La rapida determinazione qualitativa e quantitativa dell'adulterazione dell'olio d'oliva

L'attuale ricerca sulla rilevazione di frodi sull'olio d'oliva comporta una vasta gamma di metodi, come la spettroscopia Raman, la spettroscopia infrarossa, la spettroscopia a matrice di eccitazione-emissione, la biografie e gascromatografia. In generale, c'è un compromesso tra precisione e velocità di rilevamento per la maggior parte delle tecniche. Tra i metodi spettroscopici, Raman e la spettroscopia infrarossa possono fornire modelli di impronte digitali per l'olio d'oliva con una semplice preparazione del campione e una misurazione rapida. Tuttavia, il rilevamento delle impronte digitali spettroscopico fornisce informazioni limitate sui singoli componenti chimici a causa della forte sovrapposizione di picchi, rendendo difficile ottenere un'analisi accurata e ad alto rendimento dell'adulterazione dell'olio d'oliva. Al contrario, l'autenticazione dell'olio d'oliva viene effettuata utilizzando la cromatografia liquida e gassosa per quantificare i componenti chimici primari, compresi i trigliceridi (TAG) e gli acidi grassi. Tuttavia, questi metodi analitici, che sono tipicamente utilizzati per l'autenticazione dell'olio d'oliva, richiedono tempo, ad alta intensità di reagente e spesso richiedono complesse fasi di preparazione del campione. Di conseguenza, non sono applicabili per la rapida individuazione dell'adulterazione in grandi set di campioni. Ancora più importante, la rapida individuazione dell'adulterazione dell'olio d'oliva a bassi livelli (meno del 20%) rimane impegnativa e richiede ulteriori ricerche.

In questo contesto, è fondamentale migliorare i metodi analitici esistenti e sviluppare nuove strategie analitiche per garantire l'autenticità dell'olio d'oliva.

Il rilevamento spettrometrico della massa di flusso (FIMS), accoppiato con modelli di apprendimento supervisionati avanzati, è un metodo di rilevamento rapido, sensibile e ad alto rendimento. Questo approccio può superare i limiti della bassa efficienza di rilevamento e fornire metodi utili per l'autenticazione degli alimenti. Inoltre, è stato dimostrato che il fingerprinting FIMS differenzia con successo i materiali botanici basati su diversi genotipi, ambiente di coltivazione e parti di piante. FIMS è una spettrometria a iniezione diretta che consente il monitoraggio in tempo reale dei componenti dei triacilgliceroli (TAG).

I profili dei triacilgliceroli dell'olio d'oliva sono fondamentali per la rilevazione dell'adulterazione

Tuttavia, poiché i moderni metodi di analisi possono produrre impronte digitali grandi e complesse, l'apprendimento automatico sta diventando sempre più importante nell'analisi delle impronte digitali, in quanto fornisce un approccio decisionale rapido, automatizzato e obiettivo. I modelli di apprendimento automatico sono comunemente utilizzati per estrarre le informazioni delle caratteristiche da spettri di impronte digitali complessi per la discriminazione del gruppo di campioni. Tra gli algoritmi di apprendimento automatico, l'analisi parziale degli meno quadrati-discriminatori (PLS-DA) è l'approccio di classificazione più comune applicato per l'autenticazione alimentare grazie alla sua semplicità e prestazioni relativamente buone. Ciò è in parte dovuto al fatto che PLS-DA è ampiamente disponibile nei più noti pacchetti software statistici e la sua implementazione è semplice con le impostazioni predefinite. Pertanto, questo ha portato a una situazione in cui non tutti i ricercatori optano per altri algoritmi di classificazione dell'apprendimento automatico. Mentre i modelli di classificazione tradizionali hanno ottenuto risultati promettenti nell'autenticazione degli alimenti, i limiti intrinseci dei metodi lineari, come PLS-DA, possono compromettere le loro prestazioni. In genere, PLS-DA si è dimostrato efficace nell’identificare un singolo adulterante nell’olio d’oliva o nei campioni adulterati e non adulterati. Tuttavia, l'accuratezza del modello PLS-DA nella discriminazione multiclasse rimane subottimale. Di conseguenza, rilevare contemporaneamente e con precisione l'adulterazione nell'olio d'oliva con un mix di diversi oli vegetali rimane una sfida significativa.
A causa della diversità dell'adulterazione e della complessità dei dati delle impronte digitali, vi è un'urgente necessità di sviluppare modelli più efficienti e accessibili per rilevare e quantificare l'adulterazione dell'olio d'oliva. Support vector machine (SVM) è un potente classificatore che utilizza funzioni del kernel, rinomato per le sue robuste prestazioni di classificazione.

Il rilevamento spettrometrico della massa di flusso contro l'adulterazione dell'olio di oliva

L'autenticità dell'olio d'oliva è una preoccupazione significativa per i produttori, i consumatori e i responsabili politici. Per aiutare ad affrontare questo problema, è stato proposto un approccio di rilevamento delle impronte digitali a massa di iniezione di flusso rapido, efficiente e accurato, combinato con modelli di classificazione e regressione SVM e PLS, per l'identificazione e l'analisi quantitativa dell'adulterazione dell'olio d'oliva.

Sulla base dell'analisi comparativa completa, SVM ha sovraperformato quelli di PLS-DA, raggiungendo valori più elevati per l'accuratezza, la sensibilità e la specificità, nonché i valori predittivi predittivi positivi e negativi, nell'identificazione di campioni di olio d'oliva adulterati. Inoltre, rispetto al modello PLSR, il modello SVR ha dimostrato prestazioni superiori nel determinare il contenuto di olio d'oliva adulterato, con un coefficiente di determinazione più elevato e un errore di piazzale medio radice inferiore.

In conclusione, la tecnologia di rilevamento delle impronte digitali FIMS in combinazione con SVM può essere implementata in modo efficace per un'identificazione e una quantificazione rapida, affidabile e accurata dell'adulterazione dell'olio d'oliva.