Automated workflow utilizing saponification and improved epoxidation for the sensitive determination of mineral oil saturated and aromatic hydrocarbons in edible oils and fats
Notice bibliographique
Résumé
Refined edible oils and fats are known to contain olefins resisting the typical epoxidation used for the sample preparation of mineral oil saturated and aromatic hydrocarbons (MOSH and MOAH). These olefins can be misinterpreted as MOAH and are therefore an important reason for inconsistent results between laboratories. Collaborative trials confirm this assumption for low MOAH contents near the quantitation limits regularly. In the scope of this work, a new epoxidation approach was developed. Persistent olefins in refined oils could be successfully epoxidized with performic acid. The reaction kinetics was investigated using model substances for biogenic olefins and MOAH. It was rationalized why certain olefins resist epoxidation and which MOAH can potentially get lost. A prominent peak cluster in the MOAH fraction of refined palm oils could be identified by means of GC-MS and explained why it cannot be epoxidized. Based upon this, an automated and streamlined workflow for sample preparation and analysis was composed tackling major problems identified in previously published methods. Optimized and miniaturized saponification, extraction, epoxidation, and enrichment paired with online LC-GC-FID led to a robust method that was tested and validated for edible oils and fats (RSDR < 7% for MOSH and MOAH at values of 14.9 and 2.1 mg/kg, respectively). Due to increased sample amount and minimized blank values, quantitation limits below 1 mg/kg for MOSH and MOAH were achieved. The trueness of the method was verified by analyzing collaborative trial samples.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».