Methodologies for Food Fraud

Význam tématu

Analytické metody pro odhalování podvodů s potravinami zajišťují bezpečnost spotřebitelů, zachování kvality a důvěry v potravinové řetězce. Skandály, jako byla kontaminace krmiv melaminem v roce 2007 nebo podvodné značení extra panenského olivového oleje, vedly k posílení právních předpisů a zájmu o robustní testovací techniky. S nástupem cenově dostupných spektroskopických a masově-spektrometrických přístrojů, stejně jako biotechnologických postupů, lze nyní rychle a přesně detekovat záměnu surovin či záměrné ředění a příměsi.

Cíle a přehled článku

Tento dokument si klade za cíl předložit soubor analytických metod a experimentálních postupů určených k detekci ekonomicky motivované adulterace potravin. Popisuje jak cílené, tak necílené („nontargeted“) přístupy, integraci multivariační statistiky a výstavbu predikčních klasifikačních modelů na vzorcích různých potravinních komodit.

Použitá metodika a instrumentace

Ve shrnutí jsou zmíněny tyto klíčové techniky a přístroje:

• Spektroskopie: FTIR (ATR), NIR, Raman, SORS (Agilent Resolve 830 nm)
• Chromatografie a masová spektrometrie: GC/MS (Agilent 8890 GC, 5977B MSD), LC/Q-TOF (Agilent 6546), GC/TOF, GC/Q-TOF
• ICP-MS/OES: Agilent 7900 ICP-MS, 5110 ICP-OES pro stopové a vzácné zeminy
• Izotopová analýza (IR-MS) pro určení původu potravin podle poměrů stabilních izotopů
• Genomické testy: Agilent 2100 Bioanalyzer, PCR-RFLP, DNA barcoding COI, mikrosatelitní markery, NGS metabarcoding
• NMR: 1D/2D HR-NMR s multivariační analýzou pro detekci podvodů v medu
• Elektronický nos: senzory pro rychlé rozlišení vůní a volných organických sloučenin

Hlavní výsledky a diskuse

Necílené workflow spojené s multivariačními metodami (PCA, PLS-DA, SVM, bayesovské, rozhodovací stromy, neuronové sítě) umožňují odhalit skryté vzorce v datech. Spektroskopické metody (FTIR, NIR, Raman/SORS) dokáží detekovat příměsi v mléce, podvodné ředění olejů či chemické značky v destilátech již na místě odběru vzorku. GC/MS a LC-MS-based techniky poskytují detailní chromatografické a hmotnostně-spektrální otisky pro cílené i necílené analýzy. ICP-MS určuje stopové prvky jako geografické „otisky prstů“. Genetické testy zajišťují přesné určení druhu, zejména u rybích a masných produktů. Integrace těchto instrumentů s uživatelsky přívětivým softwarovým prostředím a automatizovanými workflow (Agilent MassHunter Profinder, Mass Profiler Professional, Classifier) zvyšuje efektivitu, snižuje chybovost a umožňuje validované predikční modely.

Přínosy a praktické využití metody

• Rychlá a nenáročná předběžná identifikace adulterantů přímo v terénu (handheld NIR, SORS)
• Komplexní necílené i cílené analýzy v laboratoři pro zajištění souladu s předpisy a normami
• Robustní multivariační statistika pro vybudování metod s vysokou specifitou i citlivostí
• Možnost vytvářet predikční modely kvality a původu potravin pro QA/QC, forenzní a regulační účely

Budoucí trendy a možnosti využití

• Další miniaturizace přístrojů a integrace s umělou inteligencí pro online monitoring potrubí a výrobních linek
• Rozšíření NGS metabarcodingu a metagenomických přístupů pro vícekomponentní biologické matrice
• Cloudové platformy pro sdílení referenčních dat, pokročilé modely strojového učení a transfer learning
• Vylepšené algoritmy pro dekonvoluci spektra a strukturální eluciaci pro necílené workflow
• On-site elementární fingerprinting pomocí portable ICP, IRMS a mobilních elektrických nosů

Závěr

Moderní analytický arzenál kombinuje spektrální, chromatografické, hmotnostně-spektrální, izotopové i genetické metody a statistickou analýzu pro efektivní boj proti potravinovým podvodům. Klíčovými faktory úspěchu jsou pečlivá příprava vzorku, validovaná data, vhodný design pokusů a optimalizované predikční modely. Inovace v mobi­l­ních instrumentech a pokročilých softwarových nástrojích slibují v budoucnu ještě vyšší dostupnost a rychlost detekce ekonomicky motivované adulterace.

Reference

1. Barboza D; Barrionuevo A. Filler in Animal Feed Is Open Secret in China. The New York Times 2007, 30 April.
2. Litzau JJ; Mercer GE; Mulligan KJ. GC-MS Screen for the Presence of Melamine, Ammeline, Ammelide, and Cyanuric Acid. FDA CVM 2007.
3. Bhalla V; et al. Melamine Nephrotoxicity: an Emerging Epidemic in an Era of Globalization. Kidney International 2009, 75, 774–779.
4. GC-MS Screen for the Presence of Melamine, Ammeline, Amelide, and Cyanuric Acid. U.S. FDA 2008.
5. Notice of Public Meeting on Economically Motivated Adulteration. 74 Fed. Reg. 15497 (2009).
6. Frankel EN; et al. Tests Indicate That Imported “Extra Virgin” Olive Oil Often Fails International and USDA Standards. UC Davis Olive Center 2010.
7. Cord C. 80 Percent is the New 69 Percent. Olive Oil Times 2016, 30 Nov.
8. Ayton J; Mailer RJ; Graham K. The Effect of Storage Conditions on Extra Virgin Olive Oil Quality. RIRDC 2012, 12/024.
9. Morales MT; Luna G; Aparicio R. Comparative Study of Virgin Olive Oil Sensory Defects. Food Chemistry 2005, 91(2), 293–301.
10. Stein SE; Scott DR. Optimization and Testing of MS Library Search Algorithms. J. Am. Soc. Mass Spectrom. 1994, 5(9), 859–866.
11. Taro Q; et al. New Investigator Tools for Finding Unique and Common Components in Multiple Samples with Two-Dimensional Chromatography. Chromatography Today 2018, 13–18.
12. Smith CA; et al. XCMS: Processing MS Data for Metabolite Profiling. Anal. Chem. 2006, 78(3), 779–782.
13. Hjelmeland AK; et al. Chemical and Sensory Profiles of Cabernet Sauvignon Wines. Am. J. Enol. Vitic. 2013, 64(2), 169–179.
14. Bradbury LMT; et al. The Gene for Fragrance in Rice. Plant Biotechnol. J. 2005, 3, 363–370.
15. Bergman CJ; et al. Rapid GC Technique for Quantifying 2-AP and Hexanal in Rice. Cereal Chem. 2000, 77(4), 454–458.
16. Grimm CC; et al. Screening for 2-AP in Rice Headspace by SPME/GC-MS. J. Agric. Food Chem. 2001, 49, 245–249.
17. Yannell KE; Cuthbertson D. Food Authenticity Testing with LC/Q-TOF and Classifier. Agilent Technol. App. Note 2019.
18. WTO Analytical Index TRIPS Agreement Articles 22, 23 (2018).
19. Ibanez JG; et al. Metals in Alcoholic Beverages: Review of Sources and Analysis. J. Food Compos. Anal. 2008, 21, 672–683.
20. Förstel H. The Natural Fingerprint of Stable Isotopes – Use of IRMS to Test Food Authenticity. Anal. Bioanal. Chem. 2007, 388, 541–544.
21. Drivelos SA; Georgiou CA. Multi-Element and Multi-Isotope Ratio Analysis for Geographic Origin of EU Foods. Trends Anal. Chem. 2012, 40, 38–51.
22. Nelson J; Hopfer H. Authentication of Specialty Teas. Food Qual. Saf. 2019, Dec/Jan, 32–33.
23. Woods G. Measurement of Trace Elements in Malt Spirits by 7500cx ICP-MS. Agilent App. Note 2007.
24. Moore JC; Spink J; Lipp M. Development of Food Fraud Database 1980–2010. J. Food Sci. 2012, 77(4), R118–R126.
25. Santos PM; Pereira-Filho ER; Rodriguez-Saona LE. Hand-Held Infrared Spectrometers in Bovine Milk Analysis. J. Agric. Food Chem. 2013, 61, 1205–1211.
26. Muthayya S; et al. Overview of Global Rice Production, Supply, and Consumption. Ann. N.Y. Acad. Sci. 2014, 1324, 7–14.
27. Ellis DI; et al. Through-Container, Low Concentration Detection of Chemical Markers of Counterfeit Alcohol Using Handheld SORS. Sci. Rep. 2017, 7, 12082.
28. Pasquini C. New Infrared Spectroscopy: Fundamentals and Applications. J. Braz. Chem. Soc. 2003, 14(2), 198–219.
29. Teye E; et al. Analysis for Rice Authenticity Using Hand-Held NIR and Chemometrics. Spectrochim. Acta A 2019, 217, 147–154.
30. Yu Y; et al. Stability Improvement in Detecting Rice Adulteration by PWMSC in Hyperspectral Imaging. Anal. Methods 2018, 10, 3224–3231.
31. Izake EL. Security Screening by Portable Raman Spectroscopy. Forensic Sci. Int. 2010, 202(1-3), 1–8.
32. Dooley J; et al. Improved Fish Species ID Using Lab-on-a-Chip. Food Control 2005, 16, 601–607.
33. Dooley JJ; et al. Fish Species ID Using PCR-RFLP and Lab-on-Chip CE. J. Agric. Food Chem. 2005, 53, 3348–3357.
34. Hebert PD; et al. Biological Identifications Through DNA Barcodes. Proc. Biol. Sci. 2003, 270(1512), 313–321.
35. Ratnasingham S; Hebert PD. BOLD: The Barcode of Life Data System. Mol. Ecol. Notes 2007, 7, 355–364.
36. Wong EH; Hanner RH. DNA Barcoding Detects Market Substitution in North American Seafood. Food Res. Int. 2008, 41(8), 828–837.
37. Xing RR; et al. NGS for Species ID in Meat and Poultry: DNA Metabarcoding. Food Control 2019, 101, 173–179.
38. Śliwińska M; et al. Food Analysis Using Artificial Senses. J. Agric. Food Chem. 2014, 62, 1423–1448.
39. Pillonel L; et al. Geographic Origin of Emmental Cheese by GC/MS-FID and E-Nose. Eur. Food Res. Technol. 2003, 216, 179–183.
40. Bertelli D; et al. Detection of Honey Adulteration by 1D/2D HR-NMR. J. Agric. Food Chem. 2010, 58, 8495–8501.
41. Faul F; et al. Statistical Power Analyses Using G*Power 3.1. Behav. Res. Methods 2009, 41(4), 1149–1160.
42. Johnson WE; Li C. Adjusting Batch Effects in Microarray Data Using Empirical Bayes. Biostatistics 2007, 8(1), 118–127.
43. Schultz-Trieglaff O; et al. Statistical Quality Assessment and Outlier Detection for LC-MS. BioData Mining 2009, 2:4.
44. Dunn W; et al. Importance of Experimental Design and QC in Untargeted Metabolomics. Bioanalysis 2012, 4(18), 2249–2264.
45. Tautenhahn R; et al. XCMS Online: Web Platform to Process Untargeted Metabolomic Data. Anal. Chem. 2012, 84(11), 5035–5039.
46. Styczynski MP; et al. Systematic Identification of Conserved Metabolites in GC/MS Data. Anal. Chem. 2007, 79, 966–973.
47. Smilde AK; et al. Metabolomics in Practice: Successful Strategies. In: M. Lämmerhofer; W. Weckwerth, Eds. Wiley-VCH 2013, p. 266.