СУЧАСНІ МЕТОДОЛОГІЧНІ ПІДХОДИ ДО АНАЛІЗУ ПЕРЕЕТЕРИФІКОВАНИХ ЖИРІВ
DOI:
https://doi.org/10.20998/2078-5364.2026.2.11Ключові слова:
модифіковані жири, ферментативне переетерифікування, масспектрометрія, хроматографія, триацилгліцериниАнотація
У статті узагальнено сучасні методологічні підходи до аналізу переетерифіко-ваних жирів як важливої групи модифікованих ліпідних систем, властивості яких визначаються не лише жирнокислотним складом, а й позиційним розподілом ацильних залишків у молекулах триацилгліцеринів. Зазначено, що об’єктивне оцінювання таких систем потребує одночасного визначення молекулярного профілю триацилгліцеринів, розподілу жирних кислот за окремими положеннями гліцеринової основи, ступеня оки-снення, поліморфних перетворень і показників технологічної функціональності. Розг-лянуто можливості хроматографічних, спектроскопічних, термічних і реологічних ме-тодів у дослідженні складу, структури, фазових переходів, кристалізаційної поведінки та функціональних характеристик жирових систем.
Показано, що жоден окремий метод не забезпечує вичерпної характеристики переетерифікованих жирів, тому найбільш інформативним є поєднання взаємодопов-нювальних аналітичних підходів. Особливу увагу приділено високороздільним мас-спектрометричним і оміксним підходам, зокрема нецільовій ліпідоміці, мас-спектрометрії з іонною мобільністю, високороздільній мас-спектрометрії на основі ор-бітреп-аналізатора, багатовимірній хроматографії, фудоміці та інтегрованим метаболо-мно-ліпідомним технологіям. Підкреслено, що застосування цих методів забезпечує поглиблену характеристику молекулярних видів ліпідів, позиційних ізомерів триацилг-ліцеролів, продуктів окиснення та структурних змін, які відбуваються під час фермен-тативного переетерифікування.
Окремо наголошено на значенні сучасних інструментів оброблення аналітич-них даних, зокрема хемометричних методів і алгоритмів машинного навчання, для ін-терпретації складних ліпідомних профілів. Такий підхід дає змогу підвищити достовір-ність ідентифікації ліпідних компонентів, виявляти маркери структурної модифікації жирів і прогнозувати їхні технологічні властивості. Обґрунтовано доцільність комплек-сного поєднання сучасних аналітичних методів для контролю якості, оцінювання без-печності та розроблення модифікованих жирів із заданими властивостями.
Посилання
Cajka T., Fiehn O. Toward merging untargeted and targeted methods in mass spec-trometry-based metabolomics and lipidomics. Analytical Chemistry. 2016. Vol. 88, No. 1. P. 524–545. DOI: https://doi.org/10.1021/acs.analchem.5b04491.
Han X., Wang M., Wang C., Han R. Advances in lipidomics: analytical technolo-gies and applications in disease biomarker discovery. Journal of Chromatography B. 2021. Vol. 1169. Art. 122604. DOI: https://doi.org/10.1016/j.jchromb.2021.122604.
Kyle J. E., Zhang X., Weitz K. K. et al. Uncovering biologically significant lipid isomers with liquid chromatography, ion mobility spectrometry and mass spectrometry. Ana-lyst. 2016. Vol. 141, No. 5. P. 1649–1659. DOI: https://doi.org/10.1039/C5AN02062J.
Hu Q., Noll R. J., Li H. et al. The Orbitrap: a new mass spectrometer. Journal of Mass Spectrometry. 2005. Vol. 40, No. 4. P. 430–443. DOI: https://doi.org/10.1002/jms.856.
Bevilacqua M., Bucci R., Magrì A. D. et al. Tracing the origin of extra virgin olive oils by infrared spectroscopy and chemometrics: a case study. Analytica Chimica Acta. 2012. Vol. 717. P. 39–51. DOI: https://doi.org/10.1016/j.aca.2011.12.027.
Cifuentes A. Food analysis and foodomics. Journal of Chromatography A. 2009. Vol. 1216, No. 43. P. 7109–7115. DOI: https://doi.org/10.1016/j.chroma.2009.05.018.
Lv W., Shi X., Wang S., Xu G. Multidimensional liquid chromatography-mass spectrometry for metabolomic and lipidomic analyses. Trends in Analytical Chemistry. 2019. Vol. 120. P. 115–129. DOI: https://doi.org/10.1016/j.trac.2018.11.001.
Fhaner C. J., Liu S., Zhou X., Reid G. E. Functional group selective derivatization and gas-phase fragmentation reactions of plasmalogen glycerophospholipids. Mass Spectrom-etry Reviews. 2021. Vol. 40, No. 2. P. 123–148. DOI: https://doi.org/10.1002/mas.21644.
Wang Y., Li Z., Feng X. et al. UHPLC-Q-Exactive Orbitrap MS/MS-based untar-geted lipidomics reveals molecular mechanisms and metabolic pathways of lipid changes dur-ing golden pomfret (Trachinotus ovatus) fermentation. Food Chemistry. 2022. Vol. 396. Art. 133676. DOI: https://doi.org/10.1016/j.foodchem.2022.133676.
Kakouri A., Moulos P., Zervou M. Food Lipidomics: Development and application of a cutting-edge untargeted 4D HRMS workflow for the lipid profiling of food of animal origin. Journal of Food Composition and Analysis. 2024. Vol. 131. Art. 106232. DOI: https://doi.org/10.1016/j.jfca.2024.106232.
Mentana A., Zianni R., Campaniello M. et al. Optimizing accelerated solvent ex-traction combined with liquid chromatography-Orbitrap mass spectrometry for efficient lipid profile characterization of mozzarella cheese. Food Chemistry. 2022. Vol. 394. Art. 133542. DOI: https://doi.org/10.1016/j.foodchem.2022.133542.
Luo X., Cheng Y., Zhou Q. Mass spectrometry-based lipidomics as a powerful platform in foodomics research. Trends in Food Science & Technology. 2021. Vol. 107. P. 358–376. DOI: https://doi.org/10.1016/j.tifs.2020.10.045.
Li J., Zhou H., Xu L. et al. Enzymatic interesterification of freshwater fish oil from grass carp (Ctenopharyngodon idella) viscera: a novel approach to mitigate fishy odors through lipid restructuring. Food Chemistry X. 2025. Vol. 31. Art. 103109. DOI: https://doi.org/10.1016/j.fochx.2025.103109.
Hellner G., Pohl P., Vetter W. LC-Orbitrap-HRMS method for analysis of traces of triacylglycerols featuring furan fatty acids. Analytical and Bioanalytical Chemistry. 2023. Vol. 415. P. 875–885. DOI: https://doi.org/10.1007/s00216-022-04480-y.
Aguilar-Mogas A., Sales-Pardo M., Navarro M. et al. iMet: A computational tool for structural annotation of unknown metabolites from tandem mass spectra. Bioinformatics. 2017. Vol. 33, No. 17. P. 2730–2732. DOI: https://doi.org/10.1093/bioinformatics/btx245.
Beveridge C., Iyer S., Randolph C. et al. Comprehensive Lipidomic Automation Workflow using Large Language Models. arXiv preprint. 2024. DOI: https://doi.org/10.48550/arXiv.2403.15076.
