Summary

Construção de Modelos de Previsão Nondestructive de Conteúdos ingrediente em mirtilos por espectroscopia no infravermelho próximo com base em medições de 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

Infravermelho próximo (NIR) é amplamente aplicada como uma técnica não destrutiva para analisar o conteúdo de frutas e vegetais de vários tipos. Analisa 1,2 Nondestructive por espectroscopia NIR habilitar o envio de apenas deliciosas frutas e vegetais com qualidades garantidas. espectroscopia NIR já foi aplicada ao laranja, maçã, melancia, cereja, fruta de kiwi, manga, papaia, pêssego e assim por diante para saber o seu Brix que corresponde ao teor total de açúcar, acidez, TSC (teor de sólidos totais), e assim por diante . Recentemente, relatou a aplicação da espectroscopia NIR para a avaliação de mirtilos qualidade. 3 Medimos não só o teor de açúcares totais e o teor de ácido orgânico total correspondente à acidez, mas também o conteúdo de antocianina total. A antocianina é um componente bioactivo que se crê melhorar a saúde humana. É conveniente para os consumidores se eles podem comprar deliciosos blueberries com uma garantia de seu teor de açúcar, acidity e teor de antocianinas.

Em NIR espectro de absorção de frutas e legumes, apenas largas bandas de absorção são observados. Eles são principalmente as bandas devido à fibra e à humidade. Embora muitas bandas fracas devido a vários ingredientes de o alvo não-destruído são observados simultaneamente, as bandas observadas não podem ser atribuídos a modos de vibração específicos de componentes específicos do alvo, na maioria dos casos. Portanto, a técnica tradicional para determinar o teor de um componente específico utilizando a lei de Lambert-Beer não é eficaz para espectros NIR. Em vez disso, modelos de calibração para prever o conteúdo dos componentes alvo a partir dos espectros observados são construídos utilizando quimiometria por examinar a correlação entre o espectro observado e o conteúdo de ingrediente correspondentes aos espectros de 4,5. Aqui, um protocolo para a construção e validar os modelos para a previsão de teor de açúcares totais, teor de ácido orgânico total correspondente ao ACIDIty, e teores de antocianinas totais de mirtilos de espectros NIR é apresentado.

A Figura 1 mostra o fluxograma geral para a construção de modelos de calibração confiáveis ​​e robustas. Amostras de número suficiente são coletados. Alguns deles são utilizados para a construção de modelos enquanto os outros são utilizados para a validação dos modelos construídos. Para cada uma das amostras recolhidas, um espectro de NIR é medida, e em seguida, os componentes alvo são analisados ​​quantitativamente com os métodos de análise química destrutivas tradicionais. Aqui, cromatografia líquida de alta eficiência (HPLC) é utilizada para as análises químicas de açúcares, ácidos orgânicos, e antocianinas. mínimos quadrados parciais (PLS) A regressão é usada para a construção de modelos de calibração em que a correlação entre o espectro observado e o conteúdo de ingrediente determinado por análise química é examinada. A fim de construir modelos robustos com a melhor capacidade de previsão, os pré-tratamentos de observed espectros e os comprimentos de onda utilizados para a predição são também examinados. Por fim, os modelos construídos são validados para confirmar a sua capacidade de previsão suficiente. Na validação, o conteúdo previsto a partir do espectro observado pelo modelo construído (valores previstos) são comparados com o conteúdo determinado pelas análises químicos (valores observados). Se a correlação suficiente não pode ser encontrada entre os valores previstos e observados, o modelo de calibração deve ser re-construída até que seja obtida a correlação suficiente. Embora seja preferível utilizar diferentes grupos de amostras para a construção e a validação de um modelo, como mostrado nesta figura (validação externa), amostras em um mesmo grupo são usados ​​tanto para a construção e a validação (validação cruzada) quando o número de amostras não é grande o suficiente.

figura 1
Figura 1. Fluxograma para a construção e validação do modelo de calibração. Os procedimentos cercado por linhas azuis e verdes correspondem, respectivamente, para a construção de um modelo de calibração e sua validação. Por favor clique aqui para ver uma versão maior desta figura.

Protocol

1. Coleta de Amostras Decidir qual cultivares serão incluídos no alvo do modelo de calibração. Recolhe número suficiente e vários tipos de amoras de amostra dos cultivares alvo. Recolha de um modo preferido 100 mirtilos para a construção do modelo de calibração, e, pelo menos, 10 para a validação do modelo construído. A fim de construir modelos robustos, recolher amostras de vários tipos, ou seja, com várias cores, tamanhos e em diferentes condições de maturação….

Representative Results

A Figura 2 mostra como um exemplo de um conjunto de NIR espectro de absorção de mirtilos, onde os espectros de 70 blueberries são mostrados simultaneamente. Uma vez que as bandas definitivamente atribuíveis aos açúcares, ácidos orgânicos, ou antocianinas não são observados no espectro de NIR, a lei de Lambert-Beer tradicional não é aplicável para quantificar os teores de ingredientes. Portanto, a construção de modelos para a predição de conteúdo de ingr…

Discussion

Alguns comentários adicionais sobre o protocolo são descritos aqui. Em primeiro lugar, no passo 1.1, menciona-se para decidir as cultivares incluídos no alvo. Embora seja possível construir modelos que cobrem blueberries de muitos cultivares ou sem especificar cultivares, as precisões de previsão com os modelos são, por vezes, muito mais baixa do que aqueles com os modelos para um único cultivar e para as cultivares limitados. Deve também notar-se que os modelos de calibração deve ser construído para mirtilo…

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