A PQS kimutatja a halliszt hamisítását csont és húsliszttel segítség a Kergemarha kór megsemmisítéséhez

A PQS kimutatja a halliszt hamisítását csont és húsliszttel — segítség a “Kergemarha kór” megsemmisítéséhez Murray I.a Kaffka K.J.b és Seregély Zs.c a

Skót Mez gazdasági F iskola, Aberdeen, AB21 9YA, UK ([email protected])

b

Szent István Egyetem, H-1118 Budapest Ménesi út 45. Hungary ([email protected])

c

Metrika K+F Kft., H-1119 Budapest, Petzvál J. u. 25., Hungary ([email protected])

Bevezetés Having established a link between feeding cattle with ruminant-derived meat and bone meal and the UK epidemic of BSE (bovine spongiform encephalopathy) and its fatal human equivalent, variant CJD (Creutzfeldt–Jakob Disease), it is obligatory that the infective prion is removed from the food chain. Fishmeal, however, is a high value, high quality protein, energy and mineral source for livestock that has never caused disease. Safety concerns about fishmeal as a protein concentrate centre on the risk of contamination or adulteration with meat and bone meal either by accident, ignorance or fraud. The feed industry therefore needs appropriate methods to detect such contamination and deter fraud or malpractice. NIR spectroscopy, as a rapid screening method, can be the first line of defence of the food chain. Murray et al.1 reported that a partial least squares discriminant applied to visible and NIR reflectance spectra successfully detected meat and bone meal in fishmeal. The purpose of our study was to demonstrate the feasibility of using PQS (polar qualification system) as a qualitative evaluation method to identify fishmeal adulterated with land animal proteins at low levels. Anyagok és Módszerek A kvarc küvettákba (átm. 55 mm) mért szárított mintákat 0–45°geometriával reflektancia módban egy Foss NIRSystems 6500 spektrométerrel log 1/R-ként scenneltük le a 400-2500 nm tartományban 2 nm lépésközzel. A spektrumok 46 tiszta, nem hamisított halliszt mintából, és három csoport egyenként harminc, hús és csontliszttel különböz mértékben, 3%, 6% és 9% tömeg% koncentrációban szándékosan szennyezett egyedb l álló, mindösszesen 90 mintából tev dtek össze Valamennyi mintát egyedi példányként egyszer használtuk. A kiértékeléshez felhasznált PQS egy hatható adatredukciós és min sít módszer 2–6 ahol a a minta min ségét polár koordináta rendszerben ábrázolt spektrumának középpontjával jellemezzük. A középpontok (a minták min ségpontjai) x,y koordinátái a következ kifejezéssel határozhatók meg:

Copyright 2004 NIR Publications. All rights reserved. Near Infrared Spectroscopy: Proceedings of the 11th International Conference

641

www.nirpublications.com

642

I. Murray, Zs., Seregély, and K.J. Kaffka

ahol V i az i-edik hullámhossznál mért spektrális érték, = 360/k, k = ( max– min)/s és s két szomszédos spektrális pont közötti hullámhossz különbség Két csoport min ségpontjainak legjobb elkülönítését nyújtó spektrális tartomány a legnagyobb érzékenység (S) elérésére optimizálható, mely a következ kifejezéssel adható meg:

ahol s1 és s2 a két ismétléssel mért mintaszett min ségpontjainak szórása és Dabs a két elkülönítend mintaszett min ségpontjainak középpontjai közötti távolság. Az optimizáció egy másik lehetséges feltétele a normalizál távolság Dnorm (1. ábra).

1. ábra Az érzékenység és a normalizált távolság, mint az optimum lehetséges feltételeinek grafikus megjelenítés


642


PQS kimutatja a halliszt hamisítást

643

Az utóbbi kifejezések értékének kiszámításával az osztályozás min sége számszer en is kifejezhet , lehet vé téve a különböz osztályozó modellek eredményeinek összehasonlítását. A PQS-en belül a hullámhossz tartomány optimizálást számítógép program végzi el automatikusan. Ezt megel z en szükséges a m velet paramétereinek, mint az els és utolsó hullámhossz (melyen belül az optimumot keressük), a kapu (a kezdeti hullámhossztartomány), a kapueltolás és kapuszélesítés értékeinek megadása. Két spektrumcsoport, azaz az elkülönítend két minta párhuzamos mérései szintén szükségesek. A kapu („gap”) a kezdeti hullámhossztartomány hossza nm-ben, amely az optimizálás során a kapueltolási paraméter értékével eltolódik az els t l az utolsó hullámhosszig, majd a kapu a kapuszélesítés értékével szélesedik mindaddig, amíg teljes tartományt felöleli, azaz eléri els és utolsó hullámhossz közötti különbséget. A PQS és az MLR között két alapvet különbséget kell megemlítenünk: az automatikus hullámhossztartomány optimizálás és a PQS alkalmazásakor nincs szükség pontosan kielemzett mintacsoportra, amely alapkövetelmény MLR használatakor (ahol a referenciamódszerekkel meghatározott min ségi paraméterek és a minták NIR spektrumainak diszkrét hullámhosszakhoz tartozó spektrum értékei közötti összefüggés meghatározására alkotunk kalibrációs modelleket); a PQS technika esetében ugyanazon összetev nek tulajdonítható több elnyelési sáv együttesen is felhasználható, így több rövidebb tartomány diszkrimináló hatása összegezhet , javítva az eredményt, amíg a kollinearitási problémák miatt ez tilos az MLR alkalmazásakor. Bár a PQS-ben a kalibráció standard hibája (SEC) és a becslés standard hibája (SEP) nem értelmezhet , az érzékenység értékéb l egy hasonló kifejezés a hallisztben található hús és csontliszt százalékának meghatározás bizonytalanság becsülhet . Ez azt mutatja meg, hogy az abszolút távolság hányszor nagyobb, mint a szórások összege. Ez az eredmény több ismételt mérés felhasználásával, további hullámhossz tartományok figyelembe vételével, illetve a második derivált el állításhoz használt kapu optimizálásával stb. tovább javítható

Eredmények A hullámhossz tartomány optimizálásakor a 46 tiszta halliszt mintát ismételt mérések egy csoportjaként kezeltük, míg a 30 szennyezett minta három csoportjának spektrumait hasonlóan ismételt mérések csoportjaiként kezeltük. A tiszta halliszt és a 9%-s szennyezettség minta második derivált (kapu: 16 nm) spektrumainak abszolút értékei között végzett optimzációval a 1696-1752 nm hullámhossz szegmenst azonosítottuk optimális diagnosztikus tartományként. Ez a tartomány újraskáláztuk, hogy átívelje a 0° - 360°-ot a polár koordináta síkban (2. ábra). A fenti feltételekkel S=10,3, Dnorm=9,1 adódott. A PQS módszerrel végzett osztályozás bemutatásához mind a négy csoportból 5-5 véletlenszer en kiválasztott spektrumot átlagoltuk. Az öt spektrum átlagolásával 9 átlagspektrum képviseli a kontrol (tiszta halliszt) mintát ás 6 átlagspektrum mindhárom hamisított csoportot (3%, 6% és 9%). A 3. ábra a négy csoportot 2s (kétszeres szórás) ellipsziseikkel körülvéve mutatja be. A kontrol minták (tiszta halliszt) 2s ellipszise kicsi, míg a 9%-ban szennyezett minták ellipszise valószín leg az inhomogenitás (nem tökéletes keverés, vagy mintavétel) következményeként elnyújtott


643


644

I. Murray, Zs., Seregély, and K.J. Kaffka

2. ábra A tiszta és a CSHL hamisított halliszt minták második derivált (kapu: 16 nm) spektrumai az optimális hullámhossz tartományban a Decartes (fent) és a polár (lent) koordináta rendszerben ábrázolva. (0%, piros, 3% kék, 6% narancs, 9% zöld)

Következtetések Az érzékenység eredményül kapott értéke (S = 10,3), azt mutatja, hogy a 0% és a 9% csoportok közötti abszolút távolság tízszer nagyobb min ségpontjaik szórásainak összegénél. Ez azt jelenti, hogy öt spektrum átlagolását követ en a PQS 1 %-nál kisebb szennyezettség kimutatására alkalmas. Lévén, hogy a mintaszett egy, f ként egyesült királysági forrásokból gy jtött, „zárt” populációt képzett, a modell általános alkalmazását megel z en a populáció kib vítése szükséges. Az optimális hullámhossz tartomány (1696–1752 nm) azt mutatja, hogy az elkülönítés a C-H sajátságok különböz ségéb l adódott, mivel a halliszt több többszörösen telítettlen zsírsavat tartalmaz, mint a csont- és a húsliszt.


644


PQS kimutatja a halliszt hamisítást

645

3. ábra A tiszta (0%, piros) és a CSHL hamisított (3% kék, 6% narancs, 9% zöld) halliszt minták min ség pontjai kizárólag az optimális hullámhossz tartomány felhasználásával

Irodalom 1. I. Murray, L.S. Aucott and I.H. Pike, J. Near Infrared Spectrosc. 9, p 297 (2001). 2. K.J. Kaffka and L.S. Gyarmati, in Proceedings of the Third International Conference on Near Infrared Spectroscopy, Ed by R. Biston and N. Bartiaux-Thill. Agricultural Research Centre Publishing. Gembloux, Belgium p. 135 (1991). 3. K.J. Kaffka, in Proceedings: International Diffuse Reflectance Spectroscopy Conferences, Ed by R.A. Taylor. The Council for Near Infrared Spectroscopy. Gaithersburg, MD, USA, p. 63 (1992). 4. K.J. Kaffka and L.S. Gyarmati, in Near Infrared Spectroscopy: The Future Waves, Ed by A.M.C. Davies and P. Williams. NIR Publications, Chichester, UK, p. 209 (1996). 5. K.J. Kaffka and L.S. Gyarmati, J. Near Infrared Spectrosc. 6, A191 (1989). 6. K.J. Kaffka and Zs. Seregély, Acta Alimentaria 31, 3 (2002).


645


A PQS kimutatja a halliszt hamisítását csont és húsliszttel segítség a Kergemarha kór megsemmisítéséhez

Recommend Documents