تشخیص سریع و کمی سازی تقلب در زعفران با استفاده از ماتریس فلورسانس تحریک – انتشار توام با شیمیومتری چند طرفه

پیش‌زمینه: زعفران به دلیل طعم منحصر به فرد و ارزش خوراکی ارزشمندش توجه و علاقه مردم را به خود جلب کرده است، اما مشکل تقلبات زعفران در بازار جدی است. و لذا ضروری است که روشی ساده و سریع برای شناسایی و تعیین کمی تقلب در زعفران پیدا کنیم. بنابراین، ماتریس تحریک-انتشار (EEM) فلورسانس همراه با شیمی‌سنجی چندمتغیره برای تشخیص و اندازه‌گیری تقلب در زعفران پیشنهاد شده است. نتایج: تحلیل ترکیب فلورسانس زعفران و جایگزین های زعفران (گل رنگ، همیشه بهار و روناس) با استفاده از الگوریتم تجزیه سه‌خطی متناوب (ATLD) انجام شد. از ATLD و تحلیل مؤلفه اصلی دوبعدی همراه با k-نزدیکترین همسایه (ATLD-kNN و 2DPCA-kNN) و ATLD همراه با مدل‌سازی مستقل طبقه‌بندی داده‌محور (ATLD-DD-SIMCA) برای تشخیص سریع تقلب در زعفران استفاده شد. روش‌های 2DPCA-kNN و ATLD-DD-SIMCA برای طبقه‌بندی داده‌های شیمیایی EEM به کار گرفته شدند و در ابتدا نرخ طبقه‌بندی صحیح 100 درصد داشتند. میزان تقلب در زعفران تقلبی با استفاده از الگوریتم رگرسیون حداقل مربعات جزئی(N-PLS) پیش‌بینی شد. علاوه بر این، نمونه‌های جدید به درستی طبقه‌بندی شدند و سطح تقلب در زعفران تقلبی به صورت نیمه کمّی برآورد گردید که قابلیت اطمینان این مدل‌ها را تأیید می‌کند. نتیجه‌گیری: روش‌های ATLD-DD-SIMCA و 2DPCA-kNN به عنوان روش‌های توصیه‌شده برای طبقه‌بندی زعفران خالص و زعفران تقلبی پیشنهاد می‌شوند. الگوریتم N-PLS پتانسیل خود را در پیش‌بینی سطوح تقلب نشان می‌دهد. انتظار می‌رود این روش‌ها بتوانند مسائل پیچیده‌تری را در زمینه اصالت مواد غذایی حل کنند.

BACKGROUND: Saffron has gained people’s attention and love for its unique flavor and valuable edible value, but the problem of saffron adulteration in the market is serious. It is urgent for us to find a simple and rapid identification and quantitative estimation of adulteration in saffron. Therefore, excitation–emission matrix (EEM) fluorescence combined with multi-way chemometrics was proposed for the detection and quantification of adulteration in saffron. RESULTS: The fluorescence composition analysis of saffron and saffron adulterants (safflower, marigold and madder) were accomplished by alternating trilinear decomposition (ATLD) algorithm. ATLD and two-dimensional principal component analysis combined with k-nearest neighbor (ATLD-kNN and 2DPCA-kNN) and ATLD combined with data-driven soft independent modeling of class analogies (ATLD-DD-SIMCA) were applied to rapid detection of adulteration in saffron. 2DPCA-kNN and ATLD-DD-SIMCA methods were adopted for the classification of chemical EEM data, first with 100% correct classification rate. The content of adulteration of adulterated saffron was predicted by the N-way partial least squares regression (N-PLS) algorithm. In addition, new samples were correctly classified and the adulteration level in adulterated saffron was estimated semi-quantitatively, which verifies the reliability of these models. CONCLUSION: ATLD-DD-SIMCA and 2DPCA-kNN are recommended methods for the classification of pure saffron and adulterated saffron. The N-PLS algorithm shows potential in prediction of adulteration levels. These methods are expected to solve more complex problems in food authenticity