CC BY
48
МЕТОДЫ КОНТРОЛЯ КАЧЕСТВА И БЕЗОПАСНОСТИ ПИЩЕВЫХ ПРОДУКТОВ
Для корреспонденции
Якуба Юрий Федорович - кандидат технических наук, заведующий центром коллективного пользования «Приборно-аналитический» ФГБНУ «Северо-Кавказский зональный научно-исследовательский институт садоводства и виноградарства»
Адрес: 350901, г. Краснодар, ул. 40-летия Победы, д. 39 Телефон: (861) 252-57-77 E-mail: [email protected]
Ю.Ф. Якуба1, А.А. Халафян2, З.А. Темердашев2, В.В. Бессонов3, А.Д. Малинкин3
Вкусовая оценка качества виноградных вин с использованием методов математической статистики
Flavouring estimation of quality of grape wines with use of methods of mathematical statistics
Yu.Ph. Yakubai, A.A. Khalaphyan2, Z.A. Temerdashev2, V.V. Bessonov3, A.D. Malinkin3
1 ФГБНУ «Северо-Кавказский зональный научно-исследовательский институт садоводства и виноградарства», Краснодар
2 ФГБОУ ВО «Кубанский государственный университет», Краснодар
3 ФГБУН «ФИЦ питания и биотехнологии», Москва
1 North Caucasian Zonary Scientific Research Institute of Horticulture and Viticulture, Krasnodar
2 Kuban State University, Krasnodar
3 Federal Research Centre of Nutrition, Biotechnology and Food Safety, Moscow
Обсуждены вопросы формирования интегральной оценки вкусовой характеристики виноградных вин, получаемой в ходе их дегустации, указаны преимущества и недостатки этих процедур. В качестве материалов исследования использованы натуральные красные и белые виноградные вина российского производства, полученные по традиционным технологиям из сортов Vitis Vinifera, прямых гибридов, а также купажные и экспериментальные вина (150 образцов). Целью представленных исследований являлось установление корреляционных связей между содержаниями нелетучих веществ в винах и дегустационной оценкой качества вин методами математической статистики. В качестве основных факторов, оказывающих влияние на вкус, рассматривали содержание органических кислот, аминокислот и катионов в винах, которые в основном и определяют качество напитка. Определение перечисленных компонентов в образцах вин проводили электрофоретически с использованием системы капиллярного электрофореза типа «Капель». Параллельно наряду с аналитической проверкой качества образцов вин представительной группой специалистов была проведена их дегустационная оценка по 100-балльной системе. Исследована возможность статистического моделирования дегустационной оценки вин на основе данных аналитических определений аминокислот и катионов, объективно характеризующих вкус вина. Статистическое моделирование взаимосвязи дегустационной оценки вин и содержания в них основных катионов (аммония, калия, натрия, магния, кальция), свободных аминокислот (пролина, треонина, аргинина), учет степени влияния на аромат и аналитическую оценку в заданных границах соответствия качества осуществляли в среде пакета Statistica. Построены адекватные статистические модели, способные предсказывать дегустационную оценку, т.е. определять качество вин по содержанию в них компонентов, формирующих их вкусовые качества. Установлено,
что наряду с ароматическими (летучими) веществами на вкусовые качества вин влияют нелетучие компоненты: минеральные вещества и вещества органического происхождения - аминокислоты, перечисленные по степени убывания их влияния на вкусовые особенности вин: пролин, треонин, аргинин. Показано, что нелетучие вещества не в явной форме вносят вклад в органолептическую и вкусовую оценку качества вин как ароматические летучие компоненты, но они участвуют в формировании итоговой оценки, определяемой экспертами. Ключевые слова: вино, вкус, дегустационная оценка, минеральные вещества, аминокислоты, статистическое математическое моделирование
The questions of forming of wine's flavour integral estimation during the tasting are discussed, the advantages and disadvantages of the procedures are declared. As investigating materials we used the natural white and red wines of Russian manufactures, which were made with the traditional technologies from Vitis Vinifera, straight hybrids, blending and experimental wines (more than 300 different samples). The aim of the research was to set the correlation between the content of wine's nonvolatile matter and wine's tasting quality rating by mathematical statistics methods. The content of organic acids, amino acids and cations in wines were considered as the main factors influencing on the flavor. Basically, they define the beverage's quality. The determination of those components in wine's samples was done by the electrophoretic method «CAPEL». Together with the analytical checking of wine's samples quality the representative group of specialists simultaneously carried out wine's tasting estimation using 100 scores system. The possibility of statistical modelling of correlation of wine's tasting estimation based on analytical data of amino acids and cations determination reasonably describing the wine's flavour was examined. The statistical modelling of correlation between the wine's tasting estimation and the content of major cations (ammonium, potassium, sodium, magnesium, calcium), free amino acids (proline, threonine, arginine) and the taking into account the level of influence on flavour and analytical valuation within fixed limits of quality accordance were done with Statistica. Adequate statistical models which are able to predict tasting estimation that is to determine the wine's quality using the content of components forming the flavour properties have been constructed. It is emphasized that along with aromatic (volatile) substances the nonvolatile matter - mineral substances and organic substances - amino acids such as proline, threonine, arginine influence on wine's flavour properties. It has been shown the nonvolatile components contribute in organoleptic and flavour quality estimation of wines as aromatic volatile substances but they take part in forming the expert's evaluation.
Keywords: wine, flavour, tasting estimation, mineral and organic substances, statistical mathematical modelling
О
^✓летучими, так и нелетучими компонентами, кото- новные, основные, ароматические, гетероциклические.
рые, взаимодействуя друг с другом, определяют их Белок и пептиды, содержащиеся в вине, определяют
ароматические и вкусовые характеристики [1]. Летучие важные характеристики качества вина - от аромата
компоненты по большей части формируют аромати- и полноты вкуса до обеспечения пенообразования для
ческие, нелетучие вкусовые свойства [2]. Вкусовые игристых вин [7]. В процессе выдержки вина пеп-
характеристики вин в большей степени определяются тиды подвержены гидролизу под действием естест-
содержанием титруемых кислот, свободных аминокис- венной кислотности вина и ферментов, и это приво-
лот, минеральной составляющей, а также фенольным дит к увеличению массовой концентрации свободных
рганолептические свойства вин формируются как аминокислоты нейтральные, серосодержащие, двухос-
комплексом [3, 4].
аминокислот. Содержание свободных аминокислот
Титруемые кислоты совместно с уксусной кислотой в винах тесно связано с их качеством, технологи-формируют кислый оттенок вкуса, тогда как минераль- ей и, как итог, натуральностью. Концентрация проли-
ные компоненты и аминокислоты способны проявлять на составляет 60-70% от общей суммы аминокислот уникальные вкусовые характеристики (паслена, поме- в вине, что объясняется особенностями метаболизма
ранца, экзотических фруктов, смородины, ореховые дрожжей [8].
и т.д.) [5]. Большое внимание исследователей уделя- Минеральная составляющая виноградного вина
ется изучению содержания минеральных компонентов формируется за счет катионов калия, натрия, магния
и азотсодержащих соединений в винах [6]. Аминокисло- и кальция, немаловажное значение для качества вина
ты, прежде всего незаменимые, определяют пищевую и его дегустационной оценки имеет содержание ам-
ценность белка. В соке винограда идентифицированы мония, продукта деструкции аминокислот, пептидов
и других азотистых веществ [9]. Содержание катионов в вине регламентировано и выражается количеством и щелочностью золы, а сам параметр рассматривают как интегральный показатель его натуральности [10].
На содержание макрокатионов и их соотношения существенное влияние оказывают природно-климатические условия места произрастания винограда. Содержание калия, натрия, магния, кальция - основных элементов, ответственных за розливостойкость впоследствии получаемого вина, регулируют в результате брожения виноградного сусла, когда в осадок вместе с дрожжами поступают соли винной кислоты с последующей обработкой холодом в естественных условиях или с помощью холодильных установок [11].
Аналитическая проверка содержания компонентов вин включает методическую проверку и дегустационную оценку их качества. Низкокачественное вино или его фальсификацию при определенных условиях можно установить инструментальным способом, а с органо-лептической оценкой они существенно дополняют друг друга [12]. Контроль минеральных веществ позволяет установить факт разбавления вина водой, что проявляется в ухудшении вкуса, изменении баланса анионно-катионного состава. При проведении вкусовой оценки в России повышенное внимание уделяется дегустационной оценке, что находит отражение в соответствующих национальных стандартах [13].
Предпринятые ранее попытки установления взаимосвязи между содержанием свободных аминокислот и подлинностью вин весьма противоречивы [14, 15].
Цель данной работы - установление корреляции между содержанием нелетучих веществ в винах и дегустационной (вкусовой) оценкой качества вин методами математической статистики.
Материал и методы
В рамках проведенных исследований анализировали 150 образцов натуральных виноградных вин российского производства, полученных по традиционным технологиям из сортов Vitis Vinifera, прямых гибридов, включая купажные и экспериментальные вина.
Определение компонентов вин проводили электро-форетически с использованием системы капиллярного электрофореза типа «Капель»: фотометрический детектор (254 нм); кварцевый капилляр с внешним полиимид-ным покрытием (внутренний диаметр 75х10-6 м, эффективная длина - 0,5 м; водное термостатирование) [16]. Экспериментальные данные обрабатывали с помощью программного обеспечения «Мультихром для Windows, версия 1.5» (ООО «Амперсенд», Москва).
Для приготовления растворов и калибровок использовали стандартные образцы растворов катионов калия МСО 0019:1998, аммония МСО 0017:1998, натрия МСО 0018:1998, магния МСО 0085:1999, кальция МСО 0020:1998; аминокислоты - треонин («Диа-М»), пролин («Диа-М»), аргинин («Sigma»), винную кислоту х.ч. («Век-
тон»), бензимидазол («Sigma»), 18-краунэфир-6 («Sigma»), ß-циклодекстрин, H3PO4, HCl, NaOH и Na2B4O7x10 Н2О х.ч. («Вектон»).
Статистическое моделирование взаимосвязи дегустационной оценки вин и содержания в них основных катионов (аммония, калия, натрия, магния, кальция), свободных аминокислот (пролина, треонина, аргинина), учет степени влияния на аромат и аналитическую оценку в заданных границах соответствия качества осуществляли в среде пакета Statistica [17].
Параллельно с аналитической проверкой качества вин представительной группой специалистов была проведена дегустационная оценка вин по 100-балльной системе. В качестве исходных критериев было принято относить вино к уровню высокого качества, если дегустационная оценка превышала 80 баллов, среднего качества - в случаях оценки в пределах 70-80 баллов и низкого качества - при оценке менее 70 баллов.
Результаты и обсуждение
С учетом результатов анализа изученных образцов вин пробы были разделены на 3 равные группы по 50 образцов. 1-я группа преимущественно состояла из вин высокого качества (36 проб высокого качества, 14 -среднего), 2-я группа преимущественно состояла из вин среднего качества (44 пробы среднего качества, 6 проб -низкого), 3-я группа преимущественно состояла из вин низкого качества (41 проба низкого качества, 9 проб -среднего). Принцип формирования групп был обусловлен необходимостью установления (статистического обнаружения) зависимостей дегустационной оценки вин от количественного содержания в них выбранных компонентов с учетом качества анализируемых образцов.
Для 1-й группы были определены массовые концентрации катионов аммония (САт), калия (Ск), натрия (CNa), магния (CMg), кальция (ССа), аминокислот - аргинина (CArg), пролина (CPr), треонина (СТт); для 2-й группы -концентрации CMg, CCa, CArg, CPr, CTrn, так как значения САт, Ск, CNa были типичными для изучаемых натуральных вин; для 3-й группы - концентрации CArg, CPr, CTrn, так как значения CNa, CMg, CCa, САт, Ск, CNa были также типичными для рассматриваемых вин.
Для анализа содержания катионов и свободных аминокислот в исследуемых группах вин были вычислены описательные статистики (табл. 1). Наибольшая концентрация во всех группах вин у пролина, наименьшая у аргинина.
Представительность используемой статистической модели взаимосвязи зависимой переменной от совокупности независимых переменных определяется силой корреляционных связей. В нашем случае зависимая переменная - дегустационная оценка, а независимые -концентрации нелетучих веществ в вине.
В табл. 2 представлены значения коэффициентов корреляции содержаний компонентов в пробах вин с их дегустационной оценкой 1, 2, 3-й групп соответственно.
Таблица 1. Описательные статистики по результатам электрофорети-ческого анализа качества вин
Показатель (переменная) Количество объектов в выборке (группе) Среднее Минимум Максимум Стандарт-ное отклонение
1-я группа
Калий 50 435,1 410 500 23,0
Натрий 50 29,3 21 53 6,6
Магний 50 52,3 24 62 8,4
Кальций 50 61,1 51 68 4,7
Аргинин 50 25,5 21 31 2,3
Пролин 50 685,4 600 788 51,0
Треонин 50 50,0 40 58 5,3
2-я группа
Магний 50 97,760 86,000 120,000 6,883
Кальций 50 124,140 110,000 150,000 9,823
Аргинин 50 4,320 1,000 8,000 1,766
Пролин 50 213,220 168,000 255,000 16,319
Треонин 50 5,840 1,000 34,000 4,683
3-я группа
Аргинин 50 5,660 1,000 9,000 2,335
Пролин 50 48,780 35,000 59,000 6,541
Треонин 50 14,280 10,000 25,000 3,704
Таблица 2. Значения коэффициентов корреляции содержаний компонентов с дегустационной оценкой для изученных групп вин
Показатель переменная) Коэффициент корреляции
1-я группа (п=50) 2-я группа (п=50) 3-я группа (п=50)
Аммоний -0,049 - -
Калий 0,435 - -
Натрий -0,401 - -
Магний 0,189 -0,126 -
Кальций -0,538 0,246 -
Аргинин -0,231 -0,117 0,122
Пролин 0,700 -0,143 0,411
Треонин -0,146 -0,141 -0,137
Примечание. Здесь и в табл. 3-6 полужирным шрифтом выделены статистически значимые корреляции (р<0,05).
Таблица 3. Значения коэффициентов корреляции содержаний компонентов с дегустационной оценкой для объединенных групп вин
Принято считать [7], что в случаях, когда |г|< 0,25, корреляция слабая, если 0,25<|г|< 0,75 - корреляция умеренная, |г| >0,75 - корреляция сильная. Вполне обоснованной можно считать интерпретацию только статистически значимых корреляций.
Положительная корреляция показывает, что с увеличением концентрации данного вещества дегустационная оценка возрастает, отрицательная корреляция, наоборот, с увеличением содержания данного вещества дегустационная оценка убывает.
Из табл. 2 следует, что для 2-й и 3-й групп построение регрессионных моделей по данным дегустационной оценки для изученных групп вин является малоперспективным, так как корреляции либо слабые статистически незначимые, либо умеренные статистически значимые. В то же время построение регрессионных моделей отдельно для вин высокого (1-я группа), среднего (2-я группа) и низкого качества (3-я группа) не представляет практического интереса в силу специфичности моделей.
В табл. 3 сведены данные корреляционного анализа содержаний компонентов с дегустационной оценкой для объединенных групп вин, в которой отображены коэффициенты корреляции для вин высокого и среднего качества (1-я и 2-я группы) и вин качества широкого спектра (1, 2, 3-я группы). Как видно, все корреляции сильные, статистически значимые, при этом наибольшая стохастическая связь у дегустационной оценки с концентрацией пролина. Возможно, это связано с тем, что во всех трех группах концентрация пролина значительно преобладает над концентрациями остальных нелетучих веществ (см. табл. 1). По-видимому, существенный рост коэффициентов корреляции связан с увеличением изменчивости содержаний анализируемых веществ из-за объединения групп вин различного качества с дифференцированными дегустационными оценками.
Данные табл. 3 свидетельствуют о наличии сильных корреляционных связей содержания нелетучих веществ в винах с их дегустационной оценкой, что обосновывает построение статистических моделей, описывающих характер их взаимосвязи. В табл. 4 для объединенных 1-й и 2-й групп (100 образцов вин) отображены итоговые результаты множественной линейной регрессии посредством пошаговой процедуры с включением. В терминологии регрессионного анализа дегустационная оценка выступает как зависимая переменная (отклик), нелетучие компоненты - независимые переменные (предикторы).
Коэффициенты множественной корреляции Я=0,91 и детерминации Я2=0,83 имеют значения, близкие к 1. Это означает, что построено вполне адекватное уравнение регрессии, описывающее примерно 83% изменчивости отклика дегустационная оценка (уравнение считается адекватным, если описывает более 50% изменчивости отклика). С учетом того что уровень значимости критерия Фишера (Р-критерий) р<0,05, можно утверждать, что построено статистически значимое
Показатель (переменная) Коэффициент корреляции
1-я, 2-я группы (п=100) 1, 2, 3-я группы (п=150)
Кальций -0,852 -
Магний -0,816 -
Аргинин 0,838 0,814
Пролин 0,899 0,899
Треонин 0,835 0,763
уравнение. В регрессионную модель не включены переменные кальций, магний, так как их присутствие в модели не является определяющим.
Регрессионные коэффициенты BETA оцениваются по нормированным (стандартизованным) данным, имеющим выборочное среднее, равное 0, и стандартное отклонение, равное 1. Нормирование (стандартизация) переменной состоит в вычитании из ее значений среднего и делении на среднеквадратическое отклонение. По стандартизованным коэффициентам можно сравнить вклады каждого предиктора в предсказание отклика. Так, в отклик дегустационная оценка наибольший статистически значимый вклад вносит предиктор пролин (BETA=1,513), а наименьший - аргинин (BETA=-0,258). Причем вклад пролина в предсказание дегустационной оценки соответственно в 4 и 6 раз превосходит вклады треонина и аргинина. Отрицательный знак коэффициентов означает, что увеличение значений соответствующих предикторов влечет уменьшение дегустационной оценки. Положительный знак, - что увеличение значений предикторов влечет возрастание оценки. Таким образом, чем выше содержание пролина и ниже концентрации треонина и аргинина, тем выше вкусовые качества вина и, соответственно, выше дегустационная оценка. Коэффициенты уравнения регрессии расположены в столбце В табл. 4. Согласно t-критерию Стью-дента параметры в модели, за исключением коэффициента при предикторе аргинин, статистически значимы (последний столбец, p<0,05). В соответствии со значениями коэффициентов регрессии и ранее принятыми обозначениями переменных (предикторов) уравнение линейной множественной регрессии для 1-й и 2-й групп примет вид:
Est = 65,806 + 0,035CPr - 0,092CTm - 0,132CArg, (1)
где Est - обозначение дегустационной оценки.
Дополнительным подтверждением адекватности построенной модели является сходство распределения остатков нормальному закону, со средним значением,
равным 0. Остатки представляют собою разность между эмпирическими (заданными) значениями дегустационной оценки и значениями, вычисленными по модели регрессии. Уровень значимости р=0,467 критерия х2 (Пирсона), значительно превышающий 0,05, является статистическим обоснованием соответствия распределения остатков нормальному закону.
Итоговые результаты построения множественной линейной регрессии посредством пошаговой процедуры с включением для объединенных 1, 2 и 3-й групп (150 проб вин) отображены в табл. 5, из которой следует, что, как и в первом случае, построено вполне адекватное статистически значимое уравнение регрессии, описывающее примерно 81% изменчивости отклика дегустационная оценка. В регрессионную модель не включена переменная аргинин, так как ее присутствие в модели избыточно. Статистически значимыми параметрами в модели являются свободный член и коэффициент при предикторе пролин. Следует обратить внимание, что вклад пролина значительно (примерно в 10 раз) превышает вклад треонина в прогноз дегустационной оценки.
Из последнего столбца табл. 5 следует, что в соответствии с критерием Стьюдента параметры модели - свободный член и коэффициент при предикторе пролин -статистически значимы (p<0,05). С учетом значений коэффициентов регрессии и ранее принятых обозначений предикторов уравнение линейной множественной регрессии для 1, 2 и 3-й групп примет вид:
Est = 67,793 + 0,023CPr - 0,037CTrn. (2)
Дополнительным подтверждением адекватности построенной модели является соответствие распределения остатков нормальному закону со средним значением, равным 0. Уровень значимости р=0,949 критерия х2 имеет значение, близкое к 1.
Посредством пошаговой процедуры с исключением для 1, 2 и 3-й групп вин удалось построить альтернативную нелинейную множественную модель регрессии -
Таблица 4. Результаты регрессионного анализа для 1-й и 2-й групп
Показатель (переменная) Итоги оценки регрессии для зависимой переменной: R=0,910; R2=0,828; F(3,96) = 153,77, p<0,000, л=100
ВЕТА ст. ош. ВЕТА B ст. ош. B t Р
Свободный член - - 65,806 0,745 88,287 0,000
Пролин 1,513 0,192 0,035 0,004 7,883 0,000
Треонин -0,378 0,174 -0,092 0,042 -2,179 0,032
Аргинин -0,258 0,171 -0,132 0,087 -1,513 0,134
Таблица 5. Результаты регрессионного анализа для 1, 2 и 3-й групп
Показатель (переменная) Итоги оценки регрессии для зависимой переменной: R=0,900; R2=0,811; F(2,147)=315,19; p<0,000, л=150
ВЕТА ст. ош ВЕТА B ст. ош. B t Р
Свободный член - - 67,793 0,353 192,246 0,000
Пролин 1,001 0,075 0,023 0,002 13,324 0,000
Треонин -0,116 0,075 -0,037 0,024 -1,546 0,124
Показатель (переменная) Итоги регрессии для зависимой переменной: оценка R=0,903; R2=0 ,816; F(2,147)=326,33; p<0,000, л=150
ВЕТА ст. ош. ВЕТА B ст. ош. B t Р
Свободный член - - 70,85447 0,382 185,068 0,000
Треонин -0,401 0,092 -0,12738 0,029 -4,348 0,000
Пролин 1,260 0,093 0,00004 0,000 13,668 0,000
Таблица 7. Предсказанные значения дегустационной оценки вина различного качества в зависимости от содержания аминокислот, мг/дм3
№ пробы Срг CTrn Качество Дегустационная оценка, балл Est по модели (2) Ошибка прогноза, % Est по модели (3) Ошибка прогноза, %
1 745 52 Высокое 86 83,036 3,4 84,477 1,7
2 651 56 Среднее 78 80,720 3,5 79,179 1,5
3 58 25 Низкое 65 68,207 4,9 67,790 4,3
Таблица 6. Результаты квадратичной регрессии для 1, 2 и 3-й групп
квадратичное уравнение (табл. 6). Степень адекватности модели несколько увеличилась, так как коэффициент детерминации Я2=0,816 принял значение, большее чем Я2=0,811 (см. табл. 5). Распределение остатков также соответствует нормальному закону - уровень значимости р=0,759 критерия х2имеет значение, близкое к 1. Как и в двух предыдущих случаях, в данную модель не включена переменная аргинин.
Уравнение квадратичной регрессии примет вид:
Est = 70,85447- 0,12738CTm + 0,00004С2P. (3)
Уравнение (1) целесообразно использовать для предсказания дегустационной оценки вин преимущественно высокого и среднего качества, так как оно построено по группам вин высокого и среднего качества. Уравнения (2) и (3) являются более универсальными и могут быть использованы для предсказания дегустационной оценки вин произвольного качества. Однако следует учитывать, что эти уравнения получены при количестве проб вин, равном 150, из них 36 - это пробы вин высокого качества, 75 - среднего качества, 39 - низкого, поэтому наиболее точно будут вычислены прогнозные значения дегустационной оценки для вин среднего качества, менее точно для вин высокого и низкого качества.
Построенные статистические модели прогнозирования дегустационной оценки вкуса вин были апробированы посредством небольшого вычислительного эксперимента. По моделям (2) и (3) модулями Множественная регрессия и Множественная нелинейная регрессия про-
Сведения об авторах
граммы 81айэ1юа были вычислены прогнозные значения дегустационной оценки для трех проб вин высокого, среднего и низкого качества (табл. 7).
Из табл. 7 видно, что по всем трем пробам вин для квадратичной модели (уравнение 3) ошибка прогноза меньше, чем для линейной модели (уравнение 2), средние ошибки прогноза составили соответственно 3,9 и 2,5%.
Можно заключить, что на вкусовые качества вин наряду с содержащимися в них ароматическими (летучими) веществами также влияют нелетучие вещества -минеральные вещества и вещества органического происхождения - аминокислоты. При этом нелетучие вещества, как и ароматические летучие компоненты, вносят вклад в органолептическую и вкусовую оценку качества вин и участвуют в формировании итоговой оценки, определяемой экспертами.
Построены адекватные статистические модели, способные предсказывать дегустационную оценку, т.е. определять качество вин по содержанию в них компонентов, формирующих вкусовые качества. Важна не только возможность прогнозировать дегустационную оценку, но и то, что выявлены основные факторы, влияющие на вкусовые качества вин, а следовательно, и на дегустационную оценку. Это нелетучие вещества - аминокислоты, перечисленные по степени убывания их влияния на вкусовые особенности вин: пролин, треонин, аргинин. При этом дегустационные оценки отражают содержание основных аминокислот в винах, т.е. эксперты в целом правильно улавливают изменчивость концентрации аминокислот в винах при их дегустации.
Якуба Юрий Федорович - кандидат технических наук, заведующий центром коллективного пользования «При-борно-аналитический» ФГБНУ «Северо-Кавказский зональный научно-исследовательский институт садоводства и виноградарства» (Краснодар) E-mail: [email protected]
Халафян Алексан Альбертович - доктор технических наук, профессор кафедры прикладной математики факультета компьютерных технологий и прикладной математики ФГБОУ ВО «Кубанский государственный университет» (Краснодар) E-mail: [email protected]
Темердашев Зауаль Ахлоович - доктор химических наук, профессор, заведующий кафедрой аналитической химии факультета химии и высоких технологий ФГБОУ ВО «Кубанский государственный университет» (Краснодар) E-mail: [email protected]
Бессонов Владимир Владимирович - доктор биологических наук, профессор, заведующий лабораторией химии пищевых продуктов ФГБУН «ФИЦ питания и биотехнологии» (Москва) E-mail: [email protected]
Малинкин Алексей Дмитриевич - младший научный сотрудник лаборатории химии пищевых продуктов ФГБУН «ФИЦ питания и биотехнологии» (Москва) E-mail: [email protected]
Литература
1. Jackson R.S. Wine Tasting: A Professional Handbook. Elsevier, 11. 2002.
2. Solomon G.E. Psychology of novice and expert wine talk // Am. J. Psychol. 1990. Vol. 73. P. 495-517.
3. Ribereau-Gayon P., Dubourdieu D., Doneche B., Lonvaud A. Hand- 12. book of Enology. Vol. 2. Chichester, England : John Wiley and Sons, 2006. 438 p.
4. Дуборасова Т.Ю. Сенсорный анализ продуктов. Дегустация вина.
М. : Дашков и К, 2009. 184 с. 13.
5. Шольц Е.П., Пономарев С.В. Технология переработки винограда. М. : Агропромиздат, 1990. 447 с.
6. Wine Chemistry and Biochemistry / eds A. Moreno-Annosi, M. Polo. 14. New York : Springer, 2009. 735 p.
7. Jackson R.S. Wine Science. Principles and Application. Academic Press, 2008. 789 p. 15.
8. Родопуло А.К. Основы биохимии виноделия. М.: Легк. и пищ. пром-сть, 1983. 240 с.
9. HuidobroM. F., Simal-Lozano, J. Rapid capillary zone electrophoresis method for the determination of metal cations in beverages // 16. Talanta. 2006. Vol. 68. P. 1143-1147.
10. Панасюк А.Л. и др. Показатели «зола и ее щелочность»
в системе критериев подлинности столовых вин // Виноделие 17. и виноградарство. 2011. № 1. С. 20-21.
Якуба Ю.Ф. Применение капиллярного электрофореза для определения катионов в винах специальных технологий // Заводская лаборатория. Диагностика материалов. 2006. Т. 72, № 4. С. 11-15.
Якуба Ю.Ф., Каунова А.А., Темердашев З.А., Титаренко В.О. и др. Виноградные вина, проблемы оценки их качества и региональной принадлежности // Аналитика и контроль. 2014. Т. 18, № 4. С. 345-372.
Якуба Ю.Ф., Ложникова М.С. Совершенствование аналитического контроля винодельческой продукции // Аналитика и контроль. 2011. Т. 15, № 3. С. 309-312.
Herbert P., Barros P., Alves A. Detection of port wine imitation by discriminant analysis using free amino acids profiles // Am. J. Enol. Vitic. 2000. Vol. 51, N 3. P. 262-268.
Меньшов В.А., Гагарин М.А., Яковлев П.В. Проблемы контроля качества и идентификации продукции виноделия методами математической статистики // Виноград и вино России. 1997. № 2. С. 14-20.
Якуба Ю.Ф. Прямое определение основных аминокислот вина // Заводская лаборатория. Диагностика материалов. 2010. Т. 76, № 4. С. 12-14.
Халафян А.А. Statistica 6. Математическая статистика с элементами теории вероятностей. М. : Бином, 2010. 491 с.
References
1. Jackson R.S. Wine tasting: A professional handbook. Elsevier, 2002: 11. 360 p.
2. Solomon G.E. Psychology of novice and expert wine talk. Am J Psychol. 1990; Vol. 73: 495-517.
3. Ribereau-Gayon P., Dubourdieu D., Doneche B., Lonvaud A. Hand- 12. book of enology. Vol. 2. Chichester, England: John Wiley and Sons, 2006: 438 p.
4. Duborasova T.Yu. Sensor analyses of foods. Testing of wines. Moscow: Dashkov and K, 2009: 184 p. (in Russian) 13.
5. Sholtc E.P., Ponomarev S.V. Technology processing of grape. Moscow, Agropromizdat, 1990: 447 p. (in Russian)
6. Moreno-Annosi A., Polo M. (eds). Wine chemistry and biochemistry. 14. New York: Springer, 2009: 735 p.
7. Jackson R.S. Wine science. Principles and application. Academic Press, 2008: 789 p. 15.
8. Rodopulo A.K. Fundamentals of biochemistry winemaking. Moscow: Legkaja i pishhevaja promyshlennost' Publ., 1983: 240 p. (in Russian).
9. HuidobroM. F. , Simal-Lozano, J. Rapid capillary zone electrophoresis method for the determination of metal cations in beverages. 16. Talanta. 2006; Vol. 68: 1143-7.
10. Panasjuk A.L., Kuz'mina E.I., Zaharov M.A., Harlamova L.N., et al. «Ash and alkalinity» as indicators in the system of the authentication criteria of table wines. Vinodelie i vinogradarstvo [Winemaking and 17. Viticulture]. 2011; Vol. 1: 20-1 (in Russian).
Yakuba Yu.F. Application of capillary electrophoresis for determination of cations in wine special. Zavodskaya laboratoriya. Diagnostika materialov [Industrial Laboratory. Diagnostic of Materials]. 2006; Vol. 72: 11-5. (in Russian)
Yakuba Yu.F., Kaunova A.A., Temerdashev Z.A., Titarenko V.O., et al. Grape Wines, problems of their quality and regional evaluation. Analytika i kontrol' [Analysys and Control]. 2014; Vol. 18: 344-73. (in Russian)
Jakuba Ju.F., Lozhnikova M.S. Improving of the analytical control of wine products. Analitika i kontrol' [Analysis and Control]. 2011; Vol. 15 (3): 309-12 (in Russian).
Herbert P., Barros P., Alves A. Detection of port wine imitation by discriminant analysis using free amino acids profiles. Am J Enol Vitic. 2000; Vol. 51 (3): 262-8.
Menshov V.A., Gagarin M.A., Yakovlev P.V. Problem of control of quality and identification of winemaking products by methods of mathematical statistics. Vinograd i vino Rossii [Grape and Wine of Russia]. 1997; Vol. 2: 14-20.
Yakuba Yu.F. Direct determination of basic amino acids of the wine. Zavodskaya laboratoriya. Diagnostika materialov [Industrial laboratory.Diagnostic of Materials]. 2010; Vol. 76 (4): 12-4.
Khalaphyan A.A. Statistica 6. Mathematical statistics with elements of theory of probability. Moscow: Binom, 2010: 491 p.
