Om de toepassingsmogelijkheden van nieuwe, alternatieve eiwitbronnen te onderzoeken is er tot op vandaag niet altijd voldoende materiaal beschikbaar om veel testen uit te voeren. Via experimental design kan met een beperkte hoeveelheid materiaal en testen zeer veel informatie verzameld worden over mogelijke toepassingen van deze eiwitten.
In het kader van eiwitdiversificatie worden steeds meer eiwitbronnen onderzocht. Afhankelijk van de bron hebben deze andere eigenschappen. Kennis over de nutritionele en functionele eigenschappen is cruciaal voor het gebruik ervan in voedingstoepassingen. Specifieke functionaliteiten kunnen ervoor zorgen dat eiwitten uit een bepaalde bron beter inzetbaar zijn in bepaalde voedingsmiddelen. Zo zijn proteïnen met een sterk schuimend vermogen bijvoorbeeld goed inzetbaar in een vegetarische chocomousse, terwijl een sterk emulgerend vermogen dan weer positief is om toe te passen in een vegetarisch alternatief voor paté.
In het Prometheus-project, gecoördineerd door Flanders’ FOOD met de steun van VLAIO, werden door Calidris Bio, Citribel, Nutrition Sciences, Fides Petfood, VITO en ILVO alternatieve eiwitstromen afkomstig van microbiële oorsprong en van nevenproducten van de citroenzuurproductie onderzocht op hun toepassingspotentieel in diervoeding en menselijke voeding. De thermische stabiliteit en functionele eigenschappen (gelering, emulgerende eigenschap, schuimcapaciteit en -stabiliteit) werden in dit project geanalyseerd.
Een karakterisering van de eigenschappen van deze eiwitten geeft enkel aan hoe deze zullen reageren onder de toegepaste (analyse)omstandigheden, terwijl matrixvariaties (bijvoorbeeld eiwitconcentratie, zoutgehalte,…) juist voor volledig andere functionaliteiten kunnen zorgen. Ook verwerkingscondities zoals bijvoorbeeld temperatuur en pH kunnen een sterke invloed hebben.
Al deze omstandigheden kunnen individueel de functionaliteit beïnvloeden, maar ook de onderlinge interactie van deze omstandigheden kan een versterkend of verzwakkend effect hebben op bepaalde functionaliteiten. Indien gekend is in welke voedingsmiddelen en met welke verwerkingsparameters gewerkt zal worden, kan het effect van deze omstandigheden direct op de eiwitten uitgetest worden. Maar indien men een verkennend onderzoek wenst uit te voeren naar de verschillende mogelijkheden, zoals in het Prometheus-project, vraagt dit vele analyses om alle combinaties uit te testen. Om meerdere parameters tegelijkertijd te onderzoeken alsook hun interactie werd er gewerkt met een experimental design. Op deze manier kan met een minimale hoeveelheid van op dit moment nog innovatieve en schaarse eiwitbronnen een grote hoeveelheid kennis vergaard worden.
In een experimental design worden belangrijke invloeden ingebracht als variabelen en wordt er berekend welke combinaties van variabelen moeten worden geanalyseerd om toch statistisch verantwoorde voorspellingen te kunnen maken met een beperkt aantal meetpunten. Deze voorspellingen gebeuren op basis van een statistisch opgezet wiskundig model. Op die manier kan er op een efficiënte manier worden bepaald in welke omstandigheden de eiwitten bepaalde eigenschappen vertonen en dus functioneel kunnen worden ingezet.
Kijkend naar de mogelijke toepassingen (bijvoorbeeld mousses en vleesalternatieven) werden in het Prometheus-project de samenstellingsparameters eiwitgehalte, zoutgehalte en watergehalte weerhouden als belangrijkste variabelen of factoren. Voor elk van deze parameters werden minimale en maximale gehaltes gedefinieerd. Anderzijds werden ook de procesparameters zuurtegraad en temperatuur vastgelegd.
Gebaseerd op de werkwijze beschreven in de papers van Anderson-Cook et al. (2004) en Lawson and Willden (2016) gaven deze 5 factoren aanleiding tot het testen van 81 verschillende combinaties. En dit op de functionaliteiten waterhoudend vermogen, schuimcapaciteit en emulsiecapaciteit, aangezien deze belangrijk zijn in de gekozen voedingstoepassingen.
Verdere statistische optimalisatie werd uitgevoerd zoals beschreven in Goos et al. (2016). Er werd een I-optimalisatie uitgevoerd. Via deze bewerking werden de combinaties aan variabelen geïdentificeerd die zeker geanalyseerd dienden te worden om een betrouwbaar model te bekomen. Zo een model stelt ons in staat om het effect van de variabelen te voorspellen aan de hand van resultaten uit het experimental design.
Deze optimalisatie resulteerde in dit project in een reductie van 81 tot 20 verschillende factorcombinaties.
Per functionaliteit en per eiwitbron werden verschillende modellen berekend, waaruit dan het finale model geselecteerd werd. Hierbij werd rekening gehouden met de significantie van de variabelen en de interacties ervan, alsook met hoe goed een 'model fit' is bij de data. Ook werd rekening gehouden met de variantie van interacties ten opzichte van een model zonder interacties.
Deze modellen geven aan onder welke omstandigheden de proteïnen de meest gunstige functionaliteiten hebben. Dit kan zowel wiskundig door middel van een formule, als visueel zoals weergegeven in onderstaande figuur.
2D mapping van de emulsie capaciteit (%) met als variabelen de temperatuur (°C) en pH.
Voor deze eiwitbron kan worden gesteld dat een lagere pH een negatieve invloed heeft op het emulgerend vermogen. Daarnaast kan er vastgesteld worden dat dit effect versterkt wordt bij kamertemperatuur en hogere (>90°C) processing temperaturen.
Het gebruik van een 'experimental design' bij het karakteriseren van alternatieve eiwitbronnen of andere innovatieve en kostbare ingrediënten stelt ons in staat om op een efficiënte manier veel kennis te vergaren. Door de optimale combinaties en condities van een eiwitmodel te identificeren, kunnen er op een betrouwbare manier voorspellingen worden gemaakt hoe dit eiwit van een bepaalde bron zal reageren onder specifieke omgevings- of verwerkingsomstandigheden. Op die manier kan er gericht gewerkt worden bij het toepassen van deze vernieuwende ingrediënten in voedingsformuleringen.
Bronnen:
Anderson-Cook, C. M. et al. (2004) ‘Mixture and mixture-process variable experiments for pharmaceutical applications’, Pharmaceutical Statistics, 3(4), pp. 247–260. doi: 10.1002/pst.138.
Goos, P., Jones, B. and Syafitri, U. (2016) ‘I-Optimal Design of Mixture Experiments’, Journal of the American Statistical Association, 111(514), pp. 899–911. doi: 10.1080/01621459.2015.1136632.
Lawson, J. and Willden, C. (2016) ‘Mixture experiments in R using mixexp’, Journal of Statistical Software, 72(August). doi: 10.18637/jss.v072.c02.
Interessante links
Lees ook zeker dit item uit de Radar Insights:
