概述奶粉是世界上貿易量最大的食品商品之一，每年出口量超過250萬噸。[1] 從嬰幼兒配方食品到烘焙糕點，很多食品中都會使用奶粉。然DairyGuard：奶粉營養成分檢測與摻假篩查Near Infrared Spectroscopy應 用 文 章而，乳制品也是食品造假的常見對象之一，僅2011~2012年間美國藥典委員會（USP）就記錄了全球范圍內137例因經濟利益而發生的摻假事件。[2] 奶粉的營養價值關鍵在于蛋白質含量，但是目前蛋白質檢測的標準方法僅僅是對氮元素含量進行簡單測試，然后根據氮元素含量推算蛋白質含量。因此，摻入富含氮元素的化學物質可以人為增加蛋白質的表觀含量，從而提高奶粉的價格。
經濟利益驅使的摻假案例使得對于奶制品中三聚氰胺含量的限制非常嚴格。例如，美國FDA規定食品中三聚氰胺和氰尿酸的含量要低于2.5 ppm，嬰兒奶粉中二者含量要低于1 ppm。[3]在上述含量水平上證明食品中不含這些摻假成分需要LC/MS/MS等靈敏度非常高的檢測方法。[4]一些靈敏度高的實驗室檢測方法是非常重要的，但是這類方法往往也非常昂貴和耗時，可能導致無法獲得具有代表性的樣品。對于經濟利益驅使的摻假行為來說，還有兩個需要考慮的因素。首先，在ppm量級水平摻假基本上是無利可圖的，因此確實摻假的樣品中摻雜物質的含量應該更高。例如，讓脫脂奶粉中氮元素占奶粉總質量的比例增加0.16%（對應于使蛋白質占奶粉總質量的比例增加1%），需要添加2400 ppm的三聚氰胺。其次，更難解決的問題在于，除了三聚氰胺以外還有其他各種各樣可以添加的富含氮元素的化學物質。[5] 要有效地預防非法摻假行為，必須考慮目前已知摻假物質之外的其他可能性。
基于上述原因，在應對經濟利益驅使的摻假行為時，不需要進行分離而是檢測樣品整體成分的“指紋圖譜"技術具有非常重要的作用。近紅外（NIR）光譜已經廣泛用于食品、飼料和農業領域的蛋白質、水分、脂肪等營養和品質參數的定量分析。然而并不被人所熟知的是，近紅外光譜也可以作為檢測摻假樣品的有力方法。近紅外光譜測試幾秒鐘即可完成，包含了任意摻假成分在內的樣品全部成分信息。檢測過程中沒有任何樣品分離措施，因此需要恰當的化學計量學方法來區分奶粉基質和摻假物質的光譜信號。本文描述了DairyGuard 奶粉分析儀和Adulterant Screen 算法如何檢測奶粉中含量遠低于1%的7種摻假成分，不需要耗時建立偏最小二乘（PLS）或其他化學計量學校正模型。
什么是Adulterant Screen？以前使用近紅外光譜進行摻假物質檢測都是使用標準化學計量學方法（如圖1所示）。以偏最小二乘回歸為基礎的定量分析方法能夠比較準確的檢測出三聚氰胺的含量。然而，這類靶向檢測方法僅僅適用于建立校正模型時所針對的摻假物質，而且模型建立過程非常耗時——需要準備幾十到幾百個樣品，并且準確測定這些樣品中摻假物質的含量。另一種可供選擇的思路是：使用SIMCA等基于主成分分析（PCA）的化學計量學方法，建立未摻假樣品的光譜模型，根據待測樣品光譜與該模型的匹配程度確定其是否合格。這類方法是真正的非靶向檢測，能夠檢測任意摻假物質，但是無法給出不合格樣品產生的原因（沒有對摻假物質進行識別）。這類方法沒有用到摻假物質的光譜，靈敏度也不會高于定量分析方法。基于光譜數據庫檢索的方法——即便是使用多元算法——的困難在于不能準確擬合樣品基質的光譜變化，而且商業數據庫的應用也非常有限
Adulterant Screen是專門為復雜基質中任意潛在摻假成分篩查而設計的新算法。該算法綜合了非靶向篩查方法的通用性和簡便性優勢，以及靶向檢測方法的高靈敏度優勢。
Adulterant Screen如何工作？第一步，建立未摻假樣品的光譜數據庫，這與建立SIMCA模型的步驟類似。這個數據庫應該盡可能包含各種類型的樣品，例如包括不同批次、不同生產者、不同工藝參數的產品。然而，這些樣品應該都是正常的，不需要像建立營養成分定量分析方法那樣選擇高杠桿值的特殊樣品（例如含有特殊營養成分的產品）。樣品光譜數量取決于基質復雜程度和所要求的靈敏度，一個典型的奶粉數據庫大概包含幾十個樣品。第二步，建立摻假成分的光譜數據庫。只需要純物質的光譜即可，不用制備混合樣品。DairyGuard軟件中已經內置了一個包含19種富含氮元素的農業和工業化合物的光譜數據庫。在數據庫中添加新的摻假成分也非常簡單，只要測量純摻假成分的光譜，并將其拷貝到數據庫文件夾即可。上 述 兩 組 光 譜 導 入 軟 件 之 后 ， 就 可 以 開 始 使 用Adulterant Screen技術了
Adulterant Screen與SIMCA比較：物理摻假樣品通過噴霧-干燥法獲得66個全脂奶粉樣品，其中48個用于建立參考樣品數據庫，12個用于制備摻假樣品，其余6個作為空白對照。所使用的潛在摻假成分為三聚氰胺、尿素、雙縮脲、雙氰胺、環丙氨嗪和氰尿酸。每種摻假成分在研細后分別以質量分數0.2%和2%的比例與奶粉充分混合均勻。通過其他方式（例如濕法混合）生產的奶粉樣品可能產生不同的結果，需要對數據庫中參考樣品光譜進行調整。所有樣品光譜都通過PerkinElmerDairyGuard奶粉分析儀系統進行測量，其中包含一臺Frontier 近紅外(NIR)光譜儀，配備NIRA II漫反射附件。每個樣品累積掃描20秒，光譜分辨率為16 cm-1。使用PerkinElmer AssureID 軟件建立SIMCA模型，置信度水平設置為默認值(99%)。參考樣品數據庫中所有48個樣品的光譜均被用于建模。Adulterant Screen中24個樣品的光譜用于建立模型，另外24個樣品的光譜用于驗證模型（設定閾值）。樣品分析結果如表1所示，表明Adulterant Screen方法的檢測靈敏度要優于SIMCA方法。
Adulterant Screen算法獲得一個樣品的光譜之后，該算法首先將其與參考樣品PCA模型進行比較。然后，依次使用各種潛在摻假成分的光譜對該模型進行擴展。如果在模型中增加某種摻假成分的光譜之后，樣品光譜的擬合程度得到顯著增加，說明該樣品很可能含有這種摻假成分。該算法也適用于同時含有多種摻假成分的樣品，可以檢索最多三種摻假成分的各種組合方式。該算法的輸出結果是數據庫中各種摻假成分的估計濃度、檢測限和置信指標。對濃度的估計是根據數據庫中摻假成分光譜與其在樣品光譜中分量的相對強度，沒有考慮到有效光程的差異。因此，這只是一種半定量的估計結果。檢測限的估計結果也采取同樣的方式。最后，置信指標顯示了該摻假成分實際存在的可能性大小。置信指標和檢測限估計值是非常重要的，因為該方法的靈敏度取決于摻假成分光譜與樣品光譜的相似程度。如果要驗證檢測限的準確性，建議準備一些摻假成分含量略高于檢測限的樣品，看這些樣品中的摻假成分是否能以較高的置信程度被檢出。如果樣品中的摻假成分不在數據庫之內，或者奶粉本身與參考樣品的匹配程度較差，軟件會提醒用戶該樣品中可能存在未知異常成分。
……
結論為了獲得經濟利益而在食品或食品原料中摻假的問題由來已久，也不可能在短時間內得以消除。我們需要使用各種可能的分析方法來應對食品摻假問題，近紅外光譜在原材料檢測中的廣泛應用將使其起到非常關鍵的作用。PerkinElmer所提供的Adulterant Screen算法不僅保留了SIMCA等非靶向化學計量學方法的優勢，而且通過潛在摻假成分光譜數據庫獲得了更高的靈敏度。通過簡單的調整，該方法即可用于新產品類型或新摻假成分的篩查，不需要準備混合物樣品建立校正模型。摻假成分光譜數據庫還能提供更加豐富的診斷信息，讓分析結果更加可靠，為下一步分析提供指導信息。PerkinElmer所提供的DairyGuard奶粉分析儀是一個完整的解決方案，預置了用于奶粉檢測的Adulterant Screen方法（以及相關的定量分析方法），所有功能都集成于簡單的觸屏操作界面。
16
立即詢價
您提交后，專屬客服將第一時間為您服務