- Код статьи
- S0044450225060057-1
- DOI
- 10.31857/S0044450225060057
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 80 / Номер выпуска 6
- Страницы
- 582-591
- Аннотация
- Метод ионизации, индуцированной лазерной плазмой при атмосферном давлении (метод APLPI), в сочетании с методами машинного обучения исследован для решения задачи классификации растительных масел. Изучены образцы оливкового, рапсового, подсолнечного и льняного масел. Образцы классифицировали на основе масс-спектрометрических профилей летучих органических соединений, выделяемых маслами. Показано, что при проведении иерархической кластеризации (hierarchical cluster analysis, HCA) с предварительным отбором признаков методом дисперсионного анализа (ANOVA) и сокращением размерности матрицы откликов методом cтохастического вложения соседей с t-распределением (t-SNE) каждый вид масла формирует четкий кластер. На примере анализа смесей оливкового и рапсового масел продемонстрировано, что сочетание метода APLPI с методом множественной линейной регрессии (multiple linear regression, MLR) позволяет количественно определить долю масел в исследованных смесях. Разработанный подход позволяет проводить быстрый, прямой неразрушающий анализ растительных масел без пробоподготовки и может применяться для выявления фальсифицированной продукции.
- Ключевые слова
- масс-спектрометрия лазерно-индуцированная плазма машинное обучение летучие органические соединения растительные масла фальсификация
- Дата публикации
- 26.02.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 12
Библиография
- 1. Medina S., Perestrelo R., Silva P., Pereira J.A., Câmara J.S. Current trends and recent advances on food authenticity technologies and chemometric approaches // Trends Food Sci. Technol. 2019. V. 85. P. 163. https://doi.org/10.1016/j.tifs.2019.01.017
- 2. Dettmer K., Aronov P.A., Hammock B.D. Mass spectrometry-based metabolomics // Mass Spectrum. Rev. 2007. V. 26. № 1. P. 51. https://doi.org/10.1002/mas.20108
- 3. Kuo T.H., Dutkiewicz E.P., Pei J., Hsu C.C. Ambient ionization mass spectrometry today and tomorrow: Embracing challenges and opportunities // Anal. Chem. 2019. V. 92. № 3. P. 2353. https://dx.doi.org/10.1021/acs.analchem.9b05454
- 4. Shi L., Habib A., Bi L., Hong H., Begum R., Wen, L. Ambient ionization mass spectrometry: Application and prospective // Crit. Rev. Anal. Chem. 2022. V. 54. № 6. P. 1584. https://doi.org/10.1080/10408347.2022.2124840
- 5. Beck A.G., Muhoberac M., Randolph C.E., Beveridge C.H., Wijewardhane P.R., Kenttamaa H.I., Chopra G. Recent developments in machine learning for mass spectrometry // ACS Meas. Sci. Au. 2024. V. 4. № 3. P. 233. https://doi.org/10.1021/acsmeasuresciau.3c00060
- 6. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006. 778 p.
- 7. Пенто А.В., Никифоров С.М., Симановский Я.О., Гречников А.А., Алимпиев С.С. Лазерная абляция и ионизация излучением лазерной плазмы при атмосферном давлении в масс-спектрометрии органических соединений // Квантовая электроника. 2013. Т. 43. № 1. С. 55.
- 8. Алимпиев С.С., Гречников А.А., Никифоров С.М. Новые подходы в лазерной масс-спектрометрии органических объектов // УФН. 2015. Т. 185. № 2. С. 207.
- 9. Кравец К.Ю., Тимакова С.И., Гречников А.А., Бородков А.С., Лаптинская П.К., Кузьмин В.С., Симановский Я.О. Скрининг лекарственных соединений в крови методом масс-спектрометрии с ионизацией, индуцированной лазерной плазмой при атмосферном давлении // Журн. аналит. химии. 2022. Т. 77. № 10. С. 947. https://doi.org/10.31857/S0044450222100085.
- 10. Тимакова С.И., Кравец К.Ю., Бородков А.С., Симановский Я.О., Гречников А.А. Масс-спектрометрия нитроароматических соединений с ионизацией, индуцированной лазерной плазмой при атмосферном давлении // Масс-спектрометрия. 2022. Т. 19. № 4. С. 226. https://doi.org/10.25703/MS.2022.19.21.
- 11. Milanez K.D.T., Pontes M.J.C. Classification of extra virgin olive oil and verification of adulteration using digital image and discriminant analysis // Anal. Methods. 2015. V. 7. P. 8839.
- 12. Sun X., Lin W., Li X., Shen Q., Luo H. Detection and quantification of extra virgin olive oil adulteration with edible oils by FT-IR spectroscopy and chemometrics // Anal. Methods. 2015. V. 7. № 9. P. 3939.
- 13. Vasconcelos M., Coelho L., Barros A., de Almeida J.M.M.M. Study of adulteration of extra virgin olive oil with peanut oil using FTIR spectroscopy and chemometrics // Cogent Food. Agric. 2015. V. 1. № 1. Article 1018695. https://doi.org/10.1080/23311932.2015.1018695
- 14. Ali H., Saleem M., Anser M.R., Khan S., Ullah R., Bilal, M. Validation of fluorescence spectroscopy to detect adulteration of edible oil in extra virgin olive oil (EVOO) by applying chemometrics // Appl. Spectrosc. 2018. V. 72. № 9. P. 1371. https://doi.org/10.1177/0003702818768485
- 15. Kim M., Lee S., Chang K., Chung H., Jung Y.M. Use of temperature dependent Raman spectra to improve accuracy for analysis of complex oil-based samples: Lube base oils and adulterated olive oils // Anal. Chim. Acta. 2012. V. 748. P. 58. https://doi.org/10.1016/j.aca.2012.08.028
- 16. Yang Y., Ferro M.D., Cavaco I., Liang Y. Detection and identification of extra virgin olive oil adulteration by GC-MS combined with chemometrics // J. Agric. Food. Chem. 2013. V. 61. № 15. P. 3693. https://doi.org/10.1021/jf4000538
- 17. Shi T., Wu G., Jin Q., Wang X. Detection of camellia oil adulteration using chemometrics based on fatty acids GC fingerprints and phytosterols GC-MS fingerprints // Food Сhem. 2021. V. 352. Article 129422. https://doi.org/10.1016/j.foodchem.2021.129422
- 18. Capote F.P., Jiménez J.R., De Castro M.L. Sequential (step-by-step) detection, identification and quantitation of extra virgin olive oil adulteration by chemometric treatment of chromatographic profiles // Anal. Bioanal. Chem. 2007. V. 388. P. 1859. https://doi.org/10.1007/s00216-007-1422-9
- 19. Criado-Navarro I., Mena-Bravo A., Calderón-Santiago M., Priego-Capote F. Determination of glycerophospholipids in vegetable edible oils: Proof of concept to discriminate olive oil categories // Food Сhem. 2019. V. 299. Article 125136. https://doi.org/10.1016/j.foodchem.2019.125136
- 20. Peng L., Yuan J., Yao D., Chen C. Fingerprinting triacylglycerols and aldehydes as identity and thermal stability indicators of camellia oil through chemometric comparison with olive oil // Food Sci. Nutr. 2021. V. 9. № 5. P. 2561. https://doi.org/10.1002/fsn3.2209
- 21. Pento A.V., Bukharina A.B., Nikiforov S.M., Simanovsky Y.O., Sartakov B.G., Ablizen R.S., Fabelinsky V.I., Smirnov V.V., Grechnikov A.A. Laser-induced plasma on a metal surface for ionization of organic compounds at atmospheric pressure // Int. J. Mass Spectrom. 2021. V. 461. Article 116498. https://doi.org/10.1016/j.ijms.2020.116498
- 22. Plasquy E., García Martos J.M., Florido M.C., Sola-Guirado R.R., García Martín J.F. Cold storage and temperature management of olive fruit: The impact on fruit physiology and olive oil quality-A review // Processes. 2021. V. 9. № 9. P. 1543. https://doi.org/10.3390/pr9091543
- 23. Миркин Б.Г. Базовые методы анализа данных: учебник и практикум для вузов. 3-е изд., перераб. и доп. М.: Юрайт, 2024. 297 с.
- 24. Van der Maaten L., Hinton G. Visualizing data using t-SNE // J. Mach. Learn. Res. 2008. V. 9. № 11. P. 2579.
- 25. Abdelmoula W.M., Balluff B., Englert S., Dijkstra J., Reinders M.J., Walch A., McDonnell L.A., Lelieveldt B.P. Data-driven identification of prognostic tumor subpopulations using spatially mapped t-SNE of mass spectrometry imaging data // Proc. Natl. Acad. Sci. 2016. V. 113. № 43. P. 12244. https://doi.org/10.1073/pnas.1510227113
- 26. Hebra T., Elie N., Poyer S., Van Elslande E., Touboul D., Eparvier V. Dereplication, annotation, and characterization of 74 potential antimicrobial metabolites from Penicillium Sclerotiorum using t-SNE molecular networks // Metabolites. 2021. V. 11. № 7. P. 444. https://doi.org/10.3390/metabo11070444
- 27. Azadmard-Damirchi S., Torbati M. Adulterations in some edible oils and fats and their detection methods // J. Food Qual. Hazards Control. 2015. V. 2. № 2. P. 38.
