DOI: https://doi.org/10.1038/s41538-025-00685-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41507218
تاريخ النشر: 2026-01-08
المؤلف: Vasiliki Gkarane وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تواجه صناعة لحم الخنزير تحديات تتعلق بالغش الغذائي وتوقعات المستهلكين، مما يستلزم أنظمة فعالة لمراقبة الجودة وتتبعها. تستكشف هذه الدراسة تطبيق تقنية قياس الطيف الكتلي بتقنية التأين السريع (REIMS) كأداة تصنيف في الوقت الحقيقي لخصائص لحم الخنزير، مع التركيز على سمات مثل الأصل الوراثي ورائحة الخنزير. من خلال تحليل أكثر من 3000 عينة من دهون رقبة الخنازير، حققت الدراسة دقة عالية في تصنيف سلالات الخنازير، حيث أظهرت طرق آلة الدعم المتجه (SVM) وتحليل التمييز باستخدام المربعات الجزئية المتعامدة (OPLS-DA) أداءً يتجاوز 89% و90%، على التوالي، في المقارنات الثنائية بين سلالات مختلفة. بالمقابل، كانت دقة طريقة الغابة العشوائية (RF) أقل، حيث تراوحت بين 72.0% و79.5%.
بالإضافة إلى ذلك، أظهرت تصنيفات رائحة الخنزير نتائج واعدة عبر OPLS-DA وRF وSVM، مع دقة تتراوح بين 93.5% و96.0%. تؤكد الدراسة على أهمية تنفيذ استراتيجيات لتقليل الإيجابيات والسلبية الكاذبة، لا سيما من خلال تطوير نماذج متوازنة تميز بين العينات الملوثة وغير الملوثة. تسلط هذه النتائج الضوء على إمكانيات REIMS كأداة قوية لتعزيز ضمان الجودة في صناعة لحم الخنزير.
الطرق
تحدد قسم “الطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك المواد الكيميائية والمعدات المحددة، بالإضافة إلى البروتوكولات المتبعة لضمان إمكانية التكرار. تشمل المنهجية كل من التحليلات النوعية والكمية، مع التركيز على التقنيات الإحصائية المستخدمة لتفسير البيانات.
بالإضافة إلى ذلك، يصف القسم طرق أخذ العينات، ومعايير اختيار المشاركين، وأي ضوابط تم تنفيذها للتقليل من التحيز. كما يتم ذكر استخدام برامج إحصائية مناسبة لتحليل البيانات، مما يضمن أن النتائج قوية وموثوقة. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم البحث، مما يسهل فهمًا واضحًا لكيفية الحصول على النتائج.
النتائج
استخدمت الدراسة تقنية REIMS (قياس الطيف الكتلي بتقنية التأين السريع) لإنشاء بصمات ميتابولوم من مجموعة بيانات كبيرة من عينات دهون رقبة الخنازير، بهدف تقييم فعاليتها في تصنيف سلالات الخنازير بدقة وتقييم حالة رائحة الخنزير. لتحليل البيانات الناتجة، تم استخدام تقنيات تحليل البيانات المتعددة المتغيرات، وتحديدًا تحليل التمييز باستخدام المربعات الجزئية المتعامدة (OPLS-DA)، جنبًا إلى جنب مع خوارزميات التعلم الآلي، بما في ذلك آلات الدعم المتجه (SVM) والغابات العشوائية (RF).
تمت مقارنة وتقييم أداء هذه النماذج، مما يبرز إمكانيات REIMS المدمجة مع الأساليب التحليلية المتقدمة لتعزيز دقة تصنيف سلالات الخنازير واكتشاف رائحة الخنزير. تشير النتائج إلى أن تحليل الميتابولوم يمكن أن يكون أداة قيمة في صناعة اللحوم لتحسين جودة المنتج وسلامة المستهلك.
المناقشة
في هذه الدراسة، تم تقييم تطبيق تقنية قياس الطيف الكتلي بتقنية التأين السريع (REIMS) مع نماذج التصنيف المتعددة المتغيرات، وتحديدًا تحليل التمييز باستخدام المربعات الجزئية المتعامدة (OPLS-DA)، وآلة الدعم المتجه (SVM)، والغابة العشوائية (RF)، لتصنيف سلالات الخنازير وتقييم حالة رائحة الخنزير. أظهر تحليل تصنيف السلالات أن السلالة لم تكن المحرك الرئيسي للتباين البيولوجي، حيث لم تظهر PCA اتجاهات مرتبطة بالسلالة. ومع ذلك، أظهرت OPLS-DA وSVM دقة تصنيف عالية (91-95%) عبر مقارنات مختلفة، متفوقة على RF، التي حققت دقة أقل (72-80%). تشير النتائج إلى أن تقليل التباين الوراثي داخل فئات السلالات أثر بشكل إيجابي على دقة التصنيف.
بالنسبة لتصنيف رائحة الخنزير، سلطت الدراسة الضوء على تحديات التصنيف الخاطئ، لا سيما في تحديد العينات الملوثة. في المرحلة الأولى، حسّن نموذج متوازن بشكل كبير دقة التصنيف، محققًا أكثر من 92% لكل من العينات الملوثة وغير الملوثة. ومع ذلك، أشارت نتائج المرحلة الثانية إلى دقة أقل، ربما بسبب التسمية الخاطئة أثناء تدريب النموذج. تؤكد النتائج على ضرورة النمذجة المتوازنة والتحليل الدقيق للعينات لتعزيز موثوقية التصنيف. بشكل عام، يظهر دمج REIMS مع تقنيات التعلم الآلي وعدًا للتطبيقات في الوقت الحقيقي في صناعة اللحوم، على الرغم من أن التنفيذ الناجح سيتطلب معالجة التحديات اللوجستية والتقنية.
DOI: https://doi.org/10.1038/s41538-025-00685-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41507218
Publication Date: 2026-01-08
Author(s): Vasiliki Gkarane et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
The pork industry faces challenges related to food fraud and consumer expectations, necessitating effective quality-monitoring and traceability systems. This study explores the application of rapid evaporative ionization mass spectrometry (REIMS) as a real-time classifier for pork meat characteristics, focusing on attributes such as genetic origin and boar taint. By analyzing over 3000 pig neck fat samples, the research achieved high accuracy in pig breed classification, with support vector machine (SVM) and orthogonal partial least squares-discriminant analysis (OPLS-DA) methods demonstrating performance exceeding 89% and 90%, respectively, in pairwise comparisons among various breeds. In contrast, the random forest (RF) method yielded lower accuracy, ranging from 72.0% to 79.5%.
Additionally, the classification of boar taint showed promising results across OPLS-DA, RF, and SVM, with accuracies between 93.5% and 96.0%. The study emphasizes the importance of implementing strategies to minimize false negatives and positives, particularly through the development of balanced models that differentiate between tainted and non-tainted samples. These findings highlight the potential of REIMS as a robust tool for enhancing quality assurance in the pork industry.
Methods
The “Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents and equipment, as well as the protocols followed to ensure reproducibility. The methodology encompasses both qualitative and quantitative analyses, with a focus on statistical techniques applied to interpret the data.
Additionally, the section describes the sampling methods, participant selection criteria, and any controls implemented to mitigate bias. The use of appropriate statistical software for data analysis is also mentioned, ensuring that the findings are robust and reliable. Overall, this section provides a comprehensive overview of the methodological framework that underpins the research, facilitating a clear understanding of how the results were obtained.
Results
The study utilized REIMS (Rapid Evaporative Ionization Mass Spectrometry) to create metabolomic fingerprints from a large dataset of pig neck fat samples, aiming to evaluate its effectiveness in accurately classifying pig breeds and assessing boar taint status. To analyze the generated data, multivariate data analysis techniques, specifically Orthogonal Projections to Latent Structures Discriminant Analysis (OPLS-DA), were employed alongside machine learning algorithms, including Support Vector Machines (SVM) and Random Forests (RF).
The performance of these models was subsequently compared and evaluated, highlighting the potential of REIMS combined with advanced analytical methods for enhancing the classification accuracy of pig breeds and the detection of boar taint. The findings suggest that metabolomic profiling can serve as a valuable tool in the meat industry for improving product quality and consumer safety.
Discussion
In this study, the application of Rapid Evaporative Ionization Mass Spectrometry (REIMS) combined with multivariate classification models, specifically Orthogonal Partial Least Squares Discriminant Analysis (OPLS-DA), Support Vector Machine (SVM), and Random Forest (RF), was evaluated for classifying pig breeds and assessing boar taint status. The breed classification analysis revealed that breed was not the primary driver of biological variance, as PCA did not show breed-related trends. However, OPLS-DA and SVM demonstrated high classification accuracies (91-95%) across various comparisons, outperforming RF, which achieved lower accuracies (72-80%). The results suggest that reduced genetic variability within breed categories positively influenced classification accuracy.
For boar taint classification, the study highlighted the challenges of misclassification, particularly in identifying tainted samples. In Phase I, a balanced model significantly improved classification accuracy, achieving over 92% for both tainted and untainted samples. However, Phase II results indicated lower accuracies, potentially due to mislabeling during model training. The findings emphasize the necessity of balanced modeling and rigorous sample analysis to enhance classification reliability. Overall, the integration of REIMS with machine learning techniques shows promise for real-time applications in the meat industry, although successful implementation will require addressing logistical and technical challenges.