Correltech

Az ADEXGO Kft. tevékenysége a korrelatív analitikai technológiák terén

Elkötelezettek vagyunk az analitikai módszerek modernizálása és az új módszerek széleskörű terjesztése terén. Tapasztalataink és számos gyártót és forgalmazót felölelő kiterjedt kapcsolatrendszerünk révén segítjük partnereinket a számukra optimális műszer, kiegészítő, vagy szoftver kiválasztása terén. A különböző intelligens rendszerek segítenek partnereinknek a gyors, megbízható, költséghatékony, fenntartható mérési és szabályozási megoldások kidolgozásában.

 

 

Correltech üzletágunk célja:

  • korrelatív analitikai technológiák fejlesztése a roncsolásmentes gyorsvizsgálati módszerek (pl. spektroszkópia és műszeres aromaelemzés) és sokváltozós adatelemzés kombinálásával.
  • gyors, megbízható és költséghatékony, egyben környezetbarát (zöld) analitikai megoldások kidolgozása, melyek alkalmazása összeegyeztethető a fenntartható mezőgazdasági termelés, a precíziós gazdálkodás és a modern élelmiszeripar követelményeivel.

 

Szolgáltatások:

Tanácsadás, technikai támogatás (hardver, szoftver, gyakorlat)

Számos olyan esetet ismerünk, amikor a felhasználók nem képesek kihasználni a rendelkezésükre álló technológia nyújtotta előnyöket. A technológiával kapcsolatos ismeretek hiánya éppúgy okozhatja ezt, mint az egyes részfeladatoknál elvétett hibák. A modern korrelatív technológiák terén az ADEXGO Kft. munkatársai az alábbiakban állnak a partnerek rendelkezésére:

  • Új közeli infravörös spektroszkópiás (NIRS) kalibrációk és validáció tervezése, előkészítése, elkészítése.
  • Meglevő NIRS kalibrációkhoz validációk tervezése, végrehajtása, a kalibrációk és validációk értékelése.
  • Meglevő NIRS alkalmazások komplex állapotfelmérése, -elemzése, az egyes műveletek és eszközök kritikus pontokon történő értékelése.
  • Meglevő NIRS kalibrációk javítása, optimalizálása.
  • Mért adatok alapján történő aromaelemzés.
  • NIRS és műszeres aromaelemzés (elektronikus orr és nyelv technikák) lehetőségeinek bemutatása a partner tevékenységeihez kapcsolódóan.
  • Állapotelemzés, új gyorsvizsgálati módszerek bevezetésének tervezése.
  • Mérőműszerek átvizsgálása, karbantartása (szükség esetén a forgalmazó közreműködésével).
  • Mintavételi és mérési folyamatok felülvizsgálata, javítása.


 
Kutatás, fejlesztés, innováció

Az ADEXGO Kft. kiterjedt tevékenységi körének és munkatársai sokéves szakmai tapasztalatának köszönhetően számos K+F+I pályázatban képes tevékenyen részt vállalni, akár konzorciumi tagként, akár alvállalkozóként. Cégünk megbízható és tudományosan elismert partner, legyen szó a modern kiegészítő takarmányok és magas hozzáadott értékkel bíró élelmiszerek előállításáról, vagy új ipari és élettani vizsgálati módszerek kidolgozásáról. Correltech munkacsoportunk gyors, automatizálható, költséghatékony és környezetbarát technológiák fejlesztése és a módszertan alkalmazása területén vállal kutatási, fejlesztési és innovációs feladatokat. K+F+I projektek keretében vállaljuk modern korrelatív analitikai technikákon alapuló módszerek kidolgozását és adaptálását takarmányok és élelmiszerek fizikai és kémiai jellemzésére.

 

A correltech munkacsoport K+F+I tevékenységi körei:

Korrelatív módszerek bevezetésének tervezése: A terület irányába újonnan nyitó, illetve korrelatív eljárásokat (NIRS, műszeres illat- és ízelemzés) már használó, de új alkalmazásokban is gondolkozó partnerek számára a tevékenységük és igényeik részletes feltérképezését követően új módszerek kidolgozásának tervezése.

Módszerfejlesztés: NIR spektroszkópiára és műszeres aromavizsgálatra alapozott kutatások és módszerfejlesztések laboratóriumi és modellezett üzemi körülmények között. Gyakorlati kihívások és technológiai lehetőségek összevetése. Technológia fejlesztések asszisztálása, új hardverek és szoftverek meghatározott célra történő kiválasztása, telepítése, kalibrációk kidolgozása.

Egyedi kezelői felülettel ellátott és/vagy programozható adatelemző alkalmazások készítése: Miniatürizált eszközök alkalmazása révén olyan kézi készülékek és szoftverek kidolgozása, melyekkel hozzáértő felhasználók gyors méréseket tudnak végezni telepi körülmények között, és a belső adatbázisra alapozva azonnal eredményt kapnak a vizsgált mintákra vonatkozóan. Hasonlóképpen, a módszerfejlesztés során meghatározott alkalmazhatósági irányok figyelembevétele mellett miniatürizált eszközök és speciális szoftverek alkalmazása pl. gyártóüzemben automatizált folyamatszabályozási/-irányítási céllal.

Adatbázis-építés, -kezelés: Különböző kvalitatív és kvantitatív modellek felállításához és validálásához szükséges adatbázisok tervezése, adatok gyűjtésének koordinálása, adatbázis-kezelés, adatvédelem.

 

Témakörök:

Közeli infravörös spektroszkópia (NIRS)

A közeli infravörös (NIR) spektroszkópia a fény (közeli infravörös fotonok) és a minta kölcsönhatásán alapul. A NIR spektrum a szerves molekulák C–H, O–H, N–H és S–H kötéseinek különböző hullámhosszokon mért fényelnyelésének eredményeképp jön létre, azonban számos egyéb tényező (pl. szemcseméret, hőmérséklet, tömörítettség) is befolyásolhatja azt. A mezőgazdasági termékeket alkotó legfontosabb komponensek szinte mindegyike rendelkezik abszorpciós sávokkal a közeli infravörös tartományban (800-2500 nm), így ez a hullámhossz intervallum különösen alkalmas a termékek minőségének jellemzésére.

A technika előnye, hogy az optikai tulajdonságok az anyag állományától lényegében függetlenül, gyorsan és roncsolásmentesen mérhetők. Egy műszerrel sok egymástól független jellemző mérhető egyszerre, legyen szó kémiai összetevőről, vagy éppen fizikai tulajdonságról.

A NIRS módszer mind kvalitatív (pl. típusok, minőségi csoportok elkülönítése), mind kvantitatív (pl. kémiai összetétel, fizikai paraméterek becslése) meghatározásra alkalmas. Utóbbi esetben a spektrumok mellett szükségünk van a referencia adatokra is (pl. kémiai laboratóriumi mérések eredménye), majd a spektrum és referencia adatbázis közötti összefüggések feltárását – kalibrációt – követően nyílik mód az adott paraméterek becslésére a független mintákra vonatkozóan. A NIRS tehát alapvetően korrelatív technika, becslési pontossága az alkalmazott referencia módszertől és a kalibráció minőségétől függ.

A legtöbb mezőgazdasági termék NIR spektruma komplex, a termékben található komponensek abszorpciós sávjainak átlapolódása, illetve az abszorpciós csúcsok elmosódása következtében. Az egyes komponensek mennyiségének meghatározása érdekében matematikai statisztikai módszereket kell igénybe venni, beleértve az eredeti spektrumok transzformációját is. A felhasználók többféle szoftver közül választhatnak, melyek különféle sokváltozós matematikai eljárásokat, kemometriai módszereket tartalmaznak a spektrumok és a vizsgált anyag egyes tulajdonságai közötti összefüggések feltárására.

Kiemelendő, hogy a rendelkezésre álló matematikai-statisztikai módszerekkel és szoftveres háttérrel igen pontos kalibrációk kivitelezése lehetséges. Nem ritkák az olyan NIR spektrumokra alapozott modellek, melyekkel a referencia változók varianciája szinte teljes egészében leírhatók. Egyes tanulmányokban a NIR vizsgálatok és kalibrációk megbízhatóságát vetik össze a laboratóriumi referenciamérések megbízhatóságával, megállapítva, hogy a NIRS becslések legmeghatározóbb limitáló tényezője a kalibrációk alapját képező laboratóriumi referencia adatok, másként: a NIRS bizonyos paraméterek vonatkozásában elméletileg jobban is teljesíthet, mint a referencia módszer.

Újabban nő a mind tökéletesebb minőségi osztályozó NIRS módszerek beállítása iránti igény. Ez részben azzal magyarázható, hogy a termék vásárlói kevéssé érdeklődnek annak pontos beltartalmi értékei iránt, viszont kíváncsiak arra, hogy az adott termék illeszkedik-e egy általuk megfogalmazott elvárásrendszerhez, termékcsoporthoz (pl. biotermékek). Ennek megfelelően, kvalitatív analízisek esetében a mintacsoportok elkülönülését és elkülöníthetőségét vizsgáljuk a spektrum adatok alapján.

Az eljárás kiválóan alkalmas folyamatok nyomon követésére és gyors döntések kialakítására, főként olyan esetekben, amikor a NIRS alapján megbízhatóan, minimális hibával becsülhető tulajdonság laboratóriumi referencia mérése napokig is eltarthat. A hagyományos kémiai vizsgálatokkal szemben ez a gyorsvizsgálati módszer nem igényel magasan képzett munkaerőt a rutinmérések során, nincs szükség reagensekre és oldószerekre, csökkentve ezzel az analízis költségét és a környezetterhelést.

 

A témában megjelent magyar nyelvű cikkeink:

A közeli infravörös spektroszkópia mint korrelatív gyorsvizsgálati módszer gyakorlati értékelése. Agro Napló, 2018, 3. szám

Néhány gondolat a gyorsvizsgálati NIR technika mezőgazdasági alkalmazásairól. Agro Napló, 2018. 4. szám


 
Mesterséges aromaelemzés (műszeres illat- és ízérzékelés, elektronikus-orr, elektronikus-nyelv)

Az elektronikus orr eszközök illékony komponensek mérésére alkalmazott analitikai eszközök. A szilárd, folyékony vagy gáznemű termékek körül kialakuló gőztérből vett mintát analizáljuk oly módon, hogy a gőzben levő molekulákat elválasztási technika segítségével azonosítjuk és az egyes frakciók mennyiségét meghatározzuk. Az így kapott illatprofil a mintákra jellemző illékony molekulák jellegét és azok dominanciáját írja le. Az ízek vonatkozásában folyadékba merülő, speciális, különböző ízanyagokra érzékeny membránokkal ellátott szenzorok használatosak. Az egyes ízek hatására a szenzorokon mért ellenállásváltozás leírja a minta ízprofilját.

A különböző elven működő e-orr berendezések általánosságban képesek a kémiai összetétel megváltozását detektálni gáz fázisban, melynek eredménye, hogy alkalmasak illatok, szagok mérésére. Számos gyakorlati alkalmazásban nem is az emberi orr számára érzékelhető illat mérése a fontos, hanem egyéb, közvetlen illatot, meghatározó érzetet nem eredményező molekulák mérése.

Fontos hangsúlyozni az e-orr eszközök biológiai érzékeléssel szembeni előnyét, amennyiben az aromaprofilok azonossága, illetve különbözősége objektíven, számszerűen igazolható. Ezért ez a technológia hatékony eszköz lehet olyan illékony komponensek jelenlétén alapuló minősítő rendszerek kidolgozása során, ahol korábban csak szubjektív megítélésre lehetett hagyatkozni.

Komplex aromaprofilok esetében sokszor még ez a technológia is nehezen képes az egyes illatanyagok pontos azonosítására és kvantifálására, de számos olyan helyzetet ismerünk, amikor nem szükséges az egyes összetevők pontos ismerete és azok egyedi mérése, ellenben a komplex megfelelőség eldöntése a feladat. Ilyen helyzetekben riasztási rendszerként kiválóan alkalmazható a fentiekben leírt technológia. A nem megfelelő aromaprofilok detektálása esetén pedig egyéb, alternatív vizsgálati útvonalak adhatnak választ az összetettebb kérdésekre.

A műszeresen mért illatprofilok összehasonlítására és azonosítására sokváltozós adatelemzési módszereket használunk. Az eredmények összevethetőek a humán érzékszervi vizsgálatok, preferencia tesztek eredményeivel.

A módszer előnyét az jelenti, hogy

  • a humán vagy állati érzékszervi tesztekkel ellentétben objektív, stabil mérési adatot szolgáltat,
  • sok illékony anyag esetében jóval érzékenyebb, mint a humán vagy állati tesztalanyok,
  • nagy mintaszámon, akár folyamatosan is elvégezhető mérésekről van szó, melyek automatizált rendszerek számára is képesek adatot szolgáltatni.

Az egyes mintákra jellemző illatok ismeretében lehetőség nyílik többek között arra, hogy

  • az egyes termékekre jellemző illatmintázatokat más termékekben is kialakítsuk,
  • a nem kívánt illatokat más illatokkal elfedjünk,
  • a termékre jellemző illatot rögzítsük, azt folyamatszabályozási eszközökkel stabilan tartsuk, vagy minőség- és eredetellenőrzési célra felhasználjuk,
  • kiváltsuk a költséges, időigényes és hatóságilag szigorúan szabályozott humán vagy állati preferencia teszteket.

 

A témában megjelent magyar nyelvű cikkünk:

Műszeres aromaelemzés a mezőgazdaság szolgálatában. Agro Napló, 2018. 7. szám


 
Sokváltozós adatelemzés (kemometria)

A modern műszeres gyorsvizsgálati módszerekhez kapcsolódó korrelatív analitikában az egyes technikákkal rögzített átfogó, jellemzően hatalmas adathalmaz értékeléséhez és értelmezéséhez, a releváns eredmények feltárásához számítógépes feldolgozást kell végezzünk. Ezeknél a metodikáknál első lépésként szükséges a rendszer betanítása. Ennek során sok (jellemzően néhány száz) mintát vizsgálva összevetjük a gyorsvizsgálatok eredményeit (pl. NIR spektrumok) a rendelkezésre álló és későbbiekben meghatározni szándékozott referencia adatokkal (pl. beltartalmi adatok) a cél paraméterek és a gyorsvizsgálati módszerek adta adatok közti szabályszerűségek (egyenletek) feltárása céljából. A kidolgozott korrelatív modellek segítségével a gyorsvizsgálati jelekből a mérendő paraméter közvetlenül becsülhető lesz a klasszikus analitikai mérések szükségessége nélkül. Következésképpen, a kemometriai feldolgozás a modellek, vagyis a minták egyes jellemzői és a gyorsvizsgálati módszerek szolgáltatta információ közti törvényszerűségek kémiai információk alapján történő megértését célozza. A fentiekben leírt fejlesztő munka igen összetett feladat. Magában foglalja a szakértői mintavételezést, mérési terv elkészítését, mérések kivitelezését (referencia és gyorsvizsgálati módszerek alkalmazásakor egyaránt), a gyűjtött adatok közti összefüggések feltárását, és a gyorsvizsgálati módszerek fenti ismeretek alapján történő gyakorlati alkalmazását. Ennek a munkának a színvonalas elvégzéséhez kiterjedt programozási, matematikai, statisztikai, kémiai, fizikai és biológiai ismeretekre van szükség.

Mi a korrelatív analitika?

Az ismeretvezérelt klasszikus kémiai analitikában kis elemszámú, jól megválasztott minta kevés tulajdonságának méréséből vonjunk le a hipotézisekre vonatkozó következtetéseket. Ezzel ellentétben, az adatvezérelt korrelatív analitikában nagy elemszámú mintát vizsgálunk, számos tulajdonságot mérve jelentős mennyiségű adatot gyűjtünk, majd a sokváltozós adatokat értékelve vonjuk le feltáró következtetéseinket. Nagy elemszámra alapozott átfogó tapasztalások révén korrelatív megállapításokat teszünk, melyek révén új minták egyszerű és gyors mérési eredményeiből nagy értéket képviselő döntéseket tudunk meghozni.

Mi az a sokváltozós adat?

A sokváltozós adatok több összefüggő, vagy független tulajdonság méréséből keletkező adatok. A különböző műszeres gyorsvizsgálati technikák alkalmazása során általában ilyen, többcsatornás adatok állnak elő, melyek nem egy-egy paraméterre, hanem a minták átfogó jellemzésére szolgáltatnak rövid idő alatt közvetett információt. Az egy mintára vonatkozó sokváltozós adatok egyedi elemzése általában nehézségekbe ütközi, vagy legalábbis ritkán célravezető, ugyanis a minták tulajdonságai és a sokváltozós mérési eredmények közötti törvényszerűségek megértéséhez több megfigyelés szükséges, ám nagy elemszám esetén az adatok elemzése speciális módszerekkel kivitelezhető. A sokváltozós adatelemzés során az összetett adatokat oly módon dolgozzuk fel, hogy a változók számát matematikai transzformációkkal radikálisan csökkentjük, de az eredeti változók által leírt, a mintára jellemző információkat a folyamat során a lehető legnagyobb mértékben megőrizzük. Az adatredukció és információkoncentrálás eredményeként az eredetileg mért tucatnyi, vagy akár több ezer változóból néhány, rendkívül informatív új, származtatott változót generálunk, melyeket a későbbiekben össze tudunk vetni referencia adatokkal, például a mintákra jellemző kémiai adatokkal, vagy csoportokat azonosító osztályváltozókkal. Ezek a minőségi és/vagy mennyiségi meghatározásokra alkalmazható sokváltozós modellek képezik a gyorsvizsgálati technikák gyakorlati felhasználásának alapját.

Mire jók a sokváltozós modellek?

A fent leírt módon kidolgozott modellek az eredeti, gyorsvizsgálati technikával mért változók transzformációit, valamint a származtatott változók és referencia adatok kapcsolatát, korrelatív jellemzőit is leírják. Ezek a modellek tapasztalatként értelmezhetőek, és lehetőséget adnak arra, hogy ezekre támaszkodva új minta gyorsvizsgálati módszerrel rögzíthető sokváltozós adataiból (például spektrumaiból) következtetéseket vonjunk le (például meghatározzuk a beltartalmat, vagy a csoport-hovatartozást).

A modellekkel bármi mérhetővé válik?

Fontos, hogy a tapasztalatnak és az elvárásnak összhangban kell lenni. Ennek értelmében a modell által megismert mintákhoz hasonló mintán érdemes alkalmazni a modellt, továbbá a sokváltozós adatnak és a referencia adatnak is azonos minőségűnek kell lenni a modellben és felhasználás során: például NIR spektroszkópiás modellel csak hasonló NIR adatot lehet értékelni, egyéb gyorsvizsgálati technikával mért adatot nem; illetve egy fehérje- és zsírtartalomra kalibrált modellel csak a két összetevőre lehet következtetni, egyéb paraméterekre vonatkozóan nem lehet eredményt várni a modelltől.

Mi a kemometria?

A sokváltozós adatelemzéshez kapcsolódó kemometria a kémia összetétel és a gyorsvizsgálati módszerekből származó adatok közötti ok-okozati összefüggések leírását célozza. Ennek során azokat a kémiailag magyarázható információkat keressük a matematikai transzformációk és a modellek készítése során, amelyek hozzájárulnak az adott gyorsvizsgálati feladat megoldásához. Ez az eljárás sok esetben segít feltárni az indirekt összefüggéseket is, illetve lehetőséget ad arra, hogy a kalibrációkat az elvárásoknak megfelelően hangoljuk, robusztusabbá tegyük.

Hogyan ellenőrizhetőek a modellek?

A modellek széles körű felhasználhatóságát (robusztusságat) validációval, ismert minták becslésével tudjuk ellenőrizni. A fentiekben ismertetett módon fejlesztett modellekkel megbecsüljük az új minták mennyiségi (kvantitatív, pl. kémiai összetétel) és/vagy minőségi (kvalitatív, pl. eredet szerinti osztály) paramétereit, majd azokat összevetjük a referencia adatokkal (pl. laboratóriumban meghatározott kémiai összetétellel, vagy ismert eredettel), és vizsgáljuk a tapasztalt becslési hiba mértékét. Ez jó közelítést ad arra vonatkozóan, hogy a jövőben milyen hibát fogunk tapasztalni a becsült adatokban. A hiba mértéke mindvégig számos körülménytől függ, melyeket a felhasználás során éppúgy figyelembe kell venni és kontrollálni kell, mint ahogy tesszük azt a modellek készítése során. Ezen körülmények gondos megválasztása jelentős mértékben javítja a kapott eredmények megbízhatóságát.

 

Néhány példa a felhasználási területekre vonatkozóan:

  • Vegetáció értékelése távérzékeléssel rögzített hiperspektrális képek alapján.
  • Minták összetételének és minőségének vizsgálata NIR kamerával akár a gyártósoron, telepi körülmények között, vagy a raktár polcain, automatizált vagy kézi rendszerekkel.
  • On-line vizsgálati megoldások kidolgozása olyan környezetben is, ahol eddig ez elképzelhetetlen volt (pl. bendőtartalom összetételének in vivo meghatározása).
  • A termékre jellemző illatprofil rögzítése minőségbiztosítási és azonosítási céllal.
  • A nem kívánt szagok maszkolása, vagy egy elvárt illat kialakítása a műszeres illatprofilra alapozva.
  • Különböző helyekről származó adatok gyűjtése és értékelése a döntéshozó rendszerek támogatása céljából.