GC/MSD, Příprava vzorků, GC/SQ
ZaměřeníPotraviny a zemědělství
VýrobceAgilent Technologies, GERSTEL, Anatune
Význam tématu
V analýze potravinářských a nápojových vzorků má profilace aromatických sloučenin klíčový význam pro kvalitu výrobků, sledování konzistence chutě a identifikaci možných kontaminantů. Automatizované metody extrakce s nízkým objemem rozpouštědel umožňují zkrátit čas přípravy, zvýšit reprodukovatelnost výsledků a omezit spotřebu organických rozpouštědel.
Cíle a přehled studie
Cílem studie bylo porovnat efektivitu dvou mikroskopických postupů kapalina-kapalina: dispersní liquid–liquid microextraction (DLLME) pro ochucené vody a nápoje a běžné LLME pro pomerančový džus. Pro srovnání byla použita také metoda HS-SPME. Analýza byla prováděna na GC-MS prostřednictvím automatického systému GERSTEL MPS.
Použitá instrumentace
- GERSTEL MPS robotic s dvojitou hlavou, nástroji USM (10 µl), PSM (1 ml), QuickMix a centrifugou
- SPME s vláknem DVB/CAR/PDMS
- Agilent GC 7890 B se selektivním ionizačním zdrojem (HES) spojený s MS 5977 B
- Kapilární kolona DB-FFAP (30 m×0,25 mm×0,25 µm), helia jako nosného plynu
Použitá metodika
- Vzorky: čtyři nápoje (minerální voda – blank, ochucená voda pomeranč-ananas, jablečno-černorybízový nápoj a 100% pomerančový džus)
- DLLME: do 6 ml vzorku přidáno 600 µl IPA a 500 µl směsi DCM/pentanu (80/20), míchání 3 min při 2000 rpm, centrifugace, odběr dolní fáze
- LLME pomerančového džusu: do vzorku 6 ml přidáno 2000 µl hexanu, míchání 3 min při 2000 rpm, centrifugace, odběr horní fáze
- HS-SPME: 6 ml vzorku v hlavičkových lahvích, inkubace 40 °C/20 min, adsorpce vlákna DVB/CAR/PDMS 10 min, desorpce 250 °C
- GC-MS: injekce splitless (1 µl) nebo velkoobjemový vstřik (10 µl), program pece 40 °C→200 °C (5 °C/min)→250 °C (10 °C/min), MS scan
Hlavní výsledky a diskuse
DLLME u ochucených vod a nápojů poskytlo selektivní extrakci méně těkavých složek s vysokou citlivostí při velkoobjemových vstupech. Chromatogramy (10 µl injekcí) ukázaly jedinečné profily pro každý vzorek a identifikaci klíčových aromatických sloučenin pomocí NIST knihovny. Srovnání s HS-SPME prokázalo, že SPME favorizuje vysoce těkavé látky a umožňuje detekci raných píků bez solventního zpoždění, avšak může být ovlivněna matricovými efekty a tzv. „poisoning“ vlákna.
LLME pomerančového džusu s hexanem přineslo čisté extrakty bez pulpy v extrakční fázi a umožnilo snadnou automatizaci. Srovnání s HS-SPME potvrdilo podobné dělení („těkavé vs. méně těkavé“) a poukázalo na význam volby extrakční techniky dle cílené skupiny slouženin.
Přínosy a praktické využití metody
- Automatizovaná mikroskopická extrakce s nízkými objemy rozpouštědel snižuje čas a náklady na přípravu vzorků
- Možnost přizpůsobit solventní směsi či vlákno pro specifické analytické potřeby
- Vhodné pro rutinní kontrolu kvality potravinářských výrobků a výzkumné účely
Budoucí trendy a možnosti využití
Očekává se další rozvoj kombinovaných technik (např. DLLME-SPME hybrydy), integrace s vysokorozlišeními MS a využití zelených rozpouštědel. Automatizace a miniaturizace extrakčních protokolů může podpořit rychlé screeningové analýzy v potravinářském průmyslu a environmentálních aplikacích.
Závěr
Studie demonstrovala, že volba mikroskopických extrakčních postupů významně ovlivňuje profil detekovaných aromatických látek. DLLME a LLME nabízejí robustní a citlivé přístupy pro méně těkavé složky, zatímco HS-SPME exceluje v zachycení vysoce těkavých sloučenin. Optimalizace parametrů a výběr vhodné techniky je klíčový pro spolehlivou analýzu potravinářských vzorků.
Reference
- Alan Hutchinson, Dan Carrier. AS182 – Fully Automated Method using Dispersive Liquid Liquid Micro Extraction (DLLME) for Extractable and Leachable studies.
- John Quick, Dan Carrier, Jon Dunscombe, Jeff Stubbs. AS186 – Initial work on Automating Dispersive Liquid Liquid Micro Extraction for EPA 8270.
- Jamie Minaeian, Phine Banks, John Quick, Peter Stoney. AS204 – NS30 Validated Automated Method for Liquid-Liquid Extraction of Epichlorohydrin from Water using GC/MS.
Obsah byl automaticky vytvořen z originálního PDF dokumentu pomocí AI a může obsahovat nepřesnosti.