Analysis of Coffee Aroma Components with Agilent PAL3 Autosampler and 7010B GC/TQ

Význam tématu

Analýza složek odpovědných za aroma kávy je stěžejní pro pochopení senzorických vlastností a kvality této oblíbené komodity. Káva obsahuje stovky těkavých organických sloučenin, jejichž koncentrace a kombinace ovlivňuje chuťový profil. Pro komplexní charakterizaci aroma je nezbytné použít metody schopné pokrýt široké spektrum vůní s vysokou citlivostí.

Cíle a přehled studie / článku

Cílem studie bylo porovnat a kombinovat čtyři bezrozpouštědlové techniky automatického odběru vzorků – statický headspace, dynamický headspace ITEX, SPME a SPME Arrow – využívající PAL3 RTC autosampler a analyzátoru Agilent 7010B GC/TQ v režimu full-scan. Studie se zaměřila na maximalizaci počtu identifikovaných sloučenin a na využití softwaru MassHunter Unknowns Analysis pro robustní dekonvoluci a knihovní vyhledávání.

Použitá metodika a instrumentace

• PAL3 RTC autosampler s výměnnými nástroji pro statický headspace, ITEX, SPME a SPME Arrow
• Agilent 8890 GC v kombinaci s 7010B GC/TQ systémem v režimu full-scan
• Chromatografická kolona J&W HP-5ms Ultra Inert 30 m × 0,25 mm, 0,25 µm
• Software Agilent MassHunter Unknowns Analysis (Wiley/NIST knihovny, dekonvoluce a blank subtraction)
• Vzorek: 0,25 g mleté kávy doplněné 0,5 mL ultrapure vody

Hlavní výsledky a diskuse

Průzkum odhalil 146 sloučenin relevantních pro aroma kávy. Z nich bylo unikatně detekováno 6 při statickém headspace, 48 metodou ITEX, 27 konvenční SPME a 11 technikou SPME Arrow. Dekonvoluce masových spekter významně zvýšila kvalitu identifikace koelujících stopových sloučenin, zvláště sírových, s vysokým senzorickým dopadem. SPME Arrow prokázala vyšší citlivost díky větším sorpčním plochám, přičemž bylo nutné upravit podmínky, aby nedošlo k saturaci detektoru.

Přínosy a praktické využití metody

• Bezrozpouštědlová příprava vzorků s plnou automatizací
• Komplexní a reprodukovatelné aroma profily
• Snížená spotřeba kalibračních plynů a nižší údržba chromatografu
• Aplikace v rutinní kontrole kvality, výzkumu nových odrůd i vývoji produktů

Budoucí trendy a možnosti využití

V dalším vývoji lze využít režim MRM pro cílenou kvantifikaci klíčových markerů, optimalizovat split ratio a objem vstřiku pro maximální dynamický rozsah a rozšířit aplikaci na další potravinářské nebo environmentální matricové analýzy. Integrace strojového učení pro pokročilou interpretaci složitých dat přinese další zlepšení efektivity i přesnosti.

Závěr

Kombinace čtyř Agilent samplingových technik a dekonvolučního softwaru umožnila detailní zachycení 146 aroma složek kávy. Plně automatizovaný workflow poskytuje vysokou citlivost, široký záběr detekce a vynikající reprodukovatelnost, což je klíčové pro průmyslové i výzkumné účely.

Reference

• Thammarat P. et al. Identification of Volatile Compounds and Selection of Discriminant Markers for Elephant Dung Coffee. Molecules 2018, 23(8):1910.
• López-Galilea I. Changes in Headspace Volatile Concentrations of Coffee Brews. J. Agric. Food Chem. 2006, 54(22):8560–8566.
• Moon J.K., Shibamoto T. Formation of Volatile Chemicals from Thermal Degradation of Coffee Components. J. Agric. Food Chem. 2010, 58:5465–5470.
• Wei F., Tanokura M. Chemical Changes in Components of Coffee Beans During Roasting. In: Coffee in Health and Disease Prevention, 2015, 83–91.
• Amanpour A., Selli S. Differentiation of Volatile Profiles of Turkish and French Press Coffee. J. Food Process Preserv. 2016, 40(5):1116–1124.
• Aileen P. et al. Improved Detection of Key Odorants in Arabica Coffee. Food Chem. 2020, 302:125370.
• Ochiai N. et al. Multi-Volatile Method Using Sequential Dynamic Headspace. J. Chromatogr. A. 2014, 1371:65–73.
• The Good Scents Company Information System. 2022.