ترکیب تحلیل تصاویر چندمتغیره با کروماتوگرافی لایه نازک با کارایی بالا به منظور توسعه یک ابزار قابل اعتماد برای شناسایی زعفران و تشخیص تقلب

در این کار، کروماتوگرافی لایه نازک با عملکرد بالا (HPTLC) به همراه تحلیل تصویر چندمتغیره (MIA) به‌عنوان ابزاری سریع و قابل اعتماد برای شناسایی و تشخیص تقلب در نمونه‌های زعفران ایرانی بر اساس اثر انگشت‌های HPTLC آن‌ها پیشنهاد شده است. در ابتدا، متابولیت‌های ثانویه زعفران با استفاده از استخراج حلالی با کمک اولتراسونیک (UASE) استخراج شدند که با استفاده از طراحی ترکیبی مرکزی (CCD) بهینه‌سازی شده است. سپس، مختصات RGB تصاویر HPTLC برای برآورد منشاء زعفران بر اساس تحلیل مؤلفه‌های اصلی (PCA) استفاده شد. نمودار امتیازات PCA نشان داد که نمونه‌های زعفران به دو گروه واضح تقسیم شدند که 92٪ با منشأ جغرافیایی نمونه‌ها مطابقت دارد.

در مرحله بعد، ناخالصی‌های رایج گیاهی زعفران شامل گل رنگ، ساقه زعفران، گل مینای خیابانی و روبیا با استفاده از تحلیلی MIA بر روی تصاویر HPTLC و با استفاده از تحلیل تفریق متناسب کمینه مربعات (PLS-DA) در سطوح ۵–۳۵٪ (وزن به وزن) مورد بررسی قرار گرفتند. نتایج PLS-DA طبقه‌بندی مناسب زعفران و ناخالصی‌ها را با حساسیت ۹۹.۱۴٪، ویژگی ۹۶.۹۴٪، نرخ خطا ۱.۹۶٪ و دقت ۹۸.۰۴ نشان داد. همچنین، اثر حجم تزریق HPTLC بر عملکرد استراتژی پیشنهادی ارزیابی شد. توانایی روش پیشنهادی با تحلیل دو مجموعه نمونه اضافی شامل نمونه‌های مخلوط چهار ناخالصی گیاهی و نمونه‌های تجاری آلوده مورد بررسی قرار گرفت. حساسیت و ویژگی این مدل ۱۰۰٪ بود که اعتبار آن را تأیید کرد.

In this work, high-performance thin-layer chromatography (HPTLC) coupled with multivariate image analysis (MIA) is proposed as a fast and reliable tool for authentication and adulteration detection of Iranian saffron samples based on their HPTLC fingerprints. At first, the secondary metabolites of saffron were extracted using ultrasonic-assisted solvent extraction (UASE) which was optimized using central composite design (CCD). Next, the RGB coordinates of HPTLC images were used for estimation of saffron origin based on principal component analysis (PCA).

The PCA scores plot showed that saffron samples were clustered into two clear-cut groups which was 92% matched with the geographical origins of the samples. In the next step, common plant-derived adulterants of saffron including safflower, saffron style, calendula, and rubia were investigated with MIA analysis of HPTLC images using partial least squares-discriminant analysis (PLS-DA) at 5–35% (w/w) levels. The PLS-DA results showed proper classification of saffron and adulterants with sensitivity 99.14%, specificity 96.94%, error rate 1.96% and accuracy 98.04. Also, the effect of HPTLC injection volume on the performance of the proposed strategy was evaluated. The ability of the proposed method was then investigated by analyzing two additional sample sets including mixed samples of four plant-derived adulterants and adulterated commercial samples. Sensitivity and specificity of this model were 100% which confirmed its validity