Prédire la qualité des viandes: mythe ou réalité ? - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2016

Prédire la qualité des viandes: mythe ou réalité ?

Résumé

This review was aimed at providing an overview of recent advancements obtained in the field of meat quality prediction. The different methods used in the production sectors for the development of equations and the tools used based on different types of biological markers (genomic or phenotypic) or physical (spectroscopy) are discussed. Through the different examples that are presented, it appears that the identification of biological markers is confronted with the complex determinism of quality parameters. This makes the development of generic molecular tests to be used on the field even more difficult. However, in recent years, progress has been made, benefitting from genomics, proteomics and metabolomics technological developments. The first equations that predict the sensorial quality and the technological potential of meat hint to possible applications in the near future. Concerning spectroscopy, the main results were obtained using Near Infrared Spectroscopy (NIR) with developments obtained for the prediction of the composition and nutritional value of meats. The prediction of the technological potential of meats using this method and mainly the sensorial quality is, however, more difficult. Finally, the example of the MSA (« Meat Standards Australia ») phenotypic model which predicts the sensorial quality of bovine meat based on a combination of upstream and downstream data and whose added-value for the sector has been identified in Australia, presents a genericness that has already been proven in several countries.
Cette revue a pour objectif de faire un point sur les avancées récentes obtenues dans le domaine de la prédiction de la qualité des viandes. Elle aborde différentes démarches menées au sein des principales filières de production pour développer des équations puis des outils prédictifs basés sur différents types de marqueurs biologiques (génomiques ou phénotypiques) ou physiques (spectroscopiques). Au travers des différents exemples présentés, il apparaît que l’identification de marqueurs biologiques se confronte au déterminisme complexe des paramètres de qualité qui rend encore difficile la mise au point de tests moléculaires génériques utilisables sur le terrain. Toutefois, les avancées ont été notables ces dernières années bénéficiant des récents développements technologiques en génomique, protéomique et métabolomique. Les premières équations de prédiction de la qualité sensorielle et du potentiel technologique des viandes laissent entrevoir des possibilités d’applications dans les années à venir. Concernant la spectroscopie, les principaux résultats ont été obtenus dans le domaine de la Spectroscopie Proche Infrarouge (SPIR) avec des développements aboutis pour prédire la composition et la valeur nutritionnelle des viandes. La prédiction du potentiel technologique des viandes à l’aide de cette méthode et surtout de la qualité sensorielle est en revanche plus difficile. Enfin, l’exemple du modèle phénotypique MSA (« Meat Standards Australia ») de prévision de la qualité sensorielle de la viande bovine basée sur une combinaison de données d’amont et d’aval et dont la plus-value pour la filière a été démontrée en Australie, présente une généricité qui a déjà été éprouvée dans plusieurs pays.
Fichier principal
Vignette du fichier
Berri 2016_1.pdf (583.77 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Loading...

Dates et versions

hal-01455943 , version 1 (03-06-2020)

Identifiants

  • HAL Id : hal-01455943 , version 1
  • PRODINRA : 380084

Citer

Cécile Berri, Brigitte Picard, Bénédicte Lebret, Donato Andueza, Antoine Vautier, et al.. Prédire la qualité des viandes: mythe ou réalité ?. 16. Journées Sciences du Muscle et Technologies des Viandes (JSMTV), Nov 2016, Paris, France. ⟨hal-01455943⟩
162 Consultations
95 Téléchargements

Partager

Gmail Facebook X LinkedIn More