采用激光共聚焦拉曼技术与基于DFT的拉曼光谱相结合，准确分析了植物油的成分，并识别出低成本的仿制橄榄油。
近日，中国科学院上海技术物理研究所万雄课题组采用激光共聚焦拉曼技术与基于DFT的拉曼光谱相结合，准确分析了植物油的成分，并识别出低成本的仿制橄榄油。相关研究成果在2022年7月25日以题为“Olive oil authentication based on quantitative β-carotene Raman spectra detection”发表在国际学术期刊Food Chemistry（IF=9.231）上。中国科学院大学硕士研究生方佩佩为论文第一作者，万雄研究员为论文通讯作者。
成果简介
由于特级初榨橄榄油（EVOO）的高营养价值和高价格，其存在与低成本植物油或其他化学物质混合掺假的可能。目前，大多数掺假研究关注的是廉价植物油与橄榄油的混合。然而，由于β-胡萝卜素是橄榄油的特征分子之一，供应商可能在廉价植物油中掺入β-胡萝卜素，以伪装成EVOO。为了鉴别这样的掺假行为，本研究采用激光共聚焦拉曼光谱技术对纯EVOO、葵花籽油（SSO）和掺入β-胡萝卜素的SSO进行了检测。分析了合成的EVOO与纯EVOO之间的相似性。采用基于支持向量回归（SVR）的化学计量学方法实现合成油中β-胡萝卜素的定量分析，使用三种不同核函数获得的SVR结果进行比较。此外，为了进一步研究EVOO和SSO中主要成分油酸、亚油酸和β-胡萝卜素的拉曼光谱，利用密度泛函理论（DFT）计算了分子振动细节。计算得到的结果结合拉曼光谱进行分子振动分析，为合成橄榄油的鉴定提供了重要的技术手段。
研究亮点
•使用激光共聚焦拉曼光谱技术检测掺假橄榄油。
•采集了掺入β-胡萝卜素的葵花籽油的拉曼光谱，并与SVR结合定量检测β-胡萝卜素。
•合成的橄榄油和纯橄榄油之间进行了相似性分析。
•利用密度泛函理论分析拉曼峰。
图文赏析
图1. EVOOs、SSO的归一化平均拉曼光谱
图2. 不同体积β-胡萝卜素掺入SSO的拉曼光谱
图3. 真实橄榄油和合成油的相似指数
图4. 三个核函数的校正结果
图5. 通过DFT计算的（A）β-胡萝卜素、（B）油酸和（C）亚油酸的拉曼光谱
研究结论
本文建立了一种利用激光共聚焦拉曼光谱技术鉴别掺假橄榄油的方法。基于线性核函数的SVR可以预测掺假量。1265和1658 cm-1是区分油酸和亚油酸的关键拉曼谱带。1161和1526 cm-1的拉曼峰对β-胡萝卜素的定性分析至关重要。同时，将实验拉曼光谱与理论计算光谱进行了比较，以证实上述推论。DFT分析为实验提供了支持。
原文链接
https://doi.org/10.1016/j.foodchem.2022.133763
通讯作者简介
万雄，中科院“百人计划”择优资助入选者、国家二级研究员（教授）、博士生导师、Georgia Tech高级研究学者、国际空间科学研究所（ISSI）核心专家、省级百千万第一二层次人才、省级学科带头人、曾任国家实验示范中心主任。申请专利147项（已授权发明专利87项，实用新型授权38项，现发明专利转让11项）。发表论文百余篇（其中SCI、EI收录论文107篇，含双录）。近年来在激光光谱、生物光子学、仿生光学等研究领域开展了深入的研究工作。从事相关研究所取得的学术成绩包括参加国家重大科研项目“火星探测”“嫦娥3号”。主持完成及在研国家级科研项目10项、参与完成国家级科研项目1项（排名第2）、主持完成及在研省级科研项目9项。获省部级以上科研奖励5项，教学奖励5项。
原创文章，作者：FoodAI01，如若转载，请注明出处：https://www.drugfoodai.com/olive-raman.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
-
基于牛奶营养分子数据集的婴幼儿配方奶粉人性化全息分析方法的建立与评价
今天介绍一篇来自东北农业大学食品科学系张英华，王玉堂课题组于2022年4月发表在Food Chemistry（IF=7.514）上的文章。文中通过研究编制的牛奶营养分子数据集，结合机器学习提出了一种识别婴儿配方奶粉人性化程度的新方法。
-
使用机器学习方法评估草莓树果实提取物在粉剂及溶剂系统中的稳定性
今天给大家介绍一篇由Astraya等人合著，于前段时间发表在Food Chemistry上的一篇研究型文章。文章中作者为了模拟酚类化合物在不同储存条件下的降解动力学，建立了3种机器学习模型。
-
结合光谱学和机器学习改进食品分类
今天介绍一篇最近由布鲁塞尔自由大学的I. Magnus等人前段时间发表在Food Control上的一篇文章。旨在用于无损产品鉴定的传统数据分析处理技术基础上进行新型算法开发，通过结合紫外线、可见光、近红外反射光谱和荧光光谱的信息和产品流中的食品安全和质量评价，实现识别外来物体。
-
重磅干货：食品科学数据库资源汇总（国外篇第一部分）
近期国外也有一些食品专业数据库发表。这些数据库主要对食品添加剂的安全、食品成分、食品营养和食品酶等方面进行了数据分析与平台搭建。下面介绍几篇相关的食品数据库文章。
-
中英文版《现代光谱分析中的化学计量学方法》专著出版
由中石化石油化工科学研究院褚小立博士，中国农业大学黄越博士，海南大学云永欢博士，天津工业大学卞希慧博士撰写的英文专著《Chemometric Methods in Analytical Spectroscopy Technology》，近日由国际著名学术出版社Springer出版发行。
-
机器学习方法表征致肥胖城市的暴露组
今天分享一篇近期由荷兰阿姆斯特丹公共卫生研究所流行病学和数据科学系的Haykanush Ohanyan等人发表在Environment International上的文章。
-
中国农业大学周欣团队基于宏基因组学和机器学习的蜂蜜产品溯源
今天介绍一篇来自中国农业大学昆虫学系周欣教授课题组于2022年3月发表在Food Chemistry上的文章。该文为了查询蜂蜜的地理来源，收集蜂蜜样本产生的宏基因组数据，应用机器学习方法来推断蜂蜜的地理来源。
-
TRENDS FOOD SCI TECH|光谱技术结合深度学习方法在食品品质检测中的应用
浙江大学生物系统工程与食品科学学院应义斌教授课题组在食品顶级期刊《Trends in Food Science & Technology》发表综述《Food and agro-product quality evaluation based on spectroscopy and deep learning: A review》。该文讨论了传统化学计量学方法在提高模型性能、处理复杂结构的光谱噪声以及全局回归、局部回归和模型传递上的一些局限性。
-
机器学习技术对食品销售预测的最新进展
本文回顾了用于预测食品销售的现有机器学习方法。讨论了从事食品销售预测的数据分析师的重要设计决策，例如销售数据的时间粒度，用于预测销售的输入变量以及销售输出变量的表示形式。同时回顾了已应用于食品销售预测的机器学习算法以及评估其准确性的适当措施。
-
深度学习根据成分声明准确预测食品类别和营养成分
今天介绍一篇由Peihua Ma等人于2022年5月发表在Food Chemistry上的文章。本文作者提出了一种基于深度学习的通用技术来预测食物种类和营养成分。开发了一种食品配料语句嵌入方法，包括配料数据解析、数据采样、数据编码和配料语句张量表示，该方法也可应用于其他与食品语言数据处理相关的任务。随后，应用了四种最先进的深度学习模型，包括多层感知器（MLP）、递归神经网络（RNN）、卷积神经网络（CNN）和图形神经网络（GNN）。
