Schnellere und automatisierte Analyse von Aromaverbindungen in Kosmetika
Digitale Präzision der Smart Aroma Database vereinfacht bislang komplexe Aufgabe
Dr. Waldemar Weber, Shimadzu Europa GmbH
Dr. Waldemar WeberShimadzu Europa GmbH
Aromen haben eine große Wirkung auf Verbraucher – dies gilt insbesondere bei Lebensmitteln und Kosmetik. Körperpflegemarken und -produkte werden häufig nach ihrem Duft beurteilt. In Laboren für Produkttests werden diese Düfte durch hochqualifizierte Fachkräfte in relativ zeitaufwendigen Prozessen bewertet. Aus diesem Grund ist in den letzten Jahren das Interesse an der instrumentellen Analytik gestiegen, um damit die Produktivität zu steigern. Der Einsatz von Gaschromatographie ist möglich, aber schwierig, weil die Analyse durch die Komplexität der Proben nicht so zügig und exakt erfolgt wie gewünscht. In diesem Artikel wird eine schnelle und präzise Möglichkeit vorgestellt, um mit der Smart Aroma Database von Shimadzu Aromen in Kosmetika zu analysieren.
Die Analyse von Aromen spielt eine wichtige Rolle dabei, Marken und Produkte – insbesondere in den Bereichen Lebensmittel und Körperpflege – für Verbraucher attraktiv zu machen. Klassischerweise werden solche Analysen manuell von einer begrenzten Anzahl hochqualifizierten Fachkräften durchgeführt. Diese Methode ist aber sehr zeitaufwendig, weshalb es in der Branche Bemühungen gab, sie durch instrumentelle Analytik wie GC-MS zu ergänzen oder sogar zu ersetzen. Selbst die Gaschromatographie kann eine Herausforderung darstellen: Das liegt nicht nur an der großen Anzahl von Analyten, sondern auch daran, dass sehr erfahrene Anwender hochkomplexe technische Lösungen wie die multidimensionale Chromatographie oder spezielle Software für die sogenannte Dekonvolution beherrschen müssen.
Es liegt daher auf der Hand, dass Labore und Unternehmen im Bereich Aromenanalyse eine schnellere und exaktere Methode gut gebrauchen können, die idealerweise von normalen Fachkräften im Labor einfach durchgeführt werden kann. Die hier beschriebene neue Methode erfüllt genau diese Kriterien.
Analyse mithilfe der Smart Aroma Database
Der Schlüssel, um diese komplexe Aufgabe zu vereinfachen, ist die Smart Aroma Database, die Analyseinformationen für ca. 500 wichtige und für Düfte relevante Verbindungen enthält. Sie unterstützt den gesamten Analyseprozess: von einer breit angelegten Analyse für mehrere Hundert wichtige Verbindungen bis hin zu einer hochempfindlichen Zielanalyse von Proben mit Schlüsselverbindungen mithilfe von Selected Ion Monitoring (SIM) und Multiple Reaction Monitoring (MRM). Bei einer Nutzung der Smart Aroma Database müssen zur Erstellung der Analysemethoden lediglich die Retentionszeiten durch die Nutzung einer Standardmischung mit n-Alkanen vor der Probenanalyse angepasst werden. Mit diesen Ergebnissen lassen sich dann die relevanten Verbindungen automatisch und exakt identifizieren.
Proben und Analysebedingungen
Eine 20-mg-Probe handelsübliches Lipgloss wurde ausgewogen und in einem Fläschchen mit Schraubverschluss versiegelt, um eine Analyse per Festphasenmikroextraktion (SPME) durchzuführen. Die in der Probe enthaltenen Verbindungen wurden zunächst im Scan-Modus identifiziert, die in der Smart Aroma Database registriert sind. Anschließend wurden für die identifizierten Verbindungen automatisch SIM- und MRM-Methoden erstellt und die Probe im SIM- und im MRM-Modus analysiert (Tabelle 1).
Anwendung der Smart Aroma Database
Mit der Smart Aroma Database wurden 31 Aromaverbindungen im Scan-Modus entdeckt. Diese Verbindungen und die Ähnlichkeitswerte in der entsprechenden Bibliothek sind in Tabelle 2 aufgeführt. Die Smart Aroma Database grenzt die Liste der Zielverbindungen aufgrund der Retentionszeiten und Ion Ratio sowie nach den Ähnlichkeitswerten aus der Bibliothekssuche ein. So wird die Analyse präziser und effizienter. Zudem können die Aromaeigenschaften der Verbindungen überprüft werden, sobald die Identifizierungsergebnisse vorliegen, da auch sensorische Informationen registriert werden (Abbildung 3). Für die Bewertung von Produktaromen muss zunächst festgestellt werden, wie sich die jeweiligen Verbindungen auf den Produktduft auswirken. Dank der Smart Aroma Database lassen sich Identifizierungsergebnisse und sensorische Informationen gleichzeitig überprüfen, was für grundlegende Bewertungen zur Festlegung von Aromaformulierungen sinnvoll ist.
|
System |
|
|
GCMS-Modell |
GCMS-TQ8040 NX |
|
Autosampler |
AOC-6000 plus |
|
Säule |
SH-I-5Sil MS (30 m x 0.25 m ID x 0.25 μm) |
|
AOC-6000-Bedingungen |
|
|
SPME Arrow |
DVB/Carbon WR/PDMS |
|
Einfahrtemperatur |
270 °C |
|
Dauer der Probenextraktion |
30 Min. |
|
Dauer der Probendesorbierung |
1 Min. |
|
GC-Bedingungen |
|
|
Injektionsmodus |
Split |
|
Split-Verhältnis |
5 |
|
Trägergas |
He |
|
Trägergaskontrolle |
Druck (83,5 kPa) |
|
Säulentemperatur |
50 °C (5 Min.) →10 °C/Min.→250 °C (10 Min.) |
|
MS-Bedingungen |
|
|
Quellentemperatur Ionen |
200 °C |
|
Schnittstellentemperatur |
250 °C |
|
Datenerfassungsmodus |
SCAN, SIM, MRM |
|
Scan-Bereich |
m/z 35-400 |
Analysen im SIM- und MRM-Modus
Die im Scan-Modus identifizierten 31 Verbindungen wurden anschließend mit den von der Smart Aroma Database automatisch erstellten SIM- und MRM-Methodiken analysiert. Da ein Duft durch das Gleichgewicht der jeweiligen Aromaverbindungen entsteht, ist eine exakte quantitative Analyse von Bedeutung. Kosmetika und andere Körperpflegeprodukte enthalten allerdings häufig Düfte oder aktive Inhaltsstoffe aus natürlichen Substanzen, die aus Pflanzen oder anderen Quellen gewonnen werden. Es werden normalerweise viele Störpeaks entdeckt, was eine präzise Quantifizierung der Zielverbindungen aufgrund von Koelutionen erschwert.
Insbesondere beim Vergleich mehrerer Analyten können die Verunreinigungen je nach Probe variieren. Daher kann es bei der Analyse von Daten, die im SIM-Modus gewonnen wurden, notwendig sein, die Quantifier oder falsch identifizierten Peaks bei der Probe entsprechend anzupassen. In diesen Fällen kann die höhere Selektivität des MRM-Modus dabei helfen, diese Effekte zu minimieren, um so die Zielverbindungen exakter zu quantifizieren.
Analysebedingungen für den MRM-Modus festzulegen, ist normalerweise ein schwieriger und zeitraubender Prozess. Die Smart Aroma Database allerdings kann MRM-Methoden für die ausgewählten Verbindungen automatisch erstellen und stellt so sicher, dass detaillierte Analysen im MRM-Modus einfach und ohne besondere Erfahrung oder zeitaufwendige Schritte durchgeführt werden können. Abbildung 4 ist ein Vergleich der Analyseergebnisse im SIM- und MRM-Modus. Er zeigt, dass in der Nähe der Zielverbindungen im SIM-Modus eine große Anzahl verunreinigender Peaks vorliegt, dass diese Ziele aber mit größerer Selektivität im MRM-Modus erkannt werden. Für Kosmetika und andere Proben mit komplexen Matrizen kann der MRM-Modus daher eine effiziente Möglichkeit sein, die Auswirkungen von Verunreinigungen zu unterdrücken und eine präzisere Quantifizierung und Datenanalyse zu erreichen – mit weniger Aufwand.
Smarte Datenbanken zeigen Wirkung
Mithilfe der Smart Aroma Database von Shimadzu ließen sich 31 Aromaverbindungen in einem Lipgloss schnell identifizieren. Damit konnte die Präzision und Effizienz einer qualitativen Analyse von Aromaverbindungen gesteigert werden, indem Ähnlichkeitswerte aus Massenspektren genutzt wurden, die mit der Aromaverbindungsbibliothek berechnet wurden. Die in der Database enthaltene Bibliothek kann die Kandidatenliste eingrenzen, anstatt nur Massenchromatogramme und Spektren zur Identifizierung einzusetzen. Durch die Vorabanalyse des spezifischen internen Standards kann dieser auch Informationen zu semiquantitativen Werten liefern, die für die Entwicklung wichtig sind. Außerdem kann die Smart Aroma Database eingesetzt werden, um SIM- und MRM-Methodiken für differenziertere Analysen von Aromaverbindungen in Kosmetika oder anderen Proben mit komplexen Matrizen einfach zu erstellen.
|
Verbindung |
Ähnlichkeitswert |
|
1-Butanol |
95 |
|
Methylbutanoat |
96 |
|
Ethylisobutyrat |
92 |
|
Ethylbutanoat |
96 |
|
Ethyllactat |
92 |
|
Butylacetat |
97 |
|
Ethyl-2-Methylbutyrat |
96 |
|
cis-3-Hexenol |
80 |
|
Isoamylacetat |
97 |
|
Methylhexanoat |
96 |
|
Benzaldehyd |
94 |
|
Ethylhexanoat |
94 |
|
Octanal |
88 |
|
(3Z)-3-Hexenylacetat |
95 |
|
Hexylacetat |
98 |
|
Verbindung |
Ähnlichkeitswert |
|
Limonen |
96 |
|
Benzylalkohol |
94 |
|
Diethylmalonat |
93 |
|
(E)-Linalooloxid |
84 |
|
Pentylbutyrat |
92 |
|
Linalool |
96 |
|
Nonanal |
94 |
|
Benzylacetat |
94 |
|
(Z)-3-Hexenylbutyrat |
96 |
|
Hexylbutyrat |
85 |
|
Ethyloctanoat |
92 |
|
n-Decanal |
95 |
|
Benzylbutyrat |
81 |
|
Methylcinnamat |
86 |
|
gamma-Decalacton |
93 |
|
gamma-Undecalacton |
93 |
