-
Die vorliegende Erfindung betrifft ein Verfahren zum Klassifizieren eines Stoffgemischs anhand zumindest eines vorgegebenen Klassifizierungskriteriums.
-
Zur Untersuchung wissenschaftlicher und/oder technischer Fragestellungen werden unterschiedlichste Messverfahren verwendet. Dabei wird das Vorhandensein oder die Magnitude eines gemessenen Parameters mit der Fragestellung direkt, also in gerichteter Weise, in Verbindung gebracht. Mit steigender Komplexität der Fragestellung ist oftmals ein einzelner gemessener Parameter nicht ausreichend und es werden mehrere Parameter erfasst, auch Parameter, die mit unterschiedlichen Methoden aufgenommen wurde. Ein Beispiel hierfür ist die Bestimmung der Konformation chemischer Verbindungen, bei der beispielsweise Messdaten der magnetischen Kernresonanz-(NMR)-Spektroskopie (Strukturinformation), der optischen Spektroskopie (z. B. Infrarot-(IR)-Spektroskopie: funktionelle Gruppen) und der Massen-(MS)-Spektrometrie (atomare Zusammensetzung) routinemäßig gemeinsam genutzt werden.
-
Insbesondere chromatographische und spektroskopische Methoden wie die NMR-, die optische Spektroskopie und die Massenspektrometrie eignen sich aufgrund der ihnen eigenen hohen Auflösung und dynamischen Bandbreite für die Anwendung auf sehr komplexe Fragestellungen.
-
Ein Beispiel hierfür ist die Analytik von Mischungen aus einer größeren Anzahl von Stoffen, wie beispielsweise Naturstoffe und Lebensmittel. Neuerdings werden Methoden, die eine Vielzahl von Parametern in einer Messung erfassen – einschließlich der oben genannten Methoden, in gerichteter wie auch nicht-gerichteter Weise auf komplexe Fragestellungen angewandt: Dabei werden ganze Parameterprofile – also die Kombination aus mehreren Parametern, die mit einer Methode erhalten wurden – gerichtet oder nicht-gerichtet mit der Fragestellung verknüpft.
-
Nicht-gerichtet bedeutet, dass Parameter mit der Fragestellung korreliert werden können, ohne dass die Identität und/oder Ursache für den Parameter oder das Parameterprofil bekannt sein müssen. Ein Beispiel hierfür ist die Untersuchung von Lebensmitteln mittels NMR- oder IR-Spektroskopie nicht nur zur Bestimmung der Konzentration einzelner Substanzen, sondern die Korrelationen der jeweiligen Parameterprofile mit Eigenschaften wie Herkunft, Sorte, Verarbeitung und/oder Verfälschung.
-
Für diese Art von Untersuchungen werden üblicherweise Methoden der Statistik verwendet, um Datenprofile und Fragestellungen abzugleichen. Die hierfür üblicherweise verwendeten statistischen Methoden beinhalten, sind aber nicht beschränkt auf: Hauptkomponentenanalysen (principal component analysis, PCA), partielle kleinste Fehlerquadrate (partial least squares, PLS), neuronale Netze, SIMCA (soff independent modelling by class analogy), Random Forest, SVM (support vector machines) etc.
-
Nachteilig an diesem bekannten Ansatz ist, dass sich trotz immer leistungsfähigerer statistischer Methoden viele Fragestellungen nur mit den Daten einer einzelnen Messmethode nicht lösen lassen.
-
Dargestellt werden kann dies anhand der Authentizitätsuntersuchung von Lebensmitteln. So kann beispielsweise mittels NMR-Spektroskopie festgestellt werden, aus welcher Region ein Wein der Sorte Riesling stammt. Diese Unterscheidung ist auf unterschiedliche Konzentrationen derselben chemischen Substanzen zurückzuführen. Mit dem gleichen Ansatz lassen sich beispielsweise auch Sorte und Jahrgang feststellen. Allerdings sind der Auflösung, beispielsweise betreffend die regionale Zuordnung eines Lebensmittels, und der Genauigkeit der Untersuchung natürliche Grenzen gesetzt.
-
Versuche, diese Grenzen zu erweitern, bestanden bisher in der Kombination der bereits fertigen Auswertung von Messdaten verschiedener Messmethoden. Hierzu wurden Datenprofile mit verschiedenen Messverfahren erstellt, jeweils individuell ausgewertet und anschließend die Ergebnisse korreliert. Da jede Auswertung, beispielsweise durch statistische Methoden, eine Abstraktion darstellt und damit mit Informationsverlust einhergeht, bleibt die Aussagekraft solcher Ansätze begrenzt. Derartige Methoden der multivariaten Statistik sind beispielsweise in Kessler, W., Multivariate Datenanalyse für die Pharma-, Bio- und Prozessanalytik, WILEY-VCH Verlag, Weinheim, 2007, S.1–20 beschrieben.
-
Es ist daher die Aufgabe der vorliegenden Erfindung, eine verbesserte Klassifikation von Stoffgemischen zu ermöglichen.
-
Diese Aufgabe wird mit dem Gegenstand des Anspruchs 1 gelöst.
-
Bei einem solchen Verfahren zum Klassifizieren eines Stoffgemischs anhand zumindest eines vorgegebenen Klassifizierungskriteriums werden folgende Schritte durchgeführt:
- a) Aufnehmen eines das Stoffgemisch betreffenden ersten Messdatensatzes mittels eines ersten Messverfahrens;
- b) Aufnehmen zumindest eines das Stoffgemisch betreffenden, unabhängigen weiteren Messdatensatzes mittels eines weiteren Messverfahrens;
- c) zumindest teilweises Kombinieren des ersten und des zumindest einen weiteren Messdatensatzes zu einem kombinierten Messdatensatz;
- d) Klassifizieren des Stoffgemischs durch Vergleichen des kombinierten Messdatensatzes in seiner Gesamtheit mit einer Datenbank umfassend bekannte kombinierte Messdatensätze für eine Mehrzahl von Stoffgemischen mit bekannter Klassifikation.
-
Unter Klassifizieren wird dabei das Zuordnen des Stoffgemischs zu einer von mehreren vorbekannten Gruppen verstanden. Die vorbekannten Gruppen unterscheiden sich dabei in zumindest einer Eigenschaft, die hier als Klassifizierungskriterium bezeichnet wird.
-
Unter einem Klassifizierungskriterium wird eine quantitativ oder qualitativ erfassbare, das Stoffgemisch charakterisierende Größe verstanden. Beispielsweise kann es sich dabei um eine geographische Herkunft, eine Reinheit, eine Sortenzugehörigkeit, eine Verarbeitungs-, Lagerungs- und/oder Alterungshistorie, eine genetische, transkriptomische und/oder proteomische Information und/oder eine medizinische oder veterinärmedizinische Diagnose handeln.
-
Unter einen unabhängigen weiteren Messdatensatz ist ein Messdatensatz zu verstehen, der von der Aufnahme des ersten Messdatensatzes und/oder anderer weiterer Messdatensätze nicht beeinflusst ist. Die Aufnahme des ersten Messdatensatzes hat also keine Auswirkung auf den zweiten Messdatensatz. Die Messdaten des zumindest einen weiteren Messdatensatzes sind somit unabhängig von den Messdaten des ersten Messdatensatzes. Vorzugsweise werden für die Aufnahme des ersten und des zumindest einen weiteren Messdatensatzes dabei unterschiedliche Proben des Stoffgemischs verwendet.
-
Der kombinierte Messdatensatz umfasst dabei die in ihn aufgenommenen Messdaten des ersten und des zumindest einen weiteren Messdatensatzes vollständig, also alle Daten die aus dem ersten und dem zumindest einen weiteren Messdatensatz für die Kombination ausgewählt werden. Es erfolgt bei der Kombination der Messdatensätze also keine Datenreduktion, insbesondere auch keine Mittelung zwischen den wenigstens zwei Messdatensätzen. Vor der Kombination der Messdatensätze ist jedoch eine Mittelung innerhalb eines Messdatensatzes möglich.
-
Unter dem Vergleichen des kombinierten Messdatensatzes in seiner Gesamtheit ist zu verstehen, dass die Daten aller Messdatensätze, die in den kombinierten Messdatensatz integriert sind, in einem Verarbeitungsschritt den gleichen Vergleichsprozessen unterzogen werden. Mit anderen Worten erfolgt keine Separierung des kombinierten Messdatensatzes in Unterdatensätze, die separat verarbeitet werden. Insbesondere werden in diesem Vergleichsschritt nicht die Daten des ersten bzw. des zumindest einen weiteren Messdatensatzes wieder aus dem kombinierten Messdatensatz extrahiert und separat behandelt.
-
Verglichen mit dem Stand der Technik erfolgt also keine getrennte sequentielle Analyse und Klassifizierung der einzelnen Messdatensätze, die anschließend durch Korrelation in ein Gesamtergebnis überführt wird. Vielmehr werden alle Messdatensätze in ihrer Gesamtheit klassifiziert, so dass auf den abschließenden Korrelationsschritt verzichtet werden kann.
-
Gegenüber der Auswertung der Daten jeder Methode für sich und einer nachfolgenden Korrelation der Resultate der einzelnen Messverfahren hat das hier beschriebene Verfahren den wesentlichen Vorteil, dass keine Abstraktion der Information und damit kein Informationsverlust durch Auswerteverfahren auf der Ebene der getrennten Messverfahren erfolgt.
-
Es hat sich überraschenderweise dabei herausgestellt, dass Klassifizierungen, die mit einem Messverfahren oder mit der sequentiellen Kombination mehrerer Messverfahren, wie sie aus dem Stand der Technik bekannt ist, alleine nicht und nicht ausreichend möglich sind, durch entsprechende Datenkombination mit nachfolgender Auswertung der Messdaten in ihrer Gesamtheit nun mit unerwartet hoher Qualität durchgeführt werden können.
-
Bevorzugt sind das erste und/oder das zumindest eine weitere Messverfahren ausgewählt aus der Gruppe:
- – Kernspinresonanzspektroskopie (NMR), Elektronenspinresonanzspektroskopie (ESR);
- – Absorptionsspektroskopie, insbesondere UV/VIS-Spektroskopie, Nahinfrarotspektroskopie, Mittelinfrarotspektroskopiem chiroptische Methoden,
- – Emissionsspektroskopie, insbesondere Fluoreszenzspektroskopie, Ramanspektroskopie,
- – Massenspektrometrie
- – Flüssigkeits- oder Gaschromatographie mit spektroskopischer, elektrochemischer, diffraktometrischer oder refraktometrischer Detektion,
- – elektrophoretische Trennverfahren.
-
Überraschenderweise lassen sich insbesondere durch die Kombination von Messdatensätzen eines Messverfahrens mit hoher Auflösung und/oder hoher dynamischer Bandbreite, wie beispielsweise der NMR-Spektroskopie, mit Messdatensätzen von Messverfahren mit geringer Auflösung und/oder dynamischer Bandbreite, wie beispielsweise der IR-Spektroskopie, Fragestellungen lösen, die sich allein mit der für sich gesehen am besten auflösenden und/oder am empfindlichsten Messmethode nicht lösen lassen. Der kumulierte Informationsgehalt des kombinierten Messdatensatzes stellt daher einen wesentlichen Vorteil gegenüber dem Stand der Technik dar.
-
Für die Aufnahme des ersten und des zumindest einen weiteren Messdatensatzes können dabei unterschiedliche Messverfahren benutzt werden. Es ist aber auch möglich, den ersten und den zumindest einen weiteren Messdatensatz mit dem gleichen Messverfahren aufzunehmen. In diesem Fall werden jedoch für die Aufnahme der Messdatensätze unterschiedliche Probenbedingungen und/oder Messparameter verwendet.
-
Es ist ferner bevorzugt, wenn das Stoffgemisch vor dem Aufnehmen des ersten und/oder zumindest einen weiteren Messdatensatzes einer Probenvorbereitung, insbesondere einer Extraktion und/oder Pufferung und/oder Verdünnung und/oder Anreicherung und/oder Separation, unterzogen wird.
-
Hierdurch können die für die Aufnahme der Messdatensätze verwendeten Proben des Stoffgemischs an die Anforderungen des jeweiligen Messverfahrens angepasst werden. Es ist so ferner möglich, bestimmte Aspekte des Stoffgemischs für die Aufnahme der Messdatensätze besonders herauszustellen, beispielsweise durch die Entfernung von für die Klassifikation unwichtigen Substanzen oder die Anreicherung von für die Klassifikation besonders bedeutsamen Substanzen.
-
Es ist vorteilhaft, wenn das Stoffgemisch vor dem Aufnehmen des ersten Messdatensatzes einer anderen Probenvorbereitung unterzogen wird als vor dem Aufnehmen des zumindest einen weiteren Messdatensatzes.
-
Dies ermöglicht zum Einen die Anpassung der jeweiligen Proben an unterschiedliche Messbedingungen oder Messverfahren, zum Anderen können so, falls das gleiche Messverfahren für mehrere Messdatensätze angewendet wird, unterschiedliche Proben bereitgestellt werden, um einen weiteren Informationsgewinn zu erzielen. Beispielsweise können polare und apolare Extrakte des Stoffgemischs mit dem gleichen Messverfahren untersucht werden.
-
Es ist bevorzugt, wenn der erste Messdatensatz und der zumindest eine weitere Messdatensatz mit unterschiedlichen Messverfahren aufgenommen werden. Hierdurch kann ein besonders hoher Informationsgewinn erzielt werden. Wie erläutert, ist es alternativ oder zusätzlich auch möglich, das gleiche Messverfahren auf unterschiedliche Proben anzuwenden oder unter mit unterschiedlichen Messparametern durchzuführen.
-
Weiter bevorzugt werden der erste und/oder der wenigstens eine weitere Messdatensatz vor Schritt c) einer mathematischen Transformation unterzogen, insbesondere durch Fourier-Transformation, Glättung, Differenzierung, Integration, Skalierung, Basislinienkorrektur, Phasenkorrektur, Null-Füllung, Binning und/oder Bucketing.
-
Hierdurch können Messartefakte reduziert oder ganz beseitigt werden. Auch eine Datenreduktion zur Erleichterung der rechnerischen Handhabbarkeit der Messdatensätze ist so möglich. Durch Verfahren wie die Null-Füllung oder die Anwendung von Fensterfunktionen auf die rohen Messdaten kann auch die apparente Auflösung verbessert werden.
-
Es ist dabei zweckmäßig, wenn der der erste, der wenigstens eine weitere und der kombinierte Messdatensatz jeweils als Menge aus geordneten Paaren von jeweils einer Messgröße und einen zugeordneten Messwert repräsentiert werden. Obwohl eine Mehrzahl von Messdatensätzen zur Erstellung des kombinierten Messdatensatzes zusammengefasst werden, wird dabei somit die Dimension des kombinierten Messdatensatzes nicht erhöht, wie dies bei vielen bekannten Verfahren der multivariaten Statistik der Fall ist. Sowohl der erste und der zumindest eine weitere Messdatensatz, als auch der kombinierte Messdatensatz sind also zweidimensionale Datensätze.
-
Ferner ist es vorteilhaft, wenn zum Kombinieren des ersten und zumindest einen weiteren Messdatensatzes jeweils die vollständigen Messdatensätze oder zusammenhängende oder nichtzusammenhängende Teilmengen der jeweiligen Messdatensätze verwendet werden.
-
Auf diese Weise können beispielsweise Teilbereiche der Messdatensätze für die Analyse ausgewählt werden, die für die Klassifikation besonders bedeutsam sind, während Teilbereiche, die keine Abhängigkeit von dem wenigstens einen Klassifikationskriterium zeigen, verworfen werden können. Damit kann die zu verarbeitende Datenmenge reduziert werden, ohne dass ein Qualitätsverlust bei der Klassifizierung eintritt.
-
Es ist weiter bevorzugt, wenn zum Vergleichen des kombinierten Messdatensatzes mit der Datenbank die in der Datenbank enthaltenen bekannten kombinierten Messdatensätze mittels eines statistischen Verfahrens, insbesondere mittels Hauptkomponentenanalyse (principal component analysis, PCA), Methode der kleinsten Fehlerquadrate (partial least square regression, PLS), neuronaler Netzwerke, SIMCA-Klassifizierung (soft independent modelling by class analogy), random-forest-Methode und/oder Stützvektormaschinen (support vector machine, SVM), in Gruppen von bekannten kombinierten Messdatensätze jeweils gleicher bekannter Klassifikation geordnet werden, und der kombinierte Messdatensatz derjenigen Gruppe zugeordnet wird, zu welcher er den geringsten statistischen Abstand aufweist.
-
Mit anderen Worten stellt die Datenbank also einen Trainingsdatensatz dar, anhand dessen ein an sich bekannter statistischer Klassifikator trainiert werden kann. Je nach Art des Klassifikators kann die Verarbeitung des kombinierten Messdatensatzes durch den Klassifikator unmittelbar die Klassifizierung des Stoffgemischs ergeben, wie beispielsweise bei einem neuronalen Netz oder einem random forest. Andere Klassifikatoren, wie beispielsweise clusteranalytische Methoden liefern gegebenenfalls nur die Grenzen der einzelnen Klassen des Trainingsdatensatzes im jeweiligen Zustandsraum, so dass der noch unklassifizierte kombinierte Messdatensatz dann anhand eines Abstandsmaßes der nächstliegenden Gruppe zugeordnet werden muss.
-
Es ist ferner bevorzugt, wenn das zumindest eine Klassifizierungskriterium eine geographische Herkunft, eine Reinheit, eine Sortenzugehörigkeit, eine Verarbeitungs-, Lagerungs- und/oder Alterungshistorie, eine genetische, transkriptomische und/oder proteomische Information und/oder eine medizinische oder veterinärmedizinische Diagnose betrifft.
-
Bevorzugt ist dabei das Stoffgemisch künstlichen oder natürlichen Ursprungs, insbesondere ein Nahrungsmittel, ein Genussmittel, eine Probe menschlichen, tierischen, pflanzlichen oder mikrobiellen Ursprungs oder ein Extrakt davon oder eine Kombination davon.
-
Die Erfindung beschränkt sich jedoch nicht auf die genannten Bereiche. Jegliches qualitativ oder quantitativ erfassbare Klassifizierungskriterium kann im Rahmen des eingangs beschriebenen Verfahrens herangezogen werden, so dass dieses Verfahren Anwendung für alle denkbaren Aufgaben im Bereich der Analyse, Diagnostik oder Qualitätskontrolle von künstlichen oder natürlichen Stoffgemischen finden kann.
-
Die Erfindung wird nun anhand von Ausführungsbeispielen näher erläutert. Es zeigen
-
1 Eine Flussdiagramm-Darstellung der Schritte bei der Durchführung eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zum Klassifizieren eines Stoffgemischs mit Kombination mehrerer Messdatensätze in einen kombinierten Messdatensatz;
-
2 Eine Flussdiagramm-Darstellung der Schritte bei der Durchführung eines Ausführungsbeispiels eines Verfahrens zum Klassifizieren eines Stoffgemischs nach dem Stand der Technik;
-
3 Eine Überlagerung einer Mehrzahl von eindimensionalen NMR-Spektren von Speiseölen;
-
4 Ein Ausschnitt aus den überlagerten Spektren nach 3, der die Fettsäuresignale der jeweiligen Speiseöle zeigt;
-
5 Eine Überlagerung einer Mehrzahl von IR-Spektren verschiedener Speiseöle;
-
6 Ein aus einem NMR- und einem IR-Spektrum generiertes dimensionsloses Pseudospektrum eines einzelnen Speiseöls;
-
7 Eine Detailansicht der NMR-Region des Pseudospektrums nach 6;
-
8 Ein schematisches Ergebnis einer Hauptkomponentenanalyse von NMR-Spektren einer Mehrzahl von Speiseölen;
-
9 Ein schematisches Ergebnis einer Hauptkomponentenanalyse von kombinierten NMR- und IR-Spektren einer Mehrzahl von Speiseölen, erzeugt durch ein Verfahren gemäß 1;
-
10 Ein aus einem NMR-, einem IR- und einem Massenspektrum generiertes dimensionsloses Pseudospektrum eines einzelnen Speiseöls;
-
11 Ein aus einem NMR- und einem IR-Spektrum generiertes dimensionsloses Pseudospektrum eines einzelnen Honigs;
-
12 Eine skalierte Ausschnittsvergrößerung des Pseudospektrums aus 11.
-
In 1 ist der Ablauf eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zum Klassifizieren eines Stoffgemischs schematisch veranschaulicht.
-
Zunächst wird in Schritt S10 zumindest eine Probe eines Stoffgemischs bereitgestellt. Bevorzugt werden in Schritt S10 mehrere Proben bereitgestellt, die sich in der Art der Probenvorbereitung unterscheiden können, aber nicht müssen. Zur Probenvorbereitung kann dabei beispielsweise eine Extraktion und/oder Pufferung und/oder Verdünnung und/oder Anreicherung und/oder Separation durchgeführt werden.
-
Bei dem Stoffgemisch kann es sich um ein Stoffgemisch künstlichen oder natürlich Ursprungs, insbesondere ein Nahrungsmittel, ein Genussmittel, eine Probe menschlichen, tierischen, pflanzlichen oder mikrobiellen Ursprungs oder ein Extrakt davon oder eine Kombination davon handeln.
-
Konkrete Beispiele umfassen unter anderem Getränke aller Art (wie beispielsweise Frucht- und Gemüsesäfte, Bier und Biermischgetränke, Most, Weine und Schaumweine, Spirituosen, Energydrinks, Kaffee, Tee, Kakao, Smoothies, Milch und Milchprodukte etc.), andere flüssige Lebensmittel (wie beispielsweise Öl und Fette, Essig etc.) nicht flüssige Lebensmittel (wie beispielsweise Honig, Kaffee, Tee, Kräuter, Fleisch, Fisch, Brot und Bäckereiprodukte, Gemüse- und Obstprodukte, feste Milchprodukte,...); Kosmetika, Phytopharmaka, Pharmaka, Genussmittel, einschließlich Tabakprodukte, Proben von Körperflüssigkeiten, Gewebsextrakte menschlicher, tierischer oder pflanzlicher Herkunft, und dergleichen.
-
In den folgenden Verfahrensschritten S12, S14, S16, S18 werden nun ein erster Messdatensatz und zumindest ein weiterer Messdatensatz der in Schritt S10 vorbereiteten Proben des Stoffgemischs aufgenommen. Hierzu kann eine Vielzahl von Verfahren verwendet werden. Inbesondere eignen sich Verfahren aus folgender Gruppe:
- – Kernspinresonanzspektroskopie (NMR), Elektronenspinresonanzspektroskopie (ESR);
- – Absorptionsspektroskopie, insbesondere UV/VIS-Spektroskopie, Nahinfrarotspektroskopie, Mittelinfrarotspektroskopiem chiroptische Methoden,
- – Emissionsspektroskopie, insbesondere Fluoreszenzspektroskopie, Ramanspektroskopie,
- – Massenspektrometrie
- – Flüssigkeits- oder Gaschromatographie mit spektroskopischer, elektrochemischer, diffraktometrischer oder refraktometrischer Detektion,
- – elektrophoretische Trennverfahren.
-
Dabei können für den ersten und den zumindest einen weiteren Messdatensatz unterschiedliche oder auch gleiche Messverfahren benutzt werden. Im letzteren Fall unterscheiden sich für die einzelnen Messdatensätze dabei vorzugsweise die Art der Probenvorbereitung und/oder die verwendeten Messparameter.
-
Die so erhaltenen Messdatensätze können einer in der Figur nicht dargestellten mathematischen Behandlung unterzogen werden. Möglich sind beispielsweise Fourier-Transformation, Glättung, Differenzierung, Integration, Skalierung, Basislinienkorrektur, Phasenkorrektur, Null-Füllung, Binning und/oder Bucketing.
-
Der erste und der zumindest eine weitere Messdatensatz werden nun in Schritt S20 zu einem kombinierten Messdatensatz zusammengefasst, der in 1 als Multimethoden-Pseudospektrum bezeichnet wird. Dabei müssen nicht alle Daten der Datensätze verwendet werden, auch die Auswahl von zusammenhängenden oder nicht-zusammenhängenden Teilbereichen der Messdatensätze für die Kombination ist möglich.
-
Beim Zusammenfassen der Messdatensätze zu dem kombinierten Messdatensatz werden dabei vorzugsweise die ursprünglichen, mit der Dimension der jeweiligen Messgröße behafteten Abszissen der Messdatensätze entfernt und im kombinierten Messdatensatz durch eine durchgängige dimensionslose Abszisse ersetzt, auf der die ursprünglichen Ordinatenwerte angeordnet werden. Man erhält also eine Kombination der ursprünglichen Messdatensätze, beispielsweise der ursprünglich aufgenommenen Spektren, in einem Pseudospektrum, welches alle ausgewählten Daten der ursprünglichen Messdatensätze in dimensionsloser Form enthält.
-
Sowohl die Abszissenwerte als auch die Ordinatenwerte des ersten und des zumindest einen weiteren Messdatensatzes können bei der Zusammenfassung zu dem kombinierten Messdatensatz skaliert werden. Die Skalierungsfaktoren sind dabei an sich beliebig, es ist jedoch vorteilhaft, wenn insbesondere die Abszissenwerte der ursprünglichen Messdatensätze so skaliert werden, dass die Daten der ursprünglichen Messdatensätze in dem kombinierten Messdatensatz nicht überlappen. Eine Skalierung der Ordinatenwerte ist insbesondere dann sinnvoll, wenn eine visuelle Darstellung der Daten gewünscht ist.
-
Erst anhand dieses kombinierten Messdatensatzes erfolgt nun in Schritt S22 und S24 die Auswertung und Interpretation der Messdaten und somit die Klassifizierung des Stoffgemisches. Hierzu können verschiedene numerische, algebraische und/oder statistische Methoden herangezogen werden. Auch das Stoffgemisch betreffende Metadaten können in die Analyse einbezogen werden.
-
Bevorzugt erfolgt eine Klassifikation des Stoffgemischs anhand einer Datenbank von kombinierten Messdatensätzen von Stoffgemischen bekannter Klassifikation. Diese Datensätze können dabei beispielsweise als Trainingsdatensätze für verschiedene Klassifikationsmethoden herangezogen werden. Es eignen sich beispielsweise die Hauptkomponentenanalyse (principal component analysis, PCA), die Methode der kleinsten Fehlerquadrate (partial least square regression, PLS), neuronale Netzwerke, die SIMCA-Klassifizierung, die random-forest-Methode und/oder Stützvektormaschinen (support vector machines, SVM).
-
Nach dem Training der jeweiligen Algorithmen mit den kombinierten Messdatensätzen aus der Datenbank können diese Klassifikatoren nun benutzt werden, um das untersuchte Stoffgemisch zu klassifizieren.
-
Als Klassifizierungskriterien eignen sich dabei beispielsweise eine geographische Herkunft, eine Sortenzugehörigkeit, eine Reinheit, eine Verarbeitungs-, Lagerungs- und/oder Alterungshistorie, eine genetische, transkriptomische und/oder proteomische Information und/oder eine medizinische oder veterinärmedizinische Diagnose. Generell können beliebige quantitativ oder qualitativ erfassbare Klassifizierungskriterien Anwendung finden.
-
Um die Vorteile des beschriebenen Verfahrens zu verdeutlichen, ist in 2 ein schematisches Flussdiagramm eines Verfahrens zum Klassifizieren eines Stoffgemischs nach dem Stand der Technik dargestellt.
-
Hier erfolgt in Schritt S110 ebenfalls die Bereitstellung und gegebenenfalls Vorbereitung von Proben des Stoffgemischs. Schritt S110 entspricht dabei Schritt S10 des in 1 dargestellten Ausführungsbeispiels.
-
In den folgenden Schritten S112, S114 und S116 werden analog zu den Schritten S12–S18 mehrere Messdatensätze der so bereitgestellten Proben aufgenommen. Dabei können ebenfalls die bereits geschilderten Messverfahren Anwendung finden.
-
Das in 2 gezeigte Verfahren nach dem Stand der Technik unterscheidet sich jedoch von dem in 1 dargestellten Ausführungsbeispiel der Erfindung wesentlich dadurch, dass kein dem Schritt S20 entsprechender Verfahrensschritt vorgesehen ist. Es erfolgt also keine Kombination der in den Schritten S112–S116 aufgenommenen Messdatensätze in einen kombinierten Messdatensatz.
-
Vielmehr wird stattdessen in den Schritten S118, S120 und S122 für jeden in den Schritten S112, S114 und S116 aufgenommenen Messdatensatz eine separate numerische, algebraische und/oder statistische Auswertung durchgeführt. Man erhält also für jeden Messdatensatz ein eigenes Ergebnis, insbesondere eine eigene Klassifizierung. Diese Ergebnisse müssen nun in einem weiteren Schritt S124 statistisch, insbesondere durch Kreuzkorrelation, zusammengefasst werden, bevor in Schritt S126 die endgültige Interpretation und damit Klassifizierung erfolgen kann.
-
Hierin liegt der wesentliche Nachteil des Standes der Technik. Die notwendige Kreuzkorrelation der Ergebnisse für die individuellen Messdatensätze ist ein zusätzlicher statistischer Schritt, der weitere Fehlerquellen in das Verfahren einführt und damit die Qualität der Klassifizierung verschlechtert.
-
Gegenüber der Auswertung der Daten jeder Methode für sich und einer nachfolgenden Korrelation der Resultate der einzelnen Messverfahren nach dem in 2 gezeigten Stand der Technik hat das in 1 beschriebene Ausführungsbeispiel somit den wesentlichen Vorteil, dass keine Abstraktion der Information und damit kein Informationsverlust durch Auswerteverfahren auf der Ebene der getrennten Messverfahren erfolgt.
-
Im Folgenden wird das Ausführungsbeispiel des Verfahrens nach 1 anhand der Klassifizierung von Speiseölen mittels einer Kombination aus NMR- und IR-Spektroskopie näher dargestellt.
-
Pflanzliche Speiseöle können chemisch nur mit erheblichem zeitlich Aufwand hinsichtlich ihrer Qualität und Identität analysiert werden. Deutlich schneller als chemische Verfahren sind spektroskopische Methoden, die viele Eigenschaften der Öle gleichzeitig quantitativ erfassen können. Dies kann beispielsweise mittels IR-Spektroskopie und mittels NMR-Spektroskopie erfolgen. Beide Methoden beruhen auf gänzlich verschiedenen physikalischen Messprinzipien und haben unterschiedliche Vorteile:
Während bei der sogenannten ATR-IR-Spektroskopie die Proben ohne weitere Vorbereitung gemessen werden können, ist bei der NMR-Spektroskopie lediglich eine Verdünnung der Probe mit einem geeigneten Lösungsmittel erforderlich. Mit beiden Methoden kann in wenigen Minuten ein entsprechendes Spektrum der zu untersuchenden Probe erhalten werden, wobei Substanzen im Konzentrationsbereich von Prozent bis zu ppm (NMR) erfasst werden können.
-
Vor dem Hintergrund der rapid zunehmenden Zahl an Verfälschungen betreffend die Identität von Speiseölen, vor allem beim Olivenöl, sind entsprechende schnelle, günstige und möglichst eindeutige Unterscheidungsverfahren erforderlich.
-
Die 3 und 4 zeigen überlagerte eindimensionale Protonen-NMR-Spektren 10, 10' verschiedener Speiseöle. Der Übersichtlichkeit halber sind nicht alle Spektren einzeln bezeichnet. Aufgetragen ist jeweils die Signalintensität (Ordinate) gegenüber der chemischen Verschiebung in ppm (Abszisse) In 4 ist dabei eine Ausschnittsvergrößerung der Fettsäureregion zwischen 6,5 und 8,5 ppm dargestellt, in der Signale sichtbar werden, die in der vollständigen Darstellung des Spektrums aus Skalierungsgründen nicht sichtbar sind. 5 zeigt eine Überlagerung von. IR-Spektren 12, 12', 12'' verschiedener Speiseöle. Auch hier sind aus Übersichtsgründen nicht alle Spektren einzeln bezeichnet. Aufgetragen ist hier die Absorption (Ordinate) gegenüber der Wellenzahl (Abszisse).
-
Obwohl mit Hilfe der NMR-Spektroskopie eine größere Zahl an Inhaltsstoffen über eine größere dynamische Bandbreite als bei der IR-Spektroskopie erfasst werden kann, erlaubt eine Hauptkomponentenanalyse der NMR-Spektren für sich genommen keine zufriedenstellende Unterscheidung der Öle. Vor allem Olivenöle und Haselnussöl, das bereits zur Verfälschung von Olivenöl verwendet wurde, lassen sich nicht eindeutig unterscheiden. Auch die IR-Spektroskopie allein zeigt zwar Unterschiede zwischen den Ölen, erlaubt jedoch keine hinreichende Unterscheidung.
-
Um eine verbesserte Klassifizierung zu erhalten, wird daher, wie anhand 1 erläutert, ein NMR-Spektrum 10 und ein IR-Spektrum 12 eines zu klassifizierenden Öls in einen kombinierten Messdatensatz 14, also ein Pseudospektrum, zusammengefasst. Wie erläutert, werden dabei die Messdaten der Messdatensätze 10 und 12 in eine gemeinsame zweidimensionale Matrix aufgenommen, wobei die Abszissenwerte so skaliert werden, dass die ursprünglichen Messdatensätze 10, 12 sich im kombinierten Messdatensatz 14 nicht überlappen.
-
Ein solcher kombinierter Messdatensatz ist in 6 dargestellt. Die Dimensionen von Abszisse und Ordinate werden dabei verworfen, so dass sich ein dimensionsloses Pseudospektrum 14 ergibt. Wie 7 zeigt, müssen die individuellen Spektren 10, 12 gegebenenfalls noch skaliert werden, um die Visualisierung zu erleichtern. So ist beispielsweise in der unskalierten Darstellung in 6 eine Mehrzahl von Signalen des NMR-Spektrums 10 nicht zu erkennen. Diese Signale zeigen sich erst in der Ausschnittsvergrößerung in 7.
-
Der kombinierte Messdatensatz 14 kann nun, wie bereits anhand von 1 erläutert, unter Zuhilfenahme einer Datenbank von Pseudospektren einer Mehrzahl von bekannten Ölen mittels statistischer Methoden klassifiziert werden.
-
In den 8 und 9 sind dabei zur Veranschaulichung der Vorteile des beschriebenen Verfahrens jeweils die Hauptkomponentenanalysen für eine Mehrzahl von Speiseölen bekannter Klassifikation dargestellt.
-
8 zeigt das Ergebnis einer Hauptkomponentenanalyse von NMR-Spektren einer Mehrzahl von Speiseölen. Wie zu erkennen ist, können die unterschiedlichen Öle in eine Mehrzahl von Gruppen 101 bis 110 klassifiziert werden. Es ist jedoch insbesondere anhand der Überlappungen zwischen einzelnen Gruppen auch zu erkennen, dass allein die Daten aus den NMR-Spektren nicht genügen, um eine zuverlässige Klassifizierung zu ermöglichen. Deutlich zu erkennen sind beispielsweise Überlappungen zwischen den Gruppen 101 und 102 sowie 106 und 107. Ferner ist zu erkennen, dass ein einzelnes NMR-Spektrum eines Speiseöls 104', von dem bekannt ist, dass es der Klassifikationsgruppe 104 zugehört, von der Hauptkomponentenanalyse nicht der Gruppe 104 zugeordnet werden kann.
-
In 9 ist das Ergebnis einer weiteren Hauptkomponentenanalyse gezeigt, die auf Grundlage von zu Pseudospektren 14 kombinierten NMR-Spektren 10 und IR-Spektren 12 der gleichen Speiseöle durchgeführt wurde. Es wird deutlich, dass durch die Verwendung der Pseudospektren 14 eine wesentlich verbesserte Klassifizierung erreicht werden kann. Die Gruppen 101 bis 110 sind nun alle deutlich getrennt und alle der Gruppe 104 zugehörigen Öle werden durch den Klassifikator, hier die Hauptkomponentenanalyse, korrekt einem zusammenhängenden Cluster zugeordnet.
-
Eine weitere Erhöhung der Genauigkeit der Klassifizierung kann durch die Hinzunahme weiterer Messdatensätze erreicht werden. Dies ist in 10 wieder für eine Probe eines Öls demonstriert. Zusätzlich zu dem bereits gezeigten NMR-Messdatensatz 10 und IR-Messdatensatz 12 wurde hier zusätzlich ein Massenspektrums-Messdatensatz 16 erstellt und in den kombinierten Messdatensatz 14 integriert. Auch hier ist wieder eine Skalierung notwendig. Die weitere Auswertung kann mit den bereits beschriebenen Methoden erfolgen.
-
Hierdurch wird insgesamt eine besonders zuverlässige und schnelle Klassifizierung der Speiseöle ermöglicht, die, wie oben bereits erläutert, selbstverständlich auf beliebige andere Stoffgemische und Klassifizierungskriterien übertragen werden kann.
-
Als Beispiel für ein weiteres Stoffgemisch ist in den 11 und 12 die Erstellung kombinierter Messdatensätze 14 für eine Probe eines Honigs demonstriert. Auch hier wurde ein NMR-Messdatensatz 10 und ein IR-Messdatensatz 12 in einen kombinierten Messdatensatz 14 zusammengefasst und, wie 12 zeigt, gegebenenfalls skaliert. Der wesentliche Unterschied zur Analyse von Speiseölen liegt hier in der Probenvorbereitung. Während für die Aufnahme der NMR-Spektren ein wässriger Extrakt des Honigs verwendet wird, kann für die Aufnahme der IR-Spektren der Honig im festen bzw. pastösen Zustand analysiert werden. Wie anhand der Speiseöle erläutert, kann die so untersuchte Probe dann anhand eines Trainingsdatensatzes von Honigen bekannter Klassifizierung weiter analysiert und klassifiziert werden.
-
Bezugszeichenliste
-
- S10...S24
- Verfahrensschritte
- S110...S126
- Verfahrensschritte nach dem Stand der Technik
- 10, 10'
- NMR-Spektren
- 12, 12', 12''
- IR-Spektren
- 14
- kombinierter Messdatensatz (Pseudospektrum)
- 16
- Massenspektrum
- 101...110
- Gruppe
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Nicht-Patentliteratur
-
- Kessler, W., Multivariate Datenanalyse für die Pharma-, Bio- und Prozessanalytik, WILEY-VCH Verlag, Weinheim, 2007, S.1–20 [0009]
