Use of tristimulus reflectance colorimetry for detection of fresh milk adulteration with reconstituted dry milk

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

The authors propose a method for disclosing the adulteration of natural fresh milk by adding powdered milk, based on a quantitative assessment of the content of products of the initial stage of the Maillard reaction, which are a specific indicator of the presence of powdered milk. Implementation of the method involves isolation from milk of the preparation of dry, lactose-purified casein, followed by heat treatment under strictly controlled conditions. These conditions include maintaining a moisture level of approximately 6 % and a temperature of 100 ± 1 °C for five hours. In the process of heat treatment, the transformation of uncolored products of the initial stage of the Maillard reaction (lactosylated amino groups of amino acids) into melanoids characterized by intense coloration takes place. The color intensity of melanoids can be measured using a colorimeter and represented in color space coordinates CIE L*a*b*. The concentration of melanoid pigments can be determined using both the standard criterion of total color difference (ΔE) and the complex criterion (KCh) proposed by the authors, which is calculated as the ratio of Chroma and Hue values. The criterion KCh demonstrates a higher accuracy in describing the relationship between the staining intensity of the sample and the mass fraction of milk powder protein in the mixture compared to the standard criterion ΔE. The developed colorimetric method makes it possible to detect the addition of dry powdered milk at the level of approximately 5 grams per 1 liter of fresh natural milk.

Негізгі сөздер

Авторлар туралы

D. Myagkonosov

All-Russian Scientific Research Institute of Butter and Cheesemaking

Хат алмасуға жауапты Автор.
Email: d.abramov@fncps.ru
19, Krasnoarmeysky Boulevard, Uglich, 152613, Yaroslavl Region

E. Topnikova

All-Russian Scientific Research Institute of Butter and Cheesemaking

Email: d.abramov@fncps.ru
19, Krasnoarmeysky Boulevard, 152613, Yaroslavl Region, Uglich

D. Abramov

All-Russian Scientific Research Institute of Butter and Cheesemaking

Email: d.abramov@fncps.ru
19, Krasnoarmeysky Boulevard, Uglich, 152613, Yaroslavl Region

O. Kashnikova

All-Russian Scientific Research Institute of Butter and Cheesemaking

Email: d.abramov@fncps.ru
19, Krasnoarmeysky Boulevard, Uglich, 152613, Yaroslavl Region

Әдебиет тізімі

  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. Topnikova, E. V., Myagkonosov, D. S., Abramov, D. V., Kashnikova, O. G. (2024). Colorimetric method for estimating the intensity of heat load during milk pasteurization. Food Systems, 7(3), 481–490. (In Russian) https://doi.org/10.21323/2618-9771-2024-7-3-481-490
  21. Myagkonosov, D. S., Topnikova, E. V., Abramov, D. V., Kashnikova, O. G. (2024). Use of turbidimetry for determination of heat treatment intensity applied at pasteurization of milk. Food Systems, 7(1), 105–113. (In Russian) 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. Afonin, P. N., Afonin, D. N. (2017). Statistical analysis using modern software: a tutorial. St. Petersburg: Intermedia, 2017. (In Russian)
  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

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

© Piŝevye sistemy, 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».