Naso Elettronico e Lingua Elettronica Esempi di applicazione in campo alimentare

La percezione degli ODORI e dei SAPORI da parte dell’uomo è di fondamentale importanza nella valutazione della qualità dei prodotti alimentari. sono strumenti che unisce alla sensibilità discriminante del naso e della lingua umana l'oggettività della risposta strumentale e che fornisce risultati comparabili con quelli ottenuti dal sistema olfattivo e gustativo umano ed in tempi brevi. Non è quindi sorprendente che numerosi sforzi siano stati prodotti in questi ultimi anni per introdurre sul mercato strumenti che operano con principi simili a quelli olfattivi e gustativi umani: il "NASO ELETTRONICO" e la “LINGUA ELETTRONICA”.

Naso elettronico vs lingua elettronica: La lingua elettronica analizza matrici liquide ed i sensori sono direttamente immersi nel campione liquido. Il naso elettronico è specifico per i composti volatili ed i sensori analizzano lo spazio di testa del campione.

Mappa dei segnali derivanti dai sensori Naso elettronico Lingua elettronica L’insieme delle risposte dei sensori del naso e della lingua elettronica creano una “mappa” di segnali aspecifici che costituiscono il PROFILO DEL PRODOTTO detto anche FOOD FINGERPRINT

Applicazioni del naso e della lingua elettronica in campo alimentare Prodotti della pesca - Freschezza Birra e bevande alcoliche - Controllo materie prime - Caratterizzazione e determinazione dell’origine geografica - Monitoraggio (on line) delle fasi di produzione Carne e derivati - Rancidità - Studi di composizione - Odori estranei Latte e derivati - Odori estranei nel latte - Caratterizzazione e determinazione dell’origine geografica -Valutazione dell’intensità odorosa Prodotti vegetali - Freschezza grado di maturazione

Applicazioni del naso e della lingua elettronica in campo alimentare Controllo di qualità: Studi di shelf-life Valutazione della presenza di contaminati Caratterizzazione e determinazione della tipicità dei prodotti Confronti e correlazioni con i risultati dell’analisi sensoriale.

L’aroma quale attributo della shelf life Durante la conservazione di un prodotto alimentare il profilo aromatico cambia per effetto di alcune reazioni degradative (ossidazione, crescita microbica, attività lipolitiche o proteolitiche) Il tipo di composti volatili e la loro concentrazione può essere analiticamente determinata con tecniche SPME-GC-MS (very time consuming!) L’impronta aromatica può essere qualitivamente caratterizzata mediante l’impiego del naso elettronico. Quest’ultima tecnica è particolarmente semplice e rapida. In campo alimentare uno degli attributi più ricercati dal consumatore è attualmente la freschezza, termine che viene associato alla permanenza nel tempo delle caratteristiche sensoriali e qualitative specifiche dell’alimento. Per tanto tanto negli studi di shelf lif l’obiettivo è sovente la rapida discriminazione fra campioni freschi ed invecchiati attraverso l’ individuazione di markers che siano in grado di discriminare rapiudamente i prodotti sulla base del loro stato di conservazione.

Acqua, proteine, grassi, ceneri, cloruri pH, Acidità,colore (L a b) Applicazioni del naso elettronico: Case study 1: la shelf life della crescenza S. Benedetti, N. Sinelli, S. Buratti, M. Riva. Shelf life of Crescenza Cheese as Measured by Electronic Nose. J. Dairy Sci. 88 3044-3051 (2005). T°cons (°C) Tempo cons (giorni) 0 3 4 5 6 7 10 15°C 8°C 0 3 7 9 13 15 17 20 22 31 Come markers tradizionali di shelf life sono stati considerati solo parametri legati ai fenomeni proteoliticiNell’intento di oggettivare meglio la valutazione delle variazioni nel tempo delle caratteristiche sensoriali del prodotto e stata eseguita l’analisi dell’immagine per quanto attiene alla valutazione del colore e alla comparsa di occhiatura. Analisi Composizione (t=0): Acqua, proteine, grassi, ceneri, cloruri Durante CONS: pH, Acidità,colore (L a b) Naso elettronico,

Naso elettronico Mappa della risposta dei sensori MOSFET MOS In studi di shelf life, la risposta dei sensori aumenta o dimimuisce in relazione al tempo di conservazione del prodotto Alcuni sensori sono più efficaci nel classificare/discriminare i campioni

PCA Score Plot Lo score plot (per 6 sensori selezionati) evidenzia una direzione di discriminazione dei campioni (da sinistra a destra) in funzione del tempo di conservazione della crescenza alle due temperature stabilite Per una migliore interpretazione dei risultati ottenuti dall’analisi con il naso elettronica, i dati relativi ai 6 sensori selezionati sono stati sottoposti all’Analisi delle Componenti Principali e lo score plot in figura

Cluster Analysis Dendrogramma Una tecnica di raggruppamento applicato al set completo dei dati (risposta dei sensori x campioni) consente l’individuazione di possibili classi E come si evidenzia dal dendrogramma la possibilità si suddividere I campioni in freschi vecchi e molto vecchi. Dendrogramma vecchi Molto vecchi L’analisi dei cluster facilita l’identificazione di raggruppamenti dei campioni freschi

Classificazione (LDA) Dopo aver individuato le possibili classi, il data set può essere impiegato per creare un modello di classificazione da utilizzare per scopi predittivi, cioè in grado di prevedere lo stato di conservazione di campioni sconosciuti 3 freschi e 4 molto vecchi Proiezione delle tre classi nello spazio definito dalle due funzioni discriminanti della LDA

Applicazioni del naso elettronico: Case study 2: valutazione del grado di maturazione della frutta S. Benedetti, S. Buratti, A. Spinardi, S. Mannino, I. Magnani. Electronic nose as a non-destructive tool to characterise peach cultivars and to monitor their ripening stage during shelf life. Postharvest Biology and Technology 47, 181-188 (2008). Springcrest: 20°C 0 1 2 5 6 7 8 11 T°cons (°C) Tempi di cons. Earlymaycrest Maycrest Silver Rome Golden delicious T°cons (°C) Tempi di cons. 20°C Stark delicious 0 3 7 9 14 17 19 22 0 3 7 9 14 17 19 22 Dal momento che il grado di maturazione può influire sulle proprietà sensoriali e sul tempo di conservazione della frutta, il monitoraggio dello stato di maturazione e l’ottimizzazione del momento di raccolta sono obiettivi primari in campo ortofrutticolo. I metodi tradizionalmente utilizzati sono per la maggior parte distruttivi e quindi non possono essere diffusamente applicati. Al contrario il naso elettronico è una tecnica non distruttiva che può essere utilizzata direttamente in campo (esistono nasi elettronici portatili) o in fase di stoccaggio della frutta. The present research was conducted on peaches of four different cultivars and on apples of three different cultivars. 8 fruit from each cultivars were selected according to the size weight and background colour. All sample were kept to a constant temperature of twenty centigrade and their head-space was monitored with the electronic nose from the day after harvest until the fruits were senescents. Fuji Analisi Alla raccolta (t=0): Colore, peso Durante CONS: Naso elettronico, dosaggio dell’etilene

PCA Score Plot “Stark” “Springcrest” Risultati analoghi per le altre cultivar di mele!!! Risultati analoghi per le altre cultivar di pesche!!! Score plot dei dati del naso elettronico raccolti nel periodo di post raccolta quindi durante la shelf life delle mele e delle pesche.Dal giorno della raccolta finoa che i frutti sono risultati senescentiThe electronic nose responses collected during ripening were elaborated by PCA and in this slide are shown the score plots of stark apples and springcrest peaches. As it can be seen apples are distributed along PC1 from left to right according to the day of postharvest life. The first two principal component explain together 100% of total variability, but almost all the variance is on PC1. The same results were obtained for the other apple cultivars. Furthermore also springcrest peaches samples are distributed along PC1 from right to left and also in this case almost all the variance is on PC1.

PCA Loading Plot dei campioni di mele durante la maturazione PCA Loading Plot dei campioni di pesche durante la maturazione Sensore con capacità discriminate Pca loading plot nel piano definito dalle prime due componenti principali relativo ai campioni mele e pesche durante il loro proceso di maturazione. Also in case of apple three sensors…. had the highest influence in the pattern file and also in this case the W5S is the only one relevant in the discrimination of apples on the basis of their postharvest life.

Parametrizzazione e definizione delle classi di maturazione UNRIPE RIPE OVERRIPE Unripeness limit Ripeness limit For each cultivar the W5 S Sensor responses was plotted against time (days of postharvest life) and the evolution was described by a sigmoidal transition fuction.(justified by the nature of the transformation in progress) The first and second derivative of the transition function were calculated to measure the time related to maximum acceleration of sensor response, considered the unripeness limit, and to measure and maximum rate of the sensor response considered ripeness limit. An analogous elabouration was carried out on the other cultivars and three classes unripe, ripe, overripe were identified. Unripeness limit Ripeness limit

Naso e lingua elettronica nella caratterizzazione e determinazione della tipicità dei prodotti La necessità di salvaguardare e valorizzare alimenti a denominazione d’origine, alimenti tipici della produzione nazionale, ha portato negli ultimi anni ad una più puntuale caratterizzazione e ricerca di elementi tipici nelle diverse matrici alimentari. Al fine di caratterizzare i prodottiè possibile pensare di affiancare alle tecniche analitiche tradizionali il il naso e la lingua elettronica quali strumenti che permettano l’individuazione di elementi tipicizzanti consentendo una rapida classificazione dei pèrodotti. .

Applicazioni del naso e della lingua elettronica: Case study 3: caratterizzazione di vini barbera a denominazione d’origine. S. Buratti, S. Benedetti, M. Scampicchio, E.C. Pangerod. Characterization and classification of Italian Barbera wines by using an electronic nose and an amperometric electronic tongue. Analytica Chimica Acta, 525 133-139 (2004). Cinquantatre campioni di vini barbera DOC lombardi e piemontesi: 23 barbera Oltrepò Pavese (Pavia) 12 barbera Piemonte (Asti, Alessandria,Cuneo) 11 barbera Asti (Asti, Alessandria) 5 barbera Alba (Cuneo) In base ad una legge del 1992 per denominazione d’origine dei vini si intende:Per legge un vino DOC dovrebbe essere perfettamente identificabile e non riprodicibile fuori dalla zona di produzione. Ma è veramente così? O meglio è possibile caratterizzare e classificare vini barbere prodoti in aree ristrette con metodologie analitiche classiche ed innovative Analisi Composizione fenolica: Polifenoli totali; assorbanza alle lunghezze d’onda di 280, 320, 370, 520 nm. Analisi Chimiche tradizionali: Acidità totale volatile,pH, conducibilità, alcool, estratto totale, rH Analisi sensoriale strumentale: Naso elettronico, lingua elettronica, colore

I migliori risultati sono stati ottenuti considerando solo i dati del naso e della lingua elettronica Barbera Piemonte Lombardia Piemonte Nell’area definita dalle prime due componenti principali vi è una chiara separazione dei campioni in base alla loro regione d’origine. Barbera Asti e Alba La migliore disriminazione dei campioni di diversa origine geografica è stata ottenuta considerando solo i dati relativi al naso e lingua elettronica. Lo score plot in figura evidenzia una netta separazione lungo la prima componente principale dei vini lombardi da quelli piemontesi. =Barbera Oltrepò Pavese; =Barbera Piemonte;  =Barbera Asti;  = Barbera Alba

Classificazione (LDA) Oltrepò Pavese Piemonte Asti Alba Proiezione delle quattro classi di vini barbera nello spazio definito dalle due funzioni discriminanti della LDA Cross validation error rate: 1.89% La funzione 1 discrinima i vini dell’oltrepò pavese da quelli piemontesi, la funzione 2 discrimina i vini barbera piemonte dai barbera asti ed alba solo parzialmente separati

Studio delle relazioni tra le risposte del naso e della lingua e le proprietà sensoriali degli alimenti Quando la sicurezza e l’apporto di nutrienti sono garantiti, i parametri sensoriali diventano il fattore discriminante nella definizione della qualità di un prodotto alimentare. I parametri sensoriali possono essere valutati con metodologie complesse e “time-consuming”, quali l’impiego di panel test, praticamente inapplicabili in molti settori del controllo di qualità. Il naso elettronico e la lingua elettronica sono metodologie analitiche obiettive che permettono di valutare le caratteristiche olfattive e gustative di un alimento in modo rapido. Le caratteristiche sensoriali sono senza dubbio le più forti determinanti dell’accettabilità di un alimento e rivestono un ruolo di fondamentale importanza in quanto danno origine al primo giudizio del consumatore per questo motivo negli ultimi anni in campo alimentare sono stati fatti numerosi sforzi per stabilite una relazione tra gli attributi sensoriali e la composizione chimica degli alimenti, al fine di individuare indici di qualità misurabili oggettivamente e correlabili alle caratteristiche sensoriali del prodotto considerato. In tal contesto Il naso elettronico e la lingua elettronica sono metodologie analitiche obiettive e rapide che ben si correlano con l’analisi sensoriale.

Applicazioni della lingua elettronica: Case study 4: caratterizzazione di Tè e determinazione dell’astringenza Campioni sottoposti all’analisi: 1 tè verde in foglie 2 tè verde in bustina 2 tè oolong in foglie 1 tè nero in foglie 1 tè nero in bustina 1 tè nero deteinato in bustina

Parametri di conversione (Weber-Fechner’s Law) Taste sensor output Parametri di conversione (Weber-Fechner’s Law) Taste information

valutazione sensoriale PCA BiPlot Sovrapposizione dello Score plot relativo agli 8 campioni di tè del Loading plot dei descrittori del gusto maggiormente significativi fermentato non fermentato Astringenza valutazione sensoriale parzialmente fermentato

Correlazione risultante tra l’analisi sensoriale e la lingua elettronica

Applicazioni del naso e della lingua elettronica: Case study 5: predizione di descrittori sensoriali e della qualità globale di vini rossi secchi S. Buratti, D. Ballabio, S. Benedetti, M.S. Cosio. Prediction of Italian red wine sensorial descriptors from electronic nose, electronic tongue and spectophotometric measurements by means of Genetic Algorithms regression models. Food Chemistry 100 211-218 (2007) Alto Adige Pinot Nero Brusco dei Barbi Morellino di Scansano Primitivo del Salento Valcalepio Rosso Irpinia Aglianico Valtellina Superiore Inferno Vallagarina Negrara Sangiovese Novello Lacrima di Morro d’Alba Dolcetto di Dogliani Oltrepò Pavese Bonarda La Segreta Rosso Colline Novaresi Suvereto Rosso Val di Cornia Analisi Composizione fenolica: Polifenoli totali; Antocianine totali; Flavonoidi totali; Flavonoidi non antocianici; Analisi sensoriale: panel di 8 giudici esperti ONAV Analisi sensoriale strumentale: Naso elettronico, lingua elettronica, colore

Risultati analisi sensoriale Boxplot dei punteggi assegnati dagli assaggiatori come media, deviazione std. valore max e min dei descrittori sensoriali 1 2 3 4 5 6 7 8 9 Aroma fruttato Aroma speziato Aroma legno Acido Amaro Flavour fruttato Flavour speziato Flavour legno Alcohol Astringenza Corpo Qualità totale Punteggi ben distribuiti sulla scala di giudizio

Analisi multivariata dei dati Costruzione dei modelli predittivi dei descrittori sensoriali DATASET Tutte le variabili Modelli matematici predittivi e informativi Variabili selezionate Algoritmi Genetici Una popolazione di modelli di regressione viene generata e modificata mediante un processo evolutivo Gli algoritmi genetici funzionano come un filtro per l’individuazione di informazione utile Una popolazione di modelli di regressione viene generata e modificata mediante un processo evolutivo che simula i processi evolutivi di tipo biologico. I modelli di regressione ottenuti con le variabili selezionate dagli AG saranno contraddistinti dai coefficiente di regressione in predizione più alti ovvero saranno i modelli migliori. La capacità predittive dei modelli sono state ulteriormente testate mediante il metodo di validazione Bootstrap che rappresenta uno strumento più severo ed attendibile rispetto al metodo leave one out. La procedura di validazione (Metodo Bootstrap)

Modelli di regressione dei descrittori sensoriali variabili coinvolte nei modelli risultati migliori in predizione Buona performance in fitting Buona accuratezza in predizione Coefficienti di regressione in fitting (R2) e predizione (Q2bootstrap e Q2leave-one-out) dei modelli di regressione dei descrittori sensoriali

Conclusioni Il Naso Elettronico e la Lingua Elettronica sono tecniche promettenti per il controllo di qualità, per la valutazione dell’autenticità dei prodotti di qualità e per predire le caratteristiche sensoriali dei prodotti alimentari. Lingua e naso artificiali presentano indubbi vantaggi, quali: Facilità di utilizzo; Velocità di risposta; Versatilità di impiego; Assenza di pretrattamenti del campione; Oggettività delle analisi. Possono essere di utile supporto alle analisi chimico-fisiche ed all’analisi sensoriale. Il costo di tali strumenti può essere ammortizzato quando sono necessari controlli ripetuti e continui

Grazie per l’attenzione!