● Highlights ●
● 1. 研究背景 ●
食品的质量安全受到越来越多人的关注，对新型分析方法的需求越来越大，这些方法可用于生产和分销每个阶段的食品质量评估和监测。在大规模养殖的情况下，可以使用复杂的设备和耗时的程序来保证质量。然而，这些方法不能应用于大型加工厂之外，不能用作食品质量监测的手段。因此，应把重点放在开发未经培训的用户可以使用低成本和现成设备应用的方法上。
Fig. 1.Exploded
sketch of the 3D-printed smartphone-based setup. 10 mm cell cuvette containing
sample (A) is covered by a snap-on cap (B) placed in a cell compartment (C),
and back-illuminated with LED fitted on homemade PCB (D). The cell compartment
is connected to a smartphone mount (E) with a tubular interface (F).
● 2. 结果与讨论 ●
分光光度法和基于智能手机的方法的线性关系良好，相关系数分别在0.9932-0.9989和0.9930-0.9990之间(表2)。LODs范围为0.28-2.37mg/L，LOQs范围为0.94-7.91mg/L，分光光度法测定黄酮的值最高，抗氧化活性测定的值最低。基于智能手机的方法获得的平均回收率（96%至102%）略低于分光光度法测定的平均回收率（99%至103%），但所有方法都具有较高的准确性，葡萄酒基质中所有分析物的稳定性带来了良好的精确度。
从酚类含量测定的例子可以看出，在某些情况下，红葡萄酒的生物活性化合物含量与其他葡萄酒不同。红葡萄酒的TPC、TAC和ABTS测定结果（酚含量、花青素含量以及抗氧化能力）明显高于白葡萄酒和桃红葡萄酒，这可以通过生产过程的差异以及红葡萄酒和白葡萄酒的成分来解释。生物胺含量的差异不太明显，因为影响其含量的因素还包括原材料的质量、储存条件和可能的微生物污染，这可能导致TBAC与葡萄酒颜色之间缺乏直接的关系。还值得注意的是，在大多数情况下，桃红葡萄酒获得的结果与白葡萄酒的结果相似，这与文献中的信息一致。
计算皮尔逊相关系数是为了评估特定变量之间的相关性。色调和密度被排除在评估之外，因为它们在很大程度上取决于葡萄酒的颜色。从图2中可以看出，在ABTS和TFC变量测定的情况下获得最高值（基于智能手机和分光光度法均为0.84）。此外，还进行了单因素方差分析，以评估红葡萄酒、桃红葡萄酒和白葡萄酒之间平均结果的潜在差异。该分析显示，所有检测方法的平均值存在统计学显着差异（p ＜0.05）。
Fig. 2.Correlation matrixes of variables measured using spectroscopic and smartphone-based methods.
需要强调的是，ABTS和DPPH测定的结果之间没有相关性。尽管DPPH和ABTS测定法在葡萄酒分析中经常被用于评估其抗氧化特性，但缺乏标准化使不同研究的结果比较变得复杂。一些研究表明，DPPH对pH 等因素更敏感，然而，它被发现更适合研究非极性化合物。ABTS测定通常不受pH值等变化的影响，并为极性化合物提供了更广泛的研究可能性，但其16小时的孵育要求降低了其适用性。此外，DPPH和ABTS测定经常互换使用作为总抗氧化活性测定的手段，尽管在不同实验条件下获得的结果之间存在差异。然而，食物是一种复杂的基质，含有许多具有抗氧化特性的化合物，各种植物化学物质可以同时呈现不同的抗氧化特性，使评估食物的抗氧化能力变得复杂。鉴于影响食品抗氧化活性的众多变量以及因此影响特定测定结果的变量，同时使用多种测定可能被证明是有益的。
此外，还进行了探索性分析。MATLAB用于分析来自光谱和基于智能手机的分析的原始数据，数据的KMean聚类双图表明，数据分为三个聚类，没有提供适当的聚类形成（图3）。鉴别依赖于除DPPH以外的所有变量，较高的值导致PC（主成分）为正。在两组分类中，桃红葡萄酒和白葡萄酒仅被归入第一类，而红葡萄酒样品则被归入第二类。桃红葡萄酒的有限数据点可能阻碍了KMean聚类将桃红葡萄酒准确地归类为一个独特的聚类。
Fig. 3.The biplots depict the KMean-clustering of data acquired through smartphone-based spectrophotometric methods. The classification resulted in either three (on the left) or two groups (on the right). In the three-group classification, clusters 1, 2, and 3 represent red, ros´e, and white wines, respectively. Meanwhile, in the two-group classification, cluster 1 comprises red wines, whereas cluster 2 encompasses both ros´e and white wines. (For interpretation of the references to colour in this figure legend, the reader is referred to the web version of this article.
● 3. 总结 ●
编辑：郭梦帅
责任编辑：魏芳
文章信息：Kaja Kalinowska, Muhammad Saad Hussain, Gerjen Herman Tinnevelt, Marek Tobiszewski,Simple smartphone-based methods for the determination of bioactive compounds in wine, [J]Food Chemistry, 2024, 0308-8146,
关于我们
中国农业科学院油料作物研究所油料品质化学与营养创新团队脂质分析实验室致力于突破脂质组分析所面临的生物基质复杂、脂质及其代谢产物种类繁多且结构复杂、定性和定量分析困难等共性关键技术瓶颈，建立高效，高通量的脂质组分析平台，并将该平台广泛应用于：（1）不同生物种质资源中脂质组成；（2）应用于食品安全与质量控制；（3）脂质的生物功能与营养学评价；（4）开发新的功能脂质。
