Vino Metabolómica: Medidas objetivas de propiedades sensoriales de los Semillón de GC-MS Pro...

11
Artículo pubs.acs.org/JAFC Vino Metabolómica: Medidas objetivas de propiedades sensoriales de los Semillón de GC-MS Pro archivos Leigh M. Schmidtke, * John W. Blackman, Andrew C. Clark, y París Grant-Preece Nacional del Vino y Uva Centro Industria, Escuela de Agricultura y Ciencias del Vino, la Universidad Charles Sturt, Wagga Wagga, Nueva Gales del Sur, 2678, Australia S *Información de Apoyo RESUMEN: La contribución de los compuestos aromáticos volátiles de la composición general y la percepción sensorial del vino está bien reconocida. La medición clásica dirigida de compuestos volátiles en el vino mediante GC-MS es laborioso y sólo una limitada número de compuestos puede ser cuanti fi car en cualquier momento. La aplicación de una técnica automatizada resolución de curvas multivariante para nontargeted análisis GC-MS de vino hace posible la detección de varios cientos de compuestos dentro de una sola serie de análisis. Hunter Valley Semillon (HVS) es reconocido como un vino de clase mundial con una amplia gama de estilos. Personajes sutiles que dependen de la desarrollo de las características de maduración de botella son una característica de gran estima HVS. En esta investigación una metabolómico enfoque de análisis de vinos, utilizando técnicas de resolución de curvas multivariante aplicado a GC-MS per fi les, junto con plena descriptivo análisis sensorial, se utilizó para determinar la composición objetivo de varios estilos de HVS. Más de 250 picos de GC-MS fueron extraída del vino per fi les. Puntajes sensoriales fueron analizados mediante PARAFAC antes del desarrollo de modelos predictivos de características sensoriales de la tabla de picos GC-MS extraído utilizando la regresión PLS. Los buenos modelos predictivos de los atributos sensoriales miel, tostadas, mermelada de naranja, y la dulzura, los rasgos de la de fi nición de HVS, podrían determinarse a partir de las tablas de pico extraídos. Compuesto identi fi cación de estos atributos valorados indicó la importancia de una serie de ésteres de etilo, alcoholes alifáticos y ácidos, cetonas, aldehídos, derivados furánicos, y norisoprenoides en el desarrollo de HVS y estilos. El desarrollo de análisis de datos metabolómicos automatizado de GC-MS per fi les de los vinos ayuden en el desarrollo de estilos de vino para especí fi co segmentos de consumidores y mejorar la comprensión de los procesos de producción en el último sensorial per fi les de el producto. PALABRAS CLAVE: curvas multivariante resolución alternativas de mínimos cuadrados (MCR-ALS), vino, Semillon, por mínimos cuadrados parciales (PLS sensoriales), compuestos volátiles, el análisis factorial paralelo (PARAFAC) Sabor y aroma químicos han tratado de determinar la la mayoría de los componentes químicos importantes que contribuyen a la la percepción del aroma de los productos especí fi cos, y el mapeo de la concentración de estos compuestos a la preferencia del consumidor sigue siendo el motor de la investigación en el aroma de productos de consumo cuanti fi cación. El sabor es la percepción de un consumidor individual de las interacciones complejas de compuestos táctiles y aroma presente en un alimento, y el mapeo de estas interacciones a datos de composición es una tarea enormemente difícil. En términos de aroma, compuestos suelen ser descritos en relación con su concentración, clase química, olor percibido descripción, umbrales de olor en una matriz de composición similar al alimento de interés, y el valor de actividad de olor (OAV). La OAV se calcula como la relación entre el valor fi ed cuanti de la compuesto en el alimento al umbral de olor, con valores mayor que uno considerado para impartir contribución a la olor percibido de los alimentos.1 cativa limitaciones signi fi en la interpretación de OVAs plantea. En primer lugar, la determinación de aroma umbrales es subjetiva y propensa a considerable imprecisión dependiendo de la experiencia evaluador y la matriz utilizada para presentar el compuesto a assessors.1 Además, los compuestos con una OAV menos de uno se considera que tienen poco o ningún impacto inmediato en el aroma de un alimento o bebida; Sin embargo, la noción de olor familias2 y el sinérgico o interacciones supresores de compuestos con funcional similar © 2013 American Chemical Society INTRODUCCIÓN grupos de alimentos y bebidas aroma no se contabiliza únicamente por el uso de OAV.3 Significativamente algunos compuestos en concentraciones bajas y con OAV mayor que uno puede contribuir positivamente a aroma producto, pero cuando está presente en altas concentraciones, su olor contribución al producto total puede llegar a ser dominante y una correlación negativa con la aceptación del producto. Tal observaciones han sido reportados para especí fi co marcador com- libras asociado con sabor a menta, aromas de eucalipto, 4 o levadura characters5 deterioro en el vino. Alternativas y ayudantes a OAV como el análisis de aroma de dilución del extracto, 6 CHARM, 7 y otra métodos que emplean la detección olfativa durante croma- gas tografía son importantes contribuyentes a la comprensión de concentraciones de compuestos aromáticos y la percepción sensorial. Cada uno de los enfoques anteriores requiere una considerable inversión ción de tiempo y personal para la determinación de discreta valores analíticos para los compuestos de interés en una muestra. La aplicación de la resolución de curvas multivariante (MCR) técnicas hace que sea posible descomponer rico en información compleja y conjuntos de datos a matrices que corresponde a la concentración y espectral fi pro les.8-11 Este enfoque evita la exigencia Ment de información a priori sobre la presencia de especí fi co Recibido: Revisado: Aceptado: Publicado: 11957 08 de agosto 2013 16 de octubre 2013 12 de noviembre 2013 12 de noviembre 2013 dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Transcript of Vino Metabolómica: Medidas objetivas de propiedades sensoriales de los Semillón de GC-MS Pro...

Artículo

pubs.acs.org/JAFC

Vino Metabolómica: Medidas objetivas de propiedades sensoriales de los

Semillón de GC-MS Pro archivos

Leigh M. Schmidtke, * John W. Blackman, Andrew C. Clark, y París Grant-Preece

Nacional del Vino y Uva Centro Industria, Escuela de Agricultura y Ciencias del Vino, la Universidad Charles Sturt, Wagga Wagga, Nueva Gales del Sur, 2678, Australia S

*Información de Apoyo

RESUMEN: La contribución de los compuestos aromáticos volátiles de la composición general y la percepción sensorial del vino está bien reconocida. La medición clásica dirigida de compuestos volátiles en el vino mediante GC-MS es laborioso y sólo una limitada número de compuestos puede ser cuanti fi car en cualquier momento. La aplicación de una técnica automatizada resolución de curvas multivariante para nontargeted análisis GC-MS de vino hace posible la detección de varios cientos de compuestos dentro de una sola serie de análisis. Hunter Valley Semillon (HVS) es reconocido como un vino de clase mundial con una amplia gama de estilos. Personajes sutiles que dependen de la desarrollo de las características de maduración de botella son una característica de gran estima HVS. En esta investigación una metabolómico enfoque de análisis de vinos, utilizando técnicas de resolución de curvas multivariante aplicado a GC-MS per fi les, junto con plena descriptivo análisis sensorial, se utilizó para determinar la composición objetivo de varios estilos de HVS. Más de 250 picos de GC-MS fueron extraída del vino per fi les. Puntajes sensoriales fueron analizados mediante PARAFAC antes del desarrollo de modelos predictivos de características sensoriales de la tabla de picos GC-MS extraído utilizando la regresión PLS. Los buenos modelos predictivos de los atributos sensoriales miel, tostadas, mermelada de naranja, y la dulzura, los rasgos de la de fi nición de HVS, podrían determinarse a partir de las tablas de pico extraídos. Compuesto identi fi cación de estos atributos valorados indicó la importancia de una serie de ésteres de etilo, alcoholes ali fáticos y ácidos, cetonas, aldehídos, derivados furánicos, y norisoprenoides en el desarrollo de HVS y estilos. El desarrollo de análisis de datos metabolómicos automatizado de GC-MS per fi les de los vinos ayuden en el desarrollo de estilos de vino para especí fi co segmentos de consumidores y mejorar la comprensión de los procesos de producción en el último sensorial per fi les de el producto. PALABRAS CLAVE: curvas multivariante resolución alternativas de mínimos cuadrados (MCR-ALS), vino, Semillon, por mínimos cuadrados parciales (PLS sensoriales), compuestos volátiles, el análisis factorial paralelo (PARAFAC)

Sabor y aroma químicos han tratado de determinar la la mayoría de los componentes químicos importantes que contribuyen a la la percepción del aroma de los productos especí fi cos, y el mapeo de la concentración de estos compuestos a la preferencia del consumidor sigue siendo el motor de la investigación en el aroma de productos de consumo cuanti fi cación. El sabor es la percepción de un consumidor individual de las interacciones complejas de compuestos táctiles y aroma presente en un alimento, y el mapeo de estas interacciones a datos de composición es una tarea enormemente difícil. En términos de aroma, compuestos suelen ser descritos en relación con su concentración, clase química, olor percibido descripción, umbrales de olor en una matriz de composición similar al alimento de interés, y el valor de actividad de olor (OAV). La OAV se calcula como la relación entre el valor fi ed cuanti de la compuesto en el alimento al umbral de olor, con valores mayor que uno considerado para impartir contribución a la olor percibido de los alimentos.1 cativa limitaciones signi fi en la interpretación de OVAs plantea. En primer lugar, la determinación de aroma umbrales es subjetiva y propensa a considerable imprecisión dependiendo de la experiencia evaluador y la matriz utilizada para presentar el compuesto a assessors.1 Además, los compuestos con una OAV menos de uno se considera que tienen poco o ningún impacto inmediato en el aroma de un alimento o bebida; Sin embargo, la noción de olor familias2 y el sinérgico o interacciones supresores de compuestos con funcional similar

© 2013 American Chemical Society

■ INTRODUCCIÓN grupos de alimentos y bebidas aroma no se contabiliza únicamente por el uso de OAV.3 Significativamente algunos compuestos en concentraciones bajas y con OAV mayor que uno puede contribuir positivamente a aroma producto, pero cuando está presente en altas concentraciones, su olor contribución al producto total puede llegar a ser dominante y una correlación negativa con la aceptación del producto. Tal observaciones han sido reportados para especí fi co marcador com- libras asociado con sabor a menta, aromas de eucalipto, 4 o levadura characters5 deterioro en el vino. Alternativas y ayudantes a OAV como el análisis de aroma de dilución del extracto, 6 CHARM, 7 y otra métodos que emplean la detección olfativa durante croma- gas tografía son importantes contribuyentes a la comprensión de concentraciones de compuestos aromáticos y la percepción sensorial. Cada uno de los enfoques anteriores requiere una considerable inversión ción de tiempo y personal para la determinación de discreta valores analíticos para los compuestos de interés en una muestra. La aplicación de la resolución de curvas multivariante (MCR) técnicas hace que sea posible descomponer rico en información compleja y conjuntos de datos a matrices que corresponde a la concentración y espectral fi pro les.8-11 Este enfoque evita la exigencia Ment de información a priori sobre la presencia de especí fi co Recibido: Revisado: Aceptado: Publicado:

11957

08 de agosto 2013 16 de octubre 2013 12 de noviembre 2013 12 de noviembre 2013

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry

analitos en la muestra y acelera el análisis de datos. Extraído concentración per fi les se puede utilizar en el análisis de datos multivariados perteneciente a la composición metabolomic, y si descriptiva datos sensoriales son modelos predictivos disponibles de la sensorial atributos podrían ser construidas. Estos modelos permitirán fijar la identificación de compuestos con importante sensorial características del producto, ayudar en el esclarecimiento de procesos de fabricación que in fl uyen en su concentración, y arrojar luz sobre el proceso asociado con el producto desarrollo y fabricación. En esta investigación se presenta un novedoso y completo enfoque de análisis de datos semi-automatizado usando MCR aplica a una Conjunto de datos de GC-MS de Hunter Valley Semillon (HVS) y vinos mapear estos resultados a características sensoriales obtenidos por descriptiva análisis sensorial. Este es el primera informe del uso de técnicas de resolución de curvas multivariante aplicadas al análisis de los datos de GC-MS con análisis posterior para crear predictivo modelos de las características sensoriales de los vinos. Este enfoque permite nos informe por primera tiempo de la identificación de importantes aspectos de composición de los vinos y establecer objetivos medidas de algunas propiedades sensoriales. Productos químicos. Todos los productos químicos fueron de grado analítico y compraron de cualquiera de Sigma-Aldrich o Fluka Australia Australia. Desionizada agua (18 MΩcm-1) Se preparó usando un Milli-Q filtración sistema. Ultra-helio de alta pureza se obtuvo a partir de gases BOC, Australia. Sensorial descriptivo y exploratorio de datos Análisis de Vinos. Los vinos utilizados en el presente estudio (Tabla 1) fueron parte de

Artículo

■ Sección experimental

Tabla 1. Detalles Vino de la muestra y de la asignación de calibración y equipos de prueba independientes utilizados para el modelado predictivo

número de réplicas de la muestra código de vino

La B C D E F G H Yo J K L M N O P

un

vendimia 2001 2005 2002 2006 2006 2006 2006 2003 2002 2006 1996 2004 2006 2005 2002 1998

estilo de vinoun

4 2 4 2 2 3 2 3 4 2 4 4 1 2 3 4

conjunto de calibración 2 2 2 2 2 1 2 2 1 2 2 2 2 2 2 1

conjunto de pruebas independientes

1 1 1 1 1 2 1 1 2 1 1 1 1 1 1 2

Estilo del vino se indica según Blackman y Saliba.12Style 1 caracterizado por azúcar residual, estilos 2 y 3 caracterizan por la fruta fl Avor espectro, y el estilo 4 caracterizan por edad botella.

una investigación más amplia que primera caracterizado HVS y posteriormente examinado el impacto de la edad de la botella en caracterización sensorial del vino istics.12,13 Este conjunto de datos sensorial particular, se recogió durante un repetida valoración de los vinos después de otros tres años de bodega maduración. Un total de 16 de diffvinos erent fueron examinadas usando sensorial análisis descriptivo. Los detalles completos de los aspectos sensoriales de estos vinos, entrenamiento del panel, y la recogida de datos se describen elsewhere12 y voluntad se describe aquí sólo brevemente. Dieciséis panelistas debidamente capacitado clasificar los vinos características sensoriales, por triplicado, en doce sesiones de cata

11958

celebrada durante un período de dos semanas. El programa genera Compusense tres dígitos números de identi fi cación al azar para cada vino en cada sesión. El orden de presentación de los vinos se determinó utilizando una diseño de bloques completos al azar. Datos sensoriales se modelaron usando Análisis de factores paralelo (PARAFAC) 14,15 como las respuestas de los evaluadores se puede considerar una estructura de cuatro dimensiones de dimensiones 16 (muestras) ×15 (atributos sensoriales) ×48 (16 ×3; evaluador sensorial × replicar). Los datos fueron significan centran través del modo 1, y no hay escala se aplicó como se puede esperar razonablemente que los datos sensoriales tendrán variaciones similares a la misma escala se ha utilizado durante evaluations.15 Modelos PARAFAC extracción de la disminución del número de componentes, comenzando con 4 factores, eran fi tted a los datos sensoriales hasta la resultados básicos de consistencia tenían stabilized.14,16 Factor de cargas de la modelo se trazan para visualizar la relación entre las muestras y atributos sensoriales. Para evaluar la calidad de las cargas, el residual suma de los cuadrados de cada modalidad (muestras, atributos, y los evaluadores) fueron fueron utilizados y las variables que exceden el intervalo de con fi anza del 99% (IC) fl agged como los que estaban mal fi TTED. Los asesores cuyas respuestas superado el IC del 99% de la modelo fueron retirados y la PARAFAC modelo se vuelve a calcular con los datos restantes. Una réplica de la muestra puntuación sensorial media se calcula a partir del evaluador restante evaluaciones sensoriales de cada atributo sensorial y esto fue utilizado para El modelo de regresión. Vino Extracción de muestras y análisis GC-MS. Vinos eran evaluado, se extrajo, y se analizaron en orden aleatorio en el mismo día de valoración panel sensorial para minimizar variaciones de composición entre réplicas sensoriales y analíticas. Antes de la extracción, 50 ml de vino , se añadieron 50 l de patrón interno (IS) que comprende 3-terc- butil-4-hidroxianisol para dar una fi nal concentración de 4000 g L-1. Las muestras se extrajeron con LiChrolute-ES cartuchos (Merck) como describió previously.17 Brevemente, cartuchos de fase sólida se acondicionaron con 4 ml de cada uno de los siguientes disolventes: diclorometano, soluciones acuosas etanólicas de metanol, y 12%. Los vinos eran pasa a través de cada cartucho en aproximadamente 2 mL min-1, Seguido de un enjuague con 2 ml de solución acuosa de etanol al 12% y el uso de secado baja presión (aproximadamente -0,3 bar para 15 min). El retenido componentes se eluyeron con 1,5 ml de dicholormethane y pinchos con 25 l ES de mezcla que comprende 2-octanol y 4-hidroxi-4-metil-2- pentanona para dar fi nal concentraciones de 6670 y 6713 g L-1, respectivamente, se transfirieron a degustar viales y cubiertas para almacenamiento a 4 ° C hasta que se realizó el análisis. Para el análisis de GC-MS, 1 l de extracto se inyectó en un Agilent 7890 cromatógrafo de gases fi tted con un 60 m ×0,25 mm interna columna capilar de sílice fundida de diámetro con una cera de 0,25 mm (DB- WAXetr) fase estacionaria (J & W Cientí fi co, Folsom, CA) usando un Automuestreador Gerstel MPX con un enfriador Peltier en bandeja 4 ° C. La temperatura del inyector fue de 240 ° C; purga de septum fl ujo fue de 3 ml min-1, y la relación de separación fue de 10: 1. El helio fl ujo tasa por la columna fue de 1,5 ml min-1 con una velocidad media de 31 cm seg-1; la columna temperatura se mantuvo a 40 ° C durante 5 min, luego aumentado a 2 ° C min-

1 a 210 ° C y se mantuvo durante 20 min. Los espectros de masas se recogieron en un análisis tasa de 4,4 s-1 utilizando un detector de masas Agilent 5975C operando en modo de ionización electrónica, digitalización 35-350 m / z con una umbral de detección de 100. El detector se enciende off entre 6,60 y 8,65 min durante efflujo de disolvente. Transferencia de temperatura de la línea se fijó en 210 ° C, temperatura de la fuente era 230 ° C, y cuadrupolo temperatura era 150 ° C. El tiempo total durante el cual la elución espectros de masas se recogieron para cada muestra fue de 110 min. Multivariante Resolución Curva alterna Mínimos Cuadrados (MCR-ALS) Análisis de los datos de GC-MS. Todos GC-MS archivos se exportaron en formato csv tridimensional a partir de la versión MSD ChemStation E.02.00.493 para el procesamiento en MATLAB versión R2011b (Mathworks, Natick, MA), donde se llevaron a cabo todos los procedimientos de tratamientos de datos. El cromatograma de iones totales (TIC) para cada muestra se cubrió sin alineación espectral para permitir la identificación del momento oportuno ventanas para el procesamiento automatizado. Aunque este proceso requiere la inspección de todas las muestras, es el único componente manual de la pico integración del área y proceso de extracción espectral y lleva menos de 30 min para inspeccionar todo el conjunto de datos. Cada ventana de tiempo se seleccionó sobre la base de una línea de base estable y que los picos de un incorporados similares

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry Artículo

Figura 1. Pro elución TICfiles son examinados para identificar las ventanas de tiempo basadas en pro picofiles. Cada ventana de tiempo se procesa de forma automática separado por suavizado, corrección de fondo, y el pico de la alineación TIC. El cambio TIC se aplica entonces a cada muestra m / z canal para crear un 3D matriz de espectros Alineados para la ventana de tiempo. PCA de la media TIC se utiliza para determinar el número de picos en la ventana de tiempo junto con una estimación inicial de los espectros. La matriz espectral alineado desplegada es procesada por MCR / ALS para extraer zonas espectros puros y de pico para cada muestra. Este proceso se repite para cada ventana de tiempo. Los espectros se exporta a NIST para identi compuesto preliminarficatiónico, y pico de la muestra áreas son recabados para el análisis de más datos.

profialtura le, a través de un promedio de tiempo de elución de aproximadamente 1,5 min. Los archivos fueron procesados mediante una modifienfoque ed a publicado Cada procedures.18 m / z canal se alisó restando el valor mínimo y fifiltrada por convolución utilizando un vector de tamaño 7. La convolución es ventajoso en que la señal es linealmente fifiltrada y cambiar invariante reteniendo de ese modo el tiempo de elución profiles. Un alisado y entonces TIC corregida para cada muestra se determinó a partir de la suma de cada m / z canal en la ventana de tiempo, y este profile fue utilizado para alineación de pro eluciónfiles utilizando el máximo de correlación cruzada enfoque con el medio de la muestra como el objetivo vector.19 La muestra a continuación, pasar de la alineación de las TIC se aplicó en una muestra por caso base de una muestra a cada m / z canal para alinear todo pro muestra eluciónfiles dentro de la ventana de tiempo creando así una alineado tridimensional

11959

matriz (tiempo de elución * m canal / z * muestra). Una matriz de dos dimensiones representa la media m / z pro eluciónfia continuación, le fue utilizado para determinar el número de características interesantes (picos) dentro de la ventana de tiempo. El número de características se determinó mediante componentes principales análisis (PCA) de la matriz transformada; o unaffSe añadió conjunto de 1 a todos m / z canales que fueron luego hacia abajo ponderados por log10 transformar, significa centrado, y la varianza de escala mediante la ecuación de Pareto antes de PCA. Este enfoque se adapta el número de picos observados dentro de la ventana de tiempo sin sobreestimar características de interest.11,20 Para activar el procedimiento de MCR-ALS iterativo, una inicial Se requiere estimación de cualquiera de intensidad de pico o espectros. Espectros asociado a cada pico de interés se calcula con la SIMPLISMA approach21 utilizando el algoritmo PURE. Espectros estimado

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry Artículo

La Figura 2. Cargas PARAFAC de vinos y atributos sensoriales extraídos del análisis sensorial descriptivo. Vinos se codifican por carta como identified en Tabla 1

luego se pasaron junto a la columna aumentada elución profile de todas las muestras (elución tiempo * (muestras * m / z)) en la ventana de tiempo a la MCR-ALS algorithm.10 MCR-ALS determina iterativamente la matriz concentración (C) y espectral (S) profiles de características interesantes por la solución de la clásica ecuación de la matriz de mínimos cuadrados

C=XS(STS)-1

S=XTC(CTC)-1

(2)

(3)

X=CS +E T (1)

donde Xes una matriz de la ventana de tiempo de elución desplegada de dimensiones N(Tiempo de elución) por J(Muestras (K) * exploraciones m / z (L)); Ces una matriz de concentraciones de dimensión (N * K) por R(Número de características o picos a determinar), es decir, el pro cromatográficofile; Sson los pro espectralfiles de las dimensiones Rpor L, y Eson el residuo errores (N por J). Para resolver este problema, el enfoque MCR-ALS resuelve iterativamente para Cy Susando las siguientes ecuaciones:

11960

donde superíndice Ty -1representar a la transposición y matrices pseudoinversa, respectivamente. Así, para cada iteración una estimación actualizada para ambos Cy Sse pueden obtener hasta que la solución converge y la matriz residual se mantiene sin cambios. Para cada iteración de las restricciones del proceso de ALS se debe aplicar a la concentraciones y espectros de tal manera que Cdebe ser siempre positivo, todo los valores negativos sustituidos por cero; Ces unimodal para todas las muestras; elución tiempo profiles para las muestras no debe variar en más de un 2,5%; Snecesario siempre será positivo y de igual longitud. El enfoque para la tabla de picos y la extracción de datos espectrales de la GC-MS files se resume en Figura 1. dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry Artículo

Figura 3. puntuaciones (A) PCA de áreas de los picos extraídos por MCR-ALS con vinos codificadas para la vendimia. (B) Las cargas de la serie PCA y pico indica en el eje vertical. Cargas más oscuras indican las cargas máximas absolutas superan el percentil 90.

Bibliotecas espectrales de los picos derivados de MCR-ALS se exportaron de Matlab en un formato compatible con el Instituto Nacional de Estándares y Tecnología Programa (NIST) del espectro de masas Buscar (Versión 2.0) mediante scripts escritos a propósito. Identificación de la meta compuestos de normas de interés internos y se llevó a cabo por búsqueda de los espectros extraído con el NIST-08 Biblioteca, y estafafirmó usando publicados índices de tiempo de retención y / o pura compuestos se ejecutan en condiciones de GC-MS idénticas. Índices de retención se determinaron mediante el análisis de una mezcla estándar de alcano (C8-C32 n- alcano) en hexano utilizando el mismo rampa horno y gas Floridaay condiciones. El análisis de GC-MS áreas de pico para Identificar Interesante Grupos de muestra. Áreas de los picos extraídos fueron preprocesados por la normalización de todos los picos para el área del pico asociado con la inyección SE (4-hidroxi-4-metil-2-pentanona) para eliminar la inyección de menor importancia discrepancias entre las muestras y luego a la zona de pico para el IS para extracción (3-terc-butil-4-hidroxianisol) para eliminar las discrepancias asociado con la extracción effideficiencia. Preprocesamiento de áreas de los picos era hecho como se describe anteriormente antes de la PCA. Picos asociados con el IS fueron excluidos del PCA. Grupos de la muestra eran interesantes identified en las puntuaciones de las parcelas, y un Cuto nominalff de 0,9 veces los valor de carga absoluta más alta para un específicoficomponente c principales (PC) se utilizó para establecer picos importantes asociados con estos grupos. Para facilitar la interpretación de los modelos de PCA, rotación de factores Se emplearon algoritmos. Normalmente modelos PCA tienen cargas girado para maximizar la simplicidad y ayudar a la interpretación, sin embargo, es también posible girar las puntuaciones a la simplicidad cuando específiagrupaciones de c muestras se expected22 como la presente investigación. Factor rotaciones pueden ser oblicua u ortogonal y para la facilidad de rotación ortogonal interpretación se utilizó como la preservación de la se mantuvo la dependencia angular de las cargas y las puntuaciones. Varimax y rotaciones Quartimax fueron investigados por la realización PCA sobre la tabla de picos preprocesado y luego girar el modelo PCA en de acuerdo con methods.22 publicada Identificación de picos asociados con Wine Sensorial Funciones. La tabla de datos pico fue una regresión a través de la replicación los valores medios sensoriales para cada vino se calcularán después de la eliminación de resultados los de bajo rendimiento evaluadores sensoriales. Antes de regresión, réplicas de la muestra fueron asignados a una calibración o independiente datos de prueba establecidos para determinar la capacidad de predicción de la regresión modelos de tal manera que ambos conjuntos de datos contenían al menos un independiente réplica de la muestra para cada diffvino erent (Tabla 1) y aproximadamente 60% de las muestras se colocaron en el conjunto de calibración. Selección Pico dentro del conjunto de calibración se llevó a cabo utilizando el intervalo adelante (IPL) de regresión para cada analito y el modelo combination.23 Los modelos de predicción de los atributos sensoriales de las áreas de los picos eran construida utilizando análisis de regresión PLS1 o PLS2 usando el Algoritmo SIMPLS con validación cruzada utilizando subconjuntos de muestras aleatorias

11961

con seis divisiones de datos. El número de variables latentes elegidos para cada modelo se determina a partir de valores propios y la inspección de los locales los mínimos de los errores de la raíz cuadrada de la media de la calibración, validación cruzada, y la predicción de tal manera que cada métrica no se desvió sustancialmente de los otros. Valor atípico de la muestra y enFloridaparcelas uir (datos no mostrados) eran construida para identificar las muestras con Qresiduos o Hotelling T2 valores superando el 95% confiintervalo de confianza y estas muestras eran excluido y el modelo de regresión fue recomputed.24 Para PLS2 modelos múltiples predictandos fueron seleccionados en base a la PARAFAC modelado de datos sensoriales de tal manera que los atributos de cerca el modelo por el misma carga o aquellos con valores de carga similares (Figura 2) eran modelado juntos. Para los modelos PLS con buena capacidad predictiva, la variables (picos) utilizados en el modelo fueron identified, y regresión coefficientes y relaciones de selectividad (SR) 25 fueron dibujados para visualizar la enFloridauencia de cada pico en el modelo. El SR activar la identificatión de los picos con la mayor cantidad enFloridauir en los modelos de predicción de la las puntuaciones sensoriales y estos picos identified utilizando la base de datos NIST búsquedas de espectros extraídos, a juego correspondiente retención índices y la inyección de compuestos puros cuando sea posible. El NIST búsqueda se realizó utilizando un máximo m / z restricción de 350 y resultados fueron fifiltrada para incluir sólo hacia adelante emparejar y revertir partido resultados de más de 800. Todas PCA y la regresión PLS análisis fue realizado utilizando la caja de herramientas PLS (versión 6.5, vector propio de Investigación Inc., Wenatchee, WA).

Resultados y discusión Modelado sensorial utilizando PARAFAC. PARAFAC modelado las puntuaciones sensoriales utilizando tres cargas para cada modo (vino muestras, atributos sensoriales y panelistas). Las respuestas de los un panelista se retira del cubo de datos antes de la final modelo como la suma de los cuadrados de los residuos para este evaluador era mayor que el IC del 99% (la información de apoyo Figura S1). La final Modelo PARAFAC explicó el 19% de los datos sensoriales la variabilidad con una consistencia de núcleo de 94%. Si bien este es un bajo cantidad de variabilidad explicada, las características sensoriales cruciales para HVS edad están bien-defiNed. Cargando parcelas para los modos 1 (vinos) y 2 (atributos sensoriales) se muestran en la Figura 2. Carga 1 características sensoriales modelos de vino asociados con la botella de desarrollo ción. Los atributos de la miel, tostadas y mermelada de naranja aromas son distintivos y codiciados características de calidad de edad Vinos HVS. Vinos I, K y P han el más acentuado carácter desarrollada y las más altas calificaciones sensoriales para éstos personajes. Estos tres vinos, junto con el vinos A, L, y C están ubicados de manera positiva en la carga 1 y pertenecen a "Estilo

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry Artículo

Tabla 2. Identificación de compuestos asociados con Hunter Valley Semillon Botella Edad y el Vino Estilo Identified en Parcelas PCA

picoun

62 68 73 103 105 119 124 130 133 134 137 153 163 165 172 180 190 201 217 230 231 240 244

un

compuesto 1-pentanol acetoína Ácido 2-hidroxi-2-metilbutírico furfural Furano 2-acetil 2,3-butanodiol (R, S) ácido isobutírico etil-2-furoato de decanoato de etilo Benzaldehído 4-metil metil etil succinato dietil glutarato 2-acetil-2-metiltetrahidrofurano alcohol de bencilo NID (MW 151)e acetato de 3-hidroxi-3-metilbutanoato de 1H-pirrol-2-carboxaldehído 1-metil-1H-pirrol-2-carboxaldehído NID (norisoprenoid C13, MW 210) citrato de trietilo 2-furoico ácido vanilina acetovanillone

CAS 71-41-0 513-86-0 3739-30-8 98-01-1 1192-62-7 513-85-9 79-31-2 614-99-3 110-38-3 529-20-4 4676-51-1 818-38-2 32318-87-9 100-51-6

18267-36-2 1003-29-8 1192-58-1

77-93-0 88-14-2 121-33-5 498-02-2

Kovats RI expt 1213 1222 1303 1412 1502 1509 1511 1605 1606 1607 1607 1801 1806 1900

2001 2003 2074 2202 2500 2501 2504 2603

Kovats RI informób

1244 1291 1361 1482 1511 1582 1584 1599 1641 1644 1641

43 44 43 45 46 43 44 43 28 47 48

identifiedc

RI, MS, RI, MS, RI, MS, RI, MS, RI, MS RI, MS, RI, MS, RI, MS RI, MS, RI, MS RI, MS RI, MS, MS RI, MS,

cmp cmp cmp cmp

cmp cmp

cmp

aroma reportadod

balsámico mantequilla, crema

pan, almendras balsámico fruta rancio, mantequilla, queso

uva

cmp

cmp dulce, Floridaower 1851 49

2036 2112

50 50

2598 2685

51 45

MS RI, MS RI, MS MS RI, cmp MS RI, MS, cmp RI, MS, cmp

vainilla vainilla

Pico numeración se asigna en pro de elución cromatográficofile. bRI: publicado índices de retención de la fase estacionaria similares. cMasa NIST: MS partido de la base de datos espectral con un mínimo de juego hacia adelante y reverso de 800. cmp: compuesto emparejado con estándares puros dInformó de aromas Flavornet (http: // www.Floridaavornet.org) menos que se indique. eNo identified, el peso molecular tentativo indicó. 4 ", 12 es decir, típicos de edad HVS. Este grupo de vinos contiene el vinos más viejos examinados, que van en el año de cosecha de 1996 hasta 2004. Cargando 2 modelos de la boca se sienta sensaciones de acidez y dulzor con cada uno de estos atributos bajo dimensiones de esta carga opuesta. La posición de cada uno de estas características sensoriales dentro de la carga 2 es de esperar, ya que la presencia de los moderados de azúcar residual la percepción de acidity.26 Uno vino, designado M, es modelado por este dimensión y es el único vino de estilo 1 en el estudio. Cargando 3 modelos de los atributos sensoriales restantes con rasgos derivados de frutas primarias prominentes en el positivo segmento y las características sensoriales de edad típicos que poseen valores de carga negativa. No hay separación distintiva de los vinos de acuerdo con el estilo del vino es evidente dentro de esta dimensión. MCR-ALS Extracción de Picos y tabla de picos. Un pico mesa área que consta de un total de 253 picos, incluyendo la normas internas, se obtuvo de la cromatográfico profiLes y este se sometió a análisis de datos. El extraída áreas de los picos variaron en varios órdenes de magnitud y, por tanto se consideró la transformación logarítmica y Pareto escalado adecuada para moderar el enFloridauencia de compuestos con gran MSD respuestas relativas a la concentración y es con frecuencia empleada para metabolómico PCA studies.27 del área del pico mesa, con exclusión de las normas internas, muestra que los vinos son colocado a lo largo PC1 (Figura 3 A) de acuerdo con la vendimia y por lo tanto, la botella de edad. Bueno agrupación para cada muestra de vino triplicado indica que la extracción, el análisis GC-MS, y Procedimientos de análisis de MCR-ALS son robustos y libres de resultados espurios. El gráfico de barras de carga correspondiente para Identi PC1fiES picos con el más significativofide peralteFloridauir sobre el PCA. Un valor nominal del percentil 90 de los picos basados en el valor absoluto de la carga más grande de la PCA se utilizó para identificar el más significativofiáreas picos cativas (Figura

11962

3B). La identidad de los compuestos asociados con estas picos fue confirmó con una búsqueda de base de datos del NIST espectros extraídos, a juego con los índices de Kovats tiempo de retención (Tabla 2) y los compuestos puros cuando estén disponibles. Son de interés las cargas positivas de la vainillina y acetovanillone que son por lo general asociados con la extracción de madera de roble durante vino la conservación. HVS sin embargo, es típicamente un vino y nonoaked la presencia de vainillina y acetovanillin en edad HVS sugiere otros mecanismos son responsables de su formación, y baja las concentraciones de estos compuestos han sido reportados en Juice.35 Semillon ferúlico ácido, un hidroxicinámico derivados de la uva- ácido, se informó a formar vainillina en solutions36 etanólico y esto puede ser un mecanismo importante en el desarrollo de HVS carácter edad botella. La mayoría de los compuestos importantes tienen positivo cargas (Figura 3) y, por tanto, se puede inferir que estos compuestos aumento en la concentración durante la edad botella. Este grupo de compuestos se caracteriza por una serie de ésteres etílicos de los ácidos orgánicos, compuestos de furano en base, y acetoína. Estos resultados son generalmente consistentes con aumentos reportados en acetato ésteres de ácidos tanto orgánicos ramificados y dipróticos para biberón vinos de crianza, 31 vinos envejecidos en difftemperaturas y erent o duración, 30,32 y las medidas de compuestos volátiles durante condiciones de envejecimiento acelerado de Chardonnay.33 La concentración tración de compuestos derivados furánicos También se informa a aumentar en vinos con hidratos de carbono residual durante aging.32,34 Como algunos de los vinos de HVS en este estudio tienen considerable bodega edad por lo tanto se espera que la formación de estos compuestos tendrían lugar durante el proceso de maduración. Estilos de vino HVS se caracterizan generalmente por la presencia de azúcar residual (estilo 1), el espectro de la fruta FloridaAvor (estilos 2 y 3), y el carácter en botella (estilo 4) 0,12 puntajes giradas codificada por el estilo del vino muestran una separación general de muestras

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry Artículo

La Figura 4. (A) Quartimax rotación de las puntuaciones de PCA con vinos codificadas por el estilo. Cargas (B) gira desde la PCA y el número máximo indicado en la eje vertical. Cargas más oscuras indican las cargas máximas absolutas superan el percentil 90.

según el estilo (1 y 4) a lo largo de PC1 (Figura 4) y la cargas variables (Figura 4), que ilustran el más compuestos importantes en base a los valores de carga relativos, son por lo general de acuerdo con informó anteriormente sensorial Descripción de los vinos de crianza HVS derivados de la formación de compuestos durante el envejecimiento del vino reactions.12 La carga direcciones infieren que dos compuestos, 1-pentanol y etil decanoato, disminuye la concentración dentro de los vinos durante envejecimiento (cargas son negativos), que está de acuerdo con medidas de estos compuestos volátiles se informó anteriormente en jóvenes y ancianos HVS, 28 botella edad Verdejo, 29 y en botella Blanc.30 Sauvignon Predicción sensoriales Decenas de GC-MS Peaks. PLS regresión de las áreas de los picos extraídos a través de las puntuaciones sensoriales se llevó a cabo utilizando tanto PLS1 para el solo, y PLS2 algoritmos para varios atributos sensoriales, basados en el modelado PARAFAC sensorial. Modelos PLS2 no lo hicieron fitlos datos más claramente y Coe regresiónfficientes fueron más difficulto a interpretar que los modelos PLS1 para los atributos individuales y por lo tanto sólo se presentan PLS1 modelos. Datos sensoriales son inherentemente ruidoso (variable) y por lo tanto un valor mínimo conservador para R2 de 0,70, y una relación de la gama de las puntuaciones de atributos sensoriales para la RMSEP de 5 o mayor, análoga a la relación de error de rango, 37 se utilizó como una medida del valor predictivo para cada modelo (Tabla 3). Atributos sensoriales para que los buenos modelos tenían establecido eran miel, tostadas, mermelada de naranja y dulce- Ness, y estos atributos sensoriales fueron también los que tienen la mayor rango de puntuaciones panelistas y que a grandes rasgos ayuda defiNebraska algunas de las características sensoriales más importantes de estilos HVS. El rango de puntuaciones sensoriales para todos los atributos es relativamente baja reFloridaeja la pro sensorial sutilfile de HVS y atributos con la más amplia gama de calificaciones sensoriales tienden a ser aquellos asociados con la edad botella. El bajo rango de las puntuaciones sensoriales en este investigación pone de relieve la necesidad de un panel bien entrenado que puede evaluar de forma fiable y consistente específic atributos sensoriales modelos de modo objetivo de los datos sensoriales se pueden derivar de GC-MS profiles. Identificación de los picos seleccionados para PLS modelos de regresión (Tabla 4) y el examen de la regresión coefficoefi (Figura 5) revela el cambio relativo en el área del pico y por lo tanto la concentración de cada compuesto en el modelo PLS. Para la mayoría de los compuestos del coe regresiónfficoeficientes son positivos

11963

Tabla 3. sensoriales puntuaciones medias, Rango y PLS regresión Modelo de Desempeño para la Predicción de atributos sensoriales Uso de la tabla Pico Extraídas de MCR-ALS GC-MS Profiles

puntajes sensoriales sensorio atributo

limón-Lima Floridaoral pomelo piña confitería heno / paja herboso espárragos lychee Naranja mermelada miel brindis queroseno acidez dulzura

un

PLS rendimiento del modelo

R2 0,580 0,256 0,397 0,560 0,321 0,346 0,573 0,439 0,332 0,876

0,824 0,837 0,480 0,689 0,719

RMSEP 0,447 0,482 0,469 0,317 0,396 0,511 0,418 0,283 0,431 0,394

0,580 0,605 0,526 0,422 0,552

RERun

0.18 0.23 0.30 0.23 0.32 0.24 0.22 0.25 0.33 0.11

0.12 0.14 0.27 0.48 0.18

LVb

7 2 6 5 3 5 4 4 10 6

4 2 5 6 5

min 2.21 0.83 1.21 0.87 0.52 1.49 0.52 0.50 0.67 1.07

2.03 1.61 1.48 4.03 2.60

max 4.67 2.97 2.83 2.27 2.35 3.63 2.40 1.63 1.96 4.77

6.87 5.83 3.43 6.10 5.70

significar 3.58 1.63 2.15 1.61 1.11 2.63 1.37 0.98 1.22 2.20

3.65 3.44 2.49 5.06 3.57

Tasa de errores Range (rango de respuesta: RMSEP). bNúmero de latente variables utilizadas en el modelo de regresión.

que indica un aumento en la concentración de los compuestos como el Las calificaciones sensorial aumento y el desarrollo durante el envejecimiento. Aunque la inspección del coe regresiónfficoe offres penetración a la capacidad de predicción en general, offres sin penetración a la valor explicativo de especifilas variables c dentro del modelo. La técnica de selección IPL agrega continuamente variables de hasta la convergencia dentro del modelo. En consecuencia, los picos son seleccionado, pero puede contribuir sólo pequeñas mejoras en el agudeza predictivo vez más enFloridapicos influyentes han sido seleccionado. El SR indica la importancia relativa de la variables en los modelos predictivos basados en el explicado varianza y tiene una mejor discriminación para los estudios metabolómicos de importancia variable en proyección scores.38 Una RS superior significa que el específila variable c explica una mayor proporción de la variación para el atributo predicho. En base a la SR, la

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry

Tabla 4. Identidad de compuestos con alto Efficacia para los modelos predictivos de Atributos sensoriales para HVS

predicho sensorial atributo miel miel miel y tostadas brindis brindis brindis brindis mermelada de naranja mermelada de naranja mermelada de naranja mermelada de naranja mermelada de naranja mermelada de naranja mermelada de naranja dulzura dulzura dulzura dulzura dulzura dulzura dulzura dulzura dulzura

un

Artículo

pico 130 233 240 117 153 211 245 51 116 126 128 165 237 243 58 106 124 143 175 180 181 217 258

compuesto etil-2-furoato de 5-hidroximetil furfural vanilina 2,3-butanodiol (R, R) dietil-glutarato Guayacol 4-vinil 3-oxo-α-ionol 3-penten-2-ona propanoico NID (MW 105)d 3,7-dimetil-1,5,7-octatrien3-ol alcohol de bencilo succinato de acetato de ácido piroglutámico, éster etílico hexanoato de etilo 2-etil hexanol ácido isobutírico NID (MW 248) Etanol 2-fenil etil-3-hidroxi-3-metilbutanoato de† 2,6-dimetil-7-ocene-2,6-diol NID (norisoprenoid C13, MW 210) tirosol

CAS 614-99-3 67-47-0 121-33-5 6982-25-8 818-38-2 7786-61-0 34318-21-3 625-33-2 79-09-4

29957-43-5 100-51-6 1070-34-4 7149-65-7 123-66-0 104-76-7 79-31-2

60-12-8 18267-36-2 29210-77-3

501-94-0

Kovats Rhode Island 1605 2501 2504 1507 1800 2201 2603 1118 1507 1601 1603 1900 2404 2602 1210 1500 1511 1704 1902 2001 2001 2202 2750

Kovats RI reportadoun 1599 2410 2555 1523

2192 2623 1120 1523

43 43 51 53

identifiedb

RI, MS RI, MS, cmp RI, MS, cmp RI, MS, cmp MS, cmp RI, MS, cmp RI, MS RI, MS, cmp RI, MS, cmp MS RI, MS RI, MS, cmp RI, MS MS RI, MS, cmp RI, MS, cmp RI, MS, cmp

RI, MS, cmp MS RI, MS MS RI, MS

aroma reportadoc dulce 41 cartón; zarzamora vainilla mantequilla, crema

clavo, curry especia afrutado 55 picante, rancio, soja

cítricos, Floridaoral 57 dulce, Floridaower

52

45 54 53 53

1586 56 1883 58 2440 59

1239 1446 1584

1940

1949

3012

51 43 60

cáscara de la manzana, la fruta rosa, verde mantequilla rancia, queso

miel, especias, rosa

ahumado, con sabor a fruta

54

45

55

43

RI: publicado índices de retención de la fase estacionaria similares. bMS: NIST partido de base de datos de espectros de masas con un mínimo avance y retroceso a juego de 800. cmp: compuesto emparejado con patrones puros. cAromas Informó de Flavornet (http: // www.Floridaavornet.org) menos que se indique. dNo identified, el peso molecular tentativo indicó.

La Figura 5. Coe Regresiónfficientes y relaciones de selectividad para las áreas picos utilizados para los modelos de predicción de los atributos sensoriales. Identi Picofinúmero de cationes aparecerá por encima de cada barra. más enFloridapicos influyentes han sido identificadosfied para la predictivo modelos de atributos sensoriales con la mayor gama de sensorial puntajes. Los compuestos importantes identified para los modelos predictivos y sus aromas notificadas se enumeran en la Tabla 4. La mayoría de estos compuestos podrían ser fácilmente identificadofied utilizando datos a juego de los índices de retención de Kovats reportados, búsquedas NIST, y, donde compuestos disponibles, análogas se ejecutan con la idéntica condiciones instrumentales. La agudeza sensorial de la miel era

11964

modelado con menor cantidad de los compuestos, siendo los más importantes vainillina y 5-hydroxymethyfurfural (5HMF) y de menor importancia etil-2-furoato. Un compuesto asociado con aroma de miel no se pudo identified y la SR para este compuesto fue baja reFloridaeja un bajo nivel general de enFloridauencia para este compuesto. Como se mencionó anteriormente, la presencia de vainillina en HVS es probablemente una consecuencia del envejecimiento en botella. Furánico compuestos basados son importantes constituyentes aromáticos con su formación de derivados de las reacciones de Maillard y no enzimática

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry

la degradación de carbohidratos. A pH bajo, furfural y la forma 5-HMF de pentosa y hexosa condensación y reordenamiento reacciones, respectivamente, y las reacciones posteriores dan como resultado la formación de una variedad de aroma compounds.39 El largo plazo almacenamiento de los alimentos en calor o en ambientes ácidos realza su producción y se espera que esta clase de compuestos surgiría en edad HVS. El furfural también es un no oxidativa producto de degradación de acid40 ascórbico y puede acumularse durante la crianza en botella de los vinos. La contribución de acetato furoato es de menor importancia para la percepción de aroma de miel basado en el SR. Este compuesto también se ha informado de estar asociada con la percepción de aromas dulces en jerez vinos, junto con los aumentos en la concentración de 5HMF durante de envejecimiento. 41 furoico puede emanar de la oxidativo degradación de acid42 ascórbico y por lo tanto pueden formar el acetato de éster con el tiempo o con temperaturas elevadas como se informó previously.30,32 La percepción de la tostada es enFloridauido chieFloriday por ficinco compuestos que, en orden descendente de la SR, son vainillina, glutarato de dietilo, guayacol 4-vinilo, 3-oxo-α-ionol, y 2,3-butanodiol. Con la excepción de dietil glutarato de estos compuestos han informado de aromas de vainilla, clavo / de curry, especia, y crema / mantequilla, respectivamente. Todos estos compuestos tienen coe regresión positivofficoe indicando que contribuyen positivamente al aumento de la percepción del aroma brindis en los vinos como su concentración aumenta. El modelo predictivo de naranja mermelada consiste en una gama de compuestos con diversas clase química incluyendo alcoholes, ácidos alifáticos, carbonilos, norisoprenoides, y sus ésteres etílicos. Los compuestos modelado con coe regresión positivofficientes y gran SR han informado aromas de dulces, cítricos, y Floridaoral (Tabla 4) con el más importante de los cuales es el alcohol de bencilo. De interés es la inclusión de 3-penten-2-ol y succinato de etilo con negativo coe regresiónfficoeficientes que indican la contribución de éstos compuestos disminuye como mermelada de naranja aroma intensifies durante el desarrollo botella. El SR para estos compuestos es indicando relativamente pequeño una contribución menor a la general Evaluación sensorial para este atributo. Un compuesto (máximo 126) tiene un moderado enFloridauir en el modelo, y no pudo ser identificadofied basado en los criterios estrictos utilizados en esta investigación, y detección olfativa puede ser necesario para ayudar en la la autenticación de este pico. De interés es el buen modelo para el dulzor que es típicamente atribuyen una sensación en la boca en el vino y se podría esperar razonablemente a no modelo bien con los datos de GC-MS. El modelo de PLS para dulzura es el más complejo de los modelos de esta investigación, que consta de 18 compuestos con 2 de estos no identified. La diversidad de la identificaciónficompuestos ed, coe regresiónfficoe, y SR para los compuestos de esta modelo indica una compleja gama de aromas asociados con dulzura. Esto está de acuerdo con la asociación informó de la percepción de la dulzura en HVS con tanto Floridaoral y miel por lo tanto attributes.12 Los modelos predictivos obtuvieron de la GC- MS profiles utilizando MCR-ALS en este estudio permitirá a la elucidación de los atributos químicos asociados con todas dimensiones sensoriales importantes para los estilos reportados de HVS. Identificación de compuestos marcadores importantes asociado con estilo y carácter edad botella proporciona pistas sobre la desarrollo químico del ramo vino HVS durante el envejecimiento. Completo análisis sensorial descriptivo de los vinos realizados simultá- neamente con la GC-MS profiling ha permitido una buena predicción modelos de la sensorial atributos que defiestilos ne HVS. Mientras los atributos sensoriales de miel, tostadas y mermelada de naranja

11965

Artículo

de HVS, es evidente a partir de los modelos de PLS que cada sensorial carácter se compone de compuestos distintivas. Con el excepción de la vainillina, que es importante tanto para la miel y tostadas, ningún otro compuesto se replica dentro de la predicción modelos. El uso de SR para clasificar el mérito relativo de compuestos asociados con la predicción de características sensoriales desde la GC-MS de datos proporciona una visión objetiva de la importancia de la especificaciónficompuestos c marcador asociado con el vino características sensoriales. Las futuras aplicaciones de rápido y automatizado Análisis de datos GC-MS permitirá clasificaciones de preferencia de los consumidores a ser más rápidamente vinculados a medidas instrumentales objetivos y conocer el impacto de las técnicas de producción de vino en la composición de vino.

Associated Content S *Información de Apoyo Figura S1: suma residual de cuadrados para cada modo de la cubo de datos sensoriales de modelado PARAFAC. Este material es disponible de forma gratuita a través de Internet en http://pubs.acs.org.

INFORMACIÓN AUTOR

Correspondiente Autor * Tel .: +61 (0) 2 69334025. Fax +61 (0) 2 69332107. E-mail [email protected]. Mail: Escuela de Agronomía y el Vino Ciencias, la Universidad Charles Sturt, Locked Bag 588, Wagga Wagga, NSW, Australia 2678.

Notas Los autores declaran no competir financiera interés.

AGRADECIMIENTOS La ayuda de Anthony Saliba en la selección de vinos para sensorial la evaluación se reconoce. Damos las gracias a Geoff Scollary para comentarios considerados y útiles con respecto a este manuscrito. El Centro Nacional del Vino y Uva Industria es una investigación centro dentro de la Universidad Charles Sturt, en alianza con el Departamento de Industrias Primarias de NSW y el Vino NSW Asociación de la Industria. Parte de este proyecto fue financiado por el Uva y el Vino de Investigación y la Corporación de Desarrollo de fondos de viticultores y enólogos australianos con fondos de contrapartida de la Commonwealth de Australia.

ABREVIATURAS UTILIZADAS HVS, Hunter Valley Semillon; GC-MS, cromatografía de gases espectroscopía de masas; OAV, olor valor de la actividad; CI, confidencia intervalo; ES, patrón interno; TIC, cromatograma de iones totales; MCR-ALS, resolución de curvas multivariante alterna menos- cuadrados; PCA, análisis de componentes principales; PC, director componente; PLS, parciales mínimos cuadrados; PARAFAC, paralelo análisis factorial; SR, relación de selectividad; NIST, Instituto Nacional de Estándares y Tecnología; 5HMF, 5-hydroxymethyfurfural Referencias (1) Francisco I. L .; Newton, J. L. Determinación de aroma del vino desde datos de composición. Aust. J. vino de la uva Res. 2005, 11, 114-126. (2) Escudero, A .; Campo, E .; FarinA, L .; Cacho, J .; Ferreira, V. Caracterización analítica del aroma de cinco vinos tintos de alta gama. Miradas en torno a la función de las familias de olores y el concepto de frutosidad de vinos. J. Agric. Alimentos. Chem. 2007, 55, 4501-4510. (3) Ferreira, V .; Ortin, N .; Escudero, A .; López, R .; Cacho, J. Caracterización química del aroma de la garnacha vinos rosados: Aroma extraer el análisis de dilución, la determinación cuantitativa, y sensorial estudios de reconstitución. J. Agric. Alimentos. Chem. 2002, 50, 4048-4054.

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry

(4) Saliba, A. J .; Bullock, J .; Hardie, W. J. rechazo del Consumidor umbral de 1,8-cineol (eucaliptol) en el vino tinto australiano. Comida Qual. Preferencia 2009, 20, 500-504. (5) Suárez, R .; Suárez-Lepe, J. A .; Morata, A .; Calderón, F. El producción de etilfenoles en el vino por las levaduras de los géneros Brettanomyces y Dekkera: Una revisión. Food Chem. 2007, 102, 10-21. (6) Grosch, W. Determinación de odorantes potentes en los alimentos por análisis de dilución del extracto de aroma (AEDA) y el cálculo de olor valores de actividad (OVAs). Fragancia Sabor J. 1994, 9, 147-158. (7) Acree, T. E .; Barnard, J .; Cunningham, D. G. Un procedimiento para la análisis sensorial de los efluentes de cromatografía de gases. Food Chem. 1984, 14, 273-286. (8) de Pere-Trepat, E .; Tauler, R. Análisis de muestras ambientales por aplicación de la resolución de curvas multivariante de alto rendimiento fusionado cromatografía de diodos datos de espectrometría de masas detección por red de líquidos. J. Chromatogr. La 2006, 1131, 85-96. (9) Mas, S .; Fonrodona, G .; Tauler, R .; Barbosa, J. Determinación de ácidos fenólicos en muestras de fresa mediante líquido rápido cromatografía y resolución de curvas multivariante métodos. Talanta 2007, 71, 1455-1463. (10) de Juan, A .; Tauler, R. Quimiometría aplicada a desentrañar procesos y mezclas multicomponentes: Revisitando últimas tendencias en resolución multivariante. Anal. Chim. Acta 2003, 500, 195-210. (11) Azzouz, T .; Tauler, R. Aplicación de curvas multivariante resolución mínimos cuadrados alternados (MCR-ALS) a lo cuantitativo análisis de productos farmacéuticos y muestras agrícolas. Talanta 2008, 74, 1201-1210. (12) Blackman, J .; Saliba, A. caracterización sensorial de Hunter Valle Semillon usando análisis descriptivo. Fragancia Sabor J. 2009, 24, 238-244. (13) Blackman, J. W .; Saliba, A. J .; Schmidtke, L. M .; Barril, C .; Scollary, G. R. Fragancia Sabor J. 2013, presentado. (14) Bro, R. PARAFAC. Tutorial y aplicaciones. Chemometr. Intell. Sys. 1997, 38, 149-171. (15) Schmidtke, L. M .; Rudnitskaya, A .; Saliba, A. J .; Blackman, J. W .; Scollary, G. R .; Clark, A. C .; Rutledge, D. N .; Delgadillo, I .; Legin, A. Sensorial, química, y la evaluación de lengua electrónica de micro vinos oxigenados y maceración de chips de roble: Evaluación de la Commonwealth lidad de técnicas analíticas. J. Agric. Alimentos. Chem. 2010, 58, 5026- 5033. (16) Faber, N. M .; Bro, R .; Hopke, P. K. Los acontecimientos recientes en Algoritmos CANDECOMP / PARAFAC: una revisión crítica. Chemometr. Intell. Sys. 2003, 65, 119-137. (17) López, R .; Aznar, M .; Cacho, J .; Ferreira, V. Determinación de menores y traza compuestos volátiles en el vino por extracción en fase sólida y cromatografía de gases con detección por espectrometría de masas. J. Chromatogr. La 2002, 966, 167-177. (18) Jonsson, P .; Johansson, A. I .; Gullberg, J .; Trygg, J .; A, J .; Grung, B .; Marklund, S .; Sjostrom, M .; Antti, H .; Moritz, T. gran procesamiento análisis de datos para la detección y la identificación de diferencias entre las muestras en GC / MS basados en análisis metabolómicos. Anal. Chem. 2005, 77, 5635- 5642. (19) Savorani, F .; Tomasi, G .; Engelsen, S. B. icoshift: Una herramienta versátil para la rápida alineación de los espectros de RMN 1D. J. Magn. Reson. 2010, 202, 190-202. (20) Jaumot, J .; Gargallo, R .; de Juan, A .; Tauler, R. A por el usuario gráfica interfaz amigable para MCR-ALS: Una nueva herramienta para curvas multivariante resolución en MATLAB. Chemometr. Intell. Sys. 2005, 76, 101-110. (21) Windig, W .; Guilment, J. Interactivo mezcla de auto-modelado análisis. Anal. Chem. 1991, 63, 1425-1432. (22) Lawaetz, A. J .; Schmidt, B .; Staerk, D .; Jaroszewski, J. W .; Bro, R. Aplicación de modelos rotados PCA para facilitar la interpretación de perfiles de metabolitos: Las preparaciones comerciales de Hierba de San Juan. Planta Med. 2009, 75, 271-279. (23) Norgaard, L .; Saudland, A .; Wagner, J .; Nielsen, J. P .; Munck, L .; Engelsen, SB Intervalo parcial de mínimos cuadrados de regresión (IPL): A estudio quimiométrico comparativo con un ejemplo de infrarrojo cercano espectroscopia. Appl. Spectrosc. 2000, 54, 413-419.

11966

Artículo

(24) Schmidtke, L. M .; Smith, J. P .; Muller, M. C .; Holzapfel, B. P. Monitoreo rápido de reservas de vid utilizando ATR-FT-IR y Quimiometría. Anal. Chim. Acta 2012, 732, 16-25. (25) Kvalheim, O. M .; Karstang, T. V. Interpretación de latent- modelos de regresión variables. Chemometr. Intell. Sys. 1989, 7, 39-51. (26) Blackman, J .; Saliba, A .; Schmidtke, L. Dulzura aceptación de novicios, los consumidores experimentados y bodegueros en Hunter Valley Vinos Semillon. Qual Alimentos. Preferencia 2010, 21, 679-683. (27) Wiklund, S .; Johansson, E .; Sjostrom, L .; Mellerowicz, E. J .; Edlund, U .; Shockcor, J. P .; Gottfries, J .; Moritz, T .; Trygg, J. Visualización de datos metabolómicos GC / basado-TOF-MS de identificación ficación de compuestos bioquímicamente interesantes utilizando clase OPLS modelos. Anal. Chem. 2008, 80, 115-122. (28) REBIERE, L .; Clark, A. C .; Schmidtke, L. M .; Prenzler, P. D .; Scollary, GR Un método robusto para la cuantificación de volátiles compuestos dentro y entre las cosechas utilizando espacio de cabeza-sólido- de fase micro-extracción acoplado con GC-MS - aplicación en Semillon vinos. Anal. Chim. Acta 2010, 660, 149-157. (29) Losada, M. M .; López, J. F .; Una, A .; Andrés, J .; Revilla, E. Influencia de algunas prácticas enológicas en el aromático y sensorial características de los vinos blancos Verdejo. Int. J. Food Sci. Technol. 2012, 47, 1826-1834. (30) Makhotkina, O .; Kilmartin, P. A. La hidrólisis y formación de ésteres volátiles en Nueva Zelanda Sauvignon blanc vino. Food Chem. 2012, 135, 486-493. (31) Clarke, R. J .; Bakker, J. Vino Química Sabor; Blackwell: Oxford, U.K., 2004. (32) Oliveira, J. M .; Oliveira, P .; Baumes, R. L .; Maia, O. Los cambios en características aromáticas de los vinos Loureiro y Alvarinho durante maduración. J. Food Compos. Anal. 2008, 21, 695-707. (33) Hopfer, H .; Ebeler, S. E .; Heymann, H. Los efectos combinados de temperatura de almacenamiento y el tipo de envasado en lo sensorial y química propiedades de Chardonnay. J. Agric. Alimentos. Chem. 2012, 60, 10743- 10754. (34) Camara, J. S .; Alves, M. A .; Marques, J. C. Cambios en la volátil composición de los vinos de Madeira durante su crianza oxidativa. Anal. Chim. Acta 2006, 563, 188-197. (35) Sefton, M. A .; Francis, I. L .; Williams, P. J. La libre y unido metabolitos secundarios volátiles de Vitis vinifera cv uva. Semillón. Aust. J. vino de la uva Res. 1996, 2, 179-183. (36) Koseki, T .; Ito, Y .; Furuse, S .; Ito, K .; Iwano, K. Conversión de ácido ferúlico en 4-vinilguayacol, vainillina y ácido vanílico en el modelo soluciones de shochu. J. Ferment. Bioeng. 1996, 82, 46-50. (37) Fearn, T. Evaluación de calibraciones: septiembre, RPD, RER y R2. NIR Noticias 2002, 13, 12-14. (38) Rajalahti, T .; Arneberg, R .; Berven, F. S .; Myhr, K.-M .; Ulvik, R. J .; Descubrimiento Kvalheim, OM de biomarcadores en los perfiles de los espectros de masas por medios de relación de selectividad parcela. Chemometr. Intell. Sys. 2009, 95, 35-48. (39) Martins, S. I. F. S .; Jongen, W. M. F .; van Boekel, M. A. J. S. A revisión de la reacción de Maillard en los alimentos y las implicaciones para cinética modelado. Tendencias Food Sci. Technol. 2000, 11, 364-373. (40) Wallington, N .; Clark, A. C .; Prenzler, P. D .; Barril, C .; Scollary, GR La descomposición de ácido ascórbico en un sistema modelo de vino de oxígeno a baja la concentración. Food Chem. 2013, 141, 3139-3146. (41) Callejón, R. M .; Morales, M. L .; Ferreira, A. C. S .; Troncoso, A. M. Definir el aroma típico de vinagre de Jerez: sensorial y química enfoque. J. Agric. Alimentos. Chem. 2008, 56, 8086-8095. (42) Barril, C .; Clark, A. C .; Scollary, G. R. Química de la ascórbico ácido y dióxido de azufre como un sistema antioxidante relevante para vino blanco. Anal. Chim. Acta 2012, 732, 186-193. (43) Mottram, R. El LRI y Olor de base de datos. http: //www.odour. org.uk (27/04/2010). (44) Aznar, M .; López, R .; Cacho, J. F .; Ferreira, V. Identificación y cuantificación de los odorantes de impacto de los vinos tintos añejos de Rioja. GC- Olfatometría, cuantitativo GC-MS, y el olor de evaluación de HPLC fracciones. J. Agric. Alimentos. Chem. 2001, 49, 2924-2929. (45) Culleré, L .; Escudero, A .; Cacho, J .; Ferreira, V. Gas cromatografía de olfatometría y estudio cuantitativo química del

dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967

Journal of Agricultural and Food Chemistry

aroma de españoles vinos tintos envejecidos seis de calidad premium. J. Agric. Alimentos. Chem. 2004, 52, 1653-1660. (46) Bianchi, F .; Careri, M .; Mangia, A .; Musgos, índices de retención M. en el análisis de compuestos volátiles aromáticos comida en de temperatura cromatografía de gases programado: la creación y evaluación de base de datos precisión y robustez. J. Sci septiembre. 2007, 30, 563-572. (47) Yu, T. H .; Wu, C. M .; Chen, S. Y. Efectos de ajuste de pH y tratamiento térmico sobre la estabilidad y la formación de volátiles compuestos de ajo. J. Agric. Alimentos. Chem. 1989, 37, 730-734. (48) Brander, C. F .; Kepner, R. E .; Webb, A. D. Identificación de algunos compuestos volátiles del vino de Vitis vinifera el cultivar Pinot Noir. Am. J. Enol. Vitic. 1980, 31, 69-75. (49) Boulanger, R .; Crouzet, J. gratuito y componentes de sabor unidos de frutas amazónicas: 2. Cupuac u compuestos volátiles. Sabor Fragancia J. 2000, 15, 251-257. (50) Yanagimoto, K .; Ochi, H .; Lee, K.-G .; Shibamoto, T. Actividades antioxidantes de fracciones obtenidas de café preparado. J. Agric. Alimentos. Chem. 2004, 52, 592-596. (51) Barata, A .; Campo, E .; Malfeito-Ferreira, M .; Loureiro, V .; Cacho, J .; Ferreira, V. analítica y caracterización sensorial de la aroma de los vinos producidos con uvas podridas agrias utilizando GC-O y GC-MS: La identificación de compuestos clave de aroma. J. Agric. Alimentos. Chem. 2011, 59, 2543-2553. (52) Turemis, N .; Kafka, E .; Kafka, S .; Kurkcuoglu, M .; Baser, K. H. C. Determinación de compuestos aromáticos en la zarzamora por GC / MS análisis. Chem. Nat. Compd. 2003, 39, 174-176. (53) El-Sayed, soy el Pherobase: Base de datos de insectos Feromonas y Semioquímicos; http://www.pherobase.com/database/kovats/ Kovats-index.php (07/05/2010). (54) Boulanger, R .; Crouzet, J. Identificación de la aroma componentes de la acerola (Malphigia glabra L.): sabor gratuito y encuadernado compuestos. Food Chem. 2001, 74, 209-216. (55) Krist, S .; Unterweger, H .; Bandion, F .; Buchbauer, G. Volatile análisis compuesto de muestras de espacio de cabeza y extracto de SPME castañas asadas italianos (Castanea sativa Mill.) Mediante GC-MS. EUR. Res Alimentos. Technol. 2004, 219, 470-473. (56) Engel, K. H .; Tressl, R. Formación de componentes de aroma de precursores no volátiles en fruta de la pasión. J. Agric. Alimentos. Chem. 1983, 31, 998-1002. (57) Leffingwell, J. C. Químicas propiedades de olor. http: // www. leffingwell.com/odorthre.htm (12.11.2012). (58) Sing, A. S. C .; Smadja, J .; Brevard, H .; Maignial, L .; Chaintreau, A .; Marion, JP constituyentes volátiles de faham (Jumellea f ragrans (Tú). Schltr.). J. Agric. Alimentos. Chem. 1992, 40, 642-646. (59) Selli, S .; Cabaroglu, T .; Canbas, A .; Erten, H .; Nurgel, C .; Lepoutre, J. P .; Gunata, Z. composición volátil del vino tinto de cv. Kalecik Karasι crecido en el centro de Anatolia. Food Chem. 2004, 85, 207- 213. (60) Aznar, M .; López, R .; Cacho, J .; Ferreira, V. Predicción de edad propiedades de aroma del vino rojo de la composición química del aroma. Parcial menos los modelos de regresión de cuadrados. J. Agric. Alimentos. Chem. 2003, 51, 2700- 2707.

Artículo

11967 dx.doi.org/10.1021/jf403504p |J. Agric. Food Chem. 2013, 61, 11957-11967