تشخیص تقلب در نمونه‌های زعفران ایرانی با استفاده از طیف‌سنجی 1H NMR و تکنیک‌های تحلیل داده‌های چندمتغیره

در این کار، نشان داده شده است که طیف‌سنجی رزونانس مغناطیسی هسته پروتون (¹H NMR) به همراه روش‌های تحلیل داده‌های چندمتغیره شیمی‌سنجی می‌تواند برای تشخیص تقلب در زعفران مورد استفاده قرار گیرد. مجموعه آموزش شامل ۲۰ نمونه اصیل زعفران ایرانی و ۲۲ نمونه تقلبی بود که از افزودن مقادیر متفاوتی از مواد گیاهی طبیعی (مانند گل گاوزبان/کرفس) یا رنگ‌های سنتتیک (مانند تارترازین یا نافتول زرد) به زعفران خالص تهیه شده بودند. از این مجموعه آموزش برای ساخت مدل‌های تحلیل مؤلفه‌های اصلی (PCA) و تحلیل تشخیصی حداقل مربعات جزئی (PLS-DA) استفاده شد. قدرت پیش‌بینی مدل PLS-DA با آزمون آن بر روی یک داده خارجی مستقل (۱۳ نمونه) تأیید شد. هم مدل‌های PCA و هم PLS-DA توانستند نمونه‌های اصیل و تقلبی را از هم تفکیک کنند. اعتبارسنجی خارجی نشان‌دهنده حساسیت و ویژگی ۱۰۰٪ در پیش‌بینی اصالت نمونه‌های مشکوک بود. همچنین پیک‌های اختصاصی برای نمونه‌های اصیل و تقلبی مشخص شد. نزدیکی نمونه‌هایی با وضعیت تقلب ناشناخته به نمونه‌های تقلبی با ترکیبات شناخته‌شده در PCA، بینشی درباره هویت تقلب‌کننده در نمونه‌های مشکوک ارائه داد. افزون بر این، نمونه‌های اصیل را می‌توان بر اساس محل کشت آن‌ها از هم تشخیص داد. مطالعه حاضر نشان می‌دهد که کاربرد ¹H NMR همراه با تحلیل داده‌های چندمتغیره، رویکردی مناسب برای تشخیص تقلب در نمونه‌های زعفران است. حساسیت و ویژگی استثنایی مدل PLS-DA در تفکیک نمونه‌های اصیل از تقلبی در اعتبارسنجی خارجی، قدرت پیش‌بینی بالای مدل را تأیید کرد. مزیت روش فعلی، قدرت آن در تشخیص طیف وسیعی از تقلب‌کننده‌ها، از رنگ‌های سنتتیک تا مواد گیاهی، در یک آزمون واحد است.

In this work, we show that 1H NMR spectroscopy together with chemometric multivariate data analysis methods can be used for the detection of adulteration in saffron. Authentic Iranian saffron samples (n = 20) and adulterated samples that were prepared by adding either different quantities of natural plant materials such as safflower, or synthetic dyes such as tartrazine or naphthol yellow to pure saffron (n = 22) composed the training set. This training set was used to build multivariate Principal Component Analysis (PCA) and Partial Least Squares Discriminant Analysis (PLS-DA) models. The predictive power of the PLS-DA model was validated by testing the model against an external dataset (n = 13). PCA and PLS-DA models could both discriminate between the authentic and adulterated samples, and the external validation showed 100% sensitivity and specificity for predicting the authenticity of suspicious samples. Peaks specific to authentic and adulterated samples were also characterized. Proximity of samples with unknown adulteration status to the samples adulterated with known compounds in the PCA provided insight regarding the identity of the adulterant in the suspicious samples. Furthermore, the authentic samples could be distinguished based on their cultivation site. The present study demonstrates that the application of 1H NMR spectroscopy coupled with multivariate data analysis is a suitable approach for detection of adulteration in saffron specimens. Outstanding sensitivity and specificity of the PLS-DA model in discriminating the authentic from adulterated samples in external validation confirmed the high predictive power of the model. The advantage of the present method is its power for detecting a wide spectrum of adulterants, ranging from synthetic dyes to herbal materials, in a single assay.