matériaux en contact avec les aliments (FCM) sont difficiles à identifier en raison de matrices complexes et de normes commerciales contraignantes. L’utilisation d’outils basés sur des algorithmes d’apprentissage automatique peut aider à identifier ces matériaux.
Des recherches récentes publiées dans Journal de l’agriculture et de la chimie alimentaire Démontre l’utilisation de modèles de collision en coupe transversale (CSS) au silicium et de techniques de temps de rétention (RT) pour détecter les migrations inertes à partir de matériaux en contact avec les aliments à l’aide de la chromatographie liquide-spectrométrie de masse ionique. L’étude de la migration chimique des cuillères en polyamide (PA) permet de déterminer la pertinence de cette approche.
Effets indésirables des produits chimiques en contact avec les aliments (FCC)
Lors de la transformation, du transport, de la conservation et de la livraison, les aliments et les boissons peuvent entrer en contact avec divers matériaux.
Les produits chimiques contenus dans les matériaux en contact avec les aliments peuvent se transférer dans les aliments et causer des problèmes de santé aux consommateurs.
Dans certains cas, les matériaux en contact avec les aliments peuvent également inclure des produits chimiques indésirables (FCC) tels que les produits de décomposition des additifs, le polymère lui-même, les solvants industriels ou les sous-produits de réactions chimiques.
Le papier, le bois, la verrerie, le métal, le plastique et les biomatériaux sont tous des FCM.
Les polymères plastiques entrent souvent en contact avec les aliments. Les additifs sont utilisés dans la fabrication des plastiques pour améliorer les performances du produit final. Les plastifiants, les inhibiteurs, les liants et les lubrifiants sont parmi les additifs les plus couramment utilisés. Ces additifs peuvent passer dans les aliments car ils ne sont pas chimiquement liés aux polymères.
Il a été rapporté que la contamination des aliments causée par les produits chimiques des FCM peut être 100 fois supérieure à celle des pesticides synthétiques et des polluants industriels.
Défis associés à l’identification du craquage catalytique fluide
La détection précise des FCC à partir des FCM est difficile en raison de la complexité de la matrice plastique, du contenu inconnu et des paramètres restreints. La composition élémentaire des matériaux détectés peut être estimée à partir des ions élémentaires et de la diffusion isotopique à l’aide de la spectrométrie de masse à haute résolution (HRMS), y compris le temps de vol (TOF).
Les molécules avec la formule chimique spécifiée dans ChemSpider ou PubChem révèlent plusieurs structures potentielles. Des analystes ayant des connaissances en interprétation du spectre MS sont nécessaires pour éliminer les entrées déraisonnables et réduire les faux positifs.
La possibilité de la spectrométrie de masse du mouvement des ions pour la détection du craquage catalytique fluide
Ces dernières années, la spectroscopie de mobilité ionique a été largement utilisée pour le criblage contrôlé et non contrôlé d’échantillons complexes.
La section efficace de collision dérivée de la spectrométrie de masse à mouvement ionique est une propriété stable associée à la taille, à la morphologie et au potentiel des particules.
Les mesures transversales d’impact combinent le temps de rétention (RT), la masse exacte, le motif atomique et le fractionnement des ions pour l’identification chimique.
Limitation de la spectrométrie de masse à mobilité ionique basée sur la section efficace de collision
Une limitation dans la détection des FCC provenant des FCM est que de nombreux composés suspects ne sont pas disponibles dans le commerce. Ainsi, il n’est pas possible de vérifier une détermination précise et spécifique en faisant correspondre les valeurs de section efficace de collision de l’inconnu avec les valeurs des valeurs standard.
Développement de modèles de prédiction de collisions accidentelles à l’aide d’approches d’apprentissage automatique
Pour améliorer la détection FCC par spectrométrie de masse du mouvement des ions, les chercheurs ont développé des modèles de prédiction de collision basés sur l’apprentissage automatique. Basé sur la chromatographie liquide, la spectrométrie de masse à mobilité ionique et les outils de prédiction de la section transversale de collision (CCS), Sung et d’autres. Suggérer une méthode pour détecter les produits chimiques non volatils dans les FCM.
La base de données sur les produits chimiques en contact avec les aliments (FCCdb) et la base de données sur les produits chimiques associés aux emballages en plastique (CPPdb) sont deux bases de données contenant des informations sur les FCM. Les modèles attendus conçus par les chercheurs ont été utilisés pour prédire les valeurs RT et CCS des produits chimiques dans CPPdb et FCCdb. La méthode d’interprétation structurelle incluait les deux bases de données comme bibliothèques de vérification.
En analysant la migration des produits chimiques à partir des cuillères PA, l’efficacité de ces deux bases de données dans la détection des FCC a été évaluée.
Après avoir utilisé les filtres de prédiction RT et CCS, le nombre de composés apparentés a diminué d’environ 75 % et 29 %, respectivement. Les cuillères en PA contenaient 95 produits chimiques différents, vérifiés à l’aide de 54 étalons de référence.
Selon les chercheurs, la détection de produits chimiques dans les FCM peut être facilitée en créant une base de données des valeurs de RT et de CCS prévues pour les composés associés aux FCM.
Les valeurs RT et CCS attendues peuvent être ajoutées aux procédures d’identification pour augmenter la confiance de l’identification, bien qu’elles ne montrent pas de manière concluante la présence du composé.
conclusion
En criblant les produits chimiques dans deux bases de données publiques (CPPdb et FCCdb) avec des valeurs de RT et de CCS améliorées prévues basées sur l’apprentissage automatique, différents composés présents dans les FCM peuvent être détectés.
Les valeurs RT et CCS prédites peuvent être utilisées efficacement pour réduire considérablement les faux positifs et améliorer la précision de l’identification. L’ajout de plus de valeurs mesurées aux ensembles d’apprentissage appropriés augmente la précision des prédictions RT et CCS.
référence
Song, X.-C, Canellas, E., Dreolin, N., Goshawk, J. et Nerin, C. (2022). Détermination des migrations non volatiles des matériaux en contact avec les aliments à l’aide de la mobilité ionique – spectrométrie de masse à haute résolution et outils de prédiction in silico. Journal de l’agriculture et de la chimie alimentaire. https://pubs.acs.org/doi/10.1021/acs.jafc.2c03615