Discrimination of Coffee Bean Species Based on Aroma Compounds

Význam tématu

Analýza aromatických látek v kávových zrnách má přímý význam pro kvalitu produktu, detekci podvodů (např. míchání Robusta do 100% Arabica směsí) a pro kontrolu surovin v potravinářském průmyslu. Rychlá, senzitivní a reprodukovatelná metoda založená na GC-MS/MS s automatizovaným odběrem vzorku nabízí praktickou alternativu k časově náročným extrakčním postupům (např. NMR extrakce lipofilních složek) a umožňuje současně identifikovat charakteristické aroma-markery jednotlivých druhů kávy.

Cíle a přehled studie

Cílem bylo ověřit, zda je možné diskriminovat dva hlavní komerční druhy kávy — Coffea arabica (Arabica) a Coffea canephora (Robusta) — na základě profilů těkavých aromatických látek získaných metodou HS-SPME GC-MS(/MS) a následné multivariační statistiky. Studie porovnala datové režimy Scan a MRM, použila databázi Smart Aroma Database pro identifikaci a eMSTAT Solution (a dále Signpost MS pro zarovnání) pro exploratorní i diskriminační analýzy včetně tvorby SVM modelu pro klasifikaci neznámých vzorků.

Použitá metodika

• Vzorky: komerčně pražená zrna z jedné pražírny — 4 značky Arabica (Kilimanjaro, Brazil Bourbon, Mandheling G1, Brazil No.2 #18) a 2 značky Robusta (Vietnam, Java). Každá značka byla rozemleta; 1 g nasypán do uzavíratelné vialky; analýzy provedeny trojmo.
• Příprava: koncentrace těkavin metodou HS-SPME (headspace solid-phase microextraction) bez dalšího složitého předzpracování.
• Chromatografie: nízkopolární kapilární kolona SH-I-5Sil MS (30 m × 0,25 mm, df 0,25 µm), splitless injekce, nosný plyn helium, teplotní program 50 °C (0–5 min) → 10 °C/min do 250 °C (25–35 min).
• Hmotnostní spektrometrie: elektronová ionizace (EI), rozhraní 250 °C, iontové zdroj 200 °C; měření v módu Scan (m/z 35–400) a v režimu MRM pro vyšší citlivost a selektivitu.
• Identifikace: Smart Aroma Database — obsahuje ~500 MRM podmínek a aroma popisů; data alignment proveden Signpost MS; statistická analýza pomocí eMSTAT Solution (PCA, PLS-DA, cluster analýza, SVM pro klasifikaci).

Použitá instrumentace

• GC-MS/MS: Shimadzu GCMS-TQ 8040 NX (triple quadrupole).
• Autosampler: Shimadzu AOC-6000 multifunkční autosampler (HS-SPME kompatibilní).
• Kolona: SH-I-5Sil MS (P/N 221-75954-30).
• Databáze: Smart Aroma Database (GC-MS(/MS) MRM podmínky a senzoriální komentáře).
• Software pro zarovnání/identifikaci: Signpost MS (Reifycs Inc.).
• Statistická platforma: eMSTAT Solution (exploratorní a diskriminační modely).

Hlavní výsledky a diskuse

• Scan data: po zarovnání bylo přiřazeno 210 sloučenin; hierarchická klasifikace a PCA ukázaly jasné rozdělení Arabica vs. Robusta (oddělení do dvou shluků).
• MRM data: ze ~500 registrací v databázi bylo v režimu MRM identifikováno 178 sloučenin; při zarovnání Signpost MS celkem 210 sloučenin, z toho 175 bez chybějících hodnot použito pro statistiku.
• Multivariační analýzy: PCA, PLS-DA a hierarchické shlukování (v eMSTAT Solution) opět potvrdily jasné oddělení skupin; MRM režim zvýšil citlivost a reprodukovatelnost signálů.
• Charakteristické sloučeniny: Arabica byla obohacená o 5-methylfurfural, acetoin a furaneol acetát (popis aroma: pražené, krémové, karamelové tóny), což koresponduje s očekávanou vyšší aromatickou kvalitou Arabica. Robusta vykazovala vyšší obsah p-vinylguaiacolu (clove/curry, spojeno s medicinálním/off-flavor), což může přispívat k hořkosti a nežádoucím vedlejším vjemům.
• Vizualizace: MS chromatogramy i boxploty (LabSolutions Insight GCMS + eMSTAT) jasně ilustrovaly rozdíly distribuce vybraných markerů mezi druhy.
• Discriminatory model: SVM model vytvořený v eMSTAT (leave-one-brand-out – trénink na 3 Arabica + 2 Robusta, test vyřazené Arabica) úspěšně klasifikoval všechny testované Arabica značky s body skóre 85–100, což svědčí o vysoké přesnosti metody pro praktické rozlišení druhů.

Přínosy a praktické využití metody

• Rychlost a jednoduchost: HS-SPME automatizovaný autosamplerem AOC-6000 eliminuje potřebu složitého extrakčního předzpracování; použitý teplotní rampový program zrychluje analýzu bez velké ztráty rozlišení.
• Citlivost a selektivita: režim MRM v triple quadrupolu zvyšuje citlivost a reprodukovatelnost identifikace aroma-komponent versus klasický Scan režim.
• Komplexní workflow: od vzorku přes identifikaci (Smart Aroma Database) až po statistickou klasifikaci (eMSTAT Solution) — umožňuje laboratorím zavést rutinní kontrolu druhové autenticity a hledání charakteristických markerů.
• Praktické aplikace: kontrola kvality surovin, ověřování deklarovaného původu a složení směsí, podpora senzorických hodnocení a vývoj směsí s požadovaným aroma profilem.

Budoucí trendy a možnosti využití

• Rozšíření databází: doplnění Smart Aroma Database o další relevantní aroma-komponenty z různých původů a stupňů pražení zvýší robustnost identifikací.
• Standardizace pracovních postupů: vypracování validovaných protokolů HS-SPME/GC-MS/MS pro potravinářskou kontrolu a forenzní zkoušky potravin proti podvodům.
• Integrace s chemometrickými pipeline: automatizované modely strojového učení (ensemble metody, hluboké učení) pro lepší generalizaci na nové původy a směsi.
• Širší aplikace: metoda je přenositelná na další potravinářské komodity, kde aroma slouží jako marker původu nebo kvality (čaj, kakao, koření).

Závěr

Analýza těkavých aromatických sloučenin pomocí HS-SPME GC-MS/MS v kombinaci se Smart Aroma Database a eMSTAT Solution pro statistickou analýzu poskytuje rychlý, citlivý a reprodukovatelný přístup k rozlišení Arabica a Robusta. Studie prokázala, že MRM akvizice zvyšuje spolehlivost identifikací a že multivariační metody (PCA, PLS-DA, hierarchické shlukování a SVM) umožňují vyvinout vysoce přesné diskriminační modely. Metoda nabízí praktickou cestu pro rutinní kontrolu autenticity a identifikaci charakteristických aroma markerů v kávě.

Reference

1. Y. Gunning et al., Food Chemistry, 2018, vol. 248, s. 52-60.