Contexte de l'affaire
À l’échelle mondiale, la malnutrition infantile demeure un problème grave. Selon les statistiques, environ 51 millions d’enfants dans le monde sont touchés par l’émaciation, dont près de 17 millions souffrent d’émaciation sévère ( FAO, FIDA, UNICEF, PAM et OMS, 2017 ). 5,9 millions d’enfants de moins de cinq ans meurent chaque année, dont la moitié de malnutrition ( UNICEF, 2016 ). Pour relever ce défi, les aliments thérapeutiques prêts à l’emploi (ATPE), un aliment pâteux riche en micronutriments et à haute teneur énergétique, sont largement utilisés dans la prise en charge communautaire de la malnutrition aiguë (PCMA) des enfants de moins de cinq ans dans les pays à faible revenu. Les ATPE peuvent être administrés directement aux enfants sans complications cliniques à domicile, évitant ainsi l’hospitalisation.
Cependant, la formulation actuelle des ATPE est affectée par certains problèmes d’ingrédients, tels que le coût élevé du lait écrémé en poudre, les propriétés nutritionnelles de l’huile de palme et l’allergénicité des arachides.
Par conséquent, le cas que nous allons aborder cette fois-ci est une interprétation d’un article de recherche alimentaire de Food and Bioproducts Processing. Il présentera comment combiner la conception de mélange D-optimal (DOE) avec l'analyse des données fonctionnelles (FDA) pour développer des aliments thérapeutiques prêts à l'emploi alternatifs (RUTF) pour traiter la malnutrition infantile, optimiser la courbe de distribution granulométrique (PSD) et la courbe de viscosité apparente des suspensions alimentaires, et déterminer l'espace de conception de la formule sur la base du concept QbD. L’objectif de l’étude est de développer une formulation alternative de RUTF utilisant des ingrédients locaux à faible coût et facilement disponibles dans les pays à faible revenu pour améliorer la qualité et l’acceptabilité et répondre aux besoins nutritionnels des enfants.
Les principaux ingrédients du RUTF commercial Plumpy'Nut® largement utilisé comprennent : beurre de cacahuète, farine, saccharose, huile de palme, huile de tournesol, lait écrémé en poudre, minéraux et vitamines (A, C, D, E, B1, B2, B6, B12, biotine, acide folique, acide pantothénique et niacine), avec une teneur moyenne en macronutriments de 36 % de lipides, 14 % de protéines et environ 43 % de glucides (500 kcal par paquet de 92 g).
Les principaux ingrédients qui ont remplacé la formulation de suspension RUTF dans cette étude comprenaient : la phase lipidique (huile de tournesol et lécithine de soja), le mélange de farine (farine de soja décortiquée et grillée et farine de sorgho), le sucre en poudre et la poudre sèche de microalgues Spiruline. Le soja et le sorgho décortiqués et torréfiés sont utilisés comme sources de protéines, le sucre en poudre est utilisé comme source de glucose, édulcorant et agent de remplissage, l'huile de tournesol est sélectionnée pour sa disponibilité, ses propriétés technologiques et ses propriétés nutritionnelles, et la poudre de microalgues spiruline assure des micronutriments adéquats.
Étude de cas
Méthodes analytiques
Utiliser la conception de mélange D-optimale pour générer une formule pour remplacer la suspension RUTF, appliquer une analyse de données fonctionnelles pour ajuster la courbe de distribution granulométrique (PSD) et la courbe de viscosité apparente, extraire les composants principaux fonctionnels (FPC) de la courbe en tant que réponses et établir un modèle de régression des composants principaux fonctionnels et de la proportion de composants de la formule. Combinez le modèle de régression avec la formule de prédiction des données fonctionnelles et établissez le lien entre les données de réponse de type courbe et le facteur de mélange de formule. Enfin, déterminez l’espace de conception de la formule en fonction des contraintes de la courbe cible, comme indiqué dans la figure ci-dessous.
Conception expérimentale : Utilisation d'un mélange D-optimal pour explorer les effets de trois ingrédients sur les propriétés des aliments
- Variables factorielles : ratio de farine (x1), phase lipidique (x2) et sucre en poudre (x3). La poudre de spiruline a été utilisée comme ingrédient constant (3%).
- Variables de réponse : Distribution granulométrique (PSD) et courbe de viscosité apparente.
L'effet du rapport des ingrédients sur les propriétés de la formulation a été étudié à l'aide d'une conception de mélange D-optimale. La conception expérimentale comprenait trois facteurs de mélange : le rapport de farine (x1), de phase lipidique (x2) et de sucre glace (x3), où x1+x2+x3=1 . Quant à la poudre de spiruline, elle n’a pas été incluse dans la conception du mélange car elle a été maintenue constante à 3 % (p/p) tout au long de la conception.
La phase lipidique, la farine mélangée et le sucre en poudre représentaient 97 % de la suspension finale et ont été variés dans 20 recettes. Les niveaux bas et élevés de facteurs de mélange, 0,30–0,40 g/g, 0,25–0,35 g/g et 0,25–0,35 g/g, correspondant respectivement à x1, x2 et x3, ont été initialement sélectionnés en fonction de la maniabilité de la suspension et des besoins nutritionnels spécifiques du RTU. Un modèle cubique spécial a été sélectionné comme modèle de régression et cinq répliques ont été définies, générant ainsi un total de 20 formulations alternatives de suspension RUTF.
(Tableau 1) présente la solution de conception de formulation générée par JMP.
(Tableau 1) Conception de mélange D-optimale utilisée dans cette étude
x1, x2 et x3 représentent respectivement les fractions massiques de farine mélangée, de phase lipidique et de sucre en poudre.
FPC1-oversize représente le score FPC des données de la fonction de tailles de classe surdimensionnées par rapport aux données de la fonction transformées en logarithme
La viscosité FPC1 représente le score FPC des données de la fonction de viscosité transformée en log par rapport à la fonction de taux de cisaillement transformée en log.
L’ordre des expériences a été entièrement randomisé pour éviter tout biais systématique. Pour chaque formulation, la courbe rhéologique et la distribution granulométrique étaient respectivement les moyennes de trois et deux mesures répétées. Les courbes de distribution granulométrique (PSD) et de viscosité apparente sont des données de réponse fonctionnelle, et les résultats des tests sont présentés dans la (Figure 1).
Figure 1 Distribution granulométrique (a) et courbe de viscosité apparente (b) de suspensions contenant différents composants
Analyse des données fonctionnelles
Dans une étude précédente2, pour caractériser les courbes de distribution granulométrique (PSD) et les courbes de viscosité apparente des suspensions alimentaires, les données des courbes ont été analysées statistiquement à l'aide de scalaires, puis les statistiques scalaires ont été régressées sur les composants du mélange en tant que réponses. Cependant, simplifier les caractéristiques de la courbe en une description scalaire entraînera la perte des informations des données de la courbe et affectera l'effet de modélisation.
L'analyse fonctionnelle des données [ii] (FDA) est particulièrement adaptée au traitement de fonctions, de signaux, de spectres ou de données de séries chronologiques . Il crée un modèle fonctionnel en ajustant les données avec des modèles de fonctions de base B-spline, P-spline, Fourier ou ondelettes pour obtenir un ajustement de courbe et réalise une réduction de dimensionnalité des données de courbe en extrayant des composants principaux fonctionnels (FPC)1. Dans cette étude, les données de réponse de la courbe de distribution granulométrique et de la courbe de viscosité apparente ont été transformées, ajustées par B-spline (comme indiqué dans la figure 2) et une analyse en composantes principales fonctionnelles (FPCA) a été réalisée. Le premier composant principal FPC1 du FPCA (comme indiqué dans le tableau 1) explique respectivement environ 99 % et 88,5 % de la variation des données de courbe de surdimensionnement et de viscosité et peut décrire entièrement les informations contenues dans les données de courbe. Le principe de l'analyse des données fonctionnelles est présenté dans les formules (1) et (2) de l'annexe.
Figure 2 Analyse des données fonctionnelles de la réponse de la courbe de conception expérimentale (les axes de coordonnées ont été transformés en logarithmes naturels)
Modélisation de régression
Les scores des composantes principales de la fonction FPC1-surdimensionnement et FPC1-viscosité ont été respectivement utilisés avec les composants du mélange pour construire le modèle de régression de la surface de réponse du mélange, qui a ensuite été utilisé pour prédire la distribution granulométrique (PSD) et la courbe de viscosité apparente. Le modèle de surface de réponse du mélange est présenté dans la formule de l'annexe (3).
Comme le montre le tableau 2, le modèle de régression présente une grande qualité d’ajustement pour la prédiction des courbes PSD et de viscosité apparente (les valeurs R² sont respectivement de 0,87 et 0,75). Comme le montre la figure 3, les valeurs prédites sont cohérentes avec les valeurs réelles.
Tableau 2 Résumé des statistiques de modélisation de régression des composantes principales fonctionnelles (FPC) et des composantes mixtes
Estimations des coefficients et erreurs standard (SE) pour les modèles de surface de réponse de mélange, valeurs t0 et valeurs p correspondantes (Prob>|t0|), R2, erreur quadratique moyenne (RMSE), valeur p pour le test d'inadéquation (p-valueLoF) et nombre d'observations pour les scores FPC calculés pour la première composante principale des données de fonction de surdimensionnement et de viscosité
Figure 3. Diagramme « Valeur prédite - valeur réelle » de la modélisation de régression des composantes principales fonctionnelles (FPC1) et des composantes mixtes
En analysant le tableau 1 et la figure 1, on peut comprendre que le score FPC1 est négativement corrélé à sa réponse fonctionnelle correspondante. Par conséquent, à mesure que FPC1 augmente, le surdimensionnement et la viscosité diminuent. Comme le montre le profileur de mélange de la figure 4, en passant du coin supérieur au coin inférieur au bord droit du triangle blanc, les scores FPC1 de surdimensionnement et de viscosité augmentent, ce qui entraîne une diminution du surdimensionnement et de la viscosité, ce qui est cohérent avec la direction d'optimisation cible de l'espace de conception de la formulation.
Figure 4 Modélisation de la composante principale fonctionnelle (FPC1) et de la régression des composantes de mélange, profileur de mélange
Évaluation du modèle
Le modèle de surface de réponse du mélange peut prédire le score FPC1 en fonction de la formule des ingrédients du mélange (formule 3), et le modèle d'analyse de données fonctionnelles peut prédire la valeur Y des données de courbe en fonction du score FPC1 (formule 2). En combinant les deux, la relation correspondante entre la formule et la réponse de la courbe peut être établie, et les réponses de la courbe de surdimensionnement et de viscosité de différentes formules peuvent être prédites via le modèle. Les résultats de la figure 5 montrent que la courbe prédite est très cohérente avec les données expérimentales, prouvant l’efficacité du modèle.
Figure 5 Comparaison des courbes prédites par le modèle de régression FPC1 dans la formule (2), la formule (3) et le tableau 2 avec les données de test réelles
Déterminer l'espace de conception
L'espace de conception est un élément essentiel du concept de qualité par conception (QbD) et fait référence à la gamme de paramètres qui répondent à des contraintes spécifiques. Grâce à l'espace de conception, la formule optimale peut être déterminée et les conditions de fonctionnement peuvent être ajustées de manière flexible dans la plage autorisée pour garantir que le produit répond aux exigences de qualité.
Les contraintes de cette étude sont :
Distribution granulométrique (PSD) : À une taille de classe de 45 ou 50 μm, le surdimensionnement est inférieur à 10 % pour garantir un goût délicat du produit.
Courbe de viscosité apparente : À un taux de cisaillement de 2 s−1, la viscosité apparente doit être inférieure à 60 Pa·s pour assurer l'extrudabilité et la facilité d'ingestion du produit.
Le modèle construit en combinant la conception expérimentale ci-dessus avec une analyse de données fonctionnelles peut prédire la distribution granulométrique (PSD) et la courbe de viscosité apparente correspondant à différents rapports de composants de formule de suspension. Sur la base des contraintes ci-dessus, l’espace de conception des formulations alternatives de RUTF peut être déterminé, comme indiqué dans la zone blanche de la figure 6.
Figure 6 Espace de conception de la viscosité surdimensionnée et apparente à mesure que la composition du mélange change
La taille de la classe a été maintenue à 45 μm (a) ou 50 μm (b) et le taux de cisaillement a été maintenu à 2 s−1
La zone blanche correspond à des conditions expérimentales réalisables qui maintiennent le surdimensionnement en dessous de 10 % et la viscosité apparente en dessous de 60 Pa·s.
Conclusion de l'affaire
La conception d'expériences (DOE) combinée à l'analyse des données fonctionnelles (FDA) fournit une méthode efficace pour analyser les réponses curvilignes afin d'étudier la distribution granulométrique (PSD) et les courbes de viscosité apparente des suspensions RUFT alternatives en fonction de la formulation, et finalement déterminer l'espace de conception qui répond aux exigences du produit. En développant des alternatives aux ATPE et en utilisant des ingrédients locaux peu coûteux et facilement disponibles pour réduire les coûts de production, la popularité des ATPE peut être accrue et la nutrition et la santé des enfants peuvent être protégées.
Prolongation du dossier
Dans le développement alimentaire, des instruments et des données de courbes de plus en plus complexes sont utilisés pour la caractérisation des produits dans la formulation alimentaire et le développement de procédés, tels que la distribution granulométrique, les courbes rhéologiques, les données cinétiques, les courbes sensorielles dynamiques et les courbes spectrales (spectres, chromatographie, spectrométrie de masse et spectres de résonance magnétique nucléaire). Les méthodes d’analyse classiques ne prennent en compte que les réponses scalaires, ce qui entraîne une perte d’informations dans les données de la courbe. L'analyse des données fonctionnelles peut maximiser la rétention d'informations dans la courbe, tout en permettant une réduction de la dimensionnalité grâce à l'analyse des composantes principales fonctionnelles. Sur cette base, la conception expérimentale peut être combinée pour étudier directement la relation entre la réponse de la courbe et les ingrédients de la formule ou les paramètres du processus, établir un modèle prédictif et déterminer l'espace de conception. Cette méthode a de vastes perspectives d’application dans l’analyse des données de courbes dans l’industrie alimentaire [iii] [iv] .
Le processus d’analyse du cas ci-dessus était basé sur JMP Pro 15 pour mettre en œuvre l’analyse et la modélisation des données fonctionnelles. Basé sur la dernière version de JMP Pro 18, la conception fonctionnelle des expériences (FDOE) peut être directement utilisée pour mettre en œuvre l'analyse ci-dessus plus efficacement, créer un modèle de prédiction entre les facteurs de conception expérimentale et les données de réponse de la courbe, et optimiser efficacement les paramètres de recette et de processus en fonction de la courbe cible. Si vous souhaitez en savoir plus sur l'analyse sensorielle et l'optimisation des formulations dans l'industrie agroalimentaire, vous êtes invités à vous inscrire au séminaire en direct du 26 mars (ce séminaire sera enseigné en chinois) : https://jmp.zoom.us/webinar/register/WN_eEUCWCNfRcKKWG_afonZgg#/registration
*Articles similaires : Marcello Fidaleo, Nicoletta A. Miele, Vincenzo Armini, Silvana Cavella, Espace de conception du processus de formulation d'une suspension alimentaire par expérience de mélange D-optimal et analyse de données fonctionnelles, Food and Bioproducts Processing, Volume 127, 2021, Pages 128-138, ISSN 0960-3085, https://doi.org/10.1016/j.fbp.2021.02.007. [dans]
[je] Approche d'optimisation de formule pour un aliment thérapeutique alternatif prêt à l'emploi - ScienceDirect
[ii] Analyseur de données fonctionnelles
[iii] Analyse de données fonctionnelles et conception d'expériences appliquées aux procédés de mouture des aliments... - Communauté d'utilisateurs JMP
[iv] Tutoriel développeur : Modélisation de données spectrales avec JMP Pro 17
[dans] Espace de conception du processus de formulation d'une suspension alimentaire par expérience de mélange D-optimal et analyse de données fonctionnelles - ScienceDirect
