درجه‌بندی دانه‌های کاکائو آلوده به آفلاتوکسین با استفاده از طیف‌سنجی مادون قرمز نزدیک

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

• علی سعیدان ¹
• مهدی خجسته پور ¹
• محمودرضا گلزاریان ¹
• مرضیه معین فرد ²

¹ گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.

² گروه علوم و صنایع غذایی،دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.

https://doi.org/10.22067/ifstrj.2021.68475.1016

چکیده

آفلاتوکسین یک ترکیب شیمیایی سمی است که توسط قارچ‌های آسپرژیلوس فلاووس و آسپرژیلوس پارازیتکوس تولید می‌شود. این سموم قارچی می‌توانند باعث آلودگی گسترده محصولات کشاورزی شوند که به‌صورت بالقوه دارای خطرات زیادی برای سلامتی انسان و حیوان هستند. لذا تشخیص سریع و صحیح دانه‌های آلوده به آفلاتوکسین به لحاظ اقتصادی و ایمنی، از اهمیت بالایی برخوردار است. در این تحقیق از طیف‌سنجی مادون قرمز نزدیک به‌عنوان روشی غیرتخریبی و سریع، برای تشخیص دانه‌های کاکائو آلوده به آفلاتوکسین استفاده شد. دانه‌های کاکائو با دو غلظت سم (20و ppb 500) به‌صورت مصنوعی آلوده شدند و دانه‌های بدون آلودگی نیز به‌صورت سطحی با اتانول پاکسازی شدند. هر دو دسته دانه‌های آلوده و سالم با دستگاه طیف‌سنج و در دامنه 400 الی 2500 نانومتر مورد ارزیابی قرار گرفتند. مدل تجزیه و تحلیل تمایزی حداقل مربعات جزئی برای دسته‌بندی دانه‌های آلوده و غیرآلوده مورد استفاده قرار گرفت و پیش از آنالیز داده‌های طیفی، این طیف‌ها با مشتق مرتبه اول و دوم ساویتزی گولی مورد پیش تیمار قرار گرفتند. نتایج درجه‌بندی نشان داد که کمترین میزان خطای درجه‌بندی در حالتی بود که از مشتق مرتبه دوم به‌عنوان پیش تیمار استفاده شده بود و این مقادیر برای داده‌های کالیبراسیون، اعتبارسنجی متقابل و تست به‌ترتیب برابر 00/0، 02/0 و 00/0 گزارش شد. همچنین نتایج بررسی نمودار ضرایب تاثیر در هر دسته نشان داد که با افزایش غلظت سم در دانه های کاکائو از 20 به ppb 500، مقادیر ضرایب تاثیر کاهش پیدا کرد. در نهایت می‌توان گفت که روش تشخیص آلودگی آفلاتوکسین با استفاده از طیف‌سنجی مادون قرمز روشی کارا، غیرمخرب و سریع می‌باشد که می‌تواند جایگزین مناسبی برای روش‌های سنتی شود.

کلیدواژه‌ها

• آفلاتوکسین
• دانه کاکائو
• طیف‌سنجی مادون قرمز
• PLS_DA

موضوعات

• مهندسی مواد غذایی

مراجع

1. Al-Holy, M. A., Lin, M., Cavinato, A. G., & Rasco, B. A. (2006). The use of Fourier transform infrared spectroscopy to differentiate Escherichia coli O157: H7 from other bacteria inoculated into apple juice. Food microbiology, 23(2), 162-168. https://doi.org/10.1016/j.fm.2005.01.017
2. Ardhana, M. M., & Fleet, G. H. (2003). The microbial ecology of cocoa bean fermentations in Indonesia. International journal of food microbiology, 86(1-2), 87-99. https://doi.org/10.1016/S0168-1605(03)00081-3
3. Ballabio, D., & Consonni, V. (2013). Classification tools in chemistry. Part 1: linear models. PLS-DA. Analytical Methods, 5(16), 3790-3798. https://doi.org/10.1039/C3AY40582F
4. Berardo, N., Pisacane, V., Battilani, P., Scandolara, A., Pietri, A., & Marocco, A. (2005). Rapid detection of kernel rots and mycotoxins in maize by near-infrared reflectance spectroscopy. Journal of Agricultural and Food Chemistry, 53(21), 8128-8134. https://doi.org/10.1021/jf0512297
5. Broadent, J., & Oyeniran, J. (1968). A new look at mouldy cocoa. Paper presented at the Proceeding 1st International Biodeterioration Symposium.
6. Camps, C., & Christen, D. (2009). Non-destructive assessment of apricot fruit quality by portable visible-near infrared spectroscopy. LWT-Food Science and Technology, 42(6), 1125-1131. https://doi.org/10.1016/j.lwt.2009.01.015
7. Chen, H., Song, Q., Tang, G., Feng, Q., & Lin, L. (2013). The combined optimization of Savitzky-Golay smoothing and multiplicative scatter correction for FT-NIR PLS models. International Scholarly Research Notices, 2013. http://dx.doi.org/10.1155/2013/642190
8. Copetti, M. V., Iamanaka, B. T., Pereira, J. L., Lemes, D. P., Nakano, F., & Taniwaki, M. H. (2012). Determination of aflatoxins in by-products of industrial processing of cocoa beans. Food Additives & Contaminants: Part A, 29(6), 972-978. https://doi.org/10.1080/19440049.2012.660657
9. Copetti, M. V., Iamanaka, B. T., & Taniwaki, M. H. (2013). Fungi and mycotoxin occurrence in cocoa Chocolate in Health and Nutrition (pp. 61-71): Springer. https://doi.org/10.1007/978-1-61779-803-0_5
10. Fernández-Ibañez, V., Soldado, A., Martínez-Fernández, A., & De la Roza-Delgado, B. (2009). Application of near infrared spectroscopy for rapid detection of aflatoxin B1 in maize and barley as analytical quality assessment. Food Chemistry, 113(2), 629-634. https://doi.org/10.1016/j.foodchem.2008.07.049
11. Hernández-Hierro, J., García-Villanova, R., & González-Martín, I. (2008). Potential of near infrared spectroscopy for the analysis of mycotoxins applied to naturally contaminated red paprika found in the Spanish market. Analytica chimica acta, 622(1-2), 189-194. https://doi.org/10.1016/j.aca.2008.05.049
12. Kandpal, L. M., Lee, S., Kim, M. S., Bae, H., & Cho, B.-K. (2015). Short wave infrared (SWIR) hyperspectral imaging technique for examination of aflatoxin B1 (AFB1) on corn kernels. Food Control, 51, 171-176. https://doi.org/10.1016/j.foodcont.2014.11.020
13. Khodabakhshian, R., Emadi, B., Khojastehpour, M., Golzarian, M.R. 2016. Determination of pomegranate ripeness and internal defects using VIS-NIR multispectral imaging. PhD dissertation,Ferdowsi University of Mashhad.
14. Magan, N., & Aldred, D. (2005). Conditions of formation of ochratoxin A in drying, transport and in different commodities. Food Additives and Contaminants, 22(s1), 10-16. https://doi.org/10.1080/02652030500412154
15. Mobli, H., Jamshidi, B., Azizi, A., & Sharifi, M. (2020). Microbial Contamination Assessment of Lettuce using NIR Hyperspectral Imaging: Case Study on Escherichia coli. Iranian Journal of Biosystems Engineering, 51(3), 599-610
16. Mohammadi Monavar, H., Mirzaee, S., Sepehr, B. 2016. Grading of aflatoxin contamination of pistachios by non-destructive near infrared spectroscopy NIR. Secound International Conference on Sustainable Development, Strategies and Challenges Focusing on Agriculture, Natural Resources, Environment and Tourism, Tabriz
17. Mounjouenpou, P., Gueule, D., Fontana-Tachon, A., Guyot, B., Tondje, P. R., & Guiraud, J.-P. (2008). Filamentous fungi producing ochratoxin A during cocoa processing in Cameroon. International Journal of Food Microbiology, 121(2), 234-241. https://doi.org/10.1016/j.ijfoodmicro.2007.11.017
18. Nicolai, B. M., Beullens, K., Bobelyn, E., Peirs, A., Saeys, W., Theron, K. I., et al. (2007). Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review. Postharvest biology and technology, 46(2), 99-118. https://doi.org/10.1016/j.postharvbio.2007.06.024
19. Pettersson, H., & Åberg, L. (2003). Near infrared spectroscopy for determination of mycotoxins in cereals. Food Control, 14(4), 229-232. https://doi.org/10.1016/S0956-7135(03)00011-2
20. Ribeiro, N. d. A., Bezerra, J., & Lopez, A. (1986). Micobiota na fermentação do cacau no estado da Bahia, Brasil. Revista Theobroma (Brasil) v. 16 (1) p. 47-55
21. Roelofsen, P. (1958). Fermentation, drying, and storage of cacao beans Advances in food research (Vol. 8, pp. 225-296): Elsevier. https://doi.org/10.1016/S0065-2628(08)60021-X
22. Sánchez-Hervás, M., Gil, J., Bisbal, F., Ramón, D., & Martínez-Culebras, P. (2008). Mycobiota and mycotoxin producing fungi from cocoa beans. International journal of food microbiology, 125(3), 336-340. https://doi.org/10.1016/j.ijfoodmicro.2008.04.021
23. Singh, C., Jayas, D., Paliwal, J., & White, N. (2012). Fungal damage detection in wheat using short-wave near-infrared hyperspectral and digital colour imaging. International Journal of Food Properties, 15(1), 11-24. https://doi.org/10.1080/10942911003687223
24. Sirisomboon, C. D., Putthang, R., & Sirisomboon, P. (2013). Application of near infrared spectroscopy to detect aflatoxigenic fungal contamination in rice. Food Control, 33(1), 207-214. https://doi.org/10.1016/j.foodcont.2013.02.034
25. Sirisomboon, P., Tanaka, M., Fujita, S., & Kojima, T. (2007). Evaluation of pectin constituents of Japanese pear by near infrared spectroscopy. Journal of food engineering, 78(2), 701-707. https://doi.org/10.1016/j.jfoodeng.2005.11.009
26. Zhang, H.-J., Wu, J.-H., Li-jun, Y. L., Hua, Y., YU, X.-q., WANG, X.-s., et al. (2007). Comparison of near infrared spectroscopy models for determining protein and amylose contents between calibration samples of recombinant inbred lines and conventional varieties of rice. Agricultural Sciences in China, 6(8), 941-948 https://doi.org/10.1016/S1671-2927(07)60132-1