Fonctionnement de la spectrométrie dans le proche infrarouge

Fonctionnement de la spectrométrie dans le proche infrarouge

Diverses utilisations de la SPIR

La première application de la SPIR a été développée par Karl Norris qui travaillait comme ingénieur au ministère de l’agriculture aux USA (Hart et al. 1962). La SPIR a déjà fait l’objet de nombreuses utilisations en industrie agro-alimentaire. Les premières applications portaient principalement sur le dosage des constituants majeurs (Bertrand, 2002). Au cours de ces dernières années, les méthodes spectroscopiques n’ont cessé de progresser et de jouer un rôle de plus en plus grand dans le contrôle de la qualité des produits. Utilisée rationnellement, la SPIR apparaît comme une méthode fiable, rapide et peu onéreuse. Les travaux de recherches menés ces dix dernières années ont révélé son intérêt dans la compréhension des relations structure-texture des aliments. Les procédés de fabrication des aliments induisent en effet des  modifications de la structure moléculaire des aliments, qui peuvent aussi être caractérisées par SPIR (Bertrand et Dufour, 2006).

Les céréales

Dès le début des années 80, les chercheurs s’intéressent à la SPIR pour différencier les variétés de blé selon leur qualité pour la transformation. En utilisant un spectrophotomètre de 1100 à 2500 nm, et en prenant un pas de lecture tous les 4 nm, ils montrent qu’il est possible d’analyser les spectres pour différencier les variétés selon les caractéristiques physicochimiques de leurs farines complètes. La SPIR apparaît comme une technique alternative intéressante pour classer les variétés de blé bien qu’elle soit moins précise que les électrophorèses d’isozymes (Devaux et al., 1986). La classification rapide des échantillons est recherchée dans l’industrie céréalière et les analyses en composantes principales (ACP) seraient, d’après ces auteurs, suffisamment discriminantes pour classer les variétés de blé. La SPIR a aussi été utilisée comme un outil pour le criblage des variétés de blé dur (Ferrio et al., 1999). Ce travail a permis d’évaluer la pertinence d’une mesure de la réflectance spectrale directement sur les grains d’un grand nombre de génotypes de blé dur cultivés dans des milieux différents en Syrie. Ces auteurs concluent que les teneurs en amidon, cellulose, eau et protéines déterminent directement le rendement en grains et qu’une prédiction de ces valeurs permet donc une bonne appréciation du rendement. Les analyses de données ont révélé des corrélations très significatives entre les valeurs prédites par la SPIR et celles qui ont été mesurées avec des 0,88 pour la calibration et de 0,76 pour la prédiction du rendement en grains. Ils conseillent d’améliorer les équations de calibration de manière à utiliser la SPIR en routine dans les programmes d’amélioration génétique du blé dur en Syrie. La SPIR a aussi été utilisée en Pologne pour caractériser les variétés de blé et pour apprécier leurs propriétés diététiques (Rakszegi et al., 2008). Une ACP permet de classer les variétés à fortes teneurs en amidon et faibles teneurs en protéines de chaque côté de l’axe 1 de l’ACP, les deux valeurs étant négativement corrélées entre elles. Les résultats de cette étude montrent que les principales caractéristiques (teneurs en amidon, amylose, protéines, gluten) du blé déterminent directement sa qualité et qu’il serait donc utile pour les programmes d’amélioration génétique de pouvoir cribler les descendances à l’aide de SPIR.
La même approche a été utilisée pour les programmes d’amélioration génétique de l’orge en Australie (Ratcliffe and Panozzo, 1999). Des variétés de qualité connue sont insérées dans les échantillons inconnus traités par SPIR et le classement des spectres est cohérent avec leurs caractéristiques physico-chimiques. Les calibrations pour les protéines montrent qu’il est possible de prédire avec une précision suffisante les teneurs d’échantillons inconnus. D’après ces chercheurs, l’avantage de la SPIR concerne l’analyse simultanée de plusieurs caractères sur un même échantillon et permet dans ce cas précis, de traiter 40 échantillons par heure. Les caractérisations faites durant cette étude se sont révélées particulièrement intéressantes pour évaluer les hybrides à un stade préliminaire du programme d’amélioration génétique, facilitant ainsi le criblage de nombreuses accessions. Au Danemark, le programme d’amélioration génétique de l’orge a utilisé la SPIR et l’ACP des spectres pour classer les hybrides et sélectionner les mutants les plus intéressants (Munck and Møller, 2005). L’ACP permet de bien distinguer les variétés pauvres en amidon de celles riches en lysine. D’après ces auteurs, il y aurait une très bonne correspondance entre l’ACP des valeurs chimiques (teneurs en amidon, protéines…) et l’ACP des spectres IR. Puisque les variétés se séparent très nettement de chaque côté de l’axe 1, entre groupe riche en amidon et groupe riche en lysine, la SPIR serait une technique particulièrement intéressante pour les sélectionneurs et les programmes d’amélioration génétique. La qualité du maïs dépend de sa teneur en matière sèche, en protéines et en amidon. Ces caractéristiques sont prédites par SPIR depuis les années 70-80 mais la lecture se fait  généralement en laboratoire. La performance de la SPIR pour apprécier ces paramètres directement sur de moissonneuses-batteuses a été évaluée en Allemagne puis comparée aux prédictions faites par SPIR en laboratoire (Montes et al., 2006). Les coefficients sont légèrement inférieurs (0,89 contre 0,95 sur grains et 0,97 sur farines en laboratoire) mais la technique semble très prometteuse. D’après cette étude, la SPIR serait utilisée en routine chez les améliorateurs de maïs et pourraient à terme être utilisée au champ pour pouvoir apprécier les performances des variétés améliorées sur de grandes surfaces. L’adaptation de cette technique a été testée en Chine sur grain de maïs entier (Jiang et al., 2007) pour quantifier les teneurs en amidon, huile et protéines. Les coefficients de validation sont très élevés (respectivement de 0,91 ; 0,94 et 0,95) et il est recommandé d’utiliser cette technique en routine dans les programmes d’amélioration génétique. Plus récemment, un criblage de 1245 variétés de maïs a pu être réalisé en Italie dans le cadre d’un programme européen (EUMLCC= European Union Maize Landraces Core Collection) destiné à évaluer précisément la diversité de cette espèce (Berardo et al., 2009). Des équations de calibrations ont été développées pour les protéines totales, les lipides et l’amidon. Les coefficients  variaient de 0,78 pour les lipides à 0,80 pour l’amidon et 0,91 pour les protéines. Des calibrations ont aussi été tentées sur le grain complet avec des performances moindres. D’après cette étude, les analyses multivariées et les classifications ascendantes hiérarchiques (CAH) sur les données spectrales devraient permettre de classer les ressources génétiques en groupes utiles aux améliorateurs de maïs.

Les oléagineux

Pour la filière oléagineuse, Vernonia galamensis est une espèce d’Astéracée qui mériterait une étude approfondie. Cette espèce abrite une forte diversité dans les pays de l’Est Africain et les génotypes présentent des teneurs en huile très variables. L’application de la SPIR a permis de prédire les valeurs pour la composition en acide gras, en huile et en protéines (Baye and Becker, 2004). Cette étude qui a concerné prés de 114 accessions cultivées au champ en Ethiopie a donné des résultats satisfaisants. Les coefficients de corrélation pour la prédiction ) sont élevés pour les protéines de la graine (0,93) mais les auteurs recommandent de poursuivre les travaux et de cribler un plus grand nombre de variétés. L’amélioration génétique de l’olivier pour la qualité de son huile est très longue et onéreuse du fait de la lente croissance des arbres et de la nécessité d’évaluer un très grand nombre de descendants. L’applicabilité de la SPIR a été testée pour apprécier les corrélations juvéniles-adultes et pour déterminer les compositions et teneurs en acides gras de l’huile des fruits intacts (León et al., 2005). Les modèles de calibration permettent de quantifier avec une certaine précision la teneur en huile . D’après cette étude ces résultats permettraient le classement d’un grand nombre d’hybrides selon ces caractéristiques. De même, les sélectionneurs travaillant sur le colza (Brassica napus L.) s’intéressent aux teneurs en phytostérol de son huile (Amar et al., 2009) qui serait à l’origine d’une réduction des taux de LDL-cholestérol permettant de réduire les risques cardio-vasculaires. La quantification de ces teneurs en phytostérol est donc importante mais la méthode de référence est actuellement la chromatographie liquide haute performance (CLHP) qui coûte relativement cher et prend du temps. La performance de la SPIR a donc été étudiée pour apprécier la variabilité des teneurs au sein d’un échantillon de 27 variétés de colza. Pour les phytostérols totaux, le r 2 de validation est relativement modeste (0,67). Il est faible pour le sitostérol et le campesterol (0,58), très bas pour le brassicasterol (0,40) et sans intérêt pour
l’avenastérol (0,23). Il n’empêche que ces auteurs pensent que la SPIR mérite attention et pourrait s’avérer très utile car les teneurs en phytostérols totaux et individuels sont très  12 variables. La SPIR pourrait donc être utile, notamment pour le criblage de grands nombres d’accessions dans le cadre de programmes d’amélioration génétique du colza.

Les classifications variétales

En viticulture, une technique d’identification rapide des cépages de vigne utilisés serait d’un grand intérêt pour la filière. Des travaux ont tenté d’évaluer la performance du moyen infrarouge pour produire des empreintes discriminantes à partir d’extraits phénoliques. Une classification ascendante hiérarchique réalisée à partir des données obtenues sur ces extraits montre qu’il est possible de différencier les cinq cépages de vigne étudiés (Cabernet, Sauvignon, Merlot, Pinot Noir et Blaufränkisch) puis de classer rapidement tous les échantillons de vin analysés selon leur appartenance à ces cépages (Edelmann et al., 2001). Une étude similaire a été conduite pour identifier les variétés de fraisiers. La biologie moléculaire est relativement chère et fastidieuse à mettre en œuvre et des chercheurs se sont donc intéressés à la SPIR comme alternative pratique aux extractions et électrophorèses d’ADN pour la production d’empreintes fiables. Ils concluent que la SPIR est suffisamment précise pour produire des empreintes permettant de différencier les cultivars de fraisiers par analyse multivariée des données spectrales (Kim et al., 2009). Plus particulièrement au Vanouatou, la SPIR à déjà été utilisée pour la quantification des kavalactones et la détermination des chimiotypes du Kava (Piper methysticum) afin de mettre en place un contrôle de la qualité en routine du kava par SPIR (Lasme et al., 2008).

Les plantes à racines et tubercules

La qualité de la RT la plus cultivée au Monde, la pomme de terre, dépend essentiellement de la variété et accessoirement des conditions de culture. Il serait donc utile de pouvoir analyser en routine les composés majeurs qui déterminent cette qualité, surtout les teneurs en amidon et protéines. Une étude conduite en Allemagne sur 1614 échantillons pendant trois ans (2000- 03) sur des sites différents a permis d’apprécier les performances de la SPIR. La teneur en amidon du tubercule de pomme de terre (Solanum tuberosum) peut être prédite avec une bonne précision (r
2 =0,90). Pour les protéines, les résultats sont moins bons (0,62) et nécessiteraient des études complémentaires (Haase, 2006). En Belgique, la SPIR a aussi été utilisée pour le contrôle de la qualité de la pomme de terre. Les caractères sensoriels ont été mesurés, à savoir : des descripteurs de texture (délitement, farinosité, granulation), la couleur de la chair, le noircissement après cuisson, l’intensité du goût et la coloration des échantillons à la friture. Le but de ce travail était de tester les potentialités de la SPIR et l’analyse d’images pour prédire ou mesurer les comportements sensoriels. Les résultats obtenus pour la prédiction de la couleur et des descripteurs de texture sont assez satisfaisants (avec des r² de l’ordre de 0,80) et la prédiction de l’index de friture par SPIR est acceptable malgré des erreurs standards des analyses de référence assez élevés. L’amélioration des modèles de prédiction de la SPIR nécessiterait néanmoins une amélioration préalable de la fiabilité des valeurs sensorielles servant au calibrage du spectromètre (Van de Laer, 2001).
En Nouvelle-Zélande, une étude complémentaire s’est intéressée plus particulièrement à la qualité des chips frites de pomme de terre. Dans ce pays, l’hétérogénéité de la qualité vient du fait que différentes variétés approvisionnent la filière de transformation du fait que certaines sont précoces et d’autres tardives. La variabilité de la matière première est donc un sérieux problème. La fiabilité de la SPIR a été étudiée comme technique d’identification des variétés (Whitu et Fianna) (Yee et al., 2006). D’après cette étude, la SPIR permettrait de classer correctement 94% des échantillons analysés à partir de leurs empreintes spectrales et de les attribuer à l’une ou l’autre des deux variétés, permettant ainsi de déterminer la qualité  13 de chips puisque celle-ci dépend des teneurs en amidon et glucose et que celles-ci dépendent du génotype.
En ce qui concerne les métabolites secondaires de la pomme de terre (Solanum phureja), une étude a tenté de quantifier les teneurs en divers caroténoides par CLHP et à permis d’apprécier les performances de la SPIR pour se substituer à cette méthode de référence chère et fastidieuse (Bonierbale et al., 2009). En tout, 215 accessions ont été analysées à partir de leurs extraits lyophilisés. Les coefficients de corrélation pour la prédiction (r 2 ) sont élevés pour les caroténoides totaux (0,94) et la zeaxantine mais ce coefficient est plus faible pour le béta-carotène (0,71). Une ACP permet d’identifier de grands groupes de variétés selon leurs teneurs en carotènes. Les auteurs concluent que la SPIR pourrait donc être utilisée pour cribler les nombreuses accessions présentes dans les collections de ressources génétiques de pomme de terre qui abritent plusieurs milliers d’accessions. Cette technique devrait permettre la sélection de celles qui pourront participer à l’amélioration génétique de ce caractère très recherché.
Enfin, la SPIR a aussi été appliquée aux plantes à racines et tubercules tropicales (manioc, patate douce, ignames, taro) dans le cadre d’une étude préliminaire destinée à apprécier ses performances pour évaluer les composés majeurs présents dans les farines complètes (Lebot et al., 2009). Cette étude montre que le potentiel de cette technique est intéressant mais qu’elle nécessite que des travaux complémentaires soient menés. En ce qui concerne la patate douce, une seule étude utilisant la spectroscopie infrarouge a été publiée en 2006 (Lu et al., 2006). Il s’agit d’une application de la SPIR pour la prédiction des propriétés thermiques de l’amidon de patate douce et de sa qualité pour la fabrication de nouilles. Cette étude à été réalisé sur 93 échantillons de patate douce et les paramètres qui ont été analysés sont les différentes températures de gélatinisation de l’amidon (début, maximale, gélatinisation complète et la gamme de température). Les coefficients de détermination de la prédiction varient entre 0,84 et 0,89. Toutefois, la prédiction de la résistance au refroidissement des nouilles affiche un r 2 pred de 0,63. Cependant, les auteurs
soutiennent que ces résultats sont très satisfaisants et que la SPIR est une méthode assez fiable et pratique pour l’analyse en routine de l’amidon de patate douce et de la qualité de ses nouilles.
Une présentation faite au dernier congrès de l’ISTRC (International Society for Tropical Root Crops) qui s’est tenu au CIP à Lima (Pérou) en novembre 2009, annonce des résultats très intéressants sur des extraits lyophilisés de patate douce (Zum Felde et al., 2009). Pour les protéines le r 2 cv serait de 0,95 (n=216), pour l’amidon le r 2 cv serait de 0, 96 (n=268) et pour les sucres il serait de 0,94 (n=266). Ces résultats, très encourageants, ont été obtenus grâce au criblage de très nombreux échantillons pour la réalisation des modèles. Cependant, ces modèles n’ont pas été testés sur une gamme de validation et on ne peut donc pas juger de leurs capacités de prédiction.

Table des matières

Introduction 
I. Synthèse bibliographique
I.1. Qualité de la patate douce
I.1.1. Description
I.1.2. Origines
I.1.3. Les composés majeurs de la patate douce
I.1.4. Notion de qualité
I.1.5. Les différents usages de la patate douce
I.1.6. Conservation
I.2. L’amélioration génétique
I.3. Fonctionnement de la spectrométrie dans le proche infrarouge
I.3.1. Définition
I.3.2. Les différents types de vibrations
I.3.3. La réflexion de la lumière
I.3.4. Principes de fonctionnement d’un spectromètre
I.3.5. Appareils à filtres et à monochromateur
I.3.6. La chimiométrie et les analyses multivariées
I.4. Diverses utilisations de la SPIR
1.4.1. Les céréales
1.4.2. Les oléagineux
1.4.3. Les classifications variétales
1.4.4. Les plantes à racines et tubercules
II. Matériels et Méthodes
II.1. Caractérisations morpho-agronomiques
II.1.1. Objectifs
II.1.2. Caractéristiques aériennes
II.1.3. Caractéristiques souterraines
II.2. Analyses physico-chimiques
II.2.1. Echantillonnage
II.2.2. Transformation des échantillons
II.2.3. Détermination de la teneur en matière sèche
II.2.4. Sélection des échantillons de l’ensemble de validation
II.2.5. Analyses chimiques de référence
II.3. Analyses par Spectrométrie Proche Infra-Rouge
II.4. Calibration de l’ASD
II.4.1. Prétraitement des données spectrales
II.4.2. Construction de la collection spectrale
II.4.3. Calibration du spectromètre
II.4.4. Pouvoir discriminant des spectres sur les clones
II.4.5. Analyses de données
III. Résultats et Discussion 
III.1. Caractérisations morpho-agronomiques
III.2. La patate douce de qualité
III.3. Variabilité des échantillons de calibration
III.4. Corrélations entre les composés majeurs et la matière sèche
III.5. La variabilité des spectres
III.6. Les calibrations
III.6.1. Calibrations pour le modèle « toutes espèces »
III.6.2. Calibrations pour le modèle « patate douce »
III.7. Discussion
Conclusions
Références bibliographiques
Annexes

Télécharger le rapport complet