Classificazione di vini rossi D.O.C. dell'Oltrepò Pavese mediante analisi

statistica multivariata OPLS-DA Daglia Maria1, Alessandra Leoni2, Sara Capitani2 Matteo Stocchero3

1 Dipartimento di Scienze del Farmaco, Università Degli Studi di Pavia 2 Riccalab, Riccagioia SCPA, Centro di Ricerca Formazione e Servizi della Vite e del Vino

3SIN-Soluzioni informatiche Srl - via G. Ferrari, 14 - 36100 Vicenza

“VINO E OLIO: LA RICERCA SCIENTIFICA PER LA VALORIZZAZIONE DEL TERRITORIO” Complesso Monumentale San Pietro - Comune di Marsala

21-22 Novembre 2013

“VINO E OLIO: LA RICERCA SCIENTIFICA PER LA VALORIZZAZIONE DEL TERRITORIO” Complesso Monumentale San Pietro - Comune di Marsala

21-22 Novembre 2013

Oltrepò Pavese corrisponde all’area meridionale della provincia di Pavia, al confine con il Piemonte e l’Emilia-Romagna.

Superficie complessiva: 100 mila ettari Seconda area del Paese per superficie dedicata al vino, con 16.200 ettari Vino prodotto 1 milione di ettolitri l’anno

I vitigni maggiormente coltivati sono: CROATINA (4000 ETTARI) ottimi vini vivaci ma incostanza produttiva BARBERA (2547 ETTARI) vitigno di medio vigore che si esprime con produzioni abbondanti e costanti Pinot nero (2717 ettari) Riesling (1500 ettari)

Bonarda Barbera Sangue di Giuda

Croatina: 85-100 % Barbera: max 15 %

Altre uve

Barbera: 85-100 % Altre: max 15 %

Altre uve

Barbera: 25-65 % Croatina: 25-65 % Fino al 45% di uva rara o pinot nero

Vini rossi D.O.C. dell’Oltrepò Pavese

“VINO E OLIO: LA RICERCA SCIENTIFICA PER LA VALORIZZAZIONE DEL TERRITORIO” Complesso Monumentale San Pietro - Comune di Marsala

21-22 Novembre 2013

LA COLORAZIONE DEL VINO DIPENDE

DA:

- QUANTITÀ ANTOCIANI

- pH

- STATO REDOX E SOSTITUENTI

- INTERAZIONE CON SO2

- COPIGMENTAZIONE

- COMPLESSAZIONE CON METALLI

Copigmentazione Glicosilazione>

Acilazione

I colori degli antociani sono la

risultante degli equilibri di

quattro strutture dipendenti dal

pH

- Catione flavilio

- Base chinone

- Pseudobase carbinolo

- Calconi

Incremento del blu 7/30%

Decremento del rosso: -3/8%

Incremento di H* e b* 50%

Complessazione con i metalli

VALORIZZAZIONE DEI VINI DELL’OLTREPÒ PAVESE, E IN PARTICOLARE DEL VINO

BONARDA DELL'OLTREPÒ PAVESE DOC

Scopo del lavoro

“VINO E OLIO: LA RICERCA SCIENTIFICA PER LA VALORIZZAZIONE DEL TERRITORIO” Complesso Monumentale San Pietro - Comune di Marsala

21-22 Novembre 2013

Scopo del lavoro

CLASSIFICARE I VINI BONARDA, BARBERA E

SANGUE DI GIUDA DOC SULLA BASE DI:

1) COLORE

2) ALTRI PARAMETRI CHIMICO-FISICI, ANALISI DI ROUTINE PREVISTE

DAL COMPENDIUM DELL’OIV,

3) PARAMETRI CHIMICI: Cu, Fe, Zn, Mn,

MEDIANTE L’APPLICAZIONE DELL’ANALISI STATISTICA MULTIVARIATA

STUDIO MEDIANTE HPLC-MS DELLE ANTOCIANINE E DEGLI ACIDI ORGANICI POLIFENOLICI E NON

PRESENTI IN BONARDA E BARBERA IN PUREZZA

Seconda fase del progetto in progress presso l’Università di Pavia…

Il laboratorio, accreditato alla norma UNI CEI EN ISO/IEC 17025:2005, è destinazione dei campioni di vino che Valoritalia, società leader nelle attività di Controllo effettuate su autorizzazione del MIPAAF sui vini DOC e IG, campiona e per i quali è necessario accertarne le conformità ai disciplinari D.O.C.

OPLS-DA - PCA effetti cooperativi fra le variabili misurate

- Score parallelo separa le classi

- Score ortogonale caratterizza all’interno

Modelli in grado di

attribuire la classe

corretta ad un nuovo

campione

Data set

Training set (2/3 dei campioni) Test set (1/3 dei campioni)

Sono stati analizzati 316

campioni di vino

VENDEMMIA 2012

di cui:

- 210 Bonarda dell’Oltrepò Pavese

- 78 Barbera dell’Oltrepò Paese

- 18 Sangue di Giuda dell’Oltrepò Pavese

- 8 Bonarda in purezza (100% Croatina)

- 2 Barbera in purezza (100% Barbera)

Risultati: Principal Component Analysis

PCA autoscaling

t [ 2 ]

-6

-4

-2

0

2

4

6

8

-10 -5 0 5 10 15 t[1]

R2X[1] = 0.35 R2X[2] = 0.09

Barbera Bonarda Sangue di Giuda

Score scatter plot: Sangue di Giuda possiede valori elevati dello score t[2] differenziandosi da Bonarda e Barbera

Risultati: Sangue di Giuda vs Bonarda + Barbera

Specificity

Se

nsitiv

ity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

tp AUC (95%) = 1.00-1.00

Specificity

Se

nsitiv

ity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

ID = 1 AUC (95%) = 1.00-1.00

Specificity

Se

nsitiv

ity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

ID = 2 AUC (95%) = 0.98-1.00

Specificity

Se

nsitiv

ity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

ID = 4 AUC (95%) = 0.79-1.00

name ID

TAV 1

Gluc e Frutt 2

MV 4

AUC ≥ 0,5

contributo delle variabili misurate nella costruzione della componente parallela del modello

Titolo Alcolometrico Volumico Somma glucosio+ fruttosio

Massa Volumica

l’area sotto la curva ROC è superiore a quella delle

singole variabili selezionate indicando che considerando l’effetto cooperativo di più

variabili la potenza discriminante è superiore.

Bonarda + Barbera

Sangue di Giuda

Risultati: Sangue di Giuda vs Bonarda + Barbera OPLS-DA

CALCULATION

pred sangue giuda pred other

sangue giuda 1.00 0.00

other 0.00 1.00

k = 1.00

PREDICTION

pred sangue giuda pred other

sangue giuda 1.00 0.00

other 0.00 1.00

k = 1.00

Il modello non commette errori né in classificazione né in predizione

Training set Test set

Specificity

Se

nsi

tivity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

AUC (95%) = 0.50-0.69

Risultati: Bonarda vs Barbera Analisi Multivariata

name ID

Gluc e Frutt 2

MV 4

A.Tot 6

Sovrap. 9

CO2 10

WH 16

x 21

Cu 34

Specificity

Se

nsi

tivity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

AUC (95%) = 0.72-0.86

Specificity

Se

nsi

tivity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

AUC (95%) = 0.65-0.81

Specificity

Se

nsi

tivity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

AUC (95%) = 0.75-0.88

tp

Specificity

Se

nsi

tivity

0.0

0.2

0.4

0.6

0.8

1.0

1.0 0.8 0.6 0.4 0.2 0.0

AUC (95%) = 0.51-0.70

ID = 34 ID = 2 ID = 4 ID = 6

l’area sotto la curva ROC è superiore a quella delle

singole variabili selezionate indicando che

considerando l’effetto cooperativo di più variabili la potenza

discriminante è superiore.

Risultati: Bonarda vs Barbera 3D

- 4 - 3 - 2 - 1 0 1 2 3 4

bonarda barbera

Mann-Whitney test p-value < 0.001

t-test p-value < 0.001

E’ possibile clusterizzare i dati derivanti da Bonarda e Barbera

Box plot variabile latente parallela

Bonarda e Barbera hanno baricentri diversi: nelle variabili misurate esiste l’informazione necessaria per distinguerli

Risultati: Bonarda vs Barbera OPLS-DA modello predittivo

CALCULATION

pred barbera pred bonarda

barbera 0.69 0.31

bonarda 0.26 0.74

PREDICTION

pred barbera pred bonarda

barbera 0.73 0.27

bonarda 0.20 0.80

k = 0.39

k = 0.49

Training set

Test set

Il modello riconosce correttamente: - 73 % dei Barbera - 80% dei Bonarda

Commette degli errori in predizione che ne influenzano

l’affidabilità

Risultati: Colore

R2 di Pearson tra parametri chimico fisici e CIELab

Bonarda commerciale vs Bonarda in purezza

S = C*/L*

Hue angle

S: t-test p-value = 0.04, Mann-Whitney test p-value < 0.001

Hue angle: t-test p-value = 0.008, Mann-Whitney test p-value < 0.001

Descrizioni indipendenti, non ridondanti

t-test e p-value parametri del colore

L, la luminanza, espressa in percentuale (0 per il nero e 100 per il bianco) a e b due gamme di colori che vanno rispettivamente dal verde al rosso e dal blu al giallo con dei valori da -120 a +120.

t o [ 1

]

-12

-10

-8

-6

-4

-2

0

2

4

6

-16 -14 -12 -10 -8 -6 -4 -2 0 2 4

tp

bonarda pura bonarda

STUDIO MEDIANTE HPLC-MS DELLE ANTOCIANINE E DEGLI ACIDI ORGANICI

POLIFENOLICI E NON PRESENTI IN BONARDA E BARBERA IN PUREZZA

Dall’analisi dei dati ottenuti durante lo studio dei 316 vini rossi D.O.C. dell’Oltrepò Pavese, risulta che l’approccio di

tipo multivariato basato sulla tecnica di OPLS-DA consente di elaborare modelli con i quali è possibile:

SULLA BASE DEI CARATTERI FISICI LEGATI AL COLORE, QUALI H ED S RAPPRESENTATIVI DELLA

SATURAZIONE DEL COLORE (S = C*/L*), E DELL’ANGOLO DELLA TRAMA DEL COLORE (HUE)

CHE PERMETTE IL RICONOSCIMENTO, SENZA ALCUN ERRORE, DELL’APPARTENENZA AL RELATIVO

CLUSTER DI CAMPIONI INCOGNITI. IN QUESTO CASO LE VARIABILI DISCRIMINANTI SONO RISULTATE

ESSERE IL TITOLO ALCOLOMETRICO VOLUMICO, GLI ZUCCHERI TOTALI E LA MASSA VOLUMICA

. QUESTO MODELLO HA CONSENTITO DI DIMOSTRARE CHE BONARDA E BARBERA HANNO

BARICENTRI DIVERSI E CHE, NELLA CLASSIFICAZIONE, LA COMBINAZIONE DELLE VARIABILI

(GLUCOSIO E FRUTTOSIO, TITOLO ALCOLOMETRICO VOLUMICO, ACIDITÀ TOTALE, CU) RAFFORZA IL

POTERE DISCRIMINANTE RISPETTO ALLE STESSE PRESE SINGOLARMENTE

PER CONCLUDERE…. L’approccio di tipo multivariato basato sulla tecnica di OPLS-DA ha consentito di elaborare

modelli con i quali è possibile:

COSTRUIRE UN MODELLO PREDITTIVO IN GRADO DI DISCRIMINARE I CAMPIONI DI

SANGUE DI GIUDA BONARDA + BARBERA

COSTRUIRE UN MODELLO PREDITTIVO PER LA CLASSIFICAZIONE DI

BONARDA BARBERA IN GRADO DI PREDIRE LA CLASSE DEL VINO

CON UNA BUONA SPECIFICITÀ IDENTIFICANDO CORRETTAMENTE CIRCA L’80% DEI CAMPIONI

DISCRIMINARE

BONARDA COMMERCIALE BONARDA IN PUREZZA

“VINO E OLIO: LA RICERCA SCIENTIFICA PER LA VALORIZZAZIONE DEL TERRITORIO” Complesso Monumentale San Pietro - Comune di Marsala

21-22 Novembre 2013

GRUPPO DI RICERCA: - Università di Pavia: Maria Daglia - Riccagioia S.C.P.A.: Dott. C. Alberto Panont - Dott. S. Diego Cioccarelli; Riccalab: Dott.ssa M. Alessandra Leoni; Sara Capitani

Grazie per l’attenzione

“VINO E OLIO: LA RICERCA SCIENTIFICA PER LA VALORIZZAZIONE DEL TERRITORIO” Complesso Monumentale San Pietro - Comune di Marsala

21-22 Novembre 2013