ولاتیلومیکس غیرهدفمند برای احراز هویت زعفران با استفاده از کروماتوگرافی گازی-طیف‌سنجی تحرک یونی و واکاوی منحنی چندمتغیره

در این پژوهش، یک مطالعه ولاتیلومیکس غیرهدفمند جدید مبتنی بر GC-IMS فضای فوقانی برای احراز هویت و تشخیص منشاء جغرافیایی زعفران توسعه داده شد. در این راستا، از روش واکاوی منحنی چندمتغیره-最小 مربعات متناوب برای بازیابی پروفایل‌های خالص متابولیت‌های زعفران استفاده شد. نمونه‌های زعفران ایرانی از هفت منطقه مهم با استفاده از HS-GC-IMS تجزیه و تحلیل شدند. مجموعه داده‌های مرتبه دوم حاصل از GC-IMS در یک ماتریس الحاقی سازماندهی و با استفاده از MCR-ALS با محدودیت‌های مختلف پردازش شدند. پروفایل‌های GC حل‌شده توسط MCR-ALS با تکنیک‌های مختلف تشخیص الگو از جمله PCA، PLS-DA و DD-SIMCA مورد تجزیه و تحلیل قرار گرفتند. نمونه‌های زعفران با دقت 89.0٪ به هفت منشاء جغرافیایی خود اختصاص داده شدند. علاوه بر این، چهار ماده تقلبی (استایل، گلرنگ، روناس و کالندولا) با دقت بیش از 94.0٪ به طور قابل اعتماد شناسایی شدند. در این زمینه، GC-IMS به طور قابل توجهی از روش معمول طیف‌سنجی FT-NIR عملکرد بهتری داشت.

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.