Tiziana M.P. Cattaneo
CRA – Centro di ricerca per le produzioni foraggere e lattiero casearie
La tecnologia NIR per la
rivelazione rapida di
adulterazioni nel settore
alimentare
25 giugno 2010, CNR-ISMAC in collaborazione con AITA
Metodi e tecniche di valutazione dell’origine delle produzioni alimentari
NIR – Di cosa si tratta
Dove siamo arrivati
Le variabili fondamentali
Quali aree chiave hanno maggiori
probabilità di sviluppo
Applicazioni per il controllo della
“genuinità” di prodotti alimentari
 Conclusioni
SPETTROSCOPIA DI ASSORBIMENTO
MOLECOLARE NELL’IR
SPETTROSCOPIA
Raggi g
>E
Raggi x
UV
Vis
studio dell’interazione tra
la radiazione
elettromagnetica e la
materia
IR
Onde micro
Onde radio
<E
Zone della regione IR
IR
>E
l (nm)
1100
u-1 (cm-1)
9090
2500
4000
<E
16667
600
50000
200
vicino
medio
lontano
TIPI DI VIBRAZIONI MOLECOLARI
 stiramento, stretching,
simmetrico e asimmetrico, dove
si ha un continuo cambiamento
della distanza interatomica lungo
l’asse di legame tra gli atomi
 deformazione,
simmetrico
asimmetrico
oscillazione
a forbice
ondeggio
torsione
bending, dove
si ha una variazione dell’angolo di
legame. Ne esistono quattro tipi:
 a forbice nel piano,
scissoring
 oscillazione nel piano,
rocking
 ondeggio fuori dal piano,
wagging
 torsione fuori dal piano,
twisting
sorgente
P0
P
rivelatore
A = log Po/P = - log10 T
Po= potenza fascio incidente
P = potenza fascio emergente
T = trasmittanza cioè frazione di
radiazione incidente trasmessa della
soluzione
NIR
La maggior parte di assorbimenti nel NIR sono
imputabili alle bande armoniche ed agli “overtones”
delle vibrazioni di bending e stretching fondamentali
del legame generico X-H
L’assegnazione precisa delle bande di assorbimento è
resa difficile dall’elevato numero di “overlap” di
bande come risulta dallo spettro NIR. Ne consegue lo
scarso potere interpretativo della zona del NIR
Quali informazioni possiamo ottenere da
un’analisi nell’IR?
• determinazioni QUANTITATIVE
• determinazioni QUALITATIVE
IDENTIFICAZIONE
CONTROLLI
DI
IN
COMPOSTI
PROCESSI
Ma non tutte le zone dell’intera regione dell’IR sono
utili per queste determinazioni e composti diversi
possono assorbire o meno in zone diverse
Log (1/R)
1.8
Spettro
NIR
1.0
0.2
1200
1600
l (nm)
2000
2400
NIR
Questa regione IR è adatta per effettuare
analisi quantitative con accuratezza e
precisione più simili a quelle della
spettroscopia UV-VIS che a quelle del MIR
Metodi analitici
di riferimento
UV-VIS > NIR > MIR
FT-NIR
FT-IR
VANTAGGI DELLA FT
in relazione agli strumenti a dispersione
 elevati rapporti segnale/rumore
 accuratezza e precisione nelle individuazioni
delle u di assorbimento
 alte risoluzioni > 0.1 cm-1
 ottenimento dell’intero spettro in t brevissimo
 nessun effetto derivante da radiazioni disperse
Diffusione della tecnologia NIR
• Disponibilità commerciale di strumentazione e
software
• Lavoro di ricerca per l’ottimizzazione di
campionamento, presentazione del campione,
sviluppo, validazione e trasferimento di
calibrazioni, sviluppo di applicazioni dedicate,
ecc..
• “Con l’avvento della maturità analitica, la
tecnologia NIR può essere considerata dalla
maggior parte dei ricercatori uno strumento più
che un obiettivo fine a se stesso”
(McClure, J. Near Infrared Spectrosc., 2003, 11, 487-518)
AREE CHIAVE
• Modellistica e monitoraggio di processi
• Dosaggio di microcomponenti
• Identificazione di contaminanti
• Biospettroscopia
• Classificazione e autenticità
Iwamoto et al. (1987)
LE VARIABILI FONDAMENTALI
- dimensione
Spettro NIR
2.500
2.000
1.500
- umidità
1.000
0.500
0.000
2500 2300 2100 1900 1700 1500 1300 1100
- temperatura
(nm)l
- omogeneità
Abs[log(1/R)]
latte
Food Quality Measurement
• Quality parameters are food specific
• Greater control required by large food
processors and retailers
• Control measures required to be fast and
inexpensive
Food regulation
• Food authenticity is still a matter of importance to
regulators, consumers and food processors
• Essentially means conformance to labelling claim
e.g. Parma ham, extra virgin olive oil etc.
• Spectroscopic fingerprint methods have valuable
role as screening techniques
And now for an imaginary
journey……..
Breakfast
• Processed cereal products – lipid classes
• Cereal foods - FT-NIR/Raman & NIR for
nutritional classification
• Honey adulteration
– Fructose and glucose mixtures
– High fructose corn syrup (HFCS)
Honey Composition
• ~80% sugars, 17% water
• Sugars:
–
–
–
–
–
fructose + glucose account for 85-95% of CHO
fructose:glucose ratio ~ 1.2:1
sucrose ~ 1.5%
disaccharides ~ 6.6%
oligosaccharides ~ 1.5%
Raw Spectra
1945 nm
2120 nm
2298 nm
1490 nm
Expanded 2nd Derivative Plot
Fructose
2276, 2322,
2354, 2376,
2420, 2448, 2484
nm
2374
2352
2322
2276
Glucose
2276, 2324 and
2454 nm
2402
2418
2454
2482
PCA score plot - beet invert adulterant
H = authentic
A = 7%, B = 10%, C =
44% ....G = 70% BIS
Honey Conclusions
• Application of SIMCA models has the
potential to discriminate between authentic
honey and honey adulterated with either beet
invert syrup or high fructose corn syrup
• Quantification of adulterant is possible with
limited accuracy
• Arabica content in coffee blends
• Caffeine and theobromine in cocoa
• Sugarcane – sugar content, quality,
FT-NIR application
Time for
lunch
• Typifying pork sausages, ham
• Chemical and physical properties of fresh pasta
(colour, cooking quality)
• Quality control of green tea (aspalathin)
• Intact fruit – sugar, portable NIR for mangoes,
sensory properties of melons, dryness defect in
mandarins, seedless grapes, time-resolved
spectoscopy (apples)
Meat Science
Volume 71, Issue 3, November 2005, Pages 490-497
Meat mixture detection in Iberian pork
sausages
V. Ortiz-Somovillaa, , , F. España-Españaa, E.J. De PedroSanzb and A.J. Gaitán-Jurado
Spectrochimica Acta Part A: Molecular and Biomolecular
Spectroscopy
Volume 72, Issue 4, May 2009, Pages 845-850
Study on discrimination of Roast green tea
(Camellia sinensis L.) according to
geographical
origin
by
FT-NIR
spectroscopy and supervised pattern
recognition
Quansheng Chen, Jiewen Zhao and Hao Lina
J. Agric. Food Chem., 2002, 50 (20), pp 5520–5525
DOI: 10.1021/jf0257188
Publication Date (Web): August 28, 2002
Copyright © 2002 American Chemical Society
Durum wheat adulteration detection by NIR
spectroscopy multivariate calibration
Marina Cocchia, , , Caterina Durantea, Giorgia Focaa,
Andrea Marchettia, Lorenzo Tassia and Alessandro
Ulrici
Experiment Strategy
TARGET: Assess Quality of incoming Wheat Flour batches
•
•
•
•
Identify Parameters to check
Identify an Analytical System able to perform quickly
such checking
Define sampling methods
Collect samples and verify
5 different Wheat Flour Qualities considered (1 – 2 – 3 – 4 – 5)
•
Samples collected starting from January 2006
•
Samples collected from different
suppliers all over Italy
BARILLA ALIMENTARE Spa, Cremona
BÜCHI Italia Srl, Assago (MI)
Riconoscimento di cultivar
1.4
cultivar
1.2
Pink Lady
1
0.8
0.6
0.4
-0.2
-0.4
Golden Delicious
47
45
43
41
39
37
35
33
31
29
25
23
21
19
17
15
13
11
9
7
5
3
1
0
27
0.2
Milk and dairy
products
ANALISI QUALITATIVA
Formaggio grattugiato
A
D
% of TOTAL VARIANCE = 45%
PC2
y
DD
D DD
A
A
DD D D pH dm
s
D
D
DD
A A A DAD
A
D
A AA
D
AAAAA A
A c
AAA
e AA AAA AAA AA
A
A
A
A
A
A
AAA
AA
A
A
A AAA
AA
A
sp
A
AA A
A
A D
a
w
PC1
Fig. 1 – PCA applied to microbiological and
chemical indices
A
D
59
4
2
13
% correctly
predicted
96.72
76.47
Analisi qualitativa
PC2
Fig. 3 – PCA applied to the reduced data set
(78 objects and six variables)
% of TOTAL VARIANCE = 85%
A
A
D
D
D DD
D
D
D
D
D
D D
A A
A AAA AA
AA
A A
A
A A
D D D DA
A
A
A
A
A
D
AA
AA A A AAAA
AAA
A
A
A
AA A
A
AA
AAA
AA
AAA
AA
A
% correctly
predicted
60 1
98.36
2 15
88.23
PC1
CAMPIONI
140 campioni a diverso contenuto naturale di AFM1:
CAPRINO
CRESCENZA
RICOTTA
MOZZARELLA
80
GRANA (37)
PANNA E BURRO (23)
DOSAGGIO DI AFM1
•Metodo Immunochimico ELISA
Anticorpi
policlonali
Std: 0-5-10-25-50-100-250 ppt
Range di rilevabilità: 5-250 ppt
Analisi previa estrazione con solvente
e/o con pepsina
FoodScan LAB (FOSS ITALIA)
Capsule Petri 90 x 15 mm (poliestere)
Letture in trasmittanza
Intervallo: 850 a 1050 nm (100 punti
a spettro) Spettro risultante dalla
media di 16 letture
ELABORAZIONE:
Costruzione rette di calibrazione (Unscrambler
9.1):
Freschi (80) – due subset
Lunga stagionatura (37) Elevato contenuto lipidico
(23) Qualitativa (Unscrambler 9.1 – PLSD)
Validazione incrociata
Campioni ad alto contenuto lipidico
250
R2 = 0.990
200
150
100
50
0
0
50
100
150
-50
Analisi ELISA
Osservazioni
Predizioni
200
Formaggi a lunga stagionatura
250
R2 = 0.957
200
150
100
50
0
0
50
100
150
-50
Analisi ELISA
Osservazioni
Predizioni
200
Formaggi freschi – bassa concentrazione
250
R2 = 0.872
200
150
100
50
0
0
50
100
150
-50
Analisi ELISA
Osservazioni
Predizioni
200
Formaggi freschi – alta concentrazione
1400
1200
R2 = 0.823
1000
800
600
400
200
0
200
400
Osservazioni
600
800
Analisi ELISA
1000
Predizioni
1200
QUALITATIVA PLSD – FORMAGGI FRESCHI
[AFM1] > 200 ppt - [AFM1] < 200 ppt
2.0
1.0
0.0
0.00
0.25
0.50
0.75
1.00
-1.0
Calibrazione
Predizione
Predizione corretta per [AFM1] < 200 ppt: 27/34 = 82%
Predizione corretta per [AFM1] > 200 ppt: 40/46 = 85%
• Valori di coefficiente di correlazione (R>0.90)
• Errore standard in calibrazione (7% < RMSEC <11%)
• Errore standard in validazione incrociata
- 12% < RMSECV <16% per freschi
- RMSECV <20% per lunga stagionatura e alto
contenuto lipidico
• In ogni caso comparabili a quelli ottenuti con il metodo
ELISA
(CV < 20%) utilizzato come riferimento
• Buone possibilità di discriminazione considerando il
limite soglia di 200 ppt
Ricerca rapida di melamina in latte in
polvere
Simultaneous Quantitative Determination of Melamine
and Cyanuric Acid in Cow’s Milk and Milk-Based Infant
Formula by Liquid Chromatography−Electrospray
Ionization Tandem Mass Spectrometry
Aurlien Desmarchelier, Miriam Guillamon Cuadra,
Thierry Delatour and Pascal Mottier*
Nestl Research Centre, Nestec Ltd., Vers-chez-les-Blanc,
1000 Lausanne 26, Switzerland
J. Agric. Food Chem., 2009, 57 (16), pp 7186–7193
DOI: 10.1021/jf901355v
Publication Date (Web): July 24, 2009
Copyright © 2009 American Chemical Society
A detour to a
winery
• Wine and grapes – impact of near/mid IR, vis-NIR
applications, sensory analysis, colour, identification of wine
yeast strains, alcohol content, minerals, glycerol, wine
composition in the bottle, sugar and acids in grapes by
SVM, effect of freezing
Feasibility Study on the Use of Visible and NearInfrared
Spectroscopy
Together
with
Chemometrics
To
Discriminate
between
Commercial White Wines of Different Varietal
Origins
Daniel Cozzolino,*† Heather Eunice Smyth,†§ and Mark Gishen
J. Agric. Food Chem., 2003, 51 (26), pp 7703–7708
DOI: 10.1021/jf034959s
Publication Date (Web): November 12, 2003
Copyright © 2003 American Chemical Society
A nice dinner to round off the day
For Madam, the
salmon
For Sir, the
chicken
But is it safe
to eat?
That’s better!
• Olive oil/olives – quality control,
adulteration
• Pigmentation in live farmed salmon
• Poultry – hyperspectral imaging for
contaminant detection
• Rice – single kernel analysis, quantitative &
qualitative, amylose, protein, gelatinisation
temperature, discriminating aromatic and nonaromatic rices, cooking kinetics
Measurement of Adulteration of Olive Oils by Near-Infrared Spectroscopy
I.J. Wesley *, R.J. Barnes and A.E.J. McGill
JAOCS, Vol. 72, no. 3 (1995)
F. Pacheco, JAOCS, Vol. 73, no. 4 (1996)
Geographic origins and compositions of virgin olive oils
determinated by chemometric analysis of NIR spectra
O. Galtiera, , , N. Dupuya, Y. Le Dréaua, D. Ollivierb, C. Pinatelc, J. Kistera
and J. Artaudd
Analytica Chimica Acta
Volume 595, Issues 1-2, 9 July 2007, Pages 136-144
Papers presented at the 10th International Conference on Chemometrics
in Analytical Chemistry - CAC 2006
Detecting and Quantifying Sunflower Oil Adulteration in
Extra Virgin Olive Oils from the Eastern Mediterranean by
Visible and Near-Infrared Spectroscopy
Gerard Downey,*† Peter McIntyre,‡ and Antony N. Davies
J. Agric. Food Chem., 2002, 50 (20), pp 5520–5525
DOI: 10.1021/jf0257188
Publication Date (Web): August 28, 2002
Copyright © 2002 American Chemical Society
SALMON
Usefulness of Near-Infrared Reflectance (NIR)
Spectroscopy and Chemometrics To Discriminate
Fishmeal Batches Made with Different Fish Species
Daniel Cozzolino,*† A. Chree,‡ J. R. Scaife,§ and Ian
Murray
J. Agric. Food Chem., 2005, 53 (11), pp 4459–4463
DOI: 10.1021/jf050303i
Publication Date (Web): April 26, 2005
Copyright © 2005 American Chemical Society
ANALISI QUANTITATIVA
Per una corretta calibrazione
occorrono:
un elevato numero di campioni (NON
di repliche) > 50
• i campioni devono essere scelti
secondo regole precise
Regole base per la scelta
dei campioni
 presenza di tutte le possibili combinazioni tra le
variabili oggetto di calibrazione
 variabilità in tutte le direzioni ma limitata
nell’intervallo di interesse
 i campioni scelti per la calibrazione devono essere
uniformemente distribuiti in tutta la regione definita
dalle variabili
gli spettri NIR devono essere raccolti
utilizzando la geometria ottica idonea in
funzione dello “stato”di presentazione del
campione
i valori delle variabili da calibrare devono
essere ottenuti anche con metodiche di
riferimento
i valori di ripetibilità e di riproducibilità
delle analisi di riferimento incidono
sulll’accuratezza delle misure NIR
ottimizzazione misure NIR per l’accettabilità
del dato: DS NIR = DS rif
Set di calibrazione
e
set di predizione
(due set indipendenti di campioni)
Precisione della misura:
coefficiente di regressione della calibrazione
(R2 cal)
valore dell’errore standard di stima della
predizione (SEP)
Ripetibilità della misura:
numero di repliche dello stesso campione (+DS)
Set di validazione
(terzo set indipendente di campioni)
Validazione incrociata:
 Cross-validation
Riproducibilità della misura:
 trasferimento di calibrazioni ad altri
strumenti
 minimo 9 laboratori diversi
ANALISI QUALITATIVA
tecniche esplorative
numero inferiore di campioni,
caratteristiche di gruppo
tecniche discriminanti
Metodologie di confronto
COMPOSITIONE:
Metodi ufficiali d’analisi, quando disponibili
(FIL-IDF, ISO, AOAC)
ANALISI QUALITATIVA
Metodi ufficiali d’analisi o campioni CERTI
• Poche applicazioni sono ora
confinate a livello laboratorio
• Diverse applicazioni sono at-line,
in-line, on-line, in campo – grazie
all’impiego di strumentazione più
robusta e portatile
• Si sta portando lo strumento al
campione più che il campione allo
strumento
I metodi spettroscopici in grado di fornire
un’impronta digitale di prodotto sono già
un valido supporto come tecniche di
screening
METODI UFFICIALI DI ANALISI
Giornata di Studio AFI: L'innovazione NIR ultraportatile: lo spettrofotometro Phazir - 23/04/2009
 Spettrofotometri NIR Polychromix
PHAZIR
Peso: 1,8 Kg
Batteria 10 ore
Campioni liquidi e solidi
Risoluzione spettrale: 12 nm
Range spettrale:
• 900 – 1700 nm
• 1000 – 1800 nm
• 1600 – 2400 nm
POD
Dimensioni: 80 x 72 x 45 mm
Modalità di analisi:
• a contatto
• contact free (a distanza)
73
On-line NIR Sensor for Liquids
• Optics module enables a new breed of online process
control monitors
– NIR integrated into sample probe
• Process Sensor as easy to use a process pH probe but
with full spectral chemical analysis capabilities
Process Control Stations
On-line
At-line
900 - 1700 nm
Lo sviluppo di nuove tecnologie NIR
permetteranno di incrementare il
ruolo della NIRS ed estendere i
confini del suo mercato
(Dan Klevisha, MA, US)
SOCIETA’ ITALIANA di
SPETTROSCOPIA NIR – SISNIR
c/o CRA-FLC Settore di ricerca lattiero
caseario
Via A. Lombardo, 11
26900 LODI - c.f. 92544830158
www.sisnir.org; [email protected]
ACKNOWLEDGEMENTS
• AITA - CNR
• Peter Flynn, KelSpec Services PTY Ltd., Victoria,
Australia
• Gerard Downey, Teagasc, Ashtown Food Research
Centre, Dublin, Ireland
• NIR group at the CRA-FLC, Lodi, Italy
• Michele Forina, DICTFA, Genoa University
• Elena Tamburini, Dept. of Chemistry, Ferrara University
• Roberto Giangiacomo, CRA-IAA, Milan