Direct analysis of vegetable oils by atmospheric pressure laser plasma ionization combined with machine learning methods

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The atmospteric pressure laser plasma ionization (APLPI) method in combination with machine learning methods is investigated to solve the problem of classification of vegetable oils. Samples of olive oil, rapeseed oil, sunflower oil and linseed oil were studied. The samples were classified on the basis of mass spectrometric profiles of volatile organic compounds emitted by the oils. It was shown that when hierarchical cluster analysis (HCA) with pre-selection of features by analysis of variance (ANOVA) and reduction of the dimensionality of the response matrix by t-distributed stochastic neighbor embedding (t-SNE), each type of oil forms a distinct cluster. Using the example of olive and rapeseed oil blends analysis, it was demonstrated that the combination of the APLPI method with the multiple linear regression (MLR) method allows to quantify the share of oils in the studied blends. The developed approach allows for rapid, direct nondestructive analysis of vegetable oils without sample preparation and can be used for detection of adulterated products.

About the authors

K. Yu. Kravets

V.I. Vernadsky Institute of Geochemistry and Analytical Chemistry, Russian Academy of Sciences

Kosygina St., 19, Moscow 119991, Russia

S. I. Timakova

V.I. Vernadsky Institute of Geochemistry and Analytical Chemistry, Russian Academy of Sciences

Kosygina St., 19, Moscow 119991, Russia

A. A. Grechnikov

V.I. Vernadsky Institute of Geochemistry and Analytical Chemistry, Russian Academy of Sciences

Email: grechnikov@geokhi.ru
Kosygina St., 19, Moscow 119991, Russia

S. M. Nikiforov

A.M. Prokhorov Institute of General Physics of the Russian Academy of Sciences

Vavilova St., 38, Moscow 119991, Russia

References

  1. Medina S., Perestrelo R., Silva P., Pereira J.A., Câmara J.S. Current trends and recent advances on food authenticity technologies and chemometric approaches // Trends Food Sci. Technol. 2019. V. 85. P. 163. https://doi.org/10.1016/j.tifs.2019.01.017
  2. Dettmer K., Aronov P.A., Hammock B.D. Mass spectrometry-based metabolomics // Mass Spectrum. Rev. 2007. V. 26. № 1. P. 51. https://doi.org/10.1002/mas.20108
  3. Kuo T.H., Dutkiewicz E.P., Pei J., Hsu C.C. Ambient ionization mass spectrometry today and tomorrow: Embracing challenges and opportunities // Anal. Chem. 2019. V. 92. № 3. P. 2353. https://dx.doi.org/10.1021/acs.analchem.9b05454
  4. Shi L., Habib A., Bi L., Hong H., Begum R., Wen, L. Ambient ionization mass spectrometry: Application and prospective // Crit. Rev. Anal. Chem. 2022. V. 54. № 6. P. 1584. https://doi.org/10.1080/10408347.2022.2124840
  5. Beck A.G., Muhoberac M., Randolph C.E., Beveridge C.H., Wijewardhane P.R., Kenttamaa H.I., Chopra G. Recent developments in machine learning for mass spectrometry // ACS Meas. Sci. Au. 2024. V. 4. № 3. P. 233. https://doi.org/10.1021/acsmeasuresciau.3c00060
  6. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006. 778 p.
  7. Пенто А.В., Никифоров С.М., Симановский Я.О., Гречников А.А., Алимпиев С.С. Лазерная абляция и ионизация излучением лазерной плазмы при атмосферном давлении в масс-спектрометрии органических соединений // Квантовая электроника. 2013. Т. 43. № 1. С. 55. (Pento A.V., Nikiforov S.M., Simanovsky Y.O., Grechnikov A.A., Alimpiev S.S. Laser ablation and ionisation by laser plasma radiation in the atmospheric-pressure mass spectrometry of organic compounds // Quantum Electron. 2013. V. 43. № 1. P. 55.) https://doi.org/10.1070/QE2013v043n01ABEH015065
  8. Алимпиев С.С., Гречников А.А., Никифоров С.М. Новые подходы в лазерной масс-спектрометрии органических объектов // УФН. 2015. Т. 185. № 2. С. 207. (Alimpiev S.S., Grechnikov A.A., Nikiforov S.M. New approaches to the laser mass spectrometry of organic samples // Phys.-Usp. 2015. V. 58. № 2. P. 191.) https://doi.org/10.3367/UFNr.0185.201502f.0207
  9. Кравец К.Ю., Тимакова С.И., Гречников А.А., Бородков А.С., Лаптинская П.К., Кузьмин В.С., Симановский Я.О. Скрининг лекарственных соединений в крови методом масс-спектрометрии с ионизацией, индуцированной лазерной плазмой при атмосферном давлении // Журн. аналит. химии. 2022. Т. 77. № 10. С. 947. https://doi.org/10.31857/S0044450222100085. (Kravets K.Yu, Timakova S.I., Grechnikov A.A., Borodkov A.S., Laptinskaya P.K., Kuzmin V.S., Simanovsky Ya O. Screening of medicinal compounds in blood by atmospheric pressure laser plasma ionization mass spectrometry // J. Anal. Chem. 2022. V. 77. № 10. P. 1307.) https://doi.org/10.1134/S1061934822100082
  10. Тимакова С.И., Кравец К.Ю., Бородков А.С., Симановский Я.О., Гречников А.А. Масс-спектрометрия нитроароматических соединений с ионизацией, индуцированной лазерной плазмой при атмосферном давлении // Масс-спектрометрия. 2022. Т. 19. № 4. С. 226. https://doi.org/10.25703/MS.2022.19.21. (Timakova S.I., Kravets K.Y., Borodkov A.S., Simanovsky Y.O., Grechnikov A.A. Mass spectrometry of nitroaromatic compounds with atmospheric pressure laser plasma ionization // J. Anal. Chem. 2023. V. 78. № 14. P. 1935.) https://doi.org/10.1134/S1061934823140071
  11. Milanez K.D.T., Pontes M.J.C. Classification of extra virgin olive oil and verification of adulteration using digital image and discriminant analysis // Anal. Methods. 2015. V. 7. P. 8839.
  12. Sun X., Lin W., Li X., Shen Q., Luo H. Detection and quantification of extra virgin olive oil adulteration with edible oils by FT-IR spectroscopy and chemometrics // Anal. Methods. 2015. V. 7. № 9. P. 3939.
  13. Vasconcelos M., Coelho L., Barros A., de Almeida J.M.M.M. Study of adulteration of extra virgin olive oil with peanut oil using FTIR spectroscopy and chemometrics // Cogent Food. Agric. 2015. V. 1. № 1. Article 1018695. https://doi.org/10.1080/23311932.2015.1018695
  14. Ali H., Saleem M., Anser M.R., Khan S., Ullah R., Bilal, M. Validation of fluorescence spectroscopy to detect adulteration of edible oil in extra virgin olive oil (EVOO) by applying chemometrics // Appl. Spectrosc. 2018. V. 72. № 9. P. 1371. https://doi.org/10.1177/0003702818768485
  15. Kim M., Lee S., Chang K., Chung H., Jung Y.M. Use of temperature dependent Raman spectra to improve accuracy for analysis of complex oil-based samples: Lube base oils and adulterated olive oils // Anal. Chim. Acta. 2012. V. 748. P. 58. https://doi.org/10.1016/j.aca.2012.08.028
  16. Yang Y., Ferro M.D., Cavaco I., Liang Y. Detection and identification of extra virgin olive oil adulteration by GC-MS combined with chemometrics // J. Agric. Food. Chem. 2013. V. 61. № 15. P. 3693. https://doi.org/10.1021/jf4000538
  17. Shi T., Wu G., Jin Q., Wang X. Detection of camellia oil adulteration using chemometrics based on fatty acids GC fingerprints and phytosterols GC–MS fingerprints // Food Сhem. 2021. V. 352. Article 129422. https://doi.org/10.1016/j.foodchem.2021.129422
  18. Capote F.P., Jiménez J.R., De Castro M.L. Sequential (step-by-step) detection, identification and quantitation of extra virgin olive oil adulteration by chemometric treatment of chromatographic profiles // Anal. Bioanal. Chem. 2007. V. 388. P. 1859. https://doi.org/10.1007/s00216-007-1422-9
  19. Criado-Navarro I., Mena-Bravo A., Calderón-Santiago M., Priego-Capote F. Determination of glycerophospholipids in vegetable edible oils: Proof of concept to discriminate olive oil categories // Food Сhem. 2019. V. 299. Article 125136. https://doi.org/10.1016/j.foodchem.2019.125136
  20. Peng L., Yuan J., Yao D., Chen C. Fingerprinting triacylglycerols and aldehydes as identity and thermal stability indicators of camellia oil through chemometric comparison with olive oil // Food Sci. Nutr. 2021. V. 9. № 5. P. 2561. https://doi.org/10.1002/fsn3.2209
  21. Pento A.V., Bukharina A.B., Nikiforov S.M., Simanovsky Y.O., Sartakov B.G., Ablizen R.S., Fabelinsky V.I., Smirnov V.V., Grechnikov A.A. Laser-induced plasma on a metal surface for ionization of organic compounds at atmospheric pressure // Int. J. Mass Spectrom. 2021. V. 461. Article 116498. https://doi.org/10.1016/j.ijms.2020.116498
  22. Plasquy E., García Martos J.M., Florido M.C., Sola-Guirado R.R., García Martín J.F. Cold storage and temperature management of olive fruit: The impact on fruit physiology and olive oil quality—A review // Processes. 2021. V. 9. № 9. P. 1543. https://doi.org/10.3390/pr9091543
  23. Миркин Б.Г. Базовые методы анализа данных: учебник и практикум для вузов. 3-е изд., перераб. и доп. М.: Юрайт, 2024. 297 с.
  24. Van der Maaten L., Hinton G. Visualizing data using t-SNE // J. Mach. Learn. Res. 2008. V. 9. № 11. P. 2579.
  25. Abdelmoula W.M., Balluff B., Englert S., Dijkstra J., Reinders M.J., Walch A., McDonnell L.A., Lelieveldt B.P. Data-driven identification of prognostic tumor subpopulations using spatially mapped t-SNE of mass spectrometry imaging data // Proc. Natl. Acad. Sci. 2016. V. 113. № 43. P. 12244. https://doi.org/10.1073/pnas.1510227113
  26. Hebra T., Elie N., Poyer S., Van Elslande E., Touboul D., Eparvier V. Dereplication, annotation, and characterization of 74 potential antimicrobial metabolites from Penicillium Sclerotiorum using t-SNE molecular networks // Metabolites. 2021. V. 11. № 7. P. 444. https://doi.org/10.3390/metabo11070444
  27. Azadmard-Damirchi S., Torbati M. Adulterations in some edible oils and fats and their detection methods // J. Food Qual. Hazards Control. 2015. V. 2. № 2. P. 38.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».