Discrimination of Different Unifloral Honeys Using an Untargeted High-Definition Mass Spectrometry Metabolomic Workflow

Význam tématu

Med je často předmětem falšování přidáváním levnějších sladidel a nesprávným označením botanického původu. Takové praktiky ohrožují důvěru spotřebitelů a kvalitu trhu. Moderní metabolomické metody založené na UPLC-HDMS v kombinaci s pokročilou statistickou analýzou umožňují odhalovat unikátní biomarkery pro jednotlivé jednoflorální medy.

Cíle a přehled studie

Cílem studie bylo ověřit schopnost untargeted metabolomiky (UPLC-HDMS E) rozlišit medy z řepky, vřesu, pohanky a Manuky. Klíčové kandidáty na markery byly následně potvrzeny cílenou metodou UPLC-MS/MS.

Použitá metodika a instrumentace

Vzorky medu se pouze naředily metanolem s 1% kyselinou mravenčí, protřepaly, sonikovaly a odstředily. Analýza proběhla ve dvou krocích:

• Untargeted UPLC-HDMS E ve dvojím ionizačním módu (ESI+ a ESI–) na systému ACQUITY UPLC I-Class se SYNAPT G2-Si HDMS. Data se zpracovala v MassLynx v4.1 a Progenesis QI s modulem EZinfo.
• Cílená UPLC-MS/MS analýza přechodů leptosperinu v režimu MRM na přístroji Xevo TQ-S s TargetLynx XS.

Hlavní výsledky a diskuse

PCA a OPLS-DA modely z dat ESI– HDMS E jasně oddělily skupiny medů (řepka, vřes, pohanka, Manuka) a QC vzorky. Pomocí S-plotu byly vybrány nejvýznamnější markery, mezi něž patří methyl syringate, leptosin a leptosperin, které vykazují výrazné zvýšení v Manuka medech. Cílené MRM chromatogramy potvrdily selektivní přítomnost leptosperinu pouze v Manuka vzorcích.

Přínosy a praktické využití metody

Metabolomický přístup nabízí vysokou citlivost, selektivitu a komplexní pohled na složení medu. Lze jej nasadit v kontrolních laboratořích pro rychlou detekci falšování a ověření botanického původu komerčních i regulačních vzorků.

Budoucí trendy a možnosti využití

• Rozšiřování a standardizace databází rostlinných metabolitů pro přesnější identifikaci.
• Integrace iontové mobility k vylepšené separaci izomerů a zlepšení spektrální specificity.
• Automatizované bioinformatické workflow propojené se strojovým učením pro predikci původu a detekci nových forem falšování.
• Multiparametrická analýza kombinuje UPLC-HDMS s dalšími technikami (NMR, FT-IR) pro komplexní profilování vzorků.

Závěr

Studie prokázala, že kombinace UPLC-HDMS E a multivariační statistiky je efektivní pro rozlišení jednoflorálních medů a objev klíčových biomarkerů. Cílená MS/MS metoda potvrdila selektivitu markerů a podporuje jejich aplikaci v rutin­ních kontrolních protokolech.

Reference

• Spink D., Moyer D. C. Defining the public health threat of food fraud. Journal of Food Science, 76(9): R157–R163, 2011.
• European Commission. Coordinated control plan on honey, 2015.
• Pita-Calvo C., Vázquez M. Analytical methods used in the quality control of honey. Journal of Agricultural and Food Chemistry, 65:690–703, 2017.
• Ministry for Primary Industries New Zealand. Manuka honey labeling guidance, 2014.
• Spiteri M. et al. Combination of 1H NMR and chemometrics to discriminate Manuka honey from other floral types. Food Chemistry, 217:766–772, 2017.
• Jandric S. et al. Assessment of fruit juice authenticity using UPLC–QToF MS: A metabolomics approach. Food Chemistry, 148:7–17, 2014.
• Dai W. et al. Nontargeted UPLC-QToF MS uncovers effects of harvest season on tea metabolites. Journal of Agricultural and Food Chemistry, 63:9869–9878, 2015.
• Black C. et al. A comprehensive strategy to detect the fraudulent adulteration of herbs: The oregano approach. Food Chemistry, 210:551–557, 2016.
• Jandric S. et al. Discrimination of honey of various floral and geographical origins using UPLC-QToF MS and multivariate data analysis. Food Control, 72:189–197, 2017.
• Kato Y. et al. Authentication of Manuka honey by measuring leptosperin with methyl syringate. Journal of Agricultural and Food Chemistry, 62(27):6400–6407, 2014.