مواد فرار غیر هدفمند برای احراز هویت زعفران با کروماتوگرافی گازی – طیف سنجی تحرک یونی و وضوح منحنی چند متغیره

در مقاله حاضر، مطالعه ای ولتامتریک غیرهدفمند و نوین مبتنی بر GC-IMS (HS-GC-IMS) برای احراز هویت و تفکیک منشأ جغرافیایی زعفران ارائه شده است. در این راستا، حداقل مربعات متناوب با وضوح منحنی چند متغیره (MCR-ALS) برای بازیابی پروفایل‌های خالص GC و IMS متابولیت‌های زعفران به کار گرفته شد. نمونه‌های زعفران ایران از هفت منطقه مهم توسط HS-GC-IMS مورد تجزیه و تحلیل قرار گرفت. مجموعه داده‌های مرتبه دوم GC-IMS در یک ماتریس تقویت‌شده سازمان‌دهی شدند و با استفاده از MCR-ALS با محدودیت‌های مختلف پردازش شدند. پروفیل‌های GC حل‌شده MCR-ALS با تکنیک‌های مختلف تشخیص الگو مورد تجزیه و تحلیل قرار گرفت که شامل تجزیه و تحلیل مؤلفه اصلی (PCA)، تجزیه و تحلیل تفکیک حداقل مربعات جزئی (PLS-DA) و مدل‌سازی مستقل مبتنی بر داده از قیاس کلاسDD-SIMCA) ) بود.

نمونه‌های زعفران با دقت 89.0 درصد به هفت منشاء جغرافیایی اختصاص یافتند. علاوه بر این، چهار ماده تقلبی (style, safflower, madder and calendula) با دقت بیش از 94.0 درصد به طور قابل اعتماد شناسایی شدند. در این زمینه، GC-IMS به طور قابل توجهی از رویکرد طیف‌سنجی FT-NIR که معمولاً استفاده می‌شود بهتر عمل کرد.

In the present contribution, a novel non-targeted volatilomic study based on headspace GC-IMS (HS-GC-IMS) was developed for the authentication and geographical origin discrimination of saffron. In this regard, multivariate curve resolution-alternating least squares (MCR-ALS) was employed to recover the pure GC elution and IMS profiles of saffron metabolites. Iranian saffron samples from seven important areas were analyzed by HS-GC-IMS.

The resulting second-order GC-IMS datasets were organized in a augmented matrix and processed using MCR-ALS with various constraints. The MCR-ALS resolved GC profiles were analyzed by different pattern recognition techniques; principal component analysis (PCA), partial least squares-discriminant analysis (PLS-DA) and data driven-soft independent modeling of class analogy (DD-SIMCA). The saffron samples were assigned to their seven geographical origins with an accuracy of 89.0 %. Additionally, four adulterants (style, safflower, madder and calendula) were reliably detected with over 94.0 % accuracy. In this context, GC-IMS substantially outperformed the commonly used FT-NIR spectroscopy approach.