En snabb metod för flyktig förening analys i frukt beskrivs. De flyktiga föreningar som föreligger i det övre utrymmet av ett homogenat av provet snabbt separeras och detekteras med en ultrasnabb gaskromatografi (GC) kopplad med en ytakustisk våg (SAW)-sensor. Ett förfarande för hantering av data och analys diskuteras också.
Många och olika fysiologiska förändringar under fruktmognad, inklusive utvecklingen av en specifik flyktigt blandning som kännetecknar frukt arom. Mognad vid skörden är en av de viktigaste faktorer som påverkar smaken kvaliteten på frukt och grönsaker 1. Validering av robusta metoder som snabbt bedöma frukt mognad och arom kvaliteten skulle tillåta förbättrad förvaltning av avancerade avelsprogram, praxis produktion och efter skörd hantering.
Under de senaste tre decennierna har mycket forskning gjorts för att utveckla så kallade elektroniska näsor, som är apparater som kan för att snabbt upptäcka lukter och smaker 2-4. För närvarande finns det flera kommersiellt tillgängliga elektroniska näsor kan utföra flyktiga analyser, baserade på olika tekniker. Den elektroniska näsan som används i vårt arbete (zNose, EST, Newbury Park, CA, USA), består av ultra-snabb gaskromatografi i kombination med en akustisk våg sensor (UFGC-SAW). Denna teknik har redan testats för sin förmåga att övervaka kvaliteten på olika varor, bland annat upptäcka försämringar i Apple 5, mognad och röta utvärdering mango 6, doft profilering av bräss arter 7, C 6 flyktiga föreningar i vindruvor 8; karakterisering av vegetabilisk olja 9 och upptäcka manipulationer i Virgin kokosolja 10.
Detta system kan utföra de tre viktigaste stegen i doft analysen: headspace provtagning, separation av flyktiga föreningar och detektion. I ca en minut, matas utsignalen, ett kromatogram, som produceras och, efter en rening cykel, är instrumentet redo för ytterligare analys. De resultat som erhölls med zNose kan jämföras med dem för andra gas-kromatografiska system genom beräkning av Kovats Index (Kl). När instrumentet har avstämd med en alkan standardlösningen är retentionstiderna automatiskt omvandlas tillKI. Emellertid är små förändringar i temperatur och flödeshastighet förväntas inträffa med tiden, vilket orsakar retentionstider att glida. Också, beroende på polariteten hos kolonnen stationära fasen, kan reproducerbarheten av KI beräkningar variera med flera indexenheter 11. En serie program och grafiska gränssnitt har därför utvecklats för att jämföra beräknade KIs bland prov i ett semi-automatiserat sätt. Dessa program minska den tid som krävs för kromatogram analys av stora datamängder och minimera risken för feltolkning av data när kromatogrammen inte perfekt linje.
Vi presenterar en metod för snabb flyktig förening analys i frukt. Provberedning, datainsamling och hantering, diskuteras också.
Elektroniska näsor representerar en lovande metod för den snabba, objektiv utvärdering av arom profiler från frukter eller flyktiga-rika prover. Men har en förändrad uppehållstid utgör en utmaning för topp identifiering och kan leda till feltolkningar av data när två kromatogram inte är perfekt i linje. Visuell inspektion av kromatogram visade att variationen av retentionstiderna bland prover orsakas ofta samma topp som skall märkas med lite olika KI-värden (ca ± 10). Detta kan översättas till en överdriven antal unika upptäckta KIs. För att dra fördel av de fakta som (a) olika föreningar är närvarande vid olika löptid stadier och (b) tekniska replikerar är ungefär identiska två datorbaserade skript ("kim_merge.py", som innehåller rutiner för hantering av data uppsättning, och "kim_interface.py", som tillhandahåller ett grafiskt användargränssnitt (GUI)) har utvecklats för att systematisktjämföra prover i en halvautomatiserad sätt, vilket kraftigt minskar den tid som krävs för kromatogram analys av stora datamängder. Dessa program tillåter konsolidering, i förekommande fall, av topparna märkta med en rad KI värden under en enda KI etikett. Detta tjänar två viktiga syften: (a) den möjliggör en statistisk analys för att behandla sådana toppar som en enda variabel, och (b) den underlättar topp identifiering och jämförelse med andra system och publicerade värden. Resultat som presenteras här visar att melon prover skulle kunna diskrimineras på grundval av mognad och arom profilering med zNose i kombination med lämplig KI identifiering. Detta utgör en lovande ny teknik för analys av flyktiga ämnen som kan användas för program för kvalitetskontroll.
The authors have nothing to disclose.
Författarna tackar Bill Klarar (Harris Moran Seed Company, Davis) för att ge melon frukt för denna analys. Projektet stöds av specialgrödor Research Initiative konkurrenskraftig Grants inte bevilja. 2009-51181-05783 från USDA National Institute of livsmedel och jordbruk.
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 |