该文研究了衰减全反射-傅立叶变换红外光谱(ATR-FTIR)与化学计量学相结合，作为一种快速检测椰子水中掺糖的方法。
摘要
今天介绍一篇来自加拿大Teklemariam研究组发表在Food chemistry上的一篇食品真实性鉴别高水平论文。在模拟实验中，以二元糖、混合糖和高果糖玉米糖浆代替椰子水，利用具有指纹信息的红外波段(1200 ~ 950 cm-1)对椰子水进行识别。PCA对经Savitzky-Golay平滑和间隙段导数预处理的数据进行了分析，揭示了可通过所掺糖的类型和水平来辨别的数据聚类情况，从而能够对数据集中的相似性和异常特征进行可视化诊断。根据交交互检验PLS回归所得的统计性能指标表明，预测掺糖的浓度比例可达个位数。在对31种不同的商用椰子水样本的探索性分析中，结果显示，通过PCA分析带有“添加糖”标签的样本具有明显的聚类，表明该方法可能用于筛查未申报的糖添加物样本。
1. 介绍
传统的果汁真伪鉴定方法采用色谱技术分离成分或稳定同位素比值分析定量，这些方法既昂贵又费时。近年来，分子光谱与多元数据分析的协同作用在食品真实性鉴别中得到了越来越多的关注。傅里叶变换红外光谱(FTIR)是目前一种流行的方法，它很少需要或不需要样品的制备。
衰减全反射(ATR)-FTIR技术由于其简单、无损和廉价的优点，在不同的研究领域提供了快速的数据采集和高质量的可重现光谱，近年来获得了最广泛的关注。虽然ATR-FTIR的灵敏度范围对于痕量分析有一定的限制，但它适用于椰子水中糖的分析，因为椰子水中糖的浓度较低，为个位数。
在椰子水中掺入糖水会改变产品中的化学环境和不同糖的比例。ATR-FTIR光谱可以作为分子指纹图谱来识别掺杂结果的变化。本研究探索了ATR-FTIR光谱和化学计量学相结合的快速检测椰子水中掺糖的方法，该方法基于所选的具有糖特征但不受水吸收带影响的指纹光谱区域。
2. 实验
2.1 试剂及标准溶液的制备
分别从Alfa Aesar、ACROS和Fisher获得分析级无水果糖、蔗糖和葡萄糖。高果糖玉米糖浆HFCS-42(42%果糖)和HFCS-55(55%果糖)由加拿大英格尔迪昂公司提供。从一家超市购买20个椰子嫩果。将从20个嫩果中提取的10个椰子水样品进行合并，并在4℃下离心20分钟，存储在-20℃直到用于分析。还从零售店获得了31种不同的商业包装椰子水产品，每个产品5个重复。这些样品与从剩余的10个椰子嫩果中提取的椰子水样品一起被用于构建ATR-FTIR光谱库。
2.2 椰子水掺假的模拟
2.2.1 标准添加法（SAM）
在250 μl的等份椰子水中加入25 μl至250 μl的不同体积的糖溶液，以25 μl的梯度递增，并用去离子水将每个样品填充至最终体积500 μl。从纯椰子水（对照）和掺假椰子水中收集了35个光谱用于SAM，每种糖掺假品（蔗糖、果糖、葡萄糖）有10种不同的水平。在去离子水中的分析级蔗糖、果糖和葡萄糖溶液的叠加光谱中识别出的1057 cm-1、1061 cm-1和1080 cm-1的不同波段的强度值(图1)，用于基于最小二乘线性回归的SAM校准。
图1 新鲜椰子水（CW）和用于掺杂实验（A）的六种不同糖溶液的原始ATR-FTIR光谱，以及用于糖分析的选定带区（B）。使用标准加入法校准的标准葡萄糖、果糖和蔗糖溶液的光谱带分别显示为G、F、S。
2.2.2 用不同糖溶液代替椰子水
在掺假检测实验中，分别配制了浓度为89.9 mg ml -1的分析级蔗糖、葡萄糖和果糖溶液。对于混合糖，将1.24 g葡萄糖、1.66 g果糖和1.58 g蔗糖溶解在50 ml蒸馏水中，制备对应于该水平的总糖溶液。对于使用HFCS-42和HFCS-55的掺杂实验，用去离子水稀释原始溶液，制备与椰子水总糖含量大致匹配的储备溶液。通过用去离子水和上述浓度匹配的二元糖、混合糖、HFCS-42和HFCS-55溶液替代椰子水，以5%的增量在5%到100%之间进行掺杂。
2.3 光谱测量
Thermo Nicolet™ iS50 FTIR光谱仪配备Thermo Scientific™Smart™iTX附件，配有钻石晶体，使用Omnic软件进行光谱采集。用一次性球顶巴斯德吸管将一滴样品滴在ATR晶体上。ATR-FTIR光谱在500 – 4000 cm-1波数范围内记录，平均每个样品扫描10次，分辨率为4 cm-1。
2.4 数据分析
使用RStudio对数据合并和分析。将光谱范围设置在950到1200 cm-1之间，并移除在此范围外的光谱。基线校正使用基于局部多项式拟合的spftir包中的spmblp函数完成。prospectr软件包用于将基线校正的数据转换为高光谱物体，然后进行平滑处理，并使用间隙段导数(gapDer算法)生成第一阶和更高阶导数光谱。gapDer算法在给定的段大小下首先进行Savitzky-Golay平滑，然后进行导数平滑。随后使用gapDer变换的导数光谱进行数据降维，进行探索性数据分析，并使用PCA和PLS进行化学计量学建模和预测。
3. 结果与讨论
3.1 掺假椰子水的ATR-FTIR光谱
椰子水和不同取代糖水溶液的ATR-FTIR光谱如图1所示。特征吸收带显示在(a) 3700 – 2700 cm-1波段区域，这与OH和C-H基团的拉伸有关；(b) 1700 – 1600 cm-1频段，对应于果糖酮(C-O)和葡萄糖醛(CH-O)的伸缩振动，与水中OH基团的弯曲振动相一致；(c)指纹区在1200到800 cm-1之间，代表了红外光谱中最复杂的部分，与C-C、C-O、O-C-H和C-O-H官能团相关。指纹区域集中在1200-950 cm-1(图1 A和B)，没有干扰，并显示出糖特有的特征峰(图1 B)。
3.2 导数光谱
导数光谱通过消除基线偏移来帮助分离重叠峰和锐化光谱特征，从而提高光谱数据质量。由于数字衍生增加噪声(图2 A和C)，这个过程通常伴有平滑(图2 B和D)。
图2 在使用gapDer算法进行Savitzky-Golay平滑后，执行一阶和二阶导数光谱（A、C）以及相应的间隙段导数光谱（B、D）。
3.3 正常和掺假椰子水的主成分分析(PCA)
间隙段一阶导数掺假数据的PCA投影如图3所示。前两个主成分(PC1和PC2)解释了最大的部分(93%)的方差(图3A)。3个PC充分解释数据集中总方差的>95%(图3A和B)。混合糖和HFCS-42和HFCS-55取代的数据聚类也很明显，这些类别组内之间的分离较少，并且位于一阶和二阶衍生物的PC1和PC2图的中心附近(图3 A，C)。这些类别在PC1和PC3图上有更好的分辨(图3B和D)。高阶导数也是如此，在PC1与PC3图上，果糖和混合糖的一阶导数数据(图3 B)以及HFCS-42和HFCS-55的二阶导数数据(图3D)之间存在密切的重叠。
图3 PCA图基于纯椰子水和掺杂椰子水（CW）的间隙段导数光谱，通过在增量水平上用不同的糖溶液替代。
3.4 商用包装椰子水光谱数据的主成分分析
31种不同产品的主成分分析如图4A所示。PC1与PC2图显示了具有不同分离程度的聚类，共同解释了该数据集中90%以上的可变性。当PCA评分用变量“添加糖”或“无添加糖”标记时，至少可以识别出3个广泛的类别(图4A)。底部的类别(×)对应于所有新鲜提取的不添加糖的参比椰子水样本。有“添加糖”标记的样品沿着PC1轴的一个方向聚集(蓝色)，而其余不同处理的样品在中间部分(粉色)。
3.5 使用主成分分析预测
将31个不同椰子水样本的光谱数据作为新的补充个体，并采用PCA进行预测。图4B显示了前两个主成分的图和这个补充数据层的投影。所有被声明含有“添加糖”的椰子水产品(填充的圆圈)，沿着蔗糖类轴线远离中心分组(图4B)。值得注意的是，除了市场上可买到的各种包装椰子水样品外，还应添加更多使用不同用于糖掺假的食品添加剂（人工甜味剂、各种糖浆）的实验数据，以提高分析能力，提供有关糖掺假性质的详细信息。
图4 A：新鲜提取的参考椰子水（CW）和31种商业包装产品的ATR-FTIR光谱的PCA图（950-1200 cm-1）；B：实验掺杂CW（0–100%替代水平）的PCA模型图，以及使用PCA模型预测的坐标投影补充数据。
3.6 椰子水掺假的PLS回归模型
通过计算校正集(RMSEC)、交互检验(RMSECV)和预测集(RMSEP)的均方误差(RMSE)以及相应的决定系数R2cal、R2cv和R22test（如表1），确定实测值和PLS预测值之间的一致性（表1）。PLS模型预测值与实测值如图5所示。对于葡萄糖、果糖和蔗糖预测模型，仅1个或2个PLS因子足以解释大于90%的方差，而对于混合糖HFCS42和HFCS-55预测模型，需要3到4个PLS因子来解释大于70%的方差（表1）。
二元糖、混合糖和高果糖玉米糖浆（图5）的优化PLS模型得到的实际掺杂水平与预测掺杂水平（图5）表明斜率均大于0.9，R2值接近校正集和预测集的1:1理论预测线。对于不同的糖掺假来说，<10%的LOD值表明该方法可以用来检测任何实际的糖替代水平。
表1 PLS模型的统计参数和优值
图5 椰子水中糖掺假在以80:20比例划分的训练集和预测集和留一法交互检验(LOOCV)的实测值与PLS预测值之间对比图。
4. 结论
本研究利用ATR-FTIR指纹图谱技术结合化学计量学方法对椰子水中的糖进行了分析。目的是评价其是否可以作为一种快速筛选方法，用于不同糖溶液替代椰子水的掺假鉴别。ATR-FTIR光谱可以直接用于区分椰子水中的不同糖，这是因为存在一个位于1200 – 950 cm-1之间的无干扰指纹光谱区域，该区域来源于糖特有的振动模式。ATR-FTIR方法实现了快速光谱数据的采集，基于PCA方法有助于数据集中相似性和异常特征的可视化和检测。利用PLS建立了优化的预测模型，根据模型的性能参数，能可靠地预测椰子水中掺杂物质的比例小于10%。使用本研究采用ATR-FTIR光谱采集模式，完成每个样品的采集不到一分钟。对大容量光谱数据的预处理和分析，通过使用选定的软件应用程序简化其过程，处理分析过程可以像光谱采集一样快速。
参考文献
- Teklemariam Thomas A., Moisey John, Gotera Jason, Food Chemistry 355 (2021) 129616
- 文章链接：https://www.sciencedirect.com/science/article/abs/pii/S0308814621006221
原创文章，作者：FoodAI01，如若转载，请注明出处：https://www.drugfoodai.com/fourier-coconut.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！
微信扫一扫 
支付宝扫一扫 相关推荐
-
基于图像识别的饮食评估系统
今天给大家介绍一篇由Kalliopi V. Dalakleidi等人，于2021年7月8日发表在Advances in Nutrition（IF=11.567）的一篇综述性文章。该综述描述了用于饮食评估的计算机视觉方法的最新进展，并介绍了基于图像的食物识别系统 (IBFRS) 在专业饮食实践中的最新应用。
-
植物油中化学物质污染的安全风险评估和预警
今天介绍一篇由上海大学生命科学学院发表于Food Control的一篇文章。文中针对中国的实际情况，分析了三种食用植物油的化学危害污染状况，通过建立多种膳食暴露评价模型，对食用植物油中的苯并芘、黄曲霉毒素B1和重金属进行了风险评价。在此基础上，对食用植物油化学危害的综合风险评价进行了研究，并利用AHP-BP方法建立了食用植物油化学危害程度的预测模型。
-
智能食品加工：从人工神经网络到深度学习的旅程
人工神经网络在食品加工中的应用方面取得了巨大成功，如食品加工过程中分级、安全和质量检查等。今天给大家介绍一篇来自印度的一篇发表在Computer Science Review上的题为《智能食品加工：从人工神经网络到深度学习的旅程》一篇综述，该文分三个单元介绍给大家：（一）智能食品加工中的各类人工神经网络、（二）基于人工神经网络（ANN）的智能食品加工、（三）基于深度学习（DL）的智能食品加工。本文介绍综述中的第一个单元:（一）智能食品加工中的各类人工神经网络。
-
机器学习揭示食品-药品和辅料-药品相互作用
今天介绍一篇由麻省理工David H. Koch整合癌症研究所、MIT-IBM Watson AI实验室、机械工程学院和哈佛医学院附属布莱根妇女医院数据，于2020年3月发表在Cell Reports上的一篇实验型文章。文章应用了机器学习的方法对GRAS和IIG化合物的未知生物活性进行了研究。研究发现维生素A棕榈酸酯和松香酸分别是P-糖蛋白和UGT2B7的抑制剂，并通过一系列的实验进行了验证确认。他们的模型可以预测常见食用化学物质的生物学效应，并对食品-药品和辅料-药品相互作用以及功能性药物制剂的开发产生了新的影响。
-
FoodAI：基于深度学习的食品图像识别与记录系统
今天给大家介绍一篇由新加坡管理大学信息系统学院生活分析研究中心(LARC) 和Salesforce亚洲研究院合作，于前段时间在ACM SIGKDD知识发现和数据挖掘会议上汇报的一篇会议文章。文章中作者提出了一种智能食物记录系统:FoodAI，使食物记录变得便捷，帮助人们实现智能消费和健康的生活方式。
-
重磅干货：食品科学数据库资源汇总（国内篇）
近些年，随着各行业的数据呈现爆炸式增长，越来越多的数专业据库不断涌现，这些数据库为业内研究者提供了广泛的数据基础。在药物和食品研究领域，除了Pubchem, ChEMBL等综合性的数据库之外，也有DrugBank, Foodb等专业性的数据库。近年来，食品科学领域与人工智能的交叉越来越广泛和深入，在食品安全和食品营养等领域涌现了大量的优秀成果。但目前，食品科学领域相对于药物研发领域，数据库的类别和数量仍然还有很大差距。而获取优质的大量的数据是人工智能方法的前提，因此专业数据库的发展就显得尤为重要。
-
FRONT NUTR：通过化学信息学方法从蓝莓中计算筛选抗阿尔茨海默病的新神经保护成分
今天介绍一篇由中南林业科技大学张琳教授团队发表的一篇研究性论文，由肖冉等人于2022年12月发表在国际营养学TOP期刊Frontiers in Nutrition上（JCR:Q1 IF:6.59）。本文尝试设计一种基于化学信息学方法这种有效的智能筛选模式，从蓝莓中寻找抗阿尔茨海默病（AD）的新型有效成分，并通过实验验证了预期成分的生物活性。该方法集成了先进的人工智能和化学信息学方法，实现了对所有成分的逐步分析和过滤。最后，获得了预期的新化合物氯化锦葵色素-3-O-半乳糖苷（Ma-3-gal-Cl）。这篇文章采用的创新性方法为。这项工作采用的筛选策略能够为研究者从天然产物和食物中筛选活性成分提供新的参考。
-
基于质谱-机器学习技术的番茄分类:一个食品安全增强平台
今天介绍一篇由Arthur Noin de Oliveira等人于2022年8月发表在Food Chemistry（IF=9.231）上的文章。该研究旨在开发一个使用机器学习算法的平台，分析质谱数据，对番茄进行有机和非有机的分类。决策树算法被定制用于数据分析，该模型在确定每种水果属于哪个组时达到了92%的准确度、94%的灵敏度和90%的精确度。
-
基于支持向量机和YOLOv3方法的食品分级系统
本文提出了一种基于机器学习的双层香蕉分级图像处理系统。支持向量机是根据提取的由颜色和纹理特征组成的特征向量对香蕉进行第一层分类，接着YOLOv3对香蕉进行分类，进一步定位果皮上的缺陷区域，判断输入的是中熟类还是成熟类。第一层的精度达到了98.5%，第二层的精度达到了85.7%。总体准确率为96.4%。
-
FoodTracker：一种由AI驱动的食品检测移动应用程序
本次介绍的是来自加拿大麦吉尔（McGill）大学电气与计算机工程系，于2019年9月发表在arXiv.org上的文章。文中，作者介绍了一个可利用智能手机内置摄像头，仅使用手机有限的计算资源就可识别餐食中多个食物种类及其营养信息的移动应用程序——FoodTracker。该程序将深度卷积神经网络与YOLOv2结合，实现多对象同时识别和定位，得到的mAP接近80%，同时神经网络结构小巧且计算成本低廉。
