CC BY
7
УДК 637.07
DOI 1 0.24412/2311-6447-2022-4-131-141
Проектирование продуктов здорового питания с применением спектрального анализа
Healthy food engineering by spectral analysis
Аспирант Б. Раба, доцент Р.С. Омаров, профессор С.Н. Шлыков, студент B.C. Штанъко
Ставропольский государственный аграрный университет, кафедра технологии производства и переработки с.-х. продукции, тел. +7-988-753-27-83, +7-918-88-34568, segwan@rambler.ru, sh ly ко vsn@gmail.com
Post-graduate student В. Raba, Associate Professor R.S. Omarov, Professor S.N. Shlykov, Student V.S. Shtanko
Stavropol State Agrarian University, chair oi Technology of production and processing of agricultural. products, tel. +7-988-753-27-83, +7-918-88-34568, segwan@rambler.ru, shlykovsn@gmail.com
Аннотация. Создание продуктов здорового питания является главным направлением пищевой промышленности и научных институтов. Такие продукты способствуют решению проблемы укрепления здоровья населения. В настоящее время для разработки пищевых продуктов применяются аналитические методы. Наиболее часто используемы ми являются методологии физико-химического анализа, газовая и жидкостная хроматография, иммунохимические методы и методы на основе ДНК, определение соотношения изотопов и элементный анализ. Применение традиционных методологий является трудозатратиым процессом и требует большого количества времени. Таким образом, поиск быстрых, надежных и точных аналитических методой для идентификации биоактивных веществ становится все более интенсивным. Спектроскопия среднего инфракрасного диапазона (MIR), часто связанная с хемо-метрическими методами, предлагает быстрый и точный метод обнаружения биоактивных компонентов и прогнозирования функциональности пищевых продуктов на основе характеристик спектров пищевой матрицы. Обобщали основные понятия инфракрасной спектроскопии, методы отбора проб, а также обзор хемометрических инструментон. Рассматривали возможность применения MIR-спектроскотш для анализа биоактивных компонентов молочных продуктов. Изученная литература показывает, что MIR-спектроскопия, связанная с режимом получения ослабленного полного отражения, и различные хемометрнческие инструменты широко применялись для идентификации компонентов молока. Преимущество этого метода заключается в том, что он прост, быстр и удобен в использовании, не разрушающий, экологически безопасный, и в будущем его можно будет применять в рутинных анализах пищевых продуктов.
Abstract. Healthy food engineering is the main direction of the food industry and scientific institutions. Such products contribute to solving the problem of strengthening the health of the population. Currently, analytical methods are used to develop food products. The most commonly used methodologies are physico-chemical analysis, gas and К quid chromatography, immunochemical and DNA-based methods, isotope ratio determination and elemental analysis. The application of traditional methodologies is a laborintensive process and requires a lot of time. Thus, the search for fast, reliable and accurate analytical methods for the identification of bioactive substances is becoming more intense. Mid-infrared (MIR) spectroscopy, often associated with chemometric methods, offers a fast and accurate method for detecting bioactive components and predicting ihe functionality of foods based on food matrix spectral characteristics. The first pari of this overview summarizes the basic concepts of infrared spectroscopy, sampling methods, and an overview of chemometric tools. In the second part, the possibility of using MIR spectroscopy for the analysis of bioactive components of dairy products is considered. The literature collected in this article clearly shows that MIR spectroscopy, associated with the attenuated total reflection mode, and various chemometric tools have been widely used to identify milk components. The advantage of this method is that it is simple, fast and easy to use, non-destructive, environmentally friendly, and in the future, it can be used in routine food analysis.
Ключевые слова: спектроскопия среднего ИК-диапазона (MIR), ИК-Фурье, ATR, биоактивные компоненты, хемометрия
© Раба В., Омаров Р.С., Шлыков С.Н., Штанько B.C., 2022
Keywords: mid-IR spectroscopy (MIR), IR Fourier, ATR, bioactive components, chemometry
Работа выполнена в рамках конкурса поддержки исследовательских проектов коллективов Ставропольского ГАУ и программы развития университета «Агроиннополис-2030».
Создание продуктов здорового питания является главным направлением пищевой промышленности и научных институтов. Внедрение таких продуктов в рацион питания способствует решению проблемы укрепления здоровья населения. В основном для разработки пищевых продуктов применяются аналитические методы. Наиболее часто используемыми являются методологии физико-химического анализа, газовая и жидкостная хроматография, м асс - спектр ометр ия, иммунохимические методы и методы на основе ДНК, определение соотношения изотопов, элементный анализ и спектроскопические методы, включая УФ-видимую, инфракрасную, рама-новскую и ядерно-магнитную спектроскопию (ЯМР) [4,5]. У всех этих техник есть свои плюсы и минусы. Например, классические физико-химические методы трудоемки, некоторые из них включают множество аналитических стадий и требуют больших объемов органических растворителей, образующих токсичные отходы- Хотя современные методы хроматографии, ЯМР и масс-спектрометрии очень избирательны и специфичны, они требуют приобретения и обслуживания очень дорогого оборудования и высококшишфициропашплх лаборантов, а также часто требуют сложной предварительной обработки образцов [5].
Спектроскопические методы, в частности спектроскопия ближнего инфракрасного (БИК) и среднего инфракрасного (МИР) спектров, все чаще и шире применяются при анализе пищевых продуктов [1|, Более того, в последние два десятилетия гиперспектральная визуализация стала перспективной технологией [6,7]. Неоспоримым преимуществом таких не разрушающих методов является высокая скорость анализа, минимальная пробоподготовка или ее отсутствие, а также отсутствие образования отходов. Преимущество гиперспектральной визуализации заключается в одновременной интеграции спектральных данных и их визуализации для получения химической, пространственной и многокомпонентной информации об образце [3]. С помощью этого метода можно получить одно или несколько изображений на выбранных длинах волн в диапазоне UV-V1S, NIR или MIR, что дает возможность выявить определенные особенности, напрямую связанные с качеством [8]. Однако, как спектроскопические, так и визуализирующие методы производят большое количество спектральных данных, что всегда подразумевает объединение хемомстриче-ских инструментов для извлечения наиболее интересной информации [2,9].
Целью обзора - рассмотреть применение спектроскопии как инструмента проектирования продуктов здорового питания, и обсудить перспективы ее внедрения в пищевой промышленности.
Инфракрасная спектроскопия основана на поглощении или отражении электромагнитного излучения с длиной волны (А) от 0,78 до 1000 мкм. Типичными единицами частоты, используемыми в ИК-спектрах, являются волновые числа (см '), которые связаны с длиной волны (см) обратным образом. Инфракрасная область электромагнитного спектра обычно делится на три более мелкие зоны, а именно: ближний ИК (12800-4000 см-'; 0,78-2,50 мкм), средний ИК (4000-200 см-1; 2,5-50 мкм) и дальний ИК. (200-10 см-'; 50-1000 мкм) [10]. В многоатомной молекуле поглощение среднего ИК-излучения вызывает две основные моды колебаний: валентные и изгибные колебания (рис. 1) [llj.
Валентные колебании
С и м е гр ц ч иы е Лссиметрнчные
Ншшные колебания
ГЛ гл ^ © 00 ©
V V Vе
"Пожнипы" "Качание" "Скрещивание" "Виляние"
В плоскости Вне плоскости
Рис. 1. Основные моды валентных и изгибных колебаний
MIR-спектры представляют несколько полос поглощения, обусловленных фундаментальными переходами. Спектры можно анализировать, рассматривая две основные области: функциональную группу (4000-1300 см ■} и области отпечатков (1300-600 см1), которые являются молекулярными отпечатками. Область функциональной группы может быть дополнительно подразделена на определенные зоны, представляющие функциональные группы, и включает растяжение Х-Н (4000-2500 см4; Х=С, N, О или S), тройную связь (2700-1850 см так и двухсвязные (20001500 см-1; С— С, ON, 0=0) валентные области [12]. Область отпечатка характеризуется сложной группой деформационных колебаний и показывает множество полос, часто перекрывающихся, которые специфичны для молекулярной структуры образца [11]. Несмотря на свою сложность, область отпечатков используется для аутентификации различных пищевых продуктов [9].
Поглощение, наблюдаемое в ближней ИК-области, возникает из-за обертонов или комбинации основных полос в ближней ИК-области, особенно тех, которые возникают в результате молекулярных колебаний водородных связей, таких как —С—Н, -S-H, -N-H и - О-Н функциональных групп. Эти полосы менее интенсивны и часто перекрываются, что приводит к плохому разрешению и очень сложным спектрам [13,14]. Основным недостатком N1R спектр о с копии является сложность извлечения информации и интерпретации большого количества спектральных данных. Но развитие хсмометрических инструментов позволило преодолеть этот недостаток, и в настоящее время NIR-спектроскопия считается важным аналитическим методом в пищевой индустрии [9,14].
Первоначальные спектрофотометры MIR представляли собой дисперсионное оборудование, в котором в качестве монохроматоров использовались дифракционные решетки. Эти инструменты были заменены инфракрасными спектрофотометрами с преобразованием Фурье (FTIR), в которых вместо дифракционной решетки используется интерферометр типа Майкельсона, соединенный с микропроцессорами, которые применяют математическую операцию FT для получения спектра. По сравнению со старыми дисперсионными спектрофотометрами ИК-Фурье имеет ряд преимуществ, включая лучшую чувствительность, разрешение и скорость анализа
[9].
FT-MIR приборы для отбора проб развивались с годами. Существует три широко используемых метода представления образца для колебательной спектроскопии: пропускание, ослабленное полное отражение (ATR) и диффузное отражение (DRIFT) (рис. 2) [15,16]. Трансмиссионная спектроскопия является самым старым и основным методом, и в случае жидких проб они помещаются в пропускающие ячейки фиксированной длины. Для твердых веществ стандартными вариантами были Nujol
Mull (Nujol — жидкое парафиновое масло) или гранулы галогенидов щелочных металлов (КВг) [2].
а) Режим передачи
б) AIR-FTIR спектроскопия в) DRIFT спектроскопия
oflpaien
t;1 v' У l";.l L1K-источник —у Sgftf \ Детектор
V кристалл IRE / I
1IK-lit1 очник Детектор OöpaJcU порошка г КВг
IRE (элемент внутреннего отражения)
Рис. 2. Примеры методов колебательной спектроскопии
Спектроскопии основана на отражении ИК-луча от образца, вследствие чего получаются различные данные л зависимости от процесса отражения, такие как ослабленное полное отражение (ATR), множественные внутренние отражения (MIR) и диффузное отражение с помощью инфракрасной спектроскопии с преобразованием Фурье (DRIFT). Такие отражения обладают различными оптическими свойствами и, как преимущество, они не требуют традиционной пробоподготовки, используемой для трансмиссионной ИК-Фурье-спектроскопии. J. Fahrenfort был первым, кто продемонстрировал полезность метода ATR [17]. В этом методе отражения ИК-пучок направляется на оптически плотный кристалл (ZeSe, ZnS, Ge или алмаз) с высоким показателем преломления под определенным углом [2]. Внутренний коэффициент отражения создает исчезающую волну, которая распространяется за пределы поверхности кристалла в образец, находящийся в контакте с кристаллом. В областях И К-спектра, где образец поглощает энергию, затухающая волна будет затухать, и детектор регистрирует ослабленный ИК-пучок как сигнал интерферограммы, который затем можно использовать для генерации ИК-спектра [18]. Основное преимущество ATR заключается в очень малой длине и глубине проникновения ИК-луча. в образец, 0,1-5 микрометров, что делает возможным измерение в водных растворах и, что более важно, практически не требует пробоподготовки. [17,19]. ATR сегодня является наиболее широко используемым инструментом FTIR, а именно в анализе пищевых продуктов, поскольку он позволяет быстро и просто проводить анализ.
Инфракрасная Фурье-спектроскопия с диффузным отражением (DRIFT) обладает преимуществом в исследовании мелкоизмельченных или сильнорассеиваюших твердых образцов, но чаще всего она используется для спектроскопии в ближней инфракрасной области спектра (N1R) [20|. Ее применяют при исследовании мелких частиц и порошков, а также шероховатых поверхностей. В DRIFT-спектроскопии ИК-луч проникает в аналитический образец на определенную глубину, затем повторно излучается из образца и фокусируется зеркалом на детектор. Результирующий спектр DRIFT аналогичен спектру, полученному с помощью метода пропускания FT1R, хотя первый больше зависит от физических характеристик образцов, таких как поглотительная и отражательная способность. Пробоподготовка для DRIFT-спектроскопии требует смешивания образцов с КВг, но позволяет избежать гранулирования с помощью гидравлического пресса. Применение DRIFT-спектроскопии в анализе пищевых продуктов ограничено, встречаются некоторые работы по анализу
кофе [15, 21-23], риса ]24] и Сахаров в манго [16].
Пищевые продукты представляют собой очень сложную матрицу, содержащую большое количество компонентов, что приводит к множеству спектральной информации и большим наборам данных. Следовательно, необходим быстрый статистический и математический анализ для их идентификации, а также полезность и строгий контроль целостности полученной информации [25],
Классические одномерные статистические методы, такие как дисперсионный анализ (ANOVA), ориентированы на редукционистский подход (например, по одной переменной за раз), а составы или свойства пищевых продуктов анализируются независимо от всей пищевой матрицы. И наоборот, современные хемометрические методы, которые представляют собой подходы к многомерному анализу, которые позволяют обрабатывать многомерные и сложные наборы данных, иногда с едва заметными различиями между всеми наборами данных, выявляя важные свойства посредством их различных интерференции и взаимодействий во всей пищевой матрице [25, 26]. Многомерные методы могут применяться как для качественного, так и для количественного анализа, позволяя извлекать соответствующую информацию из сложных данных, позволяя создавать эмпирические модели, которые можно использовать для проведения поисковых исследований и описания важных характеристик образцов или прогнозного анализа новых образцов (27].
Хемометрические инструменты можно разделить на два типа методов распознавания образов: неконтролируемые и контролируемые [26]. В неконтролируемых методах классификация набора данных производится в отношении различий и сходств между выборками, предоставляя информацию о взаимосвязи между выборками, между переменными и между выборками и переменными без использования какой-либо предыдущей информации [28]. Наиболее распространенными инструментами для неконтролируемого распознавания образов являются кластерный анализ (CA), иерархический кластерный анализ (НСА) и анализ основных компонентов (РСА). Эти инструменты выявляют кластеры без учета количества и конкретного типа классов. Результаты обычно представляют в виде графического представления, показывающего группировку выборок (кластеров). РСА - широко используемый инструмент, который может сократить набор данных сложного спектра до небольшого числа некоррелированных переменных, сохраняя при этом тренды и закономерности. Для каждой переменной рассчитывается оценка каждой выборки. Графическое отображение этих показателей выявляет закономерности, собирая похожие выборки близкие друг другу [19,29]. Кроме того, также возможно выявить наличие потенциальных выбросов, выборок, стоящих отдельно от основной группы и подлежащих отбраковке [28]. Контролируемые модели, также известные как модели классификации, идентифицируют неизвестный шаблон как член предопределенного класса. Эти модели предназначены для нахождения математических закономерностей, способных распознавать образцы как членов конкретных и уже известных классов. Новые неизвестные образцы могут быть индивидуально отнесены к этим известным классам в зависимости от экспериментальных результатов [26,27]. Примеры этих методов включают линейный дискриминантный анализ (LDA), дискриминантпый анализ Фишера (FDA), квадратичный дискриминантпый анализ (QDA), регуляризо-ванный дискриминантный анализ (RDA), метод k-ближайших соседей (KNN), метод опорных векторов (SVM) и частичный анализ. Дискриминантный анализ методом наименьших квадратов (PLS-DA). Также использовались несколько прогностических многомерных моделей, таких как частичная регрессия методом наименьших квадратов (PLSR) и искусственные нейронные сети (ANN) [26]. Слияние данных (OF) — это стратегия, которая все больше развивается. Она состоит из объединения и анализа сложных данных, полученных с помощью нескольких инструментальных методов, с целью синергетического сбора дополнительной информации и получения более надежных результатов. Первоначально объединение данных включало использова-
ние двух взаимодополняющих аналитических методов, таких как спектроскопия MIR и UV-Vis, или применение сенсорных устройств для газа или жидкости с спектроскопией NIR или MIR. Совсем недавно сообщалось о сочетании данных трех, четырех и даже пяти методов [28,30]. Существует три уровня объединения данных: объединение данных низкого, среднего и высокого уровня [28,31]. При низкоуровневом подходе необработанные данные двух или более методов просто объединяются в матрицу с предварительной обработкой данных или без нее. Затем матрица используется для оценки одной модели, которая дает окончательную классификацию [30]. При объединении данных среднего уровня некоторые релевантные необработанные переменные сначала выбираются из каждого источника данных, а затем объединяются. Полученный кластер затем используется для многомерной классификации и регрессии. При слиянии данных высокого уровня модели регрессии или классификации предварительно рассчитываются для каждого набора данных, а полученные результаты затем объединяются [28,30]. В конечном счете, DF позволяет оценить дополнительную информацию, подкрепить полученные выводы или раскрыть скрытую информацию [30].
Международной ассоциацией ЛОЛС (Ассоциация официальных химиков-аналитиков) в 2005 г. одобрено использование методов FTIR для определения содержания жира, белка, лактозы и общего содержания сухих веществ в некоторых молочных продуктах [32].
За последнее десятилетие применение инфракрасной спектроскопии для аутентификации сыра углублялось и расширялось. Некоторые недавние калибровки включают определение географического происхождения сыров [33], мониторинг изменений во время созревания [34], срок годности и условия хранения [34, 36]. Лейте и др. [37] провели исследование с целью определить потенциал FTIR-ATR для идентификации и обнаружения фальсификаций сливочных сыров соевым маслом. В этом исследовании все образцы сливочного сыра, приготовленные в двух экземплярах, имели одинаковое содержание жира, но разный процент замены молочного жира соевым маслом (в диапазоне от 0 до 100 % замещения). Образец с 0 % жирности состоял только из сырной массы. Авторы обнаружили четкую дифференциацию полученных спектров для всех образцов, особенно в диапазоне длин волн от 3600 до 3050 см-1 и от 1000 до 400 см-1. Кроме того была был выявлен спектр при 3007 см-1, характерный для ненасыщенных жирных кислот, указывающий на присутствие в образцах соевого масла. Этот спектр сместился до 3009 см1, при замене соевым маслом от 20 до 100 % молочного жира. В дополнении выявлено отсутствие спектра связанной воды при 3265 см Для проверки полученных данные авторы использовали РСА анализ, который подтвердил спектральные результаты.
Применение спектроскопии MIR-FT для анализа молочных продуктов представлено в табл. 1.
Таблица 1
Применение ГТ-МП?. спектроскопии для анализа молочных продуктов
НСА: иерархический кластерный анализ; ЬЗ-ЗУМ: метод опорных векторов
Продукт/ Ссылка Отбор проб Диапазон волн (см1) Многомерный анализ Цель / Комментарии
Сыр Чеддер [60] ATR 1800-900 PLSR; S1MCA Характеристика созревания и вкуса сыра, а также классификация образцов сыра а зависимости от их возраста
Сливочные сыры [65] ATR 3600-3050; 1000-400 и 3007 РСА; PLS Количественная оценка фальсификации сливочных сыров соевым маслом
Сливочные сыры |65] ATR 3600-2750; 1800-625 РСА; PLSR Идентификация и количественная оценка примесей в сливочных сырах
Белый сыр [66] ATR 1650-800 PLSR Определение второстепенных компонентов (формальдегида) в образцах сы ра
Сыр буйволиный [61] ATR 3000-2800; 1700-1500; 1500-900 LR Подтверждение качества сыра и классификация продуктов по способу их изготовления
Коровье молоко [71 ] ATR 4000-800 РСА; НСА; PLS; LS-SVM Количественное определение фальсификации различных видов молока с помощью сырной сыворотки
Порошки для детских смесей |73] ATR 3600-2800; 1750-650 PLSR; S1MCA Количественное определение мела-мина и циануровой кислоты
Молоко (жидкое и сухое) |75| ATR 3000-3633; 100-1630; 806 PLSR Определение меламина в молоке
Молоко [70] ATR 3500-3300; 1640-1500 SI MCA; PLSR Определение некоторых потенциальных примесей
Козье молоко [64] ATR 1373; 1454; 956 SIMCA; PLSR Обнаружение и количественная оценка коровьего молока в козьем молоке
Козье молоко [761 ATR 3000-950 PLS-DA Характеристика проб молока по разным породам коз
Верблюжье молоко (77] ATR 3000-920 PLSR Фальсификация верблюжьего молока путем добавления коровьего молока
Молоко [69] ATR 1630-1680 1510-1570 PCA PLS-DA Аутентификация восстановленного сырого молока
Молоко [78] ATR 1800-920 PLSR Фальсификация сырого молока с добавлением сахарозы
Масло [79] Transmission; ATR 3910-710 PLS-DA Фальсификация сливочного масла бараньим жиром
наименьших квадратов; ЬСА: линейный дискриминантный анализ; ЬК: линейная регрессия; РСА: анализ основных компонентов; РЬв: частичный метод наименьших квадратов; РЬ8Г?: частичная регрессия методом наименьших квадратов; РЬ8-ВЛ: частичный дискриминантный анализ методом наименьших квадратов; 81МСА: Мягкое независимое моделирование аналогии классов; ЙЬЬЕ: контролируемое локальное линейное встраивание.
Исследования Альхальф и Миргани подтверждают, что МIИ-спектроскопия в сочетании с многомерным анализом обладает огромным потенциалом для идентификации формальдегида в сыре [38]. В большинстве случаев формальдегид в продуктах питания является естественным явлением, но превышение предельно допустимой концентрации может вызывать головные боли, тошноту, сонливость и кож-
ные аллергические реакции. В этом исследовании использовано два набора, каждый из двадцати одного образца, с использованием одного и того же типа мягкого белого сыра, с добавлением формальдегида в диапазоне от О до 100 мг/100 г свежеприготовленного сыра [38]. Спектральную реакцию на изменение содержания формальдегида исследовали путем изучения корреляционного и дисперсионного спектров. Спектральная область, используемая для корреляции и перекрестной проверки, включала спектральные интервалы от 1650 до 800 см1. Значение корреляции R2 составило 0,986 при средней стандартной ошибке калибровки 2,24 мг/100 г. Найденная валидация R2 составила 0,9662. Стандартные ошибки предсказания и стандартное отклонение различий для повторяемости и точности составили 4,07 и 4,61 мг/100 г соответственно. Авторы пришли к выводу, что использование данных MIR-спектроскопии с регрессией PLS оказалось высокоточным подходом для определения второстепенных компонентов, таких как формальдегид, в образцах сыра.
Исследовали молочные продукты методом спектроскопии FTIR-ATR в работе Sara et al. [33]. Цель исследования - объединить данные MIR-спектроскопии с хемо-метрическим анализом для подтверждения качества сыра и продуктов в соответствии с их производственным процессом. В исследовании использовались 10 образцов традиционной моцареллы, производимой в регионе с защищенным регионом происхождения, и десять образцов промышленной моцареллы без защиты регионом Италии. Для анализа использовались интервалы спектров: 2900-2827 и 1782-705 см 1 (соответствуют содержанию жира в сыре}, 1701-1507 см-' (содержание белка) и 1200-967 см-1 (соответствует содержанию углеводов). Образцы традиционного сыра обладали большей интенсивностью спектральных полос, что отражало изменение их физико-химического состава, по сравнению с сырами полученными промышленным способом. Для дифференциации двух типов сыров использовалась логистическая регрессия. Выбранной категорией был традиционный тип моцареллы с защищенным регионом происхождения, где объясняющими переменными использовались поглощение и длина волны. Результаты показали, что использование M1R-спектроскопии с хемометрическим анализом позволило различить два типа моцареллы.
FTIR-спектрометрия в связке с хемометрикой позволяет проводить идентификацию молочных белков [39]. Данным методом осуществляется количественное
м w __pi
определение казенно-макропептида, который входит в состав сырной сыворотки. В этом исследовании использовались 3 вида молока: обезжиренное, полуобезжиренное и сырое молоко. В образцы молока (п = 18) добавляли 25 мл казеино-макропептида. Инфракрасный спектр образцов снимали в диапазоне 4000-800 см-1. Для исследовательского анализа предварительно обработанных инфракрасных спектров перед этапом количественного определения применялся анализ основных компонентов и анализ иерархических компонентов. Для много фактор ной регрессии в качестве контрольных значений использовались концентрации, определенные с помощью ЖХ-МС/МС. Алгоритмы частичной регрессии наименьших квадратов, частичной квадратичной регрессии и регрессии с помощью машины опорных векторов минимального квадрата использовались с хорошими параметрами регрессии, что привело авторов к выводу, что разработанная методология адекватна для обнаружения и количественной оценки казеино-макропептида.
Применение MIR-спектроскопии в сочетании с хемометрикой позволяет определять гетероциклические органические вещества и органические кислоты [40]. В этом исследовании проводилась идентификация меламина и циапуровой кислоты в сухих детских смесях (детское молоко). В ходе исследования использовано 40 образцов сухой детской смеси с меламином или циануровой кислотой в концентрациях от 0,5 мкг/л до 20 мкг/л. В качестве проверочной модели использовалось 5 образцов. Исследуемые спектральные области составляли 3600-2800 и 1750-650 см-', поскольку в этом диапазоне наблюдается наибольшая связь между спектральными данны-
ми и концентрациями проб. Чтобы сопоставить ИК-сигнал с уровнями меламина или циаиуровой кислоты в образцах детских смесей, использовали метод наименьших квадратов (PLS1, PLS2) и регрессию главных компонентов. Предел обнаружения (>0,5 мкг/л) был ниже максимальных уровней остатков, установленных «Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов» (1 мг/кг) [41]. Чтобы отличить фальсифицированные от нефальсифицированных образцов, была применена модель мягкого независимого моделирования классовой аналогии с оптимальным различением и хорошим межклассовым расстоянием между образцами. Авторы пришли к выводу, что такая методика позволяет идентифицировать и классифицировать образцы без примесей и с примесями меламина и циаиуровой кислоты с доверительной вероятностью 99 %.
Аналогичный подход использовали Jawaid et al. [42]. Применяя метод FTIR-ATR, осуществляли определение различных соотношений меламина при различных концентрациях в образцах молока. Первоначально использовался спектральный интервал 4000-650 см-1 для изучения спектральных характеристик различных соотношений меламина при различных концентрациях. Затем для построения калибровочной модели частичного метода наименьших квадратов использовались 3 различных селективных участка MIR-спектра. Эти модели были созданы для корреляции спектральных данных с концентрацией меламина с R2>0,99. Для этого была выбрана область от 840 до 726 см1, так как она позволяла получить лучший результат регрессии по сравнению с другими областями. Пределы обнаружения и количественного определения метода составили 2,5 и 15,0 ррт соответственно, что позволило авторам констатировать более чувствительный метод по сравнению с методом ВЭЖХ, используемым для определения содержания меламина в рисовой и кукурузной муке.
Santos et al. [38] провели исследование по обнаружению фальсификации молока сывороткой, перекисью водорода, мочевиной и синтетическим молоком с использованием ШК-микроспектроскопии. Вследствие чего установили, что спектральные изменения MIR-микроспектроскопии практически незаметны при самых низких уровнях фальсификации и для извлечения релевантной информации для качественного и количественного анализа необходимо выполнение спектрального математического преобразования (вторая производная). Анализ распознавания образов с помощью моделей Soft Independent Modeling of Class Analogy показал плотные и хорошо разделенные кластеры, позволяющие отличить контрольные образцы от фальсифицированного молока с сывороткой (>7,5 г/л), синтетического молока (>0,1 г/л), мочевины (>0,78 г/л) и перекиси водорода (>0,019 г/л). Ошибка модели PLSR составила 1,91, 0,25, 0,34, 0,05 и 0,014 г/л для сыворотки, мочевины, синтетического молока и перекиси водорода соответственно.
Использование M1R и спектроскопии комбинационного рассеивания в сочетании с многомерным анализом [36] позволяет проводить количественную оценку коротко- и средне цепочечных жирных кислот (С6-С14), J3-каротина, а также размеры жировых шариков молока [43]. Сорок две пробы молока (с шагом 5 % от 0 до 100 %) были приготовлены из полножирного коровьего и козьего молока. Для определения наличия и количества коровьего молока в смесях применяли FT-MIR и римановскую спектроскопию с хемометрическими методами. Для извлечения информации были оценены спектры 1373, 1454 и 956 см-1 для ИК-спектроскопии и 1005, 1154 и 1551 см-' - для рамановской. Рамановский и ИК-спектры коррелировали с процентом фальсификации и содержанием каротина для разработки количественных моделей с частичной регрессией методом наименьших квадратов. Используя мягкое независимое моделирование аналогии классов, результаты показали, что 20 % интервалов смеси можно было едва отличить от других смесей с помощью MIR-спектроскопии. Однако использование рамановской спектроскопии не выявило существенного различия. Но полученные результаты указывают на перспективность данного метода при определении качественного и количественного содержания
жира в молоке. Применяя аналогичный подход, ЗоиЬаэзои е! а1. [44] сообщили об исследовании по выявлению фальсификации верблюжьего молока коровьим молоком.
Продукты питания, обогащенные биоактивными компонентами, вызывают все большую озабоченность наличием этих ингредиентов. В настоящее время для количественного и качественного анализа биоактивных компонентов используются трудоемкие физико-химические и инструментальные аналитические методы. Подавляющее большинство этих методов основано на целевом подходе, ориентированном на обнаружение конкретного соединения или семейства соединений. Эти анализы часто сложны и требуют много времени, требуют нескольких этапов подготовки образцов и высококвалифицированных лаборантов и менее подходят для рутинных или крупномасштабных анализов. Кроме того, многообразие биоактивных компонентов требует унифицированную методику для их идентификации, а это возможно только с применением спектроскопии. В частности, М1Н-епектроекопия является потенциальным аналитическим инструментом и рассматривается как альтернатива другим, более дорогим и сложным методам, подходящим для внедрения на заводах в процессе производства, а также в лабораториях контроля качества. Этот подход считается высокопроизводительным, так как обладает высокой скоростью анализа, простой подготовкой пли ее отсутствием, быстрым получением спектров и возможным обнаружением неизвестных компонентов или неизвестных отклонений от эталонных образцов. Из-за больших и сложных наборов спектральных данных, предоставляемых МIК - сп е ктр о скоп ией, обязательно использование хемометрического анализа, который позволяет1 извлекать соответствующую информацию и создавать концепции моделей, которые можно использовать для проведения поисковых исследований и определения важных характеристик образцов или прогнозирования результатов анализа. М1К-спектроскопия является быстрым и ценным инструментом, который значительно упрощает скрининг сырья и конечного продукта. Тем не менее, может потребоваться дальнейший подтверждающий анализ с использованием уже проверенных целевых методов, соответствующих действующему законодательству в отношении пищевых продуктов.
ЛИТЕРАТУРА
1. Food Integrity Handbook- A guide to food authenticity issues and analytical solutions; Morin, J.F.; Lees, M. (Eds.) Eurofins Analytics: Nantes, France, 2018; ISBN 978-2-9566303-1-9.
2. Modern Techniques for food authentication; Sun, D.-W. (Ed.) Academic Press: Cambridge, МЛ, USA; Elsevier Inc.: Amsterdam, The Netherlands, 2008; ISBN 978-012-374085-4.
3. Mendes, E.; Duarte, N. Mid-Infrared Spectroscopy as a Valuable Tool to Tackle Food Analysis: A Literature Review on Coffee, Dairies, Honey, Olive Oil and Wine. Foods 2021, 10, 477. https:/ / doi.org/10.3390/foods10020477
4. McGrath, T.F.; Haughey, S.A.; Patterson, J.; Fauhl-Hassek, C.; Donarski, J.; Alewijn, M.; van Ruth, S.; Elliott, C.T. What are the scientific challenges in moving from targeted to non-targeted methods for food fraud testing mid how can they be addressed?— Spectroscopy case study. Trends Food Sci. Technol. 2018, 76, 38-55. [CrossRei]
5. Wadood, S.A.; Boli, G.; Xiaowen, Z.; Hussain, I.; Yimin, W. Recent development in the application of analytical techniques for the traceahility and authenticity of food of plant origin. Microchem. J. 2020, 152, 104295. [CrossRei]
6. Ma, J.; Sun, D.W.; Pu, H.; Cheng, J.H.; Wei, Q. Advanced Techniques for Hy-perspectral Imaging in the Food Industry: Principles mid Recent Applications. Annu.
Rev. Food Sci. Technol. 2019, 10, 197-220. [CrossKef]
7. Picchio, V.; Cammisotto, V.; Pagano, F.; Carnevale, R.; Chimenti, I. Multimode Hyperspectral Imaging for Food Quality and Safety. In Hyperspectral Imaging in Agriculture, Food and Environment; Maldonado, A., Rodriguez-Fuentes, H., Contreras, J.A.V., Eds.; IntechOpen: London, UK, 2018; pp. 1-15. ISBN 978-1 78923-291-2.
8. Roberts, J.; Power, A.; Chapman, J,; Chandra, S.; Cozzolino, B. A short update on the advantages, applications and limitations of hyperspectral and chemical imaging in food authentication. Appl. Sci. 2018, 8, 505. [CrossRef]
9. Spectroscopic Methods in Food Analysis; Franca, A.S.; Nollet, L. (Eds.) Taylor and Francis: Boca Raton, FL, USA, 2018; ISBN 9781498754613
10. Skoog, B.A.; Holler, F.J.; Crouch, S. Principles of Instrumental Analysis, 7th ed.; Cengage Learning: Boston, MA, USA, 2017; ISBN 978-1-305-57721-3.
11. Silverstein, R.M.; Webster, F.X.; Kiemle, D.J.; Bryce, D.L. Spectrometric Identification of Organic Compounds, 8th ed.; John Wiley 8s Sons, Ltd: Hoboken, NJ, USA, 2015; ISBN 978-0-470-61637-6.
12. Thompson, J.M. Infrared Spectroscopy; Pan Stanford Publishing Pte. Ltd.: Singapore, Singapore, 2018; ISBN 978-981-4774-78-9.
13. Wang, P.; Sun, J.; Zhang, Т.; Liu, W. Vibrational spectroscopic approaches for the quality evaluation and authentication of virgin olive oil. Appl. Spectrosc. Rev. 2016, 51, 763-790. [CrossRef]
14. Be'c, K.B.; Huck, C.W. Breakthrough potential in near-infrared spectroscopy: Spectra simulation, A review of recent developments. Front. Chem. 2019, 7, 1-22, [CrossRef] [PubMed]
15. Reis, N.; Franca, A.S.; Oliveira, L.S. Performance of diffuse reflectance infrared Fourier transform spectroscopy and chemometrics for detection of multiple adulterants in roasted and ground coffee. LWT Food Sci. Technol. 2013, 53, 395-401. [CrossRef]
16. Olale, K.; Walyambillah, W.; Mohammed, S.A.; Sila, A.; Shepherd, K. Application of DRIFT-FTIR spectroscopy for quantitative prediction of simple sugars in two local and two Floridian mango (Mangifera indica L.) cultivars in Kenya. J. Anal. Sci, Technol. 2017, 8. [CrossRef]
17. Blum, M.M.; John, H. Historical perspective and modern applications of Attenuated Total Reflectance - Fourier Transform Infrared Spectroscopy (ATR-FTIR), Drug Test. Anal. 2012, 4, 298-302. [CrossRef] (PubMed]
18. Haas, J.; Mizaikoff, B. Advances in Mid-Infrared Spectroscopy for Chemical Analysis, Annu, Rev. Anal. Chem. 2016, 9, 45-68, [CrossRef] [PubMedl
19. Karoui, R.; Downey, G.; Blecker, C. Mid-infrared spectroscopy coupled with chemometrics: A tool for the analysis of intact food systems and the exploration of their molecular structure-quality relationships-A review. Chem. Rev. 2010, 110, 6144-6168. [CrossRef] [PubMed]
20. Chalmers, J.M. Infrared Spectroscopy - Sample Presentation. Ref. Modul. Chem. Mol. Sci. Chem. Eng, 2013, 1-18, [CrossRef]
21. Reis, N.; Franca, A.S.; Oliveira, L.S. Discrimination between roasted coffee, roasted corn and coffee husks by Diffuse Reflectance Infrared Fourier Transform Spectroscopy. LWT Food Sci. Technol. 2013, 50, 715-722. [CrossRef]
22. Craig, A.P.; Franca, A.S.; Oliveira, L.S. Discrimination between Immature and Mature Green Coffees by Attenuated Total Reflectance and Diffuse Reflectance Fourier Transform Infrared Spectroscopy. J. Food Sci. 2011, 76. [CrossRef] [PubMed]
23. Barbin, D.F.; de Souza Mailureira Felicio, A.L.; Sun, D.W.; Nixdorf, S.L.; Hi-rooka, E.Y. Application of infrared spectral techniques on quality and compositional attributes of coffee: An overview. Food Res. Int. 2014, 61, 23-32. [CrossKef]
24. Gangidi, R.R.; Proctor, A.; Meullenet, J.F. Milled rice surface lipid measurement by diffuse reflectance Fourier transform infrared spectroscopy (DRIFTS). JAOCS, J. Am. Oil Chem. Soc. 2002, 79, 7-12. [CrossRef]
