Construction of a Regression Model for a Coffee Sensory Evaluation Through the Comprehensive Analysis of Metabolites

Význam tématu

V oblasti vývoje a hodnocení potravin je klíčové pochopení vztahu mezi chemickým složením a senzorickými vlastnostmi. Metabolomické analýzy nabízejí komplexní pohled na množství nízkomolekulárních sloučenin, které společně ovlivňují chuť potravin, a usnadňují tak objektivní predikci senzorických atributů.

Cíle a přehled studie

Cílem bylo vybudovat regresní model metodou částečných nejmenších čtverců (PLS) pro predikci vjemu hořkosti různých druhů kávových zrn na základě profilů metabolitů získaných pomocí GC-MS/MS. Studie zahrnovala osm typů kávy hodnocených panelisty na pěti-bodové škále.

Použitá metodika a instrumentace

• Příprava vzorku: mletí a pražení kávových zrn, extrakce methanolem, vodou a chloroformem, sušení v koncentrátoru, derivatizace methylaminem v pyridinu a N-methyl-N-(trimethylsilyl) trifluoroacetamidem.
• Instrumentace: plynová chromatografie spojená s hmotnostní spektrometrií (GC-MS/MS).
• Kolona: BPX-5 (30 m × 0,25 mm, 0,25 μm); split 30:1; injekční port 250 °C; program pece 60 °C → 330 °C (15 °C/min, 3 min); tok nosného plynu lineární rychlostí 39 cm/s; rozhraní 200 °C; iontové zdroje 280 °C.
• Software: Smart Metabolites Database pro identifikaci a SIMCA 14 pro PLS analýzu.

Hlavní výsledky a diskuse

Analýzou bylo detekováno 192 metabolitů v osmi vzorcích. PLS model dosáhl korelačního koeficientu 0,9945 a RMSEP 0,346. Mezi sloučeniny s pozitivním vlivem na hořkost patřily glycin-3TMS, arabitol-5TMS a mannitol-6TMS, zatímco negativně korelované byly 4-hydroxybenzoová kyselina-2TMS, glyceraldehyd-2TMS a erythrulóza-2TMS. Hodnoty VIP vyšší než 1 potvrzují jejich význam v modelu.

Přínosy a praktické využití metody

• Umožňuje objektivní kvantifikaci senzorických atributů na základě chemického profilu.
• Podpora vývoje potravin a optimalizace receptur na základě klíčových metabolitů.
• Uplatnění v kontrole jakosti a standardizaci výrobních procesů.

Budoucí trendy a možnosti využití

• Integrace s dalšími omickými přístupy pro komplexnější modelování chuti.
• Využití strojového učení a umělé inteligence pro automatizované predikce senzorických vlastností.
• Aplikace na širší spektrum potravin a nápojů včetně vína, čaje či mléčných výrobků.

Závěr

Studie prokázala, že PLS model založený na GC-MS/MS metabolomice dokáže s vysokou přesností předpovědět vjem hořkosti kávy a identifikovat klíčové metabolity. Metodika přináší cenný nástroj pro vývoj a hodnocení potravinových produktů.

Reference

• Shimadzu Corporation. Construction of a Regression Model for a Coffee Sensory Evaluation Through the Comprehensive Analysis of Metabolites. Application News No M274, February 2018.