Massimo Reverberi, Silvia Serranti Dipartimento di Biologia ambientale - macroarea A DICMA – macroarea xxx Hyperspectral imaging per la early detection e protezione dei cereali Allo stato attuale l’identificazione dei principali funghi tossigeni (Fusarium, Aspergillus, Penicillium e Alternaria) è basata su sistemi tradizionali di isolamento microbiologico. Tali metodiche non permettono un intervento tempestivo per arginare il diffondersi delle malattie nelle differenti filiere agro- alimentari. A tale riguardo sono in corso da anni studi aventi come obiettivo lo sviluppo di sistemi di analisi rapidi, affidabili e sufficientemente sensibili, capaci di evidenziare bassi livelli di contaminazione da funghi tossigeni e relative micotossine. In generale, la possibilità di individuare precocemente il fitopatogeno, prima dell’evidenziarsi dei sintomi, rappresenta un punto critico per indirizzare una strategia tempestiva di controllo. L'individuazione, l'identificazione di agenti patogeni e la quantificazione dei danni dovuti alla malattia è un punto centrale per la patologia vegetale. La DETECTION Anche se, valutazioni visive e microscopiche sono generalmente ben accettate, la qPCR rappresenta attualmente il metodo più sensibile per misurare la biomassa del patogeno anche in piante asintomatiche. D’altronde, i metodi molecolari sono generalmente costosi e richiedono notevoli expertise. Recenti studi hanno sperimentato l’uso di tecniche spettrali non distruttive per ottenere attraverso metodi semplici, rapidi e poco costosi la rilevazione di contaminazione fungina nei cereali. La NIR-based DETECTION La spettroscopia d’immagine è una tecnica analitica combinata di spettroscopia e analisi di immagine ( non distruttiva. Questa tecnica negli ultimi anni ha suscitato l’interesse di molti ricercatori per il controllo della qualità di matrici alimentari. Allo stato attuale l’applicazione di tecniche di imaging spettrale in sistemi di rilevamento on-line a livello industriale è ancora poco praticata, ad esse sono preferite tecniche di imaging spettrale basate sull’acquisizione a specifiche lunghezze d’onda (normalmente due). Tale tecnica potrebbe avere comunque ampia applicazione nell’industria alimentare in fase di caratterizzazione e controllo operativo, per determinazioni analitiche multi-parametriche (proprietà qualitative e quantitative e di processo quali colore contenuto di acqua, e presenza di contaminanti). I dati ottenuti con l'analisi iperspettrale (Fig. 1) sono in primo luogo matematicamente pre-trattati per estrarre informazioni analitiche da spettri e rimuovere i pregiudizi non chimici (ad esempio, spargendo effetti dovuti alla superficie eterogeneità) e poi sottoposti a elaborazione chemiometrica attraverso l'applicazione di complessi strumenti di analisi multivariata, come l'analisi delle componenti principali (PCA), minimi quadrati parziali (PLS), analisi discriminante lineare (LDA), l'analisi discriminante Fishers (FDA), la regressione multi-lineare (MLR) e le reti neurali artificiali (ANN), e per evidenziare eventuali differenze significative tra campioni analizzati. qPCR coupled to Image Spectroscopy detection Molto spesso i lavori ad oggi pubblicati sull’uso di questa tecnica per rilevare fitopatogeni in matrici alimentari soffrono di mancanza di una validazione sensibile del metodo di rilevamento. La qPCR, non applicabile su larga scala per motivi economici, può invece essere usata a lab-scale per validare l’approccio iperspettrale. In relazione a questo, l'imaging iperspettrale NIR- based è stato usato con successo per rilevare funghi fitopatogeni in cereali sia nel pre- che nel post-harvest. Fig. 3. A) Score plot (PC1 vs PC2), basata sulle firme spettrali medie HSI nella regione di lunghezze d'onda NIR per le foglie di una varietà di frumento raccolta in tempi diversi dall’infezione in pieno campo. Ogni punto corrisponde ad un pixel della ROI selezionata estratto dall’ipercubo..B) Immagini di stima basati sul modello di classificazione PLS-DA costruito per le foglie raccolte in tempi diversi dall’infezione. Nella mappa a immagini a colori, le diverse classi di infezione sono stati attribuite a diversi colori: verde-24h; Orange-48h; Red-72h; Blu-168h; Ciano-240h; Giallo-360h; scuro classe pixel blu non infetto Fig. 1. Modalità di acquisizione del campione e pagina del software Spectral Scanner v 2,0 DV s.r.l. per l’acquisizione e ed elaborazioni delle immagini di riflettanza spettrale. In evidenza le region of interest (ROI) Fig. 2. Confronto Spettri medi di assorbanza apparente di mais inoculato con conidi da colture pure di specie fungine. Intervallo spettrale nm. Massimo Reverberi Professore aggregato di Patologia vegetale presso il Dipartimento di Biologia della Sapienza Università di Roma. Massimo Reverberi si è laureato con lode in Scienze Biologiche nel 1996 e ha conseguito il dottorato di ricerca in Sc. Botaniche nel 2001 presso l'Università di Roma “La Sapienza”. E’ autore di più di 40 pubblicazioni indicizzate ISI ed ha un H index=12, collocandolo nel primo decile del suo SSD. Silvia Serranti is Assistant Professor at the Department of Chemical Engineering Materials & Environment (DICMA), at La Sapienza - University of Rome. The research activity is addressed to primary and secondary raw materials characterization and valorization. She is author of more than 150 scientific papers published in International Journals and in Proceedings of International Conferences and she was involved until now in 10 EU Research Projects. Elenco dei componenti del progetto di ricerca Marzia Scarpari – Uniroma1 - DBA Valeria Scala – Uniroma 1 – DBA Anna Adele Fabbri – Uniroma1 - DBA Corrado Fanelli – Uniroma1 – DBA Giuseppe Bonifazi – Uniroma1 – DICMA Federico Marini – Uniroma1 – DC Stefano Materazzi – Uniroma1 – DC Angela Iori – CRA-QCE Foto in primo piano Tagliata in cm 10x7,5 Senza cornice foto, tabelle, grafici tagliati in modo che la larghezza sia di: - cm 16 (= larghezza di una colonna) - cm 34 (= larghezza di due colonne) - cm 52 (= larghezza di due colonne) possibilmente con una cornice da 1pt RISULTATI L’A. flavus è un patogeno del mais produttore di aflatossine, i più potenti carcinogeni di origine naturale. Infetta il mais, a livello della cariosside, sia in campo che in post-raccolta. La crescita di questo fungo determina un drammatico cambiamento del profilo spettrale ( nm) del seme di mais (Fig. 2). A tale cambiamento di spettro è significativamente associato un aumento del DNA fungino misurato in qPCR. Il F. graminearum causa una perdita di ca. 10% della produzione mondiale e produce micotossine (i tricoteceni) a cui la UE ha posto dei limiti di presenza nelle derrate alimentari. Da prelievi fatti in pieno campo su diverse varietà commerciali di grano duro è stato possibile individuare significativi cambiamenti dello spettro di riflettanza delle cariossidi in base al diverso contenuto in DNA del patogeno. La Parastagonospora nodorum è uno dei principali patogeni del grano (perdita di raccolto fino al 50%). Usando la qPCR per validare il metodo ed l’analisi statistica PLS-DA ai dati iperspettrali, è stato possibile ricostruire una “prediction map” o modello di progressione di infezione fungina in foglie di diverse varietà di grano duro (Fig. 3)