Software, ICP/MS
ZaměřeníPotraviny a zemědělství
VýrobceAgilent Technologies
Význam tématu
Čaj je jedním z nejrozšířenějších nápojů světa a představuje cennou zemědělskou komoditu. S rostoucí poptávkou po vysoce hodnotných odrůd, jako je Darjeeling, se zvyšuje riziko podvodného označování původu. Elementální profilování pomocí hmotnostní spektrometrie s indukčně vázaným plazmatem (ICP-MS) nabízí objektivní a robustní nástroj pro ověření geografického původu čaje a ochranu spotřebitelů i producentů před nekalými praktikami.
Cíle a přehled studie
Cílem studie bylo vyvinout a ověřit metodiku založenou na elementálním otisku pro autentizaci pěti hlavních čajových oblastí v Indii (Assam, Darjeeling, Nilgiri, Kangra a Tripura) doplněnou modely strojového učení. Celkem bylo analyzováno 150 vzorků z osmi odlišných regionů a zpracována data pomocí softwaru Agilent Mass Profiler Professional (MPP) s cílem rozlišit původ a otestovat přesnost modelů pro předpověď neznámých vzorků.
Použitá metodika
Vzorky čaje z osmí regionů byly sušeny, homogenizovány a přesně váženy (0,50 ± 0,01 g). Následovala mikrovlnná mineralizace v kyselinách, ochlazení a doplnění objemu na 40 ml. Kvantitativní analýza 68 prvků byla prováděna v jediné dávce pomocí režimu kolizního plynu helium s kinetickou diskriminací energie (He KED). Pro modeli byly vybrány 18 prvků vykazujících nejvyšší variabilitu mezi oblastmi. Kvalita metody byla ověřena detekčními limity, kontrolou kvality během runu a testem recovery po přidání standardů v různých koncentracích.
Použitá instrumentace
- Agilent 7850 ICP-MS s Octopole Reaction System ORS4
- Ultrahigh Matrix Introduction (UHMI)
- MicroMist nebulizér a chladící komůrka
- Quartzová hořáková trubice a niklové kužely
- Autosampler Agilent SPS 4
- Software Agilent ICP-MS MassHunter a Agilent Mass Profiler Professional (verze 15.1)
Hlavní výsledky a diskuse
Detekční limity pro vybraných 18 prvků dosahovaly subppb úrovně, metodická opakovatelnost byla pod 5 % RSD. PCA zachytila 72 % celkové variance ve třech osách a prokázala jasné rozlišení regionů na základě vzájemných rozdílů v koncentracích prvků jako Sr, Ba, B, Cs, La, Rb, Mo, Ce a Nd. Validace metodiky zahrnovala spike recovery studie s výsledky 92–107 % a RSD pod 5 %. Pro predikci původu byly vybudovány dva statistické modely (LDA a SVM). Oba modely správně zařadily všech 24 neznámých vzorků (3 × 8 regionů) s vysokou mírou důvěry (0,88–0,92 pro SVM a 0,94–0,99 pro LDA).
Přínosy a praktické využití metody
Metoda umožňuje spolehlivou a rychlou autentizaci čajových výrobků v rámci běžného laboratorního workflow. Široký dynamický rozsah ICP-MS a jednotné provozní podmínky usnadňují analýzu většího množství prvků bez nutnosti přenastavování. Výsledky lze využít v certifikačních procesech, při kontrole kvality v potravinářských firmách a v regulačních orgánech pro boj proti padělání.
Budoucí trendy a možnosti využití
Očekává se rozšíření elementálních databází pro širší spektrum potravin, integrace s metodami izotopového zkoumání a využití pokročilých algoritmů strojového učení. Miniaturizace a vývoj přenosných ICP-MS přístrojů by mohly umožnit rychlou autentizaci přímo v terénu. Kombinace dat z různých analytických technik zajistí ještě vyšší spolehlivost identifikace původu.
Závěr
Elementální profilování čaje pomocí Agilent 7850 ICP-MS a chemometrické analýzy v MPP software účinně odlišilo osm indických čajových regionů. Metoda poskytuje vysokou citlivost, přesnost a opakovatelnost a může být univerzálně využita pro ochranu proti potravinovým podvodům.
Reference
- FAO, Commodities Tea
- Indian Chamber of Commerce, Sector Tea
- Nelson a kol., Authentication of Specialty Teas, Food Quality Safety 2018
- Nelson a kol., US FDA EAM 4.7 ICP-MS Method, Agilent 5994-2839EN
- Dong a kol., Agilent 7800 ICP-MS, Agilent 5994-0842EN
- Sakai a kol., Agilent 7900 ICP-MS, Agilent 5991-4556EN
- Nelson a kol., Metal content of spices, Food Quality Safety 2019
- Xu a kol., Authenticating Rice by Elemental Profiling, Agilent 5994-4043EN
- Octopole Collision Reaction Cell, Agilent 5994-1172EN
Obsah byl automaticky vytvořen z originálního PDF dokumentu pomocí AI a může obsahovat nepřesnosti.