امکان‌سنجی تشخیص ژنوتیپ‌های مختلف گیاه نعنا با تکنیک E-Nose

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

• حسن ذکی دیزجی ¹
• محمد محمودی سورستانی ²
• ناهید عقیلی ناطق ³
• آناهیتا بویری ده شیخ ²

¹ گروه مهندسی بیوسیستم، دانشگاه شهید چمران اهواز، اهواز، ایران

² گروه باغبانی، دانشگاه شهید چمران اهواز، اهواز، ایران

³ گروه مهندسی ماشینهای کشاورزی، دانشکده کشاورزی سنقر، دانشگاه رازی، کرمانشاه، ایران

https://doi.org/10.22067/jam.2025.92417.1354

چکیده

مطالعه حاضر به بررسی طبقه‌بندی ده ژنوتیپ نعناع توسط یک سیستم بینی الکترونیکی مبتنی بر حسگرهای نیمه‌هادی اکسید فلزی (MOS) می‌پردازد. نمونه‌های برگ از ژنوتیپ‌های مختلف نعناع برداشت شد، سپس پاسخ سنسورهای سیستم به هر نمونه ثبت شد. برای طبقه‌بندی گیاهان، پاسخ تمام حسگرهای بینی الکترونیکی با روش‌های تجزیه و تحلیل اجزای اصلی (PCA)، تجزیه و تحلیل تشخیص خطی (LDA)، تجزیه و تحلیل متمایز درجه دوم (QDA) و شبکه عصبی مصنوعی (ANN) مورد بررسی قرار گرفت. بر اساس نتایج تجزیه و تحلیل کیفی اسانس‌ها توسط دستگاه GC-MS، بیش از 99 درصد ترکیبات شناسایی‌شده در چهار گروه شیمیایی شامل هیدروکربن‌ها و مونوترپن‌ها و سسکوئی‌ترپن‌های اکسیژن‌دار قرار داشتند. همچنین بر اساس تجزیه و تحلیل بای پلات، جمعیت‌های مختلف نعناع را می‌توان به‌طور کلی به 8 گروه تقسیم کرد. نتایج تحلیل مؤلفه‌های اصلی با استفاده از داده‌های به‌دست‌آمده از سیستم نشان داد که دو مؤلفه اصلی اول می‌توانند در مجموع 97 درصد از واریانس داده‌ها را پوشش دهند. دقت طبقه‌بندی با استفاده از داده‌های بینی الکترونیکی برای تجزیه و تحلیل وضوح خطی، تجزیه و تحلیل وضوح درجه دوم و شبکه عصبی مصنوعی به‌ترتیب 98.9، 99.9 و 96% به‌دست آمد. طبقه‌بندی مناسب ژنوتیپ‌های نعناع توسط سیستم بینی الکترونیکی می‌تواند به‌عنوان جایگزینی حساس، قابل‌اعتماد و کم‌هزینه برای روش‌های سنتی مورد استفاده قرار گیرد.

کلیدواژه‌ها

• اسانس
• بویایی ماشینی
• روش‌های هوشمند
• طبقه‌بندی

موضوعات

• تکنولوژی‌های پس از برداشت

©2025 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Adams, R. (2007). Identification of essential oil components by gaschromatography/quadrupole mass spectrometry. Journal of the American Society for Mass Spectrometry, 16, 1902-1903.
2. Aghili Nategh, N., Dalvand, M. J., & Anvar, A. (2020). Detection of ripeness grades of berries using an electronic nose. Journal of Food Sciene & Nutrition, 8, 4919-1928.
3. Asl Roosta, R., Moghaddasi, R., & Hosseini, S. S. (2017). Export target markets of medicinal and aromatic plants, Journal of Applied Research on Medicinal and Aromatic Plants, 7, 84-88. https://doi.org/10.1016/j.jarmap.2017.06.003
4. Banal, J. E. P. L., Rañola, R. A. G., Santiago, K. S., & Sevilla, F. B. I. (2014). E-nose Based on Conducting Polymers for the Discrimination of Medicinal Plants. Applied Mechanics and Materials, 490-491, 1194-1198 https://doi.org/10.4028/www.scientific.net/amm.490-491.1194
5. Gebicki, J., & Szulczynski, B. (2018). Discrimination of selected fungi species based on their odour profile using prototypes of E-nose instruments. Measurement, 116, 3017-313. https://doi.org/10.1016/j.measurement.2017.11.029
6. Gorji-Chakespari, A., Nikbakht, A. M., Sefidkon, F., Ghasemi-Varnamkhasti, M., & Valero, E. L. (2017). Classification of essential oil composition in Rosa damascena genotypes using an E-nose. Journal of Applied Research on Medicinal and Aromatic Plants, 4, 27-34. https://doi.org/10.1016/j.jarmap.2016.07.004
7. Guohua, H., Jiaojiao, J., Shanggui, D., Xiao, Y., Mengtian, Z., Minmin, W., & Dandan, Y. (2015). Winter jujube (Zizyphus jujuba) quality forecasting method based on E-nose. Food Chemistry, 170, 484-491. https://doi.org/10.1016/j.foodchem.2014.08.009
8. Hawrył, M. A., Skalicka-Woźniak, K., Świeboda, R., Niemiec, M., Stępak, K., Waksmundzka-Hajnos, M., Hawrył, A., & Szymczak, G. (2015). GC-MS fingerprints of mint essential oils. Open Chemistry, 13(1), 1326-1332. https://doi.org/10.1515/chem-2015-0148
9. Heidarbeigi, K., Mohtasebi, S. S., Foroughirad, A., Ghasemi-varnamkhasti, M., Rafiee, S., & Rezaei, K. (2015). Detection of adulteration in saffron samples using E-nose. International Journal of Food Properties, 18, 1391-1401. https://doi.org/10.1080/10942912.2014.915850
10. Kaushal, S., Nayi, P., Rahadian, D., & Chen, H. H. (2022). Applications of E-nose Coupled with Statistical and Intelligent Pattern Recognition Techniques for Monitoring Tea Quality: A Review. Agriculture, 12, 1359. https://doi.org/10.3390/agriculture12091359
11. Kiani, S., Minaei, S., & Ghasemi-Varnamhasti, M. (2018). Real-time aroma monitoring of mint (Mentha spicata) leaves during the drying process using E-nose system. Measurement, 124, 447-452. https://doi.org/10.1016/j.measurement.2018.03.033
12. Li, Q., Yu, X., Xu, L., & Gao, J. (2017). Novel method for the producing area identification of zhongning Goji berries by E-nose. Food Chemistry, 221, 1113-1119. https://doi.org/10.1016/j.foodchem.2016.11.049
13. Lin, H., Yonghong, Y., Zhao, T., Peng, L., Zou, H., Li, J., Yang, X., Xiong, Y., Wang, M., & Wu, H. (2013). Rapid discrimination of Apiaceae plants by E-nose coupled with multivariate statical analyses. Journal of Pharmaceutical and Biomedical Analysis, 84, 1-4. https://doi.org/10.1016/j.jpba.2013.05.027
14. Lubbe, A., & Verpoorte, R. (2011). Cultivation of medicinal and aromatic plants for specialty industrial materials. Industrial Crops and Products, 34(1), 785-801. https://doi.org/10.1016/j.indcrop.2011.01.019
15. Mahmodi, K., Mostafaei, M., & Mirzaee-Ghaleh, E. (2019). Detection and classification of diesel-biodiesel blends by LDA, QDA and SVM approaches using an E-nose. Fuel, 258. https://doi.org/10.1016/j.fuel.2019.116114
16. Makarichian, A., Chayjan, R. A., Ahmadi, E., & Zafari, D. (2022). Early detection and classification of fungal infection in garlic (A. sativum) using electronic nose. Computers and Electronics in Agriculture, Available online 22 November 2021, 106575. ‏ https://doi.org/10.1016/j.compag.2021.106575
17. Martín-Tornero, E., Sánchez, R., Lozano, J., Martínez, M., Arroyo, P., & Martín-Vertedor, D. (2021). Characterization of Polyphenol and Volatile Fractions of Californian-Style Black Olives and Innovative Application of E-nose for Acrylamide Determination. Foods, 10, 2973. https://doi.org/10.3390/foods10122973
18. Nguyen, L., Duong, L. T., &Mentreddy, R. S. (2019). The U.S. import demand for spices and herbs by differentiated sources. Journal of Applied Research on Medicinal and Aromatic Plants, 12, 13-20. https://doi.org/10.1016/j.jarmap.2018.12.001
19. Okur, S., Li, C., Zhang, Z., Vaidurya Pratap, S., Sarheed, M., Kanbar, A., Franke, L., Geislhöringer, F., Heinke, L., Lemmer, U., Nick, P., & Wöll, C. (2021a). Sniff Species: SURMOF-Based Sensor Array Discriminates Aromatic Plants beyond the Genus Level. Chemosensors, 9(7), 171. https://doi.org/10.3390/chemosensors9070171
20. Okur, S., Sarheed, M., Huber, R., Zhang, Z., Heinke, L., Kanbar, A., Wöll, C., Nick, P., & Lemmer, U. (2021b). Identification of Mint Scents Using a QCM Based E-Nose. Chemosensors, 9(2), 31 https://doi.org/10.3390/chemosensors9020031
21. Rafaela, S. A., Murilo, H. M. F., Luiza, A. M., & Daniel, S. C. (2022). E-nose based on hybrid free-standing nanofibrous mats for meat spoilage monitoring. Sensors and Actuators B: Chemical, 353, 131114, https://doi.org/10.1016/j.snb.2021.131114
22. Rodrigues, N., Silva, K., Veloso, A. C. A., Pereira, J. A., & Peres, A. M. (2021). The Use of E-nose as Alternative Non-Destructive Technique to Discriminate Flavored and Unflavored Olive Oils. Foods, 10, 2886. https://doi.org/10.3390/foods10112886
23. Tangpao, T., Charoimek, N., Teerakitchotikan, P., Leksawasdi, N., Jantanasakulwong, K., Rachtanapun, P., Seesuriyachan, P., Phimolsiripol, Y., Chaiyaso, T., Ruksiriwanich, W., Jantrawut, P., Van Doan, H., Cheewangkoon, R., & Sommano, S. R. (2022). Volatile Organic Compounds from Basil Essential Oils: Plant Taxonomy, Biological Activities, and Their Applications in Tropical Fruit Productions. Horticulturae, 8(2), 144. https://doi.org/10.3390/horticulturae8020144
24. Zaki Dizaji, H., Adibzadeh, A., & Aghili Nategh, N. (2020). Application of E-nose technique to predict sugarcane syrup quality based on purity and refined sugar percentage. Journal of Food Science and Technology. https://doi.org/10.1007/s13197-020-04879-4
25. Zhang, B, Huang, Y., Zhang, Q., Liu, X., Li, F., Chen, K. 2014. Fragrance discrimination of Chinese Cymbidium species and cultivars using an electronic nose. Scientia Horticuturae, 172, 271-277. https://doi.org/10.1016/j.scienta.2014.04.019