Summary

Costruzione di modelli per la previsione non distruttivo di principio Contenuti di mirtilli mediante spettroscopia nel vicino infrarosso Sulla base di HPLC Misure

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

Spettroscopia nel vicino infrarosso (NIR) è ampiamente applicato come una tecnica non distruttiva per analizzare il contenuto di frutta e verdura di vario genere. 1,2 distruttivo analisi mediante spettroscopia NIR consentire la spedizione di solo frutta e verdura deliziosi con qualità garantita. spettroscopia NIR è già stato applicato a arancia, mela, melone, ciliegia, kiwi, mango, papaya, pesca e così via per conoscere il loro Brix che corrisponde al contenuto totale di zuccheri, acidità, TSC (solidi totali contenuti), e così via . Recentemente, abbiamo riportato l'applicazione della spettroscopia NIR per la valutazione della qualità di mirtilli. 3 Abbiamo misurato non solo il contenuto totale di zuccheri e il contenuto totale di acidi organici corrispondente acidità, ma anche il contenuto di antociani totale. Antociani è un componente bioattivo che si crede di migliorare la salute umana. E 'conveniente per i consumatori se possono comprare mirtilli deliziosi con una garanzia del loro contenuto di zucchero, acinva, e contenuto di antociani.

In NIR spettri di assorbimento di frutta e verdura, si osservano solo bande di assorbimento larghe. Sono principalmente le bande dovute alla fibra e umidità. Anche se molte band deboli dovuti a vari ingredienti del target non-distrutto si osservano simultaneamente, le bande osservate non possono essere assegnati a specifici modi vibrazionali di componenti specifici del target in molti casi. Pertanto, la tecnica tradizionale per determinare il contenuto di un componente specifico utilizzando la legge di Lambert-Beer non è efficace per spettri NIR. Invece, modelli di calibrazione per predire il contenuto dei componenti di destinazione dagli spettri osservati sono costruiti utilizzando chemiometria esaminando la correlazione tra gli spettri osservati e il contenuto degli ingredienti corrispondenti agli spettri. 4,5 Qui, un protocollo per costruire e validare i modelli per la previsione del contenuto totale di zuccheri, contenuto in acidi organici totale corrispondente a aCIDITy, e contenuto totale di antociani dei mirtilli da spettri NIR è presentato.

La Figura 1 mostra il diagramma di flusso generale di costruire modelli taratura affidabili e robusti. I campioni di numero sufficiente sono raccolti. Alcuni di essi sono utilizzati per la realizzazione di modelli, mentre gli altri sono usati per la validazione dei modelli costruiti. Per ciascuno dei campioni raccolti, uno spettro NIR è misurata, e quindi i componenti di destinazione vengono analizzati quantitativamente con metodi di analisi chimica distruttivi tradizionali. Qui, cromatografia liquida ad alta prestazione (HPLC) è utilizzato per le analisi chimiche di zuccheri, acidi organici, e antocianine. minimi quadrati parziali (PLS) regressione viene utilizzato per la realizzazione di modelli di calibrazione in cui analisi viene esaminata la correlazione tra gli spettri osservati ei contenuti ingredienti determinato dalla chimica. Al fine di costruire modelli robusti con la migliore capacità di previsione, i pretrattamenti di osserved spettri e le regioni lunghezza d'onda utilizzata per la previsione sono anche esaminati. Infine, i modelli costruiti sono validati per confermare la loro capacità di previsione sufficiente. Nella convalida, il contenuto previsto dallo spettro osservato dal modello costruito (valori previsti) sono confrontati con i contenuti determinate dalle analisi chimiche (valori osservati). Se la correlazione sufficiente non può essere trovato tra i valori previsti e osservati, il modello di calibrazione deve essere ri-costruito fino ad ottenere la correlazione sufficiente. Anche se è preferibile utilizzare diversi gruppi di campioni per la costruzione e la validazione di un modello come mostrato in questa figura (validazione esterna), campioni in uno stesso gruppo vengono utilizzati sia per la costruzione e la validazione (validazione incrociata) quando il numero di campioni non è abbastanza grande.

Figura 1
FIGURA 1. Diagramma di flusso per la costruzione e la validazione del modello di calibrazione. Le procedure, circondati da linee blu e verde corrispondono, rispettivamente, alla costruzione di un modello di calibrazione e la sua validazione. Cliccate qui per vedere una versione più grande di questa figura.

Protocol

1. Raccolta dei campioni Decidere quali cultivar sarà incluso nel target del modello di calibrazione. Raccogliere il numero sufficiente e vari tipi di mirtilli campioni delle cultivar di destinazione. Raccogliere preferibilmente 100 mirtilli per la costruzione del modello di calibrazione, e almeno 10 per la validazione del modello costruito. Al fine di costruire modelli robusti, raccogliere campioni di vario tipo, cioè con i vari colori, dimensioni, e in diverse condizioni di mat…

Representative Results

La figura 2 mostra un esempio di un insieme di spettri NIR assorbimento di mirtilli dove spettri di 70 mirtilli sono presenti simultaneamente. Dal momento che le bande sicuramente assegnabili a zuccheri, acidi organici, o antocianine non vengono osservate negli spettri NIR, la legge tradizionale di Lambert-Beer non è applicabile per quantificare il contenuto degli ingredienti. Pertanto, la costruzione di modelli per la previsione dei contenuti ingrediente è necessario….

Discussion

Alcuni ulteriori commenti sul protocollo sono descritte qui. In primo luogo, nel passo 1.1, è menzionato per decidere le cultivar incluse nel bersaglio. Anche se è possibile costruire modelli che coprono mirtilli da molte cultivar o senza specificare cultivar, le precisioni pronostici con i modelli sono a volte molto inferiori a quelli con i modelli per una singola cultivar e per le cultivar limitate. Va inoltre notato che i modelli di calibrazione devono essere costruiti per i mirtilli da ogni sito di produzione per …

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