یک روش جدید و ساده مبتنی بر پردازش کموآمتری طیف‌های مرئی-فرابنفش عصاره‌های استونیتریل برای تشخیص تقلبات گیاهی در زعفران (Crocus sativus L.)

یک روش طیف‌سنجی مرئی-فرابنفش با الهام از استاندارد ISO-3632 که به طور متعارف برای درجه‌بندی زعفران استفاده می‌شود، برای تشخیص تقلب این ادویه با گلبرگ‌های گل همیشه بهار (calendula)، گلبرگ‌های گلرنگ (safflower) و ریزوم‌های پودر شده زردچوبه (turmeric) توسعه داده شد. برای افزایش قابلیت مشاهده طیفی این تقلبات نسبت به زعفران، حلال‌های مختلفی آزمایش شد و استونیتریل به عنوان مناسب‌ترین محیط استخراج شناسایی شد. 40 نمونه زعفران خالص و 123 نمونه تقلبی، هر کدام حاوی 5-10 درصد آلودگی (41 نمونه برای هر نوع تقلب)، با استفاده از استخراج استونیتریل تجزیه و تحلیل شدند.

طیف‌های مرئی-فرابنفش حاصل با استفاده از روش‌های آماری چندمتغیره بدون نظارت برای تمایز بین زعفران اصیل و تقلبی پردازش شدند. الگوریتم پیش‌پردازش ترتیبی از طریق متعامدسازی (SPORT)، مبتنی بر حداقل مربعات جزئی ترتیبی و متعامد شده (SO-PLS)، ابتدا برای تفکیک دو گروه اعمال شد. با استفاده از یک مجموعه کالیبراسیون از 122 نمونه، مدل SPORT به درستی 37 نمونه از 38 نمونه آزمایشی خارجی را بدون در نظر گرفتن نوع یا سطح آلودگی طبقه‌بندی کرد. علاوه بر این، یک مدل کلاس برای زعفران خالص با استفاده از SIMCA تحت شرایط کالیبراسیون و اعتبارسنجی یکسان با مدل SPORT توسعه داده شد. SIMCA به طور دقیق تمام نمونه‌های آزمایشی را به استثنای یک نمونه زعفران خالص و یک نمونه تقلبی شناسایی کرد.

We developed a UV–visible spectroscopic method, inspired by ISO-3632 normative conventionally adopted for grading saffron, to detect the adulteration of this spice by Calendula officinalis L. petals (calendula), Carthamus tinctorius L. petals (safflower), and Curcuma longa L. powdered rhizomes (turmeric). To enhance the spectral visibility of these adulterants relative to saffron, we tested various solvents, identifying acetonitrile as the most suitable extraction medium. We analyzed 40 genuine and 123 adulterated saffron samples, each containing 5-10 % w/w contamination (41 samples for each type of adulterant), using acetonitrile extraction.

The resulting UV–visible spectra were processed using unsupervised multivariate statistical methods to distinguish between authentic and adulterated saffron. The Sequential Pre-processing through Orthogonalization (SPORT) algorithm, based on sequential and orthogonalized partial least squares (SO-PLS), was first applied to differentiate the two groups. Using a calibration set of 122 samples, the SPORT model correctly classified 37 of 38 external test samples, regardless of the type or level of contamination. Additionally, a class model for genuine saffron was developed using SIMCA (Soft Independent Modelling of Class Analogies), under the same calibration and validation conditions as the SPORT model. SIMCA accurately identified all test samples, with the exception of one pure saffron and one adulterated sample.