Summary

Construction de modèles de prédiction non destructive des matières Ingrédient en Blueberries par spectroscopie proche infrarouge basée sur des mesures de CLHP

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

Proche infrarouge (NIR) est largement appliquée comme une technique non destructive pour analyser le contenu de fruits et légumes de toutes sortes. 1,2 Nondestructive analyse par spectroscopie NIR permettre à l'expédition de seulement délicieux fruits et légumes avec des qualités garanties. La spectroscopie NIR a déjà été appliquée à l'orange, pomme, melon, cerise, kiwi, mangue, papaye, pêche et ainsi de suite pour connaître leur Brix qui correspond à la teneur totale en sucre, acidité, TSC (solides totaux contenus), et ainsi de suite . Récemment, nous avons signalé l'application de la spectroscopie NIR à l'évaluation de la qualité des bleuets. 3 Nous mesurée non seulement la teneur totale en sucre et la teneur totale en acide organique correspondant à l' acidité, mais aussi la teneur en anthocyanes totale. L'anthocyanine est un composant bioactif qui est censé améliorer la santé humaine. Il est commode pour les consommateurs s'ils peuvent acheter de délicieux bleuets avec une assurance de leur teneur en sucre, acidité et teneur en anthocyanes.

Dans les spectres d'absorption NIR de fruits et légumes, seules des bandes d'absorption larges sont observés. Ils sont principalement les bandes dues à la fibre et de l'humidité. Bien que de nombreuses bandes faibles en raison de divers ingrédients de la cible non-destructed sont observées en même temps, les bandes observées ne peuvent pas être attribués à des modes vibratoires spécifiques des composants spécifiques de la cible dans la plupart des cas. Par conséquent, la technique traditionnelle pour déterminer la teneur d'un composant spécifique en utilisant la loi de Beer-Lambert est pas efficace pour les spectres NIR. Au lieu de cela, des modèles d'étalonnage pour prédire la teneur des composants à partir des spectres observés cibles sont construits à l' aide de la chimiométrie , en examinant la corrélation entre les spectres observés et le contenu de l' ingrédient correspondant aux spectres 4,5. Ici, un protocole de construire et de valider les modèles pour la prédiction de la teneur totale en sucre, teneur totale en acide organique correspondant à Acidity, et la teneur en anthocyanes totale de bleuets de spectres NIR est présenté.

La figure 1 montre l'organigramme général pour construire des modèles d'étalonnage fiables et robustes. Des échantillons de nombre suffisant sont collectés. Certains d'entre eux sont utilisés pour la construction de modèles, tandis que les autres sont utilisés pour la validation des modèles construits. Pour chacun des échantillons prélevés, un spectre proche infrarouge est mesurée, et ensuite les composants cibles sont analysés quantitativement par des méthodes d'analyse chimique destructive traditionnelles. Ici, la chromatographie liquide à haute performance (HPLC) est utilisée pour les analyses chimiques des sucres, des acides organiques et des anthocyanines. Moindres carrés partiels (PLS) regression est utilisé pour la construction de modèles d'étalonnage, où la corrélation entre les spectres observés et les teneurs en ingrédients déterminée par des analyses chimiques est examinée. Afin de construire des modèles robustes avec la meilleure capacité de prédiction, les prétraitements de obserLes spectres vés et les régions de longueurs d'onde utilisées pour la prédiction sont également examinés. Enfin, les modèles construits sont validés pour confirmer leur capacité de prédiction suffisante. La validation, le contenu prédit à partir du spectre observé par le modèle de construction (valeurs prédites) sont comparées aux teneurs déterminées par les analyses chimiques (valeurs observées). Si la corrélation suffisante ne peut pas être trouvé entre les valeurs prédites et observées, le modèle d'étalonnage doit être à nouveau réalisée jusqu'à ce que la corrélation suffisante soit obtenue. Bien qu'il soit préférable d'utiliser différents groupes d'échantillons pour la construction et la validation d'un modèle, comme indiqué sur cette figure (de validation externe), les échantillons d'un même groupe sont utilisés aussi bien pour la construction et la validation (validation croisée) lorsque le nombre d' échantillons ne sont pas assez grand.

Figure 1
Figure 1. Diagramme pour la construction et la validation du modèle d'étalonnage. Les procédures entourées par des lignes bleues et vertes correspondent, respectivement, à la construction d'un modèle d'étalonnage et sa validation. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Protocol

1. Prélèvement des échantillons Décidez quels cultivars seront inclus dans la cible du modèle d'étalonnage. Collecter nombre suffisant et divers types de bleuets échantillons des cultivars cibles. Recueillir de préférence 100 bleuets pour la construction du modèle d'étalonnage, et au moins 10 pour la validation du modèle construit. Afin de construire des modèles robustes, prélever des échantillons de divers types, soit avec différentes couleurs, tailles, et …

Representative Results

La figure 2 montre à titre d'exemple un ensemble de spectres d'absorption NIR de bleuets où les spectres de 70 bleuets sont présentés simultanément. Depuis les bandes définitivement assignables à des sucres, des acides organiques, ou les anthocyanes ne sont pas observées dans les spectres NIR, la loi traditionnelle de Beer-Lambert est sans objet pour quantifier le contenu des ingrédients. Par conséquent, la construction de modèles pour la prédiction d…

Discussion

Quelques commentaires supplémentaires sur le protocole sont décrits ici. Tout d'abord, à l'étape 1.1, il est mentionné pour décider les cultivars inclus dans la cible. Bien qu'il soit possible de construire des modèles couvrant les bleuets de nombreux cultivars ou sans préciser les cultivars, les exactitudes de prédiction avec les modèles sont parfois bien inférieurs à ceux des modèles pour un seul cultivar et cultivars limités. Il convient également de noter que les modèles d'étalonnage…

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