Jornada d'Aplicacions Cromatogràfiques en · alimentsmitjançantla tècnicaSPME/GC/MS. José A. Garcia-Regueiro Assessor laboratoris d’anàlisi de l’IRTA. SPME Supelcova desenvolupar

1 24/11/2015Jornada d'Aplicacions Cromatogràfiques en

el Sector Agroalimentari

“JORNADA D’APLICACIONS CROMATOGRÀFIQUES EN EL SECTOR

AGROALIMENTARI”

Disseny experimental en l’anàlisi de volàtils en aliments mitjançant la tècnica SPME/GC/MS.

José A. Garcia-Regueiro

Assessor laboratoris d’anàlisi de l’IRTA

SPME

Supelco va desenvolupar la micro-extracció en fase sòlida amb fibres de diferents polímers que permeten l’adsorció de compostos en fase gas i en fase líquida

24/11/2015Jornada d'Aplicacions Cromatogràfiques en

el Sector Agroalimentari3

TÈCNIQUES PER A DETERMINAR COMPOSTOS VOÀTILS EN ALIMENTS

Head space:

Estàtic

Dinàmic



SPME

Steam distillation

Destil·lació amb captació a temperatures decreixents

Concepte SPME

El polímer de la fibra (adsorció o absorció) compostos d’un mode similar al que es pot produir en una fase estacionària en les separacions per cromatografia de gasos.

Per tant de manera similar les interaccions es poden plantejar en



Per tant de manera similar les interaccions es poden plantejar en funció de la polaritat del solut i del polímer. La quantitat d’adsorció dependre de la quantitat de polímer dipositada a la fibra (7 -100 µm)

Quantificació

m = (Kfs Vf C0 VS / (Kfs Vf + VS)

m = quantitat de solut extretKfs = coeficient de partició entre la fibra i la mostra per a un compostC0 = concentració inicial a la mostraV = volum de la fibra



0

Vf = volum de la fibraVS = volum de la mostra

Si VS >> Kfs Vf ⇒ m = Kfs Vf C0

És una relació lineal, que hem de mantenir en el procés operatiu; tanmateix quan tenim 100 compostos diferents aquesta aproximació potser no aplicable a tots.

Fibra Mecanisme Polaritat

PDMS Absorbent Apolar

Polyacrilate (PA) Absorbent Apolar

PDMS-DVB Adsorció Bipolar



CW-DVB Adsorció Polar

Carboxen-PDMS Adsorció Bipolar

DVB-Carboxen-PDMS Adsorció Bipolar

COMPOSTOS VOLÀTILS I SEMIVOLÀTILS EN ALIMENTS

Podem considerar dos situacions:

Líquids (Begudes, llet, sucs)

Sòlids (fruita, carn, peix, fruits secs, verdures, cereals...)



Sòlids (fruita, carn, peix, fruits secs, verdures, cereals...)

Contingut d’aigua

Proteïnes

Lípids

Processament

Origen dels compostos volàtils

Propis de l’aliment

Genètica

Sistema de producció

Condicions de collita/sacrific



Generats en el procés tecnològic

Temperatura

Enzims

Oxidació

Reaccions químiques entre components i additius

Microorganismes

Contaminants

Aproximació 1

Cada perfil de volàtils es depenent de:

Tipus de fibraCondicions operativesPes de la mostra



Pes de la mostraVolum de la fase gas (vapor)Fibra (absorció o adsorció)Temps i temperatura de captació dels volàtilsTemperatura de desorcióFase estacionària columna cromatogràficaSensibilitat i altres paràmetres del sistema GC/MS

Conseqüències

No es pot obtenir un anomenat perfil de volàtils “únic”

Es pot obtenir un perfil de volàtils en les condicions x,y...

Aquest perfil es pot comparar en aliments obtinguts de



Aquest perfil es pot comparar en aliments obtinguts de mode similar i en procediments tecnològics reproducibles

La robustesa es pot determinar amb dades de diferents laboratoris i en funció de compostos escollits per la seva rellevància

Procediment quantitatiu

Un cop obtingut un perfil és necessari quantificar per tal de poder efectuar comparacions estadístiques

Dos situacions:

Determinació de compostos coneguts (target)



Determinació de compostos coneguts (target)Determinació del perfil complert

Estratègies:Si el compost és conegut podem fer servir patrons interns (deuterats,...) En el cas de varis compostos del perfil no es viable fer servir un patró per a cadascú.

Mètode de obtenir dades quantitatives en perfils

a) Àrees absolutes (dada directa de l’àrea obtinguda del pic)

b) Patró intern (2 o 3 amb tR en zones de diferents P. eb. Estimats)

Dificultats:

En a) la variabilitat entre mostres pot no ser detectada per errors



En a) la variabilitat entre mostres pot no ser detectada per errors aleatoris no detectats.

En b) els errors aleatoris poden ser detectats, però com en a) la concentració és una valor estimat sense un coneixment del factor de resposta individual.

La fibra i la fase estacionària (GC) donen perfils diferents i per tant quantificacions no equivalents

TIC o SIM (m/z específics)

TIC permet una resposta que és por aproximar a la d’un detector FID, però en la que compostos amb àrees petites i propers al “soroll” del sistema (background spectra) pot induir molts errors

En aquest casos la selecció d’ions representatius pot ajudar a la



En aquest casos la selecció d’ions representatius pot ajudar a la identificació i quantificació (més crítica)

Sempre en les dades quantitatives s’ha d’indicar el procediment i la seva validesa per tal de que en altres estudis es pugui comparar

Análisis de conglomerados (método Ward y distancia euclídea) sobre todaslas variables disponibles. Posteriormente análisis de la varianza de un factorcon el fin de comprobar la existencia de diferencias estadísticas entre losdistintos grupos homogéneos obtenidos (conglomerados). En este caso para

Aproximació estadística per a classificar mostres en grups mitjançant compostos



distintos grupos homogéneos obtenidos (conglomerados). En este caso parala comparación de medias se aplica mediante el test de Tukey. Finalmenteanálisis discriminante para valorar la capacidad de las variables medidas dediscriminar y clasificar correctamente las distintas muestras en cada uno delos grupos obtenidos previamente (conglomerados). Todos los análisis serealizaron mediante el programa estadístico XLSTAT (Addinsoft, Paris).

Automatització = Repetibilitat



Automatització = Repetibilitat



450000

500000

550000

600000

650000

700000

750000

800000

850000

Abundance

Ion 57.00 (56.70 to 57.70): L_392.D\data.ms



5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.000

50000

100000

150000

200000

250000

300000

350000

400000

Time-->

26000

28000

30000

32000

34000

36000

38000

40000

42000

44000

46000

48000

Abundance

Ion 56.00 (55.70 to 56.70): 34097AVECO10.D\data.ms



5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.000

2000

4000

6000

8000

10000

12000

14000

16000

18000

20000

22000

24000

26000

Time-->

10.00 15.00 20.00 25.00 30.00 35.000

10000

20000

30000

40000

50000

60000

70000

80000

Time-->

Abundance


Abundance



10.00 15.00 20.00 25.00 30.00 35.000

10000

20000

30000

40000

50000

60000

70000

80000

Time-->


26000

28000

30000

32000

34000

36000

38000

40000

42000

44000

46000

48000

50000

52000

Abundance

Scan 1946 (10.240 min): 34097AVECO10.D\data.ms44.1

57.1



40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 2100

2000

4000

6000

8000

10000

12000

14000

16000

18000

20000

22000

24000

26000

m/z-->

72.0

85.1

98.1114.0 207.0

180000

200000

220000

240000

260000

280000

300000

320000

340000

360000

Abundance

TIC: 34097AVECO10.D\data.ms



10.05 10.10 10.15 10.20 10.25 10.30 10.35 10.40

20000

40000

60000

80000

100000

120000

140000

160000

180000

Time-->



6000000

6500000

7000000

7500000

8000000

8500000

9000000

9500000

1e+07

1.05e+07

1.1e+07

1.15e+07

Abundance

TIC: L_392.D\data.ms



17.00 17.20 17.40 17.60 17.80 18.00 18.20 18.40 18.60 18.80

500000

1000000

1500000

2000000

2500000

3000000

3500000

4000000

4500000

5000000

5500000

Time-->

Pentilfurà

300000

350000

400000

450000

500000

550000

600000

Abundance

Scan 4167 (17.263 min): L_392.D\data.ms81.0



40 60 80 100 120 140 160 180 200 220 240 260 2800

50000

100000

150000

200000

250000

300000

m/z-->

138.053.1

109.1207.1 281.0

1000000

1200000

1400000

1600000

1800000

2000000

2200000

2400000

2600000

2800000

3000000

Abundance

TIC: HAM1162.D\data.ms

5.675

6.665

6.968

8.104

11.910

1000000

1200000

1400000

1600000

1800000

2000000

2200000

2400000

2600000

2800000

3000000

Abundance

TIC: HAM1247.D\data.ms

5.674

6.664

6.968

11.916



6.00 8.00 10.00 12.00 14.00 16.00 18.00 20.00 22.00 24.00

200000

400000

600000

800000

Time-->

4.828

4.9275.675

7.4987.608

9.373

9.5289.899

10.767

14.44815.302

6.00 8.00 10.00 12.00 14.00 16.00 18.00 20.00 22.00 24.00

200000

400000

600000

800000

Time-->

4.829

4.927

7.4987.606

8.046

10.765 15.815

TIC volatile profiles obtained by SPME-GC/MS. Profile from 1g of semimebranosus

and a biceps femoris.

-0,5

0,0

0,5

1,0C

ompo

nent

2

heptanal

2-Heptanone

Hexanal

2-hexanone

pentanal

2 octanone

octanal1-pentanol

2-pentanone

2-methylbutanalnonanal

2-butanone

3-methylbutanal

3-methyl-1-butanol

Ethylacetate

-5

0

5

10

Com

pone

nt 2

BFSM

Muscle



-1,0

pentanal

-1,0 -0,5 0,0 0,5 1,0

Component 1

-10-10 -5 0 5 10

Component 1

Loading plot and Score Plot obtained from volatile components in drycured ham. Component 1 and Component 2 explaining a 33 % and 17 %of total variability.

5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.00

200000

400000

600000

800000

1000000

1200000

1400000

1600000

1800000

2000000

2200000

2400000

2600000

Time-->

AbundanceTIC: HAM1001.D\data.ms

1 g mostra



5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.00

200000

400000

600000

800000

1000000

1200000

1400000

1600000

1800000

2000000

2200000

2400000

2600000

Time-->

AbundanceTIC: HAM1003.D\data.ms

2

3

4

51 6

1 g mostra + metanol

Gràcies per la seva atenció





Documents

Jornada d'Aplicacions Cromatogràfiques en · alimentsmitjançantla tècnicaSPME/GC/MS. José A. Garcia-Regueiro Assessor laboratoris d’anàlisi de l’IRTA. SPME Supelcova desenvolupar