Integrated Analysis of Aromatic Components and Metabolites in Beer Samples Using GC-MS Smart Databases

Význam tématu

Hodnocení aroma a metabolitů v potravinách, jako je pivo, je klíčové pro zajištění kvality, konzistence a vývoje nových produktů.
Komplexní analýza těchto sloučenin umožňuje lépe porozumět vlivu surovin a výrobních procesů na výsledné vlastnosti nápoje.

Cíle a přehled studie/článku

Cílem článku je demonstrovat integrovanou analýzu aromatických složek a metabolitů v komerčně dostupných a zkušebních pivech pomocí GC-MS a přednastavených Smart Databází.
Data z jednotlivých analýz jsou vizualizována pomocí multivariační PCA a následně propojena metodou MOCA pro odhalení vzájemných korelací.

Použitá metodika a instrumentace

Pro analýzu aroma byl použit systém GCMS-QP2020 NX vybaven autosamplerem HS-20 NX a kolonou InertCap Pure-wax (30 m×0,25 mm, 0,25 µm).
Před analýzou se vzorky vyčistily termální desorpcí na pasti Tenax®TA.
Pro analýzu metabolitů se využil GCMS-TQ8040 NX s injektorem AOC-20i+s a kolonou DB-5MS (30 m×0,25 mm, 1,0 µm).
Před samotným GC-MS byly metabolity derivatizovány postupy metoximace a trimethylsilylace podle standardních protokolů.
Pro identifikaci a kvantifikaci byly použity Smart Aroma Database (~500 sloučenin) a Smart Metabolites Database (~600 sloučenin).
Multivariační analýza (PCA) a integrovaná multiblocková analýza (MOCA) byly provedeny v softwaru SIMCA 17.

Hlavní výsledky a diskuse

V komerčních pivních vzorcích bylo identifikováno 143 aromatických složek a 375 metabolitů.
PCA ukázala odlišné profilové charakteristiky ležáků, ale, pšeničných piv a sudově zráných vzorků; největší přidané hodnoty vykazovaly sloučeniny jako linalool či geraniol u IPA a mléčná či jantarová kyselina u sudově zrání.
Ve zkušebních pivech byl rozdíl mezi kvasinkami potvrzen identifikací 140 aromatických látek a 361 metabolitů; specifické aroma- a metabolické profily nově izolovaných kvasinek se výrazně lišily od konvenčních.
MOCA integrovaně potvrdila silnou korelaci mezi klíčovými aromatickými komponentami (např. α-humulen, linalool) a specifickými metabolity (např. inositol, glycerol), přičemž menší rozptyl datových bloků indikoval vysokou vzájemnou provázanost.

Přínosy a praktické využití metody

Metoda umožňuje rychlou a komplexní charakterizaci piva z hlediska aroma i metabolického profilu.
Usnadňuje kontrolu kvality a podporuje vývoj nových produktů díky schopnosti identifikovat klíčové složky a jejich vzájemné vztahy.
MOCA integrovaná analýza poskytuje hlubší vhled do vzájemných korelací mezi daty z různých instrumentálních metod.

Budoucí trendy a možnosti využití

Rozšíření Smart Databází o další třídy sloučenin a matice (např. další nápoje či potraviny).
Integrace dalších „omics“ technik (např. lipidomika, peptidomika) do multiblockových analýz.
Využití umělé inteligence pro predikci senzorických vlastností na základě chemických profilů.

Závěr

Ukázalo se, že použití přednastavených Smart Databází spolu s multivariačními a integrovanými metodami umožňuje cílenou i komplexní analýzu aroma a metabolitů v pivu.
Tento přístup přináší podstatné zvýšení efektivity v kvalitativním hodnocení a rozvoji nových pivních produktů.

Reference

• Shimbo E., Higashi Y., Takemori Y. Integrated Analysis of Aromatic Components and Metabolites in Beer Samples Using GC-MS Smart Databases. Shimadzu Application News 01-00323-EN, 2022.
• Shimadzu Application News M280 (LAAN-A-MS063A). Derivatizační postupy pro analýzu metabolitů.