27/1/16

Saccharomyces cerevisiae


CAMBIOS EN EL PROTEOMA DE SACCHAROMYCES CEREVISIAE COMO RESPUESTA A LA CONGELACIÓN

La levadura Saccharomyces cerevisiae ve su crecimiento comprometido e incluso detenido a temperaturas entre 0 y 4ºC, de modo que su viabilidad disminuye drásticamente. Las células de levadura reaccionan a estas condiciones acumulando trehalosa y glicerol para proteger sus cuerpos celulares de las lesiones que provoca el frío. Hasta el momento esta conocida respuesta no tenía un mecanismo asociado descrito con claridad, pero las actuales herramientas proteómicas permiten desentrañar este misterio, que afecta a una de las propiedades más interesantes de la levadura, la supervivencia al frío. En el Departamento de Biotecnología del Instituto de Agroquímica y Tecnología de Alimentos en Paterna (Valencia), comparan el perfil proteico de dos cepas industrials de levadura vínica a 30°C y 4°C. Observan que hay un total de 16 proteínas implicadas en el metabolismo del microorganismo que aumentan su abundancia a 4°C. La presencia predominante de proteínas glucolíticas entre las que se sobrerregulan a 4ºC hace pensar que se hallan asociadas a un mecanismo de protección para mantener constante el nivel de energía (ATP) para la síntesis de moléculas protectoras. También se sobreexpresan genes relacionados con el metabolismo de mantenimiento de la homeostasis (equilibrio) redox, lo cual indica también una implicación en la respuesta contra la congelación en levaduras. La relevancia para la industria está clara, pues abre la puerta a procesos de selección. 

Ballester-Tomás, L.; Pérez-Torrado, R.; Rodríguez-Vargas, S.; Prieto, J.A. y Randez-Gil, F.: «Near-freezing effects on the proteome of industrial yeast strains of Saccharomyces cerevisiae»,Journal of Biotechnology 2016 Jan 23. pii: S0168-1656(16)30031-1. doi: 10.1016/j.jbiotec.2016.01.029. 2016 Jan 23. [Epub ahead of print]

26/1/16

Zonificación de la calidad en viticultura de precisión: aciertos y dificultades de la vendimia selectiva

Jaume Arnó José A. Martínez-Casasnovas Grupo de Investigación en AgróTICa y Agricultura de Precisión (GRAP) 
Agrotecnio – Centro de Investigación en Agrotecnología – Universitat de Lleida 
Lleida
La vendimia selectiva en base a la discriminación previa de zonas de distinta calidad es una práctica relativamente reciente y que presenta ciertas expectativas.1 Incluso, frente a la vendimia selectiva en el espacio, la vendimia diferencial en el tiempo podría reportar un mayor beneficio económico, al aumentarse las características de calidad del fruto en la zona en la que se retrasa deliberadamente su recolección. Obviamente, las dificultades también están presentes y surgen, por este orden, en el momento de realizar la zonificación y en el momento posterior de validar en campo las zonas de distinta calidad. En este sentido, los viticultores y los enólogos no solo deben definir las especificaciones concretas de los parámetros de calidad (normalmente, grado alcohólico, pH, acidez total y color), sino que deben disponer asimismo de las herramientas adecuadas que les permitan llevar a cabo la delimitación zonal de dicha calidad.
La calidad es importante en viticultura. La investigación en este campo ha hecho posible la aparición comercial de sensores de calidad, de uso manual o instalables en vendimiadoras y/o plataformas móviles terrestres, que hacen posible la monitorización de las cepas en continuo y el mapeado final de algunos de los parámetros de calidad más importantes. Sin embargo, la práctica actual de muchas bodegas sigue decantándose por el uso de la teledetección (imágenes aéreas o de satélite) como herramienta de base para la evaluación de la variabilidad del viñedo y la posterior zonificación de la calidad. La empresa Codorníu (fig. 1) viene apostando desde el año 2004 por el uso de imágenes multiespectrales que miden la variabilidad de la vegetación dentro de las parcelas, habida cuenta del posible efecto del vigor de las cepas sobre el balance final entre la producción y la calidad. Adelantando conceptos, la vendimia selectiva podría estar justificada en aquellas parcelas con cierta variabilidad en el vigor, asumida la idea que las cepas de mayor densidad foliar proporcionan también una mayor cosecha pero de menor calidad.2
En definitiva, el acierto de la vendimia selectiva así planteada depende de la existencia de una variación conjunta en el espacio (covarianza espacial) entre el vigor y los parámetros relacionados con la calidad de la uva. En un último paso, el enólogo deberá comprobar in situ la idoneidad de la zonificación mediante el muestreo adecuado.
En este artículo se pretende mostrar, a modo de revisión y a través de algunos ejemplos, los fundamentos tecnológicos y los nuevos retos que plantea la vendimia selectiva, así como las dificultades que conlleva también su aplicación.

Figura_2
Figura 1: Vendimia selectiva en Raimat (Lleida).

La teledetección como herramienta básica para la zonificación de la calidad
Sin duda, la utilización de la teledetección puede considerarse como uno de los avances tecnológicos más importantes en la viticultura de esta última década. A partir de las imágenes multiespectrales captadas desde satélites y/o avionetas, se dispone de la posibilidad de obtener mapas de vigor del cultivo sobre amplias zonas de viña y con una alta resolución espacial. El usuario de estas imágenes dispone finalmente del valor en cada píxel de un determinado índice de vegetación, el cual se construye a partir de los valores digitales de reflectancia espectral de la imagen original y aplicando un procedimiento específico. Pero, lo más interesante es que, dependiendo del índice de vegetación que se utilice, el viticultor dispone de una herramienta que le permite conocer y evaluar cómo varían espacialmente características de su viñedo como el estado sanitario de las cepas, el estrés hídrico y/o la calidad de la uva.
Existen diversos índices de vegetación que pueden utilizarse en viticultura. Sin embargo, las bodegas suelen zonificar la calidad en base al índice NDVI (Normalized Difference Vegetation Index) o, más recientemente, utilizando el índice PCD (Plant Cell Density). Concretamente, para el cálculo de estos índices se utilizan los valores de reflectancia en las bandas visibles del rojo (R) y del verde (G), y la reflectancia en el infrarojo próximo (IR), tal como muestran las expresiones siguientes:
Figura_2
El resultado final es un valor adimensional que se correlaciona con el vigor vegetativo del viñedo. En general, los mayores valores de estos índices son indicativos de cepas con mejor estado sanitario y mayor desarrollo foliar. Esta característica se aprovecha luego para la delimitación dentro de las parcelas de zonas de distinta calidad. Veamos dos ejemplos de este tipo de aplicación en sendas investigaciones en Raimat (Lleida).
El primer ejemplo utiliza una imagen del satélite multiespectral Quickbird-2 en una parcela de cabernet sauvignon de 5 ha.3La imagen fue tomada a finales de julio del año 2005 (envero de la uva), generándose a partir de la misma el mapa correspondiente de NDVI (fig. 2).
En la misma figura puede observarse el mapa que delimita finalmente dos clases de vigor (NDVI alto y bajo), el cual se obtuvo mediante la clasificación (análisis cluster) de los valores del índice NDVI con el algoritmo ISODATA (ArcGIS 9.3). El muestreo sistemático de distintos parámetros de calidad (fig. 2) permitió contrastar la existencia de diferencias significativas entre ambas zonas de vigor.

Figura_2
Figura 2: A) Mapa del índice NDVI (izquierda) y mapa clasificado, NDVI alto y NDVI bajo, y puntos de muestreo (derecha). B) Tabla resumen de los parámetros de calidad según las dos zonas (clases) de vigor (las variables con la misma letra en ambas clases no presentan diferencias significativas).

La interpretación de estos resultados es sencilla. Se observa que las cepas de menor vigor (cepas localizadas en la clase de NDVI bajo) son las menos productivas, pero presentan globalmente una mejor calidad. Concretamente, las cepas de menor vigor se diferencian del resto por producir una uva con menor acidez y mejores características de color. Sin embargo, la clasificación mediante el uso del NDVI no permitía diferenciar lotes de uva de distinto grado y, si la clasificación se ampliaba a tres clases de vigor (resultados no mostrados), la dificultad para encontrar diferencias significativas era todavía mayor. Este resultado permite concluir que, probablemente, no es recomendable discriminar más de dos clases de NDVI (dos clases de calidad) en parcelas de viña.
El segundo ejemplo muestra los resultados obtenidos de la microvinificación diferencial de lotes de uva procedentes de tres zonas distintas de una misma parcela (cabernet sauvignon, 26 ha) (fig. 3). En este caso, se utilizó el índice de vegetación PCD de una imagen aérea para el muestreo de tres lotes de uva en tres localizaciones distintas (A, B y C) correspondientes a valores de vigor bajo, medio y alto, respectivamente. Una vez completada la microvinificación de cada lote, se evaluó el color, el aroma y la sensación de boca mediante análisis sensorial (cata).
El análisis de las puntuaciones adjudicadas a cada lote (test de Friedman, fig. 3), si bien no evidenció diferencias en dos de los parámetros evaluados por los enólogos, sí puso de manifiesto la mejor valoración del color del vino elaborado a partir de la uvas procedentes de las cepas de menor vigor (zonas A del mapa). La interpretación de este resultado es interesante por dos razones. Primero, porque demuestra una vez más la utilidad de la teledetección a la hora de segmentar una parcela de viña en zonas de distinta calidad (separando la vendimia de las zonas A del resto de zonas B+C). En segundo lugar, porque este mismo resultado no era extrapolable al resto de parcelas y variedades, lo cual hace necesario analizar cada caso por separado y, lo que es más importante, valorar asimismo la conveniencia de introducir otras variables agronómicas para la zonificación de la calidad.4

Figura_2
Figura 3: Mapa del índice PCD (izquierda) y valoración sensorial de la microvinificación(derecha).

Evaluación de la oportunidad de la vendimia selectiva
En el punto anterior se han mostrado dos ejemplos de la posible utilización práctica de los sensores remotos y los índices de vegetación para la zonificación de la calidad. No obstante, en ningún caso se ha analizado si llevar a cabo la vendimia selectiva en esas parcelas era técnicamente factible y, sobre todo, económicamente interesante para la bodega receptora de la uva.
Con objeto de dar respuesta a esta cuestión, en Monsó, Arnó y Martínez-Casasnovas (2013)5 se propone la utilización de un índice que evalúa la oportunidad de la vendimia selectiva a nivel de parcela. Este índice de oportunidad (IO) analiza los mapas de NDVI obtenidos a partir de imágenes multiespectrales y se basa en tres parámetros (fig. 4):
a) la existencia de variabilidad espacial en el vigor de las cepas,
b) la existencia de estructura espacial en dicha variabilidad, y
c) la existencia de una superficie mínima de uva de calidad (ligada a los menores valores de NDVI) que garantice la oportunidad económica de la diferenciación de la cosecha y, al mismo tiempo, se adapte en cantidad a las necesidades del plan productivo y logística de la bodega.
De este modo, para que una parcela presente oportunidad para la vendimia selectiva, es necesario cumplir con los tres requisitos anteriores superando distintos valores umbral que se toman como referencia en cada uno de ellos (fig. 4). El valor final del IO se obtiene mediante el producto de los tres parámetros:
Figura_2
Figura_2
Figura 4: Procedimiento de cálculo del índice de oportunidad (IO) para la vendimia selectiva a nivel de parcela.

En la figura 4 se esquematiza el procedimiento de cálculo del IO, el cual hace uso de los valores del variograma ajustado según la dirección de las hileras de viña. Dado que las máquinas de vendimia trabajan a lo largo de dichas hileras, el interés se centra en conocer la varianza estructural (C1) y el rango (a) de la variación espacial en dicha dirección.
El primer parámetro de la ecuación (V) se calcula, por tanto, teniendo en cuenta el grado de variación existente dentro de la parcela (parámetro C1 del variograma), y se toma como valor umbral de referencia un coeficiente de variación del 14,5%.
El segundo parámetro de la ecuación (E) se calcula en base al rango (a) del variograma. El rango es una medida del grado de dependencia espacial de la variable, lo cual permite valorar si la variación espacial dentro de la parcela presenta una mayor o una menor estructura.
En otras palabras, interesa que las cepas de distinto vigor (distinta calidad) se agrupen formando zonas bien delimitadas, regulares y homogéneas dentro de la parcela. Ello favorecerá el trabajo de la vendimiadora, al no ser necesarios cambios frecuentes de las tolvas de descarga de la uva de distinta calidad. En este caso, se considera que la vendimiadora debe poder recolectar uva de una misma calidad a lo largo de, como mínimo, 50 m de hilera si se pretende optimizar el ciclo de trabajo de la máquina. Finalmente, la economía del proceso requiere una superficie mínima de uva de calidad dentro de la parcela. Fijada dicha superficie en 3 ha, la clasificación de los valores de NDVI mediante análisis cluster permite conocer finalmente la superficie (AL) que abarcan las cepas de menor vigor. La relación entre ambas superficies nos proporciona el valor numérico del último parámetro (A) de la ecuación.
La aplicación del IO en parcelas de viña en Raimat (Lleida) ha permitido obtener unos primeros resultados interesantes y, en todo caso, no alejados de la práctica vitícola que viene realizándose en la zona estudiada. La figura 5 muestra el IO obtenido para algunas de las parcelas analizadas. Cuando la parcela en estudio no supera alguno de los umbrales mencionados, se asume que no presenta oportunidad y se le asigna un valor del IO igual a cero.

Figura_2
Figura 5: Parcelas de viña en Raimat (Lleida) con distinta oportunidad para la vendimia selectiva.

Las dificultades del muestreo como método de validación
En los últimos años, la práctica de la vendimia selectiva ha centrado buena parte de la investigación llevada a cabo en viticultura de precisión. En los epígrafes anteriores hemos visto que los sensores remotos (imágenes aéreas, principalmente) permiten la obtención de mapas de vigor de las parcelas en base a la transformación de los datos de reflectancia del cultivo en adecuados índices de vegetación.
Luego, la clasificación espacial de estos mapas permite delimitar zonas dentro de las parcelas (o a nivel de finca) y, caso que exista oportunidad, llevar a cabo posteriormente una vendimia selectiva para diferenciar el producto. Sin embargo, el problema aparece cuando deben validarse las zonas de distinta calidad mediante muestreo.
En general, la mayoría de bodegas aplican un muestreo aleatorio simple en cada zona, seleccionando normalmente unas cuantas cepas como puntos de muestreo. Ciertamente, las alternativas no son demasiadas. Con todo, de la eficiencia del método utilizado dependerá en gran medida el éxito de la zonificación de la calidad.
El reto es el desarrollo de un esquema de muestreo en cada zona que logre la precisión deseada con un tamaño reducido de muestra (2 o 3 puntos de muestreo osmart points). Al final, el esquema de actuación podría adaptarse al mostrado en la figura 6.

Figura_2
Figura 6: Tecnologías disponibles y pasos a seguir para llevar a cabo una vendimia selectiva.

Bibliografía

1. R.G.V. Bramley, A.P.B. Proffitt, C.J. Hinze, B. Pearse, R.P. Hamilton: Generating benefits from Precision Viticulture through selective harvesting. En: Precision Agriculture’05. Proceedings of the 5th European Conference on Precision Agriculture, Wageningen Academic Publishers, 2005: 891-8.
2. D. Lamb: Remote sensing – a tool for vineyard managers? En: Proceedings of the 11thAustralian Wine Industry Technical Conference, Adelaide, 2011: 15-20.
3. J.A. Martínez-Casasnovas, J. Agelet-Fernández, J. Arnó, M.C. Ramos: Analysis of vineyard differential management zones and relation to vine development, grape maturity and quality.Spanish Journal of Agricultural Research 2012; 10 (2): 326-37.
4. L.G. Santesteban, C. Miranda, C. Jiménez, M. Fuentemilla, I. Urretavizcaya, B. Tisseyre, S. Guillaume, J.B. Royo: Evaluación del interés del índice NDVI para la delimitación de unidades de manejo diferenciado en una explotación vitícola. Revista de Teledetección 2010; 33; 11-6.
5. A. Monsó, J. Arnó, J.A. Martínez-Casasnovas: A simplified index to assess the opportunity for selective wine grape harvesting from vigour maps. En: Precision Agriculture’13. Proceedings of the 9th European Conference on Precision Agriculture, Wageningen Academic Publishers, 2013: 625-32.
[

20/1/16

Aplicación de nuevas técnicas rápidas de análisis sensorial

Aplicación de nuevas técnicas rápidas de análisis sensorial a la investigación enológica: prueba de categorización de la calidad seguida de un perfilado rápido
Yohanna Alegre, Arancha de la Fuente, Purificación Hernández-Orte, Vicente Ferreira y María-Pilar Sáenz-NavajasLaboratorio de Análisis del Aroma y Enología (LAAE), Departamento de Química Analítica. Universidad de Zaragoza. Instituto agroalimentario de Aragón (IA2). Unidad Asociada al Instituto de Ciencias de la Vid y el Vino (ICVV). Zaragoza, España
....
  
. .

El análisis sensorial es una disciplina científica empleada con el fin de analizar e interpretar las reacciones de los sentidos generadas por diferentes estímulos. Las herramientas que proporciona esta disciplina en el campo de la ciencia de los alimentos, y en concreto en el del vino, dan lugar a información muy valiosa para la industria. Así, es capaz de establecer diferencias cuantitativas y cualitativas entre vinos y obtener sus perfiles sensoriales.1 Además, las técnicas de análisis sensorial se utilizan como complemento al control de la calidad y como herramienta de diagnóstico y caracterización de vinos elaborados en distintas condiciones. Entre las estrategias empleadas para evaluar la calidad percibida de los vinos, la prueba de categorización se ha aplicado con éxito en la jerarquización de la calidad de grupos de vinos en base al juicio tanto de expertos como de consumidores.2
La prueba de categorización, base de la psicología clásica, se trata de una tarea sencilla e intuitiva que realizamos habitualmente en las actividades cotidianas e interviene por ejemplo en el lenguaje o en el proceso de toma de decisiones. La categorización se define como el proceso en el que las ideas y los objetos son reconocidos, diferenciados y entendidos. La categorización consiste en agrupar objetos en categorías, habitualmente para un fin específico. Idealmente, una categoría relaciona sujetos (catadores) y objetos (vino). La aplicación de la categorización de vinos sobre la base de la calidad resulta de sumo interés. Consiste en la evaluación de manera holística e integral de los vinos por parte de los jueces con el fin de incluir cada muestra en una categoría o grupo establecido. Las categorías de calidad empleadas hasta ahora han sido «muy baja calidad», «baja calidad», «calidad media», «alta» o «muy alta calidad».2  Estas han de ser fácilmente interpretables por los participantes. De manera que sean capaces de comparar la calidad de los vinos evaluados con sus prototipos de calidad. Estos prototipos o modelos de calidad se encuentran almacenados en la memoria de los consumidores y se han formado a partir de sus experiencias previas.3 Además de la evaluación de la calidad de los vinos, es importante generar datos descriptivos que expliquen las diferencias de calidad y así ser capaces de definir las características sensoriales que están implicadas en la potenciación o depreciación de la calidad de los vinos.
Los métodos descriptivos tradicionales conllevan un consumo de recursos y tiempo muy elevado. Por lo tanto, en la industria alimentaria existe una creciente aceptación de métodos sensoriales alternativos, considerados más rápidos y rentables que los análisis descriptivos clásicos convencionales.4,5 Entre ellos, el flash profiling o perfilado rápido6 es capaz de generar un mapa de los vinos en un período muy breve (una o dos sesiones), ya que las etapas de selección de términos y jueces y de entrenamiento se reduce considerablemente o incluso se llega a prescindir de éstas. Como contrapartida, en ocasiones es difícil la interpretación de los términos, ya que son generados libremente por los jueces no entrenados, puesto que en ningún caso el objetivo de esta prueba es alcanzar un consenso en la definición de los términos o atributos. Esta falta de consenso puede ser parcialmente superada llevando a cabo la prueba descriptiva con jueces semientrenados (habituados a participar en sesiones de análisis descriptivo) capaces de interpretar los atributos sensoriales de manera similar.
A continuación se presentan los resultados obtenidos de un estudio, que se ha realizado combinando la prueba de categorización para la selección de vinos de alta calidad para un conjunto de vinos relativamente amplio (50 muestras) seguido de una prueba descriptiva rápida (flash profiling) para la identificación de los atributos ligados a los vinos incluidos en las categorías de alta calidad.
Prueba de categorización
La primera tarea del estudio fue seleccionar los vinos con características aromáticas de calidad. Para ello, los 54 vinos (50 vinos + 4 réplicas) fueron evaluados en términos de calidad del aroma por 17 jueces considerados expertos o profesionales del mundo del vino. El panel de expertos estuvo compuesto por el 35 % hombres y el 6 5% mujeres, de entre 25 a 74 años, con una media de 37 años, todos de la región de Zaragoza.
Las muestras control consistieron en dos vinos diferentes puestos por duplicado. La muestras HQ (high quality) eran un vino comercial que se seleccionó por considerarse a priori una muestra de calidad y la muestra LQ (low quality) fue una muestra dopada con fenilacetaldehído para generar una muestra de baja calidad, que simulaba un vino oxidado. Ambas muestras fueron introducidas para llevar a cabo un control de la capacidad discriminatoria del panel en términos de calidad.
Los panelistas tenían que examinar un total de 54 vinos jóvenes blancos en dos sesiones (una a las 10:00 y la segunda a las 16:00). En cada sesión, los participantes evaluaron 27 muestras exclusivamente en términos de calidad del aroma ortonasal y tenían que clasificarlas en cinco grupos de calidad: «muy alta», «alta», «media», «baja» o «muy baja» en base a sus criterios. Una vez cada participante había formado sus cinco grupos sobre la mesa, se les proporcionó un lápiz y una hoja para escribir sus respuestas. Para terminar, se les pidió que asociasen cada uno de los cinco grupos con un máximo de los 2-3 atributos que utilizaron para tomar su decisión. En ningún caso podían modificar los grupos establecidos. Las instrucciones para la prueba de categorización fueron las siguientes:
.«Los panelistas examinaron 54 vinos jóvenes blancos exclusivamente en términos de calidad del aroma ortonasal para clasificarlos en cinco grupos de calidad.»
«
«En la mesa se presentan veintisiete copas de vino blanco joven. Cada una está codificada con un número de tres cifras. Le pedimos que en primer lugar huela cada muestra (exclusivamente por vía ortonasal) de izquierda a derecha y luego constituya en la mesa 5 grupos (muy alta, alta, media, baja o muy baja) basándose en la calidad del aroma percibido.»
Los datos derivados de esta prueba se compilaron contando, en primer, lugar el número de veces que cada vino fue clasificado por los participantes en cada una de las cinco categorías de calidad. Para simplificar los resultados, se consideraron tres categorías («muy alta/alta», «media» y «muy baja/baja»). Las categorías de calidad «muy alta» y «alta», así como «baja» y «muy baja» se consideraron de manera conjunta. Los datos se codificaron en una tabla de contingencia del vino (54) x el nivel de calidad (3), en la que cada celda representaba la frecuencia de la categorización de un vino en un nivel de categoría. Esta tabla se analizó mediante análisis de correspondencias (CA) seguido de un análisis clúster jerárquico (HCA).7
La figura 1 muestra el mapa derivado del análisis de correspondencias (CA), donde se pueden observar las proyecciones de los 54 vinos junto con las tres categorías de calidad («muy alta/alta», «media», y «baja/muy baja»). Los vinos incluidos en la categoría de calidad más alta «muy alta/alta» se representan en la parte derecha de la gráfica y justo en el lado opuesto se encuentran las muestras clasificadas en el grupo de calidad más baja «muy baja/baja». En el centro de la gráfica se encuentran las muestras pertenecientes a la categoría de calidad «media». Las muestras duplicadas se encuentran ubicadas juntas en la gráfica, lo que sugiere que el panel es repetible. Además, estas dos muestras control se esperaba que pertenecieran a diferentes categorías de calidad (HQ para calidad alta y LQ a calidad menor). Hecho que se ve confirmado por el panel de expertos, donde las muestras LQ se clasifican en la categoría de calidad más baja, y las muestras HQ en el grupo de calidad más alta, lo que confirma la capacidad discriminatoria del panel en términos de calidad.

Figura 1. Proyección de los tres grupos de calidad (grupo 1: calidad baja/muy baja representada por un punto; grupo 2: calidad media representada por un triángulo y grupo 3: calidad muy alta/alta representado por una cruz) de las muestras de vino en el mapa bidimensional generado a partir de la tarea de categorización basada en la percepción de la calidad
[Clique sobre la imagen para ampliar]

Perfilado rápido o flash profiling (FP)
Las nueve muestras incluidas en la categoría de mayor calidad («muy alta/alta» calidad) se describieron mediante flash profiling (FP), con el fin de conocer el perfil aromático de estas muestras e identificar los atributos implicados en la percepción de la calidad.
Para ello, 15 miembros del personal (33% hombres y 67% de mujeres de 25 a 59 años, media = 35) del Laboratorio de Análisis del Aroma y Enología (LAAE) evaluaron un total de 13 vinos (9 vinos de mayor calidad + 4 muestras replicadas para el control de la repetibilidad de los jueces: MR y LM). Los participantes son considerados jueces semientrenados, ya que la descripción del aroma es una de sus tareas habituales.
«En el perfilado rápido se pide que, de forma
individual, se generen
descriptores aromáticos
capaces de diferenciar
entre las 13 muestras de vino, evitando términos hedónicos.»
.
 
El análisis descriptivo mediante FP se llevó a cabo en dos sesiones separadas por una intersesión. En la primera sesión, se le pidió a cada participante que, de manera individual, generaran descriptores aromáticos capaces de diferenciar entre las 13 muestras de vino. Asimismo, se les pidió que evitaran términos hedónicos (por ejemplo, me gusta, franco, de calidad, potente…) y que utilizaran exclusivamente términos descriptivos. Los jueces fueron libres para generar tantos atributos como ellos quisieran y disponían de todo el tiempo que fuera necesario. Durante la intersesión, el investigador agrupó todos los atributos generados para formar una lista global que se proporcionó a los jueces en la segunda sesión. Esta lista global se presentó como una herramienta de ayuda para que los jueces pudieran actualizar su propia lista si lo deseaban, pero no tenía por objetivo llegar a un consenso. Con esta lista global los jueces podrían añadir a su lista algunos términos que pensaban que eran pertinentes pero no generaron ellos mismos, o reemplazar algunos de sus propios términos por los que ellos pensaban que eran más adecuados.
En la segunda sesión, se pidió a los jueces que clasificaran las 13 muestras de vino de menor a mayor (en términos de intensidad) para cada uno de los atributos elegidos tal como se ilustra en la figura 2. Los descriptores sensoriales fueron evaluados usando una escala continua no estructurada de 10 cm de longitud anclada con las palabras «baja» y «alta» intensidad en los extremos izquierdo y derecho, respectivamente. Todas las muestras se presentaron simultáneamente en un orden aleatorio diferente para cada juez. Las muestras de 20 mL de vino se presentaron en copas oscuras (ISO 3591, 1977) etiquetadas con códigos aleatorios de 3 dígitos y cubiertas por placas Petri de plástico. Todas las muestras se sirvieron a temperatura ambiente y se evaluaron en cabinas individuales. No se informó a los panelistas sobre la naturaleza de las muestras a evaluar.

Figura 2. Ejemplo de hoja de respuestas obtenida del perfilado rápido o FP
[Clique sobre la imagen para ampliar]
Los datos descriptivos obtenidos en el flash profiling fueron sometidos a análisis de procrustersgeneralizado (GPA). La figura 3a muestra los componentes principales (primero y segundo) del mapa de GPA que representan, respectivamente, el 58 % y el 13 % de la varianza original. Las dos muestras control de vinos comerciales de la variedad verdejo presentadas por duplicado (MR1 y MR2, así como LM1 y LM2) se representan juntas en el mapa, lo cual demuestra la repetibilidad del panel.
La figura 3b muestra la proyección de los atributos utilizados al menos por 3 jueces (de 15) y que presentan coeficientes de correlación con F1 o F2 de al menos de 0,60. Según el panel, las muestras (V47, V33, V36, V50, V12 y V34) proyectadas en la parte izquierda de la figura 3a (valores negativos para F1) se describen principalmente por términos como «frutas pasas», «frutas tropicales» o «tostados». En el lado opuesto (parte derecha de la figura 3a y valores más altos para la F1) están las muestras caracterizadas con aromas «cítricos» o «manzana» (V38, V39, LM1, LM2, MR1 y MR2). La segunda dimensión opone la muestra V47, con aromas más frescos, tales como «fruta blanca» y «vegetales frescos» en la parte superior del gráfico (puntuaciones más altas para F2), a la muestra V34 con aromas más dulces tales como «fruta tropical-plátano» o «fruta pasa». Las muestras V33, V36 y V50, localizadas cercanas en el mapa (fig. 3a) también se caracterizaron por cereal fermentado como puede observarse en la figura 3b.
Figura 3a. Espacio de consenso obtenido utilizando el análisis procrusteriano generalizado sobre el perfil aromático de los vinos blancos jóvenes. Muestras control presentadas por duplicado (MR1/MR2 y LM1/LM2)
[Clique sobre la imagen para ampliar]
Figura 3b. Proyección de los descriptores utilizados en el flash profiling en el espacio de consenso obtenido utilizando el análisis procrusteriano generalizado sobre el perfil aromático de los vinos blancos jóvenes. Solo se muestran los descriptores clasificados en orden de al menos 3 evaluadores y que tienen un coeficiente de correlación mayor o igual a 0,6 con una de las dos primeras dimensiones del espacio de consenso
[Clique sobre la imagen para ampliar]

Conclusiones
Se ha descrito una aproximación sensorial en la que se han aplicado dos métodos sensoriales consecutivos. La tarea de categorización seguida por el perfilado rápido o flash profiling ha revelado ser una metodología sensorial rápida y eficaz para la identificación y descripción de muestras de calidad. Esta metodología se ha completado en tan solo cuatro sesiones de menos de una hora cada una para la evaluación de un número elevado de vinos (50). Este método sensorial permitió la identificación de nueve vinos blancos con perfiles aromáticos de calidad. Esta metodología se presenta como una herramienta complementaria rápida y eficaz para el cribado de muestras de calidad y caracterización de sus perfiles aromáticos presentes en los vinos.

Bibliografía
  1. Lawless HT, Heymann H: Sensory evaluation of food: Principles and Practices. Nueva York: Springer, 2010.
  2. Sáenz-Navajas MP, Ballester J, Pêcher C, Peyron D, Valentin D: Sensory drivers of intrinsic quality of red wines. Effect of culture and level of expertise. Food Research International2013; 54 (2): 1506-18.
  3. Parr WV, Valentin D, Green JA, Dacremont C: Evaluation of French and New Zealand Sauvignon wines by experienced French wine assessors. Food Quality and Preference 2010; 21 (1): 56-64.
  4. Valentin D, Chollet S, Lelievre M, Abdi H: Quick and dirty but still pretty good: a review of new descriptive methods in food science. International Journal of Food Science and Technology 2012 Aug; 47 (8): 1563-78. PubMed PMID: WOS:000306407200001.
  5. Varela P, Ares G: Sensory profiling, the blurred line between sensory and consumer science. A review of novel methods for product characterization. Food Research International 2012; 48 (2): 893-908.
  6. Dairou V, Sieffermann JM: A comparison of 14 jams characterized by conventional profile and a quick original method, the Flash Profile. Journal of Food Science 2002; 67 (2): 826-34. 
  7. Lebart L, Morineau A, Piron M: Statistique exploratoire multidimensionelle. París: Dunod, 1995. 

19/1/16

Viticultura de precisión: de dónde venimos y hacia dónde vamos

José A. Martínez-Casasnovas Jaume Arnó Grupo de Investigación en AgróTICa y Agricultura de Precisión (GRAP) 
Agrotecnio – Centro de Investigación en Agrotecnología – Universitat de Lleida 
Lleida
Desde el comienzo de la aplicación de técnicas de agricultura de precisión en viticultura, allá por el año 1999, cuando comenzaron a publicarse los trabajos iniciados en Australia y Estados Unidos, a raíz de la aparición en el mercado de sensores y monitores de rendimiento, se han producido grandes avances en el análisis de la variabilidad del viñedo y la optimización de la producción de uvas de mejor calidad.
Entre noviembre de 2005 y enero de 2006, la revista ACENOLOGÍA, consciente del interés y utilidad de estos avances tecnológicos, dedicó un dossier a la viticultura de precisión. Ahora ha pasado casi una década y puede ser el momento de hacer una revisión de cómo estas técnicas y metodologías pueden ayudar a los viticultores y enólogos en la toma de decisiones.

Variabilidad intraparcelaria: necesidad de la viticultura de precisión
Tradicionalmente, las prácticas vitícolas se han realizado en los viñedos de una manera uniforme, aplicando la misma intensidad o la misma dosis en operaciones como la poda, la fertilización, los tratamientos fitosanitarios, el riego, etc., independientemente de la ubicación exacta dentro del viñedo (Arnó et al., 2009). Durante la última década, el desarrollo de sensores y monitores de rendimiento, así como la disponibilidad de imágenes de satélite de alta resolución espacial (entre 1,85-3,2 m/píxel) y/o de imágenes adquiridas desde avionetas con cámaras multiespectrales (0,2-0,5 m/píxel), han puesto de manifiesto que puede existir una gran variabilidad intraparcelaria tanto en el desarrollo de las vides como en su rendimiento (fig. 1). Esta variabilidad también tiene implicaciones en la calidad de la uva y en la rentabilidad de la bodega. Por ello, la identificación y la caracterización espacial de dicha variabilidad, la interpretación de su significado enológico, así como la posibilidad del manejo diferencial de dicha variabilidad, constituyen los principales objetivos de la Viticultura de Precisión (VP) (Urretavizcaya et al., 2014).

Figura_2
Figura 1: Algunas parcelas de viña pueden mostrar una gran variabilidad intraparcelaria en el desarrollo vegetativo y/o rendimiento, tal como se muestra en el ejemplo de la figura. A la izquierda, índice de vegetación de la diferencia normalizada (NDVI) de una parcela de viña syrah calculado a partir de una imagen QuickBird adquirida ±15 días del envero. A la derecha, mapa de rendimiento de la misma parcela elaborado a partir de los datos de un monitor de cosecha. Se observa una clara correspondencia entre zonas de vigor y rendimiento en la parcela.

El suelo: la principal causa de la variabilidad intraparcelaria en los viñedos
Básicamente, se podría decir que la variabilidad espacial del cultivo está asociada a la variación de las propiedades de los suelos. Los suelos son complejos cuerpos tridimensionales cuyas propiedades varían de forma continua en las tres dimensiones espaciales (XYZ), en profundidad y también en el tiempo, albergando una amplia gama de procesos físicos y biológicos. Esto los ha hecho tradicionalmente difíciles y costosos de caracterizar y, por eso, la mayoría de los viñedos han sido plantados sin disponer a priori de información sobre la variabilidad del suelo. Esto ha llevado a la creación de plantaciones (teóricamente) homogéneas que a posteriorison realmente heterogéneas y donde luego se ha visto que es conveniente delinear diferentes zonas de manejo diferencial. Un avance tecnológico cuyo uso se está comenzando a extender con el fin de conocer la variabilidad de los suelos, son los sensores resistivos y de inducción electromagnética.
Estos sensores, arrastrados por un tractor o un vehículo todoterreno conectado con un receptor GPS, miden la conductividad eléctrica aparente (CEa) en continuo, y permiten elaborar mapas de la variación continua de esta propiedad.
El uso potencial de estos datos es de gran interés, ya que es un parámetro que tiene una buena correlación con la textura del suelo, la capacidad de retención de agua, el contenido de materia orgánica, la salinidad y la profundidad del suelo, entre otras (Arnó et al., 2009).
Así, la zonificación de la CEa puede ser utilizada para la delineación de zonas homogéneas dentro de las parcelas y, también, para optimizar el muestreo de suelos, con el fin de caracterizar e identificar la causas que afectan al rendimiento y/o la variabilidad de la calidad. Algunos ejemplos de estos sensores son el EM38, Geonics Ltd.; Veris 3100, Veris Technologies Inc.; y ARP-Automatic Resistivity Profiling, Geocarta Ltd.). Otras novedades para la cartografía de las propiedades del suelo son los sensores ópticos, que estiman el contenido de materia orgánica y los sensores que miden el pH.

Teledetección multiespectral: caracterización remota de la variabilidad intraparcelaria y expansión de la viticultura de precisión
Pero, sin duda, la práctica de la viticultura de precisión se ha extendido en la última década gracias al uso de imágenes multiespectrales desde satélite (Ikonos, QuickBird, WorldView-2, entre otros) y desde avionetas, estas últimas sobre todo por su mayor nivel de detalle.
Las imágenes multiespectrales permiten el cálculo de los denominados índices de vegetación (o índices de vigor), a partir de las reflectancias en canales del visible y del infrarrojo cercano. Los índices más utilizados en VP han sido el PCD (Plant Cell Density) (Bramley et al., 2003), el PVR (Photosynthetic Vigour Ratio) (Bramley y Lamb, 2003) y el índice más comúnmente utilizado, el NDVI (Normalized Difference Vegetation Index) (Rouse et al., 1973). El PCD se calcula como la relación de la reflectancia entre el infrarrojo cercano y rojo (NIR/R); el PVR como la proporción de verde a rojo de reflectancia (V/R), y el NDVI por la combinación de infrarrojo cercano y rojo (NIR-R/NIR+R).
Al igual que en otros cultivos, estos índices se han mostrado válidos para estimar el rendimiento y algunos parámetros estructurales de la vid, como por ejemplo el LAI (Leaf Area Index) o el fPAR (Fraction of Photosynthetically Active Radiation). Así, el uso de estos índices permite la identificación y zonificación de áreas de diferente vigor dentro de las parcelas. No obstante, si bien las zonas basadas en estos índices se corresponden con las de mayor o menor crecimiento vegetativo del cultivo, e incluso con su rendimiento (fig. 1), la correspondencia entre la calidad de la uva y las diferentes zonas de vigor no está clara (Santesteban et al., 2010). Por extensión, hay que ser prudente a la hora de relacionar dichas zonas con la calidad final del vino procedente de esos diferentes lotes. En este sentido, los resultados de diversas investigaciones se han mostrado ciertamente controvertidos, ya que, si bien la calidad de uva, al igual que el vigor vegetativo y el rendimiento, varía en el espacio, su rango de variación suele ser menor (Bramley, 2005). Además, si bien las zonas de vigor y/o rendimiento no suelen variar sustancialmente a lo largo de los años, la estabilidad espacio-temporal de los parámetros de calidad de la uva es menor (Tisseyre et al., 2008).
Esta limitación de la teledetección multiespectral para asegurar zonas de manejo diferencial que reflejen diferencias significativas en la calidad de la uva ha llevado a algunos investigadores a utilizar otras variables en combinación con algún índice de vegetación, como mapas de fertilidad y desarrollo vegetativo de las vides (número de yemas, número de pámpanos), carga de frutos (número de racimos, peso de 100 bayas), peso de poda o, incluso, rendimientos de campañas anteriores (Martínez-Casasnovas et al., 2012).
Este enfoque, aunque se ha demostrado algo más satisfactorio para delinear zonas con correspondencia con propiedades de calidad de la uva, sigue siendo ambiguo, en particular para propiedades como la cantidad de antocianos y compuestos fenólicos (Arnó et al., 2012; Martínez-Casasnovas et al., 2012).

Teledetección hiperespectral y térmica: un salto cualitativo hacia la determinación de índices fisiológicos de la viña y del estado hídrico
Un salto cualitativo importante en la estimación de parámetros fisiológicos de la planta (por ejemplo, el contenido de clorofilas), estado de estrés hídrico o incluso el poder inferir con más precisión la calidad de la uva, ha venido de la mano de las imágenes hiperespectrales e imágenes térmicas. La teledetección hiperespectral se diferencia de la multiespectral en que el número de bandas registradas es mucho mayor (pueden ser más de 200), siendo el ancho de banda mucho más estrecho.
En este sentido, estudios recientes muestran el uso de índices fisiológicos calculados a partir de imágenes hiperespectrales como posibles indicadores para evaluar la calidad de la uva en viñedos afectados por deficiencia de hierro (clorosis) (Martín et al., 2007; Meggio et al., 2010), o por déficit hídrico (Pons et al., 2013). Así, el incremento de carotenos y antocianinas que se produce en situaciones de estrés hídrico o por deficiencias en micronutrientes (hierro), y que se puede detectar a partir de índices hiperespectrales, es un buen indicador de la maduración fenólica (Meggio et al., 2010). Por otra parte, la estimación del déficit hídrico a través de índices como el denominado Water Index, predice mejor la composición de la uva en términos de contenido de azúcares y acidez que los índices de vegetación (Pons et al., 2013).
La variabilidad intraparcelaria de la viña también supone una desventaja para decidir las necesidades de riego dentro de una parcela. Así, un riego uniforme en una parcela variable puede provocar déficits hídricos en zonas con suelos con poca capacidad de retención de agua y el exceso en otras partes (Bellvert et al., 2013a). Estas diferencias también repercuten en la composición de la uva, por lo que afectan a su calidad.
Recientemente, el uso de imágenes térmicas captadas desde vehículos aéreos no tripulados (UAV o drones) (Berni et al., 2009) permite el cálculo a muy alta resolución espacial (~ 0,3 m) del denominado Crop Water Stress Index (CWSI). Este índice ha demostrado su validez para ser usado como herramienta para cartografiar la variabilidad espacial en las necesidades hídricas de la viña con el fin de determinar el momento del riego y la cantidad de agua a aplicar en lo que se viene a denominarriegos de precisión (Bellvert et al., 2013a,b).
Actualmente, a pesar de los avances científicos en la utilización de imágenes hiperespectrales y térmicas, el desarrollo de aplicaciones a escala comercial todavía es incipiente. Por ello, las imágenes más utilizadas para la toma de decisiones en viticultura de precisión, a pesar de sus limitaciones para asegurar una buena predicción de la calidad de la uva, siguen siendo las multiespectrales.

Otros avances en la zonificación de la calidad de la uva
Dado el interés de poder zonificar la variabilidad intraparcelaria para poder realizar vendimia selectiva basada en parámetros directos de calidad de la uva, algunas investigaciones se han basado en la medida directa y zonificación de estas propiedades.
Uno de estos ejemplos es el propuesto por Urretavizcaya et al. (2014), que se basa en el muestreo temprano de uva en un conjunto de puntos de muestreo al completar el envero y la zonificación de la variabilidad espacial mediante un algoritmo de aglomeración (cluster). Este procedimiento está orientado a definir zonas con un significado enológico, que pueden variarse en función de los objetivos de la bodega para producir tipologías de vinos con uvas de características diferentes.
También en esta línea, otros investigadores en viticultura de precisión han comenzado a utilizar sensores de proximidad (por ejemplo, Multiplex3, Force-A) para la medida no destructiva de fluorescencia de las bayas con el fin de estimar parámetros como la cantidad de antocianos (Baluja et al., 2012). Esta tecnología estima la cantidad de antocianos a partir de la correlación medida en puntos de muestreo, lo cual permite después caracterizar muchos más puntos para poder determinar la estructura de la variación espacial de la propiedad dentro de la parcela por métodos geoestadísticos. Esto, además de facilitar el análisis de la variabilidad espacial y temporal de este parámetro (sin necesidad de analizar la uva), permite crear mapas de zonas que pueden ayudar en la toma de decisiones sobre la vendimia.

Hacia dónde va la viticultura de precisión
Como hemos visto, los inicios de la viticultura de precisión estuvieron ligados a la medida de la variabilidad intraparcelaria y la zonificación de dicha variabilidad. Pero pronto se vio la necesidad de buscar sus causas y de determinar el significado enológico de la variabilidad observada, con el fin de realizar una vendimia selectiva y obtener uvas de diferentes calidades. La tecnología más accesible al viticultor para la toma de decisiones en viticultura de precisión ha sido (y siguen siendo) las imágenes multiespectrales (e índices de vigor), principalmente desde avioneta. Estas imágenes cada vez serán de más detalle, sobre todo cuando se extienda el uso de los drones. Ahora bien, hay que ser conscientes de que este tipo de imágenes pueden servir para tomar decisiones sobre la gestión del viñedo en cuanto a intensidad de la poda, zonificación de sectores de riego, fertilización, etc., pero la correspondencia de las zonas de vigor con las propiedades cualitativas de la uva se ha mostrado moderada o ambigua en algunos casos. Las técnicas basadas en imágenes hiperespectrales e imágenes térmicas también se espera que se extiendan en un futuro próximo, en particular para la gestión del riego y la mejora en la zonificación de la variabilidad basada en parámetros fisiológicos de la viña. Todo esto sin olvidar que no todas las parcelas de viña son variables o no tienen la variabilidad suficiente y/o con una estructura espacial adecuada para ser idónea la aplicación de técnicas de VP (Monsóet al., 2013). En este sentido, el desarrollo de índices de oportunidad basados en mapas que muestren cómo es la variabilidad intraparcelaria del rendimiento, vigor o parámetros cualitativos, son fundamentales para decidir si aplicar o no técnicas de viticultura de precisión.
Por último, el futuro tecnológico de la viticultura de precisión seguramente también pasará por la incorporación de novedades tecnológicas como el LíDAR (Light Detection and Ranging) y la robotización.
El LíDAR es una tecnología que permite caracterizar con gran precisión aspectos estructurales de las plantaciones, tanto a escala de planta como de parcela en 3D (geometría, altura, anchura, volumen, LAI, frondosidad y otros). Se basa en mediciones con un sensor láser con los que se adquieren gran densidad de puntos a partir de los cuales se puede reconstruir dicha geometría (fig. 2). Muchas de las aplicaciones de esta tecnología, del cual el Grupo de Agrótica y Agricultura de la Universidad de Lleida es pionero (http://www.grap.udl.cat/), están todavía por explorar, si bien ya se está comenzando a aplicar en la gestión de la poda y aplicaciones variables de fitosanitarios.

Figura_2
Figura 2: Izquierda: simulación de la adquisición de datos 3D en una plantación frutícola mediante LíDAR. Derecha: resultado de la adquisición de puntos 3D de LíDAR sobre una fila de viña. La figura muestra cómo se puede reproducir la estructura de las vides en 3D, a partir de la cual se pueden realizar medidas muy precisas.

Respecto a la robotización, recientemente se ha puesto en marcha un proyecto del VII Programa Marco de la Unión Europea denominado VINEyardROBOT (o VineRobot, del cual se hizo eco recientemente esta revista). Este proyecto, liderado por la Universidad de La Rioja, pretende diseñar y desarrollar un robot terrestre capaz de transmitir información de manera no destructiva, rápida y fiable para la toma de decisiones por parte del vitivinicultor. El sistema consiste en recibir comunicaciones basadas en el estado del viñedo, el desarrollo vegetativo, la carga y calidad de la uva, etc., en tiempo real. Tal como versa la página web de este proyecto, «esta iniciativa es un gran avance en el campo de la investigación robótica aplicada a la viticultura, nunca antes desarrollado». Desde aquí deseamos y confiamos que así sea.

Bibliografía
Arno J, Martinez-Casasnovas JA, Ribes-Dasi M, Rosell JR: Review. Precision viticulture. Research topics, challenges and opportunities in site-specific vineyard management. Spanish Journal of Agricultural Research 2009; 7 (4): 779-90.
Arnó J, Rosell JR, Blanco R, Ramos MC, Martínez-Casasnovas JA: Spatial variability in grape yield and quality influenced by soil and crop nutrition characteristics. Precision Agriculture 2012; 13 (3): 393-410.
Monsó A, Arnó J, Martínez-Casasnovas JA: A simplified index to assess the opportunity for selective wine grape harvesting from vigour maps. Precision Agriculture 2013 - Papers Presented at the 9th European Conference on Precision Agriculture, ECPA 2013 pp. 625-632.
Baluja J, Diago MP, Goovaerts P, Tardáguila J: Spatio-temporal dynamics of grape anthocyanin accumulation in a Tempranillo vineyard monitored by proximal sensing. Australian Journal of Grape and Wine Research 2012; 18: 173-82.
Bellvert J, Zarco-Tejada PJ, Girona J, Fereres E: Mapping crop water stress index in a ‘Pinot-noir’vineyard: comparing ground measurements with thermal remote sensing imagery from an unmanned aerial vehicle. Precision Agriculture 2013a [published on-line Nov 2013].
Bellvert J, Zarco-Tejada PJ, González-Dugo V, Girona J, Fereres E: Scheduling vineyard irrigation based on mapping leaf water potential from airborne thermal imagery. Precision Agriculture 2013 - Papers Presented at the 9th European Conference on Precision Agriculture, ECPA 2013 pp. 699-704.
Berni JA, Zarco-Tejada PJ, Suarez L, Fereres E: Thermal and narrow-band multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing 2009; 47: 722-38.
Bramley RGV, Pearse B, Chamberlain P: Being profitable precisely – a case study of precision viticulture from Margaret River. The Australian & New Zealand Grapegrower & Winemaker 003; 473a: 84-7.
Brambley RGV, Lamb DW: Making sense of vineyard variability in Australia. Proc IX Congreso Latinoamericano de Viticultura y Enología. Santiago, Chile, 2003, pp. 35-54.
Bramley RGV: Understanding variability in winegrape production systems. 2. Within vineyard variation in quality over several vintages. Australian Journal of Grape and Wine Research 2005; 11: 33-42.
Martín P, Zarco-Tejada PJ, González MR, Berjón A: Using hyperspectral remote sensing to map grape quality in ‘Tempranillo’ vineyards affected by iron chlorosis. Vitis 2007; 46 (1): 7-14.
Martínez-Casasnovas JA, Agelet-Fernández J, Arnó J, Ramos MC: Analysis of vineyard differential management zones and relation to vine development, grape maturity and quality. Spanish Journal of Agricultural Research 2012; 10 (2): 326-37.
Meggio F, Zarco-Tejada PJ, Núñez LC, Sepulcre-Cantó G, González MR, Martín P: Grape quality assessment in vineyards affected by iron deficiency chlorosis using narrow-band physiological remote sensing indices. Remote Sensing of Environment 2010; 114: 1968-86.
Pons JM, Serrano L, Gonzales-Flor C, Gorchs G: Is PCD a Reliable Indicator of Berry Quality Attributes in Water Stressed Vineyards? En: Proc 1st IW on Vineyard Mechanization & Grape & Wine Quality. S. Poni, ed. ISHS 2013. Acta Hort 2013: 978.
Rosell JR, J, Sanz R, Arnó J, Ribes-Dasi M, Masip J, Escolà A, Camp F, Solanelles F, Gràcia F, Gil E, Val L, Planas S, Palacín J: Obtaining the three-dimensional structure of tree orchards from remote 2D terrestrial LIDAR scanning. Agricultural and Forest Meteorology 2009; 149: 1505-15.
Rouse JW Jr, Haas RH, Schell JA, Deering DW: Monitoring vegetation systems in the great plains with ERTS. Proc Third ERTS Symp NASA 1973; SP-351 (1): 309-17.
Santesteban LG, Miranda C, Jiménez C, Fuentemilla M, Urretavizcaya I, Tisseyre B: Evaluación del interés del índice NDVI para la delimitación de unidades de manejo diferenciado en una explotación vitícola. Revista de Teledetección 2010; 33: 11-6.
Tisseyre B, Mazzoni C, Fonta H: Within-field temporal stability of some parameters in viticulture: Potential toward a site specific management. Journal International des Sciences de la Vigne et du Vin 2008 ; 42 (1): 27-39.
Urretavizcaya I, Santesteban LG, Tisseyre B, Guillaume S, Miranda C, Royo JB: Oenological significance of vineyard management zones delineated using early grape sampling. Precision Agriculture 2014; 15:111-29.

11/1/16

El vino: una biocatálisis de alta expresión


Sergi Ferrer Enolab. ERI-ISIC BioTecMed. MCI IViSoCa. Universitat de València
width="200"
Pensemos en el diseño de un complejo proceso de biocatálisis en el que se encadenan distintos pasos hasta lograr un producto final. Empecemos tomando como materias primas unas sales minerales y compuestos orgánicos del suelo, agua, y CO2 atmosférico. ¿Fuente de energía?: la luz solar. ¿Producto final?: el vino. En este proceso, hacen falta tres tipos de biocatalizadores imprescindibles para ello: la vid, los microorganismos y el hombre. En el presente número de ACENOLOGIA vamos a recopilar distintos puntos de vista de investigadores españoles que nos van a acercar a la bioquímica de algunos de los procesos más importantes para la elaboración de vinos y derivados.La primera parte del proceso (revisada por Pablo Carbonell Bejerano y José Miguel Martínez Zapater, del ICVV) nos muestra cómo la planta de la vid es capaz de producir los frutos de tipo baya (los granos de uva), que aportan los miles de moléculas químicas y precursores que constituirán compuestos en los mostos y vinos. El proceso de desarrollo y maduración de la uva supone que los frutos, inicialmente pequeños, poco atractivos, astringentes y de sabor ácido, se convierten, una vez desarrolladas las semillas, en frutas de color atractivo y de sabor dulce. En este artículo se revisa qué procesos bioquímicos determinan la composición final de la baya y cuál es, por tanto, la aportación de esta al vino.
El proceso de fermentación alcohólica es el que supone mayores cambios cuantitativos en el proceso de vinificación. Las levaduras, con Saccharomyces cerevisiae al frente, realizan la fermentación alcohólica transformando los azúcares presentes en el mosto de uva (glucosa y fructosa mayoritariamente) junto con compuestos nitrogenados, en etanol, glicerol y un número muy elevado de otros compuestos que contribuyen a darle sabor, aroma y textura al vino. El trabajo siguiente, a cargo de Albert Mas, Gemma Beltrán, Marta Sancho, Alicia Gutiérrez, Rosana Chiva y José Manuel Guillamón, de la URV e IATA-CSIC, versa sobre el metabolismo nitrogenado de S. cerevisiae durante la fermentación vínica, analizando las necesidades concretas de diferentes levaduras vínicas, así como las fuentes y concentraciones de nitrógeno más adecuadas para conseguir una buena velocidad fermentativa y una óptima calidad organoléptica de los vinos: según funcione el metabolismo de las levaduras, obtendremos una composición y características del producto final.
En la ACENOLOGIA de diciembre se publicará la contribución de Emilia Matallana y Agustín Aranda, bioquímicos de la Universidad de Valencia y del IATA-CSIC, en la que nos recuerdan que las levaduras aportan al vino mucho más que el etanol que lo caracteriza, y revisan las principales reacciones bioquímicas que realiza este microorganismo, sin olvidar los supuestos efectos beneficiosos de los metaboltios producidos sobre la salud humana.
Albert Bordons y Cristina Reguant (URV) nos describen (también en la siguiente actualización) cómo, aparte de las levaduras que realizan la fermentación alcohólica, otros microorganismos como las bacterias lácticas producen algunas transformaciones en el vino, de las cuales la más interesante es la llamadafermentación maloláctica. Los autores profundizan en la bioquímica de esta fermentación maloláctica y otros aspectos beneficiosos del metabolismo de las bacterias lácticas en el vino.
Todos sabemos lo que ocurre cuando dejamos un vino desprotegido y en contacto con el aire: la biotransformación continúa y el vino evoluciona a vinagre. Y esa transformación puede ser involuntaria o provocada, si lo que queremos en este caso es obtener un buen vinagre ya desde el principio. Ana Troncoso, Mari Carmen García Parrilla, María Jesús Torija y Albert Mas (Universidad de Sevilla y URV) nos ilustrarán también en la siguiente actualización digital sobre cómo el vinagre ha formado parte de la alimentación humana desde la antigüedad más remota como condimento y conservador de alimentos, así como base de remedios sencillos para hombres y animales.
A continuación, Fernando Zamora (Universitat Rovira i Virgili, URV) nos escribe sobre el color del vino. Es lo primero que percibimos normalmente, junto con otros aspectos visuales tales como la transparencia y el brillo. Pero, además de dar una primera impresión de la imagen del producto, estas apreciaciones visuales son indicadoras de otras propiedades relacionadas con su aroma y sabor: edad, cuerpo, estado de conservación, o incluso posibles defectos.
Pero no pensemos que el proceso biológico acaba aquí: también el vinagre es biodegradable, y algunos microorganismos pueden acabar descomponiendo este a CO2 y agua. Si dejamos, pues, evolucionar completamente el proceso, acabaríamos cerrando el ciclo biogeoquímico en el punto donde lo iniciamos al principio de este dossier.
Finalmente, hemos de ser conscientes que uno de los biocatalizadores importantes en el proceso de producción de vinos y vinagres es el viticultor-enólogo-vinagrero. Si queremos obtener productos de buena calidad y dirigir debidamente el proceso, es necesario que el buen hacer de los profesionales controle la actuación de los otros catalizadores: la vid, las levaduras, y las bacterias lácticas y acéticas. Todos juntos son los que logran esa alta expresión en esos alimentos de tan grato disfrute.

Agradecimiento
Este Dossier es una colaboración entre ACENOLOGIA y REVISTA SEBBM. Los artículos se publican en ambas revistas en una iniciativa transversal dirigida, respectivamente, a enólogos y a bioquímicos. La SEBBM es la Sociedad Española de Bioquímica y Biología Molecular, cuya publicación se puede consultar en:www.sebbm.com/revista