Summary

בניית מודלים לחיזוי הורס של תוכן מרכיב האוכמניות ידי ספקטרוסקופיה האינפרה-אדום הקרוב בהתבסס על מדידות HPLC

Published: June 28, 2016
doi:

Summary

We present here a protocol to construct and validate models for nondestructive prediction of total sugar, total organic acid, and total anthocyanin content in individual blueberries by near-infrared spectroscopy.

Abstract

Nondestructive prediction of ingredient contents of farm products is useful to ship and sell the products with guaranteed qualities. Here, near-infrared spectroscopy is used to predict nondestructively total sugar, total organic acid, and total anthocyanin content in each blueberry. The technique is expected to enable the selection of only delicious blueberries from all harvested ones. The near-infrared absorption spectra of blueberries are measured with the diffuse reflectance mode at the positions not on the calyx. The ingredient contents of a blueberry determined by high-performance liquid chromatography are used to construct models to predict the ingredient contents from observed spectra. Partial least squares regression is used for the construction of the models. It is necessary to properly select the pretreatments for the observed spectra and the wavelength regions of the spectra used for analyses. Validations are necessary for the constructed models to confirm that the ingredient contents are predicted with practical accuracies. Here we present a protocol to construct and validate the models for nondestructive prediction of ingredient contents in blueberries by near-infrared spectroscopy.

Introduction

קרוב אינפרא אדום (NIR) ספקטרוסקופיה מוחלת נרחבת כטכניקה הורסת לנתח תוכן של פרות וירקות מסוגים שונים. 1,2 הורסות מנתח ידי ספקטרוסקופיה NIR לאפשר המשלוח של פרות וירקות טעימים רק עם איכויות מובטחות. ספקטרוסקופיה NIR כבר הותקנה כדי תפוזים, תפוחים, אבטיח, דובדבן, קיווי, מנגו, פפאיה, אפרסק וכן הלאה לדעת בריקס שלהם שמקביל שתכולת הסוכר הכולל, חומציות, TSC (תוכן מוצק הכולל), וכן הלאה . לאחרונה, דיווחנו היישום של ספקטרוסקופיה NIR להערכת האיכות של אוכמניות. 3 מדד לא רק את תכולת הסוכר הכולל ואת התוכן הכולל אורגני החומצה מתאים חומציות, אלא גם תוכן אנתוציאנין הכולל. אנתוציאנין הוא רכיב ביו אשר מאמינים לשיפור בריאות הציבור. זה נוח לצרכנים אם הם יכולים לקנות אוכמניות טעימות עם הבטחה של תכולת הסוכר שלהם, acidity ותוכן אנתוציאנין.

בספקטרום הקליטה NIR של פירות וירקות, רק להקות קליטה רחבה הם נצפו. הם בעיקר הלהקות בשל סיבים ולחים. למרות הרבה להקות חלשות בשל מרכיבים שונים של היעד הלא תחסל הם נצפו בעת ובעונה אחת, הלהקות הנצפות לא ניתן להקצות אופני תנודה ספציפיים של רכיבים ספציפיים של היעד ברוב המקרים. לכן, הטכניקה המסורתית כדי לקבוע את התוכן של רכיב ספציפי באמצעות החוק של למברט-באר אינה יעילה עבור ספקטרום NIR. במקום זאת, מודלי כיול לחזות את תכולת רכיבי יעד הספקטרום הנצפה נבנו באמצעות chemometrics ידי בחינת המתאם בין הספקטרום הנצפה ואת תוכן המרכיב מתאים הספקטרום. 4,5 כאן, פרוטוקול לבן ותיקוף המודלים עבור חיזוי של תכולת סוכר הכולל, תכולת חומצות הכולל אורגניות מתאימה acidity, ותוכן אנתוציאנין הכולל של אוכמניות מן הספקטרום NIR מוצג.

איור 1 מציג את תרשים זרימה הכללי לבנות מודלי כיול אמינים ויציבים. דוגמאות של מספר מספיק נאספות. חלקם משמשים לבניית מודלים בעוד האחרים משמשים תיקוף המודלים שנבנו. עבור כל אחד דגימות שנאספו, ספקטרום NIR נמדד, ולאחר מכן מרכיבי היעד מנותחים כמותית עם שיטות אנליזה כימית הרסניות מסורתיות. הנה, כרומטוגרפיה נוזלית בעל ביצועים גבוהים (HPLC) משמשת עבור הניתוחים הכימיים של סוכרים, חומצות אורגניות, ו אנתוציאנינים. ריבועים לפחות חלקית (PLS) רגרסיה משמשת לבניית מודלי כיול שבו המתאם בין הספקטרום הנצפה ואת התוכן המרכיב שקבע בדיקות כימיות נבחן. על מנת לבנות מודלים חזקים עם יכולת החיזוי הטובה ביותר, pretreatments של obserספקטרה ved ואת אזורי הגל המשמשים לניבוי גם נבחנים. לבסוף, המודלים שנבנו הן תוקפים כדי לאשר את יכולת החיזוי המספיקה שלהם. בשנות ה אימות, תוכן חזה מהספקטרום הנצפה על ידי המודל בנוי (הערכים החזויים) מושווים עם תוכן שקבע ניתוחים כימיים (הערכים שנצפו). אם המתאם מספיק לא ניתן למצוא בין הערכים החזויים והעירה, מודל הכיול ראוי לעיין מחדש נבנה עד קורלציה די מתקבלת. למרות שזה עדיף להשתמש קבוצות שונות של דגימות לבנייה ותיקוף מודל כפי שמוצג בתרשים זה (אימות חיצונית), דגימות באותה קבוצה משמשות הן להקמת האימות (אימות צלב) כשמספר דגימות אינן גדולות מספיק.

איור 1
Fתרשים igure 1. תזרים להקמת תיקוף מודל הכיול. הנהלים המוקפים קווים כחולים וירוקים מתאימים, בהתאמה, לבניית מודל כיול והאימות שלה. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

Protocol

1. איסוף של דגימות החלט אילו זנים ייכלל היעד של מודל הכיול. אסוף מספר מספיק וסוגים שונים של אוכמניות מדגם של זני היעד. אסוף רצוי 100 אוכמניות לב?…

Representative Results

תרשים 2 מציג כדוגמה סט של ספקטרום הקליטה NIR של אוכמניות שבו הספקטרום של 70 אוכמניות מוצגים בו זמנית. מאז הלהקות בהחלט להמחאת סוכרים, חומצות אורגניות, או אנתוציאנינים הם לא נצפו בספקטרום NIR, חוק למברט-באר המסורתי אינו ישים לכמת את התוכן המרכיב. …

Discussion

כמה הערות נוספות על הפרוטוקול מתוארים כאן. ראשית, בשלב 1.1, היא מוזכרת להחליט הזנים הכלולים היעד. למרות שניתן לבנות מודלים מכסים אוכמניות מן זנים רבים או מבלי לציין זנים, את דיוק החיזוי עם הדגמים הם לפעמים נמוך בהרבה מאלו עם המודלים עבור זן יחיד עבור זנים מוגבלים. כמו כן…

Disclosures

The authors have nothing to disclose.

Acknowledgements

This work was partially supported by the project “A Scheme to Revitalize Agriculture and Fisheries in Disaster Area through Deploying Highly Advanced Technology” of Ministry of Agriculture, Forestry and Fisheries, Japan.

Materials

FT-NIR spectrophotometer Bruker Optics GmbH MPA 
High-Performance Liquid Chromatography Shimadzu Corporation 228-45041-91, 228-45000-31, 228-45018-31, For sugar analysis
223-04500-31, 228-45010-31, 228-45095-31 Refractive Index Detector
High-Performance Liquid Chromatography Shimadzu Corporation 228-45041-91, 228-45003-31, 228-45000-31, For organic acid analysis
228-45018-31, 228-45010-31, 223-04500-31 Ultraviolet-Visible Detector
High-Performance Liquid Chromatography Shimadzu Corporation 228-45041-91, 228-45018-31, 228-45000-31, For anthocyanin analysis
228-45012-31, 228-45119-31, 228-45005-31, Photodiode Array Detector
228-45009-31
pH meter Mettler-Toledo 30019028 S220, Automatic temperature compensation
Ultra-pure water treatment equipment ORGANO Corporation ORG-ULXXXM1; PRA-0015-0V0 PURELAB ultra; PURELITE
Biomedical Freezers  SANYO 2-6780-01 MDF-U338
Ultra-Low Temperature Freezer Panasonic healthcare Co.,Ltd. KM-DU73Y1 -80°C
Vacuum lyophilizer IWAKI GLASS Co.,Ltd 119770 DRC-3L;FRD-82M
Homoginizer Microtec Co., Ltd.  Physcotron
Ultracentrifuge Hitachi Koki Co.,Ltd S204567 CF15RXII
Mini-centrifuge LMS CO.,LTD. KN3136572 MCF-2360
Centrifuge Kokusan Co.,Ltd 2-5534-01 H-103N
Filter Paper  Advantec 1521070 5B, Eqivalent to Whatman 40
Sep-Pak C18 column Waters Corporation Milford WAT020515
Sep-Pak CM column Waters Corporation Milford WAT020550
Sep-Pak QMA column Waters Corporation Milford WAT020545
Centrifugal Filter Unit Merck Millipore Corporation R2SA18503 PVDF, 0.45 μm
Microtube As One Corporation 1-1600-02 PP, 2 mL
Syringe Filter GE Healthcare CO.,LTD. 6788-1304 PP, 0.45 μm
Sucrose Wako Pure Chemical Industries,Ltd 194-00011 Reagent-grade
Glucose Wako Pure Chemical Industries,Ltd 049-31165 Reagent-grade
Fructose Wako Pure Chemical Industries,Ltd 123-02762 Reagent-grade
Citric acid Wako Pure Chemical Industries,Ltd 036-05522 Reagent-grade
Malic acid Wako Pure Chemical Industries,Ltd 355-17971 Reagent-grade
Succinic acid  Wako Pure Chemical Industries,Ltd 190-04332 Reagent-grade
Quinic acid Alfa Aesar, A Johnson Matthey Company 10176328 Reagent-grade
Phosphoric acid Wako Pure Chemical Industries,Ltd 162-20492 HPLC-grade
Trifluoroacetic acid Wako Pure Chemical Industries,Ltd 208-02746 Reagent-grade
Methanol Wako Pure Chemical Industries,Ltd 131-01826 Reagent-grade
Acetonitrile Wako Pure Chemical Industries,Ltd 015-08633 HPLC-grade
Grade cyanidin-3-O-glucoside chloride Wako Pure Chemical Industries,Ltd 306-37661 HPLC-grade
Software for analyses Bruker Optics GmbH OPUS ver. 6.5
Softoware for preprocessing Microsoft Excel powered by Visual Basic for Applications
Software for construction of models Freemat 4.0 http://freemat.sourceforge.net/

References

  1. Ozaki, Y., McClure, W. F., Christy, A. A. . Near-infrared Spectroscopy in Food Science and Technology. , (2007).
  2. Sun, D. W. . Infrared Spectroscopy for Food Quality Analysis and Control. , (2009).
  3. Bai, W., Yoshimura, N., Takayanagi, M. Quantitative analysis of ingredients of blueberry fruits by near infrared spectroscopy. J. Near Infrared Spectrosc. 22, 357-365 (2014).
  4. Hasegawa, T., Tasumi, M. . Chemometrics in infrared spectroscopic analysis. In: Introduction to Experimental Infrared Spectroscopy. , 97-113 (2015).
  5. Varmuza, K., Filzmoser, P. . Introduction to Multivariate Statistical Analysis in Chemometrics. , (2009).
  6. Kubelka, P. New contributions to the optics of intensely light-scattering materials. Part I. J. Opt. Soc. Am. 38, 448-457 (1948).
  7. Juang, R. H., Storey, D. E. Quantitative determination of the extent of neutralization of carboxylic acid functionality in carbopol 974P NF by diffuse reflectance fourier transform infrared spectrometry using Kubelka-Munk function. Pharm Res. 15, 1714-1720 (1998).
  8. Ogiwara, I., Ohtsuka, Y., Yoneda, Y., Sakurai, K., Hakoda, N., Shimura, I. Extraction method by water followed by microwave heating for analyzing sugars in strawberry fruits. J. Jpn. Soc. Hort. Sci. 68, 949-953 (1999).
  9. Che, J., Suzuki, S., Ishikawa, S., Koike, H., Ogiwara, I. Fruit ripening and quality profile of 64 cultivars in three species of blueberries grown in Tokyo. Hort. Res. (Japan). 8, 257-265 (2009).
  10. Pomerantsev, A. L. . Chemometrics in Excel. , (2014).
  11. Jiang, H. J., Berry, R. J., Siesler, H. W., Ozaki, Y. Wavelength Interval Selection in Multicomponent spectral analysis by moving window partial least-squares regression with applications to mid-infrared and near-infrared spectroscopic data. Anal. Chem. 74, 3555-3565 (2002).
  12. Edney, M. J., Morgan, J. E., Williams, P. C., Campbell, L. D. Analysis of feed barley by near infrared reflectance spectroscopy. J. Near-Infrared Spectrosc. 2, 33-41 (1994).
  13. Mathison, G. W., et al. Prediction of composition and ruminal degradability characteristics of barley straw by near infrared reflectance spectroscopy. Can. J. Anim. Sci. 79, 519-523 (1999).
  14. Chiara, F., et al. Analysis of anthocyanins in commercial fruit juices by using nano-liquid chromatography electrospray-mass spectrometry and high performance liquid chromatography with UV-vis detector. J. Separation Sci. 34, 150-159 (2011).
  15. Li, Q., et al. Antioxidant anthocyanins screening through spectrum-effect relationships and DPPH-HPLC-DAD analysis on nine cultivars of introduced rabbiteye blueberry in China. Food Chemistry. 132, 759-765 (2013).
  16. Sinelli, N. Evaluation of quality and nutraceutical content of blueberries (Vaccinium corymbosum L.) by near and mid-infrared spectroscopy. Postharvest Biol. Technol. 50, 31-36 (2008).
  17. Giusti, M. M., Wrolsted, R. E., Wrolstad, R. E., Schwartz, S. J. Anthocyanins: characterization and measurement with UV-visible spectroscopy. Current Protocols in Food Analytical Chemistry. , 1-13 (2001).

Play Video

Cite This Article
Bai, W., Yoshimura, N., Takayanagi, M., Che, J., Horiuchi, N., Ogiwara, I. Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements. J. Vis. Exp. (112), e53981, doi:10.3791/53981 (2016).

View Video