Summary

HPLC Ölçümleri dayanarak Yakın kızılötesi Spektroskopisi Yaban mersini içinde Hammadde İçeriği tahribatsız Tahmininde Modellerinin İnşaatı

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

Yakın-kızılötesi (NIR) spektroskopisi yaygın çeşitli meyve içeriğini ve sebze analiz etmek için tahribatsız tekniği olarak uygulanır. 1,2 Tahribatsız garantili nitelikleri ile sadece lezzetli meyve ve sebze nakliye etkinleştirmek NIR spektroskopisi ile analiz eder. NIR spektroskopisi böylece zaten portakal, elma, kavun, kiraz, kivi, mango, papaya, şeftali uygulandı ve böylece toplam şeker içeriği karşılık onların Brix, asitlik, TSC (toplam katı içeriği) bilmek ve . Son zamanlarda, biz. Yaban mersini kalite değerlendirmesine NIR spektroskopisi uygulanmasını bildirmiştir 3 Biz toplam şeker içeriği ve asitlik karşılık gelen toplam organik asit içeriğine değil, aynı zamanda toplam antosiyanin içeriği sadece ölçtük. Antosiyanin insan sağlığını iyileştirmek için inanılır bir biyolojik olarak aktif bir bileşendir. onların şeker içeriği, ac bir güvence ile lezzetli yaban mersini satın alabilirsiniz eğer tüketiciler için uygundurgeçerlik ve antosiyanin içeriği.

Meyve ve sebze NIR emiş spektrumları, sadece geniş emme bantları gözlemlenir. Genelde lif ve nemden dolayı bantlar vardır. bağlı olmayan tahrip hedef çeşitli maddeler çok zayıf bantlar, aynı anda gözlenir birlikte, gözlemlenen bantlar çoğu durumda hedefin özel bileşenlerin spesifik titreşim modları tahsis edilemez. Bu nedenle, Lambert-Beer yasası kullanarak belirli bir bileşenin içeriğini belirlemek için geleneksel teknik NIR spektrumları için etkili değildir. Bunun yerine, kalibrasyon modelleri gözlenen spektrumları ve spektrumları karşılık gelen madde içerikleri arasındaki ilişkiyi inceleyerek Kemometri kullanılarak inşa edilmiştir gözlenen spektrumları hedef bileşenlerinin içeriğini tahmin etmek. 4,5 Burada bir protokol oluşturmak ve modelleri doğrulamak için toplam şeker içeriği tahmininde, toplam organik asit içeriği acidi karşılık gelenty ve NUR spektrumları yaban mersini toplam antosiyanin içeriği sunulmaktadır.

Şekil 1, güvenli ve sağlam bir kalibrasyon modellerini oluşturmak için genel bir akım şemasını göstermektedir. yeterli sayıda örnekleri toplanır. Diğerleri inşa modellerin doğrulanması için kullanılan Bazıları modellerin yapımında kullanılır. Toplanan numunelerin her biri için, bir NIR spektrum ölçülür ve daha sonra hedef bileşenleri geleneksel yıkıcı kimyasal analiz yöntemleri ile kantitatif analiz edilir. Burada, yüksek performanslı sıvı kromatografisi (HPLC), şekerler, organik asitler, ve antosiyanin kimyasal analizler için kullanılır. Kısmi en küçük kareler (PLS) regresyon kimyasal tarafından belirlenen gözlenen spektrumları ve madde içerikleri arasındaki ilişki incelendiğinde analizleri kalibrasyon modellerinin yapımı için kullanılır. Sağlam iyi tahmin yeteneği olan modeller, glikozu ve ön terbiye inşa etmek üzereved spektrumları ve tahmini için kullanılan dalga boyu bölgeleri incelenmektedir. Son olarak, inşa modellerinin yeterli tahmin yeteneğini onaylamak için doğrulanır. doğrulama, içeriği kimyasal analizler (gözlenen değerler) tarafından belirlenen içerikler ile karşılaştırılır inşa modeli (tahmin edilen değerler) tarafından gözlenen spektrum öngördü. Yeterli ilişki tahmin ve gözlenen değerler arasındaki bulunamazsa eğer yeterli korelasyon elde edilinceye kadar, kalibrasyon modeli yeniden inşa edilmelidir. Bu şekilde (dış doğrulama) 'de gösterildiği gibi bir model inşası ve doğrulama için numune farklı grupları kullanılması tercih edilir, ancak, aynı gruptaki örnekleri ve diğer araştırma yöntemleri (çapraz validasyon) her iki kullanıldığı zaman sayısı numuneler yeterince büyük değil.

Şekil 1
FKalibrasyon modelinin oluşturulması ve onaylanması için ŞEKIL 1. akış şeması. mavi ve yeşil çizgilerle çevrili prosedürler kalibrasyon modeli ve doğrulama inşaatı, sırasıyla gelmektedir. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Protocol

Numunelerin 1. Koleksiyonu Kalibrasyon modeli hedefine dahil edilecek olan çeşitlerin karar verin. yeterli sayıda ve hedef çeşitlerinin örnek yaban mersini çeşitli toplayın. inşa modelin doğrulanması için tercihen 100 kalibrasyon modelinin oluşturulması için yaban mersini, ve en az 10 toplayın. Güçlü modelleri inşa etmek üzere, çeşitli renk, boyut ve çeşitli olgunlaşma koşulları yani çeşitli örnekleri toplamak. Her blueberry tart?…

Representative Results

Örnek olarak 70 yaban mersini spektrumları aynı anda gösterilen yaban mersini NIR soğurma spektrumları bir dizi 2 gösterileri Şekil. şekerler, organik asitler, ya da antosiyanin kesinlikle atanabilir bantları NIR spektrumları gözlenen olmadığından, geleneksel Lambert-Beer yasası madde içeriğini ölçmek için geçerli değildir. Bu nedenle, madde içeriğinin tahmininde modellerinin yapımı gereklidir. <p class="jove_content" fo:ke…

Discussion

protokol üzerinde bazı ek yorumlar burada açıklanmıştır. Öncelikle, adım 1.1, hedefe dahil çeşitlerin karar bahsedilmektedir. birçok çeşitler veya çeşitlerinin belirtmeden yaban mersini kapsayan modelleri inşa etmek mümkün olsa da, modelleri ile tahmin doğrulukları bazen tek bir çeşidi için modelleri ile daha sınırlı çeşitlerin için çok daha düşüktür. Ayrıca kalibrasyon modelleri farklı üretim sahalarında hasat yaban mersini tahmin performansını etkileyen farklı özelliklere sah…

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