Identificazione dei VIP sui cromatogrammi GC

Per valutare in termini chimici le differenze tra le grappe e gli altri distillati analizzati, sono stati calcolati i Variable Importance in Projection (VIP) scores del modello PLS-DA. Gli indici VIP [64] sono indici che quantificano la misura in cui le singole variabili sperimentali contribuiscono al modello PLS-DA, e quindi alla discriminazione tra le classi: maggiore è il valore degli indici VIP, più rilevante è la variabile. Per gli indici VIP, i quali sono valori normalizzati, la soglia di 1 rappresenta il valore medio dell’indice su tutte le variabili coinvolte, e consente dunque di identificare quali predittori contribuiscono in misura significativa alla differenziazione dei campioni: pertanto, tutte le variabili che presentano VIP > 1 vengono considerate rilevanti per la discriminazione dei campioni di grappa dagli altri distillati. I VIP scores del modello di classificazione sono presentati in forma grafica in Figura 38: nel grafico viene visualizzato il cromatogramma medio dei campioni

95 analizzati, e le variabili in grassetto (indipendentemente dal colore, rosso o blu) sono quelli che presentano un indice VIP superiore a 1: le variabili rosse corrispondono ai coefficienti di regressione positivi, mentre le variabili blu sono correlate a quelli negativi. I numeri mostrati sui picchi si riferiscono a composti identificati in modo putativo e riportati nella Tabella 9: delle centinaia di composti volatili contenuti nei distillati analizzati, le informazioni ottenute combinando i valori della regressione PLS con i coefficienti VIP suggeriscono quali sono i composti rilevanti per discriminare le due categorie di campioni (Grappa vs Altri distillati). Tra tutti, infatti, solo 12 composti volatili sono risultati discriminanti nel set di campioni analizzato e sono stati rilevati simultaneamente in tutti i campioni, consentendo una differenziazione a livello qualitativo della frazione volatile. Come riportato in letteratura, l’aroma della grappa è composto da numerosi macrocomponenti volatili, quali alcoli, esteri, acetati, e microcomponenti, come terpeni e terpenoli, metossipirazine, composti di zolfo, benzenoidi [104]. La trasformazione di questi composti e dei loro precursori durante la fase di distillazione, potenziati dalle alte temperature e dalla concentrazione alcolica, contribuisce al flavour della grappa [88]. Il gruppo dei terpeni rappresenta la classe dei composti volatili responsabile delle sfumature floreali e fruttate e per tale motivo questi composti contribuiscono fortemente a caratterizzare l’aroma dei prodotti finiti. I composti discriminanti identificati in questo studio erano stati osservati anche da altri autori in diversi campioni di distillati, come ad esempio proprio nella grappa [88], nell’orujo [93,99], e in altri distillati di vinacce [90,105]; in particolare, α-terpinene, α- terpineolo, β-bourbonene, isoledene e α-calacorene per la classe dei terpeni; eptanoato di etile, ottanoato di etile, dodecanoato di etile e dietil succinato per gruppo esteri; furfurale per la categoria aldeidi, erano tutti quantificato da Lukić et al. nei distillati di vinacce [104,106]. Furfurali e altri derivati furanici, formati durante la distillazione dal degrado termico degli zuccheri, sono responsabili di una mandorla amara e aroma di cannella; pertanto, elevate quantità di essi possono avere un aspetto negativo impatto sul sapore della grappa che influenza la loro qualità. Ad ogni modo, il libro “Alcoholic Beverages: Sensory Evaluation and Consumer Research” (§14.3.3, Aldehydes) sottolinea che è possibile rilevare basse concentrazioni di questi composti nella grappa.

96

Figura 38. Analisi PLS-DA: cromatogramma medio dei campioni di training set (linea nera); le linee in

grassetto presentano valori VIP > 1: le variabili rosse corrispondono a coefficienti di regressione positivi, le blu a quelli negativi. I numeri collegati ai picchi corrispondono ai composti riportati nella Tabella 9.

Tabella 9.Analisi VIP: composti volatili più rilevanti identificati in modo putativo; i valori di RM evidenziano il livello di incertezza nell’identificazione dei composti nei campioni.

97 3.2.1.3 Analisi SIMCA

Come accennato in precedenza, lo scopo del presente lavoro è stato quello di sviluppare una metodologia adatta all’autenticazione della grappa: questo obiettivo rappresenta un problema di classificazione asimmetrica, perché l’interesse è quello di individuare campioni appartenenti a una categoria specifica (classe Grappa) e discernerli da altri non appartenenti alla stessa classe (classe Altri distillati). Nella gestione di questo tipo di problemi di solito vengono applicati approcci di modellizzazione delle classi; di conseguenza, nonostante l’approccio discriminante sopra descritto ha fornito risultati soddisfacenti, è stata eseguita anche un’analisi SIMCA. Come descritto in precedenza, anche in questo caso sono stati testati tre pretrattamenti dei dati e sono stati costruiti diversi modelli di classificazione; il numero di componenti principali (PC) utilizzate, sensibilità, specificità ed efficienza (in cross validation) sono riportate nella Tabella 10. Dalla tabella è evidente che i risultati migliori sono forniti da modelli basati su dati pre-elaborati mediante centraggio medio (Mean Centering) o ridimensionamento del pareto (Pareto Scaling); ad ogni modo, per l’analisi SIMCA è stato utilizzato il modello basato sui dati pre-elaborati con Mean Centering perché è quello che coinvolge la pre-elaborazione più soft. Tuttavia, i tassi di previsione sul test set non sono stati soddisfacenti; infatti, il modello ha fornito il 100% di specificità ma un valore basso sensibilità (33.33%). I risultati sono visualizzati in Figura 39 (è utilizzato l’asse logaritmico per facilitare la visualizzazione): nel grafico, i campioni appartenenti alla classe grappa sono rappresentati da diamanti rossi, mentre i quadrati blu sono gli altri distillati; i simboli vuoto e pieni rappresentano rispettivamente gli oggetti del training set e del test set. La linea tratteggiata nera rappresenta il limite della classe: di conseguenza, i campioni esterni allo spazi delimitato dalla linea sono respinti dal modello di classe Grappa. Infatti, dalla figura è evidente che solo quattro campioni su dodici sono accettati dal modello. L’analisi SIMCA dunque non ha funzionato bene sui dati sottoposti allo studio, ma questo risultato non è del tutto sorprendente: in effetti, nonostante la modellistica di classe sia uno degli approcci più adatti per gestire classificazioni asimmetriche, la variabilità all’interno della classe della categoria Grappa è piuttosto ampia e ha offuscato il modello, influenzando negativamente le previsioni.

98

Figura 39. Analisi SIMCA - Modello della classe Grappa. Grafico T2 _{vs Q. Legenda - Grappa: diamanti rossi;}

Altri distillati: quadratini blu. I simboli vuoti e pieni indicano rispettivamente i campioni di training set e test set.