近似を使用したミルクタブレット中の糖質の即時定量

Scientific Reports volume 12、記事番号: 18802 (2022) この記事を引用

949 アクセス

1 オルトメトリック

メトリクスの詳細

ミルクタブレットは、アジアの多くの国で人気のある乳製品です。この研究は、近赤外 (NIR) 分光法を使用して、牛乳錠剤中のスクロースとラクトースの含有量を即時かつ迅速に測定する方法を開発することを目的としていました。定量分析では、実験室規模の牛乳サンプルで構成されるトレーニングセットが中央複合計画 (CCD) に基づいて生成され、これを使用してスクロースとラクトースの含有量を予測するための部分最小二乗法 (PLS) 回帰を確立し、結果として R2 値が得られました。 0.9749 および 0.9987 で、対応する校正二乗平均平方根誤差 (RMSEC) 値は 1.69 および 0.35 です。ただし、実験室スケールの粉末と最終製品のミルクタブレットサンプル間の物理的な違いにより、PLS モデルの予測性能に劇的な影響を与えるスペクトルの偏差が生じました。したがって、定量的予測の前に、直接標準化 (DS) および区分的直接標準化 (PDS) と呼ばれるキャリブレーション転送方法を使用して、実際の牛乳錠剤サンプルから NIR スペクトルを調整しました。高速液体クロマトグラフィー (HPLC) を参照方法として使用し、開発された NIR 化学モデルを使用して、ミルクタブレットのスクロースとラクトースの予測二乗平均平方根誤差 (RMSEP) 値を生成することにより、実際のミルクタブレットの糖分含有量を瞬時に予測できます。 PDS 変換後の Q2 値はそれぞれ 5.04 と 4.22、0.7973 と 0.9411 です。

ミルクタブレットは栄養価の高いスナックの代替品と考えられています。ミルクの風味が楽しめるだけでなく、たんぱく質、炭水化物、カルシウムなどの良質な栄養素もたっぷり摂取できるスナックです。牛乳と並んで、砂糖もミルクタブレットの主成分です。多くの場合、ミルクタブレットに甘味を与えるためにスクロースが追加されます1。乳糖は、生乳原料に含まれる主な炭水化物です2。糖度の測定は品質管理を評価する上で重要です。さらに、砂糖の量の変動は、ミルクスナックの食感に寄与する最終製品の栄養品質に影響を与える可能性があります3,4。

伝統的に、牛乳中の砂糖の定量は化学滴定法を使用して達成できます5。これらの湿式実験室の方法は簡単です。ただし、実験手順には時間がかかり、多くの場合、大量の化学廃棄物が発生します。高速液体クロマトグラフィー (HPLC)6,7、電気化学分析 8,9、核磁気共鳴 (NMR)10 などのいくつかの分析技術も、定量化タスクを達成するために使用されました。それにもかかわらず、大きな欠点は、サンプル検出プロセスの前に複雑なサンプル前処理方法が必要であることでした。したがって、これらのテストは、継続的なオンライン生産プロセスから多くのサンプルが取得される製造工場には適していません。

近赤外 (NIR) 分光法は、800 ～ 2500 nm の領域でサンプルと電磁放射の間の振動相互作用を調査します。 NIR 検出には、大規模なサンプル前処理を行わずに、短期間で多数のサンプルを非破壊的に測定できるという点で、他の分光検出に比べていくつかの利点があります。 NIR スペクトルは、部分最小二乗法 (PLS) 回帰 11、12、13 と呼ばれる校正モデルを使用して、サンプルの興味深い化学的特性に関連付けることができます。このモデルでは、スペクトルデータと化学的特性の間の関係情報が数学的に調査されます。この相関情報は、未知のサンプルの化学的特性を推定するために使用できます。たとえば、NIR 分光計は最近、牛乳 14 と人間の牛乳 15 の組成分析に応用されました。

一般に、キャリブレーションモデルによって達成される決定は、トレーニングサンプルのセットによって提供される事前の知識に基づいています。したがって、最適な予測結果を得るために、トレーニングセットで見つかったテストサンプルの変動を推定することができます。したがって、トレーニングサンプルは、キャリブレーションモデルの予測パフォーマンスを大きく特徴付けることができます。ただし、最終プロセスサンプルの変動が予想されず、制限される必要がある生産プロセスでは、製造プロセスからの最終製品には、正確で堅牢な校正モデルを開発するためのトレーニングセットを確立するのに十分な変動が含まれていない可能性があります。たとえば、実験室で調製された粉末状のトレーニングサンプルは、最終的に錠剤に圧縮された最終プロセスサンプルと比較すると、異なる物理構造を持っていました。 Sarraguça と Lopes16 は、粉末状の実験室規模のサンプルを使用すると、製造プロセスで生成された錠剤サンプルよりも正確な予測結果が得られると報告しました。さらに、Peerapattana ら 17 は、ガラスバイアルに保存されたマンゴスチン果皮の粉末サンプルは、透明なカプセルに保存されたサンプルと比較して、α-マンゴスチン含有量の予測においてより良い結果をもたらすことを観察しました。

キャリブレーション転送 (CT) には、さまざまな機器測定による不一致を最小限に抑えるために使用できる一連の化学測定法が含まれます 18。 CT 法を使用して標準化を確立した後、ある機器 (一次) を別の機器 (二次) に置き換えたり、その逆を行うことができる、校正済みモデルを含むシステムを開発できます。たとえば、区分的直接標準化 (PDS) と呼ばれる校正転送方法は、トップベンチ分光計とポータブル NIR 検出器の間の変動を最小限に抑えるために使用されました 19,20。その結果、ポータブル NIR 測定の推定は、トップベンチ NIR 分光計から収集されたデータベースの NIR スペクトルに基づいて行うことができます。さらに、同じ方法論に従うことで、農産物サンプル間のさまざまな変動を特定し、異物混入検出のために未知のサンプルから体系的に廃棄することができます21。

この研究では、NIR 検出に基づいてミルクタブレットの糖分を検出する即時方法を開発しました。さらに、実験室規模の牛乳サンプルと最終プロセスから得られた牛乳タブレットの間の NIR スペクトルのさまざまな変動を調整するために、キャリブレーション転送方法が採用されました。定量分析は、ミルクタブレットサンプル中のスクロースとラクトースの濃度を瞬時に定量することを目的としたPLSモデルの多変量予測に基づいていました。

合計 13 種類の異なるミルクタブレットブランドが、タイのチェンマイにある地元の食料品店から入手されました。ミルクタブレットの関連詳細を表 1 にまとめます。サンプルは、トレーニング (T1 ～ T3)、内部検証 (I1 ～ I3)、および外部検証 (E1 ～ E7) サンプルの 3 つのグループに分けられました。各ミルクタブレットは、セラミック乳鉢と乳棒を使用して細かく均質な粉末に粉砕されました。牛乳サンプルの糖分を表す系統的な変動を生成するために、サンプルごとに 9 回の実験を含む中央複合設計 (CCD) 構造が使用されました 22。たとえば、サンプル T1、T2、および T3 の場合、一定量のスクロース (分析グレード、> 99% 純度、RCI Labscan、バンコク、タイ) およびラクトース (分析グレード、> 99% 純度、KEMAUS、ニューサウスウェールズ州、オーストラリア) が追加されました。次に、3 つの CCD モデルサンプルの組み合わせを使用してトレーニングセットを構築し、合計 27 個の牛乳サンプルが得られました。 CCD 構造の使用は、記録された NIR スペクトルの変化が牛乳サンプル中の糖の濃度に関連していること、およびトレーニングサンプルの数が予測モデルを確立するのに十分であることを保証することでした 23。サンプル I1、I2、および I3 は内部検証サンプルを確立するために使用され、糖含有量の変動も CCD モデルに基づいて生成されました。したがって、27 個の追加の粉乳サンプルを使用して内部検証セットを構築しました。サンプル E1 ～ E7 は、独立したテストセットを表す外部サンプルとして使用されました。これらは、実際のサンプルが導入されたときに校正モデルのパフォーマンスを評価するために利用されました。

この研究では 2 つの主要なタイプのミルクタブレットが使用されたことに注意してください。サンプル E2 および E3 は、乳を含まない錠剤、または製品満足度を達成するために人工乳フレーバーが添加された「安価な乳タブレット」でした。一方、残りの牛乳サンプルは牛乳を原料として製造されており、「プレミアムミルクタブレット」と呼ばれていました。

粉乳 (9.00 g) の NIR スペクトルは、NIRSystem 6500 (Multi-Mode™ Analyzer、Foss、USA) を備えた NIR 輸送モジュール (幅×長さ×奥行き: 5.7 × 29.4 × 2.0 cm) を使用して取得されました。 2 nm のサンプリング間隔で 400 ～ 2500 nm の範囲を測定し、スペクトルあたり 1050 のデータポイントを生成します。各サンプルには平均 64 回のスキャンが使用されました。ミルクタブレットのサンプルは、NIR 輸送モジュール内に配置されました。粉末サンプルの測定条件に従って、ミルクタブレットの層を収容ガラスに直接貼り付けました。牛乳サンプルは、NIR 検出前に少なくとも 6 時間、25 °C の室温制御温度に維持されました。分析の前に、NIR スペクトルは標準正規変量 (SNV) によって前処理され、NIR 測定中の光散乱によって引き起こされる誤差が除去されました。次に、絶対値ではなくデータ平均からの分散に焦点を当てて分析できるように、平均を中心にしました。

ミルクタブレットサンプル中の糖含有量は、高速液体クロマトグラフィー (HPLC) を使用して測定されました。サンプル調製のために、各粉乳タブレット 1.00 g を 10 mL の超純水に溶解し、ウォーターバス (Julabo Labortechnik GMbH、Seelbach、ドイツ) 内で 55 °C で 5 分間保持しました。次に、タンパク質を沈殿させるために HPLC グレードのアセトニトリルを添加しました 24,25。変性後、サンプル溶液を10,000 rpmで5分間遠心分離した。次に、透明な溶液を 0.45 μm ナイロンシリンジフィルター (Agilent Technologies、カリフォルニア州、米国) を通して濾過しました。

乳錠剤中の糖分のクロマトグラフィー分析は、Agilent ZORBAX NH2 カラム (5 μm、内径 4.6 mm、長さ 150 mm) を作動させた高速液体クロマトグラフ (Agilent 1100 HPLC システム、カリフォルニア州、米国) を使用して実行されました。 25℃で。サンプルは、10 μL の注入量で HPLC システムに自動注入されました。 HPLC グレードのアセトニトリルと超純水の混合物 (75/25%v/v) を流速 1.00 mL/min で移動相として使用しました。屈折率検出器 (RID) は 25 °C で動作しました。糖含量は、スクロースおよびラクトース標準の外部標準検量線を使用して決定され、R2 値はそれぞれ 0.9907 および 0.9896 となりました。研究したミルクタブレットサンプル中の糖の濃度値を表 1 にまとめます。

両方の形態の牛乳サンプル (錠剤と粉末) は固体とみなされますが、たとえば、粒径や錠剤の圧縮圧力などに違いがありました。これらの物理的変動により、記録された NIR スペクトルに大きな偏差が生じました 26。キャリブレーション転送は、機器や測定条件の違いによって発生する可能性のある変動を安定させるために適用できる多変量補正方法です。この研究では、錠剤サンプルと粉末サンプルから得られたスペクトル間の信号の不一致を説明するために使用されました。区分的直接標準化 (PDS) は、直接標準化 DS27,28 と呼ばれる従来の手法を拡張したアルゴリズムです。 DS メソッドは、MLR、PCR、PLS などの多重線形回帰モデルを使用して変換行列 (F) を計算することにより、2 つのデータ行列 (Xm と Xs はマスターデータとスレーブデータを指します) 間の相関関係を記述します。

PDS アルゴリズムの拡張機能は、マスターデータ (Xm,j) の各スペクトルポイントがスレーブデータ (Xs,j) のスペクトルサブセットに特に関連していることです。 PDS アルゴリズムには次の手順が含まれます。

ステップ 1: 波長 j におけるマスターデータ (Xm,j) のスペクトル点を選択します。

ステップ 2: 波長 j 付近のスレーブデータ (Xs,j) のサブセットスペクトルを定義して、インデックス j − k から j + k を形成します。

ここで、k は計算に使用されるスペクトルデータの量を制御するウィンドウサイズです。

ステップ 3: 回帰係数を確立する

ここで、 bi は回帰係数を含むベクトルです。

ステップ 4: bj を対角行列に編成して変換行列 (F) を生成する

ここで、n は含まれるスペクトルチャネルの数です。

ステップ 5: F を使用して未知のサンプル (Xs,un) のスペクトルを標準化し、修正されたスペクトル (Xs,PDS) を取得します。

この研究では、DS 変換と PDS 変換を使用して、粉末サンプルと錠剤サンプルから得られたスペクトル間の不一致を補正しました。これらの変換方法により、2 つのデータセット間の相関関係が調査されました。その後、得られた相関情報を適用して、ミルクタブレットサンプルの NIR スペクトルを調整しました。その結果、粉末サンプルの NIR スペクトルから確立された校正モデルを使用して予測を行う場合、モデルを再校正する必要なく、調整されたデータに互換性が得られます。

モデルの最適化は、以前に公開されたレポート 21 に基づいています。 DS と PLS の両方の相関行列は、トレーニングサンプルを使用して計算され、内部検証サンプルに基づいて最適化された PLS 回帰を使用して決定されました。

部分最小二乗 (PLS) 回帰は、多変量キャリブレーションモデルの最も強力な分析方法の 1 つです29。 PLS アルゴリズムの大きな利点は、予測パラメーターと応答パラメーターの両方から得られた変動が同時に抽出され、予測モデルの構築に使用されることです。 PLS モデルを使用すると、これらの情報ブロック間の相関を最大化できます。ほとんどの場合、PLS は NIR スペクトルデータの予測に最適な予測パフォーマンスを提供できます 11,30。

この研究では、NIR スペクトルと糖含量が、それぞれ PLS モデルの予測パラメーターと応答パラメーターとして使用されました。 PLS 計算は、以前に公開された文献 29 に記載されている手順に従って行われました。 PLS 潜在変数の最適な数を特定するために、leave-one-out 相互検証法が適用されました 31。表 1 によると、PLS モデルは、トレーニング (T1 ～ T3) サンプルを校正データとして使用して開発されました。モデルを検証するために、内部検証 (I1 ～ I3) サンプルと外部検証 (E1 ～ E7) サンプルをそれぞれ検証と予測に使用しました。

予測精度に関する PLS モデルの予測パフォーマンスは、校正二乗平均平方根誤差 (RMSEC) および予測二乗平均平方根誤差 (RMSEP) によって報告されました。モデルの堅牢性を決定するために、キャリブレーション (R2) 値と予測 (Q2) 値の決定係数が計算されました。さらに、相互検証の標準誤差 (SECV) と予測偏差比 (RPD) を使用して、校正モデルのさまざまな予測性能を比較しました 32。 PLS モデルの計算、PDS キャリブレーション転送、および統計解析は、社内の MATLAB スクリプト (MATLAB、The Math Works Inc.、Natick) を使用して実装されました。

図 1A は、牛乳サンプルから記録された NIR スペクトルを示しています。図 1b に示す牛乳サンプル間の特徴的な違いを示すために、NIR スペクトルの対応する PCA スコアプロットが作成されました。この研究では、糖濃度による系統的な変動を誘発するために、CCD 実験に基づいてトレーニングおよび検証サンプルが生成されました。 PCA スコアプロットでは、サンプルは PCA 空間全体に分散しており、PC1 値が大きいほど、スクロース含有量が高いサンプルを表します。一方、ラクトース含有量が高いサンプルでは、より高い PC2 値が関連付けられていました。

(a) 研究した牛乳サンプル (粉末) の NIR スペクトル、および (b) 対応する NIR スペクトルデータの PCA スコアプロット。

その結果、糖度の変化によりサンプル組織が得られたことが明らかとなった。これは、NIR 検出がさまざまな糖分を含む牛乳サンプルを分析できることを実証しました。ほとんどのテストサンプルはトレーニングサンプルの領域内に配置されており、生成されたトレーニングサンプルの適合性を示しています。試験サンプルNo. 10 (E10) は主星団からわずかに離れたところにありました。しかし、これは抽出された麦芽が香料として利用され、黄褐色の二層錠剤になったためである可能性があります。

図 2 は、粉乳サンプルと錠剤乳サンプルの NIR スペクトルの違いを示しています。ミルクタブレット (E1 ～ E7) の NIR スペクトルを、粉末に粉砕する前後で記録しました。図2aでは、両方の物理状態から得られたNIRスペクトルの形状は比較的類似していました。ただし、粉末ミルクサンプルでは吸光度が比較的低くなり、これはサンプルの粒子サイズに関係している可能性があります。この結果は、錠剤の圧縮圧力により、NIR スペクトルの吸光度が高くなり、より強力な浸透が生じるという以前の報告の発見と一致しています 26。サンプルの物理的条件によって発生した変動は、図 2b に示す PCA スコアプロットで確認できます。スコアプロットから、変換プロセスのない牛乳サンプルは 2 つの主要なグループに別々にクラスター化され、錠剤と粉末のサンプルは PCA 空間上で異なる配置になっていました。サンプルクラスター間の明確な分離は、牛乳サンプル間の化学組成の違いよりも物理的な違いの方が大きな変動を引き起こしていることを示唆しています。言い換えれば、PCA 視覚化を使用したこの実験では、粉末サンプルと錠剤サンプルの間で特定された物理的差異を、最初の 2 つの PC によって体系的に捕捉できました。

(a) 試験乳サンプル (粉末および錠剤) の NIR スペクトル、および (b) DS および PDS 変換後の乳サンプルの PCA スコアプロット。

錠剤サンプルから記録されたスペクトルデータが PDS 変換プロセスを使用して変換された後、図 2a に示すように、スペクトルの形状が大幅に変化し、粉末サンプルのスペクトルと非常に類似しました。スペクトル変換の成功は、図 2b に示す PCA スコアプロットによって確認できます。変換されたサンプルは、粉末サンプルとほぼ同じ PCA 位置にほぼ正確に配置されています。この場合、PDS 変換は、サンプルの物理的状態によって発生する変動を効果的に除去できます。一般に、PDS 変換は実験条件の違いを調整するために使用されます。たとえば、2 つの異なる機器、つまり一次機器と二次機器を使用したサンプル検出方法で観察された違いです。機器間の相関関係は、モデリングプロセス中に PLS-NIPAL アルゴリズムに基づいて調査されました33。その結果、両方の機器から得られたスペクトルデータの系統的な変動が同時に抽出され、同時にそれらの共分散値も最大化されました。この相関情報は、両方の機器の共変動構造に関して二次機器からの検出信号を変換するために使用できます。その結果、変換された信号は、予測モデルを再生成する必要なく、主機器から確立された予測モデルによく適合する可能性があります。この実験では、変換された NIR スペクトルの再構成は、前述したように、PCA モデリングによって効果的に捕捉できる系統的構造に基づいていました。したがって、PDS は錠剤サンプルの NIR スペクトルデータの変換にうまく適応できました。これらの結果は、物理的外観が異なるサンプルから記録された NIR スペクトルを安定化するための PDS 変換モデルの効果的な利用を示しています。

この研究では、相関行列の 1 回の計算に基づいた DS 調整により、NIR スペクトルの不満足な推定値が生成されました。ただし、このスペクトル変換の視覚化は、データの前処理を行わない生の NIR スペクトルデータの使用に基づいています。 DSを使用したこの全体的な調整は、図2aに視覚化されているようにスペクトルベースラインのドリフトに敏感である可能性があり、これはスペクトルサブセクションに基づく計算がキャリブレーション転送プロセスのパフォーマンスを向上させることができることを実証しました。このデータ調整が予測性能に及ぼす影響については、PLS モデルを使用した糖度の予測で議論します。

トレーニングサンプルの NIR スペクトルを使用して、牛乳サンプル中の糖分を推定するための PLS キャリブレーションモデルを確立しました。 PLS1 アルゴリズムを使用して、各種類の糖を予測するためのキャリブレーションモデルが独立して構築されました。検証サンプルは、開発された PLS モデルの予測パフォーマンスを調査するために使用され、予測結果は表 3 にまとめられています。

スクロース含有量を予測するための PLS モデルの結果、RMSEC、RMSEP、R2、および Q2 のキャリブレーションパフォーマンス値は、それぞれ 1.69、2.67、0.9749、および 0.9373 となりました。同時に、乳糖含有量の予測により、RMSEC、RMSEP、R2、Q2 の値がそれぞれ 0.35、0.79、0.9987、0.9943 という予測結果が得られました。 RMSEC の値が比較的小さいことは、PLS がデータを正常にフィッティングし、キャリブレーションモデルが応答パラメーターの変動を適切にモデル化していることを意味します。 PLS モデルは、高い R2 値と Q2 値を生成できました。これは、開発されたモデルが安定しており、調製された粉末サンプルの糖含有量を推定するためにうまく使用できたことを意味します。これらの結果は、図3a、bに示した相関グラフに対応しており、予測されたサンプルはグラフの対角線のほぼ近くに配置されており、ほとんどのサンプルが参照糖濃度と予測糖濃度の間にわずかな差があることを示唆しています。 Q2 の値は R2 値よりわずかに低く、モデルがオーバーフィッティングの問題を起こしにくいことを意味します。

(a) ショ糖、(b) 乳糖含有量、(c) ショ糖と乳糖の含有量を予測するための PDS 変換後の実際の牛乳錠剤サンプルのトレーニングおよび内部検証サンプルの相関グラフ。

一般に、RPD 値を使用すると、さまざまなモデルの予測精度を比較できます。 RPD の値が高いほど、バイアスと SECV の値が低く、Q2 値が高いことに対応する予測能力が優れていることを示します。ラクトース予測用に確立されたモデルはスクロースの予測よりも高い RPD 値を示し、PLS モデルの予測パフォーマンスが優れていることを示しています。これらの発見は、牛乳に含まれる天然の糖である乳糖を使用して、生乳材料に含まれる脂肪やタンパク質などの他の成分から追加の関連情報を取得できる可能性があることを示唆しています。食品に自然に含まれる砂糖と比較して、調製プロセス中に添加されたスクロースには含まれる微量栄養素の情報が少ない34。

表 4 は、開発した PLS モデルを使用したミルクタブレット (E1 ～ E7) の予測結果を示しています。開発されたPLSモデルを使用して、錠剤サンプルから直接検出されたNIRスペクトルから糖含有量を推定した場合（Pから予測T）、より高い予測誤差が得られ、結果的にQ2値が大幅に低くなりました（スクロースとラクトースでは0.7024と0.7030、それぞれ)、より高い RMSEP 値 (スクロースとラクトースでは 53.44 と 8.14)。不十分な予測結果は、図 2b に示す PCA スコアプロットに対応しており、粉末サンプルと錠剤サンプル間の偏差が強調されており、サンプルの物理的構造が NIR 測定に大きな影響を与える可能性があることがわかります。

NIR スペクトルデータを PDS 変換 (T/P を予測するための P) によって前処理した後、予測結果が大幅に改善されました。図 4 は、PDS 変換の前後の予測結果の比較を示しており、非破壊検出に関連する相対誤差が大幅に減少していることを示しています。表 4 では、スクロースとラクトースの両方の予測モデルの Q2 値がそれぞれ 0.7973 と 0.9411 に増加しました。参照とPLSモデルの予測糖含量の対応する相関グラフを図3cに示します。 DS 変換により、RMSEP 値が 19.27 に減少し、スクロース含量の予測が改善されましたが、RMSEP が 23.73 に増加したラクトース含量の予測結果は改善されませんでした。これにより、PDS 法のスペクトルサブセットに基づく計算により、PLS 校正モデルの予測精度が向上することが確認されました。

本物のミルクタブレットの DS および PDS 変換の前後の予測結果の比較。

サンプル 8 および 9 は、実際の牛乳成分を含まずに人工乳フレーバーのみを含むミルクタブレットであるため、サンプル 8 および 9 の乳糖濃度はゼロでした。これらの結果は、サンプルの前処理を必要とせず、製造プロセス中に収集された多数のサンプルの単純な測定とリアルタイム分析を可能にすることにより、研究室で開発されたモデルを使用して、実際のミルクタブレットサンプルまたは最終プロセスサンプルを予測できることを示しました。

製造プロセスでは、堅牢な予測モデルを生成するのに十分なバリエーションを備えたモデリングサンプルを作成することは現実的ではありませんでした。さらに、NIR 測定の完了中に発生したスペクトルの偏差が、開発されたモデルの予測精度に影響を与えた可能性があります。本研究により、校正転送手法を用いることで、開発した校正モデルの活用範囲が広がることが実証されました。化学分析分析と組み合わせた NIR 分光法は、ミルクタブレットの糖分を検出するために適用できます。 PDS により、錠剤サンプルの予測パフォーマンスのレベルが向上しました。開発プロセスでは、実際のミルクタブレットサンプルの糖分を測定するための、非破壊的で正確かつ迅速な技術が提供されました。

現在の研究中に分析された NIR 分光データセットは、合理的な要求に応じて責任著者から入手できます。

RodriguezFurlán、LT、Campderrós、ME 砂糖を含まない低脂肪乳製品デザートの物理化学的特性に対する、砂糖代替品としてのステビアとスクラロース、および脂肪模倣物としてのイヌリンの複合効果。内部。 J.ガストロン。食品科学 10、16–23 (2017)。

記事 Google Scholar

Gambelli, L. 牛乳とその砂糖乳糖: 評価方法の図。飲料 3、35。https://doi.org/10.3390/beverages3030035 (2017)。

記事 CAS Google Scholar

Alcaire, F.、Antúnez, L.、Vidal, L.、Giménez, A. & Ares, G. ミルクデザートの砂糖削減のための香り関連のクロスモーダル相互作用: 消費者の認識への影響。食品研究所内部。 97、45–50 (2017)。

論文 CAS PubMed Google Scholar

マハト、DK 他乳製品における糖質削減: フレーバーミルクを例とした概要。 Foods 9、1400。https://doi.org/10.3390/foods9101400 (2020)。

論文 CAS PubMed Central Google Scholar

ペンシルベニア州シェーファー & AF ハートマン銅のヨウ素分析による測定と糖分析での銅の使用。Ｊ．Ｂｉｏｌ．化学。 45、365–390 (1921)。

記事 CAS Google Scholar

Mannino, S.、Cosio, MS & Zimei, P. 乳製品中の糖分析のための微小透析サンプリングと電流測定検出を備えた高速液体クロマトグラフィー。電気分析 8、353–355 (1996)。

記事 CAS Google Scholar

Rentschler、E. et al. デュアル HPLC 分析を使用した、牛乳中のラクトースの存在下でのラクツロースとエピラクトースの定量。食べ物アナル。方法 9、2210–2222 (2016)。

記事 Google Scholar

Conzuelo、F. et al. 牛乳および乳製品中の乳糖を測定するための統合型電流測定バイオセンサー。Ｊ．アグリック．食品化学。 58、7141–7148 (2010)。

論文 CAS PubMed Google Scholar

Ammam, M. & Fransaer, J. AC 電気泳動によって堆積された β-ガラクトシダーゼとグルコースオキシダーゼに基づく 2 酵素乳糖バイオセンサー: 牛乳中の乳糖測定の特性と性能。 Sens. アクチュエーター B Chem. 148、583–589 (2010)。

記事 CAS Google Scholar

Monakhova, YB、Kuballa, T.、Leitz, J.、Andlauer, C. & Lachenmeier, DW NMR 分光法は、牛乳、無乳糖牛乳、および大豆と穀物をベースにした牛乳代替品の栄養表示を検証するためのスクリーニングツールとして使用されています。乳製品科学。テクノロジー。 92、109–120 (2012)。

記事 Google Scholar

Fernández-Espinosa、AJ PLS 回帰とポータブル NIR 分光法を組み合わせて、無傷のオリーブの品質パラメータをオンラインで監視し、最適な収穫時期を決定します。タランタ 148、216–228 (2016)。

論文 PubMed Google Scholar

Oliveira、MM、Cruz-Tirado、JP、Roque、JV、Teófilo、RF & Barbin、DF 異物混入パプリカパウダーを迅速に認証するためのポータブル近赤外分光分析装置。 J. 食品組成物。アナル。改訂 87、103403 (2020)。

記事 CAS Google Scholar

Rahman, A.、Wang, S.、Yan, J. & Xu, H. 近赤外分光法と多変量解析を使用した、無傷のマカダミアナッツの品質評価。 J. 食品組成物。アナル。 102、104033 (2021)。

記事 CAS Google Scholar

Riu, J.、Gorla, G.、Chakif, D.、Boqué, R. & Giussani, B. 低コストのポケットサイズ NIR 分光計と多変量解析を使用した牛乳の迅速分析。食品 9、1090 (2020)。

論文 CAS PubMed Central Google Scholar

ホルヘ・ドス・サントス、V. 他母乳の近位組成測定における MicroNIR 分光法と多変量キャリブレーション。 LWT 147、111645 (2021)。

記事 CAS Google Scholar

サラグーサ、MC、ロペス、JA NIR による医薬品の品質管理: 研究室からプロセスラインまで。バイブ。分光器。 49、204–210 (2009)。

記事 Google Scholar

Peerapattana, J.、大塚 K. & 大塚 M. マンゴスチン果皮粉末の品質管理のための NIR 分光法の応用: マンゴスチン果皮粉末およびカプセル中の α-マンゴスチンの定量分析。 J.ナット。医学。 67、452–459 (2013)。

論文 CAS PubMed Google Scholar

Liang, C.、Yuan, HF、Zhao, Z.、Song, CF & Wang, JJ 近赤外スペクトル解析の新しい多変量校正モデル転送方法。ケママ。知性。研究室システム。 153、51–57 (2016)。

記事 CAS Google Scholar

エリアルツ、J.ら。コカインの分類と定量のための、ベンチトップとポータブル中赤外分光計の間の校正転送の評価。タランタ 209、120481 (2020)。

論文 CAS PubMed Google Scholar

McVey, C.、McGrath, TF、Haughey, SA & Elliott, CT 真贋スクリーニングのための迅速な食物連鎖アプローチ: 2 台のハンドヘルド近赤外分光分析 (NIRS) デバイスを使用した化学測定モデルの開発、検証、および移行可能性。タランタ 222、121533 (2021)。

論文 CAS PubMed Google Scholar

Wongsaipun, S.、Theanjumpol, P. & Kittiwachana, S. 近赤外分光法を使用したタイのジャスミン米の異物混入定量化のための普遍的な校正モデルの開発。食べ物アナル。方法 14、997–1010 (2021)。

記事 Google Scholar

Srithongkul, C.、Krongchai, C.、Santasup, C.、Kittiwachana, S. タイにおける土壌中のヒ素の連続抽出手順に対する操作条件の影響の調査。 Chemosphere 242、125230 (2020)。

論文 ADS CAS PubMed Google Scholar

マサチューセッツ州ベゼラ、RE のサンテッリ、EP オリベイラ、ロサンゼルスのヴィラール、ロサンゼルスのエスカレイラ分析化学における最適化ツールとしての応答曲面法 (RSM)。タランタ 76、965–977。 https://doi.org/10.1016/j.talanta.2008.05.019 (2008)。

論文 CAS PubMed Google Scholar

Dai、X.ら。同位体希釈ガスクロマトグラフィー質量分析による牛乳および粉乳中の尿素の正確な分析。Ｊ．Ｃｈｒｏｍａｔｏｇｒ． B アナリスト。テクノロジー。バイオメッド。生命科学。 878、1634–1638 (2010)。

論文 CAS PubMed Google Scholar

キアヴェッリ、LURら。応答曲面法を使用した牛乳サンプルのクリーンアップの最適化。食べ物アナル。方法 13、166–175 (2020)。

記事 Google Scholar

Duy, PK、Chun, S.、Lee, Y. & Chung, H. モンテカルロシミュレーションと組み合わせた二成分混合物サンプルの粒子サイズ依存の近赤外スペクトル特性の調査、および粒子サイズが精度に及ぼす影響定量分析。アナリスト 143、4306–4315 (2018)。

論文 ADS CAS PubMed Google Scholar

Wang, Y.、Veltkamp, DJ & Kowalski, BR 多変量計測器の標準化。アナル。化学。 63、2750–2756 (1991)。

記事 CAS Google Scholar

Wulfert, F.、Kok, WT、de Noord, OE & Smilde, AK 連続区分的直接標準化による温度誘発スペクトル変動の補正。アナル。化学。 72、1639–1644 (2000)。

論文 CAS PubMed Google Scholar

Brereton、RG Chemometrics: 実験室および化学プラントのデータ分析 (Wiley、2003)。

Google Scholar を予約する

ムストルギ、Ｅ．ら。 NIR 分光法によるエクストラバージンオリーブオイルの品質パラメータの決定において、石英キュベットと使い捨てガラスバイアルから得られた PLS モデルの比較可能性を評価するための化学分析戦略。ケママ。知性。研究室システム。 199、103974 (2020)。

記事 CAS Google Scholar

キティワチャナ、S.ら。連続プロセスのオンライン HPLC へのアプリケーションによって示される、プロセス監視のための 1 つのクラス分類器。Ｊ．Ｃｈｅｍｏｍ． 24、96–110 (2010)。

記事 CAS Google Scholar

Wongsaipun, S.、Krongchai, C.、Jakmunee, J. & Kittiwachana, S. 高速粘度分析装置とケモメトリクスを使用した米粒の鮮度測定。食べ物アナル。方法 11、613–623 (2018)。

記事 Google Scholar

Bouveresse, E. & Massart, DL 近赤外分光測定機器の標準化: レビュー。バイブ。分光器。 11、3～15。 https://doi.org/10.1016/0924-2031(95)00055-0 (1996)。

記事 CAS Google Scholar

Erickson, J. & Slavin, J. 総糖類、添加糖類、遊離糖類: 制限ガイドラインは科学に基づくものですか、それとも達成可能ですか? 栄養素 7、2866–2878 (2015)。

論文 CAS PubMed PubMed Central Google Scholar

リファレンスをダウンロードする

このプロジェクトは、タイ国立研究評議会 (NRCT) とチェンマイ大学から資金提供を受けています: N42A650304。タイ、バンコクの高等教育委員会事務局、ポストハーベストテクノロジーイノベーションセンターにも感謝の意を表します。

チェンマイ大学理学部化学科、チェンマイ、50200、タイ

チャナット・タナヴァニッチ、ヌタティダ・ファンサイジャイ、チャニダファ・ティラパッチョティプム、シラ・キティワチャナ

チェンマイ大学農学部ポストハーベスト技術研究センター、チェンマイ、50200、タイ

パリチャットテアンジュンポル

ポストハーベストテクノロジーイノベーションセンター、高等教育科学研究イノベーション省、バンコク、10400、タイ

パリチャットテアンジュンポル

PubMed Google Scholar でこの著者を検索することもできます

CT は実験を実施し、化学量計の計算を実行し、元の原稿を書きました。 NP、CT、PT は実験を実施しました。 SK は、この研究の概念化、資金調達の監督、原稿のレビュー、編集を行いました。著者全員が原稿をレビューし、最終版に貢献しました。

シラ・キティワチャナへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Thanavanich, C.、Phuangsaijai, N.、Thiraphatchotiphum, C. 他近赤外分光法と化学測定ツールを使用して、ミルクタブレット中の糖を瞬時に定量します。 Sci Rep 12、18802 (2022)。 https://doi.org/10.1038/s41598-022-23537-7

引用をダウンロード

受信日: 2022 年 8 月 30 日

受理日: 2022 年 11 月 1 日

公開日: 2022 年 11 月 5 日

DOI: https://doi.org/10.1038/s41598-022-23537-7

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。