Sofortige Quantifizierung des Zuckergehalts in Milchtabletten mithilfe von Near

Wissenschaftliche Berichte Band 12, Artikelnummer: 18802 (2022) Diesen Artikel zitieren

949 Zugriffe

1 Altmetrisch

Details zu den Metriken

Milchtabletten sind in vielen asiatischen Ländern ein beliebtes Milchprodukt. Ziel dieser Forschung war die Entwicklung einer sofortigen und schnellen Methode zur Bestimmung des Saccharose- und Laktosegehalts in Milchtabletten mittels Nahinfrarotspektroskopie (NIR). Für die quantitative Analyse wurde ein Trainingssatz bestehend aus Milchproben im Labormaßstab auf der Grundlage eines zentralen zusammengesetzten Designs (CCD) erstellt und verwendet, um eine Regression der partiellen kleinsten Quadrate (PLS) für die Vorhersagen des Saccharose- und Laktosegehalts zu erstellen, was zu R2-Werten von führte 0,9749 und 0,9987 mit den entsprechenden RMSEC-Werten (Root Mean Square Error of Calibration) von 1,69 und 0,35. Der physikalische Unterschied zwischen dem Pulver im Labormaßstab und den Milchtablettenproben des Endprodukts führte jedoch zu spektralen Abweichungen, die die Vorhersageleistung der PLS-Modelle dramatisch beeinträchtigten. Daher wurden Kalibrierungsübertragungsmethoden namens Direkte Standardisierung (DS) und Stückweise Direkte Standardisierung (PDS) verwendet, um die NIR-Spektren der echten Milchtablettenproben vor der quantitativen Vorhersage anzupassen. Unter Verwendung der Hochleistungsflüssigkeitschromatographie (HPLC) als Referenzmethode könnte das entwickelte NIR-chemometrische Modell verwendet werden, um den Zuckergehalt in echten Milchtabletten sofort vorherzusagen, indem der mittlere quadratische Vorhersagefehler (RMSEP) für Saccharose und Laktose ermittelt wird 5,04 und 4,22 mit Q2-Werten von 0,7973 bzw. 0,9411 nach der PDS-Transformation.

Milchtabletten gelten als alternativer, nahrhafter Snack. Dieser Snack schmeckt nicht nur angenehm nach Milch, sondern ist auch eine gute Quelle für hochwertige Nährstoffe wie Eiweiß, Kohlenhydrate und Kalzium. Zucker gehört neben Milch zu den Hauptbestandteilen von Milchtabletten. Zum Süßen der Milchtabletten wird häufig Saccharose zugesetzt1. Laktose ist das wichtigste Kohlenhydrat, das im Rohmilchmaterial vorkommt2. Die Bestimmung des Zuckergehalts ist für die Bewertung der Qualitätskontrolle wichtig. Darüber hinaus können Schwankungen in der Zuckermenge die Nährwertqualität des Endprodukts beeinflussen und zur Esstextur des Milchsnacks beitragen3,4.

Traditionell kann die Quantifizierung von Zucker in Milch mithilfe chemischer Titrationsmethoden5 erreicht werden. Diese Nasslabormethoden können einfach sein; Allerdings sind die experimentellen Verfahren zeitaufwändig und führen oft zu großen Mengen an Chemikalienabfällen. Zur Erfüllung der Quantifizierungsaufgabe wurden auch mehrere Analysetechniken wie Hochleistungsflüssigkeitschromatographie (HPLC)6,7, elektrochemische Analyse8,9 und Kernspinresonanz (NMR)10 eingesetzt. Ein wesentlicher Nachteil bestand jedoch darin, dass vor dem Probennachweisprozess komplizierte Probenvorbereitungsmethoden erforderlich waren. Daher sind diese Tests nicht für Produktionsanlagen geeignet, in denen viele Proben aus einem kontinuierlichen Online-Produktionsprozess stammen.

Die Nahinfrarotspektroskopie (NIR) untersucht die Schwingungswechselwirkung zwischen Proben und elektromagnetischer Strahlung im Bereich von 800–2500 nm. Die NIR-Detektion hat gegenüber anderen spektroskopischen Detektionen mehrere Vorteile, da eine große Anzahl von Proben innerhalb kurzer Zeit ohne aufwändige Probenvorbereitung zerstörungsfrei gemessen werden kann. Die NIR-Spektren können mit interessanten chemischen Eigenschaften in den Proben in Beziehung gesetzt werden, indem ein Kalibrierungsmodell namens Partial Least Squares (PLS)-Regression11,12,13 verwendet wird, bei dem die Beziehungsinformationen zwischen den Spektraldaten und der chemischen Eigenschaft mathematisch untersucht werden. Diese Korrelationsinformationen können dann verwendet werden, um die chemischen Eigenschaften unbekannter Proben abzuschätzen. Beispielsweise wurden die NIR-Spektrometer kürzlich zur Analyse der Zusammensetzung von Kuhmilch14 und Muttermilch15 eingesetzt.

Im Allgemeinen basieren die durch Kalibrierungsmodelle erzielten Bestimmungen auf dem Vorwissen, das durch eine Reihe von Trainingsproben bereitgestellt wird. Dementsprechend könnten Variationen der Testproben anhand derjenigen im Trainingssatz geschätzt werden, um optimale Vorhersageergebnisse zu erhalten. Daher können die Trainingsbeispiele die Vorhersageleistung der Kalibrierungsmodelle maßgeblich charakterisieren. Im Produktionsprozess, bei dem Abweichungen der endgültigen Prozessproben nicht zu erwarten sind und begrenzt werden sollten, weisen die Endprodukte des Herstellungsprozesses jedoch möglicherweise nicht genügend Variabilität auf, um einen Trainingssatz für die Entwicklung genauer und robuster Kalibrierungsmodelle zu erstellen. Beispielsweise hatten die Trainingsproben in Pulverform, die in einem Laborraum hergestellt wurden, andere physikalische Strukturen als die endgültigen Prozessproben, die schließlich zu Tabletten gepresst wurden. Sarraguça und Lopes16 berichteten, dass die Verwendung von Proben im Labormaßstab in Pulverform genauere Vorhersageergebnisse lieferte als die im Produktionsprozess hergestellten Tablettenproben. Darüber hinaus beobachteten Peerapattana et al.17, dass in Glasfläschchen aufbewahrte Pulverproben von Mangostanfruchthülle zu besseren Vorhersageergebnissen für die Vorhersage des Alpha-Mangostin-Gehalts führten als Proben, die in transparenten Kapseln aufbewahrt wurden.

Bei der Kalibrierungsübertragung (CT) handelt es sich um eine Gruppe chemometrischer Methoden, mit denen Inkonsistenzen bei verschiedenen Instrumentenmessungen minimiert werden können18. Nach Festlegung der Standardisierung mithilfe der CT-Methoden kann ein System mit dem kalibrierten Modell entwickelt werden, in dem ein Instrument (primär) durch ein anderes Instrument (sekundär) ersetzt werden kann und umgekehrt. Beispielsweise wurde eine Kalibrierungsübertragungsmethode namens „stückweise direkte Standardisierung“ (PDS) verwendet, um die Abweichungen zwischen einem Spitzenspektrometer und einem tragbaren NIR-Detektor zu minimieren19,20. Dadurch kann die Schätzung der tragbaren NIR-Messung auf den datenbasierten NIR-Spektren basieren, die vom erstklassigen NIR-Spektrometer gesammelt wurden. Darüber hinaus könnten durch die Befolgung derselben Methodik unterschiedliche Variationen zwischen landwirtschaftlichen Produktproben identifiziert und systematisch aus unbekannten Proben zur Erkennung von Verfälschungen ausgesondert werden21.

Diese Forschung entwickelte eine sofortige Methode zur Erkennung des Zuckergehalts in Milchtabletten basierend auf der NIR-Detektion. Darüber hinaus wurden Kalibrierungsübertragungsmethoden angewendet, um die unterschiedlichen Variationen in den NIR-Spektren zwischen den Milchproben im Labormaßstab und den im Endprozess erhaltenen Milchtabletten anzupassen. Die quantitative Analyse basierte auf multivariaten Vorhersagen der PLS-Modelle mit dem Ziel, die Konzentrationen von Saccharose und Laktose in den Milchtablettenproben sofort zu quantifizieren.

Insgesamt wurden 13 verschiedene Milchtablettenmarken von örtlichen Lebensmittelgeschäften in Chiang Mai, Thailand, bezogen. Die relevanten Details der Milchtabletten sind in Tabelle 1 zusammengefasst. Die Proben wurden in drei Gruppen eingeteilt, nämlich Trainingsproben (T1–T3), interne Validierungsproben (I1–I3) und externe Validierungsproben (E1–E7). Jede Milchtablette wurde mit einem Keramikmörser und Pistill zu einem feinen und homogenen Pulver gemahlen. Um systematische Variationen zu erzeugen, die den Zuckergehalt in den Milchproben darstellen, wurde eine CCD-Struktur (Central Composite Design)22 verwendet, die neun Experimente für jede Probe umfasste. Beispielsweise wurden für die Proben T1, T2 und T3 Mengen an Saccharose (analytischer Reinheitsgrad, > 99 % Reinheit, RCI Labscan, Bangkok, Thailand) und Laktose (analytischer Reinheitsgrad, > 99 % Reinheit, KEMAUS, NSW, Australien) hinzugefügt auf das Milchpulver gemäß den in Tabelle 2 dargestellten codierten Werten der CCD-Struktur. Anschließend wurde eine Kombination der drei CCD-Modellproben zur Erstellung des Trainingssatzes verwendet, was insgesamt 27 Milchproben ergab. Durch die Verwendung der CCD-Struktur sollte sichergestellt werden, dass die Variation in den aufgezeichneten NIR-Spektren mit den Zuckerkonzentrationen in den Milchproben in Zusammenhang steht und dass die Anzahl der Trainingsproben für die Erstellung der Vorhersagemodelle ausreicht23. Die Proben I1, I2 und I3 wurden zur Erstellung interner Validierungsproben verwendet, während die Variationen der Zuckergehalte auch auf Basis des CCD-Modells generiert wurden. Daher wurden 27 zusätzliche Milchpulverproben zur Erstellung des internen Validierungssatzes verwendet. Die Proben E1–E7 wurden als externe Proben verwendet, um den unabhängigen Testsatz darzustellen. Diese wurden verwendet, um die Leistung der Kalibrierungsmodelle bei der Einführung realer Proben zu bewerten.

Es ist zu beachten, dass in dieser Untersuchung hauptsächlich zwei Arten von Milchtabletten verwendet wurden. Bei den Proben E2 und E3 handelte es sich um milchfreie Tabletten oder „Billigmilchtabletten“, denen künstlicher Milchgeschmack zugesetzt wurde, um die Produktzufriedenheit zu erreichen. Die restlichen Milchproben hingegen wurden aus Kuhmilch als Rohstoff hergestellt und als „Premium-Milchtabletten“ bezeichnet.

Die NIR-Spektren des Milchpulvers (9,00 g) wurden mit einem NIR-Transportmodul (Breite × Länge × Tiefe: 5,7 × 29,4 × 2,0 cm) aufgenommen, das mit dem NIRSystem 6500 (Multi-Mode™ Analyzer, Foss, USA) ausgestattet war Bereich von 400–2500 nm bei einem Abtastintervall von 2 nm, was 1050 Datenpunkte pro Spektrum ergibt. Für jede Probe wurden durchschnittlich 64 Scans verwendet. Die Proben der Milchtabletten wurden in das NIR-Transportmodul gegeben. Die Schichten der Milchtabletten wurden entsprechend den Messbedingungen der Pulverproben direkt auf dem Glas befestigt. Die Milchproben wurden vor der NIR-Detektion mindestens 6 Stunden lang bei einer raumkontrollierten Temperatur von 25 °C gehalten. Vor der Analyse wurden die NIR-Spektren mit einer Standardnormalvariablen (SNV) vorbehandelt, um Fehler zu beseitigen, die durch die Lichtstreuung während der NIR-Messung verursacht wurden. Dann wurden sie mittelwertzentriert, sodass sich die Analyse auf die Abweichung vom Datenmittelwert und nicht auf die absoluten Werte konzentrierte.

Der Zuckergehalt in den Milchtablettenproben wurde mittels Hochleistungsflüssigkeitschromatographie (HPLC) gemessen. Zur Probenvorbereitung wurden 1,00 g jeder gemahlenen Milchtablette in 10 ml hochreinem Wasser gelöst und 5 Minuten lang in einem Wasserbad (Julabo Labortechnik GMbH, Seelbach, Deutschland) bei 55 °C gehalten. Anschließend wurde Acetonitril in HPLC-Qualität zur Proteinfällung zugegeben24,25. Nach der Denaturierung wurde die Probenlösung 5 Minuten lang bei 10.000 U/min zentrifugiert. Die klare Lösung wurde dann durch einen 0,45 µm Nylon-Spritzenfilter (Agilent Technologies, CA, USA) filtriert.

Die chromatographische Analyse des Zuckergehalts in den Milchtabletten wurde mit einem Hochleistungsflüssigkeitschromatographen (Agilent 1100 HPLC-System, CA, USA) mit laufender Agilent ZORBAX NH2-Säule (5 µm, 4,6 mm Innendurchmesser, 150 mm Länge) durchgeführt bei 25 °C. Die Proben wurden mit einem Injektionsvolumen von 10 µL automatisch in das HPLC-System injiziert. Als mobile Phase wurde eine Mischung aus Acetonitril in HPLC-Qualität und hochreinem Wasser (75/25 % v/v) mit einer Flussrate von 1,00 ml/min verwendet. Ein Brechungsindexdetektor (RID) wurde bei 25 °C betrieben. Der Zuckergehalt wurde anhand der externen Standardkalibrierungskurve der Saccharose- und Laktosestandards bestimmt, was zu R2-Werten von 0,9907 bzw. 0,9896 führte. Die Konzentrationswerte der Zucker in den untersuchten Milchtablettenproben sind in Tabelle 1 zusammengefasst.

Obwohl beide Formen der Milchproben (Tablette und Pulver) als fest galten, gab es Unterschiede, beispielsweise in der Partikelgröße und dem Pressdruck der Tabletten. Diese physikalischen Variationen führten zu erheblichen Abweichungen in den aufgezeichneten NIR-Spektren26. Kalibrierungstransfers sind multivariate Korrekturmethoden, die zur Stabilisierung von Abweichungen eingesetzt werden können, die aufgrund unterschiedlicher Instrumenten- und Messbedingungen aufgetreten sein können. In dieser Untersuchung wurden sie verwendet, um etwaige Signalunterschiede zwischen den Spektren der Tablettenproben und der Pulverproben zu berücksichtigen. Die stückweise direkte Standardisierung (PDS) ist ein Erweiterungsalgorithmus einer herkömmlichen Methode namens direkte Standardisierung DS27,28. Die DS-Methode beschreibt die Korrelation zwischen den beiden Datenmatrizen (Xm und Xs beziehen sich auf Master- und Slave-Daten) durch die Berechnung einer Transformationsmatrix (F) unter Verwendung mehrerer linearer Regressionsmodelle wie MLR, PCR und PLS:

Die Erweiterung im PDS-Algorithmus besteht darin, dass jeder Spektralpunkt der Master-Daten (Xm,j) spezifisch mit einer spektralen Teilmenge der Slave-Daten (Xs,j) verknüpft ist. Der PDS-Algorithmus umfasst die folgenden Schritte:

Schritt 1: Wählen Sie die Spektralpunkte der Stammdaten (Xm,j) bei der Wellenlänge j aus.

Schritt 2: Definieren Sie die Teilmengenspektren der Slave-Daten (Xs,j) in der Nähe der Wellenlänge j, um den Index j − k bis j + k zu bilden

Dabei ist k die Fenstergröße, die die Menge der Spektraldaten steuert, die in der Berechnung verwendet werden.

Schritt 3: Ermitteln Sie den Regressionskoeffizienten

Dabei ist bi ein Vektor, der Regressionskoeffizienten enthält.

Schritt 4: Erzeugen Sie die Transformationsmatrix (F), indem Sie bj in einer Diagonalmatrix organisieren

wobei n die Anzahl der enthaltenen Spektralkanäle ist.

Schritt 5: Standardisieren Sie die Spektren unbekannter Proben (Xs,un) mit F, um das modifizierte Spektrum (Xs,PDS) zu erhalten.

In dieser Untersuchung wurden die DS- und PDS-Transformationen verwendet, um die Inkonsistenzen zwischen den Spektren der Pulverproben und der Tablettenproben zu berücksichtigen. Diese Transformationsmethoden untersuchten die Korrelation zwischen den beiden Datensätzen. Anschließend wurden die resultierenden Korrelationsinformationen verwendet, um die NIR-Spektren der Milchtablettenproben anzupassen. Folglich könnten die angepassten Daten kompatibel sein, wenn die Vorhersage mithilfe des Kalibrierungsmodells getroffen wird, das aus den NIR-Spektren der Pulverproben erstellt wurde, ohne dass eine Neukalibrierung des Modells erforderlich ist.

Die Modelloptimierung basierte auf einem zuvor veröffentlichten Bericht21. Die Korrelationsmatrizen sowohl in DS als auch in PLS wurden mithilfe der PLS-Regression bestimmt, die anhand der Trainingsstichproben berechnet und auf der Grundlage der internen Validierungsstichproben optimiert wurde.

Die partielle Regression der kleinsten Quadrate (PLS) gehört zu den wirksamsten Analysemethoden multivariater Kalibrierungsmodelle29. Der wesentliche Vorteil des PLS-Algorithmus besteht darin, dass die aus den Vorhersage- und Antwortparametern erhaltenen Variationen gleichzeitig extrahiert und dann zum Erstellen des Vorhersagemodells verwendet werden. Durch den Einsatz des PLS-Modells konnte die Korrelation zwischen diesen Informationsblöcken maximiert werden. In den meisten Fällen konnte PLS erfolgreich die optimale Vorhersageleistung für die Vorhersage der NIR-Spektraldaten bieten11,30.

In dieser Forschung wurden die NIR-Spektren und die Zuckergehalte als Vorhersage- und Antwortparameter für die PLS-Modelle verwendet. Die PLS-Berechnung erfolgte nach dem in der zuvor veröffentlichten Literatur29 beschriebenen Verfahren. Um die optimale Anzahl latenter PLS-Variablen zu ermitteln, wurde die Methode der einmaligen Kreuzvalidierung angewendet31. Gemäß Tabelle 1 wurden PLS-Modelle unter Verwendung von Trainingsproben (T1–T3) als Kalibrierungsdaten entwickelt. Zur Validierung der Modelle wurden interne Validierungsproben (I1–I3) und externe Validierungsproben (E1–E7) zur Validierung bzw. Vorhersage verwendet.

Die Vorhersageleistung der PLS-Modelle im Hinblick auf die Vorhersagegenauigkeit wurde durch den quadratischen Mittelwert der Kalibrierung (RMSEC) und den quadratischen Mittelwert der Vorhersagefehler (RMSEP) angegeben. Die Bestimmtheitsmaße für die Kalibrierungs- (R2) und Vorhersagewerte (Q2) wurden berechnet, um die Robustheit der Modelle zu bestimmen. Darüber hinaus wurden der Standardfehler der Kreuzvalidierung (SECV) und das Verhältnis von Vorhersage zu Abweichung (RPD) verwendet, um die unterschiedlichen Vorhersageleistungen der Kalibrierungsmodelle zu vergleichen32. Die Berechnungen des PLS-Modells, der PDS-Kalibrierungstransfer und die statistischen Analysen wurden mithilfe hauseigener MATLAB-Skripte (MATLAB, The Math Works Inc., Natick) implementiert.

Abbildung 1A zeigt die von den Milchproben aufgezeichneten NIR-Spektren. Das entsprechende PCA-Score-Diagramm der NIR-Spektren wurde erstellt, um die charakteristischen Unterschiede zwischen den in Abb. 1b dargestellten Milchproben zu veranschaulichen. In dieser Forschung wurden die Trainings- und Validierungsproben auf der Grundlage der CCD-Experimente generiert, um systematische Variationen aufgrund der Zuckerkonzentrationen zu induzieren. Im PCA-Score-Plot waren die Proben über den PCA-Raum verteilt, wobei ein höherer PC1-Wert die Probe mit hohem Saccharosegehalt darstellte. Andererseits waren höhere PC2-Werte mit den Proben mit hohem Laktosegehalt verbunden.

(a) NIR-Spektren der untersuchten Milchproben (Pulver) und (b) PCA-Score-Diagramm der entsprechenden NIR-Spektraldaten.

Somit war klar, dass die Musterorganisationen aufgrund der Schwankungen der Zuckergehalte erreicht wurden. Dies zeigte, dass die NIR-Detektion Milchproben mit unterschiedlichen Zuckergehalten analysieren konnte. Die meisten Testproben wurden im Bereich der Trainingsproben platziert, was die Eignung der generierten Trainingsproben impliziert. Testmuster-Nr. 10 (E10) befand sich etwas entfernt vom Haupthaufen; Dies könnte jedoch auf das extrahierte Malz zurückzuführen sein, das als Aromastoff verwendet wurde und zu gelbbraunen Doppelschichttabletten führte.

Abbildung 2 zeigt den Unterschied in den NIR-Spektren zwischen den Pulver- und Tablettenmilchproben. Die NIR-Spektren der Milchtabletten (E1–E7) wurden vor und nach dem Mahlen zu Pulver aufgenommen. In Abb. 2a waren die Formen der aus beiden physikalischen Zuständen erhaltenen NIR-Spektren relativ ähnlich. Die Pulvermilchproben führten jedoch zu relativ geringeren Absorptionswerten, was mit der Partikelgröße der Proben zusammenhängen könnte. Dieses Ergebnis stimmt mit der Feststellung eines früheren Berichts überein, in dem festgestellt wurde, dass der Tablettenverdichtungsdruck zu einer intensiveren Penetration mit höherer Absorptionsintensität der NIR-Spektren führte26. Die Variation, die aufgrund der physikalischen Bedingungen der Probe auftrat, konnte im PCA-Score-Diagramm in Abb. 2b bestätigt werden. Aus dem Score-Plot wurden die Milchproben ohne jeglichen Transformationsprozess getrennt in zwei Hauptgruppen gruppiert, wobei die Tabletten- und Pulverproben unterschiedlich auf dem PCA-Raum platziert wurden. Die klare Trennung zwischen den Probenclustern implizierte, dass die physikalischen Unterschiede mehr Variationen verursachten als die Unterschiede in der chemischen Zusammensetzung zwischen den Milchproben. Mit anderen Worten: In diesem Experiment mit der PCA-Visualisierung konnte die zwischen den Pulver- und Tablettenproben identifizierte physikalische Variation von den ersten beiden PCs systematisch erfasst werden.

(a) NIR-Spektren der Testmilchproben (Pulver und Tablette) und (b) PCA-Score-Diagramm der Milchproben nach den DS- und PDS-Transformationen.

Nachdem die von den Tablettenproben aufgezeichneten Spektraldaten mithilfe des PDS-Transformationsprozesses transformiert wurden, änderte sich die Form der Spektren erheblich und ähnelte stark der der Pulverproben, wie in Abb. 2a dargestellt. Der Erfolg der Spektraltransformation kann durch die in Abb. 2b gezeigten PCA-Score-Diagramme bestätigt werden, in denen die transformierten Proben nahezu genau an den identischen PCA-Positionen wie die Pulverproben platziert wurden. In diesem Fall könnte die PDS-Transformation die Variation, die aufgrund des physikalischen Zustands der Proben auftrat, effektiv beseitigen. Im Allgemeinen wird die PDS-Transformation verwendet, um etwaige Unterschiede in den experimentellen Bedingungen auszugleichen. zum Beispiel der Unterschied, der bei den Probennachweismethoden mit zwei verschiedenen Instrumenten beobachtet wird, nämlich primär und sekundär. Die Korrelation zwischen den Instrumenten wurde während des Modellierungsprozesses auf Basis des PLS-NIPAL-Algorithmus untersucht33. Dadurch wurden systematische Variationen in den von beiden Instrumenten erhaltenen Spektraldaten gleichzeitig extrahiert und gleichzeitig ihre Kovarianzwerte maximiert. Diese Korrelationsinformationen könnten verwendet werden, um das Erkennungssignal des sekundären Instruments in Bezug auf die Kovariationsstruktur beider Instrumente umzuwandeln. Folglich könnten die transformierten Signale gut für die vom Primärinstrument erstellten Vorhersagemodelle geeignet sein, ohne dass das Vorhersagemodell neu generiert werden müsste. In diesem Experiment basierte die Rekonstruktion der transformierten NIR-Spektren auf der systematischen Struktur, die, wie zuvor diskutiert, effektiv durch die PCA-Modellierung erfasst werden konnte. Daher konnte PDS erfolgreich an die Übersetzung der NIR-Spektraldaten der Tablettenproben angepasst werden. Diese Ergebnisse zeigten die effektive Nutzung des PDS-Transformationsmodells zur Stabilisierung der NIR-Spektren, die von Proben mit unterschiedlichem physikalischen Erscheinungsbild aufgezeichnet wurden.

In dieser Untersuchung führte die DS-Anpassung, die auf einer einzigen Berechnung der Korrelationsmatrix basierte, zu unbefriedigenden Schätzungen der NIR-Spektren. Die Visualisierung dieser spektralen Transformation basierte jedoch auf der Verwendung roher NIR-Spektraldaten ohne Datenvorbehandlung. Diese globale Anpassung mithilfe von DS könnte empfindlich auf die Drift der spektralen Basislinie reagieren, wie in Abb. 2a dargestellt, und dies zeigte, dass die Berechnung auf der Grundlage des spektralen Unterabschnitts die Leistung des Kalibrierungsübertragungsprozesses verbessern könnte. Die Auswirkung dieser Datenanpassung auf die Vorhersageleistung wird bei der Vorhersage des Zuckergehalts mithilfe des PLS-Modells diskutiert.

Die NIR-Spektren der Trainingsproben wurden zur Erstellung von PLS-Kalibrierungsmodellen zur Schätzung des Zuckergehalts in den Milchproben verwendet. Mithilfe des PLS1-Algorithmus wurde das Kalibrierungsmodell unabhängig erstellt, um jede Zuckerart vorherzusagen. Die Validierungsproben wurden verwendet, um die Vorhersageleistung der entwickelten PLS-Modelle zu untersuchen, und die Vorhersageergebnisse wurden in Tabelle 3 zusammengefasst.

Das PLS-Modell zur Vorhersage des Saccharosegehalts ergab Kalibrierungsleistungswerte für RMSEC, RMSEP, R2 und Q2 von 1,69, 2,67, 0,9749 bzw. 0,9373. Gleichzeitig lieferte die Vorhersage des Laktosegehalts prädiktive Ergebnisse für RMSEC-, RMSEP-, R2- und Q2-Werte von 0,35, 0,79, 0,9987 bzw. 0,9943. Ein relativ kleiner RMSEC-Wert deutete darauf hin, dass das PLS die Daten erfolgreich angepasst hat und dass die Kalibrierungsmodelle die Variationen der Antwortparameter angemessen modelliert haben. Die PLS-Modelle konnten hohe R2- und Q2-Werte generieren, was darauf hindeutet, dass die entwickelten Modelle stabil waren und erfolgreich zur Schätzung des Zuckergehalts in den vorbereiteten Pulverproben eingesetzt werden konnten. Diese Ergebnisse entsprachen den in Abb. 3a, b dargestellten Korrelationsdiagrammen, in denen die vorhergesagten Proben ungefähr nahe an den diagonalen Linien der Diagramme platziert wurden, was darauf hindeutet, dass die meisten Proben geringfügige Unterschiede zwischen der Referenz und den vorhergesagten Zuckerkonzentrationen aufwiesen. Die Werte von Q2 waren etwas niedriger als die R2-Werte, was darauf hindeutet, dass die Modelle nicht anfällig für das Überanpassungsproblem waren.

Korrelationsdiagramme für die Trainings- und internen Validierungsproben von (a) Saccharose, (b) Laktosegehalt und (c) den echten Milchtablettenproben nach der PDS-Transformation für die Vorhersagen des Saccharose- und Laktosegehalts.

Im Allgemeinen ermöglichen RPD-Werte einen Vergleich der Vorhersagegenauigkeit der verschiedenen Modelle. Höhere RPD-Werte würden auf eine bessere Vorhersagefähigkeit hinweisen, was niedrigeren Bias- und SECV-Werten sowie höheren Q2-Werten entspricht. Das etablierte Modell zur Laktosevorhersage hatte einen höheren RPD-Wert als die Vorhersage von Saccharose, was darauf hindeutet, dass das PLS-Modell eine bessere Vorhersageleistung hatte. Diese Ergebnisse legen nahe, dass Laktose, ein natürlich vorkommender Zucker in der Milch, genutzt werden könnte, um zusätzliche verwandte Informationen aus anderen Bestandteilen zu erhalten, wie etwa den im Rohmilchmaterial enthaltenen Fetten und Proteinen. Im Vergleich zu dem in Lebensmitteln natürlich vorkommenden Zucker enthielt Saccharose, die während des Zubereitungsprozesses hinzugefügt wurde, weniger Mikronährstoffinformationen34.

Tabelle 4 zeigt die Vorhersageergebnisse der Milchtabletten (E1–E7) unter Verwendung der entwickelten PLS-Modelle. Als die entwickelten PLS-Modelle verwendet wurden, um den Zuckergehalt aus den NIR-Spektren abzuschätzen, die direkt aus den Tablettenproben erfasst wurden (P zur Vorhersage von T), wurden höhere Vorhersagefehler erhalten, was zu deutlich niedrigeren Q2-Werten führte (0,7024 und 0,7030 für Saccharose und Laktose). bzw. höhere RMSEP-Werte (53,44 und 8,14 für Saccharose und Laktose). Die schlechten Vorhersageergebnisse stimmen mit dem in Abb. 2b gezeigten PCA-Score-Diagramm überein, in dem die Abweichungen zwischen den Pulver- und Tablettenproben hervorgehoben wurden, wobei darauf hingewiesen wurde, dass die physikalischen Strukturen der Proben die NIR-Messungen erheblich beeinflussen könnten.

Signifikante Verbesserungen der Vorhersageergebnisse konnten erzielt werden, nachdem die NIR-Spektraldaten durch PDS-Transformation (P zur Vorhersage von T/P) vorverarbeitet wurden. Abbildung 4 zeigt den Vergleich zwischen den Vorhersageergebnissen vor und nach der PDS-Transformation und zeigt die signifikante Reduzierung der relativen Fehler im Zusammenhang mit der zerstörungsfreien Erkennung. In Tabelle 4 stiegen die Q2-Werte sowohl für Saccharose- als auch für Laktose-Vorhersagemodelle auf 0,7973 bzw. 0,9411. Die entsprechenden Korrelationsdiagramme der Referenz und der vorhergesagten Zuckergehalte für die PLS-Modelle sind in Abb. 3c dargestellt. Die DS-Transformation führte zu einer Verbesserung der Vorhersage des Saccharosegehalts mit einer Verringerung des RMSEP-Werts auf 19,27, konnte jedoch die Ergebnisse für die Vorhersage des Laktosegehalts nicht verbessern, da der RMSEP auf 23,73 erhöht wurde. Dies bestätigte, dass die Berechnung auf Basis der spektralen Teilmenge in der PDS-Methode die Vorhersagegenauigkeit der PLS-Kalibrierungsmodelle verbessern könnte.

Vergleich zwischen den Vorhersageergebnissen vor und nach den DS- und PDS-Transformationen der echten Milchtabletten.

Die Laktosekonzentrationen in den Proben 8 und 9 waren Null, da es sich um Milchtabletten handelte, die nur künstliches Milcharoma ohne den eigentlichen Kuhmilchbestandteil enthielten. Diese Ergebnisse deuten darauf hin, dass das im Labor entwickelte Modell zur Vorhersage realer Milchtablettenproben oder der endgültigen Prozessproben verwendet werden könnte, indem es unkomplizierte Messungen und Echtzeitanalysen einer großen Anzahl von Proben ermöglicht, die während des Herstellungsprozesses gesammelt wurden, ohne dass eine Probenvorbereitung erforderlich ist.

Im Herstellungsprozess war es nicht praktikabel, Modellierungsmuster herzustellen, die genügend Variationen aufwiesen, um robuste Vorhersagemodelle zu generieren. Darüber hinaus könnten die spektralen Abweichungen, die während der Durchführung der NIR-Messungen aufgetreten sind, die Vorhersagegenauigkeit des entwickelten Modells beeinträchtigt haben. Diese Forschung zeigte, dass die Verwendung der Kalibrierungsübertragungsmethode die Nutzungsfähigkeit der entwickelten Kalibrierungsmodelle erweiterte. NIR-Spektroskopie in Kombination mit chemometrischen Analysen kann zum Nachweis des Zuckergehalts in Milchtabletten eingesetzt werden. PDS führte zu einer verbesserten Vorhersageleistung der Tablettenproben. Der Entwicklungsprozess bot zerstörungsfreie, genaue und schnelle Techniken zur Bestimmung des Zuckergehalts in echten Milchtablettenproben.

Die während der aktuellen Studie analysierten NIR-spektroskopischen Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

RodriguezFurlán, LT & Campderrós, ME Die kombinierten Wirkungen von Stevia und Sucralose als Zuckerersatz und Inulin als Fettmimetikum auf die physikalisch-chemischen Eigenschaften von zuckerfreien, fettreduzierten Milchdesserts. Int. J. Gastron. Lebensmittelwissenschaft. 10, 16–23 (2017).

Artikel Google Scholar

Gambelli, L. Milch und ihr Zucker Laktose: Ein Bild der Bewertungsmethoden. Getränke 3, 35. https://doi.org/10.3390/beverages3030035 (2017).

Artikel CAS Google Scholar

Alcaire, F., Antúnez, L., Vidal, L., Giménez, A. & Ares, G. Aromabezogene modalübergreifende Wechselwirkungen zur Zuckerreduzierung in Milchdesserts: Einfluss auf die Verbraucherwahrnehmung. Lebensmittelres. Int. 97, 45–50 (2017).

Artikel CAS PubMed Google Scholar

Mahato, DK et al. Zuckerreduzierung in Milchprodukten: Ein Überblick am Beispiel aromatisierter Milch. Lebensmittel 9, 1400. https://doi.org/10.3390/foods9101400 (2020).

Artikel CAS PubMed Central Google Scholar

Shaffer, PA & Hartmann, AF Die iodometrische Bestimmung von Kupfer und seine Verwendung in der Zuckeranalyse. J. Biol. Chem. 45, 365–390 (1921).

Artikel CAS Google Scholar

Mannino, S., Cosio, MS & Zimei, P. Mikrodialyse-Probenahme und Hochleistungsflüssigkeitschromatographie mit amperometrischer Detektion für die Zuckeranalyse in Milchprodukten. Electroanalysis 8, 353–355 (1996).

Artikel CAS Google Scholar

Rentschler, E. et al. Quantifizierung von Lactulose und Epilactose in Gegenwart von Lactose in Milch mithilfe einer dualen HPLC-Analyse. Essen Anal. Methoden 9, 2210–2222 (2016).

Artikel Google Scholar

Conzuelo, F. et al. Ein integrierter amperometrischer Biosensor zur Bestimmung von Laktose in Milch und Milchprodukten. J. Agrar. Lebensmittelchem. 58, 7141–7148 (2010).

Artikel CAS PubMed Google Scholar

Ammam, M. & Fransaer, J. Zwei-Enzym-Laktose-Biosensor basierend auf β-Galactosidase und Glucoseoxidase, abgeschieden durch AC-Elektrophorese: Eigenschaften und Leistung für die Laktosebestimmung in Milch. Sens. Aktoren B Chem. 148, 583–589 (2010).

Artikel CAS Google Scholar

Monakhova, YB, Kuballa, T., Leitz, J., Andlauer, C. & Lachenmeier, DW NMR-Spektroskopie als Screening-Tool zur Validierung der Nährwertkennzeichnung von Milch, laktosefreier Milch und Milchersatzprodukten auf Basis von Soja und Getreide. Milchwissenschaft. Technol. 92, 109–120 (2012).

Artikel Google Scholar

Fernández-Espinosa, AJ Kombination von PLS-Regression mit tragbarer NIR-Spektroskopie zur Online-Überwachung von Qualitätsparametern in intakten Oliven zur Bestimmung des optimalen Erntezeitpunkts. Talanta 148, 216–228 (2016).

Artikel PubMed Google Scholar

Oliveira, MM, Cruz-Tirado, JP, Roque, JV, Teófilo, RF & Barbin, DF Tragbare Nahinfrarotspektroskopie zur schnellen Authentifizierung von verfälschtem Paprikapulver. J. Lebensmittelkompositionen. Anal. Rev. 87, 103403 (2020).

Artikel CAS Google Scholar

Rahman, A., Wang, S., Yan, J. & Xu, H. Qualitätsbewertung intakter Macadamianüsse mittels Nahinfrarotspektroskopie und multivariater Analyse. J. Lebensmittelkompositionen. Anal. 102, 104033 (2021).

Artikel CAS Google Scholar

Riu, J., Gorla, G., Chakif, D., Boqué, R. & Giussani, B. Schnelle Analyse von Milch mit kostengünstigen NIR-Spektrometern im Taschenformat und multivariater Analyse. Lebensmittel 9, 1090 (2020).

Artikel CAS PubMed Central Google Scholar

Jorge dos Santos, V. et al. MikroNIR-Spektroskopie und multivariate Kalibrierung bei der Bestimmung der proximalen Zusammensetzung von Muttermilch. LWT 147, 111645 (2021).

Artikel CAS Google Scholar

Sarraguça, MC & Lopes, JA Qualitätskontrolle von Arzneimitteln mit NIR: Vom Labor bis zur Prozesslinie. Vib. Spektroskopie 49, 204–210 (2009).

Artikel Google Scholar

Peerapattana, J., Otsuka, K. & Otsuka, M. Anwendung der NIR-Spektroskopie zur Qualitätskontrolle von Mangostan-Perikarp-Pulver: Quantitative Analyse von Alpha-Mangostin in Mangostan-Perikarp-Pulver und -Kapsel. J. Nat. Med. 67, 452–459 (2013).

Artikel CAS PubMed Google Scholar

Liang, C., Yuan, HF, Zhao, Z., Song, CF & Wang, JJ Eine neue multivariate Kalibrierungsmodellübertragungsmethode der Nahinfrarot-Spektralanalyse. Chemom. Intel. Labor. Syst. 153, 51–57 (2016).

Artikel CAS Google Scholar

Eliaerts, J. et al. Auswertung eines Kalibrierungstransfers zwischen einem Tischgerät und einem tragbaren Mittelinfrarot-Spektrometer zur Klassifizierung und Quantifizierung von Kokain. Talanta 209, 120481 (2020).

Artikel CAS PubMed Google Scholar

McVey, C., McGrath, TF, Haughey, SA & Elliott, CT Ein schneller Ansatz der Lebensmittelkette zur Authentizitätsprüfung: Die Entwicklung, Validierung und Übertragbarkeit eines chemometrischen Modells unter Verwendung von zwei tragbaren Nahinfrarotspektroskopiegeräten (NIRS). Talanta 222, 121533 (2021).

Artikel CAS PubMed Google Scholar

Wongsaipun, S., Theanjumpol, P. & Kittiwachana, S. Entwicklung eines universellen Kalibrierungsmodells zur Quantifizierung von Verfälschungen in thailändischem Jasminreis mittels Nahinfrarotspektroskopie. Essen Anal. Methoden 14, 997–1010 (2021).

Artikel Google Scholar

Srithongkul, C., Krongchai, C., Santasup, C. & Kittiwachana, S. Eine Untersuchung der Auswirkung von Betriebsbedingungen auf ein sequentielles Extraktionsverfahren für Arsen im Boden in Thailand. Chemosphere 242, 125230 (2020).

Artikel ADS CAS PubMed Google Scholar

Bezerra, MA, Santelli, RE, Oliveira, EP, Villar, LS & Escaleira, LA Response Surface Methodology (RSM) als Werkzeug zur Optimierung in der analytischen Chemie. Talanta 76, 965–977. https://doi.org/10.1016/j.talanta.2008.05.019 (2008).

Artikel CAS PubMed Google Scholar

Dai, X. et al. Genaue Analyse von Harnstoff in Milch und Milchpulver mittels Isotopenverdünnungsgaschromatographie-Massenspektrometrie. J. Chromatogr. B Analyt. Technol. Biomed. Lebenswissenschaft. 878, 1634–1638 (2010).

Artikel CAS PubMed Google Scholar

Chiavelli, LUR et al. Optimierung der Reinigung von Milchproben mithilfe der Response-Surface-Methode. Essen Anal. Methoden 13, 166–175 (2020).

Artikel Google Scholar

Duy, PK, Chun, S., Lee, Y. & Chung, H. Untersuchung der partikelgrößenabhängigen Nahinfrarot-Spektralmerkmale binärer Gemischproben in Verbindung mit Monte-Carlo-Simulation und des Einflusses der Partikelgröße auf die Genauigkeit von quantitative Analyse. Analyst 143, 4306–4315 (2018).

Artikel ADS CAS PubMed Google Scholar

Wang, Y., Veltkamp, DJ & Kowalski, BR Multivariate Instrumentenstandardisierung. Anal. Chem. 63, 2750–2756 (1991).

Artikel CAS Google Scholar

Wulfert, F., Kok, WT, de Noord, OE & Smilde, AK Korrektur temperaturbedingter spektraler Variation durch kontinuierliche stückweise direkte Standardisierung. Anal. Chem. 72, 1639–1644 (2000).

Artikel CAS PubMed Google Scholar

Brereton, RG Chemometrie: Datenanalyse für das Labor und die Chemiefabrik (Wiley, 2003).

Buchen Sie Google Scholar

Mustorgi, E. et al. Eine chemometrische Strategie zur Bewertung der Vergleichbarkeit von PLS-Modellen aus Quarzküvetten und Einwegglasfläschchen bei der Bestimmung von Qualitätsparametern für natives Olivenöl extra mittels NIR-Spektroskopie. Chemom. Intel. Labor. Syst. 199, 103974 (2020).

Artikel CAS Google Scholar

Kittiwachana, S. et al. Eine Klasse von Klassifikatoren zur Prozessüberwachung, veranschaulicht durch die Anwendung auf die Online-HPLC eines kontinuierlichen Prozesses. J. Chemom. 24, 96–110 (2010).

Artikel CAS Google Scholar

Wongsaipun, S., Krongchai, C., Jakmunee, J. & Kittiwachana, S. Messung der Frische von Reiskörnern mit einem schnellen Viskoanalysator und Chemometrie. Essen Anal. Methoden 11, 613–623 (2018).

Artikel Google Scholar

Bouveresse, E. & Massart, DL Standardisierung von Nahinfrarot-Spektrometerinstrumenten: Ein Überblick. Vib. Spektroskopie 11, 3–15. https://doi.org/10.1016/0924-2031(95)00055-0 (1996).

Artikel CAS Google Scholar

Erickson, J. & Slavin, J. Gesamtzucker, zugesetzter und freier Zucker: Sind restriktive Richtlinien wissenschaftlich fundiert oder erreichbar? Nährstoffe 7, 2866–2878 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Dieses Projekt wird vom National Research Council of Thailand (NRCT) und der Chiang Mai University finanziert: N42A650304. Wir danken auch dem Postharvest Technology Innovation Centre, Büro der Higher Education Commission, Bangkok, Thailand.

Fakultät für Chemie, Fakultät für Naturwissenschaften, Universität Chiang Mai, Chiang Mai, 50200, Thailand

Chanat Thanavanich, Nutthatida Phuangsaijai, Chanidapha Thiraphatchotiphum und Sila Kittiwachana

Postharvest Technology Research Center, Fakultät für Landwirtschaft, Universität Chiang Mai, Chiang Mai, 50200, Thailand

Parichat Theanjumpol

Postharvest Technology Innovation Center, Ministerium für höhere Bildung, Wissenschaft, Forschung und Innovation, Bangkok, 10400, Thailand

Parichat Theanjumpol

Sie können diesen Autor auch in PubMed Google Scholar suchen

CT führte Experimente durch, führte chemometrische Berechnungen durch und verfasste das Originalmanuskript; NP, CT und PT führten Experimente durch; SK konzipierte diese Arbeit, überwachte die Finanzierung, überprüfte und redigierte das Manuskript. Alle Autoren haben das Manuskript überprüft und zur endgültigen Fassung beigetragen.

Korrespondenz mit Sila Kittiwachana.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Thanavanich, C., Phuangsaijai, N., Thiraphatchotiphum, C. et al. Sofortige Quantifizierung von Zuckern in Milchtabletten mithilfe von Nahinfrarotspektroskopie und chemometrischen Werkzeugen. Sci Rep 12, 18802 (2022). https://doi.org/10.1038/s41598-022-23537-7

Zitat herunterladen

Eingegangen: 30. August 2022

Angenommen: 01. November 2022

Veröffentlicht: 05. November 2022

DOI: https://doi.org/10.1038/s41598-022-23537-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.