انگشت‌نگاری نسبت ایزوتوپ با کمک شیمیومتری مبتنی بر GC/C/IRMS برای احراز اصالت زعفران

در این مقاله، قابلیت طیف‌سنجی جرمی نسبت ایزوتوپی (IRMS) برای اصالت سنجی زعفران و تشخیص چهار نوع تقلب رایج از منابع گیاهی (گل همیشه‌بهار، گلرنگ، روبیا و قسمت‌های ساقه زعفران) مورد بررسی قرار گرفت. برای این منظور، ۶۲ نمونه اصیل زعفران با تحلیلگر عنصری-IRMS (EA-IRMS) و کروماتوگرافی گازی-سوختن-IRMS (GC-C-IRMS) تحلیل شدند. در این راستا، اثر انگشت ایزوتوپی EA-IRMS و GC-C-IRMS ایزوتوپ‌های کربن-۱۳ و نیتروژن-۱۵ اجزای زعفران ارائه شد و سپس با استفاده از روش‌های کمومتریکال مورد تحلیل قرار گرفت. تحلیل مولفه‌های اصلی (PCA) دو رفتار متفاوت را در دو ناحیه اصلی نشان داد.

سپس، یک نمونه نماینده زعفران ارائه شد تا بررسی تقلب در آن انجام شود.در این زمینه، مخلوط‌های دوتایی زعفران و ناخالصی‌ها در پنج درصد وزنی مختلف (۵٪، ۱۰٪، ۱۵٪، ۲۵٪ و ۳۵٪) تهیه و با استفاده از EA-IRMS و GC-C-IRMS مورد تجزیه و تحلیل قرار گرفتند. مدل‌سازی نرم مستقل مبتنی بر داده‌ها برای تحلیل شباهت کلاس (DD-SIMCA) برای مدل‌سازی نمونه‌های زعفران اصیل و یافتن مرز بین نمونه‌های اصیل و ناخالص با حساسیت ۱۰۰٪ توسط GC-C-IRMS استفاده شد. پس از آن، مدل‌های تفکیک خطی تحلیل تفاضل خطی (LDA)، تحلیل تفاضل درجه دوم (QDA) و تحلیل تفاضل با حداقل مربعات جزئی (PLS-DA) آزمایش شدند تا بهترین خط تفکیک و همچنین شناسایی پایین‌ترین سطح ناخالصی‌ها پیدا شود.

در میان مدل‌های مختلف، مدل QDA عملکرد بهتری نسبت به سایر روش‌ها داشت و توانایی پیش‌بینی ناخالصی‌ها در سطح ۵٪ وزنی با دقت و صحت ۱۰۰٪ را نشان داد. در نهایت، مدل QDA توسعه‌یافته با موفقیت برای تفکیک مجموعه‌ای از نمونه‌های مخلوط زعفران و چهار ناخالصی و همچنین برخی نمونه‌های تجاری استفاده شد.

In the present contribution, the capability of isotopic ratio mass spectrometry (IRMS) for saffron authentication and detection of four common plant-derived adulterants (marigold flower, safflower, rubia, and saffron style) was investigated. For this purpose, 62 authentic saffron samples were analyzed by elemental analyzer-IRMS (EA-IRMS) and gas chromatography-combustion-IRMS (GC-C-IRMS). In this regard, EA-IRMS and GC-C-IRMS isotope fingerprints of carbon-13 and nitrogen-15 isotopes of saffron components were provided and then analyzed by chemometric methods.

Principal component analysis (PCA) showed two different behaviors regarding two main regions. Then, a representative saffron sample was provided to study adulteration. On this matter, binary mixtures of saffron and adulterants were prepared at five different weight percentages (5%, 10%, 15%, 25%, and 35%) and analyzed by EA-IRMS and GC-C-IRMS. Data-driven soft independent modeling of class analogy (DD-SIMCA) was used to model authentic saffron samples and find a boundary between authentic and adulterated samples with a sensitivity of 100% by GC-C-IRMS. After that, discriminant models of linear discriminant analysis (LDA), quadratic discriminant analysis (QDA), and partial least squares-discriminant analysis (PLS-DA) were tested to find the best discrimination line and also detection of the lowest level of adulterants.

Among different models, the QDA model outperformed other methods and showed the ability to predict adulterants at 5% w/w level with 100% accuracy and precision. Finally, the developed QDA model was successfully used to discriminate a set of mixed samples of saffron and four adulterants as well as some commercial samples.