Summary

Bouw van modellen voor destructieve Voorspelling van Ingredient Inhoud in Bosbessen door Near-Infrared Spectroscopy Op basis van HPLC Metingen

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

Nabij-infrarood (NIR) spectroscopie wordt op grote schaal toegepast als een niet-destructieve techniek om de inhoud van groenten en fruit van verschillende soorten te analyseren. 1,2 destructieve analyse door NIR-spectroscopie in staat de verzending van alleen lekker fruit en groenten met gegarandeerde kwaliteit. NIR-spectroscopie reeds toegepast sinaasappel, appel, meloen, kers, kiwi, mango, papaja, perzik enzovoort hun Brix die overeenkomt met het totale suikergehalte, zuurgraad, TSC (totale vaste inhoud) kent, enzovoort . Onlangs hebben we de toepassing van NIR-spectroscopie om de kwaliteitsbeoordeling van bosbessen gemeld. 3 We maten niet alleen het totale suikergehalte en het totale gehalte aan organisch zuur dat overeenstemt met zuren, maar ook de totale anthocyaninegehalte. Anthocyanine is een bioactieve component die wordt verondersteld om menselijke gezondheid te verbeteren. Het is handig voor de consument als ze heerlijke bosbessen kunt kopen met een garantie van hun suikergehalte, acidity en anthocyaan inhoud.

In NIR absorptie spectra van groenten en fruit, worden alleen brede absorptiebanden waargenomen. Het zijn voornamelijk de banden door vezels en vocht. Hoewel veel zwakke banden door verschillende bestanddelen van de niet-vernietigde doelwit gelijktijdig waargenomen, de waargenomen banden niet specifieke trillingsmodes van specifieke onderdelen van het doelwit meestal toegewezen. Daarom is de traditionele techniek om de inhoud van een bepaalde component via de wet van Lambert-Beer bepalen is niet effectief voor NIR spectra. In plaats daarvan, kalibratiemodellen de inhoud van de beoogde componenten van de waargenomen spectra worden met gebruik chemometrie door onderzoek van de correlatie tussen de waargenomen spectra en het ingrediënt inhoud overeenkomt met de spectra hier voorspellen. 4,5, een protocol te bouwen en te valideren modellen voor het voorspellen van het totale suikergehalte, totaal gehalte aan organisch zuur dat overeenstemt met acidity, en de totale anthocyaan inhoud van blauwe bessen uit NIR spectra wordt gepresenteerd.

Figuur 1 toont de algemene stroomdiagram betrouwbare en robuuste calibratiemodellen construeren. Monsters van voldoende worden verzameld. Sommigen van hen zijn gebruikt voor de constructie van modellen terwijl de andere worden gebruikt voor de validatie van de geconstrueerde modellen. Voor elk van de verzamelde monsters, wordt een NIR spectrum gemeten en de doelcomponenten kwantitatief geanalyseerd met traditionele destructieve chemische analysemethoden. Hier is high-performance vloeistofchromatografie (HPLC) worden de chemische analyse van suikers, organische zuren en anthocyanen. Partiële kleinste kwadraten (PLS) regressie wordt gebruikt voor de constructie van calibratiemodellen waarbij de correlatie tussen de waargenomen spectra en de inhoud ingrediënt bepaald door chemische analyses onderzocht. Met het oog op robuuste modellen met de beste voorspelling vermogen, de voorbehandelingen van opmer construerenved spectra en de golflengte regio's gebruikt voor het voorspellen worden ook onderzocht. Ten slotte worden de geconstrueerde modellen gevalideerd om hun voorspelling voldoende vermogen te bevestigen. In de validatie, de inhoud voorspeld uit de waargenomen spectrum van het geconstrueerde model (voorspelde waarde) wordt vergeleken met de door de chemische analyses (gemeten waarden) inhoud. Indien onvoldoende correlatie niet kunnen worden gevonden tussen de voorspelde en gemeten waarden, de calibratiemodel opnieuw worden opgebouwd tot voldoende correlatie wordt verkregen. Hoewel het de voorkeur om verschillende groepen van monsters voor de bouw en validatie van een model dat in deze figuur weergegeven (externe validatie) worden monsters in eenzelfde groep zowel gebruikt voor de constructie en de validatie (kruisvalidatie) wanneer het aantal monsters niet groot genoeg is.

Figuur 1
FIGUUR 1. Stroomdiagram voor de bouw en validatie van de kalibratie-model. De procedures omgeven door blauwe en groene lijnen overeenkomen, respectievelijk, om de bouw van een kalibratie-model en de validatie. Klik hier om een grotere versie van deze figuur te bekijken.

Protocol

1. Het verzamelen van monsters Bepaal welke cultivars zullen worden opgenomen in het doel van de kalibratie model. Verzamel voldoende aantal verschillende typen monster bosbessen van het doel cultivars. Verzamel voorkeur 100 bosbessen voor de bouw van het ijkingsmodel, en minstens 10 voor de validatie van de geconstrueerde model. Om robuuste modellen te bouwen, het verzamelen van monsters van verschillende soorten, dat wil zeggen met verschillende kleuren, formaten en op verschille…

Representative Results

Figuur 2 toont een voorbeeld van een set van NIR absorptie spectra van bosbessen, waar spectra van 70 bosbessen gelijktijdig worden getoond. Omdat de bands zeker toewijsbaar aan suikers, organische zuren, of anthocyanen niet in de NIR spectra worden waargenomen, traditionele Lambert-Beer wet is niet van toepassing op de inhoud ingrediënt kwantificeren. Daarom is de constructie van modellen voor het voorspellen van bestanddeel inhoud noodzakelijk. <p class="jove_cont…

Discussion

Enkele aanvullende opmerkingen over het protocol worden hier beschreven. Ten eerste in stap 1,1 wordt vermeld de cultivars in het doel bepalen. Hoewel het mogelijk is om modellen die bosbessen uit vele cultivars of zonder opgave cultivars construeren, de voorspelling nauwkeurigheden de modellen zijn soms veel lager dan die met de modellen voor één cultivar en voor beperkte cultivars. Ook moet worden opgemerkt dat de kalibratiemodellen worden geconstrueerd uit elk bosbessen productielocatie naar hoog voorspelling prest…

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