angol-magyar
kétnyelvű tudományos folyóirat
HUN / ENG

Cikk letöltése PDF formátumban

Közeli-infravörös spektroszkópia: gyors és hatékony eszköz a fruktóztartalom mérésére

DOI: https://doi.org/10.52091/EVIK-2021/1-1-HUN

Érkezett: 2020. október – Elfogadva: 2021. január

Szerzők

1 Élettani és Állategészségügyi Tanszék, Élettani és Takarmányozási Intézet, Magyar Agrár- és Élettudományi Egyetem,
2 Élelmiszeripari Méréstechnika és Automatizálás Tanszék, Élelmiszertudományi és Technológiai Intézet, Magyar Agrárés Élettudományi Egyetem
3 Adexgo Kft., Balatonfüred
* Levelező szerző: bazar@agrilab.hu

Kulcsszavak

Fruktóz (gyümölcscukor), cukrok, °Brix, NIR-spektroszkópia (közeli-infravörös), fruktóz kedvezőtlen élettani hatása, anyagcsere-rendellenessége, szív-és érrendszeri betegségek, spektrum előkezelése, vegyértékrezgés, felharmonikus rezgés, statisztikai spektrum-elemzés

1. Összefoglalás

A legújabb kutatások alapján a magas fruktózbevitel fokozott egészségügyi kockázatokkal jár, ezért fontos felhívni a figyelmet az élelmiszerekben és italokban széles körben felhasznált cukor mennyiségére. A különböző cukrok gyors és pontos kimutatása és mennyiségi meghatározása a hagyományos laboratóriumi technológiák alkalmazásával nem egyszerű feladat. Számos korábbi kutatás eredménye utal arra, hogy a közeli-infravörös (NIR – Near Infra Red) spektroszkópia hatékonyan alkalmazható a cukrok minőségi és mennyiségi analízise során. Jelen vizsgálatunk rávilágít ennek a gyors korrelatív analitikai technikának az alkalmazhatóságára a fruktózkoncentráció cukoroldatokban történő mérése terén, amennyiben a bemutatott NIR kalibrációk megbízhatók a °Brix mint relatív paraméter mérésekor (R2 = 0,84), valamint az egyes cukrok közvetlen meghatározásakor (R2 > 0,90), még vegyes összetételű oldatokban is.

2. Bevezetés

Az édesítőszerek a feldolgozóipar legszélesebb körben alkalmazott adalékanyagaivá váltak, különösen italok és egyéb termékek, például desszertek vagy joghurtok előállítása során. Az egyik legrégebbi édesítőszer, amit a történelemben dokumentáltak, a méz [1], amely a néhány évtizede szintén hagyományos édesítőszerként fogyasztott egyéb édesítőkhöz hasonlóan, mint a juharszirup, szentjánoskenyér és agave, nagyrészt glükózt, fruktózt, szacharózt, ásványi anyagokat és egyéb vegyületeket tartalmaz [1]. A glükóz szinte mindig jelen van az élelmiszerekben, és alapvető szerepet tölt be az emberi anyagcsere szabályozásában. A szervezetbe juthat szabad cukor formában (glükóz por) vagy polimerekben kötötten mint keményítő, dextrin és maltodextrinek. A glükóz diszacharidokban is előfordul, a leggyakrabban haszált cukor, a szacharóz vagy répacukor például glükózból és fruktózból áll [2].

A fogyasztók egészségére gyakorolt hatásuk okán az élelmiszeriparban használt édesítőszerek formájával és mennyiségével, valamint a feldolgozott élelmiszerek °Brix-értékével kapcsolatban már egy ideje aggályok merültek fel. Ennek oka elsősorban az anyagcsere-rendellenességek (pl. 2-es típusú cukorbetegség) kialakulásának kockázata, amelyet a magas cukor-, különösen a fruktóz bevitelével hoznak összefüggésbe. A fogyasztók egyre inkább tudatában vannak annak, hogy mit fogyasztanak, és e tudatosság első lépése, hogy a feldolgozott élelmiszerek kalóriatartalmának csökkentését részesítik előnyben, csökkentve a cukorbevitelt is [3].

Megállapították, hogy a nagy glükóz bevitelhez képest a nagy fruktóz bevitel anyagcserezavar [4], elhízás, cukorbetegség, valamint a vér triglicerid koncentrációjának és az inzulin rezisztencia növekedésének magasabb kockázatával jár [5, 6, 7]. A szív- és érrendszeri betegségek, sőt a test szöveteiben előforduló rosszindulatú daganatok magas kockázata összefüggésben lehet a túlzott fruktóz bevitellel [8], valamint a dyslipidaemiával (a vér kóros lipidtartalmával) és a vesebetegségekkel [9].

Az évek során a közeli-infravörös (NIR) spektroszkópia alkalmazása az édesítőszerekben lévő cukrok elemzésére könnyebbnek, gyorsabbnak és költséghatékonyabbnak bizonyult [10], mint a nagyműszeres gyakorlatot igénylő és reagenseket igénylő módszerek, például a gázkromatográfia (GC), a nagyhatékonyságú folyadékkromatográfia (HPLC) és enzimatikus analízis [11, 12]. Mind közül a HPLC a leggyakrabban alkalmazott módszer, amelyet a szabad fruktóz-, glükóz-, szacharóz-, maltóz- és laktóztartalom meghatározására használnak [13].

A NIR spektrális régió 800 és 2500 nm (12500-4000 cm-1) közötti hullámhossztartományban található a felharmónikus és kombinációs molekularezgéseket reprezentáló abszorpciókkal, amelyek a –CH, –OH, –NH és – SH funkciós csoportoknak tulajdoníthatók [14]. Glükóz esetében az O–H vegyértékrezgés első felharmónikusa az 1195, 1385, 1520, 1590, 1730 nm abszorpciós sávoknak felel meg, míg a fruktóz és szacharóz O–H vegyértékrezgés első felharmónikusa 1433 nm-re, és a szacharóz, glükóz, fruktóz O–H kombinációs sávja 1928 nm-re tehető [14].

A mono- és diszacharidokat, mint a glükózt, a fruktózt, a szacharózt, a laktózt vizes oldatokban is vizsgálták [15]. Noha az összes érintett cukor azonos moláris koncentrációban volt feloldva, tényleges tömegük jelentősen különbözött a mono- és diszacharidok molekulatömegének különbsége miatt. A keverékekben lévő cukrok mennyiségi meghatározásakor a cukoroldatok moláris koncentrációja kevésbé pontos kalibrációs modelleket adott, a térfogatra vonatkoztatott tömegkoncentrációra illesztett kalibrációs modellekhez képest. Mivel a spektrális információ leginkább a kémiai kötések gerjesztés során bekövetkező fényelnyelését jelenti, ez az információ szorosabb arányban áll a vizes oldatban lévő kémiai kötések és atomok számával, mint a molekulák számával. Az egyes cukrok kalibrációs modelljeinek regressziós vektorai megadták azokat a spektrális régiókat is, amelyek a cukrok kvantitatív elemzésében a legnagyobb jelentőséggel bírnak. Az 1100- 1800 nm hullámhossztartományban a regressziós vektorok elemzése meghatározta a víz és az oldott cukrok O–H és C–H kötéseire jellemző spektrális régiókat. A keverékekben lévő cukrok koncentrációjára illesztett kalibrációk még alacsony szinteken (0,0018-0,5243 g/cm3) is pontos validációs eredményt mutattak, a determinációs együtthatók (R2CV) 0,841 és 0,961, a standard hiba (SECV – Standard Error of Cross-Validation) értékek 0,024 g/cm3 és 0,012 g/cm3 voltak glükóz és fruktóz esetében. Mindez megmutatta egy adott cukor NIR spektroszkópiára alapozott mennyiségi meghatározásának lehetőségét vegyes oldatokban [15].

Hasonló tanulmányokban [10, 16, 17] glükóz, fruktóz és szacharóz mennyiségét határozták meg különböző gyümölcslevekben NIR technika segítségével. A részleges legkisebb négyzetek regressziós (PLSR) modellek pontosnak bizonyultak glükóz, fruktóz és szacharóz esetében (R2 > 0,854; 0,963; 0,953). Egy másik kutatásban szintén megbízható PLSR (Partial Least Squares Regression) modellekről számoltak be a 900-2000 nm hullámhossztartományban [18], míg a 900-1650 nm-es tartomány jónak bizonyult bio cukor és hagyományos barnacukor megkülönböztetésére a részleges legkisebb négyzetek diszkriminanciaanalízis (PLS-DA – Partial Least-Squares Discriminant Analysis) modellek segítségével [19]. Egy másik kutatásban a NIR technika alkalmazásával a glükózkoncentrációt határozták meg glükóz, albumin és foszfát vizes keverékében, és pontos PLSR modellekről számoltak be [20]. Hasonlóképpen beszámoltak Morindae officinalis kivonatok glükóz-, fruktóz- és szacharóztartalmának NIR-rel történő becslésének lehetőségéről [21].

A magyar élelmiszeripart számos élelmiszerelőállításra szánt édesítőszer árasztja el. Három kiemelt édesítőszer a D-szacharóz, a K-syrup LDX és a K-sweet F55, utóbbi kettő általánosan használt izocukor. A K-syrup LDX édes, viszkózus, gyorsan kristályosodó szirup, amelyet gyakran használnak fermentációs alapanyagként az élelmiszer- és gyógyszeriparban. Nagy mennyiségben tartalmaz glükózt, dextrózt (93%), kisebb mennyiségben fruktózt (0,5%) és viszkózus folyadékot [22]. A K-sweet azonban magas kalóriatartalmú, glükózból és fruktózból álló izocukor, amiben a fruktóztartalom nagyobb (55%), mint a glükóztartalom (45%) [23]. A harmadik édesítőszer a D-szacharóz, vagy finomított cukor, amit egyre inkább helyettesítenek K-syrup LDX-szel és K-sweet F55-tel.

Jelen kutatásban a NIR spektroszkópia alkalmazhatóságának feltárását tűztük ki célul a széles körben használt D-szacharóz, K-syrup LDX és K-sweet F55 édesítőszerek vizes oldatainak glükóz-, fruktóz-, szacharóztartalmának és °Brix értékének meghatározása terén.

3. Anyagok és módszerek

3.1. Mintaelőkészítés

A vizsgálatok során háromféle cukrot használtunk: D-szacharóz (Carl Roth GmbH, Karlsruhe, Németország): 100% szacharóz; K-Syrup LDX (KALL Ingredients Kft., Tiszapüspöki, Magyarország): 93% glükóz + 0,5% fruktóz + 6,5% víz; K-Sweet F55 (KALL Ingredients Kft., Tiszapüspöki, Magyarország): 45% glükóz + 55% fruktóz. A három cukor vizes oldatait tíz különböző koncentrációban készítettük el. Összesen 30 db, egyenként 100 ml térfogatú mintát készítettünk.

3.2. Laboratóriumi mérés

A °Brix értékeket Hanna HI96801 digitális refraktométerrel mértük és rögzítettük referenciaként az ezt követő NIRS kalibrációhoz. Az egyes cukoroldatok glükóz-, fruktóz- és szacharózkoncentrációját az oldatokhoz adott édesítőszer tömege és az édesítőszerekben lévő cukrok százalékos aránya alapján számítottuk ki. A következő összefüggéseket alkalmaztuk a glükóz- és fruktóztartalom kiszámításához a K-syrup LDX és K-sweet F55 oldatokon:

  1. Glükóz K-syrup LDX oldatban = 93/100* K-syrup mennyisége oldatban (g/100 g)
  2. Fruktóz K-syrup LDX oldatban = 0,5/100* K-syrup mennyisége oldatban (g/100 g)
  3. Glükóz K-Sweet F55 oldatban = 45/100* K-sweet F55 mennyisége oldatban (g/100 g)
  4. Fruktóz K-sweet F55 oldatban = 55/100* K-sweet F55 mennyisége oldatban (g/100 g)

A 30 minta mért °Brix értékét, valamint az összes cukor-, a glükóz-, a fruktóz-, és a szacharózkoncentrációkat az 1. táblázat foglalja össze.

1. táblázat. A vizsgálathoz használt vizes cukoroldatok összes cukor-, glükóz-, fruktóz- és szacharózkoncentrációja és °Brix értéke

D-szacharóz: 100% szacharóz; K-syrup LDX: 93% glükóz+0.5% fruktóz; K-sweet F55: 45% glükóz+ 55% fruktóz; SD: szórás; Max: maximum érték; Min: minimum érték

3.3. NIR spektroszkópiás mérés

A minták közeli-infravörös fényelnyelését szobahőmérsékleten (25 °C) FOSS NIRSystems 6500 spektrométerrel (FOSS NIRSystems, Inc, Laurel, MD, USA) mértük, amit a WinISI v1.5 szoftverrel (InfraSoft International, Port Matilda, PS, USA) működtettünk. A szkennelést transzmissziós módban végeztük, miután 1 ml térfogatú cukoroldatot 1 mm úthosszt biztosító kvarc küvettába töltöttük. Az egyes mintákból két mérési kört végeztük véletlen sorrendben, és mindig a soron következő mintát használtuk a küvetta háromszoros kimosására a szkennelések között. Összesen hatvan spektumot rögzítettünk, majd a két kör spektrumait átlagoltuk, így harminc spektrumot kaptunk.

3.4. Spektrum előkezelés és többváltozós statisztikai elemzés

A NIR adatok elemzéséhez az Unscrambler v9.7 szoftvert (CAMO Software AS, Oslo, Norvégia) használtuk, míg a °Brix, a glükóz-, a fruktóz- és a szacharózkoncentrációra mért és kalibrált változók leíró statisztikájának kiszámításához a MS Excel 2013 programot használtuk.

A spektrumok szórásának korrekciójához, valamint pontos és robusztus kalibrációs modellek eléréséhez több spektrum előkezelési eljárást is alkalmaztunk, mint a standard normális változó transzformáció (Standard Normal Variate – SNV), a többszörös szóródási korrekció (Multicative Scatter Correction – MSC) és a résszegmens második derivált (másodrendű derivált, 5 adatpontos rés, 5 adatpontos szegmens).

Mind a különböző édesítőszerekből készült oldatok csoportosítását, mind a kérdéses kvantitatív paraméterek kalibrációját többváltozós adatelemzéssel végeztük. Főkomponens elemzést (Principal Component Analysis – PCA) alkalmaztunk a spektrális adatok többdimenziós mintázatainak vizsgálatára, és a cukoroldatok három csoportja közötti különbségek leírására [24]. A NIR tartományban (1100-1850 nm) felvett a spektrális adatokra és a referenciaként használt laboratóriumi eredményekre a parciális legkisebb négyzetek regressziójával (PLSR) kalibrációs modelleket készítettünk [24]. A PLSR modellezés során a látens változók optimális számát teljes keresztvalidációval (“leave-one-out”) határoztuk meg, ekkor a harminc lépéses iteratív folyamatban a harminc minta mindegyikét egyszer kihagytuk a kalibrálás során, és a modellek validációja során használtuk fel [24].

A PLSR modellek minősítését a kalibrációs és a keresztvalidációs statisztikák összehasonlításával végeztük el. A különböző modelleket a kalibrációk (C) és validációk (CV) determinációs együtthatóinak (R2) és legkisebb négyzetes eltérés értékeinek (RMSE) összevetése alapján ítéltük meg: a nagyobb R2 érték és a kisebb RMSE érték (Root Mean Square Error) jelentette a jobb modellt. A modelloptimálás során az RMSECV (Root Mean Square Error of Cross Validation) értékeket minimalizáltuk.

4. Eredmények és értékelésük

A felvett nyers spektrumok a víz jellegzetes abszorpcióját mutatták a NIR tartományban, amelynek fő csúcsa az O–H vegyértékrezgés első felharmonikus tartományába esik 1450 nm-nél (1. ábra). Az 1780 nm körüli kis csúcs a C–H kötések első felharmonikusát jelöli.

1. ábra. A vizsgált cukoroldatok nyers spektrumai az 1100-1850 nm hullámhossztartományban

A második derivált spektrumokat a rés-szegmens transzformáció derivált függvényével számítottuk, a rést és a szegmenst egyaránt 5 adatpontra állítottuk, hogy elkerüljük a derivált függvény zajnövelését, ugyanakkor a hasznos jeleket továbbra is az előkezelt adatokban tartsuk. A második derivált spektrum (2. ábra) negatív csúcsai jelzik az eredetileg átfedő abszorpciók helyét és relatív amplitúdóját, amelyek egyként jelennek meg a nyers spektrumokon. Ez mutatja azt a jól leírt jelenséget, miszerint a nyers spektrumon 1450 nm-nél elhelyezkedő fő csúcsot a víz legalább két abszorpciója alkotja 1416 és 1460 nm-nél, amelyek a víz hidrogénkötéssel kevésbé és jobban kötött állapotainak elnyélési tartományai [15].

Az itt alkalmazott spektrális előkezelések (második derivált, SNV, MSC) nem tették lehetővé a különböző édesítőszerekkel készült oldatok vizuális megkülönböztetését, míg a vízabszorpciós csúcsok fokozatos változásai jelezték az oldott cukrok növekvő koncentrációjának a víz szerkezetére gyakorolt hatását [15].

A 3. ábra a harminc oldat második derivált spektruma alapján készült PCA háromdimenziós score diagramját mutatja. A háromféle édesítőszer oldatát különböző színekkel és számokkal jelöltük. A két ábra különböző szögekből mutatja ugyanazt az eredményt, kiemelve, hogy a negyedik főkomponens (PC4) felelős a K-sweet F55 megkülönböztetéséért a D-szacharóztól és a K-syrp LDX-től, míg a második főkomponens (PC2) felelős a D-szacharóz elkülönítéséért a K-syrp LDX-től és a K-sweet F55-től. Tehát a PC2, a kiindulási NIR adatok varianciájának mintegy 2%-át kitevő új látens változó, írja le a monoszacharid és diszacharid oldatok közötti különbségeket, míg a PC4, ami a kiindulási NIR adatok varianciájának kevesebb, mint 1%-át fedi le, írja le a magas fruktóztartalmú szirup és más édesítőszer oldatok közötti különbségeket. A PC2 és PC4 kombinációja leírja a glükóz- és más oldatok közötti különbségeket.

2. ábra. A vizsgált cukoroldatok második derivált spektrumai az 1100-1850 nm hullámhossztartományban
3. ábra. A háromféle cukoroldat második derivált spektrumai alapján készült főkomponens elemzés (PCA) score értékei (a) az első (PC1), második (PC2) és negyedik (PC4) főkomponens, illetve (b) a PC1, PC4 és PC2 által meghatározott háromdimenziós térben. A piros (1), zöld (2) és világoskék (3) pontok egyenként jelölik a D-szacharózt, a K-Syrup LDX-et és a K-Sweet F55-öt.

A 4. ábra szemlélteti a PC2 és PC4 loading vektorokat. Azok a hullámhossztartományok felelősek leginkább a főkomponensek score értékeiért, amelyek a legnagyobb eltérést mutatják a nullához képest, vagyis a hozzárendelt csúcsok jelölik a cukoroldatok közötti különbséget előidéző abszorpciókat. A sávok beosztása jó összhangban van korábbi megállapításokkal [14,15], vagyis az 1300-1600 nm-es intervallumban lévő csúcsok a víz oldott cukrok hatására bekövetkező molekuláris változásaira utalnak, míg az 1600-1850 nm-es intervallum csúcsai a jellemző C–H abszorpciós sávokat jelölik.

A mért °Brix és a számított glükóz-, fruktóz-, szacharózkoncentráció alapján PLS regresszióval épített kalibrációs modelleket a 2. táblázat és az 5. ábra foglalja össze.

4. ábra. A PC2 (kék) és PC4 (piros) loading vektorok, amelyek egyenként mutatják a felelős abszorpciós sávokat a D-szacharóz elkülönülésében a K-Syrup LDX-től és a K-Sweet F55-től, valamint a K-Sweet F55 elkülönülésében a D-szacharóztól és a K-Syrup LDX-től.
2. táblázat. A kalibrációs és validációs statisztikák a °Brix, a glükóz-, a fruktóz- és a szacharózkoncentrációra cukoroldatokban (n = 30) a legjobb modellek kiemelésével

LV: látens változók száma, R2C: kalibráció determinációs együtthatója, RMSEC: kalibráció átlagos négyzetes eltérése, R2CV: keresztvalidáció determinációs együtthatója, RMSECV: keresztvalidáció átlagos négyzetes eltérése, MSC: többszörös szóródási korrekció, SNV: standard normális változó, 2D5G5S: másodrendű derivált 5 pontos réssel és 5 pontos szegmenssel

A °Brix esetében a legjobb eredményeket spektrális előkezelés nélkül értük el. A °Brix RMSE értéke 1 °Brix körül volt, ami a mért referenciaérték szórásának majdnem harmada. A cukorkoncentrációk RMSE értékei hasonlóan alacsonyak voltak. A fruktózra kaptuk a leggyengébb eredményeket, melynek oka a számos alacsony koncentrációjú minta (0,05% alatt) – ezen a szinten a modell gyengébben teljesített, mint a nagyobb koncentrációknál (5. (b) ábra). A glükóz és szacharóz esetében a második derivált előkezelés, míg a fruktóz esetében a kezeletlen spektrum adta a legjobb eredményeket.

A legjobb °Brix, fruktóz, glükóz és szacharóz modellek kalibrációs és keresztvalidációs egyeneseit az 5. ábra mutatja. A fekete átló az optimális, míg a kék és a piros egyenesek a kalibrációs és keresztvalidációs illeszkedést mutatják. A kék pontok a NIR által becsült összetételi értékeket jelölik a laboratóriumi referenciaértékek függvényében a kalibráció során, a piros pontok pedig a NIR által a keresztvalidáció során becsült értékeket mutatják szintén a referenciaértékek függvényében. Minél közelebb helyezkednek el a pontok a regressziós egyeneshez, és minél kevésbé tér el a regressziós egyenes az optimális illeszkedéstől, annál jobb a kalibrációs modell. Az esetek többségében a kapott modellillesztések elérik az optimálisat, ami azt jelenti, hogy a NIR által becsült értékek közel megegyeznek a tényleges laboratóriumi referenciaértékekkel. Ennek a kutatásnak a kalibrációs és keresztvalidációs eredményei összhangban vannak a korábban említett, cukoroldatok és gyümölcslevek esetében kapott eredményekkel. Ezek az eredmények igazolják, hogy megfelelő kalibrációs folyamat után a NIR spektroszkópia megfelelő és hatékony eszköz egyes egyszerű cukrok gyors, egyszerű és pontos mérésére keverék oldatokban.

5. ábra: Optimális modellillesztés (fekete átló), valamint a legjobb kalibrációs (kék) és keresztvalidációs (piros) (a) °Brix, (b) fruktóz-, (c) glükóz- és (d) szacharózkoncentráció illesztés

5. Következtetések, záró gondolatok

A széles körben használt édesítőszerekkel kapcsolatos kutatásunk eredményei megerősítik azokat a korábban publikált eredményeinket, miszerint a NIR spekstroszkópia hasznos és hatékony módszer egyes cukrok kimutatására és mennyiségi meghatározására akár vegyes oldatokban is. A NIR spektrométerek ma már nem csupán a hordozható méretben, de akár néhány centiméteres chipként is elérhetők, így jelentős potenciál rejlik ebben a technikában a mindennapi élelmiszerminősítés terén. Az alkalmazások széles körét kell tesztelni és használni a termékek ellenőrzésére, így garantálva az élelmiszerbiztonságot és a beltartalmi összetételt. Ezen alkalmazások közül az ételek és italok fruktóztartalmának ellenőrzése és igazolása hasznos lehet a fogyasztók egészségének védelme szempontjából, mivel ez az összetevő bizonyítottan növeli több modern kori betegség kialakulásának kockázatát. A NIR spektroszkópia mint másodlagos korrelatív analitikai technika feltételezhetően a jövőben is alkalmatlan lesz arra, hogy segítségével egy teljesen ismeretlen összetételű folyadékban kimutassuk a fruktózt és meghatározzuk annak mennyiségét, viszont alkalmas lehet arra, hogy egy ismert, fruktózt nem, vagy csak meghatározott mennyiségben tartalmazó folyadékban jelezze annak túlzott jelenlétét. A NIR eszközök felhasználhatósága természetesen korlátozott, és nem tekinthetünk rájuk úgy, mint a klasszikus analitikai módszerek kiváltóira, azonban a lehetőségek racionális kihasználása révén hasznos alkalmazások fejleszthetőek a gyakorlat számára.

6. Irodalom

[1] Edwards, C. H., Rossi, M., Corpe, C. P., Butterworth, P. J., & Ellis, P. R. (2016): The role of sugars and sweeteners in food, diet and health: Alternatives for the future. Trends in Food Science and Technology, 56, pp. 158-166.
https://doi.org/10.1016/j.tifs.2016.07.008

[2] White, E., McMahon, M., Walsh, M., Coffey, J. C., & O’Sullivan, L. (2014): Creating Biofidelic Phantom Anatomies of the Colorectal Region for Innovations in Colorectal Surgery. Proceedings of the International Symposium on Human Factors and Ergonomics in Health Care, 3 (1), pp. 277-282.
https://doi.org/10.1177/2327857914031045

[3] Gardner, C., Wylie-Rosett, J., Gidding, S. S., Steffen, L. M., Johnson, R. K., Reader, D., & Lichtenstein, A. H. (2012): Nonnutritive sweeteners: Current use and health perspectives: A scientific statement from the American heart association and the American diabetes association. Circulation, 126 (4), pp. 509-519.
https://doi.org/10.1161/CIR.0b013e31825c42ee

[4] Taskinen, M. R., Packard, C. J., & Borén, J. (2019): Dietary fructose and the metabolic syndrome. Nutrients, 11 (9), pp. 1-16.
https://doi.org/10.3390/nu11091987

[5] Bray, G. A. (2013): Energy and fructose from beverages sweetened with sugar or high-fructose corn syrup pose a health risk for some people. Advances in Nutrition, 4 (2), pp. 220-225.
https://doi.org/10.3945/an.112.002816

[6] Malik, V. S., & Hu, F. B. (2015): Fructose and Cardiometabolic Health What the Evidence from Sugar-Sweetened Beverages Tells Us. Journal of the American College of Cardiology, 66 (14), pp. 1615-1624.
https://doi.org/10.1016/j.jacc.2015.08.025

[7] Rizkalla, S. W. (2010): Health implications of fructose consumption: A review of recent data. Nutrition and Metabolism, 7, pp. 1-17.
https://doi.org/10.1186/1743-7075-7-82

[8] Biró, G. (2018): Human biological characteristics of fructose. Journal of Food Investigation, 64 (1), pp. 1908-1916.

[9] Collino, M. (2011): High dietary fructose intake: Sweet or bitter life? World Journal of Diabetes, 2 (6), pp. 77.
https://doi.org/10.4239/wjd.v2.i6.77

[10] Liu, Y., Ying, Y., Yu, H., & Fu, X. (2006): Comparison of the HPLC method and FT-NIR analysis for quantification of glucose, fructose, and sucrose in intact apple fruits. Journal of Agricultural and Food Chemistry, 54 (8), pp. 2810-2815.
https://doi.org/10.1021/jf052889e

[11] Giannoccaro, E., Wang, Y. J., & Chen, P. (2008): Comparison of two HPLC systems and an enzymatic method for quantification of soybean sugars. Food Chemistry, 106 (1), pp. 324-330.
https://doi.org/10.1016/j.foodchem.2007.04.065

[12] Yuan, H., Wu, Y., Liu, W., Liu, Y., Gao, X., Lin, J., & Zhao, Y. (2015): Mass spectrometry-based method to investigate the natural selectivity of sucrose as the sugar transport form for plants. Carbohydrate Research, 407, pp. 5-9.
https://doi.org/10.1016/j.carres.2015.01.011

[13] International Association of Analytical Chemistry, A. (1990): Official Methods of Analysis of the AOAC. Arlington VA

[14] López, M. G., García-González, A. S., & Franco-Robles, E. (2017): Carbohydrate Analysis by NIRSChemometrics. In K. G. Kyprianidis & S. Jan (Eds.), Developments in Near-Infrared Spectroscopy pp. 81-95
https://doi.org/10.5772/67208

[15] Bázár, G., Kovacs, Z., Tanaka, M., Furukawa, A., Nagai, A., Osawa, M., Itakura, Y., Sugiyama, H., Tsenkova, R. (2015): Water revealed as molecular mirror when measuring low concentrations of sugar with near infrared light. Analytica Chimica Acta, 896, pp. 52-62.
https://doi.org/10.1016/j.aca.2015.09.014

[16] Xie, L., Ye, X., Liu, D., & Ying, Y. (2009): Quantification of glucose, fructose and sucrose in bayberry juice by NIR and PLS. Food Chemistry, 114 (3), pp. 1135-1140.
https://doi.org/10.1016/j.foodchem.2008.10.076

[17] Rodriguez-Saona, L. E., Fry, F. S., McLaughlin, M. A., & Calvey, E. M. (2001): Rapid analysis of sugars in fruit juices by FT-NIR spectroscopy. Carbohydrate Research, 336 (1), pp. 63-74.
https://doi.org/10.1016/S0008-6215(01)00244-0

[18] Mekonnen, B. K., Yang, W., Hsieh, T. H., Liaw, S. K., & Yang, F. L. (2020): Accurate prediction of glucose concentration and identification of major contributing features from hardly distinguishable near-infrared spectroscopy. Biomedical Signal Processing and Control, 59, pp. 101923.
https://doi.org/10.1016/j.bspc.2020.101923

[19] De Oliveira, V. M. A. T., Baqueta, M. R., Março, P. H., & Valderrama, P. (2020): Authentication of organic sugars by NIR spectroscopy and partial least squares with discriminant analysis. Analytical Methods, 12, pp. 701-705.
https://doi.org/DOI: 10.1039/C9AY02025J

[20] Khadem, H., Eissa, M. R., Nemat, H., Alrezj, O., & Benaissa, M. (2020): Classification before regression for improving the accuracy of glucose quantification using absorption spectroscopy. Talanta, 211 (January), pp. 120740.
https://doi.org/10.1016/j.talanta.2020.120740

[21] Hao, Q., Zhou, J., Zhou, L., Kang, L., Nan, T., Yu, Y., & Guo, L. (2020): Prediction the contents of fructose, glucose, sucrose, fructo-oligosaccharides and iridoid glycosides in Morinda officinalis radix using near-infrared spectroscopy. Spectrochimica Acta - Part A: Molecular and Biomolecular Spectroscopy, pp. 234
https://doi.org/10.1016/j.saa.2020.118275

[22] KALL, I. (2020): K-syrup LDX. Retrieved from http://kallingredients.hu/en/products/2/14/k-syrup-ldx

[23] KALL, I. (2020): K-sweet F55. Retrieved from http://kallingredients.hu/en/products/2/12/k-sweet

[24] Naes, T., Isaksson, T., Fearn, T., & Davies, T. (2002): A user-friendly guide to multivariate calibration and classification. Chichester, UK: NIR Publications

Legfrissebb szám



Támogató és együttműködő partnereink

TÉMAKERESÉS