Investigation of Varietal Classification Method for Coffee Beans Using Aroma Compounds

Význam tématu

Autentizace kávy (rozdělení Coffea arabica vs. Coffea canephora) je v potravinářství zásadní pro zajištění kvality, ochranu značky a prevenci podvodů s deklarovaným podílem Arabicy. Tradiční markerové metody (např. lipofilní extrakty a NMR detekce 16-O-methylcafestolu) vyžadují složité přípravy vzorku. Vyšetřovaná metoda založená na analýze těkavých aroma sloučenin pomocí HS-SPME GC-MS/MS nabízí rychlejší, méně invazivní a vysoce citlivou alternativu vhodnou pro rutinní kontrolu a screening.

Cíle a přehled studie / článku

Cílem studie bylo ověřit, zda je možné spolehlivě rozlišit kávové druhy Arabica vs. Robusta na základě profilu aroma sloučenin analyzovaných HS-SPME GC-MS(/MS) a následné statistické analýzy. Autoři použili komerčně pražená zrna šesti značek (čtyři Arabica, dvě Robusta), zkoumali data získaná v režimech Scan a MRM a hodnotili možnost klasifikace pomocí PCA, hierarchického shlukování a modelu SVM.

Použitá metodika a instrumentace

Metoda:

• Příprava: separátní rozemletí každé značky, 1 g ve šroubovací lahvičce.
• Koncentrace těkavých látek: HS-SPME (headspace solid-phase microextraction).
• Chromatografie a detekce: GC-MS v režimu Scan (m/z 35–400) a cílené MS/MS v režimu MRM pro vyšší citlivost a reprodukovatelnost.
• Statistika: alignace a explorativní analýzy (Signpost MS), PCA a modelování (eMSTAT Solution), vizualizace dat (box ploty, loading ploty).

Instrumentace (samostatná sekce):

• GC-MS/MS: GCMS-TQ8040 NX (Shimadzu).
• Autosampler: AOC-6000 multifunctional autosampler.
• Kolona: SH-I-5Sil MS (30 m, 0.25 mm I.D., df = 0.25 µm).
• Databáze: Smart Aroma Database (obsahuje ~500 MRM podmínek a senzorické popisy sloučenin).
• Software: Signpost MS (výpočetní alignace a shlukování), eMSTAT Solution (PCA, SVM, vizualizace), LabSolutions Insight GCMS (prohlížení chromatogramů).

Hlavní výsledky a diskuse

Výsledky analýz:

• Ze scan dat bylo po alignaci přiřazeno 210 sloučenin; hierarchické shlukování i PCA ukázaly jasné seskupení Arabica vs. Robusta.
• Přechodem na MRM režim bylo identifikováno 178 aroma sloučenin ze Smart Aroma Database; po filtrování bez chybějících hodnot bylo do analýzy zahrnuto 175 sloučenin. Tím se potvrdila možnost diskriminace i v cíleném režimu s vyšší citlivostí.
• Analýza přispívajících sloučenin: Arabica byla charakteristická vyšším obsahem 5-methylfurfuralu, acetoinu a furaneol acetátu — látky asociované s karamelovými, máslovými a praženými tóny. Robusta vykazovala vyšší obsah p-vinylguaiacolu, což souvisí s nepříjemnými „medicinal“ či hořkými tóny.
• SVM model vytvořený v eMSTAT Solution pomocí strategie leave-one-brand-out (tři Arabica značky + dvě Robusta ve výcviku, čtvrtá Arabica testována) dosáhl pro testované značky skóre diskriminace 85–100, tedy vysoké přesnosti.

Diskuse:

• Metoda ukazuje, že profil těkavých aroma sloučenin nese charakteristické fingerprinty pro oba druhy kávy. Kombinace MRM a robustních statistických nástrojů umožnila stabilní rozlišení.
• Význam Smart Aroma Database spočívá ve snadné identifikaci a interpretaci rolí jednotlivých sloučenin v aroma (senzorické popisy u jednotlivých MRM záznamů).
• Omezení studie zahrnují relativně malý počet značek a pražení konzistentní pouze u jedné pražírny — širší validace napříč původy, stupni pražení a šaržemi by byla nutná pro zavedení do rutinní kontroly.

Přínosy a praktické využití metody

Praktické výhody:

• Rychlost a jednoduchost: HS-SPME bez nutnosti extrakce lipofilních frakcí s minimalizací předdělení a koncentrace.
• Vysoká citlivost a reprodukovatelnost při použití MRM, vhodné pro rutinní screening a kontrolu kvality.
• Možnost vytvoření diskriminačních modelů bez hlubokých znalostí statistiky díky uživatelským nástrojům (eMSTAT Solution).
• Schopnost identifikovat a interpretovat konkrétní aroma markery spojené s žádoucími i nežádoucími senzorickými vlastnostmi.

Budoucí trendy a možnosti využití

Možnosti dalšího rozvoje:

• Rozšíření databáze vzorků zahrnující různé původy, procesy zpracování a stupně pražení pro zvýšení robustness modelů.
• Integrace více analytických technik (např. NMR pro lipidové markery, LC-MS pro méně těkavé látky) do vícevrstvé autentizační platformy.
• Využití pokročilých machine learning algoritmů a hlubokého učení pro vylepšení klasifikace a detekci subtílních adulterací.
• Adaptace na terénní nebo rychlé screeningové přístupy (přenosné GC-MS nebo sensorické sítě) pro monitoring v dodavatelském řetězci.
• Další standardizace předanalyzační fáze (mletí, množství vzorku, doba expozice SPME) pro zajištění přenositelnosti mezi laboratořemi.

Závěr

Studie prokázala, že analýza těkavých aroma sloučenin pomocí HS-SPME GC-MS/MS v kombinaci s MRM akvizicí a moderními statistickými nástroji umožňuje spolehlivě rozlišit Arabicu a Robustu. Metoda nabízí rychlejší a méně náročnou alternativu k náročným extrakčně-orientovaným postupům, přičemž identifikuje konkrétní aroma sloučeniny, které přispívají k senzorickým rozdílům mezi druhy. Pro implementaci v rutinní praxi je doporučena širší validace na více vzorcích a standardizace pracovních postupů.

Reference

1. Y. Gunning et al., Food Chemistry, 248, 52–60 (2018).