Прямой анализ растительных масел методом ионизации, индуцированной лазерной плазмой при атмосферном давлении, в сочетании с методами машинного обучения

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

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.

Полный текст

Доступ закрыт

Об авторах

К. Ю. Кравец

Институт геохимии и аналитической химии им. В.И. Вернадского Российской академии наук

Email: grechnikov@geokhi.ru
Россия, ул. Косыгина, 19, Москва, 119991

С. И. Тимакова

Институт геохимии и аналитической химии им. В.И. Вернадского Российской академии наук

Email: grechnikov@geokhi.ru
Россия, ул. Косыгина, 19, Москва, 119991

А. А. Гречников

Институт геохимии и аналитической химии им. В.И. Вернадского Российской академии наук

Автор, ответственный за переписку.
Email: grechnikov@geokhi.ru
Россия, ул. Косыгина, 19, Москва, 119991

С. М. Никифоров

Институт общей физики им. А.М. Прохорова Российской академии наук

Email: grechnikov@geokhi.ru
Россия, ул. Вавилова, 38, Москва, 119991

Список литературы

  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. (Pento A.V., Nikiforov S.M., Simanovsky Y.O., Grechnikov A.A., Alimpiev S.S. Laser ablation and ionisation by laser plasma radiation in the atmospheric-pressure mass spectrometry of organic compounds // Quantum Electron. 2013. V. 43. № 1. P. 55.) https://doi.org/10.1070/QE2013v043n01ABEH015065
  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. (Alimpiev S.S., Grechnikov A.A., Nikiforov S.M. New approaches to the laser mass spectrometry of organic samples // Phys.-Usp. 2015. V. 58. № 2. P. 191.) https://doi.org/10.3367/UFNr.0185.201502f.0207
  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. (Kravets K.Yu, Timakova S.I., Grechnikov A.A., Borodkov A.S., Laptinskaya P.K., Kuzmin V.S., Simanovsky Ya O. Screening of medicinal compounds in blood by atmospheric pressure laser plasma ionization mass spectrometry // J. Anal. Chem. 2022. V. 77. № 10. P. 1307.) https://doi.org/10.1134/S1061934822100082
  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. (Timakova S.I., Kravets K.Y., Borodkov A.S., Simanovsky Y.O., Grechnikov A.A. Mass spectrometry of nitroaromatic compounds with atmospheric pressure laser plasma ionization // J. Anal. Chem. 2023. V. 78. № 14. P. 1935.) https://doi.org/10.1134/S1061934823140071
  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Схема ионного источника APLPI с узлом ввода пробы: 1 – камера; 2 – входное отверстие масс-спектрометра; 3 – металлическая мишень; 4 – электродвигатель; 5 – виала с анализируемой пробой.

Скачать (60KB)
Метаданные
3. Рис. 2. (а) Изменение полного ионного тока в последовательных процедурах анализа трех различных аликвот товарного образца оливкового масла, 1 – установка виалы с анализируемой пробой в узел ввода пробы, 2 – удаление виалы из узла ввода пробы; (б) масс-спектр, зарегистрированный при анализе оливкового масла.

Скачать (128KB)
Метаданные
4. Рис. 3. Представление масс-спектрометрических данных в пространстве: (а) PCA без отбора признаков, (б) t-SNE без отбора признаков, (в) t-SNE с отбором признаков.

Скачать (268KB)
Метаданные
5. Рис. 4. Иерархическое представление масс-спектров исследованных видов растительных масел. Дендрограмма построена в пространстве t-SNE на основе отобранных 50 признаков.

Скачать (167KB)
Метаданные
6. Рис. 5. Значения доли оливкового масла, предсказанные методом множественной линейной регрессии по результатам анализа тестовых образцов смесей с известным соотношением оливкового и рапсового масел.

Скачать (85KB)
Метаданные

© Российская академия наук, 2025