Classification of herbs by FT-NIR spectroscopy

Klasifikace bylin pomocí FT-NIR spektroskopie — shrnutí aplikace

Význam tématu

FT-NIR (Fourierova transformace v blízké infračervené oblasti) je rychlá, bezkontaktní a nenáročná metoda vhodná pro identifikaci surovin v průmyslových provozech. V oblasti farmacie, nutraceutik a kosmetiky jsou rostlinné suroviny častými vstupy do výrobních procesů; jejich biologický původ vede k variabilitě a k přítomnosti společných matric (celulóza, proteiny, cukry), což komplikuje spolehlivou identifikaci tradičními metodami. FT-NIR umožňuje detekci charakteristických vibračních signálů funkčních skupin a tím rychlou klasifikaci bez rozsáhlé přípravy vzorku, což snižuje čas i pracovní náklady při vstupní kontrole surovin a zvyšuje průběžnou kontrolu jakosti.

Cíle a přehled studie / článku

Cílem aplikace popsané v materiálu bylo ověřit, zda lze pomocí FT-NIR spektroskopie rychle a spolehlivě klasifikovat 14 různých bylin používaných pro extrakty v nutraceutikách, kosmetice a farmacii. Studie se zaměřila na minimální manipulaci se vzorky (bez drcení či prosévání), rychlé snímání spekter a použití multivariační chemometrie (diskriminační analýzy a PCA) pro vytvoření klasifikačního modelu, který by byl použitelný v provozních podmínkách.

Použitá metodika a instrumentace

Metodika:

• Vzorky: 14 různých bylin (listy, květy, kořeny, gally, kůra, pryskyřice), dodané společností IREL; částice v původním stavu, bez další přípravy; velikosti od drobných prášků po fragmenty až ~10×10×5 mm.
• Snímání: spektra nasbírána v rozsahu ~10 000–4 000 cm−1 (kalibrace použila 9 900–4 100 cm−1).
• Parametry měření: 50 akumulovaných skenů na spektrum, rozlišení 4 cm−1; uzavřená rotační miska s 30 mm okénkem nad integrační koulí; každé spektrum vzniklo během méně než jedné minuty při dvou otočkách misky.
• Preprocessing: multiplicative signal correction (MSC) typu pathlength; lineárně odstraněná baselina; bez derivací a bez dalších vyhlazovacích funkcí.
• Chemometrie: diskriminační analýza pro klasifikaci; PCA (hlavní komponenty) pro vizualizaci variability; vyhodnocení robustnosti pomocí Mahalanobisovy vzdálenosti.

Instrumentace a software:

• Antaris II FT-NIR Analyzer ( Thermo Scientific ) s integrační koulí a uzavřenou rotační vzorkovací miskou (sample cup spinner).
• Thermo Scientific TQ Analyst Software pro vývoj diskriminačních modelů.
• Thermo Scientific RESULT Software pro sběr a archivaci spekter a dat validovaným způsobem.

Hlavní výsledky a diskuse

• Všechny standardní vzorky i vybraný validační soubor byly správně klasifikovány; metoda dosáhla 100% přesnosti pro daný dataset.
• PCA ukázala, že pět hlavních komponent vysvětlilo 99,5 % spektrální variability, což naznačuje, že rozměrnost dat je relativně nízká a model je potenciálně robustní.
• Vyhodnocení pomocí Mahalanobisovy vzdálenosti prokázalo, že nejbližší nesprávná třída byla obvykle alespoň dvojnásobně vzdálená oproti správné třídě, tedy dobré spektrální oddělení mezi třídami.
• Spektrální shlukování: homogenní materiály (např. práškový pepř) vytvářely úzké, dobře definované shluky; heterogenní materiály s nepravidelnými částicemi (např. listy ořešáku, rozdrcené gally) vykazovaly širší rozptyl. Nicméně i v pětirozměrném prostoru hlavních komponent nebyly pozorovány překryvy mezi třídami.
• Model byl vytvořen bez nutnosti drcení či homogenizace vzorků, což zdůrazňuje praktickou použitelnost metody při příjmu surovin.

Přínosy a praktické využití metody

• Rychlá identifikace surovin: měření méně než jedné minuty na vzorek umožňuje výrazné zrychlení vstupních kontrol oproti chromatografickým či morfologickým metodám.
• Minimální manipulace se vzorkem: odstranění kroku drcení/sití snižuje riziko kontaminace a ztráty materiálu a zjednodušuje workflow v kvalitativní kontrole.
• Vhodné pro různé typy rostlinného materiálu: metoda zvládá prášky i hrubé fragmenty díky integrační kouli a rotační misce zajišťující reprodukovatelnost měření heterogenních vzorků.
• Implementace do QA/QC: ideální pro rutinní kontrolu příjmu surovin v pharma/nutra/kosmetických provozech, kde rychlost a opakovatelnost rozhodují o efektivitě procesu.

Budoucí trendy a možnosti využití

• Rozšiřování knihoven: postupné doplňování databází spekter o další byliny, odrůdy a zdroje (geografické či sezonní variace) zvýší univerzálnost a přenositelnost modelů.
• Pokročilejší strojové učení: využití moderních algoritmů (např. SVM, ensemble metody, hluboké učení) může zlepšit robustnost vůči variabilitě matric a šumu.
• Integrace do procesní analytiky (PAT): on-line nebo at-line FT-NIR systémy pro průběžnou kontrolu extrakčních a výrobních kroků.
• Standardizace a validace: vytvoření validovaných protokolů pro přenos modelů mezi zařízeními a pro splnění regulatorních požadavků v lékařském a potravinářském sektoru.
• Multimodální přístup: kombinace FT-NIR s vizuálními metodami nebo LC-MS pro komplexní profilaci a identifikaci látek či kontaminantů.

Závěr

Studie demonstruje, že FT-NIR spektroskopie na přístroji Antaris II ve spojení s diskriminační analýzou a přiměřenou předzpracovací strategií (MSC, odstraněná baselina) poskytuje rychlou, reprodukovatelnou a spolehlivou metodu pro klasifikaci různorodých bylin bez nutnosti rozsáhlé přípravy vzorku. Metoda vykázala 100% úspěšnost na testovaném souboru 14 bylin a poskytuje výrazné provozní výhody pro QA/QC v průmyslových aplikacích.

Reference

1. Hollein M., Strother T., Classification of herbs by FT-NIR spectroscopy, Thermo Fisher Scientific, Application Note AN51724_E, 06/2022.