Classification of Olive Oils through the use of High Resolution GC/MS

Význam tématu

Rostoucí poptávka po extra panenském olivovém oleji v USA podtrhuje potřebu spolehlivých analytických metod pro rychlou a objektivní klasifikaci kvality. Tradiční senzorické testy jsou časově i finančně náročné a často podléhají subjektivním vlivům.

Cíle a přehled studie

Cílem bylo vyvinout statistický model založený na vysokorozlišovací GC/Q-TOF hmotnostní spektrometrii v módech EI a PCI, který dokáže predikovat výsledek senzorického testu (přijetí či zamítnutí jako EVOO) na základě přítomnosti klíčových markerů.

Použitá instrumentace

• Agilent 7890 GC spojený s 7200 Q-TOF MS
• Módy elektronového dopadu (EI) a pozitivní chemické ionizace (PCI)
• Software MassHunter Qual pro akvizici a zpracování dat
• Mass Profiler Professional (MPP) pro statistické hodnocení
• Molecular Structure Correlator (MSC) s databází ChemSpider pro substrukturní vyhledávání

Použitá metodika

• Příprava vzorků: 10 vzorků oleje z UC Davis, rozředěných 1:10 v cyklohexanu, cold splitless inject
• Chromatografická dekonvoluce a detekce ~150 vrcholů při filtraci 0,1 %
• Import CEF souborů do MPP, nastavení filtrů hojnosti a ion modelu
• Alignace retencí, baseline korekce, definice podmínek a filtrování složek
• Volcano plot k redukci z 442 na 5 statisticky významných složek (p<0,05, fold change ≥4)
• Analýzy PCA a PLS-DA pro konstrukci klasifikačního modelu

Hlavní výsledky a diskuse

Model založený na pěti vybraných markerech správně klasifikoval všechny vzorky dle výsledku senzorického testu, včetně externích testovacích vzorků. Identifikace sloučenin proběhla kombinací EI knihoven (Wiley, NIST), accurate mass PCI dat a MS/MS substrukturního vyhledávání pomocí MSC.

Přínosy a praktické využití metody

• Rychlá a objektivní selekce vzorků s vysokou přesností
• Možnost implementace v kontrolních laboratořích olivového průmyslu
• Snížení nákladů a eliminace subjektivních chyb senzorických panelů

Budoucí trendy a možnosti využití

• Rozšíření tréninkové databáze na stovky vzorků pro zvýšení robustnosti modelu
• Integrace pokročilých strojových algoritmů a umělé inteligence
• Automatizované online monitorování kvality během výroby
• Hloubkové studium chemických příčin senzorických defektů

Závěr

Studie dokazuje, že kombinace vysokorozlišovací GC/Q-TOF MS a multivariační analýzy umožňuje spolehlivě predikovat senzorickou kvalitu EVOO. Prediktivní model přináší rychlou a objektivní kontrolu kvality olivového oleje.

Reference

Gushue J., Baumann S., Aronova S. Classification of Olive Oils through the use of High Resolution GC/MS. PITTCON 2013.