ASSORBIMENTO INFRAROSSO

Lo spettro è meno risolto a maggiori (E tra i livelli energetici è minore)

Lo spettro può essere diviso in 4 zone:

•Zona di stretching dell’idrogeno ( = 2.7 –4.0 m)

•Zona di stretching del triplo legame ( = 4.0-5.0 m)

•Zona di stretching del doppio legame ( = 5.0 –6.4 m)

•Zona di stretching e bending del legame singolo ( = 6.0-15 m)

La spettroscopia IR viene utilizzata molto spesso a scopo qualitativo. E’ uno strumento molto potente perché lo spettro IR della regione fingerprint (impronta digitale) a basse energie è praticamente unico per ogni molecole. Per l’identificazione della molecola si confronta lo spettro ottenuto con quello di molti altri spettri disponibili in banche dati. Lo spettro deve essere registrato in opportune condizioni sperimentali (con la sostanza gassosa, solida o disciolta in un solvente che non interferisce).

La strumentazione è paragonabile a quella di uno spettrofotometro con l’uso di materiali che non provochino interfererenze (p.es. cuvette di KBr). La sorgente è generalmente un solido riscaldato e in alcuni strumenti si usano rivelatori di calore (p.es. termocoppie) soprattutto utili nella regione a lunghezze d’onda elevate.

Alcuni strumenti più moderni (FTIR, spettrometro infrarosso a trasformata di Fourier) sono in grado di misurare contemporaneamente tutto lo spettro IR.

Sistemi di misura e campionamento per IR

Studio della shelf life del formaggio Crescenza

Fibra ottica posizionata sulla superficie5 spettri per campione,trasformati in derivata seconda per esaltare le differenze Analisi in PCAL’analisi delle componenti principali valuta la variabilità del dato totale utilizzando gli spettri in forma di matrice. E’ una tecnica di classificazione . Le componenti principali sono nuove variabili che danno informazioni sulla varianza.

Con lo Score plot si mette in evidenza il comportamento dei campioni rispetto a 2 variabili latenti (componenti principali) Ci sono 2 direttrici differenti se si confrontano campioni conservati a 8 e 15° che si evidenziano bene solo a tempi lunghi

Nella serie a 8° si separano i campioni in 2 gruppi a tempi lunghi la PC2 diventa piu’ importante (valore dello scores)

Con il loading plot si evidenzia il ruolo di ogni variabile (lunghezza d’onda) rispetto alle componenti principaliCi sono variazioni ascrivibili a vibrazioni di acqua e lipidiCon il trattamento in derivata seconda si vedono riarrangiamenti strutturali a carico della matrice proteica

I dati ottenuti (shelf life 6-7 giorni a 8-10°) sono confrontabili con le analisi chimiche

La fibra ottica viene posizionata al centro geometrico 1 spettro ogni 5 min per 180 min

Lievitazione di impasti

Correzione per la variazione della linea di fondo

Minimo della PC2 corrispondente alla fase di collasso dell’impasto

PC3 indica la massima velocità del processo

L’avena contiene piu’ fibra e lipidi e le “avenine” hanno una minore capacità di formare il glutineLa fase di sviluppo è piu’ lentaLe differenze nella PC2 possono essere dovute alla maggiore acqua legata dell’avena che influenza la struttura dell’impasto

Sviluppo di un metodo FTIR per la determinazione simultanea di:• Acido oleico• Acido linoleico• SFA• MUFA• PUFA• Perossidi

Cosa è stato fatto:

86 campioni di olio extravergine da frantoi di Abruzzo, Marche e Puglia (2006 e 2007)

• Analisi degli indici di qualità (FA, PV, indici spettrofotometrici)• Determinazione della composizione in acidi grassi (GC)

Acquisizione degli spettri FTIR con un Tensor 27TM FTIR (Bruker Optics, Milan, Italy), con un inteferometro RocksolidTM e un detector DigiTectTM con ATR. L’ATR (Specac Inc., Woodstock, GA, USA) con un cristallo di ZnSe.

Gli spettri (32 scansioni/campione) sono stati acquisiti nel range of 600 to 4000 cm-1 con una risoluzione di 4 cm-1, tramite il software OPUS r. 6.0 (Bruker Optics).

-CH-CH2

-CH3

C=O

C=OFFA

C=OALDEIDI

FINGERPRINT REGION

Data processing e modelli di calibrazione

I dati sono stati esportati come file ASCII usando OPUS 6.0 software e processati con una routine PLS (Partial least squares) scritta ad hoc su software Matlab (Mathworks Inc., Natick, MA, USA).

Per ciascun parametro è stato costruito un modello PLS partendo da un training set di campioni utilizzando come valore vero quello ottenuto in GC.

Lo spettro inizialmente processato per intero in alcuni casi è stato ristretto attraverso una strategia “moving- windows” eseguita con una routine Matlab.

Property MUFA PUFA SFA

Calibration

Spectral range (cm-1) 700-3033 700-3033 700-3033

Linear range (% in VOO) 64 - 81 13 - 20 6 - 16

Number of factors (LVs) 14 15 13

Number of training samples (N) 61 61 61

PRESSa 10.59 2.52 6.11

Root mean square deviation (RMSD, %) 0.42 0.20 0.32

Relative error in calibration (REC %) 0.56 2.23 1.95

r2 0.9883 0.9941 0.9557

Selectivity 0.1734 0.1988 0.1378

Sensitivity (SEN) 0.0009 0.0015 0.0020

Analytical sensitivity, [γ= (SEN/σo )] 0.17 2.07 0.32

Minimum concentration difference 6.0 0.48 3.17

Limit of detection (LOD, % in VOO) 3 0.28 1.3

Limit of quantification (LOQ, % in VOO) 10 0.94 4.5

Validation

Number of validations samples 25 25 25

Recovery rates (%) 100 103 98

Relative error in Prediction, (REP, %) 1 4 6

r2 0.8884 0.9816 0.7099

yo 5 5 0.4 0.2 5 1

Slope 0.93 0.07 0.98 0.03 0.7 0.1 1

Property Oleic Acid Linoleic Acid

Calibration

Spectral range (cm-1) 700-3033 700-3033

Linear range (% in VOO) 62 - 80 5 - 15

Number of factors (LVs) 14 13

Number of training samples (N) 61 61

PRESSa 10.88 9.33

Root mean square deviation (RMSD) 0.42 0.39

Relative error in calibration (REC %) 0.51 4.64

r2 0.9886 0.9773

Selectivity 0.1785 0.1988

Sensitivity (SEN) 0.0009 0.0016

Analytical sensitivity, [γ= (SEN/σo )] 0.18 1.17

Minimum difference (%) 5.6 0.9

Limit of detection (LOD, % in VOO) 3 0.5

Limit of quantification (LOQ, % in VOO) 10 1.7

Validation

Number of validation samples 25 25

Recovery rates (%) 100 98

Relative error in Prediction (REP %) 1 7

r2 0.9232 0.9444

yo 4 4 0.1 0.4

Slope 0.94 0.06 0.96 0.05

1

Risultati I: acido oleico e linoleico

Property MUFA PUFA SFA

Calibration

Spectral range (cm-1) 700-3033 700-3033 700-3033

Linear range (% in VOO) 64 - 81 13 - 20 6 - 16

Number of factors (LVs) 14 15 13

Number of training samples (N) 61 61 61

PRESSa 10.59 2.52 6.11

Root mean square deviation (RMSD, %) 0.42 0.20 0.32

Relative error in calibration (REC %) 0.56 2.23 1.95

r2 0.9883 0.9941 0.9557

Selectivity 0.1734 0.1988 0.1378

Sensitivity (SEN) 0.0009 0.0015 0.0020

Analytical sensitivity, [γ= (SEN/σo )] 0.17 2.07 0.32

Minimum concentration difference 6.0 0.48 3.17

Limit of detection (LOD, % in VOO) 3 0.28 1.3

Limit of quantification (LOQ, % in VOO) 10 0.94 4.5

Validation

Number of validations samples 25 25 25

Recovery rates (%) 100 103 98

Relative error in Prediction, (REP, %) 1 4 6

r2 0.8884 0.9816 0.7099

yo 5 5 0.4 0.2 5 1

Slope 0.93 0.07 0.98 0.03 0.7 0.1 1

Risultati II: MUFA, PUFA, SFA

Property Do D’ D”

Spectral range (cm-1) 4000-700 4000-700 4000-700

Calibration range (meqO2 kg-1oil) 5.7-15.7 5.7-15.7 5.7-15.7

Number of factors (LV) 5 10 7

Number of training samples 23 24 24

PRESSa (unidades) 174.66 152.35 191.32

Root mean square deviation, RMSD (unidades) 1.4302 0.6933 0.9482

Relative error in calibration, REC (%) 15.6 7.2 9.9

r2 0.8040 0.9759 0.9446

Selectivity 1.0 0.35 0.55

Sensitivity (SEN) 0.0044 0.0001 0.0001

Analytical sensitivity, [γ= (SEN/σo )] 1.2 1.1 1.1

Minimum concentration difference (unidades) 0.8 0.9 0.9

Limit of detection (LOD) (unidades) 3.1 1.0 1.6

Limit of quantification (LOQ) (unidades) 10.3 3.4 5.2

Number of validations samples 10 10 10

Recovery rates (%) 74.7 97.7 96.0

Relative error in Prediction, REP (%) 23.7 13.6 12.2 1

Risultati III: PV

calibration set () and trainingset (○)

MUFA PUFA SFA

Ac. oleico Ac. linoleico PV

Risultati IV

determinazione SIMULTANEA di:

• Ac. oleico• Ac. linoleico• MUFA• PUFA• SFA• PV

non richiede estrazione, separazione o trattamento del campione.

Non è influenzato dall’operatore!

Persaud and Dodd (1982) Analysis ofdiscrimination mechanisms in the mammalian olfactorysystem using a model nose. Nature,299:352–355

Il “naso elettronico” è uno strumento che comprende una serie di sensori chimici non specifici e un sistema di pattern recognition in grado di riconoscere odori semplici e complessi (Gardner and Bartlett, 1994. Sensors and Actuators B, 18, 221,).

Naso elettronico Naso elettronico

Polmoni

Nervi olfattivi

Bulbo olfattivo

Cervello Rete Neurale

Raccolta dei dati

Sensori

Pompa

UMANO ELETTRONICO

Campionamento

Sensazione

Processamento

Risoluzione

COME E’ COSTITUITO IL NASO ELETTRONICO?

Similmente al sistema olfattivo umano, è costituito da:

Sensori chimici (10 MOSFET and 5 MOS) simili ai recettori olfattivi umani

Un software di pattern recognition (NST Senstool) simile al cervello

umano

IL NASO

Sono costituiti da tre strati: • Silicio semiconduttore • Isolante ad ossido di silicio • Metallo catalitico (Pt, Pd, etc.)

Transistor di ossidi di metallo ad effetto di campo

SENSORI MOSFET

Operano come un transistor a cui viene applicato un potenziale. Sono sensibili a composti contenenti idrogeno (ammine, aldeidi, esteri, chetoni, aromatici ed alcoli) e lavorano alla temperatura di 140-170°C. Quando una molecola polare interagisce con il metallo, il campo elettrico viene modificato, ciò provoca una variazione di corrente. Lo strumento registra il cambiamento di voltaggio necessario per riportare la corrente al valore iniziale.

SENSORI MOSSemiconduttori ad ossidi di metallo

Sono costituiti da tre strati: •Substrato di ceramica •Filo riscaldante •Film semiconduttore di ossidi di metallo (Zn, Co, etc.)

Si basano su cambi di conducibilità indotti da reazioni superficiali dovute all’adsorbimento del gas. Sono sensibili a molti gas di combustione (idrocarburi saturi, NO, CO). Operano alla temperatura di 300-400°C. Il meccanismo di reazione si basa su uno scambio di ossigeno tra le molecole volatili ed il film metallico, che provoca un cambio di resistenza registrato e correlato ai composti adsorbiti.

Elettrodo Filo riscaldante

Film semiconduttore di ossido di metallo

• PCA: Principal Component Analysis

• PLS: Partial Least Square Regression

• ANN: Artificial Neural Network

Essi permettono di: • studiare l’insieme dei dati (PCA e PLS) • predire le proprietà dei campioni (PLS e ANN)

NST SENSTOOL

Analizza i dati utilizzando tre metodi di pattern recognition:

0.0 0.1 0.2 0.3 0.4 0.5

-0.4

-0.2

0.0

0.2

0.4

0.6

mosfet1

mosfet2mosfet3

mosfet4

mosfet5

mosfet6

mosfet7

Taguchi1Taguchi2

Taguchi3

PC

2

PC 1

Score plot Loading plot

-1.5 -1.0 -0.5 0.0 0.5 1.0-0.6

-0.4

-0.2

0.0

0.2

0.4

#5

#3#1 #4

#2#6 (air)

PC

2 (

9%

)

PC 1 (88%)

RISULTATI PCA

PROCESSO ANALITICO

-1.5 -1.0 -0.5 0.0 0.5 1.0-0.6

-0.4

-0.2

0.0

0.2

0.4

#5

#3#1 #4

#2#6 (air)

PC

2 (

9%

)

PC 1 (88%)

Come lavora il naso elettronico?

CampionamentoData analysis

Lo spazio di testa del campione è aspirato e

trasferito sulla superficie dei sensori

La risposta dei sensori è convertito in un segnale elettrico monitorabile dal

computer

La risposta dei sensori viene elaborata usando metodi di

analisi multivariata

• Birra e bevande - Controllo materie prime - Shelf-life - Monitoraggio (on line) fermentazione

Carne e derivati - Rancidità - Shelf-life - Odori estranei

Applicazioni del naso elettronico nel settore alimentare

Succhi di frutta - Odori estranei - Purezza - Origine - Ossidazione

Prodotti della pesca - Shelf-life

- Freschezza

Latte e derivati - Odori estranei nel latte - Rancidità nel latte e formaggi

- Conservazione dei formaggi

Grani - Classificatione

- Umidità

Vegetali - Freschezza - Additivi

- Shelf-life

Piezoelectric System- Electronic

nose

quartz

gold

14 mm

7 mm

-cys-ala-glu-ser

-cys

-ala

-glu

-ser

-cys-

ala-g

lu-se

r

-cys-a

la-glu-ser

-cys-ala-glu-ser

-cys-ala-glu-ser

-cys-ala-glu-ser

-cys-ala-glu-ser

New approach

Peptide-modified gold nanoparticles