کاربرد رویکرد یادگیری ماشینی در شناسایی گونه های مختلف حیوانی در فرآورده های گوشتی با استفاده از HPLC-Q-TOF/MS

فرآوردههای گوشتی یکی از منابع ارزشمند پروتئین در رژیم غذایی انسان هستند که اغلب با تقلب های مختلفی از سوی تولیدکنندگان به منظور دستیابی به سود اقتصادی بیشتر مواجه می شوند که می تواند سلامت مصرف کننده را به خطر بیندازد. با توجه به افزایش تقلب در مواد غذایی ، نیاز روز افزونی به کنترل و پیشگیری از این امر و توسعه روشهای تحلیلی و تشخیص سریع در زمینه ارزیابی اصالت مواد غذایی احساس می شود. همچنین ممکن است این دستگاهها به دلیل پراکندگی ، ناهمگونی بافت ، نویز دستگاه، اثرات محیطی و غیره تفسیرشان کمی سخت شود. بنابراین ، روشهای آماری چند متغیره و شیمی سنجی می تواند برای استخراج اطلاعات جالب تر مفید باشد. ادغام طیف سنجی با روشهای چند متغیره و کمومتری به طور گستردهای در تجزیه و تحلیل کیفی تقلب مواد غذایی استفاده شده است . طیف ۸ نمونه تقلبی استاندارد و ۳۵ نمونه خریداری شده از سوپرمارکت در ناحیه طول موج ۵۰-۱۰۰۰ m/z اندازهگیری شد. مدلهای یادگیری ماشینی نظارتشده و بدون نظارت برای شناسایی نمونه ها در طیف های HPLC-Q-TOF/MS استفاده شد. برای تهیه دادههای به دست آمده از طیف سنجی ، ابعاد دادهها نیز به روش PCA کاهش یافت و با توجه به تعداد کم نمونه های آموزشی ، از روش یادگیری گروهی برای انجام طبقه بندی نظارت شده استفاده شد. با رویکرد طبقه بندی و به کارگیری الگوریتم های مختلف ، دقت بالایی در مجموعه آزمون به دست آمد. یافته ها نشان می دهد که هیچگونه تقلبی در فرآوردهها مشاهده نشده و طیف سنجی HPLC-Q-TOF/MS ابزاری موثر بو دقیق برای ارزیابی کیفیت سوسیس بوده است .

کلیدواژه ها:

تقلب ، شیمی سنجی ، کروماتوگرافی مایع چهار قطبی ، طیف سنجی جرمی ، فرآوردههای گوشتی