Для цитирования:
Шарапова Е. К., Емельянов О. Э., Амелин В. Г., Третьяков А. В. Выявление фальсификации икры рыб методом масс-спектрометрии с индуктивно-связанной плазмой // Известия Саратовского университета. Новая серия. Серия: Химия. Биология. Экология. 2025. Т. 25, вып. 4. С. 393-405. DOI: 10.18500/1816-9775-2025-25-4-393-405, EDN: NYDEZK
Выявление фальсификации икры рыб методом масс-спектрометрии с индуктивно-связанной плазмой
Предложено использование метода масс-спектрометрии с индуктивно-связанной плазмой для дифференциации натуральной и имитированной икры по элементному составу различных видов рыб: лососевых, осетровых и частиковых пород. В качестве инструментов многомерного статистического анализа применяли метод главных компонент (МГК) и иерархический кластерный анализ (ИКА). Использование МГК и ИКА позволило эффективно визуализировать различия между пробами икры по признаку подлинности. Установлено, что образцы разных групп располагаются в отдельных квадрантах на графиках МГК и формируют отдельные кластеры на дендрограммах. Анализ графиков нагрузок показал, что ключевыми элементами, ответственными за разделение образцов по подлинности, являются магний, фосфор, цинк и железо. Для икры лососевых рыб основное различие между натуральной и имитированной икрой объясняется концентрациями данных элементов, при этом натуральная икра имеет более высокие значения. В случае икры осетровых рыб дополнительно заметно влияние меди, что также способствует дифференциации натуральной и имитированной икры. На графиках МГК и дендрограммах для осетровых рыб видно четкое разделение между разными типами икры: натуральной, имитированной и икры палтуса. Для частиковых рыб наблюдается дифференциация натуральной и имитированной икры щуки на основе тех же элементов, что и для других видов икры. Доказана высокая эффективность использования масс-спектрометрии в сочетании схемометрическими методами для выявления фальсификации икры рыб различных видов по их элементному составу.
- Воронцова Е. В., Воронцов А. Л. Обеспечение качества и безопасности пищевой продукции как основа обеспечения продовольственной безопасности Российской Федерации в условиях глобализации пищевого рынка // Юридический вестник ДГУ. 2021. Т. 40, вып. 4. С. 75–80. https://doi. org/10.21779/2224-0241-2021-40-4-75-80
- Tavakoli S., Luo Y., Regenstein J. M., Daneshvar E., Bhatnagar A., Tan Y., Hong H. Sturgeon, caviar, and caviar substitutes: From production, gastronomy, nutrition, and quality change to trade and commercial mimicry // Rev. Fish. Sci. Aquacult. 2021. Vol. 29, № 39. P. 753–768. https://doi. org/10.1080/23308249.2021.1873244
- Machado T. M., Tabata Y. A., Takahashi N. S., Casarini L. M., Neiva C. R. P., Henriques M. B. Caviar substitute produced from roes of rainbow trout (Oncorhynchus mykiss) // Acta Sci. Technol. 2016. Vol. 38, № 2. P. 233–240. https://doi.org/ 10.4025/actascitechnol.v28i2.27944
- Farag M. A., Abib B., Tawfi k S., Shafi k N., Khattab A. R. Caviar and fi sh roe substitutes: Current status of their nutritive value, bio-chemical diversity, authenticity and quality control methods with future perspectives // Trends Food Sci. Technol. 2021. Vol. 110. P. 405–417. https://doi. org/ 10.1016/j.tifs.2021.02.015.
- Ситникова Н. В. Идентификация и фальсификация икры в России // Ученые записки Санкт-Петербургского имени В. Б. Бобкова филиала Российской таможенной академии. 2007. № 2 (28). С. 84–101.
- Калюжная Т. В., Орлова Д. А., Родак Г. Н. Идентификация икры лососевых пород рыб с помощью полимеразной цепной реакции с наблюдением в реальном времени // Международный вестник ветеринарии. 2021. № 4. С. 88–92. https://doi. org/10.52419/issn2072-2419.2021.4.88
- Santiago-Felipe S., Tortajada-Genaro L. A., Puchades R., Maquieira A. Recombinase polymerase and enzyme-linked immunosorbent assay as a DNA amplifi cation-detection strategy for food analysis // Anal. Chim. Acta. 2014. Vol. 811. P. 81–87. https://doi.org/10.1016/j.aca.2013.12.017
- Taboada L., Sanchez A., Sotelo C. G. A new real-time PCR method for rapid and specifi c detection of ling (Molva molva) // Food Chem. 2017. Vol. 228. P. 469–476. https://doi. org/10.1016/j.foodchem.2017.01.117.
- Pappalardo A. M., Petraccioli A., Capriglione T., Ferrito V. From fi sh eggs to fi sh name: Caviar species discrimination by coibar-rfl p, an e cient molecular approach to detect fraud in the caviar trade // Molecules. 2019. Vol. 24, № 13. Article 2468. https://doi. org/10.3390/molecules24132468
- Абрамова Л. С., Козин А. В., Гусева Е. С. Проблема фальсификации зернистой икры лососевых рыб и пути решения // Пищевые системы. 2022. Т. 5, № 4. С. 319–326. https://doi. org/10.21323/2618-9771-2022-5-4-319-326
- Mazarakioti E. C., Zotos A., Thomatou A. A., Kontogeorgos A., Patakas A., Ladavos A. Inductively coupled plasma-mass spectrometry (ICP-MS), a useful tool in authenticity of agricultural poducts’ and foods’ origin // Foods. 2022. Vol. 11, № 22. Article 3705. https://doi. org/10.3390/foods11223705
- Третьяков А. В., Абраменкова О. И., Подколзин И. В., Соловьев А. И. Идентификация географической принадлежности мяса и икры методом химического фингерпринтинга // Ветеринария сегодня. 2012. № 2 (2). С. 39–46.
- Amelin V. G., Emel’yanov O. E., Tret’yakov A. V., Gergel’ M. A., Zaitseva E. V. Identifi cation and detection of adulterations of salmon caviar by PCR, IR Spectrometry, and digital coloriometry // J. Anal. Chem. 2025. Vol. 80, № 4. P. 766–777. https://doi. org/10.1134/S1061934825700194
- Vasconi M., Tirloni E., Stella S., Coppola C., Lopez A., Bellagamba F., Bernardi C., Moretti V. M. Comparison of chemical composition and safety issues in fi sh roe products: Application of chemometrics to chemical data // Foods. 2020. Vol. 9, № 5. Р. 540–545. https://doi. org/10.3390/foods9050540
- Родионова О. Е. Хемометрический подход к исследованию больших массивов химических данных // Российский химический журнал. 2006. Т. 50, № 2. С. 128–144.
- Родионова О. Е., Померанцев А. Л. Хемометрика: достижения и перспективы // Успехи химии. 2006. Т. 75, № 4. С. 302–321.
- Oliveri P., Malegori C., Casale M. Chemometrics: Multivariate analysis of chemical data // Chemical Analysis of Food (Second Edition). Academic Press, 2020. P. 33–76. https://doi. org/10.1016/B978-0-12-813266-1.00002-4
- Houhou R., Bocklitz T. Trends in artifi cial intelligence, machine learning, and chemometrics applied to chemical data // Analytical Science Advances. Wiley, 2021. P. 128–141. https://doi. org/10.1002/ansa.202000162