शोधकर्ताओं ने चिली की वाइन अंगूरों में हरे-अरोमा यौगिक के स्तर का अनुमान लगाने के लिए एक तेज़ परीक्षण विकसित किया

शोधकर्ताओं ने 3-आइसोब्यूटिल-2-मेथॉक्सीपाइराज़ीन, या IBMP, के स्तर का अनुमान लगाने की एक तेज़ विधि की रिपोर्ट दी है, जो चिली की लाल वाइन अंगूरों में पाया जाता है। यह यौगिक उन वनस्पति या “हरे” अरोमाओं से जुड़ा है, जो उच्च स्तर पर मौजूद होने पर कुछ वाइनों की अनुभूत गुणवत्ता को कम कर सकते हैं।

4 जून को OENO One में प्रकाशित इस अध्ययन में absorbance-transmittance excitation-emission matrix spectroscopy, जिसे A-TEEM कहा जाता है, को मशीन लर्निंग मॉडलों के साथ मिलाकर एक वैकल्पिक स्क्रीनिंग उपकरण के रूप में परखा गया, ताकि गैस क्रोमैटोग्राफी-मास स्पेक्ट्रोमेट्री विधियों का विकल्प मिल सके, जिनका उपयोग अब आम तौर पर IBMP मापने के लिए किया जाता है। ये मानक विधियाँ अत्यधिक संवेदनशील हैं, लेकिन महंगी, धीमी और तकनीकी रूप से जटिल भी हैं।

यह काम चिली में उगाई जाने वाली चार लाल अंगूर किस्मों पर केंद्रित था: Cabernet-Sauvignon, Carménère, Merlot और Cabernet franc। पेपर के अनुसार, शोधकर्ताओं ने 2020 से 2022 तक और फिर 2024 में चार फसल वर्षों के दौरान एकत्र किए गए नमूनों का विश्लेषण किया, जो 72 vineyards से लिए गए थे। कुल मिलाकर, उन्होंने A-TEEM विश्लेषण के लिए 2,400 अंगूर अर्क नमूने तैयार किए और SPME-GC-MS/MS से प्राप्त 550 से अधिक अंगूर नमूनों के संदर्भ मापों का उपयोग किया, जो अल्ट्राट्रेस अरोमा यौगिकों के लिए एक मानक प्रयोगशाला तकनीक है।

IBMP महत्वपूर्ण है क्योंकि यह अपरिपक्व अंगूरों में जमा होता है और फल के पकने के साथ आम तौर पर घटता जाता है। लाल वाइनों में, खासकर Cabernet-Sauvignon में, इसे हरी मिर्च और अन्य वनस्पति नोट्स से जोड़ा जाता है। पेपर में उल्लेख है कि लाल वाइन में इसकी संवेदी सीमा सामान्यतः 2 से 16 ng/L के बीच बताई जाती है, जिसका अर्थ है कि बहुत छोटी मात्रा भी अरोमा को प्रभावित कर सकती है।

यह कम सीमा ही एक कारण है कि वाइनरी और उत्पादक कटाई से पहले इस यौगिक की निगरानी करते हैं। लेकिन नमूनों को विशेष प्रयोगशालाओं में भेजने में कई दिन या उससे अधिक लग सकते हैं, जिससे कटाई की तारीख या vineyard हस्तक्षेपों पर निर्णय सीमित हो सकते हैं। एक तेज़ परीक्षण उत्पादकों को पकने की अवस्था का अधिक जल्दी आकलन करने और ऐसे संवेदी संकेतक को प्रबंधित करने में मदद कर सकता है, जिसके वाइन शैली और बाज़ार स्वीकृति पर सीधे प्रभाव पड़ते हैं।

लेखकों ने कहा कि उनका लक्ष्य ऐसा assay विकसित करना था जो प्रति नमूना 10 मिनट से कम समय में परिणाम दे सके। A-TEEM spectroscopy UV-Vis absorbance डेटा और fluorescence excitation-emission जानकारी दोनों को कैप्चर करती है, जिससे प्रत्येक नमूने के लिए एक बड़ा spectral fingerprint बनता है। इस अध्ययन में प्रत्येक नमूने से 10,000 से अधिक variables उत्पन्न हुए, जिन्हें बाद में multivariate models से संसाधित किया गया।

प्रणाली को बनाने और परखने के लिए शोधकर्ताओं ने डेटा को 75:25 अनुपात में calibration और test sets में विभाजित किया। इससे calibration के लिए 1,816 नमूने और testing के लिए 584 नमूने बने। उन्होंने replicate trapping से बचने के लिए भी कदम उठाए, ताकि एक ही मूल नमूने की दोहराई गई मापों को साथ रखा जाए और validation के दौरान model performance कृत्रिम रूप से बेहतर न दिखे।

सबसे अच्छा प्रदर्शन करने वाला model support vector machine regression था। पेपर में calibration, cross-validation और test prediction के लिए root mean square errors 0.4 ng/kg से नीचे बताए गए, test set के लिए R² 0.879 और calibration के लिए लगभग 0.93 रहा। लेखकों ने कहा कि ये error levels लाल वाइन में IBMP की सबसे कम प्रचलित संवेदी सीमा से भी काफी नीचे थे।

इन परिणामों के आधार पर टीम ने A-TEEM approach के लिए detection limit 1.32 ng/kg और quantification limit 4 ng/kg का अनुमान लगाया। यह isotopically labeled standards का उपयोग करने वाली सबसे उन्नत GC-MS/MS विधियों की संवेदनशीलता तक नहीं पहुँचता, जो कहीं कम सांद्रताओं का पता लगा सकती हैं, लेकिन यह optical method को उस दायरे में रखता है जिसे शोधकर्ताओं ने प्रासंगिक संवेदी सीमाओं के आसपास अंगूरों की स्क्रीनिंग के लिए उपयुक्त बताया।

अध्ययन ने यह भी परखा कि क्या यह विधि नमूनों को 2 ng/kg की व्यावहारिक निर्णय सीमा से ऊपर या नीचे वर्गीकृत कर सकती है। इस classification task के लिए शोधकर्ताओं ने फिर support vector machine model का उपयोग किया। उन्होंने Matthews correlation coefficient 0.970 बताया और कहा कि 2 ng/kg से नीचे वाले समूह में कोई भी sample गलत वर्गीकृत नहीं हुआ। test set में 584 नमूनों में पाँच false positives आए, यानी 1% से कम।

लेखकों ने नोट किया कि अंगूर अर्क में मापा गया IBMP तैयार वाइन की तुलना में कुछ अधिक होने की उम्मीद रहती है, आम तौर पर लगभग 30% तक, क्योंकि winemaking के दौरान यह यौगिक आसानी से extract हो जाता है। फिर भी उन्होंने तर्क दिया कि अंगूर चरण पर threshold-based screening tool कटाई संबंधी निर्णयों के लिए उपयोगी हो सकता है।

पेपर नए परिणामों की तुलना IBMP prediction पर A-TEEM के पहले किए गए काम से करता है, जो grape homogenates पर आधारित था। उस पहले शोध में prediction errors और detection limits यहाँ रिपोर्ट किए गए आंकड़ों से अधिक थे। लेखकों ने सुधार के कई संभावित कारण बताए, जिनमें sample sets और maturity conditions का अंतर शामिल है। पिछले अध्ययन में अंगूर पकने की व्यापक श्रेणी को कवर करते थे और berry density के आधार पर छांटे गए थे; नए काम में अंगूरों का विश्लेषण कटाई पर बिना sorting के किया गया।

शोधकर्ताओं ने यह भी कहा कि स्वयं IBMP संभवतः A-TEEM द्वारा पकड़े गए fluorescence signals का प्रत्यक्ष कारण नहीं है। इसके बजाय उनका मानना है कि यह विधि एक व्यापक molecular fingerprint का पता लगाती है, जो अंगूर अर्क में मौजूद अन्य compounds के माध्यम से IBMP concentration से संबंधित होता है।

यह बिंदु इस तकनीक के व्यावसायिक उपयोग को प्रभावित कर सकता है। क्योंकि यह केवल IBMP की प्रत्यक्ष molecular identification नहीं बल्कि correlations पर आधारित है, इसलिए यह confirmatory laboratory analysis के पूर्ण विकल्प की बजाय तेज़ screening tool के रूप में अधिक उपयुक्त हो सकती है। फिर भी इसकी गति और अपेक्षाकृत कम लागत इसे harvest season में बड़ी संख्या में vineyard lots संभालने वाली wineries के लिए आकर्षक बना सकती है।

पेय क्षेत्र के लिए इसका अर्थ फल तोड़ने का समय तय करने में तेज़ निर्णय और संवेदनशील किस्मों से बनी वाइनों में अवांछित वनस्पति चरित्र पर बेहतर नियंत्रण हो सकता है। व्यवहार में, कोई winery इस तरह की screening का उपयोग उन lots को चिन्हित करने के लिए कर सकती है जो sensory risk levels के करीब या उनसे ऊपर हों, इससे पहले कि कटाई समय या blending योजनाओं पर अंतिम निर्णय लिया जाए।

इस अध्ययन का नेतृत्व Adam Gilmore, Han Wang, David Jeffery, Ricardo Luna, Alvaro Gonzalez, Jorge Zincker and Monica Rodríguez Campos ने किया। यह OENO One के volume 60, issue 2 में short communication के रूप में प्रकाशित हुआ है। पेपर 9 फरवरी को प्राप्त हुआ था, 30 अप्रैल को स्वीकार किया गया और 4 जून को प्रकाशित हुआ।

लेखकों ने इन निष्कर्षों को इस बात का प्रमाण बताया कि मशीन लर्निंग के साथ संयुक्त A-TEEM उन red winegrape varieties के अर्क में IBMP screening के लिए एक सस्ती, तेज़ और सटीक विधि बनने की क्षमता रखती है जो green aroma character के प्रति संवेदनशील हैं.