A PQS kimutatja a halliszt hamisítását csont és húsliszttel segítség a Kergemarha kór megsemmisítéséhez Murray I. a Kaffka K.J. b és Seregély Zs. c a Skót Mezgazdasági Fiskola, Aberdeen, AB21 9YA, UK (i.murray@ab.sac.ac.uk) b Szent István Egyetem, H-1118 Budapest Ménesi út 45. Hungary (kkaffka@omega.kee.hu) c Metrika K+F Kft., H-1119 Budapest, Petzvál J. u. 25., Hungary (seregely@metrika.hu) Bevezetés Having established a link between feeding cattle with ruminant-derived meat and bone meal and the UK epidemic of BSE (bovine spongiform encephalopathy) and its fatal human equivalent, variant CJD (Creutzfeldt Jakob Disease), it is obligatory that the infective prion is removed from the food chain. Fishmeal, however, is a high value, high quality protein, energy and mineral source for livestock that has never caused disease. Safety concerns about fishmeal as a protein concentrate centre on the risk of contamination or adulteration with meat and bone meal either by accident, ignorance or fraud. The feed industry therefore needs appropriate methods to detect such contamination and deter fraud or malpractice. NIR spectroscopy, as a rapid screening method, can be the first line of defence of the food chain. Murray et al. 1 reported that a partial least squares discriminant applied to visible and NIR reflectance spectra successfully detected meat and bone meal in fishmeal. The purpose of our study was to demonstrate the feasibility of using PQS (polar qualification system) as a qualitative evaluation method to identify fishmeal adulterated with land animal proteins at low levels. Anyagok és Módszerek A kvarc küvettákba (átm. 55 mm) mért szárított mintákat 0 45 geometriával reflektancia módban egy Foss NIRSystems 6500 spektrométerrel log 1/R-ként scenneltük le a 400-2500 nm tartományban 2 nm lépésközzel. A spektrumok 46 tiszta, nem hamisított halliszt mintából, és három csoport egyenként harminc, hús és csontliszttel különböz mértékben, 3%, 6% és 9% tömeg% koncentrációban szándékosan szennyezett egyedbl álló, mindösszesen 90 mintából tevdtek össze Valamennyi mintát egyedi példányként egyszer használtuk. A kiértékeléshez felhasznált PQS egy hatható adatredukciós és minsít módszer 2 6 ahol a a minta minségét polár koordináta rendszerben ábrázolt spektrumának középpontjával jellemezzük. A középpontok (a minták minségpontjai) x,y koordinátái a következ kifejezéssel határozhatók meg: International Conference 641 www.nirpublications.com
642 I. Murray, Zs., Seregély, and K.J. Kaffka ahol V i az i-edik hullámhossznál mért spektrális érték, = 360/k, k = ( max min )/s és s két szomszédos spektrális pont közötti hullámhossz különbség Két csoport minségpontjainak legjobb elkülönítését nyújtó spektrális tartomány a legnagyobb érzékenység (S) elérésére optimizálható, mely a következ kifejezéssel adható meg: ahol s 1 és s 2 a két ismétléssel mért mintaszett minségpontjainak szórása és D abs a két elkülönítend mintaszett minségpontjainak középpontjai közötti távolság. Az optimizáció egy másik lehetséges feltétele a normalizál távolság D norm (1. ábra). 1. ábra Az érzékenység és a normalizált távolság, mint az optimum lehetséges feltételeinek grafikus megjelenítés International Conference 642 www.nirpublications.com
PQS kimutatja a halliszt hamisítást 643 Az utóbbi kifejezések értékének kiszámításával az osztályozás minsége számszeren is kifejezhet, lehetvé téve a különböz osztályozó modellek eredményeinek összehasonlítását. A PQS-en belül a hullámhossz tartomány optimizálást számítógép program végzi el automatikusan. Ezt megelzen szükséges a mvelet paramétereinek, mint az els és utolsó hullámhossz (melyen belül az optimumot keressük), a kapu (a kezdeti hullámhossztartomány), a kapueltolás és kapuszélesítés értékeinek megadása. Két spektrumcsoport, azaz az elkülönítend két minta párhuzamos mérései szintén szükségesek. A kapu ( gap ) a kezdeti hullámhossztartomány hossza nm-ben, amely az optimizálás során a kapueltolási paraméter értékével eltolódik az elstl az utolsó hullámhosszig, majd a kapu a kapuszélesítés értékével szélesedik mindaddig, amíg teljes tartományt felöleli, azaz eléri els és utolsó hullámhossz közötti különbséget. A PQS és az MLR között két alapvet különbséget kell megemlítenünk: az automatikus hullámhossztartomány optimizálás és a PQS alkalmazásakor nincs szükség pontosan kielemzett mintacsoportra, amely alapkövetelmény MLR használatakor (ahol a referenciamódszerekkel meghatározott minségi paraméterek és a minták NIR spektrumainak diszkrét hullámhosszakhoz tartozó spektrum értékei közötti összefüggés meghatározására alkotunk kalibrációs modelleket); a PQS technika esetében ugyanazon összetevnek tulajdonítható több elnyelési sáv együttesen is felhasználható, így több rövidebb tartomány diszkrimináló hatása összegezhet, javítva az eredményt, amíg a kollinearitási problémák miatt ez tilos az MLR alkalmazásakor. Bár a PQS-ben a kalibráció standard hibája (SEC) és a becslés standard hibája (SEP) nem értelmezhet, az érzékenység értékébl egy hasonló kifejezés a hallisztben található hús és csontliszt százalékának meghatározás bizonytalanság becsülhet. Ez azt mutatja meg, hogy az abszolút távolság hányszor nagyobb, mint a szórások összege. Ez az eredmény több ismételt mérés felhasználásával, további hullámhossz tartományok figyelembe vételével, illetve a második derivált elállításhoz használt kapu optimizálásával stb. tovább javítható Eredmények A hullámhossz tartomány optimizálásakor a 46 tiszta halliszt mintát ismételt mérések egy csoportjaként kezeltük, míg a 30 szennyezett minta három csoportjának spektrumait hasonlóan ismételt mérések csoportjaiként kezeltük. A tiszta halliszt és a 9%-s szennyezettség minta második derivált (kapu: 16 nm) spektrumainak abszolút értékei között végzett optimzációval a 1696-1752 nm hullámhossz szegmenst azonosítottuk optimális diagnosztikus tartományként. Ez a tartomány újraskáláztuk, hogy átívelje a 0-360 -ot a polár koordináta síkban (2. ábra). A fenti feltételekkel S=10,3, Dnorm=9,1 adódott. A PQS módszerrel végzett osztályozás bemutatásához mind a négy csoportból 5-5 véletlenszeren kiválasztott spektrumot átlagoltuk. Az öt spektrum átlagolásával 9 átlagspektrum képviseli a kontrol (tiszta halliszt) mintát ás 6 átlagspektrum mindhárom hamisított csoportot (3%, 6% és 9%). A 3. ábra a négy csoportot 2s (kétszeres szórás) ellipsziseikkel körülvéve mutatja be. A kontrol minták (tiszta halliszt) 2s ellipszise kicsi, míg a 9%-ban szennyezett minták ellipszise valószínleg az inhomogenitás (nem tökéletes keverés, vagy mintavétel) következményeként elnyújtott International Conference 643 www.nirpublications.com
644 I. Murray, Zs., Seregély, and K.J. Kaffka 2. ábra A tiszta és a CSHL hamisított halliszt minták második derivált (kapu: 16 nm) spektrumai az optimális hullámhossz tartományban a Decartes (fent) és a polár (lent) koordináta rendszerben ábrázolva. (0%, piros, 3% kék, 6% narancs, 9% zöld) Következtetések Az érzékenység eredményül kapott értéke (S = 10,3), azt mutatja, hogy a 0% és a 9% csoportok közötti abszolút távolság tízszer nagyobb minségpontjaik szórásainak összegénél. Ez azt jelenti, hogy öt spektrum átlagolását követen a PQS 1 %-nál kisebb szennyezettség kimutatására alkalmas. Lévén, hogy a mintaszett egy, fként egyesült királysági forrásokból gyjtött, zárt populációt képzett, a modell általános alkalmazását megelzen a populáció kibvítése szükséges. Az optimális hullámhossz tartomány (1696 1752 nm) azt mutatja, hogy az elkülönítés a C-H sajátságok különbözségébl adódott, mivel a halliszt több többszörösen telítettlen zsírsavat tartalmaz, mint a csont- és a húsliszt. International Conference 644 www.nirpublications.com
PQS kimutatja a halliszt hamisítást 645 3. ábra A tiszta (0%, piros) és a CSHL hamisított (3% kék, 6% narancs, 9% zöld) halliszt minták minség pontjai kizárólag az optimális hullámhossz tartomány felhasználásával Irodalom 1. I. Murray, L.S. Aucott and I.H. Pike, J. Near Infrared Spectrosc. 9, p 297 (2001). 2. K.J. Kaffka and L.S. Gyarmati, in Proceedings of the Third International Conference on Near Infrared Spectroscopy, Ed by R. Biston and N. Bartiaux-Thill. Agricultural Research Centre Publishing. Gembloux, Belgium p. 135 (1991). 3. K.J. Kaffka, in Proceedings: International Diffuse Reflectance Spectroscopy Conferences, Ed by R.A. Taylor. The Council for Near Infrared Spectroscopy. Gaithersburg, MD, USA, p. 63 (1992). 4. K.J. Kaffka and L.S. Gyarmati, in Near Infrared Spectroscopy: The Future Waves, Ed by A.M.C. Davies and P. Williams. NIR Publications, Chichester, UK, p. 209 (1996). 5. K.J. Kaffka and L.S. Gyarmati, J. Near Infrared Spectrosc. 6, A191 (1989). 6. K.J. Kaffka and Zs. Seregély, Acta Alimentaria 31, 3 (2002). International Conference 645 www.nirpublications.com