Olimerca.- La firma Acesur y el laboratorio Indlab, con la colaboración de los Servicios Centrales de Apoyo a la Investigación (SCAI) de la Universidad de Córdoba (UCO), se han unido para desarrollar un método instrumental propio capaz de complementar al panel test. Para ello esperan invertir un importe total cercano a 520.000 €.

Desde 2019, las tres entidades trabajan conjuntamente en el proyecto de I+D+i: “Easy-taste: instrumentalización del análisis sensorial del aceite de oliva” con el objetivo de desarrollar, validar e implantar un método instrumental analítico que refuerce al panel de cata, en la categorización organoléptica de los aceites de oliva virgen, utilizando modelos matemáticos predictivos desarrollados a partir del tratamiento estadístico de los resultados analíticos.

El proyecto persigue la obtención de un perfil cromatográfico de los componentes mayoritariamente volátiles/semivolátiles presentes en cada aceite de oliva mediante un cromatógrafo de gases acoplado a espectrometría de masa con analizador simple cuadrupolo. Este perfil de compuestos volátiles, único en cada aceite, se está correlacionando, mediante tratamiento quimiométrico, con las propiedades sensoriales del aceite de oliva medidas en el panel de cata acreditado del laboratorio Indlab.

El proyecto acaba de finalizar su segunda anualidad, durante las cuales, Acesur ha seleccionado y analizado en torno a 600 muestras de diferentes categorías de aceite de oliva virgen que, a su vez, han sido catadas por el panel de cata del laboratorio Indlab, acreditado por ENAC, bajo norma UNE-EN-ISO 17025 y cuyo perfil de volátiles ha sido determinado para cada una de las muestras en el SCAI de la Universidad de Córdoba.

Con todos los datos obtenidos de analíticas, valoraciones organolépticas y los perfiles cromatográficos se ha construido un primer modelo predictivo que “está ofreciendo unos magníficos resultados en la categorización sensorial de los aceites de oliva virgen”, señalan los responsables del proyecto.

De cara a la próxima anualidad se espera obtener un modelo más robusto y preciso mediante el “machine learning”.