1. AI新视界首页
  2. AI食品

多元素分析与化学计量学相结合的食品质量评价

这篇综述概述了2011年至2021年发表的关于食品认证和多元素成分质量控制的报告,以评估该领域的最新进展。并确定允许实现准确鉴别/分类模型的应用分析技术和化学计量学数据处理的主要特征,强调了这些方法的优缺点。

摘要

今天介绍一篇发表在Critical Reviews in Food Science and Nutrition上的一篇关于食品质量评价的综述性文章。这篇综述概述了2011年至2021年发表的关于食品认证和多元素成分质量控制的报告,以评估该领域的最新进展。并确定允许实现准确鉴别/分类模型的应用分析技术和化学计量学数据处理的主要特征,强调了这些方法的优缺点。

1、介绍

近几十年来,以光谱分析平台为基础的多元素剖面分析出现了日益增长的趋势,与化学计量学相结合已成为解决食品质量评估问题值得注意的分析方法。在食品的质量控制方面,由于其样品分析的复杂性,单靠仪器分析并不总是足以发现食品中的掺假和欺诈。因此,在面对仪器带来的复杂数据时,应用化学计量学进行数据分析已经成为在食品中最困难的案例中取得成功的方法。鉴于此,多元素组成结合化学计量学已成功实现解决了许多的食品认证和可追溯性问题。在此背景下,这篇综述描述和总结了2011年至2021年关于结合仪器分析和进一步的化学计量学数据评估对食品样品进行质量控制的最新报告。

2 、仪器分析和数据采集

化学成分被视为评估食品质量和营养价值的最重要指标,需要使用可靠的分析技术来寻找食品的隐藏特性,主要是通过分析无机和有机分析物来阐明产品的来源。从这个意义上说,许多仪器方法已被应用于基于化学计量学方法的多种食品样品的分析和认证。食品有机成分已被广泛用于化学计量学方法。然而,有机成分受到各种因素的影响。另一方面,无机成分(主要、次要、微量和稀土元素)反映了特定的环境,可以提供独特的代表性指纹,在真实性研究方面取得了重大进展。在本综述中,主要提及原子光谱法(AAS),包括火焰(FAAS)、电热原子化(ETAAS/GFAAS)和高分辨率连续介质源(HRCS-AAS);原子发射光谱法(AES),包括火焰法(FAES)、电感耦合等离子体法(ICP-AES、ICP-OES)或微波诱导等离子体法(MIP-AES);等离子体激光诱导击穿光谱(LIBS);能量色散X射线荧光(ED-XRF);无机中子活化分析(INAA);电感耦合等离子体质谱(ICP-MS),并总结了它们的主要用途及优缺点。

值得一提的是,ICP-MS被广泛用于食品和农产品中元素和同位素分析,是食品分析中与化学计量学工具结合使用最频繁的技术。这也得益于它的分析时间短、灵敏度高、准确度高、多元素分析和低检测限的优势。

3、模式识别化学计量学工具

模式识别旨在发现和表征实验数据分布中的结构化信息(模式)。本综述中讨论了如何以及何时使用模式识别方法,利用多元数据分析的不同算法来处理食品完整性问题。此外,还讨论了多元素数据处理和数据建模在该领域的应用。

模式识别策略包括两种主要方法,无监督和有监督。无监督方法在探索层面上发挥作用,揭示研究中的实验数据中的结构化模式,并提供深入分析和理解此类模式的工具。相反,监督方法假设数据中存在结构化模式,这些模式用于构建模型,应用于新数据,以预测感兴趣的特定属性。在本综述中,主要介绍了无监督方法,包括主成分分析(PCA)和聚类分析(CA);监督方法,包括线性判别分析(LDA)、偏最小二乘回归判别分析(PLS-DA)、正交偏最小二乘回归判别分析(OPLS-DA);类建模方法,包括类比的软独立建模 (SIMCA)。此外,还简略介绍了二次判别分析(QDA)、k-近邻(k-NN)、支持向量机(SVM)、决策树(DT)、人工神经网络(ANN)等非线性策略。

此外,本综述对PCA以及判别方法的原理进行了图形表示,图1显示双向数据阵列X(I×J)的PCA分解示意图,图2显示了多种建模方法的线性表示。通过图2可以清楚地观察到判别式建模方法和类建模方法之间的差异。

多元素分析与化学计量学相结合的食品质量评价

图1 双向数据阵列X(I×J)的PCA分解示意图(顶部)和样本在低维子空间上投影的图形表示,以及由前两个PC(底部)定义的得分图和加载图

多元素分析与化学计量学相结合的食品质量评价

图2 判别方法的图形表示:(a)线性, (b)二次方法, (c)多类,(d)单类建模方法。(a)、(b)和(c)显示二元分类下的情况,即属于A类的三角形样本、属于B类的圆形样本和属于未建模类别的方形样本

4 食品分类

本综述总结了近年来应用元素分析结合化学计量学对多种食品进行分类的案例,特别是蜂蜜类食品,从地理起源和植物起源方面对蜂蜜食品的认证工作做出了详细的总结。此外,还介绍了上述方法在食品掺假方面的应用,主要包括葡萄酒、蜂蜜、牛奶、水果和蔬菜、果汁、面粉、肉类、绿茶和油等。

5 讨论

近几年来,元素分析与化学计量学工具相结合用于评估食品真实性的研究越来越多。图3显示了使用化学计量学方法评估食品样本真实性的已发表作品的增长趋势。

多元素分析与化学计量学相结合的食品质量评价

图3 过去十年出版的作品数量

在化学计量学的运用方面,最常用的方法是PCA和LDA,但一些其他的建模方法例如PLS-DA、SIMCA、k-NN、CA、DT、ANN、SVM以及它们的一些变体,正在成为有助于获得良好分类率的替代化学计量学方法(图4)。

多元素分析与化学计量学相结合的食品质量评价

图4 最常用的化学计量学工具

关于仪器方法,ICP-MS是进行元素分析的首选技术,其次是ICP-OES/ICP-AES。考虑到可以确定的大量元素以及可以实现的低LOD和LOQ,这种选择是合理的(表1)。然而,由于样品的直接分析和获得光谱数据的可能性,其他仪器分析在未来可能会得到更广泛的应用,例如LIBS和MIP- OES(图5)。

表1 食品分析中光谱技术的比较特征。

多元素分析与化学计量学相结合的食品质量评价

注:(−) 低,(0)中等,(+)良好/高。

多元素分析与化学计量学相结合的食品质量评价

图5 用于食品化学计量学分析的光谱测定技术

关于食物种类,图6A显示了通过化学计量学和元素分析评估的最常见食物。分析最多的样本是谷物-面粉、蜂蜜和蔬菜-水果。然而,葡萄酒是其他种类的食品,在真实性分析方面正在增长,这主要是因为人们对PDO产品的原产地名称感兴趣。就肉类而言,研究的重点是在牛肉末中掺杂其他低成本肉类。最后,关于分析目标,分析的主要目的是地理分析,这符合GI和PDO产品的理念,或者仅仅是根据地理来源发现欺诈(图6B)。另一方面,葡萄酒品种分析是另一种与高品质葡萄酒相关的日益增多的分析。

多元素分析与化学计量学相结合的食品质量评价

图6 (A)用多元素剖面和化学计量学分析的最常见食品样品,(B)使用化学计量学和多元素分析的食品分析的主要目标

6 结论

根据这篇综述中的信息,很明显,多元素组成是食品分类的一个强大的信息来源。然而,化学计量学对数据分析的需求却变得越来越不可或缺。因此,模式识别与多元素分析相结合,对于食品样品真实性质量控制和欺诈检测至关重要。

参考文献:

  • Zaldarriaga Heredia, J., et al. (2022). “An overview on multi-elemental profile integrated with chemometrics for food quality assessment: toward new challenges.” Critical Reviews in Food Science and Nutrition: 1-21.

原创文章,作者:FoodAI01,如若转载,请注明出处:https://www.drugfoodai.com/chemometrics-elemental-analysis.html

注意:本站原创指的是原创编译,并不主张对所介绍的工作的版权,如有侵权,请联系删除!

发表评论

邮箱地址不会被公开。 必填项已用*标注