Desarrollo de Huellas Dactilares basadas en Espectrometría de Movilidad Iónica para Autenticación Geográfica de Aceites de Oliva

Abstract

La autenticación geográfica de productos agroalimentarios de alto valor, como el aceite de oliva, es fundamental para garantizar su trazabilidad, proteger denominaciones de origen y cumplir con normativas de calidad. Este trabajo presenta una metodología innovadora basada en espectrometría de movilidad iónica (IMS), concretamente mediante el enfoque Ion Mobility Sum Spectra (IMSS), para generar perfiles químicos globales o “huellas dactilares” de aceites de oliva. Se desarrolló y optimizó un método analítico utilizando la técnica HS-GC-IMS, mediante un diseño experimental Box-Behnken, evaluando parámetros como cantidad de muestra, temperatura, tiempo de incubación y volumen de inyección. El método demostró alta precisión (CV < 5%) y fue aplicado a 24 muestras de aceites de distintos orígenes (España, Portugal, Italia y Marruecos). Mediante herramientas quimiométricas y modelos de aprendizaje automático (Random Forest), se logró una discriminación del 100% entre regiones. Además, se realizó una evaluación sensorial complementaria mediante catas olfativas. Los resultados evidencian el potencial de esta técnica como alternativa objetiva, rápida y sostenible frente a métodos convencionales, con aplicaciones directas en la protección frente al fraude alimentario y el control de calidad en mercados internacionales.

Geographical authentication of high-value agri-food products, such as olive oil, is essential to ensure traceability, protect designations of origin, and comply with quality regulations. This study presents an innovative methodology based on Ion Mobility Spectrometry (IMS), specifically using the Ion Mobility Sum Spectra (IMSS) approach, to generate global chemical profiles or "fingerprints" of olive oils. An analytical method was developed and optimized using the HS-GC-IMS technique through a Box-Behnken experimental design, evaluating parameters such as sample amount, incubation temperature, incubation time, and injection volume. The method demonstrated high precision (CV < 5%) and was applied to 24 olive oil samples from different origins (Spain, Portugal, Italy, and Morocco). Using chemometric tools and machine learning models (Random Forest), a 100% discrimination between regions was achieved. Additionally, a complementary sensory evaluation was conducted through expert olfactory tasting. The results highlight the potential of this technique as an objective, rapid, and sustainable alternative to conventional methods, with direct applications in food fraud prevention and quality control in international markets.