ارزیابی تقلب زعفران با افزودنی‌های گیاهی از طریق طیف‌سنجی مادون قرمز تبدیل فوریه انعکاسی نفوذی همراه با شیمی‌سنجی

زعفران (کلاله‌های خشک‌شده قرمز گیاه Crocus sativus L.) به‌عنوان یکی از مهم‌ترین و گران‌قیمت‌ترین ادویه‌های جهان شناخته می‌شود و به همین دلیل به‌شدت در معرض تقلب و روش‌های غیرقانونی، از جمله استفاده از مواد تقلبی گیاهی، قرار دارد. این مطالعه، کاربرد طیف‌سنجی جذب و بازتاب نور مادون قرمز با تبدیل فوریه (DRIFTS) به همراه تکنیک‌های شیمی‌سنجی (Chemometrics) را برای ارزیابی تقلب زعفران با شش تقلب‌کننده مشخص گیاهی ارائه می‌دهد: کلاله‌های Crocus sativus، گل گاوزبان (Calendula)، گل گاوزبان (Safflower)، زردچوبه، بوادیا (Buddleja) و گاردهنیا (Gardenia). روش پیشنهادی شامل یک فرآیند سه مرحله‌ای برای تشخیص تقلب، شناسایی و کمی‌سازی تقلب‌کننده‌ها بود. تحلیل تشخیصی حداقل مربعات جزئی (PLS-DA) برای انجام اتنتیفیکیشن (تایید اصالت) زعفران بر اساس اثرانگشت‌های مادون قرمز میانی (۱-۶۰۰ تا ۴۰۰۰ cm⁻¹) اعمال شد که منجر به دسته‌بندی صحیح ۹۹٪ از زعفران خالص و زعفران تقلبی شده با سطوح ۵ تا ۲۰ درصد (w/w) گردید. شناسایی تقلب‌کننده در نمونه‌های مثبت با حساسیت و ویژگی بالا توسط یک مدل شش‌کلاسه PLS-DA و با استفاده از داده‌های طیفی در بازه ۶۰۰ تا ۲۰۰۰ cm⁻¹ انجام شد. در مرحله بعد، مدل‌های رگرسیون حداقل مربعات جزئی (PLS) برای کمی‌سازی هر تقلب‌کننده ساخته شدند. با استفاده از PLS بازه هم‌افزایی (siPLS) برای انتخاب متغیرها، مدل‌هایی با عملکرد بهبودیافته توسعه یافتند که حدود تشخیص (Detection Limits) آن‌ها در بازه ۱.۰ تا ۳.۱ درصد (w/w) متغیر بود. نتایج به‌دست‌آمده نشان می‌دهد که این استراتژی مبتنی بر DRIFTS پتانسیل بالایی برای تکمیل روش‌های موجود جهت ارزیابی سریع و مقرون‌به‌صرفه تقلبات متداول زعفران دارد.

Saffron, the dried red stigmas of the plant Crocus sativus L., is well-known as one of the most important and expensive spices worldwide. It is thus highly susceptible to fraudulent practices that employ, among others, plant-derived adulterants. This study presents an application of diffuse reflectance infrared Fourier transform spectroscopy (DRIFTS) and chemometric techniques for evaluating adulteration of saffron with six characteristic adulterants of plant origin, i.e. C. sativus stamens, calendula, safflower, turmeric, buddleja, and gardenia. The proposed method involved a three-step process for the detection of adulteration as well as for the identification and quantification of adulterants. Partial least squares discriminant analysis (PLS-DA) was applied to perform authentication of saffron based on mid-infrared fingerprints (4000–600 cm−1), resulting in 99% correct classification of pure saffron and saffron adulterated at 5–20% (w/w) levels. Adulterant identification in positive samples was performed with high sensitivity and specificity by a six-class PLS-DA model, with spectroscopic data from the region 2000–600 cm−1. Subsequently, partial least squares (PLS) regression models were built for the quantification of each adulterant. By using synergy interval PLS (siPLS) for variable selection, models with improved performance were developed, with detection limits ranging from 1.0% to 3.1% (w/w). The results obtained illustrate that this strategy based on DRIFTS has the potential to complement existing methodologies for the rapid and cost-effective assessment of typical saffron frauds.