Рудницкая 4 класс контрольные работы: ГДЗ тетрадь для контрольных работ по математике 4 класс Рудницкая, Юдачева Вентана-Граф

Gibson

TD

Prosser

O

Hulbert

JN

Marshall

RW

Corcoran

P 9000 EA5000

9000 9000 EA5000

Lower P

Heron

S

Обнаружение и одновременная идентификация микроорганизмов в образцах свободного пространства с помощью электронного носа

Sens Actuators B

1997

44

413

422

Легин А., Кирсанов Д., Селезнев Б., Рудницкая А., Холм-Нильсен Дж. Б., Эсбенсен К., Власов Ю. (2003) Анализ кормов с биогазовой установки с помощью электронного языка. В материалах 10-го международного симпозиума по обонянию и электронному носу ISOEN’03, Рига, 25–28 июня 2003 г., стр. 125

© Общество промышленной микробиологии, 2008

Biomimetics — обзор | Темы ScienceDirect

«Биомиметический подход»

Термин биомимикрия, введенный в научный язык в 1982 году, относится к «новой науке, которая изучает модели природы, а затем имитирует или черпает вдохновение из естественных замыслов и процессов для решения человеческих проблем».Такая новая тенденция в материаловедении предлагает рассматривать природу как «модель и наставника» и подчеркивает устойчивость как одну из основных целей (Benyus, 1997). Действительно, материалы, встречающиеся в природе, сочетают в себе множество вдохновляющих свойств, таких как изысканность, миниатюризация, иерархическая организация, гибридизация, устойчивость и адаптируемость. Иными словами, при использовании классического подхода к проектированию некоторые свойства оказываются исключительными, например, прочность и ударная вязкость, когда прочные материалы являются хрупкими, а прочные материалы относительно непрочными.Однако природные материалы со сложной и иерархической морфологией и структурой от нано- до макромасштабов являются одновременно прочными и жесткими. Как правило, в природных материалах используются очень простые химические компоненты, но такие молекулярные строительные блоки организованы в сложные структуры, которые обеспечивают исключительные механические свойства: кость, перламутр, зубы и древесина — отличные примеры устойчивых к повреждениям материалов (Wegst et al ., 2014 ). Исключительная устойчивость к переломам костей обусловлена ​​сложными механизмами деформации и упрочнения, которые действуют в различных масштабах i.е., от наноразмерной структуры белковых молекул до макроскопической иерархической архитектуры (Launey et al ., 2010). В последнее время одним из наиболее успешных подходов к проектированию и разработке биоматериалов для регенеративной медицины является биомиметический подход, который представляет собой попытку имитировать все характеристики нативной ткани / органа. Более конкретно, идея, воплощенная в концепции «биомиметики», заключается в том, что физико-химические и морфологические характеристики имплантированных биоматериалов должны сами по себе быть сигналами, способными стимулировать хемотаксис и колонизацию клеток аутологичными клетками, которые работают для ремоделирования исходной ткани / орган.Таким образом, человеческое тело можно рассматривать как естественный биореактор, способный направлять соответствующую регенерацию тканей, начиная с биомиметического каркаса, без искусственного добавления клеток или других биологических факторов, а просто вспоминая аутологичные клетки и сохраняя физиологическое равновесие и гомеостаз, благодаря воспроизведение биологических сигналов окружающей среды. В практике регенерации тканей / органов использование каркасов необходимо, особенно когда дело доходит до регенерации крупных костных дефектов, поскольку клеткам нужен биоактивный и биорезорбируемый мостик, чтобы запустить каскад ремоделирования, ведущий к полной регенерации недостающей ткани и избегая плохих повреждений. клинические исходы, такие как феномен несоединения.

С этой целью нанокристаллические фосфаты кальция (CaP), демонстрирующие множественные ионные замещения (например, Mg ²⁺ , CO ₃ ²⁻, Sr ²⁺ ), хорошо известны как лучшие в своем классе материалы для костной регенерации и широко исследовались в последнее десятилетие. В отличие от стехиометрического гидроксиапатита (ГА), который состоит только из Ca, PO ₄ и ОН, биологический ГА включает в свою решетку несколько ионов, присутствующих в физиологической среде, посредством ионного замещения или межузельной адсорбции (см.рис.1). Такое включение допинговых ионов представляет собой динамический процесс, изменяющийся в зависимости от возраста и физиологического состояния людей; он изменяет несколько структурных и физико-химических параметров ГК, таких как ретикулярная постоянная, морфология и размер кристаллов, кристалличность, термическая стабильность и растворимость, и, таким образом, решающим образом влияет на биоактивность фазы (Sprio et al ., 2008; Iafisco et al . , 2014а).

Рис. 1. Схема синтеза и состав биомиметического гидроксиапатита.

Среди легирующих ионов ионы CO ₃ ²⁻ могут занимать два разных узла решетки апатита. B-замещение происходит в участке PO ₄ ³⁻, влияя на полярность поверхности и, таким образом, улучшая адгезию остеобластов и типично для молодых и незрелых костей; наоборот, карбонизация в участке A относится к частичному замещению OH ^— , которое увеличивает стабильность минеральной фазы и фактически более типично для зрелой костной ткани.Включение ионов Mg ²⁺ влияет на биодоступность ГК, уменьшая кристалличность и способствуя зарождению новых ядер апатита. Замещение кальция ионами Sr ²⁺ в значительной степени изучено благодаря его способности восстанавливать баланс метаболизма костной ткани, что важно для лечения остеопоротических переломов костей. Некоторые положительные результаты по эффективности местного высвобождения стронция были получены в недавних исследованиях, основанных на титановых имплантатах, функционализированных стронцием или покрытых стронцием-замещенной ГК.(Ли и др. ., 2010). Комбинированное замещение кальция ионами Fe ²⁺ и Fe ³⁺ было недавно изучено, чтобы наделить HA уникальной суперпарамагнитной способностью и создать новую биосовместимую и биорезорбируемую нанофазу FeHA, характеризующуюся множественной функциональностью и высокой безопасностью (Sprio et al. al ., 2008; Tampieri et al ., 2012). В частности, FeHA проявляет высокую намагниченность во внешних статических магнитных полях, несмотря на очень низкие количества вторичных оксидов железа, поэтому он также может проявлять отличную биосовместимость и биорезорбируемость (Panseri et al ., 2012; Panseri et al ., 2016).

Такие биоактивные керамические материалы химически нестабильны в физиологической среде, они способны обмениваться биоактивными ионами с окружающей средой и инструктировать клетки для выполнения определенных задач, так что их можно рассматривать как «неорганические метаболические фазы». Производство биомиметических, биоактивных CaPs было выполнено с использованием нескольких методов (Sprio et al ., 2008; Iafisco et al ., 2014b), но конечный продукт представляет собой мелкодисперсный порошок, который впоследствии необходимо обрабатывать формованием и методы спекания для получения трехмерных пористых устройств.Фактически, каркас должен иметь взаимосвязанную многомасштабную пористость: большие поры (200–400 мкм) для обеспечения колонизации клеток и диффузную нано-микропористость для обмена питательными веществами и продуктами жизнедеятельности. Более того, такие особенности должны быть связаны с адекватными механическими характеристиками, выдерживающими физиологические механические силы. Тем не менее, традиционные подходы к обработке материалов не позволяют точно контролировать изменения кристаллов и состава, особенно во время процесса высокотемпературной консолидации, так что происходит необратимый рост кристаллов и изменение биоактивных химических составов и кристаллических структур, что приводит к снижению биоактивности материала. и способность к обучению клеток (Tampieri et al ., 2003). Изготовление био-функциональной трехмерной керамики, сохраняющей биоактивный химический состав и наноструктуру, создает серьезные проблемы. Фактически, текущая обработка для консолидации неорганических материалов с соответствующими механическими характеристиками требует использования обработок спеканием, которые обычно разрушают биоактивные метастабильные фазы и, в случае HA, вызывают вытеснение легирующих ионов и процесс перекристаллизации.

Пытаясь сохранить соответствующие физико-химические и биологические свойства синтетической биоактивной ГК, когда она получена в виде трехмерных каркасов, в предыдущих исследованиях изучались различные природные технологии либо снизу вверх, либо сверху вниз.В первом случае применение процесса биоминерализации представляет собой трансляцию естественного нанотехнологического процесса, ответственного за формирование естественной кости и зуба, когда биоорганическая макромолекула собирается в сложную трехмерную архитектуру и запускает гетерогенное зародышеобразование апатита. нано-фаза. При проведении лабораторных процедур минерализация искусственно собранных природных полимеров приводит к образованию гибридных композитов, обладающих высоким сходством с природной минерализованной тканью и превосходными биологическими характеристиками.Такой процесс можно воспроизвести, используя способность молекул коллагена собираться в фибриллы и более толстые волокна за счет изменения pH, что в настоящее время вызывает образование ядер HA на границе раздела при температуре тела (рис. 2). Процесс биоминерализации активирует многоуровневые механизмы контроля благодаря информации, хранящейся в сложной структуре макромолекулы коллагена; в частности, активируются химические, структурные и морфологические механизмы, которые контролируют наноразмеры и ориентацию кристаллов зародышевой минеральной фазы, что может поддерживать высокий уровень нестабильности и способность к динамическому ионному обмену.В частности, во время самосборки коллагеновых волокон молекулы тропоколлагена оставляют регулярный массив промежутков размером 40 нм внутри каждой периодической единицы, и такие зоны называются зонами отверстий. Минеральная фаза твердых тканей преимущественно зарождается именно в этих местах и ​​растет под контролем, осуществляемого взаимодействием с неколлагеновыми кислотными макромолекулами, присутствующими в зонах отверстий и связывающими карбоксилатные группы и ионы Ca ²⁺ минеральной фазы. В частности, рост апатитоподобных зародышей ограничен очень тонкими пластинками (длина 45 нм, ширина 20 нм и толщина ~ 2–3 нм) с определенной ориентацией кристаллов, как показал рентгеноструктурный анализ в плоской камере (см. Инжир.2). Очень узкое отражение с повышенной интенсивностью, соответствующее плоскости [002], относится к преимущественному росту гексагональной решетки апатита вдоль ее оси c , что способствует обнажению грани ab . Предыдущие исследования показали, что белки, такие как остеокальцин и остеопонтин, присутствующие во внеклеточном матриксе и активные в процессе формирования и ремоделирования кости, химически аффинны плоскости ab гидроксиапатита (Mann, 2001). Следовательно, похоже, что процесс биоминерализации может генерировать гибридные конструкции ГК / коллаген, имитирующие физико-химические характеристики незрелой костной ткани от макро до субнано шкалы, в качестве инструктивного руководства для регенерации кости.

Рис. 2. (слева) Схема биоминерализации коллагеновых волокон; (справа) Сканирующая электронная микроскопия и рентгеновская дифракция биоминерализованных коллагеновых волокон.

Полученные гибридные гели можно обрабатывать сублимационной сушкой или литьем сублимацией, таким образом создавая каркасы с высоким составом и структурным сходством с естественной костной тканью, а также дифференцированные структуры, напоминающие сложные анатомические области, такие как костно-хрящевые и пародонтальные (Sprio et al ., 2014).Конечным продуктом такого процесса является волокнистая пористая конструкция, способная упруго деформироваться в жидкой среде, что демонстрирует замечательную приспособляемость к любым дефектам костной ткани, но в то же время неспособность сохранять свой первоначальный объем под действием сжимающих сил, так что ее использование пока ограничиваются ненесущими дефектами. Биоминерализация — одна из первых попыток использовать уникальные особенности биологических процессов для изготовления каркасов, сохраняющих физико-химические и архитектурные особенности, типичные для природных тканей (Sprio et al ., 2016; Murray et al ., 2012). В этом отношении следующие параграфы иллюстрируют некоторые примеры биомиметических гибридных каркасов, предназначенных для регенерации многофункциональных анатомических областей, таких как суставной сустав и пародонт, то есть каркасов, приготовленных поэтапно для одновременной регенерации различных тканей, характеризующихся увеличивающейся степенью минерализации.

Что проливает свет на летучий экзометаболом Aspergillus niger

Оценка влияния условий роста на

Экспериментальная стратегия была установлена ​​в соответствии с методами, применяемыми в настоящее время для обнаружения грибков (рис. 1), поскольку обычные процедуры, ведущие к идентификации мицелиальных грибов, часто основаны на росте грибов на твердой среде, обычно в течение 7 дней ^{32, 33} . Чтобы сократить время идентификации, в этом исследовании оценивались два периода роста (3 и 5 дней), оба находились в экспоненциальной фазе роста ³⁴ . Как строго аэробный вид грибов, A.niger обычно выращивают на твердой среде. В настоящем исследовании твердые и жидкие среды (YGC _A и YGC) использовались для оценки наилучшего подхода к сбору метаболитов грибов. Культурный бульон YGC может быть непосредственно экстрагирован с использованием HS-SPME, но была проведена дополнительная экстракция раствором Рингера для извлечения метаболитов из YGC _A . Наконец, учитывался также эффект температуры роста. A. niger присутствует во всем мире и поддерживает относительно широкий диапазон температур (максимум 45–47 ° C) с оптимальным значением 35–37 ° C с использованием твердой среды ^34,35 .Таким образом, были проанализированы две температуры (25 и 37 ° C), поскольку мицелиальные грибы способны расти при 37 ° C во время инфекции хозяина, а 25 ° C можно использовать для обнаружения заражения грибами в образцах пищевых продуктов или в анализе воздуха. ³³ .

Схематическое изображение основных этапов определения экзометаболома A. niger .

Этапы включают рост грибов, подготовку образцов и извлечение метаболитов, анализ ГХ × ГХ и обработку данных.

После роста грибов, пробоподготовки и экстракции летучих метаболитов, а также инструментального анализа ГХ × ГХ сбор данных для построения матриц для дальнейшего статистического анализа представляет собой серьезную проблему. Были выбраны пики GC × GC, представляющие сигналы, и была построена таблица пиков с данными площади пика GC × GC и другими полезными данными для идентификации аналитов (таблицы S1). Самый надежный способ подтвердить идентификацию соединения — совместное введение аутентичного стандарта, хотя это было бы недостижимо во время анализа, и в большинстве случаев стандарты недоступны или коммерчески недоступны ³⁶ .Таким образом, несколько параметров использовались в качестве стратегии для выполнения предполагаемой идентификации летучих соединений на основе сравнения их масс-спектров с собственными и коммерческими библиотеками (спектральное сходство> 800/1000) и путем сравнения рассчитанных RI (RI _{). calc} ) с данными, указанными в литературе (RI _lit ) для колонки ¹ D или ее эквивалента, с различиями до 6%. Кроме того, принцип структурированной хроматограммы GC × GC был мощным инструментом в процедуре идентификации, поскольку структурно связанные соединения должны находиться в аналогичном 2D хроматографическом пространстве ²⁶ .Учитывая набор используемых столбцов (неполярный / полярный), снижение волатильности (высокое ¹ t _R ) в основном связано с увеличением количества атомов углерода до ¹ D. В противном случае, увеличение в ² t _R соответствует увеличению полярности (рис. 2).

GC × GC-ToFMS Контурный график хроматограммы общих ионов летучих компонентов культуры A. niger в свободном пространстве над паром.

Подданный набор 44 метаболитов, определенных как паттерн молекулярных биомаркеров A. niger , был выделен (см. Присвоение номеров пиков в таблице S2). Условия выращивания: 3 дня роста при 37 ° C с использованием YGC.

Хроматограммы общих ионов были обработаны с использованием программного обеспечения для обработки данных ChromaTOF®, и в среднем ок. 504 инструментальных признака было обнаружено в каждом образце, хотя только 428 были рассмотрены для построения набора данных после удаления связанных со средой соединений, таких как соединения фуранового типа, фураноны, галогенированные соединения и пиразины на основе предыдущих исследований летучего состава YGC ³⁷ .Список из 428 аналитов был составлен с учетом всех исследуемых условий выращивания, которые были распределены по следующим химическим семействам: углеводороды, в том числе алифатические и ароматические (17,5%), спирты (17,3%), сложные эфиры (15,8%). , кетоны (15,4%), альдегиды (10,3%), терпеновые соединения (10,5%), S -соединения (4,2%), N -соединения (3,0%), простые эфиры (2,8%), кислоты (2,3%) ) и норизопреноиды (0,7%) (таблица S1, дополнительная информация).

Несколько метаболитов A.niger были ранее идентифицированы, а именно этанол, 1-пропанол, 2-метил-1-пропанол, 2-метил-1-бутанол, 3-метил-1-бутанол, 2-пентанол, 1-октен-3-ол , 3-октанол, ацетальдегид, этилпропаноат, этилбутаноат, этилтиглат, этиловый эфир 3-метил-2-бутеновой кислоты, изоамилтиглат, пентиловый эфир 3-метилбутановой кислоты, этилпальмитат, этиллинолеат, 2,5-диметокситолуол , 2-метилфуран, 3-метилфуран, 2-пропанон, 2-пентанон, 2-гептанон, 3-октанон, циклогексанон, гептан, 2,3,3,3-тетраметилбутан, 1,3-нонадиен, пентадецен, лимонен, α -бисаболен и α-кубебен ^{27,28,29,30,31} .Эти соединения были обнаружены с использованием различных инструментов для отбора проб / экстракции, таких как адсорбент-ловушка Tenax® ²⁷ , SPME с неполярной или биполярной стационарной фазой ^28,29,30 и пассивный отбор проб на угольных сорбентах ³¹ с последующим термодесорбция в 1D-GC. Насколько нам известно, настоящее исследование представляет собой первое исследование с использованием ГХ-ГХ, и его высокая чувствительность и хроматографическое разрешение выявили высокую сложность свободного пространства культур A. niger (Таблица S1).

Для простой, быстрой и глобальной оценки влияния условий роста на метаболизм A. niger была подготовлена ​​тепловая карта (рис. 3), на которой площади пиков GC (ранее нормализованные по КОЕ мл ^{— 1} ) были нормализованы по максимуму каждого метаболита. Каждое соединение было проиллюстрировано с помощью разной интенсивности цвета, что позволило визуально оценить относительное содержание каждого химического семейства в предположительно идентифицированных соединениях. Поскольку рост клеток зависел от исследуемых условий, чтобы сравнить характер летучих веществ для всех исследуемых условий и выразить их содержание как площадь / концентрацию клеток, их содержание было нормализовано на ^-1 КОЕ мл.Для YGC _A более высокая концентрация клеток (выраженная в КОЕ мл ^-1 ) наблюдалась при 37 ° C по сравнению с 25 ° C (рис. S1, из дополнительной информации), как сообщалось ранее ^34,35 . Для YGC период роста (3 и 5 дней), по-видимому, имеет большее влияние на концентрацию клеток, чем на температуру.

Отображение тепловой карты 428 метаболитов, предположительно идентифицированных из культур A. niger .

Тепловая карта включает данные, полученные из культур при различных условиях роста, таких как питательная среда (твердый и жидкий YGC), температура (25 и 37 ° C) и период инкубации (3 и 5 дней).Каждая переменная площадь была нормализована по максимуму каждого метаболита для всех образцов (с пиком GC, предварительно нормализованным на ^-1 КОЕ мл). n = 3 для каждого исследуемого условия.

Тепловая карта выявила высокую сложность свободного пространства культур A. niger , состоящего в основном из их экзометаболомных компонентов, и их отличительная относительная численность может быть объяснена различными ограничениями, влияющими на метаболические пути A. niger при различных условиях, а именно температурой. и время роста.Наибольшее относительное содержание общих метаболитов на ^-1 КОЕ мл наблюдалось в течение 5 дней роста при 25 ° C с использованием YGC _A . В этом состоянии также наблюдалось большое относительное содержание терпеновых соединений. Более высокие относительные содержания спиртов, альдегидов, углеводородов и кетонов наблюдались при 25 ° C для обоих периодов инкубации с использованием YGC _A , тогда как более высокие относительные содержания для экспериментов с жидкостью наблюдались через 3 дня роста для обеих исследуемых температур.

Чтобы оценить влияние изучаемых условий на продукцию метаболитов, ASCA был применен к набору данных, содержащему 428 переменных. Согласно результатам, все основные эффекты и их взаимодействия были статистически значимыми ( p <0,05). Культуральная среда ( p <0,0005) была условием, которое оказало более сильное воздействие, объясняя 26,7% общей дисперсии набора данных; затем следует температура ( p = 0,0045) и период роста ( p = 0.006), объясняя 12,7% и 12,8% дисперсии соответственно. Эффекты взаимодействия культуральная среда × температура и культуральная среда × период роста также были статистически значимыми ( p = 0,0035), каждое из которых объясняет 5,7% общей дисперсии. Температура взаимодействия × время также была значимой ( p = 0,024), что объясняет 4,1% дисперсии. Значение, приписываемое средам, используемым в анализе ASCA, согласуется с предыдущими исследованиями. В случае использования твердой среды физическая близость колоний увеличивается с трех до пяти дней инкубации (что не всегда происходит в жидкой среде), что влияет на размер колонии и, следовательно, на A.нигер метаболизм. Морфология колоний влияет на продукцию ферментов и метаболитов ³⁵ . Однако механизмы, лежащие в основе влияния морфологии на продуктивность, пока не ясны. ³⁸ . В то же время центр больших колоний может испытывать кислородное голодание, и другие питательные вещества также могут стать ограничивающими в этой части мицелия. Ожидается, что эти градиенты будут менее выраженными во время дисперсного роста в жидкой среде ³⁹ . Более того, поверхностное зондирование из-за размера колонии и физической близости также может регулировать метаболизм грибов, увеличивая передачу сигналов между гифами.Было замечено, что гетерогенность экспрессии генов на периферии макроколоний более устойчива, чем в микроколониях, культивируемых в жидкой среде. В отличие от твердых сред, градиенты сигнальных молекул не могут образовываться между гифами, которые выращиваются в жидких культурах ³⁸ . Несмотря на то, что в питательную среду вводятся соответствующие питательные вещества, необходимо также учитывать биофизические требования во время роста грибов, такие как уровень кислорода, температура, а также время роста.Поскольку рост A. niger происходит только в аэробных условиях, поскольку все мицелиальные грибы являются строгими аэробами, его рост на YGC _A мог происходить на большей площади поверхности, чем у Erlenmeyers, содержащего YGC (рис. S1). , таким образом, состояние твердой среды способствует увеличению площади поверхности и более высокому воздействию кислорода на поверхность, что позволяет грибам расти в более удобных условиях. С другой стороны, токсичные соединения, возникающие в результате аэробного дыхания, могут накапливаться в культуральной среде, влияя на рост грибов, а именно в течение длительных периодов инкубации и когда грибы находятся в контакте с этими токсичными соединениями, как, например, наблюдается через 5 дней инкубации. на твердой среде.Более того, даже с дополнительной стадией экстракции путем извлечения содержимого YGC _A с помощью раствора Рингера, где предполагались потери или неполное извлечение метаболитов, результаты показывают, что в экстракте Рингера было обнаружено большее количество соединений по сравнению с YGC. эксперименты, в которых профилирование летучих проводилось с использованием цельного бесклеточного бульона.

Установление

Набор дополнительных данных из 44 метаболитов, предположительно идентифицированных во всех изученных условиях, был определен как A.niger (Таблица 1) молекулярных биомаркеров, относящихся к углеводородам, в том числе алифатическим и ароматическим (31,8%), спиртам (22,7%), альдегидам (20,5%), кетонам (11,4%), сложным эфирам (6,8%), терпеновым соединениям (4,6%) и норизопреноиды (2,3%). Кроме того, чтобы подтвердить происхождение этих аналитов, их содержание в культурах A. niger и контрольную среду для тех же условий (YGC и YGC _A , промытые раствором Рингера, во всех испытанных условиях: 25 ° C и 37 ° C в течение 3 и 5 дней).Из подгруппы, состоящей из 44 аналитов, 4-бис (1,1-диметилэтил) фенол; гексадекан; гептадекан; 2-метил-6-фенил-1,6-гептадиен; 3-нонен-2-он; 2,6-диметил-7-октен-2-ол не обнаруживался в средах ни при каких условиях. Остальные 38 аналитов были обнаружены в среде на уровнях, по крайней мере, на 3 стандартных отклонения ниже, чем в культуре A. niger для аналогичного состояния, что подтверждает, что их происхождение может быть связано с метаболизмом грибов.

Структура молекулярных биомаркеров A. niger включает некоторые метаболиты, уже описанные для этого вида, такие как 1-гексанол, 1-гептанол, 1-октанол, 3-метил-1-бутанол и гексанал ⁴⁰ . Такие соединения, как 1-октен-3-ол и 3-октанол, также были получены в рамках этой схемы, о которых уже сообщалось как о соединениях, связанных с грибами ²⁸ .

Этот подмножество метаболитов может происходить несколькими путями, и для систематизации этой информации было предложено схематическое изображение (рис.4), который показывает, что сеть путей участвует в объяснении паттерна молекулярных биомаркеров A. niger . Известно, что некоторые метаболиты играют важную роль в пути разложения ароматических соединений, таких как толуол, 1,2-диметилбензол, бензальдегид, бензиловый спирт, этилбензол и ацетофенон. Кроме того, кислоты, такие как бутановая кислота, 2-метилбутановая и 3-метилбутановая кислоты, связаны с метаболизмом бутаноата и аминокислот. Ацетальдегид, 2-фенилэтанол и бензолацетальдегид связаны с метаболизмом фенилаланина.Другие химические семейства связаны с биосинтезом ненасыщенных жирных кислот, таких как кислоты, кетоны и метилированные спирты. Альдегиды и спирты также связаны с метаболизмом жирных кислот ^27,40,41 . α-Пинен, 1,8-цинеол, линалоол, лимонен, ментол и α-терпинеол относятся к группе разнообразных химических соединений, состоящей из двух изопреновых единиц, полученных из геранилдифосфата, которые связаны с путем биосинтеза монотерпеноидов. Пинокарвеол и пинокарвон, также обнаруженные в этом исследовании, являются производными метаболизма α-пинена.С другой стороны, сесквитерпеновые соединения состоят из трех изопреновых единиц, полученных из фарнезилдифосфата, которые также связаны с синтезом основной цепи терпеноидов, таких как лонгифолен (тип гумулена), α-бисаболен (тип бисаболена) и ациклический неролидол. C ₁₃ -молекулы норизопреноидов могут быть получены в результате расщепления каротиноидов ^42,43 .

Схематическое изображение, предложенное для объяснения A. niger метаболических путей, связанных с химическими семействами образца молекулярных биомаркеров ^{25,36,37,38,39} .

FA — жирная кислота; ПП — Дифосфат.

Дальнейшее изучение различия родов

Было проведено исследовательское исследование для оценки потенциала установленного паттерна молекулярных биомаркеров A. niger (таблица 1), хотя и из разных родов. Penicillium chrysogenum был выбран для сравнения двух нитчатых грибов, хотя из разных видов и Candida albicans был выбран из-за его важности среди пациентов с ослабленным иммунитетом в клинических условиях ⁸ .

Подгруппа данных из 44 метаболитов присутствовала во всех трех исследуемых грибах, хотя были зарегистрированы различия: 1-гептанол не присутствовал в P. chrysogenum в течение 3 и 5 дней роста, тогда как 1-бутанол и 3-нонен-2-он не присутствовал в изолятах C. albicans в течение 5 дней роста.

Диаграммы разброса оценок PLS-DA использовались для визуализации изменчивости между образцами и соответствующими нагрузками для доступа к переменным, которые объясняют различие.Таким образом, на рис. 5a, b представлены оценки PLS-DA LV1 × LV2 и графики разброса нагрузок соответственно. LV1 и LV2 объясняют около . 37% вариабельности набора данных (рис. 5a) и разделение мицелиальных грибов получено по оси LV1, где P. chrysogenum и A. niger рассредоточены по LV1 отрицательному и LV1 положительному соответственно; тогда как C. albicans рассредоточено по LV2 положительно. Таким образом, четко прослеживается различие между различными исследуемыми микроорганизмами.Различные метаболиты способствовали различию грибов, как указано на графике нагрузок (рис. 5b). Статистическая значимость модели классификации PLS-DA оценивалась с использованием критерия перестановки и Q ² в качестве критерия качества соответствия (рис. 5c). Распределение значений Q ² для прогноза членства в классе A. niger для исходной модели и 1000 переставленных моделей и Q ² исходной модели показано на рис. 5c. Q ² значений для исходных моделей было 0.70 для A. niger , 0,68 для C. albicans и 0,80 для P. chrysogenum . Q ² значений для всех переставленных моделей были ниже значений исходных моделей, что позволяет сделать вывод, что исходная модель не была случайной ( p <0,001).

Статистический анализ применен к набору дополнительных данных, включающему 44 метаболита.

( a ) график разброса PLS-DA (LV1 × LV2) и соответствующий ( b ) график нагрузки A.niger (оранжевые ромбы), C. albicans (зеленые квадраты) и P. chrysogenum (синие треугольники) с использованием набора дополнительных данных, включающего 44 метаболита, предположительно идентифицированных во всех изученных условиях с помощью HS-SPME / GC × GC. -ToFMS (идентификация пика представлена ​​в таблице S2 из дополнительной информации), с площадями пиков GC, нормализованными на ^-1 КОЕ мл, а переменные пронумерованы соответствующим образом. ( c ) Q ² Распределение значений для переставленной модели (1000 перестановок) и для исходной модели.Был применен тест перестановки, и была получена статистически значимая модель для 44 метаболитов с прогнозирующей способностью Q ² 0,70 для A. niger. n = 3 для каждого исследуемого условия.

Метаболиты, играющие важную роль в вышеупомянутой модели классификации, были выбраны в соответствии со значениями VIP (переменная важность в проекции). Таким образом, был создан другой набор дополнительных данных, содержащий 16 метаболитов со значениями VIP выше 0,8 (таблица 2), и был выполнен еще один PLS-DA.VIP-анализ позволил уменьшить количество переменных в модели, а также улучшить производительность модели (Q ² , значение 0,8). Таким образом, время предварительной обработки (чтобы перейти от необработанных инструментальных данных к чистым данным для обработки данных) было существенно сокращено, поскольку были извлечены только необработанные инструментальные данные из 16 метаболитов.

Модель PLS-DA, рассчитанная с 16 метаболитами, включала 4 скрытых переменных вместо 5, как модель, рассчитанная с 44 метаболитами.График разброса PLS-DA (рис. 6a) показывает четкое различие между исследуемыми грибами благодаря вкладу различных соединений (рис. 6b). Оптимизированная классификационная модель также обладает улучшенными возможностями прогнозирования со значениями Q ² 0,86 для A. niger , 0,86 для C. albicans и 0,85 для P. chrysogenum . Модель классификации оказалась статистически значимой согласно тесту перестановки (рис. 6c).

Статистический анализ, примененный к набору дополнительных данных, включающему 16 метаболитов со значением VIP выше 0.8. График разброса баллов

( a ) PLS-DA-VIP (LV1 × LV2) и соответствующий график нагружения ( b ) A. niger (оранжевые ромбы), C. albicans (зеленые квадраты ) и P. chrysogenum (синие треугольники) с использованием набора дополнительных данных, включающего 16 метаболитов (со значением VIP выше 0,8), предположительно идентифицированных во всех изученных условиях с помощью HS-SPME / GC × GC-ToFMS (идентификация пика представлена в таблице S1), также с площадями пиков GC, нормализованными на ^-1 КОЕ мл, и переменные, пронумерованные соответствующим образом.( c ) Q ² Распределение значений для переставленной модели (1000 перестановок) и для исходной модели. Был применен тест перестановки, и была получена статистически значимая модель для 16 метаболитов с прогностической способностью Q ² 0,86 для A. niger. n = 3 для каждого исследуемого условия.

Таким образом, методология, основанная на тандеме HS-SPME / GC × GC-ToFMS с PLS-DA и соответствующей перекрестной проверке, дает новые данные по экзометаболому A. niger .Несмотря на преимущества передовой многомерной газовой хроматографии, HS-SPME с использованием дивинилбензола / карбоксена ™ / полидиметилсилоксана StableFlex ™ (DVB / CX / PDMS) также является решающим шагом для профилирования метаболитов. DVB / CX / PDMS — это адсорбирующее волокно, сочетающее пористый полимер, углеродное молекулярное сито и PDMS, рекомендованное для нецелевого анализа. Это биполярное волокно с высокой эффективностью извлечения широкого спектра летучих молекул, а именно гидрофильных и гидрофобных. ТФМЭ не является исчерпывающим методом экстракции, поэтому рекомендуется тщательно контролировать экспериментальные параметры ТФМЭ, чтобы гарантировать, что все образцы анализируются в одинаковых условиях и, следовательно, можно сравнивать соответствующие данные.Использование других сорбирующих материалов и инструментов не может быть исключено в дальнейших исследованиях. Например, Purge and Trap — это быстрый и эффективный инструмент для извлечения летучих веществ, обладающий высокой чувствительностью и воспроизводимостью, но имеющий некоторые недостатки, т.е. е., для ввода проб в ГХ необходимо специальное устройство, которое в настоящее время недоступно в лабораториях. Кроме того, особое внимание следует уделить тому, чтобы избежать потенциальных источников ошибок, а именно хранения пробы, эффектов нагрева ловушки и эффективности очистки ⁴⁴ .

Установлен образец молекулярных биомаркеров A. niger , включающий 44 метаболита, присутствующих во всех изученных условиях, которые могут возникать в результате нескольких метаболических путей A. niger, , таких как метаболизм бутаноатов и аминокислот (кислоты и сложные эфиры) , разложение ароматических соединений (ароматические углеводороды и альдегиды), биосинтез ненасыщенных жирных кислот (кислоты, кетоны и метилированные спирты) и их метаболизм (альдегиды и спирты), биосинтез моно- и сесквитерпеноидов и расщепление каротиноидов.Этот образец был успешно использован для отличия A. niger от других грибов ( Candida albicans и Penicillium chrysogenum ) с 3-дневным ростом с использованием дискриминантного анализа методом частичных наименьших квадратов (PLS-DA), который позволил обеспечить статистически значимая модель с прогнозирующей способностью Q ² 0,70 для A. niger. Кроме того, PLS-DA-Variable Importance in Projection был применен для выделения метаболитов, играющих основные роли в различении грибов; сокращение исходного набора данных до 16 метаболитов, существенное сокращение времени предварительной обработки данных и повышение качества соответствия (прогнозируемая способность Q ² 0.86 для A. niger ).

Эта методология может быть дополнительно использована и применена при обнаружении A. niger на основе структуры молекулярных биомаркеров. Следовательно, на основе разработанного метаболомного рабочего процесса, описанного здесь, дальнейшие исследования в более широком наборе A. niger , собранных в различных условиях (клинические образцы и образцы окружающей среды, пищевые продукты, среди прочего), могут быть полезны для изучения A. niger. биоразнообразия и внести свой вклад в строительство микробной платформы, полезной для более глобального управления грибами.Насколько нам известно, это исследование представляет собой наиболее подробное исследование экзометаболома A. niger , что, таким образом, представляет собой усовершенствование в направлении создания конвейера omics A. niger , который будет включать данные из комбинации различных типов. образцов и методов (а именно, ЯМР и ЖХ-МС), чтобы получить широкое представление о метаболоме грибов. Наконец, важно отметить, что микробная метаболомика представляет собой путь к пониманию микроорганизмов, и эта исследовательская работа представляет собой соответствующий вклад.Что касается его применения в конкретных сценариях, обязательно искать другие параметры, такие как сокращение времени роста и пределов обнаружения, оценка искажающих факторов, матричные эффекты (с использованием реальных матриц) и совместное культивирование, среди прочего.

% PDF-1.7 % 326 0 объект > эндобдж xref 326 128 0000000016 00000 н. 0000003918 00000 н. 0000004154 00000 п. 0000004181 00000 п. 0000004230 00000 н. 0000004266 00000 н. 0000004700 00000 н. 0000004810 00000 н. 0000004920 00000 н. 0000005030 00000 н. 0000005140 00000 н. 0000005250 00000 н. 0000005360 00000 п. 0000005469 00000 н. 0000005579 00000 п. 0000005688 00000 п. 0000005797 00000 н. 0000005954 00000 н. 0000006097 00000 н. 0000006239 00000 п. 0000006379 00000 н. 0000006516 00000 н. 0000006676 00000 н. 0000006844 00000 н. 0000006994 00000 н. 0000007074 00000 н. 0000007154 00000 н. 0000007235 00000 н. 0000007315 00000 н. 0000007395 00000 н. 0000007474 00000 н. 0000007552 00000 н. 0000007632 00000 н. 0000007711 00000 н. 0000007790 00000 н. 0000007868 00000 н. 0000007948 00000 н. 0000008027 00000 н. 0000008107 00000 н. 0000008186 00000 н. 0000008266 00000 н. 0000008345 00000 н. 0000008425 00000 н. 0000008503 00000 н. 0000008583 00000 н. 0000008662 00000 н. 0000008742 00000 н. 0000008822 00000 н. 0000008900 00000 н. 0000008978 00000 н. 0000009055 00000 н. 0000009133 00000 п. 0000009213 00000 н. 0000009293 00000 н. 0000009373 00000 п. 0000009454 00000 п. 0000009534 00000 п. 0000009780 00000 н. 0000010343 00000 п. 0000010511 00000 п. 0000011261 00000 п. 0000011796 00000 п. 0000012139 00000 п. 0000012217 00000 п. 0000018808 00000 п. 0000019166 00000 п. 0000019562 00000 п. 0000025975 00000 п. 0000026443 00000 п. 0000026829 00000 н. 0000027752 00000 п. 0000027902 00000 н. 0000028051 00000 п. 0000028281 00000 п. 0000028651 00000 п. 0000028872 00000 п. 0000028933 00000 п. 0000029831 00000 п. 0000030979 00000 п. 0000031301 00000 п. 0000031673 00000 п. 0000031873 00000 п. 0000032261 00000 п. 0000035532 00000 п. 0000036595 00000 п. 0000037678 00000 п. 0000038647 00000 п. 0000039000 00000 н. 0000040087 00000 п. 0000040787 00000 п. 0000063620 00000 п. 00000 00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000

00000 п. 00000

Идентификация видов липидов плазмы как перспективных диагностических маркеров рака простаты | BMC Медицинская информатика и принятие решений

Произошла ошибка при настройке пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка вашего браузера для приема файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:

• В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки вашего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
• Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файлы cookie.
• Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
• Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
• Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в файлах cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

Электронная комбинация носа и языка для улучшенной классификации марокканского оливкового масла первого отжима

Списки содержания доступны на сайте ScienceDirect

Домашняя страница журнала Food Research International: www.elsevier.com/locate/foodres

Электронная комбинация носа и языка для улучшенной классификации марокканских профилей оливкового масла первого отжима З. Хадди a, b, Х. Алами a, Н. Эль Бари c, М. Тунси d, Х. Бархуми d , A. Maaref d, N. Jaffrezic-Renault b, B. Bouchikhi a, ⁎ a

Sensor Electronic & Instrumentation Group, Университет Мулая Исмаила, факультет наук, физический факультет, BP 11201, Зитун, Мекнес, Лионский университет Марокко, Лионский университет Клода Бернара 1, Институт аналитики наук, UMR CNRS 5280, 5 Rue de la Doua, 69100 Villeurbanne Cedex, Франция Группа биотехнологического агро-пищеварительного и биомедицинского анализа Университета Мулай Исма Наук, Биологический факультет, Б.P. 11201, Zitoune, Meknes, Morocco d Laboratoire des Interfaces et des Matériaux Avancés, Faculté des Sciences de Monastir, 5000, Тунис до н.э.

article

info

История статьи: Получено 23 марта 2013 г. Принято 23 сентября 2013 г. Ключевые слова: Электронный нос Электронный язык Слияние данных Низкий уровень абстракции Выбор переменных Марокканские оливковые масла первого отжима

аннотация Недавно была исследована слабость распознавания запаха и вкуса сходных образов электронными сенсорными системами.Это исследование было направлено на устранение этого недостатка путем предложения улучшенной техники слияния данных для недорогого электронного носа в сочетании с простой системой электронного языка, используемой для характеристики пяти оливковых масел первого отжима (VOO) из разных географических областей Марокко. Анализ главных компонентов (PCA) показал небольшое перекрытие откликов для матрицы датчиков и показал, что при использовании двух инструментов по отдельности невозможно провести четкую дискриминацию VOO. Низкоуровневый подход слияния данных двух систем продемонстрировал способность различения, которая превосходит два инструмента, взятых по отдельности.Кроме того, выбранные особенности, основанные на дисперсионном анализе (ANOVA), привели к повышению эффективности распознавания VOO. Впоследствии PCA и кластерный анализ (CA) были выполнены на оптимально выбранных переменных и позволили улучшить классификацию VOO по сравнению с использованием всех функций. Таким образом, контролируемый метод, такой как машины опорных векторов (SVM), был применен к новому подмножеству и подтвердил, что все VOO были правильно идентифицированы в соответствии с их географическим происхождением.Результаты, полученные с помощью улучшенного подхода слияния данных, превзошли результаты классификации электронного носа и языка, взятые по отдельности. © 2013 Elsevier Ltd. Все права защищены.

1. Введение Потребители все больше обеспокоены качеством пищевых продуктов и напитков по прошествии времени, которое истекает после производства, сбора урожая, транспортировки и т. Д. Качество часто связано, в частности, с предпочтениями потребителей, защищенным наименованием места происхождения (PDO), аромат и цвет. Подлинность оливкового масла первого отжима (VOO) и отслеживаемость его происхождения стали предметом большого интереса в последнее десятилетие, поскольку контроль и мониторинг VOO имеют отношение к ЗОП или названиям регионов, где они производятся.Кроме того, аромат является одним из наиболее важных сенсорных атрибутов VOO и может вносить свой вклад в типичные сенсорные характеристики, которые делают VOO таким уникальным. Следовательно, аромат представляет собой решающий критерий для контроля подлинности VOO. Аромат VOO характеризуется различными летучими соединениями, включая карбонильные соединения, спирты, сложные эфиры и углеводороды (Flath, Forrey, & Guadagni, 1973). Однако фенольные соединения оказывают значительное влияние на запах VOO. Они играют важную роль в их качестве, поскольку вносят значительный вклад в их устойчивость к окислению (Gomes, Caponio, & Delcuratolo, 2003).Выполнить ВОО на ароматической основе ⁎ Автор, ответственный за переписку: Б.П. 11201, Зитун, 50003 Мекнес, Марокко. Тел .: +212 535 53 88 70; факс: +212 535 53 68 08. Адрес электронной почты: [электронная почта защищена] (Б. Бучихи). 0963-9969 / $ — см. Титульный лист © 2013 Elsevier Ltd. Все права защищены. http://dx.doi.org/10.1016/j.foodres.2013.09.036

Традиционные методы, используемые для анализа запахов и регулирования в пищевой промышленности и производстве напитков, могут быть полезны, но все же доставляют неудобства. С одной стороны, газовая хроматография-масс-спектрометрия (ГХ-МС) и человеческие вкусовые панели кажутся хорошими в процессе классификации VOO и могут предоставить очень подробную информацию о летучих, присутствующих в запахе.С другой стороны, ГХ – МС очень дорогая, с высокими затратами на техническое обслуживание и требует обученного персонала. То же самое относится к методам сенсорной оценки, которые, как правило, требуют много времени и трудозатрат для рутинного контроля качества и требуют обучения экспертов или большого числа экспертов-потребителей. Таким образом, электронный нос и язык — хорошие кандидаты на замену быстродействию, непрерывному мониторингу, портативности и дешевизне устройств. За последние два десятилетия электронный нос и язык стали применяться в самых разных областях.Хотя это расширение привело к появлению новых приложений, их использование в молочной промышленности, производстве напитков и пищевой промышленности неуклонно растет. Важная часть их актуальности сосредоточена на VOO, например, исследования, касающиеся географического происхождения и аутентификации дополнительных VOO с помощью электронного носа (Cosio, Ballabio, Benedetti, & Gigliotti, 2006), использование электронного носа для определения процента дефектов в масла (Lerma-García et al., 2010), анализ дополнительных VOO для отдельных сортов (Cimato et al., 2006), характеристика оливкового масла (Stella, Barisci, Serra, Wallace, & De Rossi, 2000), VOO сенсорный оценка

Z.Haddi et al. / Food Research International 54 (2013) 1488–1498

(Escuderos, Sánchez, & Jiménez, 2010) и контроль качества аромата VOO (Guadarrama, Rodriguez-Méndez, de Saja, Rios, & Olias, 2000). К сожалению, электронный нос иногда недостаточно чувствителен или может быть нарушен основными соединениями в свободном пространстве, которые не имеют отношения к аромату. В попытке устранить этот недостаток можно было использовать электронный язык, и, следовательно, оливковое масло было исследовано электронным языком в нескольких исследованиях, например.g., оценка горечи (Apetrei, Gutierez, Rodriguez-Méndez, & De Saja, 2007; Apetrei, Rodriguez-Méndez, Parra, Gutierrez, & De Saja, 2004), полифенольное содержание (Rodriguez-Méndez, Apetrei, & De Saja, 2008), различение пищевых масел (Oliveri, Baldo, Daniele, & Forina, 2009) и измерение сенсорных дескрипторов с помощью нового «магнитного языка» (Lauri et al., 2013). До сих пор одним из самых важных недостатков электронного языка было то, что они построены на основе однотипных датчиков, т.е.е., потенциометрические и вольтамперометрические датчики или встречно-штыревые электроды (IDE) (Moreno, Merlos, Abramova, Jiménez, & Bratov, 2006). Эти методы ограничивали объем данных полезной информации, которые можно было получить в рамках этого анализа. Недавно было доказано, что новые стратегии эффективно преодолевают эти проблемы, а именно методы слияния данных с нескольких датчиков. Это применялось во многих областях, и постоянно исследуются новые приложения. Ранее мы сообщали об усиленной классификации между образцами пива, в которой два электронных языка были объединены с использованием метода слияния данных (Gutiérrez et al., 2013). Di Natale et al. (2000) продемонстрировали хорошую классификацию клинического анализа (анализ мочи) и анализа пищевых продуктов (анализ молока) путем интеграции электронного носа и электронного языка путем объединения данных, полученных от каждого из массивов датчиков. Наконец, исследование, разработанное Apetrei et al. (2010) охарактеризовали оливковое масло с разной степенью горечи и получили превосходные результаты, объединив три аналитических инструмента, таких как электронный нос, язык и глаз. Из-за высокой сложности образцов пищевых продуктов использование только данных языка или носа в некоторых приложениях может быть недостаточным (Wide, Winquist, Bergsten, & Petriu, 1998).В этом контексте проиллюстрировано применение электронного носа и электронного языка для характеристики марокканского VOO от разновидности Picholine. Взаимодействие летучих веществ с чувствительным элементом вызовет изменения в электрическом сопротивлении датчика, и, поскольку кинетика датчика отличается, полученные данные воспринимаются как общий отпечаток пальца, который можно интерпретировать с использованием соответствующих математических методов. Тем не менее, в большинстве случаев для применения данных массива химических / электрохимических датчиков выбор переменной кажется обязательным, особенно когда используется подход слияния данных.Это позволит удалить датчики или переменные отклика, которые являются избыточными, шумными или неактуальными для предусмотренных задач классификации или количественного определения

1489

. Цель этой работы — показать, как объединение данных о сочетании электронного носа и электронного языка является эффективным методом характеризации. Это было посвящено быстрой проверке паттернов VOO в соответствии с их пяти географическим происхождением. 2. Экспериментальная 2.1. Измерение с помощью установки электронного носа. Была использована система МОП-газа с электронным носом на основе матрицы из 5 датчиков.Экспериментальная система в основном состоит из трех частей: матрицы датчиков, емкости для отбора проб с системой измерения и системы сбора данных (Amari, El Bari, & Bouchikhi, 2009). На рис. 1 матрица датчиков состоит из пяти различных газовых датчиков диоксида олова: TGS 8xx (с xx = 15, 22, 24, 25 и 42), полученных от Figaro Engineering, Inc. (Осака, Япония). В литературе во многих исследованиях утверждается, что температура образца, камеры сенсора и сенсоров должна поддерживаться постоянной для достижения воспроизводимых характеристик системы электронного носа.Это связано с тем, что изменение значения температуры окружающей среды может вызвать изменение рабочей температуры датчика, изменяя чувствительность датчика, а затем и значение стационарной проводимости (Nagle, Gutierrez-Osuna, Kermani, & Schiffman, 2002, глава 17). . В качестве непосредственной причины использовались датчик температуры (LM335Z) и датчик относительной влажности (HIh5000-01) от National Semiconductor (Санта-Клара, Калифорния, США) для постоянного контроля температуры внутренней камеры датчика и относительной влажности.Емкость для отбора проб была необходимой конструкцией для транспортировки пахучих молекул пробы из устройства для сбора пробирки через чистый азот (в качестве газа-носителя) для облегчения контакта с свободным пространством сенсора. Система сбора данных измеряла изменение проводимости датчика с помощью микроконтроллера PIC16F877 (через последовательный порт связи RS232). Выходной сигнал измерялся с интервалом 2 с в течение 10 мин. Этого времени было достаточно, чтобы большинство датчиков достигли устойчивого состояния. 2.2. Вольтамперометрические измерения Все электрохимические испытания проводились с помощью системы электрохимического анализатора Autolab PG30 (Eco Chemie, Нидерланды) с программным обеспечением для сбора данных (GPES), предоставленным производителем.Электрохимические измерения проводили в обычной электрохимической ячейке, содержащей трехэлектродную систему, которая обеспечивала стабильное позиционирование электродов и перемешивание раствора. Для электрохимических измерений в качестве электрода сравнения использовался насыщенный каломельный электрод (SCE), а в качестве вспомогательного — платина.

Рис. 1. Схематическое изображение сенсорной матрицы TGS (датчик газа Тагучи).

1490

Z. Haddi et al. / Food Research International 54 (2013) 1488–1498

В качестве рабочего электрода использовались различные материалы: платина (Pt), золото (Au), стеклоуглерод (GC) и оксид индия и олова (ITO).Переходные характеристики электрического тока измерялись потенциостатом, подключенным к измерительному компьютеру через аналого-цифровой преобразователь. 2.3. Отбор и подготовка образцов В Марокко более 90% оливкового масла производится из оливок пиколин. В этом исследовании оливки собирали с ноября по декабрь 2010 года. VOO высшего качества обычно характеризуются особыми сенсорными характеристиками, но на это сильно влияют рабочие условия процесса механической экстракции VOO (Angerosa et al., 2004), разновидности деревьев, почвы, метеорологические условия, методы обработки и условия хранения (Salter et al., 1997). Таким образом, однажды собранные оливки были извлечены и извлечены в тех же условиях применения. В январе 2011 года было проанализировано в общей сложности 25 образцов VOO (5 образцов на район), представляющих пять марокканских областей. Пять марокканских образцов Picholine VOO были произведены в пяти различных областях: Уарзазат (VOO-1), Уаззан (VOO-2), Таунат ( VOO-3), Мрирт (VOO-4) и Сиди Али (VOO-5).Фактически, три из пяти областей; Уаззан, Таунате и Сиди Али разделяют соседнее географическое пространство (расстояние ~ 130 км отделяет область от двух других в любой данной области). Масла были выбраны из соседних регионов как прямое требование для проверки эффективности электронных сенсорных систем, а затем для усовершенствованной техники слияния данных. Измерения свободного пространства образца VOO проводились с помощью электронного носа и языка, которые были описаны в разделах 2.1 и 2.2. Каждый образец ВОО помещали в герметичные стеклянные флаконы и хранили в темноте непосредственно перед использованием. Образцы VOO (10 мл) нагревали до 30 ± 0,5 ° C внутри контролируемой камеры для отбора проб термостата в течение 10 минут, а затем закачивали азот в качестве газа-носителя для удаления растворенного кислорода из VOO и следствие, чтобы избежать окисления оливкового масла (Masella, Parenti, Spugnoli, & Calamai, 2010). Это давало однородное свободное пространство, и перенос VOO-пространства еще не происходил.Электронная система отбора проб из носа состояла из динамического отбора проб из свободного пространства (т. Е. По прошествии 10 минут нагрева VOO сохранялись внутри контролируемой камеры для отбора проб термостата, а их летучие вещества непрерывно удалялись с помощью газа-носителя азота со скоростью потока. 100 мл / мин). Таким образом, летучие соединения напрямую переносились газом-носителем в камеру сенсора. В крышках флакона было два небольших отверстия, позволяющих анализировать свободное пространство внутри оборудования электронного носа.Для каждого анализируемого набора VOO использовали новый герметичный стеклянный флакон. Электрохимические измерения VOO контролировались термостатически с использованием водяной бани с температурой ~ 30 ° C в дихлорметане (10 мл) и тетрафторборате тетрабутиламмония (20 мг) в качестве фонового электролита. Циклическую вольтамперометрию (ЦВА) регистрировали в диапазоне переменных потенциалов от -700 до 1700 мВ со скоростью сканирования 100 мВ с-1. В условиях этих условий различные VOO показывали анодные и катодные пики. 2.4. Извлечение признаков и предварительная обработка данных Целью извлечения признаков является получение низкоразмерного отображения, которое сохраняет большую часть информации в исходном векторе признаков.Основываясь на предыдущих работах, посвященных электронному носу, мы показали, что комбинация между начальной проводимостью, установившейся проводимостью, динамическим наклоном проводимости и площадью под кривой проводимости часто хорошо коррелирует с типом паттерна и во многих случаях управляет основной частью информации (Haddi, Amari, Alami, et al., 2011). По этой причине и в данном исследовании мы извлекли начальную проводимость G0, рассчитанную как среднее значение проводимости в течение первой минуты измерения; установившаяся проводимость GS, рассчитанная как среднее значение проводимости между 9 и 10 минутами измерения; динамический

наклон проводимости (DS), dG / dt, рассчитанный между 2 и 7 минутами времени воздействия на образцы VOO; и площадь S под кривой проводимости во временном интервале, определенном между 2 и 8 минутами измерения.Эта площадь оценивалась методом трапеции. Поскольку в матрице было 5 датчиков TGS, каждое измерение описывалось 20 переменными. Чтобы уменьшить изменчивость, связанную с возможными колебаниями сигналов электронного носа, и минимизировать другие источники дисперсии, также влияющие на общий сигнал датчиков, для построения моделей распознавания образов использовались нормализованные, а не абсолютные сигналы. Наконец, чтобы нормализовать переменные, метод предварительной обработки с автомасштабированием был применен к набору данных из 25 измерений × 20 функций.Хорошо известно, что вольтамперометрические сигналы содержат сотни измерений и обычно имеют перекрывающиеся области с нестационарными характеристиками (Gutierrez, Moreno-Baron, Cespedes, Munoz, & Del Valle, 2009). Таким образом, целью выделения признаков было полное использование информации, полученной с каждой вольтамперограммы. Для достижения этой цели были извлечены пять характерных признаков из цикловольтамперограммы каждого датчика массива. Полный список этих характеристик: (1) Imin: минимальное значение тока, измеренное в начальном потенциале; (2) Imax: максимальное значение тока, измеренное в конечном диапазоне потенциалов; (3) ΔI = Imax — Imin: изменение тока, рассчитанное как разница между максимальным и минимальным значениями тока; (4) Sox: максимальный наклон кривой тока в форме окисления; и (5) Srd: максимальный наклон кривой тока в форме сокращения.Поскольку в матрице было 4 рабочих электрода, каждое вольтамперометрическое измерение описывалось 20 переменными. Подобно функциям электронного носа, данные вольтамперометрии электронного языка были нормализованы путем установки среднего значения в начале каждой переменной и последующего деления их на их стандартное отклонение, чтобы удалить любые эффекты концентрации в образце VOO. Предварительная обработка данных электронного носа и языка заключалась в извлечении наиболее важных характеристик из кривых отклика сенсора.Методы распознавания образов являются решающими факторами в получении универсального прибора, способного надежно распознавать самые разные запахи. Для предварительной обработки и анализа данных использовалось программное обеспечение MATLAB 7.0.1 (MathWorks Inc., Натик, Массачусетс, США). 2.5. Объединение данных и анализ данных Среди трех подходов, предлагаемых техникой объединения данных, а именно: низкий уровень абстракции, средний уровень абстракции и высокий уровень абстракции, первый подход является наиболее часто используемым и обычно дает хорошие результаты.В нескольких исследованиях сообщалось о низком уровне абстракции (Di Natale et al., 2000; Rudnitskaya et al., 2006), что свидетельствует о его положительном влиянии на объединение данных из разных инструментов, а также демонстрирует его широкий потенциал для применения в многоцелевых системах. слияние данных датчиков. Обычно на низком уровне абстракции данные из всех источников просто объединяются перед построением модели. Результирующая матрица данных имеет количество строк, равное количеству выборок, и количество столбцов, равное общему количеству сигналов от всех источников.В этой работе мы выбираем низкий уровень абстракции для комбинации данных, собранных из электронного носа и электронного языка. Рассматриваемая нами матрица слияния данных имела 25 строк (т. Е. Измерений) и 40 столбцов (т. Е. Переменных). Мы попытались улучшить этот подход, выполнив выбор переменной ANOVA для объединенных данных, чтобы увидеть, как эта комбинация, называемая улучшенной низкоуровневой абстракцией, может привести к более совершенной классификации по сравнению с простой низкоуровневой абстракцией. Чтобы показать реакцию электронного носа, языка и объединенной матрицы на различные VOO, были использованы как химические, так и электрохимические реакции для формирования баз данных, которые подвергались неконтролируемым и контролируемым методам многомерного анализа данных, таким как PCA, CA и SVM.PCA — это мощный метод неконтролируемого распознавания образов, часто используемый с несколькими типами матриц датчиков газа и жидкости (Haddi,

Z. Haddi et al. / Food Research International 54 (2013) 1488–1498

Amari, Alami, et al. , 2011; Jańczyk et al., 2010). Основная цель PCA состоит в выражении информации, исходящей от электронного носа и языка, с помощью меньшего числа переменных, называемых главными компонентами. Эти главные компоненты представляют собой линейные комбинации исходных векторов отклика.Основные компоненты были выбраны таким образом, чтобы они содержали максимальную дисперсию данных и были ортогональными. CA использовался для изучения данных электронного носа и языка путем тестирования взаимосвязей различных групп VOO. Метод CA пытается разделить данные на определенные группы (Everitt, 1974) на основе меры сходства. Каждая точка данных (выборка) изначально предполагалась как одинокий кластер, затем пороговое значение (решение, когда объявлять два или более объекта членами одного кластера) постепенно снижалось.В результате все больше и больше образцов были связаны вместе и объединены в все большие и большие кластеры все более и более разнородных элементов. Наконец, все образцы были объединены. Результаты методов иерархической кластеризации часто отображаются в виде соединения дендрограммы. Существует много типов связи подобия, три наиболее распространенных из них: одиночная связь (ближайший сосед), где расстояние между двумя кластерами определяется расстоянием между двумя ближайшими объектами в кластерах; полная связь (самый дальний сосед), где расстояния между кластерами определяются наибольшим расстоянием между любыми двумя объектами в разных кластерах; и среднее по группе, где расстояния между кластерами определяются средним расстоянием до объектов в разных кластерах.В последнее десятилетие в рамках широкого обучения был предложен новый метод классификации, называемый SVM. SVM, основанные на теории статистического обучения (SLT), недавно были представлены как новый метод для решения множества задач классификации и прогнозирования обучения (Cristianini & Shawe-Taylor, 2000). SVM успешно применялись для решения ряда задач, начиная от идентификации лиц и категоризации текста до биоинформатики и интеллектуального анализа данных. Метод статистической классификации был предложен Вапником (1995), и основная идея SVM состоит в том, чтобы разделить классы с помощью определенной гиперплоскости, которая максимизирует величину, называемую запасом.Запас — это расстояние от гиперплоскости, разделяющей классы, до ближайшей точки в наборе данных. Изначально SVM были разработаны для двоичной классификации, и в настоящее время существует два типа подходов для мультиклассовых SVM. Первый — это построение и комбинирование нескольких бинарных классификаторов «один против одного или один против всех методов», а второй — это непосредственное рассмотрение всех данных в одной формулировке оптимизации (Hsu & Lin, 2002). Прямой подход состоит в построении классификатора, который распознает набор всех классов: определение гиперплоскости

1491

между этими различными классами позволяет выбрать класс при представлении нового ввода.Более подробную информацию можно найти в другом месте (El Barbri, Llobet, El Bari, Correig, & Bouchikhi, 2008). 3. Результаты и обсуждение 3.1. Марокканские характеристики VOO Матрица сенсоров 5-TGS подвергалась воздействию аналита, и наблюдались изменения в измеренном сопротивлении (проводимости). Они были записаны и привели к электрическим откликам, показанным на рис. 2 и 3. График зависимости G (t) от времени, когда датчики подвергались воздействию среднего образца VOO-1, изображен на рис. 2. Можно видеть, что зависимый от времени отклик проводимости увеличивается, когда образцы VOO подвергались воздействию датчиков TGS.Мы отметили, что TGS 825, TGS 815 и TGS 842 имеют хорошую чувствительность к VOO-1; однако TGS 822 и TGS 824 имеют низкие значения проводимости, которые характеризуют летучие вещества этой группы. Следовательно, каждый датчик имел проводимость в установившемся режиме, отличную друг от друга. Подобное поведение было обнаружено для всех VOO, т.е. реакция каждого сенсора зависела от концентрации и профиля летучих соединений, которые исходили из пустот VOO (рис. 1A – D в вспомогательной информации). С другой стороны, относительная влажность немного меняется со временем, но это не повлияло на результаты (Amari et al., 2006; О’Коннелл, Валдора, Пельтцер и Негри, 2001). Температура внутри камеры остается почти постоянной в каждом эксперименте (около 33 ° C). Кроме того, были исключены отклики датчиков температуры и влажности, поскольку они не показали каких-либо явных различий между всеми образцами VOO (на основе однофакторного F-теста ANOVA, значение P ниже, чем уровень значимости 0,05). . Появление дрейфа в сигналах датчиков не измерялось явно, так как во время фазы измерения измерения с калиброванным газом не проводились.Однако в течение этого экспериментального периода не наблюдалось значительного дрейфа отклика для исходного значения проводимости датчика, измеренного в присутствии эталонного газа (P-значение b 0,05). Воспроизводимость датчиков оценивали путем расчета относительного стандартного отклонения (RSD) пяти образцов. RSD, представленный на рис. 2, показывает воспроизводимость, полученную с помощью различных датчиков (3% ≤ RSD ≤ 8% для пяти датчиков TGS). На рис. 3 кривые представляют выходной сигнал TGS 825 за 10-минутный период выборки.После начального периода низкой проводимости сигналы датчика резко увеличиваются для VOO-1, постепенно для остальных VOO, а затем стабилизируются через 10 мин измерения. Мы заметили, что постоянная проводимость TGS 825 достигает 325, 61 и 20 мкс для

Рис. 2. Временные характеристики массива из пяти датчиков TGS, температуры (LM 335Z) и влажности (HIH 4000) на воздействие оливковое масло первого отжима из варзазата: VOO-1 (среднее значение и RSD для 5 образцов).

1492

Z.Haddi et al. / Food Research International 54 (2013) 1488–1498

Рис. 3. Средняя электрическая проводимость TGS 825 при воздействии на 5 образцов исследованных VOO. Различные буквы обозначают статистическую значимость с P-значением b0,05, как определено F-тестом на основе сравнения стационарной проводимости ответа TGS 825 на VOO-1 с VOO-2, VOO-3, VOO-4. и ВОО-5. Обычные буквы обозначают отсутствие статистической значимости с P-значением N0,05 установившейся проводимости ответа TGS 825 по отношению к VOO-4 с VOO-5.VOO-1 (Уарзазат), VOO-2 (Уаззан), VOO-3 (Таунате), VOO-4 (Мрирт) и VOO-5 (Сиди Али).

ВОО-1, ВОО-2 и ВОО-3 соответственно. Что касается ответов TGS 825 на VOO-4 и VOO-5, очень похожее поведение наблюдалось как в установившейся проводимости (109 и 116 мкс соответственно), так и в изменении ответов во время измерения. Также данные были проанализированы с использованием одностороннего F-теста ANOVA при критическом значении α = 0,05. TGS 825 может существенно различать все изученные VOO (P-значение b 0.05), за исключением VOO5 и VOO4, которые имеют очень похожую стационарную проводимость (значение P N 0,05). Учитывая тот факт, что используемые сенсоры ведут себя как полупроводники n-типа, увеличение их проводимости при наличии свободного пространства над VOO предполагает, что присутствующие летучие вещества в основном являются восстановителями. Три VOO (VOO-1, VOO-2 и VOO-3), показанные на рис. 3, было легче распознать по их уникальной форме, подписанной на кривой датчика, однако два VOO (VOO-4 и VOO-5) ) оказались близкими по электрическим характеристикам при воздействии на матрицу датчиков.Это свидетельствует о том, что реакция сенсора изменяется характерным образом в зависимости от географического происхождения VOO (Cosio et al., 2006). Форму этих профилей можно рассматривать как отпечаток пальца исследуемой ВОО в условиях эксперимента. Следовательно, графические дисплеи (т. Е. Представление радиолокационных графиков) особенно подходят для лаконичной иллюстрации взаимосвязей и тенденций. Результаты представления радиолокационных графиков на VOO представлены в другом месте (Haddi, Amari, Ould Ali и др., 2011). Существует явная вариация паттернов между VOO-1, VOO-2 и VOO-3, происходящими из Уарзазата, Уаззана и Таунате соответственно, однако VOO, взятые у Мрирта (VOO-4) и Сиди Али (VOO5), обладали закрытые подписи.Следует подчеркнуть, что даже если образцы VOO-2, VOO-3 и VOO-5 были взяты из соседних областей (Уаззане, Таунате и Сиди Али), в их образцах были обнаружены явные различия. Вольтамперометрическое поведение профилей VOO также исследовалось с помощью CV. Электрохимический отклик данного объекта зависит от внутренней химической природы как электрода, так и от окислительно-восстановительного поведения самого продукта (Campos et al., 2012). Различные вольтамперограммы, полученные с погруженных вольтамперометрических датчиков в ВОО-1, показаны на рис.4. Вольтамперограммы VOO-2, VOO-3, VOO-4 и VOO-5 представлены на рис. 2A – D в вспомогательной информации. Замечено, что разные используемые вольтамперометрические электроды отображали дифференцированные сигналы для каждого типа VOO. Как можно видеть, разные профили отклика были получены в зависимости от природы используемого электрода (не только по форме вольтамперограммы, но и по полученным токам). Хотя наблюдались сходства, в целом некоторые дифференцированные ответы можно было увидеть как при экстремальных потенциалах в зоне окисления, так и в зоне восстановления.Кроме того, наличие четких

и плохих пиков окислительно-восстановительного потенциала выявляет изменения на вольтамперограммах и указывает на то, что в матрице VOO могут присутствовать различные окислительно-восстановительные частицы (Apetrei et al., 2004). Таким образом, с помощью каждого типа датчика можно было извлекать разные отпечатки пальцев. На рис. 5 показан пример электрода ITO, записанного при 100 мВ / с для пяти VOO. На вольтамперограммах электронного языка наблюдалась явная вариативность отклика. Большинство вольтамперограмм, полученных для разных ВОО, имеют схожую форму.Однако соответствующие значения тока значительно отличаются друг от друга (P-значение b 0,05). A fortiori, это было связано с изменениями концентрации электрохимических соединений от географического происхождения VOO к другому. Эти результаты являются хорошей отправной точкой для подхода электронного языка (Del Valle, 2010). Воспроизводимость четырех электродов ET также оценивалась путем расчета RSD пяти образцов. RSD, составляющее от 4 до 11%, показывает на рис. 4 полученную воспроизводимость.3.2. Анализ PCA Анализировалась дискриминация различных марокканских географических VOO-профилей посредством электронного носа, электронного языка и их анализа слияния данных. Во-первых, PCA проводился по данным электронного носа. На рис. 6 показан трехмерный график оценки, на котором разделение

Рис. 4. Циклические вольтамперограммы, полученные с четырьмя электродами, используемыми для VOO-1 (уарзазат) (среднее значение и RSD для 5 образцов). Au: золото, GC: стеклоуглерод, ITO: оксид индия и олова и Pt: платина.

Z. Haddi et al. / Food Research International 54 (2013) 1488–1498

Рис. 5. Средние циклические вольтамперограммы, записанные для 5 образцов в VOO с использованием электрода из оксида индия и олова (ITO). VOO-1 (Уарзазат), VOO-2 (Уаззан), VOO-3 (Таунате), VOO-4 (Мрирт) и VOO-5 (Сиди Али).

1493

Рис. 7. Трехмерный график PCA, выполненный по пяти измерениям VOO, собранным с помощью вольтамперометрического электронного языка. VOO-1 (Уарзазат), VOO-2 (Уаззан), VOO-3 (Таунате), VOO-4 (Мрирт) и VOO-5 (Сиди Али).

среди географических источников VOO не было полным. Как видно, дисперсия, объясняемая первой и второй главными компонентами, составила 79,06% и 11,84% соответственно. Таким образом, анализ был расширен до третьего компонента (6,89% от общей дисперсии), и он был представлен в трехмерном пространстве. Однако на этом графике была определенная область перекрытия, в которой нельзя было провести четкую дифференциацию между VOO-4 и VOO-5, то есть, например, аналогично изображениям радиолокационных графиков (Haddi, Amari, Ould Ali, et al. ., 2011). Помимо результатов электронного носа, PCA на вольтамперометрических данных электронного языка указывает на существование отдельных кластеров VOO (рис. 7). Разница, объясняемая первыми тремя основными компонентами, составила 91,38%. На рис. 7 (график оценок) при перемещении слева направо по первому и третьему компоненту (объясненная дисперсия 52,82% и 14,77% соответственно), VOO-1, VOO-4 и VOO-5 хорошо разделены, но было явное совпадение между VOO-2 и VOO-3. Стоит отметить, что два аналитических инструмента обеспечивают дополнительный обзор VOO-вкуса, который отсутствует при использовании только одного инструмента.Чтобы прояснить сочетание электронного носа и электронного языка, мы предлагаем метод слияния данных, направленный на объединение двух наборов данных с использованием подхода низкого уровня абстракции. Поскольку каждый аналитический инструмент предлагает ряд функций, равных другим (т.е. по 20 переменных в каждом), мы уверены, что проблемы с размерностью (Boilot, Hines, Gongora, & Folland, 2003) не появятся в объединенных результатах.

Графики первых трех основных компонентов для пяти географических ВОО показаны на рис.8. Как видно на графике оценок, образцы пяти различных классов были хорошо описаны всеми компонентами (ПК1, ПК2 и ПК3), что покрывает 85,64% общей дисперсии от слияния данных низкого уровня абстракции электронного носа. и вольтамперометрический электронный язык. Здесь VOO-4 и VOO-5 теперь четко разделены. То же самое касалось ВОО-2 и ВОО-3. Можно сделать вывод, что объединенный набор данных показал высокую перекрестную чувствительность к образцам VOO. Однако целевая высокая перекрестная чувствительность приведет к тому, что количество переменных будет значительно превосходить количество образцов VOO; вот почему выбор переменных кажется эффективным для преодоления этого недостатка.Пытаясь еще больше улучшить этот результат, мы предлагаем объединить низкоуровневую абстракцию с методом выбора переменных, чтобы удалить те датчики или переменные отклика, которые являются избыточными, шумными или нерелевантными для классификации VOO, в таком способ уменьшения размерности входного пространства без потери полезной информации. Этой методологии следует несколько работ, и, похоже, она дает хорошие результаты (Gardner, Boilot, & Hines, 2005). Это очень важный шаг в многомерном анализе, поскольку удаление неинформативных переменных приведет к созданию более экономных моделей (Leardi, Seasholttz, & Pell, 2002).

Рис. 6. Трехмерный график PCA, выполненный по пяти измерениям VOO, собранным с помощью матрицы датчиков TGS. VOO-1 (Уарзазат), VOO-2 (Уаззан), VOO-3 (Таунате), VOO-4 (Мрирт) и VOO-5 (Сиди Али).

Рис. 8. Трехмерный график PCA, выполненный для пяти измерений VOO, собранных с использованием метода слияния данных низкого уровня абстракции электронного носа и языка. VOO-1 (Уарзазат), VOO-2 (Уаззан), VOO-3 (Таунате), VOO-4 (Мрирт) и VOO-5 (Сиди Али).

1494

Z.Haddi et al. / Food Research International 54 (2013) 1488–1498

Таблица 1 ANOVA пяти выборок VOO-регионов со всеми особенностями слияния данных низкого уровня абстракции.

Imin-Au

Imin-GC

Imin-ITO

Imin-Pt

Imax-Au

Imax-GC

Imax-ITO

Imax-Pt

Sox-Au

Sox-Au 9000

Sox-ITO

Sox-Pt

Srd-Au

Srd-GC

Srd-ITO

Srd-Pt

ΔI − Au −

ΔI − GC

ΔIt

G0-TGS 815

G0-TGS 822

G0-TGS 824

G0-TGS 825

G0-TGS 842

Между группами Внутри групп Всего Между группами Внутри групп Всего Между группами Внутри групп Всего Между группами группы Всего Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Ween группы Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого

Сумма квадратов

Степень свободы

Средний квадрат

0.000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24 4 20 24

4.680 E-12 2,070 E-13

Коэффициент F 22,611

3,044 E-13 4,981 E-14

6,113

3,418 E-11 2,001 E-11

1,708

1,962 E-11 3,073 E-12

6.386

1.033 E-10 1.474 E-12

70.086

3.872 E-12 1.094 E-13

35.378

2.341 E-10 7.852 E-11

2.982

9.196 E- -12

27,924

1,372 E-11 2,367 E-13

57,947

8,987 E-13 2.035 E-14

44,167

4,044 E-11 1,106 E-11

3,654

1,413 E-11 8,425 E-13

16,779

1,412 E-11 3,100 E-13

45,547 9.

-13 1,143 E-14

86,872

3,667 E-11 9,4368 E-12

3,887

1,1972 E-11 6,217 E-13

19,257

1,504 E-10 2,647 E-12

05

56,8000 5.211 E-12 2.884 E-13

18.070

4.096 E-10 1.744 E-10

2.348

1,669 E-10 1,147 E-11

14,546

7,106 E-7 2,145 E-9

331,284

3,999 E-7 8,875 E-11

4504,857

3,998 E-7 2,0

1914.723

5.253 E-7 2.175 E-9

241.522

2.285 E-6 1.419 E-9

1610.373

Z. Haddi et al. / Food Research International 54 (2013) 1488–1498

1495

Таблица 1 (продолжение)

Gs-TGS 815

Gs-TGS 822

Gs4-TGS 824

Gs-TGS 825

Gs 842

dG / dt-TGS 815

dG / dt-TGS 822

dG / dt-TGS 824

dG / dt-TGS 825

dG / dt-TGS 842

S-TGS 842

S-TGS -TGS 822

S-TGS 824

S-TGS 825

S-TGS 842

Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого между группами Внутри групп Итого Между группами Внутри групп Итого между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри групп Итого Между группами Внутри группы ups Всего

Сумма квадратов

Степень свободы

Среднее квадратическое

0.000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,830 0,071 0,900 0,083 0,003 0,086 0,158 0,002 0,160 0,342 0,063 0,405 1,868 0,038 1,906 4 200005

2,953 E-6 4,810 E -8

61,396

8,958 E-8 3,796 E-9

23.599

2.530 E-7 3.435 E-9

73.665

2.940E-6 3.675 E-8

80.001

4.673 E-6 3.353 E-8

139.390

1.907 E-9 1.692 E-9

11,275

2,792 E-9 7,254 E-11

38,495

5,302 E-10 8,238 E-11

6,436

9,988 E-8 1,133 E-9

88,156

38 E-8 3.8 -10

29,130 ​​

2,345 E-1 4,002 E-3

58,593

2,075 E-2 1.745 E-4

118.912

4.013 E-2 8.177 E-5

490.734

0.811 E-1 3.003 E-3

27.009

4.975 E-1 2.002 E-3

248.485

F-ratio

В таблице 1 показаны результаты ANOVA для каждого признака с разными категориями VOO. Средний квадрат (МС) — это дисперсия данных для каждого взаимодействия факторов.Второй столбец — это степень свободы (DF). Сумма квадратов (SS) вычисляется как MS × DF. Коэффициент F вычисляется путем деления среднего квадрата дисперсии (MSB) на средние квадраты в пределах дисперсии (MSW). Пороговое значение F-ratio для способности распознавания было установлено на значение, которое позволяло сохранить ~ 90% среднего значения отношения межкатегориальной дисперсии. Общее среднее значение F составляет 266,020 (среднее значение столбца F-ratio в таблице 1). Итак, 10% от этого значения будут определять границу между информативными и неинформативными признаками.Следовательно, объекты, для которых значение F меньше 10% от общего среднего значения F (F-ratio b 26.602), будут удалены из объединенной базы данных. Таким образом, было удалено 15 функций: GS-TGS 822, Imin-Au, Srd-Pt, ΔI- GC, Sox-Pt, ΔI-Pt, dG / dt-TGS 815, dG / dt-TGS 824, Imin-Pt, Imin-GC, Srd-ITO, SoxITO, Imax-ITO, ΔI-ITO и Imin-ITO. Следовательно, в модели PCA, CA и SVM были введены только функции, содержащие различительную информацию. 3.4. PCA-анализ для слияния данных выбранных переменных ANOVA Рис.9 показаны оценки PCA на улучшенном низком уровне слияния данных абстракции (только с выбранными переменными ANOVA). PC1 объясняет

1496

Z. Haddi et al. / Food Research International 54 (2013) 1488–1498

превзошли результаты, полученные с помощью комбинации электронного носа, языка и глаза (Apetrei et al., 2010), с точки зрения четко разделенных кластеров и более высокой общей дисперсии, объясняемой тремя первыми ПК. Несколько исследований четко установили, что трудности с правильным распознаванием оливковых масел в основном связаны с большой вариабельностью, связанной с разновидностями деревьев, почвами, метеорологическими условиями, методами обработки и условиями хранения, которые придают определенные сенсорные и химические свойства (Salter и другие., 1997). В настоящем исследовании некоторые из этих вариаций были сведены к минимуму. Поскольку все образцы принадлежат сорту, известному как «марокканский пиколин», разница между образцами, относящимися к нескольким сортам, была полностью отклонена. После сбора оливки экстрагировали в тех же условиях, а затем хранили в темных условиях при умеренной температуре, чтобы замедлить скорость окисления (Velasco & Dobarganes, 2002). Однако из-за различных почв и климатических условий VOO из этих областей были разными, и поэтому улучшенный метод слияния данных был важен для их качественной идентификации.Рис. 9. Трехмерный график PCA, выполненный для пяти измерений VOO, собранных с использованием улучшенного низкоуровневого слияния данных абстракции путем выбора более информативных признаков методом выбора переменных ANOVA. VOO-1 (Уарзазат), VOO-2 (Уаззан), VOO-3 (Таунате), VOO-4 (Мрирт) и VOO-5 (Сиди Али).

отклонения 66,28%, PC2 объясняет отклонения 23,82%, PC3 объясняет отклонения 5,63%, а совокупная ставка вклада в отклонения от трех первых основных компонентов составила 95,73%. Следовательно, трехмерный график, представленный оценками PC1, PC2 и PC3, может выражать 95.73% информации из сокращенных объединенных данных. Как ясно видно, три оси ПК потенциально способствуют разделению пяти марокканских VOO. Таким образом, результаты PCA показывают идеальную классификацию между всеми изученными VOO. Сравнивая графики трехмерного представления (рис.8 и 9) до и после выбора наиболее отличительных признаков из низкоуровневого подхода слияния данных, было обнаружено, что локализация кластеров VOO была значительно улучшена, и все образцы VOO были прекрасно различимы.Эти находки имеют

3.5. Результаты CA Для подтверждения результатов PCA был использован другой неконтролируемый метод. CA был применен, чтобы суммировать взаимосвязь между моделями вкуса, связанными с географическим происхождением марокканских VOO, с точки зрения сходства или несходства. На рис. 10 объединенные сокращенные данные представлены в виде дендрограммы, где горизонтальная ось представляет евклидово расстояние между группами, а вертикальная ось обозначает сходство VOO. В качестве метода кластеризации использовалась связь между группами.Наиболее похожие образцы VOO были объединены в кластеры. Действительно, рис. 10 ясно демонстрирует различия между пятью кластерами, соответствующими пяти VOO. Образцы из каждой группы идеально сгруппированы на дендрограмме, причем каждая группа отходит на одну ветвь слева от вертикальной пунктирной линии (d = 2,5), несмотря на то, что информация об известном классе образцов не была используется при расчете дендрограммы.

Дендрограмма данных с предварительной обработкой: автоматическое масштабирование 25

20

15

10

5

0

VOO-1 VOO-1 VOO-1 VOO-1 VOO-1 VOO-2 VOO-2 VOO- 2 ВОО-2 ВОО-2 ВОО-4 ВОО-4 ВОО-4 ВОО-4 ВОО-4 ВОО-5 ВОО-5 ВОО-5 ВОО-5 ВОО-5 ВОО-3 ВОО-3 ВОО-3 ВОО-3 ВОО -3

ВОО-1

ВОО-2

ВОО-4

ВОО-5

ВОО-3

0

1

2

3

4

6 9000 Расстояние до K-ближайшего соседа Рис.10. Дендрограмма кластерного анализа (CA) улучшенного низкоуровневого слияния данных абстракции. VOO-1 (Уарзазат), VOO-2 (Уаззан), VOO-3 (Таунате), VOO-4 (Мрирт) и VOO-5 (Сиди Али).

Z. Haddi et al. / Food Research International 54 (2013) 1488–1498 Таблица 2 Матрица неточностей для SVM с использованием подхода «один против одного» и перекрестной проверки исключения одного исключения при идентификации образцов VOO. VOO-1 (Уарзазат), VOO-2 (Уаззан), VOO-3 (Таунате), VOO-4 (Мрирт) и VOO-5 (Сиди Али). Actual

обеспечивает дополнительную информацию, обеспечивая идеальный и быстрый просмотр, что значительно улучшает распознавание схожих шаблонов.Выражение признательности

Прогнозируемое ВОО-1

ВОО-1 ВОО-2 ВОО-3 ВОО-4 ВОО-5

1497

ВОО-2

ВОО-3

ВОО-4

ВОО-5

Эти работы частично финансировались AUF PCSI в рамках проекта №: 6313PS025 и PHC Maghreb № 14 (проект TASSILI № 12 MDU881 M; проект VOLUBILIS № 27960 UG; проект UTIQUE).

5 5

Анализ улучшенного низкоуровневого слияния данных абстракции, выполненный с использованием процесса CA, хорошо согласуется с результатами PCA.Все кластеры, соответствующие различным марокканским VOO, были хорошо отделены друг от друга. Это дает хорошие перспективы для применения классификатора SVM. 3.6. Результаты классификации SVM Для разработки модели классификатора были применены SVM и метод индивидуальной классификации. Выбранные ANOVA особенности низкоуровневого слияния данных абстракции использовались в качестве входных данных для SVM. Полиномиальные функции третьего порядка использовались для проецирования обучающих данных в пространство, которое максимизировало гиперплоскость поля.Оптимальный параметр регуляризации SVM был установлен на C = 1. Это умеренное значение параметра допускает некорректную классификацию некоторых обучающих шаблонов во время фазы обучения ввиду повышения способности к обобщению результирующей модели SVM. Из-за относительно небольшого количества доступных измерений был реализован метод перекрестной проверки с исключением по одному, чтобы лучше оценить истинную вероятность успеха, которого можно достичь с помощью SVM. Это предполагает, что с заданными n измерениями модель обучалась n раз с использованием n-1 обучающих векторов.Вектор, оставленный на этапе обучения, затем использовался для теста. Производительность данной модели оценивалась как средняя производительность по n тестам. Результаты SVM, полученные с использованием метода перекрестной проверки с исключением по одному, показаны в таблице 2 в виде матрицы неточностей SVM-классификатора. Строки указывают истинные категории, а столбцы — предсказанные. Понятно, что идеальная ситуация возникает, когда все отсчеты VOO попадают в диагональные ячейки матрицы. То есть каждое географическое происхождение VOO было правильно классифицировано моделью SVM, что привело к 100% успешной классификации пяти марокканских кластеров VOO.Этот показатель успеха также превосходит тот, который был обнаружен Cosio, Ballabio, Benedetti и Gigliotti (2007), которые применили слияние данных из электронного носа и языка (линейный дискриминантный анализ) в сочетании с выборкой переменных и перекрестной проверкой методом исключения по одному. процедура оценки различных условий хранения дополнительных VOO. 4. Заключение. Эта работа демонстрирует способность комбинированного TGS-электронного носа и вольтамперометрического электронного языка для быстрого и эффективного метода, направленного на быструю проверку паттернов марокканских VOO.Эксперименты проводились на 25 образцах Picholine VOO, собранных из пяти различных географических областей. Некоторые параметры хранения были сведены к минимуму, чтобы связать идентификацию VOO с различиями по географическому происхождению. Для отдельных электронных устройств не было обнаружено значительных различий в происхождении VOO. Однако низкий уровень слияния данных двух инструментов дал приемлемые результаты в отношении географической дискриминации VOO. Более того, идеальное распознавание пяти географических областей VOO было достигнуто с помощью PCA, CA и SVM, когда был разработан улучшенный низкий уровень абстракции (низкий уровень абстракции в сочетании с выбором переменных ANOVA).В свете этих результатов этот новый подход

Приложение A. Дополнительные данные Дополнительные данные к этой статье можно найти в Интернете по адресу http: // dx. doi.org/10.1016/j.foodres.2013.09.036. Ссылки Amari, A., El Barbri, N., Llobet, E., El Bari, N., Correig, X., & Bouchikhi, B. (2006). Мониторинг свежести марокканских сардин с помощью электронного носа на основе нейронной сети. Датчики, 6, 1209–1223. Амари А., Эль Бари Н. и Бушихи Б. (2009). Концепция и разработка портативной системы электронного носа для классификации сырого молока с использованием метода анализа главных компонентов.Журнал «Датчики и преобразователи», 102, 33–44. Ангероза, Ф., Сервили, М., Сельваджини, Р., Татички, А., Эспосто, С., и Монтедоро, Г. Ф. (2004). Летучие соединения в оливковом масле первого отжима: появление и их связь с качеством. Журнал хроматографии А, 1054, 17–31. Апетрей, К., Апетрей, И. М., Вильянуэва, С., Де Саха, Дж. А., Гутьеррес-Росалес, Ф., и Родригес-Мендес, М. Л. (2010). Комбинация электронного носа, электронного языка и электронного глаза для характеристики оливковых масел с разной степенью горечи.Analytica Chimica Acta, 663, 91–97. Апетрей, К., Гутьерес, Ф., Родригес-Мендес, М. Л., и Де Саха, Дж. А. (2007). Новый метод на основе электродов из углеродной пасты для оценки горечи оливкового масла первого холодного отжима. Датчики и исполнительные механизмы B, 121, 567–575. Апетрей К., Родригес-Мендес М. Л., Парра В., Гутьеррес Ф. и Де Саха Дж. А. (2004). Набор вольтамперометрических датчиков для распознавания горьких растворов. Датчики и исполнительные механизмы B, 103, 145–152. Бойло П., Хайнс Э. Л., Гонгора М.А. и Фолланд Р. С. (2003). Взаимное сравнение электронных носов, объединение данных и выбор датчика для распознавания стандартных фруктовых растворов. Датчики и исполнительные механизмы B, 88, 80–88. Кампос И., Альканьис М., Агуадо Д., Баратд Р., Феррер Дж., Гил Л. и др. (2012). Вольтамперометрический электронный язык как инструмент для контроля качества воды на очистных сооружениях. Water Research, 46, 2605–2614. Чимато А., Делло Монако Д., Дистанте К., Эпифани М., Сицилиано П., Таурино А. М. и др. (2006).Анализ оливковых масел первого сорта первого отжима с помощью электронного носа и методов HS-SPME / GC / MS. Датчики и исполнительные механизмы B, 114, 674–680. Косио, М. С., Баллабио, Д., Бенедетти, С., и Джильотти, К. (2006). Географическое происхождение и аутентификация оливковых масел первого отжима с помощью электронного носа в сочетании с искусственными нейронными сетями. Analytica Chimica Acta, 567, 202–210. Косио, М. С., Баллабио, Д., Бенедетти, С., и Джильотти, К. (2007). Оценка различных условий хранения оливковых масел первого отжима с помощью инновационного инструмента распознавания, созданного с помощью электронного носа и электронного языка.Пищевая химия, 101, 485–491. Кристианини, Н., и Шоу-Тейлор, Дж. (2000). Введение в поддержку векторных машин (1-е изд.) Нью-Йорк: Cambridge University Press. Дель Валле, М. (2010). Электронные языки с электрохимическими датчиками. Электроанализ, 22, 1539–1555. Депчинский, У., Фрост, В. Дж., И Молт, К. (2000). Генетические алгоритмы, применяемые для выбора факторов в регрессии главных компонент. Analytica Chimica Acta, 420, 217–227. Ди Натале, К., Паолессе, Р., Маканьяно, А., Мантини А., Д’Амико А., Легин А. и др. (2000). Интеграция электронного носа и электронного языка для улучшенной классификации клинических образцов и образцов пищевых продуктов. Датчики и исполнительные механизмы B, 64, 15–21. Эль Барбри, Н., Льобет, Э., Эль Бари, Н., Коррейг, X., и Бушихи, Б. (2008). Применение портативной системы электронного носа для оценки свежести марокканских сардин. Материаловедение и инженерия C, 28, 666–670. Эскудерос, М. Э., Санчес, С., и Хименес, А. (2010). Сенсорная оценка оливкового масла первого отжима с помощью искусственной обонятельной системы, основанной на датчиках микробаланса на кристаллах кварца (QCM).Датчики и исполнительные механизмы B, 147, 159–164. Эверитт Б. (1974). Кластерный анализ. Лондон, Великобритания: Heinemann Educational. Флат Р. А., Форри Р. Р. и Гуаданьи Д. Г. (1973). Компоненты аромата оливкового масла. Журнал сельскохозяйственной и пищевой химии, 21, 948–952. Гарднер, Дж. У., Бойлот, П., и Хайнс, Э. Л. (2005). Повышение эффективности электронного носа путем выбора датчика с использованием нового целочисленного генетического алгоритма. Датчики и исполнительные механизмы B, 106, 114–121. Гомес Т., Капонио Ф. и Делькуратоло Д.(2003). Нетрадиционные параметры для оценки качества рафинированных масел с особым упором на оливковое масло коммерческого класса. Пищевая химия, 83, 403–408. Гуадаррама, А., Родригес-Мендес, М. Л., де Саха, Дж. А., Риос, Дж. Л., и Олиас, Дж. М. (2000). Набор датчиков на основе проводящих полимеров для контроля качества аромата оливкового масла первого отжима. Датчики и исполнительные механизмы B, 69, 276–282. Gualdrón, O., Brezmes, J., Llobet, E., Amari, A., Vilanova, X., Bouchikhi, B., et al. (2007). Выбор переменных для мультисенсорных систем на основе опорных векторов.Датчики и исполнительные механизмы B, 122, 259–268.

1498

Z. Haddi et al. / Food Research International 54 (2013) 1488–1498

Гутьеррес, Дж. М., Хадди, З., Амари, А., Бушихи, Б., Мимендия, А., Чето, X. и др. (2013). Гибридный электронный язык, основанный на слиянии мультисенсорных данных для различения сортов пива. Датчики и исполнительные механизмы B, 177, 989–996. Гутьеррес, Дж. М., Морено-Барон, Л., Сеспедес, Ф., Муньос, Р., и Дель Валле, М. (2009). Разрешение смесей тяжелых металлов из сильно перекрывающихся вольтамперограмм ASV с использованием вейвлет-нейронной сети.Электроанализ, 21, 445–451. Хадди, З., Амари, А., Алами, Х., Эль Бари, Н., Льобет, Э., и Бушихи, Б. (2011). Портативная система электронного носа для идентификации наркотиков на основе каннабиса. Датчики и исполнительные механизмы B, 155, 456–463. Хадди, З., Амари, А., Ульд Али, А., Эль Бари, Н., Бархуми, Х., Маареф, А. и др. (2011). Дискриминация и определение географического происхождения оливкового масла первого отжима с помощью электронного носа на основе датчиков MOS и методов распознавания образов. Разработка процедур, 25, 1137–1140.Холмин, С., Спангеус, П., Кранц-Рюлькер, К., и Винквист, Ф. (2001). Сжатие данных электронного языка на основе вольтамперометрии — сравнительное исследование. Датчики и исполнительные механизмы B, 76, 455–464. Хсу, К. В., и Лин, К. Дж. (2002). Сравнение методов для мультиклассовых опорных векторных машин. Транзакции IEEE в нейронных сетях, 13, 415–425. Янчик, М., Кутыла, А., Соллохуб, К., Восицка, Х., Кал, К., и Чиосек, П. (2010). Электронный язык для обнаружения маскирующих вкус микрокапсул активных фармацевтических субстанций.Биоэлектрохимия, 80, 94–98. Лаури, И., Пагано, Б., Мальмендаль, А., Сакки, Р., Новеллино, Э., и Рандаццо, А. (2013). Применение «магнитного языка» для сенсорной оценки оливкового масла первого холодного отжима. Пищевая химия, 140, 692–699. Лирди Р., Сишольтц М. Б. и Пелл Р. Дж. (2002). Выбор переменных для многомерной калибровки с использованием генетического алгоритма: прогнозирование аддитивных концентраций в полимерных пленках на основе спектральных данных инфракрасного излучения с преобразованием Фурье. Analytica Chimica Acta, 461, 189–200.Лерма-Гарсия, М. Дж., Черретани, Л., Чеволи, К., Симо-Альфонсо, Э. Ф., Бендини, А., и Галлина Тоски, Т. (2010). Использование электронного носа для определения процента дефектов масел, сравнение с результатами сенсорной панели. Датчики и исполнительные механизмы B, 147, 283–289. Маселла П., Паренти А., Спуноли П. и Каламаи Л. (2010). Азотная очистка для удаления растворенного кислорода из оливкового масла первого холодного отжима. Европейский журнал липидной науки и технологии, 112, 1389–1392.

Морено, Л., Мерлос, А., Абрамова, Н., Хименес, К., и Братов, А. (2006). Мультисенсорная матрица, используемая в качестве «электронного языка» для анализа минеральной воды. Датчики и исполнительные механизмы B, 116, 130–134. Нэгл, Х. Т., Гутьеррес-Осуна, Р., Кермани, Б. Г., и Шиффман, С. С. (2002). Справочник по машинному обонянию: Технология электронного носа. Экологический мониторинг (стр. 419–444). О’Коннелл, М., Валдора, Г., Пельтцер, Г., и Негри, Р. М. (2001). Практический подход к определению свежести рыбы с помощью портативного электронного носа. Датчики и исполнительные механизмы B, 80, 149–154.Оливери П., Бальдо М.А., Даниэле С. и Форина М. (2009). Разработка вольтамперометрического электронного языка для распознавания пищевых масел. Аналитическая и биоаналитическая химия, 395, 1135–1143. Пардо, М., & Сбервеглиери, Г. (2007). Сравнение производительности различных функций в массивах датчиков. Датчики и исполнительные механизмы B, 123, 437–443. Родригес-Мендес, М. Л., Апетрей, К., и Де Саха, Дж. А. (2008). Оценка содержания полифенолов в оливковом масле первого отжима с использованием набора вольтамперометрических датчиков.Electrochimica Acta, 53, 5867–5872. Рудницкая А., Кирсанов Д., Легин А., Белленс К., Ламмертин Дж., Николай Б. М. и др. (2006). Анализ сортов яблок — Сравнение электронного языка с различными аналитическими методами. Датчики и исполнительные механизмы B, 116, 23–28. Солтер, Дж. Дж., Лаццари, М., Джиансанте, Л.