بخشی از مقاله
چکیده هدف : شیمی سنجی شاخهاي از علم شیمی میباشد که از علومی مانند آمار چند متغیره، مدل سازي ریاضی، علوم رایانه و شیمی تجزیه براي استخراج
حداکثر اطلاعات شیمیائی از دادههاي تجزیهاي استفاده میکند.
مواد و روشها : روش هاي آماري چند متغیره یکی از پایههاي اصلی شیمیسنجی را تشکیل میدهند. روشهاي آماري چند متغیره خود به دو گروه نظارت نشده و نظارت شده طبقه بندي میشوند.
نتایج و بحث : در صنایع غذائی بسیاري از روشهاي تجزیهاي با شیمی سنجی قابل تلفیق بوده و در برخی موارد بدون اعمال روشهاي شیمی سنجی مناسب نمیتوان اطلاعات شیمیائی مفیدي از دادههاي حاصله بدست آورد. برخی از این روشها عبارتند از روشهاي طیف بینی NIR - و فلورسانس - ، کروماتوگرافی، بینی و زبان الکترونیکی.
نتیجهگیري کلی : اعمال روشهاي آماري چند متغیره روي دادههاي حاصل از کروماتوگرافی، طیفبینی یا سامانههاي حسگر مصنوعی، میتواند اطلاعات مفیدي در زمینهي اعتبارسنجی مواد غذائی و تائید برچسبهاي خاص روي بستهبندي فرآوردهها فراهم آورد.
مقدمه
شیمی سنجی براي اولین بار در سال 1971 توسط سوانت ولد1، شیمیدان سوئدي معرفی گردید تا روند رو به رشد استفاده از مدلهاي ریاضی، اصول آماري و دیگر روشهاي مبتنی بر منطق را در زمینهي شیمی و به ویژه شیمی تجزیه، توصیف نماید. وي در سال 1974 به اتفاق بروس کوالسکی2 شیمی تجزیه دان آمریکائی جامعهي بین المللی شیمی سنجی را بنا نهاد. شیمی سنجی شاخهاي از علم شیمی میباشد که از علومی مانند آمار چند متغیره، مدل سازي ریاضی، علوم رایانه و شیمی تجزیه براي رسیدن به هدفهاي زیر استفاده میکند:
الف - آزمونهاي درجه بندي3، معنا داري4 و اعتبار سنجی5
ب - بهینه سازي6 اندازهگیريهاي شیمیائی و آزمونهاي تجربی
ج - استخراج حداکثر اطلاعات شیمیائی از دادههاي تجزیهاي - - Gemperline, 2006 کلیات روشهاي شیمی سنجی شامل جمعآوري دادهها، نمایش دادهها، پایش و کنترل فرآیند، طبقهبندي، مدلسازي، درجهبندي، انتخاب متغیرها و طراحی آزمایش ها میباشند. روشهاي شیمی سنجی اصولاً با ماتریسی از دادهها سر و کار دارند. این بدان معناست که براي هر نمونه تعداد مشخصی از متغیرها اندازه گیري شده است - در علم شیمی سنجی اصطلاحاً گفته میشود هر نمونه به وسیلهي v متغیر توصیف میشود - .
بنابراین پیشنهاد میشود که دادهها از ابتدا به شکل ماتریسی سازمان دهی شوند. از آنجائی که در شیمیسنجی از ماتریس داده ها استفاده میشود، لذا امکان نمایش دادهها در غالب نمودارهاي دو یا سه بعدي وجود ندارد، به همین دلیل باید از روشهاي تجزیه و تحلیل چند متغیره نظیر تجزیه و تحلیل مولفههاي اصلی - PCA - 7 براي کاهش ابعاد داده- ها و استخراج اطلاعات مفید و کلیدي استفاده کرد که در بخشهاي بعدي به آنها پرداخته میشود. بنابراین در نمایش دادهها، مجموعهاي از دادهها در یک فضاي چند بعدي از متغیرهاي مختلف به گروههاي مجزا تفکیک میشود.
در بخشی دیگر از تجزیه چند متغیره یعنی طبقهبندي، هدف جاي دادن نمونههاي مجهول و ناشناخته در یکی از گروههاي معلوم است. براي این منظور میتوان از روشهائی نظیر تجزیه و تحلیل تشخیصی خطی - LDA - 1 یا درجه دو - QDA - 2 استفاده نمود. در روشهاي طبقه بندي، فضا به چندین فضاي فرعی تحت عنوان طبقات تقسیم میشود و هر نقطه فقط و فقط به یک طبقه تعلق خواهد داشت.
این بدین معنی است که نمونههائی که قرار است عضویت آنها در یکی از این طبقات با چنین روشهائی پیش بینی شود، باید تنها به یکی از طبقات سازندهي مدل تعلق گیرند. بنابراین روشهاي طبقه بندي قادر به تعریف یک نمونهي جدید و تا حدي متفاوت با تمامی گروههاي موجود در مجموعهي دادههاي آموزشی نمیباشند و این موضوع یکی از مهم ترین اهداف روشهاي مدل سازي به شمار میآید. با وجود اینکه روشهاي مختلفی براي مدل سازي مورد استفاده قرار میگیرند، اما در این بین روشهاي UNEQ - یکی از نسخههاي مدل سازي - QDA و SIMCA3 بیشتر براي این منظور مورد استفاده قرار میگیرند.
در درجه بندي هدف این است که یک یا چند مجموعه از متغیرها را به یکدیگر ارتباط دهیم. معمولاً یکی از مجموعهها - که اغلب بلوك خوانده میشود - مجموعهاي از پارامترهاي فیزیکی را تشکیل میدهد مانند یک طیف یا توصیفگرهاي مولکولی. مجموعهي دیگر حاوي یک یا چند پارامتر از قبیل غلظت تعدادي از ترکیبات یا فعالیتهاي بیولوژیکی است. در درجه بندي هدف بررسی این است که آیا میتوان غلظت ترکیبات موجود در یک مخلوط یا ویژگی مواد موجود را از پارامترهاي ساختاري شناخته شده پیش بینی نمود یا خیر؟. با درجه بندي میتوان سوال فوق را پاسخ داد.
حالت فوق سادهترین حالت مورد بررسی در درجه بندي است و در حقیقت درجه بندي حالت سادهاي از رگرسیون میباشد. معمولاً تمامی متغیرهاي موجود در یک مجموعهي داده اطلاعات مناسب و مفیدي را در بر ندارند. بنابراین انتخاب متغیرها میتواند بسیار مفید باشد چرا که سبب حذف نوفهها و بهبود عملکرد، کاهش تعداد متغیرهائی که باید اندازه گیري شوند و ساده سازي مدل هاي حاصله میگردد. اما باید همیشه حذف متغیرهاي ایجاد کنندهي نوفه مد نظر باشد. اگرچه بسیاري از شیمی دانان به نحوي از اهمیت طراحی آزمایشها مطلع هستند، اما مهمترین مزایاي این روش عبارتند از غربالگري، بهینهسازي، کاهش زمان آزمایش و مدل سازي کمی - Leardi, 2008 -
روشها آماري چند متغیره
بسیاري از روشهاي آماري از نوع یک متغیره میباشند زیرا فقط با تجزیهي تغییرات یک متغیر تصادفی سر و کار دارند. هدف کلی از تجزیهي چند متغیره در نظر گرفتن چندین متغیر به صورت همزمان میباشد که با همدیگر مرتبط بوده و هر یک از آنها در ابتداي تجزیهي دادها از اهمیت زیادي برخوردارند. در کل روشهاي آماري چند متغیره به دو گروه نظارت شده 4 و نظارت نشده5 طبقه بندي میشوند. در روشهاي نظارت نشده هیچ اطلاعی از وجود طبقهها یا یا گروهاي احتمالی در مجموعه دادههاي اولیه وجود ندارد اما در روشهاي نظارت شده هدف اختصاص دادن نمونههاي مجهول به گروهها یا طبقات معلوم اولیه است.
مهم ترین روشهاي نظارت نشده شامل تحلیل مولفههاي اصلی و تجزیهي خوشهاي6 میباشند. روش PCA به منظور کاهش تعداد متغیرهاي مورد نیاز، به تعداد کمی از شاخصها مورد استفاده قرار میگیرد. این شاخصها مولفههاي اصلی7 نامیده شده که ترکیب خطی متغیرهاي اولیه به شمار می-آیند. ممکن است دو یا 3 مولفهي اصلی تلخیص مناسبی از کلیه متغیرهاي اولیه را فراهم نمایند.
تقسیم خوشهاي روشی براي تقسیم یک گروه از نمونه ها به ردهها بر اساس تفاوتها و شباهتهاي آنهاست به طوري که گروههاي مشابه در ردههاي واحدي قرار میگیرند. تجزیهي خوشهاي به توصیف تعدادي از روشهاي مورد استفاده براي تشخیص گروهها یا خوشهها در نمونههاي مشابه میپردازد و ارتباط بین این خوشهها و نمونههاي موجود در آنها را مشخص مینماید.
در روشهاي الگو شناسی نظارت شده نمونههائی که به گروهها یا ردههاي خاصی تعلق دارند، شناخته شدهاند و هدف در این روشها ارائهي مدلهاي طبقه بندي ضمنی یا صریح میباشد. بنابراین با داشتن مجموعهاي از دادهها، که به آنها نمونه هاي یادگیري یا نمونه هاي آموزشی گفته میشود، مدلهاي طبقه بندي ارائه میشوند. این مدلهاي طبقه بندي سپس براي پیش بینی عضویت یک نمونه که در مجموعهي دادههاي اولیه قرار نداشته است، مورد استفاده قرار میگیرد.
روش LDA نیز به عنوان متداولترین روش آماري چند متغیره نظارت شده در شیمی سنجی مورد استفاده قرار میگیرد. تحلیل ممیزي و رده بندي تکنیکهاي چند متغیرهاي هستند که با جدا کردن مجموعههاي متمایز از نمونهها - یا مشاهده ها - و با تخصیص دادن نمونههاي - یا مشاهده ها - جدید به دستههاي تعریف شدهي قبلی سر و کار دارند - . - Gemperline, 2006 کاربرد شیمیسنجی در طیف بینی روشهاي طیف بینی هم از نظر تجزیهي کیفی و هم از نظر تجزیهي کمی یکی از گسترده ترین و قدرتمندترین ابزارهاي تجزیهاي به شمار میآیند.
واژهي طیف بینی کاربرد گستردهاي در شناسائی و اندازهگیري کمی و ثبت تغییرات انرژي هستهها، اتمها، یونها یا مولکولها دارد. پدیدههائی مانند جذب، نشر و یا پخش تابشهاي الکترومغناطیس توسط ترازهاي مختلف انرژي اتمها یا مولکولها نمونههائی از کاربردهاي طیف بینی میباشد اما وجه مشترك تمامی این کاربردها بر هم کنش تابشهاي الکترومغناطیس با ترازهاي کوانتومی مواد است.
طیف بینی مادون قرمز در مورد بر هم کنش تابشهاي مادون قرمز با ماده بحث مینماید. طیف IR یک ترکیب میتواند اطلاعات مهمی دربارهي ساختار مولکولی و طبیعت شیمیائی ماده ارائه نماید. ناحیهي مادون قرمز طیف الکترومغناطیس به سه زیر بخش مادون قرمز نزدیک - Near-IR - ، مادون قرمز میانه - Mid-IR - و مادون قرمز دور - Far-IR - طبقه بندي میشود و ناحیه NIR طول موجهاي 780 تا 2500 نانومتر را پوشش میدهد.
طیف مادون قرمز نزدیک مجموعهي بزرگی از نوارهاي ترکیبی و اورتونها را شامل میگردد. این پدیده همراه با ترکیب شیمیائی پیچیدهي مواد غذائی سبب شده است که طیف NIR آنها بسیار پیچیده باشد. در نهایت اینکه، ناهمگن بودن بافت، نوفههاي ابزاري، اثرات مربوط به پراکنش نور و سایر منابع تغییر پذیري نیز بر پیچیدگی هر چه بیشتر طیف میافزاید. بنابراین، اختصاص دادن نوارهاي جذبی به گروههاي عاملی خاص ترکیبات شیمیائی بسیار دشوار است.
معمولاً حجم دادههاي حاصل از تجهیزات NIR بسیار بالاست. این دادهها حاوي مقادیر قابل توجهی اطلاعات در بارهي ویژگیهاي شیمیائی و فیزیکی مولکولها میباشند اما از طرفی این طیف حاوي نویز، تداخلها و اطلاعات نامعلوم و مبهم نیز میباشند. یکی از بزرگترین مشکلاتی که در تجزیه دادههاي طیفی NIR با آن رو به رو هستیم، حذف یا کاهش نویزهاي موجود در طیف میباشد.
حذف نویزها نه تنها اطلاعات موجود در طیف را بهتر به تصویر میکشد، بلکه استخراج داده-هاي مفید را نیز به حداکثر میرساند. شیمی سنجی نقش اساسی در درجه بندي NIR دارد و عملکرد روش در مدلهاي درجه بندي یکی از جنبههاي مهمی است که بایستی در نظر گرفته شود. قبل از ساختن یک مدل درجه بندي مناسب براي یک آنالیت مشخص با استفاده از طیف بینی NIR، طی کردن یک سري از مراحل لازم و ضروري به نظر میرسد. این مراحل عبارتند از انتخاب نمونهها، پیش پردازش طیف - هموارسازي، نرمالسازي، استانداردسازي، تصحیح پراکنش افزاینده - ، انتخاب الگوریتم مناسب، درجه بندي و اعتبار سنجی و تفسیر نتایج حاصله که در تمامی این مراحل کاربرد روشهاي شیمی-سنجی اجتنابناپذیر به نظر میرسد.
مهمترین کاربرد روشهاي NIR در صنایع غذائی شامل کاربرد آن در حوزهي کنترل کیفیت گوشت و محصولات باغی-زراعی میباشد. در مورد گوشت پیشبینی مقدار ترکیبات شیمیائی pH - ، رطوبت، پروتئین خام و مادهي خشک - ، تعیین پارامترهاي تکنولوژیکی - فاکتورهاي رنگ، ظرفیت نگهداري آب و ... - ، پیشبینی ویژگیهاي حسی و رده بندي کیفی با تکنیک NIR صورت میگیرد. در مورد میوه و سبزیجات نیز تعیین فاکتورهائی از قبیل اسیدیته، مواد جامد محلول، رطوبت، سفتی و میزان قهوهاي شدن داخلی با این تکنیک امکان پذیر است . - Schieber, 2008; -
طیف بینی فلورسانس نیز به عنوان یکی از تکنیکهاي تجزیهاي غیر مخرب، حساس و سریع، در طی چند ثانیه یک اثر طیفی از محصول به جا میگذارد که میتواند به عنوان اثر انگشت محصولات غذائی مورد استفاده قرار بگیرد. کاربرد این روش در تجزیه مواد غذائی در طی دو دههي اخیر به سرعت در حال افزایش است و دلیل آن استفاده از روشهاي شیمی سنجی براي استخراج حداکثر اطلاعات از طیفهاي حاصله است. اطلاعات تجزیهاي موجود در طیف ماهیتاً چند متغیره و غیر انتخابی میباشند. علاوه بر این تفاوت بین نمونهها ممکن است به تفاوتهاي بسیار جزئی در طیف نمونهها منجر شود که تشخیص آنها بسیار دشوار است.
اطلاعات موجود در طیفهاي فلورسانس ممکن است با استفاده از تکنیکهاي تجزیه ي چند متغیرهي مختلف استخراج گردند که متغیرهاي تجزیهاي اندازهگیري شده را با ویژگیهاي آنالیت مرتبط میسازد. تکنیکهاي چند متغیره به وفور جهت رده بندي نمونهها مورد استفاده قرار می-گیرند تا نمونههائی با ویژگیهاي مشابه در یک رده قرار بگیرند و سپس از مدلهاي حاصله براي رده بندي نمونههاي مجهول استفاده گردد - تجزیه کیفی - .
هم چنین با استفاده از برخی روشها میتوان ویژگیهاي نمونههاي مجهول را از نظر کمی تعیین نمود - تجزیه کمی - . کاربرد شیمیسنجی در این تکنیک شامل پیشپردازش طیف - نرمال سازي یا هموار سازي - ، کاهش تعداد متغیرها با روش PCA، ردهبندي چند متغیره براي تجزیه کیفی - تشخیص اختلافات موجود در طیف فلورسانس نمونهها - و درجه بندي چند متغیره براي تجزیه کمی دادهها - استفاده از روشهاي رگرسیون - میباشد.
در سالهاي اخیر، کاربرد طیف بینی فلورسانس در تلفیق با تکنیکهاي آماري چند متغیره براي ارزیابی کیفیت و اعتبار سنجی مواد غذائی افزایش یافته است. به عنوان مثال میتوان به کنترل کیفیت پنیر در حین رسیدن، کنترل اکسایش فرآوردههاي لبنی، اعتبارسنجی شیر و محصولات آن - تفکیک نمونهها بر اساس منشاء جغرافیائی و روش تولید - ، ارزیابی میزان چربی و کلاژن گوشت، کنترل کیفیت ماهی، ارزیابی تردي و بافت گوشت، پایش اکسایش چربی گوشت، تعیین تازگی تخممرغ و ... اشاره نمود - Karoui & Dufour, 2008; Karoui et al., 2007 -
کاربرد شیمیسنجی در کروماتوگرافی
یکی از مزیتهاي کروماتوگرافی این است که یک تکنیک جداسازي بسیار قوي میباشد. با انتخاب مناسب شرایط کروماتوگرافی، کروماتوگرامها میتوانند به عنوان علامتهاي گزینشی در نظر گرفته شوند. انتخاب یک آشکارساز مناسب میتواند گزینش پذیري علامتها را در چنین روشهائی افزایش دهد. با توجه به منابع موجود، میتوان گفت در تجزیه هاي کروماتوگرافیکی مخلوطی از ترکیبات شیمیائی، در صورتی که روش جدا سازي به خوبی بهینه سازي شود، هر پیک کروماتوگرام میتواند اطلاعات مفیدي در بارهي یک ترکیب خاص فراهم نماید و این هدف اصلی متخصصین کروماتوگرافی میباشد. شیمی سنجی علاوه بر بهبود کروماتوگرامها عملکردهاي دیگري نیز در زمینهي کروماتوگرافی خواهد داشت.
