糖伪造:光指纹作为增强检测信息来源

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 生物化学 生物化学

背景情况:

• 糖伪造是普遍存在的,因为高需求和价格.
• 传统的DNA条形码对于检测糖改是无效的,因为处理会降解遗传物质.
• 糖中的内在光体为通过光指纹 (EEM) 检测改提供了可行的替代方案.

研究的目的:

• 为了评估EEMs在识别糖中的伪造标记物的有效性.
• 评估EEMs在清洁和伪造的糖之间进行区分的能力和局限性.
• 探索机器学习算法的应用,以增强伪造检测.

主要方法:

• 通过光谱测量获得纯净和杂的糖 (甜菜,玉米,大米糖在1-50%) 的EEMs.
• 使用 PARAFAC 识别了主要的 EEM 组件,并通过 LC-MS/MS 确认.
• 开发了人工神经网络 (ANN) 和卷积神经网络 (CNN) 模型来分析EEM数据以检测伪造.

主要成果:

• 排放强度的比率 (I425/I350在λex=290nm) 在检测伪造方面表现出适度的成功 (70-86%),特别有效于甜菜糖 (<2%).
• 机器学习算法显著提高了所有 adulterants 的检测精度.
• 美国国家广播公司 (ANN) 在改类型方面达到90%的准确率,在改水平方面达到82%的准确率;美国国家广播公司 (CNN) 在分类方面达到75-99%的准确率,但需要更多的计算资源.

结论:

• 电子电子电子仪提供了一种快速,非破坏性和环保的方法来监测糖造.
• 与机器学习的EMS的组合提供了一个强大的工具,以确保糖的真实性.
• 这种方法克服了检测加工食品中改的遗传方法的局限性.