Développement d’analyses non-ciblées pour la détection de fraudes dans les aliments

Les analyses dans le domaine de l’agroalimentaire sont de nos jours mises à mal par des fraudes de plus en plus élaborées. Pour contrer ces fraudes, il ne s’agit plus d’analyser les produits en quantifiant des paramètres un à un. Il faut analyser les échantillons dans leur globalité, et donc faire appel à des techniques spectroscopiques. La RMN peut répondre à ce genre de besoin. Cependant, pour pouvoir analyser des données comme celles-ci en grande quantité, il y a besoin de faire appel à des outils statistiques qui permettent de réduire la taille des données tout en conservant l’information d’une part, et d’autre part permettre d’identifier un profil normal pour une matrice donnée et détecter les déviations possibles de ce profil de référence.Tout d’abord nous avons montré l’efficacité de l’ICA pour la discrimination des laits selon plusieurs paramètres : le taux de matière grasse, la teneur en glucose, mais aussi la détection de l’espèce (vache ou chèvre), ainsi que des indices de qualité microbiologique. Ces résultats, obtenus en une seule analyse, permettent de contrôler de nombreux paramètres du lait simultanément. Ces travaux ont été ensuite appliqués à une autre matrice, le miel. Ainsi ont pu être identifiés plusieurs profils pour la caractérisation de ceux-ci. De nombreux signaux correspondant à des molécules spécifiques de certaines origines botaniques ont permis la discrimination de ces dernières, telles l’acide kynurénique pour le miel de châtaigner ou des taux importants de phénylalanine et de tyrosine dans le miel de lavande. D’autre part, le traitement statistique a permis la mise en évidence de profils anormaux parmi les miels du commerce, ne provenant pas de l’origine botanique et qualifiés d’adultération. Ces travaux ont conduit à une publication.Cependant, de nombreuses espèces botaniques ne présentaient pas de marqueurs visibles en RMN. Des miels ont donc été passés conjointement en RMN et en spectrométrie de masse afin de comparer les résultats d’une part, puis de les combiner en faisant de la fusion de données. La technique chimiométrique choisie pour ces travaux a été la méthode CCSWA, aussi appelée ComDim. La comparaison a effectivement montré que la spectrométrie de masse pouvait séparer des origines botaniques différentes de la RMN, et que la combinaison des deux permet d’obtenir un modèle complet séparant toutes les origines botaniques.