تشخیص سریع زعفران (Crocus sativus L.) آغشته به پرچم های گل نیلوفر و کلاله ذرت با استفاده از طیف سنجی نزدیک به مادون قرمز و شیمی سنجی

تقلب و آلودگی به طور جدی بر کیفیت محصولات تأثیر می‌گذارد. زعفران گران‌ترین گیاه دارویی جهان، یک رنگ‌دانه عالی و ادویه‌ای با کیفیت بالا است. برای کاهش هزینه‌ها، معمولاً با پرچم‌های رنگ‌شده نیلوفر آبی (Nelumbo nucifera Gaertn.) و کلاله‌های ذرت (Zea mays L.) که ظاهری مشابه با زعفران دارند، تقلب می‌شود. بنابراین هدف از این مطالعه شناسایی و تعیین مقدار این دو تقلب‌کننده در زعفران با استفاده از طیف‌سنجی نزدیک به مادون قرمز (NIR) بود. یک مدل تحلیل تفریق مربعات جزئی (PLS-DA) برای تعیین اصالت زعفران ایجاد شد.

یک مدل رگرسیون حداقل مربعات جزئی (PLS) برای پیش‌بینی سطح تقلب استفاده شد. روش‌های انتخاب متغیر از جمله PLS بازه هم‌افزایی (SI-PLS)، نمونه‌گیری تطبیقی وزن‌دهی‌شده رقابتی (CARS) و حذف متغیر غیرمفید مونت کارلو (MC-UVE) برای اصلاح مدل‌های رگرسیون مقایسه شدند. برای زعفران تقلبی با کتب لوتوس، اثر مدل SI-PLS بهتر از سایر مدل‌ها بود. در تجزیه و تحلیل کمی زعفران تقلبی با کلاله ذرت، مدل CARS-PLS بهترین پایداری و قابلیت پیش‌بینی را ارائه داد. نتایج نشان داد که روش‌های انتخاب متغیر دقت مدل را بهبود بخشیدند. طیف‌سنجی NIR همراه با شیمی‌متریک‌ها می‌تواند به طور مؤثر و سریع تقلب زعفران با کتب لوتوس و کلاله ذرت را شناسایی و کمیت‌سنجی کند بدون اینکه به نمونه‌ها آسیب بزند.

Counterfeiting and adulteration have seriously affects the products quality. Saffron is the world’s most expensive medicinal plant, an excellent dye, and a high-grade spice. To reduce costs, it is often adulterated with dyed stamens of Nelumbo nucifera Gaertn. (lotus stamens) and stigmas of Zea mays L. (corn stigmas), which have a similar appearance to saffron. Therefore, the aim of this study was to identify and quantify these two adulterants in saffron using near-infrared (NIR) spectroscopy. A partial least squares discriminant analysis (PLS-DA) model was established to determine the authenticity of the saffron.

A partial least squares (PLS) regression model was used to predict the adulteration level. The synergistic interval PLS (SI-PLS), competitive adaptive reweighted sampling (CARS), and Monte Carlo uninformative variable elimination variable (MC-UVE) selection methods were compared for correcting the regression models. For saffron adulterated with lotus stamens, the SI-PLS model effect was better than those of the other models. In the quantitative analysis of saffron adulterated with corn stigmas, the CARS-PLS model gave the best stability and predictability. The results showed that the variable selection methods improved the accuracy of the model. The NIR spectroscopy combined with chemometrics could effectively and rapidly identify and quantify adulteration of saffron with lotus stamens and corn stigmas without damaging the samples.