Summary

Der Bau der Modelle für die zerstörungsfreie Vorhersage von Ingredient Inhalt in Heidelbeeren durch Nahinfrarotspektroskopie Basierend auf HPLC-Messungen

Published: June 28, 2016
doi:

Summary

We present here a protocol to construct and validate models for nondestructive prediction of total sugar, total organic acid, and total anthocyanin content in individual blueberries by near-infrared spectroscopy.

Abstract

Nondestructive prediction of ingredient contents of farm products is useful to ship and sell the products with guaranteed qualities. Here, near-infrared spectroscopy is used to predict nondestructively total sugar, total organic acid, and total anthocyanin content in each blueberry. The technique is expected to enable the selection of only delicious blueberries from all harvested ones. The near-infrared absorption spectra of blueberries are measured with the diffuse reflectance mode at the positions not on the calyx. The ingredient contents of a blueberry determined by high-performance liquid chromatography are used to construct models to predict the ingredient contents from observed spectra. Partial least squares regression is used for the construction of the models. It is necessary to properly select the pretreatments for the observed spectra and the wavelength regions of the spectra used for analyses. Validations are necessary for the constructed models to confirm that the ingredient contents are predicted with practical accuracies. Here we present a protocol to construct and validate the models for nondestructive prediction of ingredient contents in blueberries by near-infrared spectroscopy.

Introduction

Nah-Infrarot (NIR) Spektroskopie ist weithin als eine nicht – destruktive Technik angewandt Inhalt von Obst und Gemüse verschiedener Art zu analysieren. 1,2 Zerstörungsfreie Analysen durch NIR – Spektroskopie , um die Lieferung von nur lecker Obst und Gemüse mit garantierten Eigenschaften ermöglichen. NIR-Spektroskopie wurde bereits nach orange angewendet wurde, Apfel, Melone, Kirsche, Kiwi, Mango, Papaya, Pfirsich und so auf ihrer Brix zu kennen, die auf den Gesamtzuckergehalt entspricht, Säure, TSC (Gesamtfeststoffgehalt), und so weiter . Vor kurzem haben wir die Anwendung der NIR – Spektroskopie zur Qualitätsbewertung von Heidelbeeren berichtet. 3 Wir messen nicht nur den Gesamtzuckergehalt und den Gesamtgehalt organischer Säure zu Säure entspricht, sondern auch die Gesamt Anthocyaningehalt. Anthocyan ist ein bioaktives Komponente, die geglaubt wird, die menschliche Gesundheit zu verbessern. Es ist bequemer für die Verbraucher, wenn sie leckeren Heidelbeeren mit der Versicherung ihrer Zuckergehalt kaufen können, acidity und Anthocyan-Gehalt.

In NIR-Absorptionsspektren von Obst und Gemüse, nur breite Absorptionsbanden beobachtet. Sie sind vor allem die Bänder aufgrund von Faser und Feuchtigkeit. Obwohl viele schwache Banden aufgrund verschiedener Bestandteile des nicht zerstörten Ziel gleichzeitig beobachtet werden, können die beobachteten Banden nicht auf bestimmte Schwingungsmoden bestimmter Komponenten des Ziels in den meisten Fällen zugewiesen werden. Daher ist die herkömmliche Technik, um den Gehalt einer bestimmten Komponente unter Verwendung des Lambert-Beer'schen Gesetz zu bestimmen, nicht für die NIR-Spektren wirksam. Stattdessen Kalibrationsmodelle die Inhalte der Zielkomponenten aus den beobachteten Spektren vorherzusagen , werden unter Verwendung der Chemometrie konstruiert , indem die Korrelation zwischen der beobachteten Spektren zu untersuchen und die Bestand Inhalt an den Spektren entsprechen. 4,5 Hier wird ein Protokoll zu erstellen und um die Modelle zu validieren für die Vorhersage des Gesamtzuckergehalts, entsprechende Gesamt Gehalt an organischer Säure zu aCIDIty und insgesamt Anthocyan-Gehalt von Heidelbeeren, die aus NIR-Spektren dargestellt.

Figur 1 zeigt das allgemeine Ablaufdiagramm , zuverlässige und robuste Kalibrierungsmodelle zu konstruieren. Proben von ausreichender Anzahl gesammelt werden. Einige von ihnen sind für die Konstruktion von Modellen verwendet, während die anderen für die Validierung der konstruierten Modelle verwendet werden. Für jedes der gesammelten Proben wird ein NIR-Spektrum gemessen, und dann werden die Zielkomponenten quantitativ mit traditionellen zerstörenden chemischen Analyseverfahren analysiert. Hier Hochleistungsflüssigkeits-Chromatographie (HPLC) für die chemische Analyse von Zuckern, organischen Säuren und Anthocyanine. Partial Least Squares (PLS) Regression wird für die Konstruktion von Kalibrierungsmodelle verwendet, in denen die Korrelation zwischen der beobachteten Spektren und den Bestandteil Inhalt durch chemische Analysen bestimmt untersucht wird. Um robuste Modelle mit der besten Prognose Fähigkeit, die Vorbehandlungen von Obser zu konstruierenved Spektren und die Wellenlängenbereiche für die Vorhersage verwendet werden ebenfalls untersucht. Schließlich werden die konstruierten Modelle validiert ihre ausreichende Vorhersagefähigkeit zu bestätigen. In der Validierung, prognostizierte der Inhalt aus dem beobachteten Spektrum von der konstruierten Modell (vorhergesagten Werte) sind im Vergleich zu den durch die chemischen Analysen ermittelten Gehalte (beobachtete Werte). Wenn eine ausreichende Korrelation kann nicht zwischen den vorhergesagten und beobachteten Werte gefunden werden, sollte die Kalibrierungsmodell neu aufgebaut werden, bis die ausreichende Korrelation erhalten wird. Obwohl es vorzuziehen ist, verschiedene Gruppen von Proben für die Konstruktion und Validierung des Modells zu verwenden, wie in dieser Figur (externen Validierung) gezeigt ist, Proben in einer gleichen Gruppe sind sowohl für den Bau und die Validierung (Kreuzvalidierung) verwendet, wenn die Anzahl der Proben nicht groß genug ist.

Abbildung 1
Fild 1. Flussdiagramm für die Konstruktion und Validierung des Kalibrierungsmodells. Die von blauen und grünen Linien umgeben Verfahren entsprechen, jeweils mit dem Bau eines Kalibrierungsmodells und dessen Validierung. Bitte hier klicken , um eine größere Version dieser Figur zu sehen.

Protocol

1. Sammlung von Proben Entscheiden Sie, welche Sorten in der Ziel des Kalibrierungsmodells einbezogen werden. Sammeln ausreichender Anzahl und verschiedene Arten von Proben Heidelbeeren der Zielorten. Sammeln Sie vorzugsweise 100 Heidelbeeren für den Bau des Kalibrierungsmodells und mindestens 10 für die Validierung des konstruierten Modells. Um robuste Modelle zu konstruieren, sammeln Proben von verschiedenen Arten, dh mit verschiedenen Farben, Größen und mit verschiedenen Rei…

Representative Results

Abbildung 2 zeigt als Beispiel eine Reihe von NIR – Absorptionsspektren von Heidelbeeren , wo Spektren von 70 Heidelbeeren gleichzeitig angezeigt werden. Da die Bänder definitiv zuordenbar Zucker, organische Säuren oder Anthocyane sind nicht im NIR-Spektren, traditionelle Lambert-Beer-Gesetz beobachtet wurde, ist nicht anwendbar, die Bestandteil Inhalte zu quantifizieren. Daher ist die Konstruktion von Modellen zur Vorhersage der Bestand Inhalte erforderlich. <p cl…

Discussion

Einige zusätzliche Bemerkungen zu dem Protokoll werden hier beschrieben. Zuerst wird in Schritt 1.1 wird erwähnt, die Sorten im Ziel enthalten, zu entscheiden. Obwohl es möglich ist, Modelle zu konstruieren Abdeckung Heidelbeeren, die aus vielen Sorten oder ohne Sorten spezifiziert, sind die Prognosegüten mit den Modellen manchmal viel niedriger als die mit den Modellen für eine einzige Sorte und für begrenzte Sorten. Es sollte auch beachtet werden , dass die Kalibrierungsmodelle für Blaubeeren von jeder Produkti…

Disclosures

The authors have nothing to disclose.

Acknowledgements

This work was partially supported by the project “A Scheme to Revitalize Agriculture and Fisheries in Disaster Area through Deploying Highly Advanced Technology” of Ministry of Agriculture, Forestry and Fisheries, Japan.

Materials

FT-NIR spectrophotometer Bruker Optics GmbH MPA 
High-Performance Liquid Chromatography Shimadzu Corporation 228-45041-91, 228-45000-31, 228-45018-31, For sugar analysis
223-04500-31, 228-45010-31, 228-45095-31 Refractive Index Detector
High-Performance Liquid Chromatography Shimadzu Corporation 228-45041-91, 228-45003-31, 228-45000-31, For organic acid analysis
228-45018-31, 228-45010-31, 223-04500-31 Ultraviolet-Visible Detector
High-Performance Liquid Chromatography Shimadzu Corporation 228-45041-91, 228-45018-31, 228-45000-31, For anthocyanin analysis
228-45012-31, 228-45119-31, 228-45005-31, Photodiode Array Detector
228-45009-31
pH meter Mettler-Toledo 30019028 S220, Automatic temperature compensation
Ultra-pure water treatment equipment ORGANO Corporation ORG-ULXXXM1; PRA-0015-0V0 PURELAB ultra; PURELITE
Biomedical Freezers  SANYO 2-6780-01 MDF-U338
Ultra-Low Temperature Freezer Panasonic healthcare Co.,Ltd. KM-DU73Y1 -80°C
Vacuum lyophilizer IWAKI GLASS Co.,Ltd 119770 DRC-3L;FRD-82M
Homoginizer Microtec Co., Ltd.  Physcotron
Ultracentrifuge Hitachi Koki Co.,Ltd S204567 CF15RXII
Mini-centrifuge LMS CO.,LTD. KN3136572 MCF-2360
Centrifuge Kokusan Co.,Ltd 2-5534-01 H-103N
Filter Paper  Advantec 1521070 5B, Eqivalent to Whatman 40
Sep-Pak C18 column Waters Corporation Milford WAT020515
Sep-Pak CM column Waters Corporation Milford WAT020550
Sep-Pak QMA column Waters Corporation Milford WAT020545
Centrifugal Filter Unit Merck Millipore Corporation R2SA18503 PVDF, 0.45 μm
Microtube As One Corporation 1-1600-02 PP, 2 mL
Syringe Filter GE Healthcare CO.,LTD. 6788-1304 PP, 0.45 μm
Sucrose Wako Pure Chemical Industries,Ltd 194-00011 Reagent-grade
Glucose Wako Pure Chemical Industries,Ltd 049-31165 Reagent-grade
Fructose Wako Pure Chemical Industries,Ltd 123-02762 Reagent-grade
Citric acid Wako Pure Chemical Industries,Ltd 036-05522 Reagent-grade
Malic acid Wako Pure Chemical Industries,Ltd 355-17971 Reagent-grade
Succinic acid  Wako Pure Chemical Industries,Ltd 190-04332 Reagent-grade
Quinic acid Alfa Aesar, A Johnson Matthey Company 10176328 Reagent-grade
Phosphoric acid Wako Pure Chemical Industries,Ltd 162-20492 HPLC-grade
Trifluoroacetic acid Wako Pure Chemical Industries,Ltd 208-02746 Reagent-grade
Methanol Wako Pure Chemical Industries,Ltd 131-01826 Reagent-grade
Acetonitrile Wako Pure Chemical Industries,Ltd 015-08633 HPLC-grade
Grade cyanidin-3-O-glucoside chloride Wako Pure Chemical Industries,Ltd 306-37661 HPLC-grade
Software for analyses Bruker Optics GmbH OPUS ver. 6.5
Softoware for preprocessing Microsoft Excel powered by Visual Basic for Applications
Software for construction of models Freemat 4.0 http://freemat.sourceforge.net/

References

  1. Ozaki, Y., McClure, W. F., Christy, A. A. . Near-infrared Spectroscopy in Food Science and Technology. , (2007).
  2. Sun, D. W. . Infrared Spectroscopy for Food Quality Analysis and Control. , (2009).
  3. Bai, W., Yoshimura, N., Takayanagi, M. Quantitative analysis of ingredients of blueberry fruits by near infrared spectroscopy. J. Near Infrared Spectrosc. 22, 357-365 (2014).
  4. Hasegawa, T., Tasumi, M. . Chemometrics in infrared spectroscopic analysis. In: Introduction to Experimental Infrared Spectroscopy. , 97-113 (2015).
  5. Varmuza, K., Filzmoser, P. . Introduction to Multivariate Statistical Analysis in Chemometrics. , (2009).
  6. Kubelka, P. New contributions to the optics of intensely light-scattering materials. Part I. J. Opt. Soc. Am. 38, 448-457 (1948).
  7. Juang, R. H., Storey, D. E. Quantitative determination of the extent of neutralization of carboxylic acid functionality in carbopol 974P NF by diffuse reflectance fourier transform infrared spectrometry using Kubelka-Munk function. Pharm Res. 15, 1714-1720 (1998).
  8. Ogiwara, I., Ohtsuka, Y., Yoneda, Y., Sakurai, K., Hakoda, N., Shimura, I. Extraction method by water followed by microwave heating for analyzing sugars in strawberry fruits. J. Jpn. Soc. Hort. Sci. 68, 949-953 (1999).
  9. Che, J., Suzuki, S., Ishikawa, S., Koike, H., Ogiwara, I. Fruit ripening and quality profile of 64 cultivars in three species of blueberries grown in Tokyo. Hort. Res. (Japan). 8, 257-265 (2009).
  10. Pomerantsev, A. L. . Chemometrics in Excel. , (2014).
  11. Jiang, H. J., Berry, R. J., Siesler, H. W., Ozaki, Y. Wavelength Interval Selection in Multicomponent spectral analysis by moving window partial least-squares regression with applications to mid-infrared and near-infrared spectroscopic data. Anal. Chem. 74, 3555-3565 (2002).
  12. Edney, M. J., Morgan, J. E., Williams, P. C., Campbell, L. D. Analysis of feed barley by near infrared reflectance spectroscopy. J. Near-Infrared Spectrosc. 2, 33-41 (1994).
  13. Mathison, G. W., et al. Prediction of composition and ruminal degradability characteristics of barley straw by near infrared reflectance spectroscopy. Can. J. Anim. Sci. 79, 519-523 (1999).
  14. Chiara, F., et al. Analysis of anthocyanins in commercial fruit juices by using nano-liquid chromatography electrospray-mass spectrometry and high performance liquid chromatography with UV-vis detector. J. Separation Sci. 34, 150-159 (2011).
  15. Li, Q., et al. Antioxidant anthocyanins screening through spectrum-effect relationships and DPPH-HPLC-DAD analysis on nine cultivars of introduced rabbiteye blueberry in China. Food Chemistry. 132, 759-765 (2013).
  16. Sinelli, N. Evaluation of quality and nutraceutical content of blueberries (Vaccinium corymbosum L.) by near and mid-infrared spectroscopy. Postharvest Biol. Technol. 50, 31-36 (2008).
  17. Giusti, M. M., Wrolsted, R. E., Wrolstad, R. E., Schwartz, S. J. Anthocyanins: characterization and measurement with UV-visible spectroscopy. Current Protocols in Food Analytical Chemistry. , 1-13 (2001).

Play Video

Cite This Article
Bai, W., Yoshimura, N., Takayanagi, M., Che, J., Horiuchi, N., Ogiwara, I. Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements. J. Vis. Exp. (112), e53981, doi:10.3791/53981 (2016).

View Video