تعیین اصالت زعفران PDO لآکویلا با استفاده از HPLC-DAD همراه با یک روش تشخیصی چندمتغیره

یکصد و چهل و نه (149) نمونه زعفران ایتالیایی که در سال‌های 2013 تا 2016 در مکان‌های مختلف در پنج منطقه ایتالیایی متفاوت، یعنی آبروتزو، توscana، اومبریا، کامپانیا و ساردینیا تولید شده‌اند، به همراه بیست و هفت (27) نمونه تجاری، با کروماتوگرافی مایع با کارایی بالا با تشخیص آرایه دیود (HPLC-DAD) تجزیه و تحلیل شده‌اند. در میان نمونه‌های بررسی شده، آنهایی که در آبروتزو (منطقه ل’Aquila) تولید شده‌اند، ارزش افزوده بالاتری دارند، زیرا از سال 2005، زعفران ل’Aquila دارای علامت نشانه گذاری جغرافیایی حفاظت شده (PDO) بوده است. در این مطالعه، دو رویکرد تحلیلی مختلف که به هدف تمایز زعفران PDO ل’Aquila از سایر نمونه‌ها طراحی شده‌اند، مقایسه شده است.

استراتژی اول یک رویکرد سنتی‌تر است که در آن کروماتوگرام‌های جمع‌آوری‌شده در طول‌موج‌های خاص توسط تحلیل تفاضلی حداقل مربعات جزئی (PLS-DA) طبقه‌بندی می‌شوند. استراتژی دوم از ماهیت چندراهه داده‌ها بهره‌برداری می‌کند و از حذف هر منبع اطلاعاتی اجتناب می‌کند. در نتیجه، کل طیف کروماتوگرام توسط N-حداقل مربعات جزئی (N-PLS) مدیریت شده و سپس توسط تحلیل تفاضلی خطی (LDA) طبقه‌بندی می‌شود. هر دو روش پیش‌بینی‌های رضایت‌بخشی ارائه دادند؛ بهترین نتایج از نظر پیش‌بینی (برآورد شده بر اساس یک دسته نمونه خارجی) با استفاده از روش‌شناسی چندراهه پیشنهادی به‌دست آمد.

One hundred and forty-nine (149) Italian saffron samples produced in the years from 2013 to 2016 in distinct sites located in five different Italian regions, Abruzzo, Tuscany, Umbria, Campania and Sardinia, together with twenty-seven (27) commercial samples, have been analyzed by high-performance liquid chromatography with diode array detection (HPLC-DAD). Among the investigated samples, those produced in Abruzzo (L’Aquila area) present an even higher added-value, because, since 2005, saffron of L’Aquila has been granted of the protected designation of origin (PDO) mark. In the present study, two different analytical approaches aimed at distinguishing PDO saffron of L’Aquila from the other samples have been compared.

The first strategy is a more traditional approach, where the chromatograms collected at specific wavelengths are classified by Partial Least Squares Discriminant Analysis (PLS-DA). The second strategy exploits the multi-way nature of data, avoiding discarding any source of information. Consequently, the entire spectro-chromatogram is handled by N-Partial Least Squares (N-PLS) and then classified by Linear Discriminant Analysis (LDA). Both approaches provided satisfactory predictions; the best results from the prediction point of view (estimated on an external set of samples) were achieved by the proposed multi-way methodology.