En rask metode for volatile sammensatte analyse i frukt er beskrevet. De flyktige forbindelser til stede i frivolum en homogenat av utvalget raskt skilles ut og oppdaget med ultrarask gasskromatografi (GC) kombinert med en Surface Acoustic Wave (SAW) sensor. En prosedyre for datahåndtering og analyse er også diskutert.
Tallrike og diverse fysiologiske endringer forekomme under frukt modning, herunder utvikling av en bestemt flyktig blanding som karakteriserer frukt aroma. Forfall ved høsting er en av de viktigste faktorene som påvirker smaken kvaliteten på frukt og grønnsaker 1. Validering av robuste metoder som raskt vurderer frukt modenhet og aroma kvalitet ville tillate bedre forvaltning av avanserte avlsprogram, produksjon praksis og Kombinasjonen av håndtering.
Over de siste tre tiårene har mye forskning vært gjennomført for å utvikle såkalte elektroniske neser, som er enheter i stand til å raskt oppdage lukt og smaker 2-4. Foreløpig er det flere kommersielt tilgjengelige elektroniske neser i stand til å utføre volatile analyse, basert på ulike teknologier. Den elektroniske nesen brukes i vårt arbeid (zNose, EST, Newbury Park, CA, USA), består av ultra-rask gasskromatografi kombinert med en overflate akustisk bølge sensor (UFGC-SAW). Denne teknologien har allerede blitt testet for sin evne til å overvåke kvaliteten på ulike råvarer, deriblant deteksjon av forverring i eple 5, modenhet og råte evaluering i mango 6, aroma profilering av thymus arter 7; C 6 flyktige forbindelser i drue bær 8; karakterisering av vegetabilsk olje 9 og påvisning av adulterants i virgin kokosolje 10.
Dette systemet kan utføre de tre store skritt av aroma analyse: headspace prøvetaking, separasjon av flyktige forbindelser, og gjenkjenning. I omtrent ett minutt, vil effekten, et kromatogram, produsert og etter en sletting syklus, er instrumentet klar for videre analyse. Resultatene er oppnådd med zNose kan sammenlignes med de andre gass-kromatografisk systemer ved beregning av Kovats Indekser (KI). Når apparatet er innstilt med en alkane standard løsning, er oppholdstidene automatisk konvertert tilKIS. Det er imidlertid små endringer i temperatur og strømningshastighet forventes å skje over tid, forårsaker retensjonstider å drive. Også avhengig av polariteten på kolonnen stasjonære fasen, kan reproduserbarheten av KI beregninger variere med flere indeks enheter 11. En rekke programmer og grafiske grensesnitt ble derfor utviklet for å sammenligne beregnede KIS blant prøvene i en semi-automatisert måte. Disse programmene redusere tiden som kreves for kromatogram analyse av store datasett og færrest mulig feiltolking av data når kromatogrammer ikke er perfekt justert.
Vi presenterer en metode for rask volatile sammensatte analyse i frukt. Prøveopparbeidelse, datainnsamling og håndtering prosedyrer blir også diskutert.
Elektroniske neser representerer en lovende metode for rask, objektiv vurdering av aroma profiler fra frukt eller flyktige-rike prøver. Men skifter i oppholdstid representere en utfordring for topp identifisering og kan føre til feiltolking av data når to kromatogrammer ikke er perfekt justert. Visuell inspeksjon av kromatogrammer indikerte at variasjonen av oppholdstid mellom prøvene ofte forårsaket den samme toppen som skal merkes med litt andre KI verdier (ca ± 10). Dette oversettes til en overdrevet antall unike KIS oppdaget. For å dra nytte av de fakta som (a) ulike forbindelser er tilstede på ulike forfall stadier og (b) teknisk gjentak er omtrent identiske, to PC-baserte skript ("kim_merge.py", som inneholder rutiner for håndtering av data set, og "kim_interface.py", som gir et grafisk brukergrensesnitt (GUI)) ble utviklet for å systematisksammenligne prøvene på en semi-automatisert måte, noe som reduserer tiden som trengs for kromatogram analyse av store datasett. Disse programmene la konsolidering, eventuelt av topper merket med en rekke KI verdier under ett KI etikett. Dette tjener to viktige formål: (a) det muliggjør en statistisk analyse for å behandle slike topper som en enkelt variabel, og (b) det letter topp identifisering og sammenligning med andre systemer og publiserte verdier. Resultatene som presenteres her indikerer at melon prøvene kunne diskrimineres basert på modenhet og aroma profilering bruke zNose system i kombinasjon med tilstrekkelig KI identifikasjon. Dette representerer en lovende ny teknologi for analyse av flyktige som kan benyttes for kvalitetskontrollprogrammer.
The authors have nothing to disclose.
Forfatterne takker Bill klarer (Harris Moran Seed Company, Davis) for å gi melon frukt for denne analysen. Dette prosjektet er støttet av Spesialist Avlinger Research Initiative Competitive Grants-programmet gir nei. 2009-51181-05783 fra USDA National Institute of Food and Agriculture.
Name of the reagent | Company | Catalogue number | Comments |
Calcium chloride | MP Biomedical | 195088 | |
2-Methylbutyl isovalerate | SAFC Global | W350613 | ≥ 98%, natural, FCC |
Methanol | Fisher Scientific | A411-4 | |
Vial | Sigma/Supelco | SU860098 | |
Cap | Sigma/Supelco | SU860101 | |
Laboratory blender | Waring Laboratory Science | 7009G | 2-speed blender; 1- Liter glass container |
Bottle | Fisher Scientific | 06-414-1C | Pyrex, 500 mL; polypropylene plug-seal |
Needle | Electronic Sensor Technology | TLC101046 | Side hole luer |
Alkanes solution | Electronic Sensor Technology | C6-C14 alkanes solution in methanol | |
zNose | Electronic Sensor Technology | Model 4500 | |
DB-5 GC column | Electronic Sensor Technology | SYS4500C5 | |
MicroSense | Electronic Sensor Technology | Version 5.44.22 | |
Python 2.6 | Freely available on-line | ||
“reform_data.py” and “kim_interface.py” scripts | Scripts available as supplementary material on JoVE |