ارزیابی سموم و کیفیت ترکیبات دانه ذرت با استفاده از طیفسنجی مرئی-مادون قرمز نزدیک (NIR)
چکیده:
افزایش تقاضا برای ذرت با کیفیت بالا و ایمن، نیازمند روشهای سریع و قابل اعتماد برای پایش همزمان آلایندهها و ترکیبات ارزشمند (روغن، پروتئین، نشاسته) است. از طرفی روشهای سنتی اغلب زمانبر، مخرب، پرهزینه و نیازمند تجهیزات تخصصی هستند. این پژوهش به بررسی قابلیت طیفسنجی مرئی-مادون قرمز نزدیک (NIR) به عنوان یک فناوری جایگزین قدرتمند، غیرمخرب و سریع برای ارزیابی همزمان این پارامترها در دانه ذرت میپردازد.
نتایج نشان داده است که طیفسنج NIR با دقت قابل قبولی و خطای پیشبینی پایین قادر به پایش همزمان کیفیت و ایمنی دانه ذرت است. این روش نوین پتانسیل بالایی برای بهینهسازی فرآیندهای کنترل کیفیت در صنایع غذایی، خوراک دام و کشاورزی، کاهش هزینهها و ارتقای ایمنی محصول دارد.
مقدمه:
ذرت یکی از مهمترین غلات جهان با کاربردهای گسترده در تغذیه انسان، دام، و صنایع تولید روغن، نشاسته، سوختهای زیستی و مواد اولیه شیمیایی است. و با افزایش مداوم تقاضا برای ذرت در کاربردهای مختلف محصول نهایی، نیاز به توصیف دانههای ذرت بر اساس پارامترهای مختلف کیفی، ضروری میشود. از طرفی می توان گفت کیفیت ذرت به شدت تحت تأثیر ترکیبات اصلی آن شامل روغن (انرژیزا)، پروتئین (اساسی برای رشد) و نشاسته (منبع کربوهیدرات) میباشد. و از سویی دیگر، آلودگی به سموم قارچی، به ویژه آفلاتوکسینها (تولید شده توسط قارچهای Aspergillus) که سموم سرطانزا و جهشزای قوی هستند، تهدیدی جدی برای ایمنی غذایی و سلامت انسان و دام محسوب میشود.
روشهای مرجع سنجش این پارامترها، مانند کروماتوگرافی مایع با کارایی بالا (HPLC) برای آفلاتوکسین و روشهای شیمیایی-تخریبی (کجلدال، سوکسله) برای ترکیبات اصلی، با وجود دقت بالا، دارای معایب عمدهای هستند:
* مخرب بودن: نیاز به تخریب نمونه.
* زمانبر بودن: هر آزمون ممکن است ساعتها یا روزها طول بکشد.
* پرهزینه بودن: نیاز به تجهیزات گران، مواد شیمیایی و اپراتور متخصص.
* استفاده از حلالهای خطرناک: مخصوصاً در روشهای استخراج.
* عدم امکان پایش سریع و گسترده: مانع از کنترل لحظهای و ردگیری در خط تولید میشود.
طیفسنج NIR (مرئی-مادون قرمز نزدیک)
طیفسنج NIR با استفاده از ناحیه طیفی ۹۰۰-۲۶۰۰ نانومتر، برهمکنش نور با ارتعاشات اوربیتالی و کششی پیوندهای شیمیایی (O-H, C-H, N-H) را اندازهگیری میکند. این تکنیک به عنوان یک روش غیرمخرب، سریع (ثانیهای)، بدون نیاز به آمادهسازی پیچیده نمونه، سازگار با محیط زیست (عدم نیاز به حلال) و مقرون به صرفه شناخته میشود.
هدف این مقاله بررسی کارایی طیفسنج NIR در سنجش همزمان و سریع سموم آفلاتوکسین و ترکیبات کیفی روغن، پروتئین و نشاسته در دانه ذرت است.
با ثبت طیفهای NIR نمونههای ذرت و استفاده از روشهای پیشرفته پردازش دادههای طیفی و مدلهای کالیبراسیون چندمتغیره ، مدلهای پیشبینی دقیقی برای غلظت آفلاتوکسین، محتوای روغن، درصد پروتئین و میزان نشاسته توسعه داده شد.
تنوع و سختی دانههای ذرت را میتوان از طریق تصویربرداری فراطیفی مادون قرمز نزدیک (NIR) با دقت به ترتیب از ۸۰ تا ۹۵٪ و ۶۰ تا ۸۵٪ به طور مؤثر شناسایی کرد. و تکنیکهای تصویربرداری IR میزان روغن دانههای ذرت را با خطای استاندارد بین ۰٫۷ تا ۱٫۳٪ تعیین کردند. تشخیص آلودگیهای قارچی و مایکوتوکسینها در دانههای ذرت به طور گسترده با استفاده از تکنیکهای تصویربرداری فراطیفی NIR، مادون قرمز موج کوتاه و فلورسانس با دقتهای به ترتیب از ۷۵ تا ۹۸٪ و ۷۰ تا ۹۷٪ مورد مطالعه قرار گرفت. این تکنیکها هنگام استفاده در حالت عملیاتی بازتاب، دقت بهتری برای آلودگیها و طبقهبندی ارقام (۸۵-۹۰٪) و سختی دانه (۶۰-۶۵٪) نشان دادند و برای تجزیه و تحلیل دانههای تکی و فلهای مؤثر بودند.
نتایج و بحث:
۱٫کیفیت طیفهای NIR:
طیفهای ثبتشده باندهای جذب مشخصی را در نواحی مربوط به پیوندهای شیمیایی تشکیلدهنده روغن (C-H)، پروتئین (N-H, C-H) و نشاسته (O-H, C-O, C-H) نشان دادند. تشخیص باندهای اختصاصی آفلاتوکسین به دلیل غلظت بسیار پایین آن (ppb) در طیف مستقیم دشوار است، اما **الگوریتمهای کمو متریکس قادر به استخراج اطلاعات پنهان مرتبط** از تغییرات ظریف طیف هستند.
۲٫کارایی مدلهای پیشبینی:
* آفلاتوکسین: مدل PLS-R با پیشپردازش مناسب (مشتقگیری + SNV) موفق به پیشبینی غلظت آفلاتوکسین با R² > 0.85 و RMSEP قابل قبول (در محدوده ppb) شد. RPD > 3 نشاندهنده قابلیت مناسب مدل برای **غربالگری و طبقهبندی** نمونههای آلوده و سالم بود. دقت پیشبینی به دامنه غلظتی نمونههای کالیبراسیون و روش مرجع بستگی دارد.
* روغن، پروتئین و نشاسته: مدلهای توسعه یافته برای این ترکیبات اصلی، دقت بسیار بالاتری نشان دادند (R² > 0.90 – 0.95 و RPD > 4.0). پیشپردازشهایی مانند MSC یا SNV اغلب بهترین نتایج را ارائه کردند. این ترکیبات به دلیل غلظت بالا (درصد) به راحتی توسط طیفسنج NIR قابل تشخیص هستند.
(جدول خلاصه نتایج مدلسازی پیشنهادی با طیفسنج NIR)
پارامتر | RPD | RMSEP | | R² اعتبارسنجی | R² کالیبراسیون | پارامتر | عملکرد مدل |
آفلاتوکسین | | > 3.0 | قابل قبول | > 0.85 | > 0.88 | آفلاتوکسین | خوب |
روغن | > 4.5 | پایین | > 0.93 | > 0.95 | روغن | عالی |
پروتئین | > 4.2 | پایین | > 0.92 | > 0.94 | پروتئین | عالی |
نشاسته | | > 5.0 | پایین | | > 0.94 | > 0.96 | نشاسته | عالی |
*مقدار دقیق RMSEP به دامنه غلظت و دقت روش مرجع بستگی دارد.
*مقدار دقیق RMSEP به دامنه غلظت و دقت روش مرجع بستگی دارد.
۳٫مزایای عملی طیفسنج NIR:
* غیرمخرب:امکان استفاده از همان نمونه برای آزمونهای دیگر.
* سریع: آنالیز در کمتر از ۱ دقیقه (حتی ثانیه) برای هر نمونه.
* مقرون به صرفه: حذف هزینههای بالای مواد شیمیایی، حلالها و نیروی انسانی متخصص در بلندمدت.
* سازگار با محیط زیست:عدم تولید پسماند شیمیایی خطرناک.
* قابل اتوماسیون: امکان نصب در خط تولید برای **پایش لحظهای (Online/At-line)** کیفیت و ایمنی.
* پایش همزمان چند پارامتر: یک اسکن طیفی برای ارزیابی چندین ویژگی.
۴٫ملاحظات و چالشها:
* نیاز به کالیبراسیون اولیه قوی: دقت مدل مستقیماً به کیفیت دادههای مرجع و تعداد و تنوع نمونههای کالیبراسیون بستگی دارد.
* حساسیت به تغییرات فیزیکی نمونه: رطوبت، اندازه ذرات، تراکم و یکنواختی نمونه باید کنترل شود. استفاده از روشهای پیشپردازش مناسب ضروری است.
* محدودیت در تشخیص مستقیم سموم در غلظتهای بسیار پایین: طیفسنج NIR برای غلظتهای ppb آفلاتوکسین به تنهایی ممکن است به دقت HPLC نرسد، اما به عنوان یک ابزار غربالگری سریع و مقرون به صرفه بسیار ارزشمند است. نمونههای مشکوک شناسایی شده توسط NIR میتوانند برای تأیید نهایی به HPLC ارسال شوند.
* هزینه سرمایهگذاری اولیه: خرید دستگاه طیفسنج NIR میتواند هزینهبر باشد، اما بازگشت سرمایه در حجم بالای آنالیز سریع محقق میشود.
نتیجهگیری:
این مطالعه به وضوح نشان میدهد که طیفسنجی NIR یک فناوری بسیار قدرتمند و کاربردی مبتنی بر اصول فیزیک نور برای ارزیابی همزمان و سریع پارامترهای حیاتی کیفیت (روغن، پروتئین، نشاسته) و ایمنی (آفلاتوکسین) در دانه ذرت است. اگرچه دقت پیشبینی آفلاتوکسین به اندازه روشهای مرجع نیست، اما قابلیت غربالگری سریع و غیرمخرب هزاران نمونه با هزینه بسیار پایینتر، مزیت بیبدیل این روش محسوب میشود. برای ترکیبات اصلی، دقت طیفسنج NIR کاملاً قابل رقابت و حتی برتر از نظر سرعت و هزینه است.
کاربردهای صنعتی و آیندهنگری طیفسنج NIR :
* صنایع غذایی و خوراک دام:کنترل کیفیت ورودی ذرت، پایش خط تولید، تضمین کیفیت محصول نهایی.
* مراکز جمعآوری و سیلوها: طبقهبندی و قیمتگذاری ذرت بر اساس کیفیت واقعی و سطح آلودگی.
* کشاورزی دقیق: انتخاب ارقام برتر و بهینهسازی مدیریت پس از برداشت بر اساس پتانسیل کیفی و حساسیت به آلودگی.
* سازمانهای نظارتی: پایش گسترده بازار برای کنترل سموم.
* تحقیقات: غربالگری سریع ژنوتیپها در برنامههای بهنژادی ذرت برای صفات کیفی و مقاومت به سموم.
همچنین می توانید جهت آشنایی بیشتر با مشخصات دستگاه طیف سنج شرکت اوژن اپتیک، کاربردها و نحوه خرید آن به صفحه اسپکتروفتومتر مادون قرمز اوژن اپتیک مراجعه و یا با ما تماس بگیرید.
منابع
- Williams, P., & Norris, K. (Eds.). (2001). *Near-infrared technology in the agricultural and food industries* (2nd ed.). AACC International.
- Shenk, J. S., Workman Jr, J. J., & Westerhaus, M. O. (2008). *Application of NIR spectroscopy to agricultural products*. In Handbook of near-infrared analysis (pp. 347-386). CRC Press.
- Pearson, T. C., Wicklow, D. T., & Maghirang, E. B. (2001). Detection of aflatoxin in single corn kernels by transmittance and reflectance spectroscopy. *Transactions of the ASAE*, 44(5), 1247.
- Berardo, N., Pisacane, V., Battilani, P., Scandolara, A., Pietri, A., & Marocco, A. (2005). Rapid detection of kernel rots and mycotoxins in maize by near-infrared reflectance spectroscopy. *Journal of Agricultural and Food Chemistry*, 53(21), 8128-8134.
- Li, X., He, Y., & Wu, C. (2007). Non-destructive discrimination of aflatoxin B1 contaminated maize kernels using hyperspectral imaging. *Food Chemistry*, 141(3), 1659-1665.
- AOAC International. (2016). *Official Methods of Analysis* (20th ed.). AOAC International.
- ISO standards relevant to mycotoxin analysis (e.g., ISO 16050) and proximate analysis.
- https://link.springer.com/article/10.1007/s11694-021-00898-7
- https://www.researchgate.net/publication/252006266_Analysis_and_Estimate_of_Corn_Quality_by_Near_Infrared_Reflectance_NIR_Spectroscopy