Discrimination of Soft Drinks using a Chemical Sensor and Principal Component Analysis

Význam tématu

Analýza a rozlišení nealkoholických nápojů podle obsahu těkavých látek je důležitá pro kontrolu kvality, ochranu spotřebitele a ověřování autenticity značek. Spojení chemického senzoru s multivariačními statistickými metodami nabízí rychlý a citlivý přístup k charakterizaci složitých vzorků bez nutnosti časově náročné chromatografické separace.

Cíle a přehled studie / článku

Studie se zaměřuje na diskriminaci vzorků kolových nápojů od různých výrobců pomocí chemického senzoru založeného na kvadrupólové hmotnostní spektrometrii a následné zpracování dat pomocí hlavních komponent (PCA). Doplňkově je vyhodnocena extrakce těkavých látek technikou stir bar sorptive extraction (Twister) s GC/MS za účelem identifikace diskriminačních sloučenin.

Použitá metodika a instrumentace

• Odběr 5ml vzorků v 10ml nádobkách, ekvilibrace při 80 °C po dobu 20 minut.
• Gerstel ChemSensor 4440 s přímým headspace napojením na Agilent 5973 MSD, sběr celého headspace ve skenovacím režimu m/z 46–150, doba analýzy 3–4 minuty na vzorek.
• Souběžná extrakce Twister (1h) a analýza pomocí GC 6890 spřaženého s MSD 5973 a Thermo Desorption autosamplerem Gerstel.
• Zpracování spektroskopických dat v software Pirouette, PCA a hierarchická shluková analýza s Eukleidovskou vzdáleností a single linkage.

Hlavní výsledky a diskuse

• PCA zachytila přes 90 % variability dat v prvních třech hlavních komponentách, model umožnil jasné rozlišení vzorků podle značek.
• Vzorky téhož výrobce tvořily v PCA a dendrogramu konzistentní shluky, nejvýraznější rozdíl byl mezi vzorkem C v plastové lahvi a ostatními.
• Extrakcí Twister byly identifikovány těkavé sloučeniny jako p-cymen, limonene nebo terpinoly, jejichž relativní zastoupení se lišilo mezi vzorky C-bottle a C-can, pravděpodobně vlivem světelné citlivosti.

Přínosy a praktické využití metody

• Rychlá klasifikace nealkoholických nápojů bez chromatografické separace šetří čas i náklady laboratoře.
• Možnost rozšíření systému na další kategorie potravinářských přípravků či farmaceutických vzorků.
• Komplementární použití GC/MS pro identifikaci diskriminačních složek podporuje interpretaci výsledků PCA.

Budoucí trendy a možnosti využití

Integrace elektronických nosů a pokročilých algoritmů strojového učení může dále zvýšit přesnost rozlišování složitých směsí. Zlepšení modulárnosti senzorů a rozšíření datových knihoven přinese širší uplatnění v průmyslové automatizaci kontroly kvality i environmentální analýze.

Závěr

Prokázalo se, že kombinace headspace hmotnostní spektrometrie s multivariačními metodami poskytuje spolehlivý a efektivní nástroj pro diskriminaci nealkoholických nápojů. Doplňková GC/MS analýza umožnila identifikovat klíčové těkavé složky zodpovědné za rozdíly mezi vzorky.

Reference

1. Vanessa Kinton, Edward Pfannkoch, Jacqueline Whitecavage. Discrimination of Soft Drinks using a Chemical Sensor and Principal Component Analysis. AN/2002/02, Gerstel, Inc.