Recognition of starch origin and modifications by chemometrics spectral data processing (in French).

Abstract

L' a u t h e n t i fi c ation des aliments est une préoccupat i o n m a j e u re, tant pour le consommateur que pour l'ind u s t rie alimentaire et ce, à tous les niveaux de la chaîne de production : des mat i è res pre m i è res au pro d u i t fini. L'importance des amidons est reconnue depuis longtemps, car ils constituent une importante source d'énergie et contribuent à la structure et à la texture des aliments [1]. L'amidon peut être isolé à partir de différentes espèces végé-tales, des céréales comme le maïs ou le riz, des tubercules comme la pomme de terre ou le manioc [2].Les progrès technologiques et les besoins de l'industrie agro -a l i m e n t a i re ont conduit à sélectionner et à modifi e r p hysiquement ou chimiquement la stru c t u re des amidons pour obtenir des textures plus veloutées ou pour répondre à des problèmes de conditionnement. Ces modifications doivent préserver l'aspect nu t ritionnel tout en permettant un traitement industriel plus facile [3,4]. De plus, les amidons modifiés chimiquement sont considérés comme des additifs, leur emploi est donc limité tandis que les transformations chimiques autorisées sont strictement définies par la législa-tion [5]. Puisque la valeur économique des amidons augmente avec leur degré de modification, des tests physiques et chimiques ont été développés pour les contrôler et les identifier mais ces méthodes sont longues et demandent des techniciens expérimentés.Comme la plupart des modifi c ations conduisent à des changements structuraux, la spectroscopie IRTF a été envisagée comme technique expérimentale pour leur reconnaissance [6]. La complexité du problème d'identification provient du croisement de différentes informations pour chaque échantillon, son origine, ses propriétés et modifications qui peuvent, de plus, être multiples. Un très grand nombre de combinaisons est possible et nous avons développé des méthodes non-supervisées (Analyse en Composantes P ri n c i p a l e s , réseau auto-organisé de Kohonen) afin de

Optimization of supervised self-organizing maps with genetic algorithms for classification electrophoretic profiles

“…Having the disadvantages of these methods in mind, here we decided to use self-organizing maps (SOM). This algorithm has become a valuable tool for data analysis purposes [12][13][14][15][16][17][18][19][20][21][22]. The most commonly used SOM algorithm is for clustering multidimensional data [12][13][14][15][16][17][18][19] and for process/reaction monitoring [22,23], but also as a tool for variable selection [24].…”

Advances in Data Analysis

“…In most studies, qualitative analysis (unsupervised approach) was reduced to principal component analysis or a classical cluster analysis (see Alonso-Salces et al, 2005;. To our knowledge, the first implementations of som on spectral data were due to Caceres-Alonso and Garcia-Tejedor (1995) and Vandeerstraeten et al (1998). In the last study, the authors showed how the Kohonen map enabled us to determine starch clusters based on their infrared spectra.…”