DOI: https://doi.org/10.1038/s41538-026-00738-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41651878
تاريخ النشر: 2026-02-06
المؤلف: Yulong Chen وآخرون
الموضوع الرئيسي: جودة الزيوت الصالحة للأكل والتحليل
نظرة عامة
تسبب تلاعب زيت الزيتون تحديات كبيرة لكل من المنتجين والمستهلكين، مما يستلزم وجود طرق فعالة للتحقق من صحة المنتجات في صناعة المواد الغذائية. تبحث هذه الدراسة في دمج مطيافية رامان مع تقنيات التعلم الآلي لتمييز بين عينات زيت الزيتون المخلوطة المختلفة وقياس محتواها في الخلطات. من خلال استخراج ميزات الطيف رامان، وخاصة شدة القمم عند انزياحات محددة، استخدم الباحثون تحليل التجميع الهرمي (HCA) وتحليل الارتباط (CA) لاكتشاف التغيرات الكبيرة المرتبطة بنسب مختلفة من زيت الزيتون.
شملت الدراسة تحليلات نوعية وكمية لتصنيف عشرة أنواع من الزيوت وتوقع النسب التركيبية في الخلطات الثنائية والثلاثية، مع تقييم تقنيات كيميائية مختلفة وميزات إدخال متنوعة. ومن الجدير بالذكر أن نموذج الغابة العشوائية (RF) حقق دقة تصنيف ملحوظة بلغت 98.9% وأظهر قدرات تنبؤية قوية، مع معاملات تحديد ($R^2$) تبلغ 0.985 للعينات الثنائية و0.926 للعينات الثلاثية. بالإضافة إلى ذلك، تم استخدام خوارزمية الشرح الإضافي لشابلي (SHAP) لتقييم تأثير ميزات رامان الرئيسية على دقة التنبؤ للنماذج. يبرز هذا الإطار التحليلي المبتكر إمكانيات مطيافية رامان لمراقبة جودة منتجات زيت الزيتون في الوقت الحقيقي.
مقدمة
تسلط المقدمة الضوء على أهمية زيت الزيتون البكر الممتاز، مع التأكيد على فوائده الغذائية وقيمته السوقية العالية، مما يجعله للأسف عرضة للتلاعب بزيوت أرخص. لا تؤدي هذه الممارسة إلى خسائر اقتصادية وتقوض ثقة المستهلك فحسب، بل تشكل أيضًا مخاطر صحية، مما يستلزم وجود طرق فعالة للكشف عن صحة زيت الزيتون. تم استخدام تقنيات تقليدية مثل الكروماتوغرافيا ومطيافية الاهتزاز، وخاصة مطيافية رامان، لهذا الغرض. تبرز مطيافية رامان بسبب طبيعتها السريعة وغير المدمرة وقدرتها على توفير معلومات جزيئية مفصلة، وهو أمر حاسم لتحديد التلاعب.
لقد عززت التقدمات الحديثة في التعلم الآلي تحليل البيانات المعقدة في التحقق من صحة المواد الغذائية. أظهرت دراسات مختلفة فعالية نماذج التعلم الآلي في تصنيف وقياس محتويات الزيوت باستخدام بيانات الطيف رامان. ومع ذلك، لا تزال قابلية تفسير هذه النماذج تمثل تحديًا. ظهرت خوارزمية SHAP كأداة قيمة لفهم تنبؤات النماذج من خلال تقييم أهمية ميزات الإدخال. تهدف هذه الدراسة إلى التحقق من صحة زيوت الزيتون المخلوطة من خلال تحليل بيانات الطيف رامان واستخدام تقنيات التعلم الآلي، بما في ذلك آلات الدعم الناقل (SVM) وأقل المربعات الجزئية (PLS) والغابات العشوائية (RF) وتعزيز التدرج المتطرف (XGBoost). ستركز الأبحاث على تحديد ميزات رامان الرئيسية وأهميتها في قياس محتوى زيت الزيتون، باستخدام زيوت مخلوطة متاحة تجاريًا للتحقق.
طرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. شملت المنهجيات المحددة استخدام تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج ذات الصلة.
تم تحليل البيانات باستخدام برامج إحصائية مناسبة، مع تحديد مستويات الدلالة عند p < 0.05. كما تضمنت الدراسة نماذج رياضية مختلفة لتفسير العلاقات بين المتغيرات، مما يضمن إمكانية استخلاص استنتاجات قوية من النتائج. بشكل عام، تم تصميم الطرق المستخدمة لضمان موثوقية وصلاحية النتائج، مما يسمح بمساهمات ذات مغزى في مجال الدراسة.
نتائج
تقدم نتائج الدراسة تحليلًا شاملاً لطيف رامان لمجموعة متنوعة من الزيوت النقية والمخلوطة، مع التركيز بشكل خاص على زيت الزيتون. تكشف متوسطات طيف رامان لأربعة زيوت نقية، بما في ذلك زيت الزيتون، عن قمم مميزة في نطاق 800-1800 سم$^{-1}$، مع قمم ملحوظة عند 1156 سم$^{-1}$، 1265 سم$^{-1}$، 1526 سم$^{-1}$، و1658 سم$^{-1}$. تتوافق هذه القمم مع اهتزازات جزيئية محددة مرتبطة بمركبات نشطة حيويًا مثل β-carotene والأحماض الدهنية غير المشبعة، والتي تختلف بشكل كبير بين أنواع زيت الزيتون المختلفة بسبب عوامل مثل الصنف والأصل الجغرافي. تعتبر القمة عند 1440 سم$^{-1}$، المنسوبة إلى مجموعة -CH₂، مرجعًا للتطبيع عبر الأطياف.
في تحليل الزيوت المخلوطة، توضح الدراسة أنه مع زيادة نسبة زيت الزيتون في الخلطات الثنائية مع زيت بذور عباد الشمس، تصبح شدة نطاقات رامان عند 1156 سم$^{-1}$ و1526 سم$^{-1}$ أكثر وضوحًا، بينما تنخفض تلك عند 1265 سم$^{-1}$ و1658 سم$^{-1}$. يتسق هذا الاتجاه عبر الخلطات الثنائية والثلاثية الأخرى التي تشمل زيت الزيتون وزيت بذور عباد الشمس وزيت اللفت. تؤكد النتائج فعالية مطيافية رامان في تمييز الزيوت بناءً على مركباتها النشطة حيويًا، وهو أمر ضروري للتحقق من صحة زيت الزيتون ومراقبة الجودة، خاصة في مكافحة التلاعب في السوق.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على ميزات الطيف رامان المميزة لزيت الزيتون مقارنةً بالزيوت الصالحة للأكل الأخرى، ويرجع ذلك أساسًا إلى تركيبها الجزيئي الفريد، الذي يتضمن تركيزات أعلى من المركبات النشطة حيويًا مثل β-carotene وحمض الأوليك. تظهر هذه المركبات كقمم رامان بارزة عند 1156 سم$^{-1}$ و1526 سم$^{-1}$، والتي تكون أقل وضوحًا في الزيوت الأخرى. تكشف تحليلات التجميع الهرمي (HCA) والتصورات الحرارية عن علاقات كبيرة بين محتوى زيت الزيتون وشدات قمم رامان، مع ملاحظة أن زيادة محتوى زيت الزيتون تتوافق مع زيادة الشدات عند هذه الأطوال الموجية الرئيسية. على العكس من ذلك، يتم ملاحظة انخفاض الشدات عند 1265 سم$^{-1}$ و1658 سم$^{-1}$ مع زيادة محتوى زيت الزيتون، ويعزى ذلك إلى اختلاف ملفات الأحماض الدهنية بين زيوت الزيتون وزيوت بذور عباد الشمس.
تستخدم الدراسة أيضًا خوارزميات التعلم الآلي، بما في ذلك الغابة العشوائية (RF) وXGBoost، لتصنيف وقياس محتوى زيت الزيتون في مختلف الخلطات. تظهر هذه النماذج أداءً متفوقًا في التمييز بين الزيوت النقية والمخلوطة، محققة مقاييس دقة عالية. تشير التحليلات إلى أن شدة القمة تعتبر ميزة أكثر فعالية في التنبؤ بمحتوى زيت الزيتون مقارنةً بمساحة القمة أو النسبة. توضح تحليل SHAP (SHapley Additive exPlanations) أهمية ميزات رامان المحددة، وخاصة I1156 وI1265، في التأثير على تنبؤات النماذج. يتم التحقق من التطبيق العملي للإطار المقترح من خلال تحليل الزيوت المخلوطة التجارية، حيث توقعت النماذج بدقة محتوى زيت الزيتون، مما يبرز إمكانيات هذه الطريقة في مراقبة الجودة وكشف التلاعب في صناعة زيت الزيتون. تهدف الأعمال المستقبلية إلى توسيع مكتبة الطيف وتعزيز قابلية تطبيق الطريقة للتحليل في الموقع في سلاسل التوريد.
DOI: https://doi.org/10.1038/s41538-026-00738-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41651878
Publication Date: 2026-02-06
Author(s): Yulong Chen et al.
Primary Topic: Edible Oils Quality and Analysis
Overview
The adulteration of olive oil poses significant challenges for both producers and consumers, necessitating effective authentication methods in the food industry. This study investigates the integration of Raman spectroscopy with machine learning techniques to distinguish between various blended olive oil samples and quantify their content in mixtures. By extracting Raman spectral features, particularly peak intensities at specific shifts, the researchers employed hierarchical cluster analysis (HCA) and correlation analysis (CA) to detect significant variations linked to different proportions of olive oil.
The study involved qualitative and quantitative analyses to classify ten types of oil and predict compositional ratios in binary and ternary blends, evaluating various chemometric techniques and input features. Notably, the random forest (RF) model achieved a remarkable classification accuracy of 98.9% and demonstrated strong predictive capabilities, with coefficients of determination ($R^2$) of 0.985 for binary samples and 0.926 for ternary samples. Additionally, the Shapley additive explanations (SHAP) algorithm was utilized to evaluate the impact of key Raman features on the predictive accuracy of the models. This innovative analytical framework underscores the potential of Raman spectroscopy for real-time quality monitoring of olive oil products.
Introduction
The introduction highlights the significance of extra virgin olive oil, emphasizing its nutritional benefits and high market value, which unfortunately makes it susceptible to adulteration with cheaper oils. This malpractice not only leads to economic losses and undermines consumer trust but also poses health risks, necessitating effective detection methods for olive oil authenticity. Traditional techniques such as chromatography and vibrational spectroscopy, particularly Raman spectroscopy, have been employed for this purpose. Raman spectroscopy stands out due to its rapid, non-destructive nature and ability to provide detailed molecular information, which is crucial for identifying adulteration.
Recent advancements in machine learning have enhanced the analysis of complex data in food authentication. Various studies have demonstrated the effectiveness of machine learning models in classifying and quantifying oil contents using Raman spectral data. However, the interpretability of these models remains a challenge. The SHAP algorithm has emerged as a valuable tool for understanding model predictions by assessing the importance of input features. This study aims to authenticate blended olive oils by analyzing Raman spectral data and employing machine learning techniques, including support vector machines (SVM), partial least squares (PLS), random forests (RF), and extreme gradient boosting (XGBoost). The research will focus on identifying key Raman features and their significance in quantifying olive oil content, utilizing commercially available blended oils for validation.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included the use of controlled trials, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data were analyzed using appropriate statistical software, with significance levels set at p < 0.05. The study also incorporated various mathematical models to interpret the relationships between variables, ensuring robust conclusions could be drawn from the results. Overall, the methods employed were designed to ensure reliability and validity in the findings, allowing for meaningful contributions to the field of study.
Results
The results of the study present a comprehensive analysis of Raman spectra for various pure and blended oils, particularly focusing on olive oil. The average Raman spectra of four pure oils, including olive oil, reveal distinct peaks in the range of 800-1800 cm$^{-1}$, with notable peaks at 1156 cm$^{-1}$, 1265 cm$^{-1}$, 1526 cm$^{-1}$, and 1658 cm$^{-1}$. These peaks correspond to specific molecular vibrations associated with bioactive compounds such as β-carotene and unsaturated fatty acids, which vary significantly among different olive oil varieties due to factors like cultivar and geographical origin. The peak at 1440 cm$^{-1}$, attributed to the -CH₂ group, serves as a normalization reference across the spectra.
In the analysis of blended oils, the study demonstrates that as the proportion of olive oil increases in binary blends with sunflower seed oil, the intensities of the Raman bands at 1156 cm$^{-1}$ and 1526 cm$^{-1}$ become more pronounced, while those at 1265 cm$^{-1}$ and 1658 cm$^{-1}$ decrease. This trend is consistent across other binary and ternary blends involving olive oil, sunflower seed oil, and rapeseed oil. The findings underscore the effectiveness of Raman spectroscopy in differentiating oils based on their bioactive compounds, which is essential for olive oil authentication and quality control, particularly in combating adulteration in the market.
Discussion
The discussion section of the research paper highlights the distinctive Raman spectral features of olive oil compared to other edible oils, primarily due to its unique molecular composition, which includes higher concentrations of bioactive compounds such as β-carotene and oleic acid. These compounds manifest as prominent Raman peaks at 1156 cm$^{-1}$ and 1526 cm$^{-1}$, which are less pronounced in other oils. The hierarchical clustering analysis (HCA) and heatmap visualizations reveal significant correlations between olive oil content and Raman peak intensities, particularly noting that increased olive oil content correlates with higher intensities at these key wavelengths. Conversely, lower intensities at 1265 cm$^{-1}$ and 1658 cm$^{-1}$ are observed as olive oil content increases, attributed to the differing fatty acid profiles of olive and sunflower seed oils.
The study further employs machine learning algorithms, including Random Forest (RF) and XGBoost, to classify and quantify the olive oil content in various blends. These models demonstrate superior performance in distinguishing between pure and blended oils, achieving high accuracy metrics. The analysis indicates that peak intensity serves as a more effective feature for predicting olive oil content than peak area or ratio. The SHAP (SHapley Additive exPlanations) analysis elucidates the importance of specific Raman features, particularly I1156 and I1265, in influencing model predictions. The practical applicability of the proposed framework is validated through the analysis of commercial blended oils, where the models accurately predicted olive oil content, underscoring the potential for this method in quality control and adulteration detection in the olive oil industry. Future work aims to expand the spectral library and enhance the method’s applicability for on-site analysis in supply chains.