پروژه های انجام شده یا در حال انجام شرکت

زعفران :
تشخیص تقلب‌های زعفران و تعیین منشا جعرافیایی

در بین ادویه جات مختلف، زعفران که گران ترین ادویه جهان نیز میباشد با توجه به میزان کم تولید و ارزش اقتصادی بالا از کاندیداهای اصلی تقلب است و از این حیث در بین مواد غذایی در جایگاه چهارم واقع شده است. از آنجا که دامنه تقلبات در این ماده غذایی وسیع است و ایران نیز بزرگترین کشور تولید کننده زعفران است، پروژه حاضر بدین منظور اجرا شده است. لازم به ذکر است که در ایران بر طبق آمار منشر شده از سازمان جهاد کشاورزی بین ۸۰ تا ۹۰ درصد از کل تولیدات زعفران ایران نیز مربوط به دو استان خراسان رضوی و جنوبی می‌باشد. تقلب در زعفران به شیوه‌های مختلف انجام می‌شود. استفاده از رنگ های مصنوعی نظیر کینولین، سان ست یلو، سودان ۱و۲، تارترازین و حدود ۲۰ رنگ مصنوعی دیگر گزارش شده است. اما استفاده از مواد مختلف گیاهی که فراوان‌ترند، ارزش اقتصادی بسیار پایین تری دارند و در ظاهر شبیه به زعفران هستند به عنوان رایج‌ترین شیوه ی تقلب در زعفران گزارش شده است. مطالعات انجام گرفته نشان داده است که افزودن بخش های مختلف گیاهانی مانند گلرنگ، گل همیشه بهار، روناس و خامه خود زعفران از جمله پرتکرارترین انواع تقلب در زعفران هستند. از این رو در راستای بررسی اصالت زعفران در دو حوزه منشاء جغرافیایی و تقلبات رایج بر مبنای روش‌های شناخت الگو، تکنیک‌های اثر انگشتی طیف‌سنجی زیرقرمز نزدیک (NIR)، میانه (MIR) و کروماتوگرافی لایه نازک با کارایی بالا (HPTLC) مورد بررسی قرار گرفته است. آنالیز اثر انگشت‌های به دست آمده با توجه به پیچیدگی بافت زعفران و همچنین پاسخ‌های تکنیک‌های مختلف نیازمند به کار گیری روش‌های مختلف پیش‌پردازش داده و همچنین شناخت الگوست. در قدم اول این پژوهش از روش اکتشافی آنالیز مولفه اصلی (PCA) برای بررسی منشاء جغرافیایی ۱۰۰ نمونه زعفران از دو استان خراسان جنوبی و رضوی استفاده شد. بررسی ها نشان داد که در این زمینه تکنیک HPTLC با تطابق ۹۰% با منشاء جغرافیایی نمونه‌ها بهترین نتیجه را داراست. شکل زیر تصویر HPTLC از زعفران و تقلبات گیاهی در طول موج ۳۶۶ نانومتر و همچنین نتیجه PCA منشا جغرافیایی نمونه‌های زعفران را نشان می‌دهد که با توجه به منشا جغرافیایی به دو دسته آبی و قرمز تقسیم شده‌اند.

پارس سنجش نوآور شریف

بعد از آن تکنیک NIR با ۸۰% و MIR با ۷۰% بیشترین تطابق را با منشاء جغرافیایی نمونه‌ها دارند. در ادامه با توجه به نتایج به دست آمده از منشاء جغرافیایی نمونه‌ها، چهار تقلب رایج در زعفران یعنی گلرنگ، گل همیشه بهار، روناس و خامه در ۵ سطح از ۵% تا ۳۵% مورد بررسی قرار گرفت. از روش حداقل مربعات جزیی-آنالیز تمایزی (PLS-DA) برای مدل‌سازی نمونه‌های تقلب برای همه تکنیک‌ها استفاده شد وجهت ارزیابی کیفیت مدل‌های توسعه داده شده دو دسته نمونه شامل تعدادی نمونه تقلبی بازار و مخلوط تقلب‌ها نیزبه مدل داده شد. دامنه صحت مدل برای کلاس‌های تکنیک‌های NIR و MIR (به صورت قرص KBr و انعکاس کل کاهش یافته، ATR) به ترتیب ۹۳-۱۰۰ %، ۹۰-۱۰۰ % و ۹۱-۱۰۰ % به دست آمد. در بین همه تکنیک‌ها تنها NIR قادر به تعیین میزان تقلب بود که میانگین 98/0R2 = برای کلاس‌های مختلف به دست آمد. شکل زیر نشان دهنده طیف NIR زعفران و تقلبات گیاهی قبل از پیش پردازش، بعد از مشتق گیری مرتبه دوم و همچنین آنالیز PLS-DA که نشان دهنده تمایز کامل یکی از تقلبات و همچنین وجود یک روند منظم از ارتباط میان میزان تقلب و فاصله از حد آستانه در نظر گرفته شده برای تقلب موردنظر به منظور تعیین مقدار آن است.

پارس سنجش نوآور

در بررسی نمونه‌های ATR با توجه به رفتار غیر خطی داده‌ها روشی جدید بر پایه‌ پیش‌پردازش‌های ویژه و تلفیق آن با روش ماشین بردار پشتیبان (SVM) مورد استفاده قرار گرفت و صحت کلاس زعفران از ۵۰ درصد در مدل PLS-DA به ۱۰۰ درصد در روش ماشین بردار پشتیبان افزایش یافت. با استفاده از نتایج به دست آمده از تصاویرHPTLC نیز نشان داده شد که این تکنیک در بررسی تقلب تکینک بسیار کارآمدی می‌باشد و حتی قادر به شناسایی تقلب در برخی از موارد تا ۱% می‌باشد. در نتیجه مدل‌های توسعه داده شده می‌توانند به عنوان یک روش استاندارد در تعیین منشاء جغرافیایی و بررسی انواع تقلب‌های زعفران به کار روند. لینک های زیر مقالات منتشر شده در راستای تحقیقات انجام گرفته می‌باشد.

  • 1. Amirvaresi A, Nikounezhad N, Amirahmadi M, Daraei B, Parastar H. Comparison of near-infrared (NIR) and mid-infrared (MIR) spectroscopy based on chemometrics for saffron authentication and adulteration detection. Food Chem. 2021;344:128647.
  • 2. Amirvaresi A, Parastar H. External parameter orthogonalization-support vector machine for processing of attenuated total reflectance-mid-infrared spectra: A solution for saffron authenticity problem. Anal Chim Acta. 2021;1154:338308.
  • 3. Amirvaresi A, Rashidi M, Kamyar M, Amirahmadi M, Daraei B, Parastar H. Combining multivariate image analysis with high-performance thin-layer chromatography for development of a reliable tool for saffron authentication and adulteration detection. J Chromatogr A. 2020;1628:461461.
تشخیص انواع تقلب‌های زعفران با رنگ شیمیایی و ترکیبات گیاهی به کمک دستگاه قابل حمل طیف سنجی نور مریی و مادون قرمز نزدیک (۱۰۰۰ – ۴۰۰ نانومتر) و طیف سنجی پرتابل نور مریی و مادون قرمز نزدیک (۱۰۰۰ – ۴۰۰ نانومتر)

با توجه به ضرورت بررسی تقلبات زعفران در زنجیره عرضه آن، روش طیف سنجی قابل حمل سریع و غیرتخریبی برای شناسایی تقلبات زعفران با رنگ سودان I، زردچوبه، همیشه بهار و گلرنگ (در ۱۰ سطح از %۱ تا ۴۰%) به همراه کمومتریکس طراحی گردید. با استفاده از روش PCA، نمونه‌های تقلبی در محدوده 5 تا ۴۰% در یک گروه و نمونه‌های اصیل زعفران در گروهی دیگر شناسایی شد. به کمک روش DD-SIMCA در بازه تقلبات ۲ تا ۴۰%، هر دو رقم شایستگی حساسیت و اختصاصیت (در شناسایی تقلبات زعفران به صورت مجزا و تقلب زعفران با مخلوطی از ۴ تقلب فوق) ۱۰۰% بود. هر دو روش PLS-DA و SVM در جهت کلاسه بندی تقلبات انجام شد. روش PLS-DA توانست با کارایی (efficiency) ۱۰۰%، کلیه نمونه‌های زعفران اصیل را شناسایی و با کارایی ۱۰۰، ۱۰۰، ۹۹ و ۹۰ درصد به ترتیب تقلبات با همیشه بهار، گلرنگ، رنگ سودان I و زردچوبه را شناسایی کند. حد تشخیص روش برای تقلبات همیشه بهار، گلرنگ، رنگ سودان I و زردچوبه به ترتیب%۷۴/۴، %۵۵/۳، %۹۴/۳، و %۰۸/۹ بود. نتایج حاصله نشان داد که روش طیف سنجی قابل حمل نور مرئی و مادون قرمز نزدیک به همراه کمومتریکس می‌تواند به عنوان یک روش غربالگری ساده، سریع و غیر تخریبی برای شناسایی همزمان ۴ تقلب ذکر شده برای زعفران بکار رود.

تشخیص تقلب در ادویه زعفران به کمک تکنیک دستگاهی تصویر برداری فراطیفی (HSI)

هدف این پژوهش تشخیص تقلب در ادویه زعفران به کمک تکنیک دستگاهی تصویر برداری فراطیفی (HSI) و روش آنالیز مولفه مستقل (ICA ) می باشد. بدین منظور ۵ نوع تقلب گل همیشه بهار، گلرنگ، زردچوبه، روناس، خامه ی زعفران انتخاب شدند که از تقلبات رایج در زعفران پودر شده می باشند. در این کار ۳۸ عدد زعفرانی که اصالت آنها تایید شده بود، پودر شدند و توسط الک با مش ۳۵ الک و آنالیز شدند. ۱۵ عدد از آنها براساس نتایج بدست آمده از آنالیز تصاویر فراطیفی آنها توسط روش آنالیز مولفه اصلی (PCA) به منظور ساختن نمونه ی مخلوط (pooled ) انتخاب شدند. سپس مخلوط های دوتایی زعفران و تقلب از هر تقلب در سطح های ۵ و ۱۰ و ۱۵ و ۲۵ و ۳۵ ساخته شد. تصاویر بدست آمده توسط الگوریتم MFICA آنالیز شدند و نقشه های فضایی مربوط به هر نمونه بدست آمد و توسط روش کلاسه بندی PLS-DA مدل های مربوطه ساخته شدند. در تمام مراحل ۸۰ درصد نمونه ها برای مجموعه ی آموزشی نگه داشته شدند و ۲۰ درصد آنها به منظور مجموعه ی پیش بینی نگه داشته شدند و به مدل ساخته شده داده شدند تا مدل را آزمایش کنندکه نتایج نشان میدهد که این آنالیز ها در اکثر موارد صحت ۱۰۰ درصد داشته است.. همچنین روش DD-SIMCA نیز مورد ارزیابی قرار گرفت که حساسیت ۹۵ درصد و ویژه بودن ۱۰۰ درصد برای تمامی تقلبات مشاهده شد.

psns
psns-co
پارس سنجش نوآور شریف