Integrated machine learning-based approach to evaluate authenticity in various food matrices via MALDI-TOF-MS technology

Význam tématu

Autenticita potravin je klíčová pro zachování výživové hodnoty, bezpečnosti a důvěry spotřebitelů. Rychlé a spolehlivé metody detekce původu a případného ředění potravin se stávají nezbytnými nástroji v potravinářském průmyslu.

Cíle a přehled studie

Cílem studie bylo vyvinout integrovaný postup založený na strojovém učení a MALDI-TOF-MS pro screening autenticity potravin v různých matricích (olivový olej, mléko). Workflow detekuje původ vzorků a odhaluje ředění až na 1 % podílu cizí složky, s možností generovat digitální autentizační značku (QR kód).

Použitá metodika a instrumentace

Metoda využívá extrakci lipidů ze vzorků chloroform-methanol směsí a matrice α-cyano-hydroxycinnamové kyseliny. Spotting probíhá na ground steel target desce ve dvojité vrstvě. Spektrální analýzu zajišťuje MALDI-TOF-MS (microfleX LRF, Bruker Daltonics) v reflector módu.
Data jsou kalibrována, konvertována do formátu mzXML, z nichž se extrahují iontové chromatogramy a převádějí do škály od šedi. Greyscale obrázky jsou dále zpracovány pomocí konvoluční neuronové sítě, která identifikuje regiony zájmu (ROI) specifické pro jednotlivé potraviny a provádí klasifikaci.

Hlavní výsledky a diskuse

Workflow dosáhl vysoké přesnosti při klasifikaci šesti potravinářských matric (extra panenský olivový olej, rafinovaný olej, slunečnicový olej, kravské, kozí a ovčí mléko). Detekce ředění extra panenského oleje nižší kvality byla možná při 1 % kontaminaci. Model dynamicky přizpůsobuje výstupní vrstvy podle počtu tříd a převádí výsledky do QR kódů. Výsledky potvrzují rychlost a nízké náklady metody.

Přínosy a praktické využití metody

• Univerzálnost pro různé potravinářské matice.
• Rychlé zpracování vzorků a analýzu v řádu minut.
• Nákladová efektivita a jednoduchá příprava.
• Digitální značení autenticity pro spotřebitele i výrobce.

Budoucí trendy a možnosti využití

• Rozšíření na další kategorie potravin (např. víno, med).
• Integrace s IoT a blockchain pro sledování dodavatelského řetězce.
• Přenosné přístroje pro on-site testing.
• Vylepšení modelů strojového učení pro vyšší robustnost.

Závěr

Navržený postup kombinuje MALDI-TOF-MS a hluboké učení k rychlé, spolehlivé a citlivé detekci autenticity potravin. Díky nízkým nákladům a možnosti digitálního sdílení výsledků lze metodu nasadit v průmyslové praxi pro zajištění kvality a transparentnosti.

Reference

1. [1] Food Chemistry, 2021, art. 131057, doi:10.1016/j.foodchem.2021.131057
2. [2] Food Chemistry, 2012, doi:10.1016/j.foodchem.2012.02.154