建立以邻苯二甲醛为衍生试剂,柱前衍生-HPLC测定特殊医学用途奶粉中牛磺酸含量的方法。选用C18色谱柱进行产物分离,并对衍生试剂用量、流动相比例、流速、混合次数、衍生后等待时间等因素进行优化。结果表明衍生试剂用量30μL,流动相体...建立以邻苯二甲醛为衍生试剂,柱前衍生-HPLC测定特殊医学用途奶粉中牛磺酸含量的方法。选用C18色谱柱进行产物分离,并对衍生试剂用量、流动相比例、流速、混合次数、衍生后等待时间等因素进行优化。结果表明衍生试剂用量30μL,流动相体积比20∶80,流速0.6 mL/min,混合6次,衍生完成后等待时间0 min时,衍生物的峰面积和峰形最优。在此实验条件下3种不同浓度牛磺酸标准品的精密度测定衍生物峰面积相对标准偏差(relative standard deviation,RSD)为0.08%~0.75%,精密度高。对两种特殊医学用途奶粉中牛磺酸含量进行检测,重复性实验测定RSD分别为0.67%和0.37%,重复性稳定;样品加标平均回收率分别为97.6%~104.5%和106.0%~110.3%,回收率好。该研究方法反应条件温和、操作性强,适用于特殊医学用途奶粉中牛磺酸含量的测定。展开更多
牦牛奶粉的掺假检测和产地识别有助于保障食品安全、维护消费者权益,是促进乳制品市场健康发展的重要举措。传统的DNA检测方法和稳定同位素分析技术的检测周期长,难以满足快速、低成本现场分析的需求。针对以上问题,本研究建立了一种基...牦牛奶粉的掺假检测和产地识别有助于保障食品安全、维护消费者权益,是促进乳制品市场健康发展的重要举措。传统的DNA检测方法和稳定同位素分析技术的检测周期长,难以满足快速、低成本现场分析的需求。针对以上问题,本研究建立了一种基于近红外光谱技术(Near-infrared Spectroscopy,NIRS)快速辨别牦牛奶粉掺假及产地的方法。收集了来自四川、甘肃、云南及青海的9个品牌的牦牛奶粉。在制备掺假样品之前,采用聚合酶链式反应(Polymerase Chain Reaction,PCR)技术和DNA凝胶电泳验证所收集的牦牛奶粉中是否掺杂了牛奶粉。完成验证后,进行掺假样品的制备以及近红外光谱数据的采集。采用K最邻近法(K-Nearest Neighbors,KNN)建立分类模型,偏最小二乘回归(Partial Least Squares Regression,PLSR)建立定量预测模型。通过优化光谱预处理方法和变量筛选方法进一步提升定量预测模型的预测能力。结果表明,KNN对牦牛奶粉掺假检测(纯牛奶粉、纯牦牛奶粉、掺杂着牛奶粉的牦牛奶粉)及产地识别(四川、甘肃、云南、青海)实现了100%的正确分类。掺假定量预测模型的校正集相关系数(R_(c))为0.9975,预测集相关系数(R_(p))为0.9913,预测集均方根误差(Root Mean Square Error of Prediction,RMSEP)为1.9823%,性能偏差比(Ratio of Performance to Deviation,RPD)为7.2522。本方法可快速、准确地预测牦牛奶粉中牛奶粉的掺杂以及牦牛奶粉产地的辨别,为牦牛奶粉的质量控制提供技术支持。展开更多
文摘建立以邻苯二甲醛为衍生试剂,柱前衍生-HPLC测定特殊医学用途奶粉中牛磺酸含量的方法。选用C18色谱柱进行产物分离,并对衍生试剂用量、流动相比例、流速、混合次数、衍生后等待时间等因素进行优化。结果表明衍生试剂用量30μL,流动相体积比20∶80,流速0.6 mL/min,混合6次,衍生完成后等待时间0 min时,衍生物的峰面积和峰形最优。在此实验条件下3种不同浓度牛磺酸标准品的精密度测定衍生物峰面积相对标准偏差(relative standard deviation,RSD)为0.08%~0.75%,精密度高。对两种特殊医学用途奶粉中牛磺酸含量进行检测,重复性实验测定RSD分别为0.67%和0.37%,重复性稳定;样品加标平均回收率分别为97.6%~104.5%和106.0%~110.3%,回收率好。该研究方法反应条件温和、操作性强,适用于特殊医学用途奶粉中牛磺酸含量的测定。
文摘牦牛奶粉的掺假检测和产地识别有助于保障食品安全、维护消费者权益,是促进乳制品市场健康发展的重要举措。传统的DNA检测方法和稳定同位素分析技术的检测周期长,难以满足快速、低成本现场分析的需求。针对以上问题,本研究建立了一种基于近红外光谱技术(Near-infrared Spectroscopy,NIRS)快速辨别牦牛奶粉掺假及产地的方法。收集了来自四川、甘肃、云南及青海的9个品牌的牦牛奶粉。在制备掺假样品之前,采用聚合酶链式反应(Polymerase Chain Reaction,PCR)技术和DNA凝胶电泳验证所收集的牦牛奶粉中是否掺杂了牛奶粉。完成验证后,进行掺假样品的制备以及近红外光谱数据的采集。采用K最邻近法(K-Nearest Neighbors,KNN)建立分类模型,偏最小二乘回归(Partial Least Squares Regression,PLSR)建立定量预测模型。通过优化光谱预处理方法和变量筛选方法进一步提升定量预测模型的预测能力。结果表明,KNN对牦牛奶粉掺假检测(纯牛奶粉、纯牦牛奶粉、掺杂着牛奶粉的牦牛奶粉)及产地识别(四川、甘肃、云南、青海)实现了100%的正确分类。掺假定量预测模型的校正集相关系数(R_(c))为0.9975,预测集相关系数(R_(p))为0.9913,预测集均方根误差(Root Mean Square Error of Prediction,RMSEP)为1.9823%,性能偏差比(Ratio of Performance to Deviation,RPD)为7.2522。本方法可快速、准确地预测牦牛奶粉中牛奶粉的掺杂以及牦牛奶粉产地的辨别,为牦牛奶粉的质量控制提供技术支持。