Lipidomic profiler using NMR-phenotypic traits

Abstract

As diferenças no ambiente molecular dos óleos vegetais (e.g., insaturação, ácidos gordos livres) induzem alterações nas medições de NMR. Manipulando um equipamento mais antiquado (i.e., NMR de domínio temporal) com ferramentas atuais (p.e., algoritmos de machine learning), foi concebido o Lipidomic Profiler. Esta metodologia permite rastrear desvios fenotípicos de perfis lipídicos. Com base neste conceito, podemos identificar (em minutos) e classificar líquidos (i.e., óleos de palma, amendoim, azeitona (azeite), abacate, sésamo, girassol, milho) de forma não destrutiva. Mais pormenorizadamente, é demonstrado que, o Lipidomic Profiler proposto tem potencial na caracterização do perfil lipídico (p.e., quantidade de ácidos mono- e poli-insaturados) e na classificação do azeite pelo grau de acidez (p.e., extra-virgem, virgem ou refinado) e pela região de origem. A caracterização do perfil lipídico alcançou um bom nível de previsão na caracterização do teor de ácidos gordos mono- (R2=0,86) e poli-insaturados (R2=0,89). Além disso, na classificação do azeite por grau de acidez, o conceito prosposto (AUC=0,95) revelou-se mais sensível e preciso do que as metodologias atuais, como, a espectroscopia de infravermelho próximo (AUC=0,84) e a espetroscopia do UV-Visível (AUC=0,73), respectivamente. Devido às ferramentas utilizadas, tais metodologias podem fornecer futuras avaliações e classificações de amostras in situ (devido ao reduzido tamanho do equipamento de NMR no domínio temporal) não rotuladas num curto espaço de tempo.

The differences in molecular environment of the vegetable oils (e.g., unsaturation, free fatty acids) induce substantial changes in the time-domain NMR-phenotypic traits. Using an old-fashioned equipment (i.e., time-domain NMR) augmented with modern tools (i.e., machine learning models), was conceptualize a Lipidomic Profiler, a scientific tool for tracing down phenotypic deviation in lipid profiles. Using this concept, we can rapidly (in minutes) identify and classify (e.g., palm, peanut, olive, avocado, sesame, sunflower, corn) in label-free and non-destructive manner. In more detail, is demonstrated that the proposed Lipidomic Profiler, has potential in characterizing the lipid profile (i.e., amount of monounsaturated and polyunsaturated fatty acids), and classifying olive oil by its grading (e.g., extra-virgin, virgin or refined) and region of origin. Characterization of the lipid profile achieved an prediction level in the fatty acid content of monounsaturated (R2=0.86) and polyunsaturated (R2=0.89) species. In addition, in classifying olive oil by grade, the proposed Lipidomic Profiler (AUC=0.95) proved higher sensitive and specificity than the current gold-standards, i.e., near infrared spectroscopy (AUC=0.84) and ultraviolet-visible spectroscopy (AUC=0.73), respectively. Due to the tools used, such conceptual methodologies may provide future rapid assessments and object classification in situ (NMR point-of-use) of unlabelled samples with a short delay.