View
747
Download
2
Category
Preview:
DESCRIPTION
Eric JAMIN est le manager de l'Unité "Authenticité", chez Eurofins Analytics France. Il nous parle des nouvelles approches analytiques pour la détection des fraudes, et présente l'exemple du projet d'Eurofins "Agrifood GPS".
Citation preview
Sûreté alimentaireQuelles innovations pour
la maîtrise des contaminants et l'authentification des produits
agricoles et alimentaires ?
> 13 & 14 novembre 2013 > Montpellier SupAgro INRA
www.rencontres-qualimediterranee.fr
Eric JAMINManager Business Unit Authenticité
Eurofins Analytics France
Plénière 1
Nouvelles approches analytiques pour la détection des fraudes :
présentation du projet Agrifood GPS (Global Protection
System)
Eric Jamin / Eurofins Analytics France
4
Analyses physico-chimiques de composition Identification et quantification de composants ciblés
Outils analytiques de contrôle d’authenticité
Isotopes stables
Origine des molécules
Biologie moléculaire
Identification d’espèces ou de variétés
Méthodes de Profiling
Empreinte spectrale de matrices entières
5
Les analyses d’authenticité / sécurité alimentaire aujourd’hui
Les analyses d’authenticité / sécurité alimentaire de demain
Comment anticiper les crises?
Projet R&D 2012-2017 conduit par EUROFINS
6
Partenaires :
Analyses – développement analytique EUROFINS PROFILOMIC – start-up ex CEA GEPEA/Université de Nantes – La Roche s/Yon BRUKER
Traitement et analyse des données LIST - CEA Saclay IAQA - AgroParisTech
Partenaires industriels
Le projet AGRIFOOD GPS est conduit par EUROFINS et financé à hauteur de 5 M€ par le programme ISI (Bpifrance)
7
60 80 100 120 140 160 180 200 220 240 260m/z
0
20
40
60
80
100
Rel
ativ
e A
bund
ance
247.0721
204.0667
161.0612
176.0720218.0333
133.0664
191.3928137.0212100.6693 229.144685.4235 165.784260.9031 77.0776 214.9476126.9277 149.5655114.1821
198.8961
179.1933
257.4338
242.8735
220.7238
x100 x20 x20
4. Identification
-20
-10
0
10
20
-20 -10 0 10 20
t[2]
t[1]
12
3
4567
8
91011
12
13
14
1516
3. Chimiométrie
Reference
Inconnus
Echantillons
Var
iab
les
(TR
, m
/z)
2. Traitement des données
0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Rel
ative
Abu
ndan
ce
0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Rel
ative
Abu
ndan
ce
0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Rel
ative
Abu
ndan
ce
0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Rel
ative
Abun
danc
e 0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Relative Ab
unda
nce
0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Relative Ab
unda
nce
0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Relative Ab
unda
nce
0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Relative Ab
unda
nce
0 20 40 60 80 100 120 140Time (min)
0
10
20
30
40
50
60
70
80
90
100
Relative Ab
unda
nce
Référence Inconnus
1. Chimie analytique
L’approche non-ciblée ou “Metabolomics”
Mesurer des “effets” biomarqueurs
Une nouvelle approche analytique
8
Méthode globaleDomaine d’observation: ppm à x% (adultération)
RMN 1H Haute Résolution
__ Lab 1__ Lab 2
Points forts: Haut débit, reproductibilité
9
Méthode sensible, couverture chimique largeDomaine d’observation: traces (ppb, ppt)Points forts: information riche, identification par la masse exacte
Spectrométrie de Masse Haute RésolutionUPLC/APGC-TOF
chromatogramme
Spectre de masse
Détection de marqueurs de l’ajout d’hydrolysat de protéine (« lait de cuir »)
Application du profiling RMN à la matrice lait
Applicable à d’autres adultérants potentiels (ex. mélamine, dicyandiamide),de matière grasse exogène, de sucres, etc.
Détection d’ajouts de sucres
Application du profiling RMN à la matrice Miel
Zone des sucres mineurs: - En noir spectre
moyen
- En bleu/vert: spectres à ± 2 écarts-types
- Spectre rouge: échantillon sucré
Confirmation de l’origine botaniqueAnomalies diverses (ex. chauffage excessif, fermentation)
Détection et quantification de Robusta dans ArabicaUtilisation de marqueurs multiples
Application du profiling RMN à la matrice café
ArabicaRobusta
ProportionsDéfautsEtc.
www.eurofins.com21/11/2013 confidential www.eurofins.com
Perspectives:
Extension des bases de données à d’autres matrices alimentaires
Approfondissement statistique, fusion de données issues detechniques complémentaires
Développement d’outils de traitement automatisés
Outils de screening non ciblé
w w w . r e n c o n t r e s ‐ q u a l i m e d i t e r r a n e e . f r
Recommended