Использование колориметрии с трехфазным коэффициентом отражения для выявления фальсификации свежего молока восстановленным сухим молоком

Обложка

Цитировать

Полный текст

Аннотация

Авторами предложен метод раскрытия фальсификации натурального свежего молока добавлением сухого молока, основанный на количественной оценке содержания продуктов начальной стадии реакции Майара, являющихся специфическим индикатором присутствия сухого молока. Реализация метода предполагает выделение из молока препарата сухого, очищенного от лактозы казеина, последующую его тепловую обработку в строго контролируемых условиях. Эти условия включают поддержание влажности на уровне приблизительно 6 % и температуры 100 ± 1 °C в течение пяти часов. В процессе тепловой обработки происходит трансформация неокрашенных продуктов начальной стадии реакции Майара (лактозилированных аминогрупп аминокислот) в меланоиды, характеризующиеся интенсивной окраской. Интенсивность окраски меланоидов может быть измерена с использованием колориметра и представлена в координатах цветового пространства CIE L*a*b* . Концентрация меланоидных пигментов может быть определена с применением как стандартного критерия общего цветового различия (ΔE), так и предлагаемого авторами комплексного критерия (KCh), который рассчитывается как соотношение значений Chroma и Hue. Критерий KCh демонстрирует более высокую точность в описании взаимосвязи между интенсивностью окрашивания образца и массовой долей белка сухого молока в смеси по сравнению со стандартным критерием ΔE. Разработанный колориметрический метод обеспечивает возможность выявления добавления сухого молока на уровне приблизительно 5 граммов на 1 литр свежего натурального молока.

Об авторах

Д. С. Мягконосов

Всероссийский научно-исследовательский институт маслоделия и сыроделия

Автор, ответственный за переписку.
Email: d.abramov@fncps.ru
кандидат технических наук, старший научный сотрудник, руководитель направления исследований по прикладной биохимии и энзимологии 152613, Ярославская область, Углич, Красноармейский бульвар, 19

Е. В. Топникова

Всероссийский научно-исследовательский институт маслоделия и сыроделия

Email: d.abramov@fncps.ru
доктор технических наук, заместитель директора по научной работе 152613, Ярославская обл., Углич, Красноармейский бульвар, 19

Д. В. Абрамов

Всероссийский научно-исследовательский институт маслоделия и сыроделия

Email: d.abramov@fncps.ru
кандидат биологических наук, старший научный сотрудник, руководитель направления биохимических исследований по сыроделию и маслоделию 152613, Ярославская область, Углич, Красноармейский бульвар, 19

О. Г. Кашникова

Всероссийский научно-исследовательский институт маслоделия и сыроделия

Email: d.abramov@fncps.ru
младший научный сотрудник, отдел физической химии 152613, Ярославская обл., Углич, Красноармейский бульвар, 19

Список литературы

  1. Poonia, A., Jha, A., Sharma, R., Singh H.-B., Rai, A. K., Sharma, N. (2016). Detection of adulteration in milk: A review. International Journal of Dairy Technology, 70(1), 23–42. https://doi.org/10.1111/1471-0307.12274
  2. Nikolaou, P., Deskoulidis, E., Topoglidis, E., Kakoulidou, A. T., Tsopelas, F. (2020). Application of chemometrics for detection and modeling of adulteration of fresh cow milk with reconstituted skim milk powder using voltammetric fingerpriting on a graphite/ SiO2 hybrid electrode. Talanta, 206, Article 120223. https://doi.org/10.1016/j.talanta.2019.120223
  3. Ho, J.-H., Chou, M.-Y., Chan, Y.-J., Chow, C.-F., Lee, T.-A., Lu, W.-C. et al. (2024). Discrimination of reconstituted milk from fresh skim milk by using lactulose and furosine as milk quality indicators. Journal of Agriculture and Food Research, 18, Article 101336. https://doi.org/10.1016/j.jafr.2024.101336
  4. Tan, D., Zhang, X., Su, M., Jia, M., Zhu, D., Kebede, B. et al. (2021). Establishing an untargeted-to-MRM liquid chromatography-mass spectrometry method for discriminating reconstituted milk from ultra-high temperature milk. Food Chemistry, 337, Article 127946. https://doi.org/10.1016/j.foodchem.2020.127946
  5. Cui, J., Zhu, D., Su, M., Tan, D., Zhang, X., Jia, M. et al. (2021). Lipidomics strategy for the identification of ultra-high temperature and reconstituted milk by UPLC-Q-Exactive orbitrap mass spectrometry. Food Analytical Methods, 14, 1064–1073. https://doi.org/10.1007/s12161-020-01947-5
  6. Cui, J., Zhu, D., Su, M., Tan, D., Zhang, X., Jia, M. et al. (2019). The combined use of 1H and 2D NMR-based metabolomics and chemometrics for non-targeted screening of biomarkers and identification of reconstituted milk. Journal of the Science of Food and Agriculture, 99(14), 6455–6461. https://doi.org/10.1002/jsfa.9924
  7. Fan, X., Wang, C., Cheng, M., Wei, H., Gao, X., Ma, M. et al. (2023). Markers and Mechanisms of deterioration reactions in dairy products. Food Engineering Reviews, 15, 230–241. https://doi.org/10.1007/s12393-023-09331-9
  8. Guyomarc’h, F., Warin, F., D. Muir, D., Leaver, J. (2000). Lactosylation of milk proteins during the manufacture and storage of skim milk powders. International Dairy Journal, 10(12), 863–872. https://doi.org/10.1016/S0958-6946(01)00020-6
  9. Resmini, P., Pellegrino, L., Cattaneo, S. (2003). Furosine and other heat-treatment indicators for detecting fraud in milk and milk products. Italian Journal of Food Science, 4(15), 473–484.
  10. Baptista, J. A. B., Carvalho, R. C. B. (2004). Indirect determination of Amadori compounds in milk-based products by HPLC/ELSD/UV as an index of protein deterioration. Food Research International, 37(8), 739–747. https://doi.org/10.1016/j.foodres.2004.02.006
  11. Sakkas, L., Moutafi, A., Moschopoulou, E., Moatsou, G. (2014). Assessment of heat treatment of various types of milk. Food Chemistry, 159, 293–301 https://doi.org/10.1016/j.foodchem.2014.03.020
  12. Liu, H., Huang, R., Zeng, G., Xu, Z., Sun, Y, Lei, H. et al. (2020). Discrimination of reconstituted milk in China market using the content ratio of lactulose to furosine as a marker determined by LC–MS/MS. LWT — Food Science and Technology, 117, Article 108648. https://doi.org/10.1016/j.lwt.2019.108648
  13. Mandal, R., Bag, S.K., Singh, A.P. (2019). Thermal Processing of Milk. Chapter in a book: Recent Technologies in Dairy Science. Today and Tomorrow’s Printers and Publishers, New Delhi, 2019
  14. He, Y., Cao, X., Ji, K., Yang, A., Chen, X., Chen, C. (2022). Uncertainty evaluation for the determination of furosine in milk by HPLC[J]. China Dairy, 9, 71–80. https://doi.org/10.12377/1671-4393.22.09.16 (In Chinese)
  15. Tan, D., Zhang, H., Tan, S., Xue, Y., Jia, M, Zhu, X. et al. (2022). Differentiating ultra-high temperature milk and reconstituted milk using an untargeted peptidomic approach with chemometrics. Food Chemistry, 394, Article 133528. https://doi.org/10.1016/j.foodchem.2022.133528
  16. Du, L., Lu, W., Zhang, Y., Gao, B., Yu, L. (2020). Detection of milk powder in liquid whole milk using hydrolyzed peptide and intact protein mass spectral fingerprints coupled with data fusion technologies. Food Science and Nutrition, 8(3), 1471–1479. https://doi.org/10.1002/fsn3.1430
  17. Du, L. (2024). New insights into raw milk adulterated with milk powder identification: ATR-FTIR spectroscopic fingerprints combined with machine learning and feature selection approaches. Journal of Food Composition and Analysis, 133, Article 106443. https://doi.org/10.1016/j.jfca.2024.106443
  18. Chu, C., Wang, H., Luo, X., Fan, Y., Nan, L., Du, C. et al. (2024). Rapid detection and quantification of melamine, urea, sucrose, water, and milk powder adulteration in pasteurized milk using Fourier transform infrared (FTIR) spectroscopy coupled with modern statistical machine learning algorithms. Heliyon, 10(12), Article e32720. https://doi.org/10.1016/j.heliyon.2024.e32720
  19. Jin, B., Zhou, X., Rogers, K. M., Yi, B., Bian, X., Yan, Z. et al. (2022). A stable isotope and chemometric framework to distinguish fresh milk from reconstituted milk powder and detect potential extraneous nitrogen additives. Journal of Food Composition and Analysis, 108, Article 104441. https://doi.org/10.1016/j.jfca.2022.104441
  20. Топникова, Е. В., Мягконосов, Д. С., Абрамов, Д. В., Кашникова, О. Г. (2024). Колориметрический метод оценки интенсивности тепловой нагрузки при пастеризации молока. Пищевые системы, 7(3), 481–490. https://doi.org/10.21323/2618-9771-2024-7-3-481-490
  21. Мягконосов, Д. С., Топникова, Е. В., Абрамов, Д. В., Кашникова, О. Г. (2024). Использование турбидиметрии для оценки тепловой нагрузки при пастеризации молока. Пищевые системы, 7(1), 105–113. https://doi.org/10.21323/2618-9771-2024-7-1-105-113
  22. Stoscheck, C. M. (1990). Quantitation of protein. Chapter in a book: Methods in Enzymology. Academic Press, 1990. https://doi.org/10.1016/0076–6879(90)82008-P
  23. Hill, B., Roger, T., Vorhagen, F. W. (1997). Comparative analysis of the quantization of color spaces on the basis of the CIELAB color-difference formula. ACM Transactions on Graphics (TOG), 16(2), 109–154. https://doi.org/10.1145/248210.248212
  24. Croguennec, T. (2016). Non-Enzymatic Browning. Chapter in a book: Handbook of Food Science and Technology 1: Food Alteration and Food Quality. ISTE Ltd and John Wiley & Sons, Inc, 2916. https://doi.org/10.1002/9781119268659.ch5
  25. Nath, P., Pandey, N., Samota, M., Sharma, K., Kale, S., Kannaujia, P. et al. (2022). Browning Reactions in Foods. Chapter in a book: Advances in Food Chemistry. Springer, Singapore, 2022. https://doi.org/10.1007/978-981-19-4796-4_4
  26. Saltmarch, M., Labuza, T. P. (1982). Nonenzymatic browning via the maillard reaction in foods. Diabetes, 31(Suppement_3), 29–36. https://doi.org/10.2337/diab.31.3.S29
  27. Phosanam, A., Chandrapala, J., Zisu, B., Adhikari, B. (2021). Storage stability of powdered dairy ingredients: A review. Drying Technology, 39(11), 1529–1553. https://doi.org/10.1080/07373937.2021.1910955
  28. Roux, S., Courel, M., Ait-Ameur, L., Birlouez-Aragon, I., Pain, J.-P. (2009). Kinetics of Maillard reactions in model infant formula during UHT treatment using a static batch ohmic heater. Dairy Science and Technology, 89, 349–362. https://doi.org/10.1051/dst/2009015
  29. Rodier, L. C., Hartel, R. W. (2021) Characterizing Maillard reaction kinetics and rheological changes in white chocolate over extended heating. Journal of Food Science, 86(6), 2553–2568. https://doi.org/10.1111/1750-3841.15772
  30. Dawson, P. L., Acton, J. C. (2018). Impact of proteins on food color. Chapter in a book: Proteins in Food Processing. Elsevier Ltd, 2018. https://doi.org/10.1016/B978-0-08-100722-8.00023-1
  31. Karma, I. G. M. (2020). Determination and measurement of color dissimilarity. International Journal of Engineering and Emerging Technology, 5(1), 67–71.
  32. Wrolstad, R. E., Smith, D. E. (2017). Color Analysis. Chapter in a book: Food Analysis, Food Science Text Series. Springer International Publishing, 2017. https://doi.org/10.1007/978-3-319-45776-5_31
  33. Афонин, П. Н., Афонин, Д. Н. (2017). Статистический анализ с применением современных программных средств: учебное пособие. СПб.: Интермедия, 2017.
  34. Benedetti, S., Sinelli, N., Buratti, S., Riva, M. (2005). Shelf life of crescenza cheese as measured by electronic nose. Journal of Dairy Science, 88(9), 3044–3051. https://doi.org/10.3168/jds.S0022-0302(05)72985-4
  35. Pathare, P. B., Opara, U. L., Al-Said, F. A.-J. (2012). Colour measurement and analysis in fresh and processed foods: A review. Food Bioprocessing Technology, 6, 36–60. https://doi.org/10.1007/s11947-012-0867-9

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Пищевые системы, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».