial solo después de la confirmación
• La responsabilidad legal debe basarse en métodos legales

VIII. Tendencias y desarrollos de la industria

8.1 FTIR portátil para detección rápida en campo

• FTIR de mano (ej. Bruker ALPHA II): puede realizar inspecciones en el mercado in situ
• Modelo integrado: muestra directamente la decisión "miel pura / adulterada"
• Resultados en 1 minuto, adecuado para cribado de gran volumen [4]

8.2 Infrarrojo por láser de cascada cuántica (QCL)

El láser de cascada cuántica (QCL) es 1000 veces más brillante que el FTIR tradicional [14]:

• El límite de detección se reduce drásticamente
• Puede detectar melamina < 0.1%
• Ya se aplica en alimentos líquidos como leche, vino, etc.

8.3 Aprendizaje automático + FTIR

• Aprendizaje profundo (CNN): discrimina adulteración directamente desde el espectro
• Aprendizaje por transferencia: puede entrenarse con pocas muestras
• IA explicable: identifica regiones espectrales que contribuyen significativamente a la discriminación

8.4 Fusión multisensor

• FTIR + Raman + NIR + Fluorescencia
• Información multimodal complementaria
• Mejora la precisión de la discriminación

IX. Experiencia de la industria y registro de "trampas"

9.1 Trampa 1: Ignorar el pretratamiento de la muestra

Caso [6]: Medición directa de miel cristalizada por ATR, espectro anormal. La razón es el mal contacto entre los cristales de miel y el cristal ATR.

Lección:

• La miel debe derretirse en baño de agua a 40°C
• Medir después de enfriar a temperatura ambiente
• Asegurar que el líquido cubra uniformemente el cristal

9.2 Trampa 2: Interferencia de línea base en soluciones acuosas

Caso [4]: En el espectro ATR de una muestra de leche, la amida I a 1650 cm⁻¹ es casi invisible. La razón es que el pico de flexión H-O-H del agua a 1640 cm⁻¹ se superpone con la amida I, causando una interferencia grave.

Solución:

• Usar cristal de Ge (penetración más superficial)
• O restar el espectro de agua pura mediante espectroscopia de diferencia
• O usar un modelo PLS (maneja automáticamente la línea base)

9.3 Tercer problema: extrapolación del modelo

Caso [9]: Un modelo PLS-DA construido con miel de una región tuvo una alta tasa de clasificación errónea al aplicarse a miel de otra región. La razón es que los espectros de fondo de la miel de diferentes fuentes florales son diferentes.

Lección:

• El conjunto de entrenamiento del modelo debe cubrir toda la variabilidad de las muestras objetivo
• Diferentes orígenes/variedades requieren modelos independientes
• Actualizar periódicamente el modelo con nuevas muestras

9.4 Cuarto problema: ignorar la interferencia de aditivos

Caso [4]: Se añadió vitamina A (liposoluble) a la leche, el pico a 1740 cm⁻¹ aumentó, y se identificó erróneamente como "aceite vegetal añadido".

Solución:

• Conocer la formulación de la muestra y los aditivos
• Restar el espectro del aditivo si es necesario
• Combinar con evaluación sensorial y otros métodos

9.5 Quinto problema: depender únicamente de la búsqueda en biblioteca HQI

Caso [6]: La búsqueda en biblioteca de una muestra de miel arrojó una coincidencia de "miel" con un índice de 0,92, y QC liberó directamente. En realidad, contenía 15% de HFCS; la miel seguía siendo el componente principal, por lo que la búsqueda en biblioteca naturalmente acertó.

Lección:

• La búsqueda en biblioteca no es sensible a la adulteración
• La detección de adulteración debe usar modelos discriminantes (PLS-DA), no solo coincidencia de similitud
• El índice de coincidencia solo indica "contiene miel", no "solo miel"

Ilustración (esquema clave de esta sección)

📷 Fig. 3: Esquema de picos característicos para escenarios de aplicación
Fuente: Diagrama educativo de ftir.fun (con marca de agua; no es espectro real, solo para entender conceptos)

Resumen de esta sección

Preguntas de reflexión

1. Ha recibido una muestra de leche en polvo con sospecha de adulteración con melamina. Diseñe un protocolo de cribado por ATR-FTIR, incluyendo preparación de muestra, adquisición de espectros, criterios de decisión, y explique cuándo se necesita confirmación por LC-MS. Consulte la página de grupo funcional amida de ftir.fun para seleccionar picos clave.

2. En el espectro ATR de una muestra de miel, el doblete a 1650/1540 cm⁻¹ es muy débil (casi ausente), mientras que los picos de azúcares a 1050–1150 cm⁻¹ son normales. Identifique la posible sustancia adulterante y explique su razonamiento.

3. En la adulteración de aceite de oliva con aceite de soja, se utiliza el método de pico único para medir la relación $A{3007}/A{1746}$. Se sabe que el aceite de oliva puro tiene una relación de 0.08, y después de añadir 30% de aceite de soja la relación es aproximadamente 0.11. Utilice los datos de la página de grupo éster de ftir.fun para explicar la asignación de la elongación C=O a 1746 cm⁻¹, y discuta los factores que afectan esta relación.

4. Necesita construir un modelo PLS-DA para discriminar miel pura de miel adulterada con HFCS. Diseñe el conjunto de entrenamiento, el método de validación y los indicadores de rendimiento, y explique el riesgo de sobreajuste. Considere simultáneamente las regiones de picos de hidroxilo y C–O de carbohidratos (éter/carbohidrato).

5. Al medir leche directamente con ATR-FTIR, la fuerte absorción del agua (3300, 1640 cm⁻¹) interfiere gravemente. Enumere al menos tres soluciones y compare sus ventajas y desventajas.

Referencias

[1] Administración Estatal de Regulación del Mercado. Recopilación de Avisos de Inspección de Alimentos y Casos Típicos 2019.
https://www.samr.gov.cn/

[2] Downey G, McIntyre P, Davies A N. "Detecting Honey Adulteration." Food Chemistry, 2014, 149: 39–48. DOI:10.1016/j.foodchem.2013.06.045.

[3] USP (United States Pharmacopeial Convention). Food Fraud Database. 2023.
https://www.foodfraud.org/

[4] Paradkar M M, Irudayaraj J. "A Rapid FTIR Spectroscopic Method for Estimation of Caffeine in Soft Drinks." Food Chemistry, 2002, 78(2): 261–266. DOI:10.1016/S0308-8146(01)00392-5.

[5] PÚBLICO E DE LIMA K M et al. "FTIR Spectroscopy for Identification of Adulteration in Milk." LWT - Food Science and Technology, 2016, 76: 119–124. DOI:10.1016/j.lwt.2016.09.015.

[6] Sivakesava S, Irudayaraj J. "Detection of Inverted Beet Sugar Adulteration of Honey by FTIR Spectroscopy." Journal of the Science of Food and Agriculture, 2001, 81(8): 683–690. DOI:10.1002/jsfa.859.

[7] International Olive Council (IOC). Trade Standard Applying to Olive Oils and Olive Pomace Oils. COI/T.15/NC No 3/Rev. 19, 2023.
https://www.internationaloliv…

[8] ftir.fun. "Amide — FTIR absorption peaks and assignments." FTIR Functional Group Database.
https://ftir.fun/ir/group/ami…

[9] Cocchi M et al. "Chemometric Methods for the Analysis of Food." Analytica Chimica Acta, 2018, 1015: 1–14. DOI:10.1016/j.aca.2018.02.039.

[10] Administración General de Supervisión de Calidad, Inspección y Cuarentena de la República Popular China. GB/T 22388—2008 Métodos de detección de melamina en leche cruda y productos lácteos. Editorial de Normas de China.

[11] ftir.fun. "Hidroxilo (O-H) — picos de absorción FTIR y asignaciones." Base de datos de grupos funcionales FTIR.
https://ftir.fun/ir/group/hyd…

[12] Guillén M D, Cabo N. "Caracterización de aceites comestibles y manteca de cerdo mediante espectroscopia FTIR." Journal of Agricultural and Food Chemistry, 1997, 45(11): 4495–4503. DOI:10.1021/jf970253t.

[13] ftir.fun. "Éster — picos de absorción FTIR y asignaciones." Base de datos de grupos funcionales FTIR.
https://ftir.fun/ir/group/est…

[14] Beć K B, Grabska J, Huck C W. "Espectroscopia infrarroja cuantitativa de alimentos: principios y aplicaciones." Spectroscopy, 2021, 36(4): 26–34.

[15]AOAC International. Métodos oficiales de análisis. 21.ª ed. 2023. Capítulo 33 (Análisis de alimentos).

Avance del próximo episodio: Ep 26 — Industria alimentaria: migración de envases de alimentos y detección de microplásticos
Pasaremos de "adulteración de los propios alimentos" a "contaminación de los alimentos", centrándonos en el método de análisis de toda la membrana con FPA-FTIR de microplásticos en recipientes de comida para llevar, el método de verificación de microplásticos en agua potable y el estudio LDIR en múltiples ciudades de microplásticos en bebidas carbonatadas. La detección de microplásticos es un tema candente en los campos de la alimentación y el medio ambiente.