Schnelle Bestimmung der Gehalte der Hauptbestandteile in z.B

Wissenschaftliche Berichte Band 13, Artikelnummer: 13501 (2023) Diesen Artikel zitieren

429 Zugriffe

1 Altmetrisch

Details zu den Metriken

Der Einsatz von E-Zigaretten nimmt zu, ebenso wie die Vielfalt an Geräten und E-Liquids. Um diesem Wachstum gerecht zu werden und im Einklang mit den wachsenden gesetzlichen und behördlichen Anforderungen, die für Hersteller von E-Zigaretten gelten (z. B. Offenlegung der Liste der Inhaltsstoffe und deren Mengen in einem Produkt), werden schnelle Methoden zur Bestimmung des Gehalts der Hauptbestandteile von E-Liquids entwickelt – nämlich , Propylenglykol (PG), pflanzliches Glycerin (VG), Wasser und Nikotin – werden benötigt. Wir haben die Fähigkeit der Nahinfrarotspektroskopie (NIR) in Verbindung mit der Regression der partiellen kleinsten Quadrate (PLS) bewertet, die Konzentrationen dieser Bestandteile in E-Liquid-Formulierungen vorherzusagen. Unter Verwendung von NIR-Spektraldaten einer großen Anzahl von Referenz-E-Liquids, die Arbeitskonzentrationsbereiche, Aromen und andere Inhaltsstoffe enthalten, wurden lineare Kalibrierungsmodelle für PG, VG, Wasser und Nikotin erstellt (vorhergesagte vs. theoretische Werte, alle R2 > 0,995). Die Leistung dieser Modelle wurde dann an kommerziellen E-Liquids mittels NIR bewertet und mit den Ergebnissen der Gaschromatographie (GC) verglichen. Es wurde eine starke Korrelation zwischen NIR-vorhergesagten Werten und gemessenen Werten für PG, VG und Nikotin beobachtet (alle R2 > 0,955). Aufgrund der relativ hohen Quantifizierungsgrenze (LOQ) der GC-Methode (2,6 % w/w) im Vergleich zum E-Liquid-Gehalt (0–18 % w/w) bestand eine geringere Übereinstimmung zwischen den vorhergesagten und den GC-gemessenen Werten für Wasser. Der LOQ der NIR-Methode für Wasser betrug 0,6 % w/w, was darauf hindeutet, dass NIR möglicherweise eine genauere Methode als GC ist, um die Wasserkonzentration in E-Liquids vorherzusagen, insbesondere bei niedrigen Konzentrationen (< 2,6 % w/w). Obwohl Einschränkungen der Technik festgestellt wurden, insbesondere bei E-Liquids, die Verbindungen enthalten, die die eingestellten Kalibrierungen beeinträchtigen könnten, legen unsere Ergebnisse insgesamt nahe, dass NIR in Kombination mit der PLS-Regression ein geeignetes Werkzeug für die schnelle, gleichzeitige Messung von PG mit hohem Durchsatz ist , VG-, Wasser- und Nikotingehalt in den meisten kommerziellen E-Liquids.

Das Bewusstsein und der Gebrauch von elektronischen Zigaretten (E-Zigaretten) sind im letzten Jahrzehnt deutlich gestiegen. Obwohl sich E-Zigaretten in Form, Größe, Leistung und Luftstrom erheblich unterscheiden können, bestehen sie alle aus einer Batterie, einem Inhalationsmechanismus und E-Liquid, die entweder in einer vorgefüllten Kartusche (geschlossenes System) oder in einem nachfüllbaren Tank geliefert werden durch den Benutzer (offenes System). Es steht eine große Auswahl an E-Liquids zur Verfügung, aber Formulierungen enthalten typischerweise Propylenglykol (PG), pflanzliches Glycerin (VG) und Wasser in unterschiedlichen Kombinationen und können auch Aromastoffe und/oder einen Wirkstoff wie Nikotin enthalten.

Im Einklang mit der kontinuierlichen Erweiterung der Produktverfügbarkeit wurden Vorschriften für E-Zigaretten und Liquids, insbesondere in Bezug auf deren Zusammensetzung (Nikotin, Aromen), umgesetzt und entwickeln sich mit der aktuellen Marktdynamik weiter 1,2,3,4. Insbesondere wurden viele der mit der Herstellung von Tabakprodukten verbundenen gesetzlichen und behördlichen Anforderungen auf elektronische Nikotinabgabesysteme ausgeweitet und gelten daher für Hersteller von E-Zigaretten 5. Bei E-Liquids müssen Hersteller eine Liste aller Inhaltsstoffe und Mengen bereitstellen davon im E-Liquid enthalten 6,7,8. Eine aktuelle Studie zu kommerziellen E-Zigaretten in Australien ergab jedoch eine Diskrepanz zwischen den angegebenen und den gemessenen PG- und VG-Konzentrationen 9, was die Notwendigkeit einer Überwachung des E-Liquid-Gehalts verdeutlicht.

Bisher haben nur wenige Studien die Analyse wichtiger E-Liquid-Inhaltsstoffe beschrieben, wobei die Methoden meist auf Gaschromatographie-Massenspektrometrie (GC-MS) basieren 9,10,11,12. Allerdings ist die Probenvorbereitung und -analyse mittels GC oder anderen konventionellen Methoden (z. B. Kernspinresonanz) oft langwierig. Für die schnelle Bestimmung von PG, VG, Wasser und Nikotin in E-Liquids (z. B. zur Qualitätskontrolle) wäre ein Ansatz äußerst wünschenswert, der die Probenverarbeitungszeit und die Analysezeit reduziert, einen hohen Probendurchsatz ermöglicht und eine akzeptable Genauigkeit bietet.

Die Nahinfrarotspektroskopie (NIR) findet Anwendung in der industriellen Qualitätskontrolle und Prozessüberwachung. Es wird häufig bei der Analyse von Pharmazeutika, Arzneimitteln, Kosmetika und Lebensmitteln 13,14 verwendet, unter anderem zur Prüfung der Echtheit. Die NIR-Methode ist schnell (Spektrumerfassung in wenigen Minuten) und zerstörungsfrei, erfordert kaum bis gar keine Probenvorbereitung und ermöglicht, vorbehaltlich der spektralen Entfaltung, die gleichzeitige Messung mehrerer Analyten. NIR-Spektren werden von Absorptionen von CH-, NH- und insbesondere OH-Spezies dominiert. Die Hauptbestandteile von E-Liquids (PG, VG, Wasser und Nikotin) enthalten viele dieser Spezies und weisen daher starke NIR-Absorptionen auf, wodurch diese Technik möglicherweise für die Analyse von E-Liquids geeignet ist 15. NIR-Spektren sind aufgrund der Absorption oft komplex Bänder sind von Natur aus sehr breit und überlappen sich; Daher sind einfache (univariate) Modelle, die auf Peakhöhe/-fläche basieren, selten anwendbar. Es kann jedoch möglich sein, den Gehalt an PG, VG, Nikotin und Wasser in E-Liquids vorherzusagen, indem für jeden Analyten Kalibrierungsmodelle, sogenannte „chemometrische Modelle“, abgeleitet werden, die auf multivariaten Methoden wie der Projektion auf latente Strukturen basieren (auch: bekannt als partielle kleinste Quadrate oder PLS).

PLS ist besonders nützlich, wenn es auf die Analyse komplexer und häufig verrauschter Datensätze (z. B. Spektren) und deren Beziehung zu wichtigen chemischen Parametern (z. B. Analytkonzentrationen) angewendet wird. 16. Sobald ein PLS-Modell im NIR erstellt wurde, erfolgt die Vorhersage des Analyten Konzentrationen in einer unbekannten Probe sind aufgrund ihres Spektrums möglich 17. Verbesserungen der Rechenleistung haben die Anwendung solcher PLS-Modelle erleichtert, die eine schnelle und automatisierte Verarbeitung von Spektraldaten ermöglichen. Die Ergebnisse werden daher nahezu in Echtzeit erhalten, sodass Entscheidungen zeitnah nach der Analyse einer Probe getroffen werden können. Die NIR-Analyse bietet möglicherweise die Möglichkeit, alle Hauptkomponenten eines E-Liquids aus einem Spektrum, das von einem Instrument innerhalb von Minuten aufgenommen wurde, gleichzeitig zu bestimmen. Sobald die Kalibrierung erstellt ist, kann sie zwischen kompatiblen Instrumenten (gleicher Hersteller, gleiche Software) übertragen werden, wodurch die Notwendigkeit einer zusätzlichen Kalibrierung verringert wird.

Ziel der vorliegenden Studie war es daher zu untersuchen, ob die Anwendung der NIR-Spektroskopie in Kombination mit PLS-Regression zur gleichzeitigen Hochdurchsatzmessung von PG-, VG-, Wasser- und Nikotinspiegeln in E-Liquids eine wirksame Alternative zu anderen klassischen Analysemethoden darstellt . Die Genauigkeit eines chemometrischen Modells zur Vorhersage von Analytkonzentrationen in einer unbekannten Probe hängt von der Anzahl der Variablen ab, die zur Festlegung der Kalibrierung verwendet werden 18. Daher wurden NIR-Spektraldaten von einem umfassenden Spektrum an E-Liquids (d. h. Analytkonzentration) erfasst Bereiche, Einbeziehung anderer Zutaten, Aromastoffe usw.) zur Erstellung der Kalibrierungsdatenbank. Die Leistung der etablierten Modelle wurde anschließend durch die Analyse von bis zu 49 kommerziellen E-Liquids mittels NIR und den Vergleich mit den durch GC erzielten Ergebnissen bewertet.

Für die Anwendung der NIR-Spektroskopie auf die Analyse von E-Liquids war es notwendig, Kalibrierungsmodelle für die interessierenden Bestandteile zu erstellen. Die Genauigkeit dieser Kalibrierungsmodelle basiert auf der Auswahl der Wellenlängen im NIR-Spektrum, die für den Zielanalyten relevant sind und bei der Vorverarbeitung der Spektren die größte Variation aufweisen. Die chemischen Strukturen von PG, VG, Nikotin und Wasser enthalten alle für NIR relevante funktionelle Gruppen (C–H, O–H), die eine charakteristische Absorption in ähnlichen Bereichen des NIR-Spektrums zeigen (Abb. 1). Dies führt zu mehrfachen Überlappungen, insbesondere im Bereich von 5800–8600 cm−1, der dem ersten und zweiten Oberton der C-H-Streckschwingung (5700 bzw. 8300 cm−1) und dem ersten Oberton der O entspricht –H-Streckband (6900 cm−1) 13,19 (Abb. 1 und Tabelle 1). In den Spektren wurden bestimmte interessierende Bereiche außerhalb dieses Bereichs beobachtet. Beispielsweise wurde für Wasser ein markanter scharfer Peak bei etwa 5000 cm−1 (O-H-Kombination) beobachtet; Allerdings führte die starke Absorption dieses Moleküls in diesem NIR-Bereich zu einer Detektorsättigung, was die Quantifizierung der Verbindung behinderte. Um daher zwischen Verbindungen zu unterscheiden und die Genauigkeit jedes Modells für den ausgewählten Analyten sicherzustellen, wurden die NIR-Bereiche für die Integration in die Kalibrierungsmodelle gemäß den folgenden Kriterien ausgewählt:

Relevanz für den Zielanalyten;

spektrale Variabilität, die während der Vorverarbeitung der Spektren beobachtet wurde;

Selektivität der Wellenlänge (Bereich mit der geringsten Überlappung mit anderen Analyten);

Intensität der Absorption bei der ausgewählten Wellenlänge.

Repräsentative NIR-Spektren von E-Liquids und Strukturen der in dieser Studie untersuchten E-Liquid-Bestandteile. (a) NIR-Spektren von E-Liquids, die Nikotin enthalten. Für die Hauptbestandteile (PG, VG, Wasser, Nikotin) charakteristische Absorptionsbanden werden bei 4900, 5900, 6300, 6800, 7200, 8400 und 10.000 cm−1 beobachtet. (b) Integrationsbereiche, die für die Kalibrierung von PG (blau), VG (orange), Nikotin (gelb) und Wasser (grün) verwendet werden. (c) Molekulare Strukturen der Hauptbestandteile von E-Liquids.

Die detaillierten Interessenbereiche, die für die PLS-Modelle verwendet werden, sind in Tabelle 2 aufgeführt.

Um Kalibrierungsmodelle für die Hauptbestandteile von E-Liquids zu erstellen, wurden NIR-Spektren für Referenzsätze von E-Liquids erstellt, die nach definierten Kriterien wie dem Arbeitskonzentrationsbereich für jeden Analyten und der chemischen Zusammensetzung formuliert wurden. Die Hauptbestandteile von E-Liquids sind PG, VG, Wasser und ein Wirkstoff wie Nikotin. Viele kommerzielle Formulierungen sind jedoch komplexer und enthalten Verbindungen wie Aromen, Säuren und/oder andere funktionelle Wirkstoffe. Da diese Komponenten die Fähigkeit des Kalibrierungsmodells, die Analytkonzentrationen vorherzusagen, beeinträchtigen können, weisen die für die Kalibrierung verwendeten E-Liquid-Sätze ähnliche Schwankungen auf (z. B. Aromen, Säuren).

Nach der Datenerfassung wurden die Probenspektren mit einem Norris-Lückenalgorithmus zweiter Ordnung mit einer Lückenlänge vorverarbeitet, die für jeden Analyten angepasst wurde, um die Anpassung des Algorithmus zu optimieren. Durch diese Verarbeitung konnten die Regionen isoliert werden, in denen die größte Variabilität zwischen den Proben beobachtet werden konnte. Anschließend wurde eine PLS-Regression verwendet, um Modelle zur Vorhersage der Analytkonzentrationen in den Referenzproben zu erstellen. Um die Genauigkeit der Kalibrierungen sicherzustellen, wurde für die Modelle jedes Analyten eine bestimmte Anzahl von Faktoren festgelegt. Die empfohlene Anzahl von Faktoren zum Aufbau des Modells wurde zunächst durch den Kalibrierungsassistenten der Software ermittelt, der nach der Dateneingabe eine Faktoranalyse generiert (Ergänzungstabellen 1–4). Diese Zahl wurde anschließend mithilfe eines von der Software erstellten Gerölldiagramms angepasst, um das Vorhersagemodell 20 zu optimieren.

Die Parameter für jedes Modell und die statistischen Ergebnisse sind in Tabelle 2 zusammengefasst. Der Vergleich der vorhergesagten Werte mit den für die Kalibrierung verwendeten (theoretischen) Referenzwerten ermöglichte die Beobachtung sowohl der Qualität des PLS-Modells als auch der Korrelation zwischen den beiden Werten. Für PG, VG und Wasser wurde eine starke Korrelation zwischen den aus den Spektraldaten vorhergesagten Werten und den Referenzwerten beobachtet (R2 > 0,995; Abb. 2), unterstützt durch weniger Faktoren (jeweils 2, 2 und 4 Faktoren). Eine mögliche Einschränkung der NIR-Methode ist ihre Empfindlichkeit gegenüber Analyten, die in geringeren Konzentrationen vorhanden sind (z. B. Aromen, Farbstoffe). Hier führten die geringen Konzentrationen (< 5 %) an aktiven Verbindungen (d. h. Nikotin) zu Modellen mit einer höheren Anzahl an Faktoren (9), was darauf hindeutet, dass die für Nikotin erstellten Kalibrierungsmodelle möglicherweise nicht so stabil sind wie die für PG. VG und Wasser.

NIR-Kalibrierungskurven für (a) pflanzliches Glycerin (VG), (b) Propylenglykol (PG), (c) Nikotin und (d) Wasser.

Um die Leistung der PLS-Modelle zu bewerten, wurden 49 kommerzielle E-Liquid-Proben mittels NIR-Spektroskopie auf PG, VG, Wasser und Nikotin analysiert und mit den Ergebnissen verglichen, die mit GC-FID (Flammenionisationsdetektor) oder GC-TCD (Thermal Conductivity Detector) erzielt wurden ). Die vorhergesagten NIR-Werte wurden gegen die gemessenen GC-Daten aufgetragen. Es wurden vergleichbare Ergebnisse zwischen den vorhergesagten und gemessenen NIR-Werten für PG, VG und Nikotin beobachtet (alle R2 > 0,95; Abb. 3 und Tabelle 3, Ergänzende Informationen – Tabellen 10, 11 und 12).

Vergleich zwischen vorhergesagten NIR-Werten und GC-Messwerten für (a) VG, (b) PG und (c) Nikotin.

Während der Vergleich zwischen Nikotinwerten, die durch GC-FID- und NIR-Spektroskopieanalyse erhalten wurden, eine hohe Korrelation zeigte (R2 = 0,991; Abb. 3), wies ein erheblicher Anteil der NIR-Proben (31 %) Wiederfindungen außerhalb des definierten Akzeptanzfensters (90–110) auf %). Dies liegt an der Größe des Standardfehlers der Vorhersage (SEP = 0,2 % w/w) im Verhältnis zum niedrigen Arbeitskonzentrationsbereich (0–6 % w/w Nikotin; die meisten Werte < 2 %). Ein direkter Vergleich der GC- und NIR-Werte für Nikotin unter Berücksichtigung des SEP für NIR-Messungen ergab eine bessere Darstellung der Daten und zeigte, dass die vorhergesagten und gemessenen Werte konsistent waren (ergänzende Abbildung 1). Darüber hinaus kann das Vorhandensein von Nebenbestandteilen wie Aromastoffen die Vorhersage des Nikotinspiegels beeinflussen. Trotz der allgemeinen Übereinstimmung zwischen den gemessenen und den vorhergesagten Werten wurden bei einigen Proben Abweichungen beobachtet, wobei der NIR-Wert außerhalb des Vorhersagefensters lag (Probe 35, ergänzende Abbildung 1). Diese Beobachtung legt nahe, dass einige in E-Liquids vorhandene Verbindungen die Messung von Nikotin mittels NIR-Spektroskopie beeinträchtigen.

Bei Wasser wurde der Vergleich von NIR-vorhergesagten und GC-gemessenen Werten durch die LOQ der GC-TCD-Methode und die vergleichsweise niedrigen Wassergehalte in vielen E-Liquid-Formulierungen behindert. Infolgedessen lagen 38 % der Proben unter dem LOQ der GC-TCD-Methode, weshalb die Daten nicht mit den NIR-Vorhersagewerten verglichen werden konnten (ergänzende Abbildung 2). Anschließend wurde eine Karl-Fischer-Titration an einer Teilmenge von Proben mit geringem Wassergehalt (0–10 % w/w) durchgeführt, um die Leistung der NIR-Analyse zu bewerten. Die Ergebnisse zeigten vergleichbare Ergebnisse zwischen dem durch Karl-Fischer-Titration ermittelten Wassergehalt und den vorhergesagten Werten der NIR-Spektroskopie unter Berücksichtigung des mit dem PLS-Modell für Wasser verbundenen Standardfehlers der Vorhersage (0,6 % w/w) (Abb. 4). . Das Fenster für die Vorhersage ist in Abb. 4 in Form von Fehlerbalken angegeben. Obwohl der Bereich für den Wassergehalt 0–10 Gew.-% betrug, wurde aufgrund der hydroskopischen Natur von PG und VG in allen Proben ein Wassereinbruch beobachtet.

Vergleich der durch Karl-Fischer-Titration gemessenen und durch NIR-Spektroskopie vorhergesagten Wasserwerte (orange). Der mit der NIR-Messung für Wasser verbundene Standardfehler der Vorhersage (± 0,6 % w/w) ist im Diagramm angegeben.

Insgesamt legen diese Ergebnisse nahe, dass unser NIR empfindlicher für die Vorhersage des Wassergehalts in E-Liquids ist als die verwendete GC-TCD-Methode.

Der Einsatz von NIR-Spektroskopie in Kombination mit einem robusten chemometrischen Modell (PLS-Regression) hat die Entwicklung einer Methode zur genauen Vorhersage der Konzentrationen von Analyten, nämlich PG, VG, Wasser und Nikotin, in E-Liquid-Formulierungen ermöglicht.

Die Ergebnisse legen nahe, dass die NIR-Methodik für die schnelle und gleichzeitige Schätzung von PG, VG, Wasser und Nikotin in E-Liquids mit akzeptabler Zuverlässigkeit geeignet ist (R2 ≥ 0,995 für alle Kalibrierungen und aufgewendeter Standardfehler der Vorhersage von 1,84, 1,88, 0,62 und 0,22 % w/w für PG, VG, Wasser bzw. Nikotin). Daher könnte es eine geeignete und viel schnellere Alternative zu klassischen Methoden wie der GC sein. Der Ansatz ermöglicht insbesondere die gleichzeitige Vorhersage der Konzentrationen der vier Analyten in E-Liquids innerhalb von Minuten mit minimaler Probenvorbereitung. Die NIR-Methode war für die Wasseranalyse empfindlicher als die GC. Sobald die Kalibrierungskurven für die interessierenden Verbindungen erstellt sind, sind vor der Probenanalyse keine zusätzlichen Standardvorbereitungen oder Systemkalibrierungen erforderlich. Wichtig ist, dass für die Analyse von E-Liquid-Formulierungen keine Probenvorbereitung erforderlich ist (d. h. keine Verwendung von Extraktionslösungsmitteln, Reinigungsschritten oder Reagenzien), was eine einfache Handhabung ermöglicht und Kosten, Vorbereitungszeit und Umweltbelastung (Lösungsmittel) begrenzt. Die NIR-Methodik würde daher für Anwendungen bevorzugt werden, die eine schnelle Analyse und einen hohen Durchsatz erfordern, wie etwa das Screening wichtiger Inhaltsstoffe in E-Liquids.

Die NIR-Methodik hat potenzielle Anwendungen in der Produktentwicklung (z. B. Bestätigung der Formulierung, Bewertung der Produktsicherheit), in der Herstellung (z. B. Produktionsprüfungen, Qualitätskontrolle) oder zur Untersuchung potenziell illegaler Waren. Insofern kann das NIR-Spektrometer auch von Laien problemlos bedient werden.

Eine mögliche Einschränkung der Methodik könnte die kontinuierliche Erweiterung der Vielfalt an E-Liquids sein, die möglicherweise neuartige Geschmacksstoffe und/oder Zusatzstoffe enthalten, die die Vorhersage interessanter Verbindungen, insbesondere Nikotin, beeinträchtigen könnten. Diese Einschränkung kann jedoch durch regelmäßige Überprüfung und Aktualisierung der PLS-Modelle behoben werden, um die Vielfalt der E-Liquid-Formulierungen im Markt/Produktportfolio widerzuspiegeln.

Die E-Liquids bestanden aus PG (CAS #57-55-6, Merck), VG (CAS #56-81-5), Wasser (CAS #7732-18-5, Merck) und Nikotin (CAS #56-81). -5, Nicobrand). Alle anderen Lösungsmittel und Chemikalien stammten von Merck, einschließlich Methanol (CAS-Nr. 67-56-1), Isopropanol (CAS-Nr. 67-63-0), Transanethol (CAS-Nr. 4180-23-8), trockenes Methanol und Hydranal Composite 5 und Hydranal-Wasserstandard 10 mg/g.

Für die NIR-Kalibrierungsmodelle wurden Sätze von E-Liquids formuliert, die den folgenden Arbeitsbereich für jeden Analyten abdecken: 30–70 Gew.-% PG, 18–65 Gew.-% VG, 0,6–18 Gew.-% Wasser und 0,2 –6 % w/w Nikotin. Um andere Variationsquellen zu beseitigen, enthielt der Kalibrierungsprobensatz sowohl geschmacksneutrale als auch aromatisierte Flüssigkeiten, darunter Tabak, Obst, Minze und komplexe Aromen (Ergänzungstabelle 5), je nach Probenverfügbarkeit und kommerzieller Relevanz. Für jedes Kalibrierungsmodell wurde die folgende Anzahl an Datenpunkten verwendet: PG, 136 (125 Kalibrierung, 11 Validierung); VG, 137 (123 Kalibrierung, 14 Validierung); Wasser, 136 (124 Kalibrierung, 12 Validierung); Nikotin, 268 (221 Kalibrierung, 47 Validierungsproben).

Um die Leistung der NIR-Methode für PG, VG, Nikotin und Wasser zu beurteilen, wurde ein Testsatz von 49 kommerziell erhältlichen BAT-E-Liquids parallel mittels GC- und NIR-Spektroskopie analysiert. Die Test-E-Liquids enthielten unterschiedliche Geschmacksstoffe und hatten die folgenden Analytbereiche: 25–55 Gew.-% PG, 35–65 Gew.-% VG, 0,6–25 Gew.-% Wasser und 0,2–6 Gew.-% (3–56 mg/ml) Nikotin (Ergänzungstabellen 6–9).

Ein Satz von 13 zusätzlichen E-Liquids wurde mittels NIR-Spektroskopie und Karl-Fischer-Analyse analysiert, um die Leistung der Wasserkalibrierung weiter zu bewerten. Der Analytbereich war PG: 50 % w/w, VG: 50 % w/w, Nikotin: 0–3 % w/w, Wasser: 0–10 %.

Für die NIR-Spektroskopieanalyse wurden die E-Liquid-Proben in 5-mm-Glasfläschchen gefüllt. Alle Proben wurden aufgrund der Homogenität der Proben, der Stabilität des Instruments und der Reproduzierbarkeit der Spektren doppelt auf einem ABB MB3600 FT-NIR-Spektrometer (Fourier Transform – Nahinfrarot) analysiert, das mit einem temperaturgesteuerten Fläschchenhalter ausgestattet war, der auf 30 °C eingestellt war °C. Die Spektrumerfassung zur Erstellung der Kalibrierungen erfolgte über die Software HorizonMB Version 3.4.0.3 (Arbeitsbereich 3996–10.000 cm−1; Auflösung 8 cm−1; 64 Scans, Verstärkung 27,14). Kalibrierungsmodelle wurden mithilfe des Kalibrierungsassistenten in HorizonMB erstellt.

Die Probenanalyse zur Beurteilung der Leistungsfähigkeit der Methode wurde mit der Anwendersoftware Horizon Workplace Version 2.2 durchgeführt. Alle Proben für die Leistungsbewertung der Methode wurden dreifach analysiert.

Die Kalibrierungsmodelle wurden mithilfe der PLS-Regression erstellt, um eine lineare Korrelation zwischen den NIR-Spektraldaten (X) und den in der E-Liquid-Probe vorhandenen Analytkonzentrationen (Y) herzustellen. Jedes Modell basiert auf der Berechnung latenter Variablen, auch „Faktoren“ genannt 21. Die Projektion der Spektraldaten auf einen einzelnen Faktor ergibt die Bewertungen der Stichprobe für diesen Faktor. Zur Erstellung des Vorhersagemodells können die vom Spektrum bereitgestellten Informationen in Form mehrerer Faktoren erfasst werden, was zu mehreren Bewertungen führt. Diese Faktoren (latente Variablen) werden berechnet, um die Variabilität im Spektraldatensatz zu maximieren, der mit der interessierenden Variablen korreliert. Daher haben die PLS-Faktoren die gleichen Abmessungen wie ein einzelnes Spektrum und jeder Faktor sollte orthogonal zu den anderen PLS-Faktoren sein. Durch Kombinationen der PLS-Faktoren, gewichtet mit einem Satz von PLS-Scores (einer für jeden Faktor für jede Spektralprobe), kann jedes spezifische Kalibrierungsspektrum rekonstruiert werden. Die PLS-Scores können anhand der interessierenden Eigenschaft/des interessierenden Analyten regressiert werden. Die erhaltene Regressionsgleichung kann dann verwendet werden, um die Eigenschaft/Analytkonzentration für eine unbekannte Probe vorherzusagen, indem sie aus einer Kombination derselben latenten Variablen (Faktoren) und neu berechneten Werten für diese unbekannte Probe rekonstruiert wird.

Für einen bestimmten Datensatz kann innerhalb der durch die kleinste Dimension vorgegebenen Grenzen eine beliebige Anzahl von PLS-Faktoren berechnet werden; Allerdings sollte die Anzahl der in jedem Modell verwendeten Faktoren auf die Mindestanzahl beschränkt werden, die die Variabilität im Datensatz vollständig charakterisiert. Die Leistung des Modells hängt von der Anzahl der berücksichtigten Faktoren ab: Zu wenige Faktoren führen zu einer unzureichenden Anpassung des Modells, was zu einem hohen Vorhersagefehler führt. Eine übermäßige Anzahl von Faktoren in einem Modell führt zu einer „Überanpassung“, wobei der Algorithmus versucht, das „Rauschen“ innerhalb des Datensatzes zu modellieren. Die optimale Anzahl von Faktoren für ein bestimmtes Modell hängt von jedem Datensatz ab und steigt mit der Anzahl der Varianzquellen innerhalb dieses Datensatzes 22,23.

Die Vorteile multivariater Techniken wie PLS bestehen darin, dass sie komplexe Datensätze entfalten und eine Beziehung (Korrelation) zwischen dem Datensatz (Spektren) und den Probeneigenschaften (z. B. Konzentrationen von Analyten in Lösung) herstellen können. Dies kann verwendet werden, um mehrere Eigenschaften aus einem einzelnen Spektrum einer unbekannten Probe desselben Typs vorherzusagen. Darüber hinaus können multivariate Techniken auch gleichzeitig Statistiken berechnen (z. B. spektrales Residuum, Mahalanobis-Distanz usw.), die Aufschluss darüber geben können, ob die erhaltenen Vorhersagen zuverlässig sind.

Hier wurden die Präzision und Optimierung der auf PLS-Regression basierenden Kalibrierungsmodelle basierend auf dem höchsten Wert von R2 sowohl für Kalibrierungs- als auch für Validierungssätze bewertet. Darüber hinaus wurde auch der Standardfehler der Vorhersage der NIR-Ergebnisse (SEP) durch Berechnung des quadratischen Mittelwerts der Differenzen (RMSD) des Kalibrierungssatzes geschätzt.

Dabei ist \({P}_{n}\) der vorhergesagte Wert, \({R}_{n}\) der gemeldete (theoretische) Wert für Stichprobe n und N die Gesamtzahl der Stichproben.

Für angewandte Arbeiten wurden die berechneten Werte anschließend mit 2 multipliziert, um ein Konfidenzintervall von 95,4 % für die Vorhersage zu erhalten. Dieser Wert wird als „erweiterter SEP“ bezeichnet.

Proben für die GC-Analyse wurden durch Extrahieren von 0,1 g E-Liquid mit 20 ml Extraktionslösung (7,5 ml Methanol + 1,0 ml Transanethol in einem Gesamtvolumen von 5 l Isopropanol) hergestellt. Die Mischung wurde 45 Minuten lang bei 150 U/min geschüttelt, bevor sie in 2-ml-Bernsteinfläschchen überführt wurde. Ein 1-ml-Aliquot der extrahierten Probe wurde im Split-Modus (5:1) in einen Agilent 6890/7890 GC injiziert, der mit einem Flammenionisationsdetektor (FID) und einem Wärmeleitfähigkeitsdetektor (TCD) ausgestattet war. Für die PG-, VG- und Nikotinanalyse galten folgende Bedingungen: DB-WAX-Säule, 15 m × 0,53 mm × 1,0 mm; Einlasstemperatur: 220 °C; FID-Temperatur, 250 °C; Durchflussrate des Wasserstoffdetektors: 30 ml/min; Säulenflussrate (Helium), 10 ml/min. Für die Wasseranalyse wurden die folgenden Bedingungen verwendet: Poroplot Q-Säule, 25 m × 0,53 mm × 20 mm; Einlasstemperatur: 220 °C; TCD-Temperatur, 220 °C; Säulenflussrate (Helium), 30 ml/min. Für alle Analyten wurde die Ofentemperatur zunächst auf 105 °C eingestellt, mit einer Geschwindigkeit von 10 °C/min auf 180 °C und dann mit einer Geschwindigkeit von 5 °C/min auf 195 °C erhöht. Zur Erfassung und Verarbeitung der Daten wurde die Software Agilent OpenLab 2.6 verwendet.

Der Feuchtigkeitsgehalt wurde ebenfalls durch Karl-Fischer-Analyse bestimmt. Jede E-Liquid-Probe wurde in einen Erlenmeyerkolben eingewogen und mit 50 ml trockenem Methanol versetzt. Der Kolben wurde mit einem Stopfen verschlossen und mit Parafilm versiegelt. Die Probe wurde 30 Minuten lang bei 155 U/min geschüttelt und ein 5-ml-Aliquot wurde mit einem kalibrierten volumetrischen Titrator V30 von Mettler Toledo Karl-Fischer gegen Hydranal Composite 5 titriert. Die Proben wurden dreifach analysiert.

Die Kalibrierungsmodelle für die NIR-Analyse von Proben wurden mit der HorizonMB-Software (Version 3.4.0.3) unter Verwendung des integrierten Kalibrierungsassistenten entwickelt.

Die Vorverarbeitung erfolgte mit dem Assistenten der Software unter Verwendung eines Norris-Lückenalgorithmus zweiter Ordnung (Lückenlänge: 30 für PG, 35 für VG, 25 für Wasser, 50 für Nikotin).

Der PLS-Bericht für jede Kalibrierung wurde anschließend nach Microsoft Excel exportiert. Die Ergebnisse der NIR- und GC-Analysen wurden in Excel eingegeben und die Werte durch lineare Regression verglichen.

Die im Rahmen dieser Studie generierten und analysierten Daten sind im veröffentlichten Artikel und seiner ergänzenden Informationsdatei enthalten. Kalibrierungsdateien können auf begründete Anfrage vom entsprechenden Autor bereitgestellt werden.

Pepper, JK & Brewer, NT Bekanntheit, Verwendung, Reaktionen und Überzeugungen des elektronischen Nikotinabgabesystems (elektronische Zigarette): Eine systematische Übersicht. Tob. Kontrolle. 23(5), 375–384 (2014).

Artikel PubMed Google Scholar

Trtchounian, A. & Talbot, P. Elektronische Nikotinabgabesysteme: Besteht Regulierungsbedarf? Tob. Kontrolle. 20(1), 47–52 (2011).

Artikel PubMed Google Scholar

Costigan, S. & Meredith, C. Ein Ansatz zum Screening von Inhaltsstoffen und zur toxikologischen Risikobewertung von Aromen in E-Liquids. Regul. Toxicol Pharmacol. 72(2), 361–369 (2015).

Artikel CAS PubMed Google Scholar

Deconinck, E. et al. Unterscheidung von nikotinhaltigen und nicht nikotinhaltigen E-Liquids mittels Infrarotspektroskopie. J. Pharm. Biomed. Anal. 120, 333–341 (2016).

Artikel CAS PubMed Google Scholar

Sharpless, N. Wie die FDA E-Zigaretten reguliert. Silberfeder: FDA; https://www.fda.gov/news-events/fda-voices/how-fda-regulated-e-cigarettes (10. September 2019)

Europäisches Parlament. Artikel 20 der Richtlinie 2014/40/EU des Europäischen Parlaments und des Rates vom 3. April 2014 zur Angleichung der Rechts- und Verwaltungsvorschriften der Mitgliedstaaten über die Herstellung, die Aufmachung und den Verkauf von Tabakerzeugnissen und verwandten Erzeugnissen und Aufhebung Richtlinie 2001/37/EG. Brüssel: EU (2014).

Britische Regierung. E-Zigaretten: Vorschriften für Verbraucherprodukte. London: Britische Regierung (2016)

FDA. Auflistung der Inhaltsstoffe von Tabakprodukten. Leitfaden für die Industrie. Silver Spring: FDA (2018).

Larcombe, A. et al. Chemische Analyse frischer und gealterter australischer E-Zigaretten-Flüssigkeiten. Med. J. Aust. 216(1), 27–32 (2022).

Artikel PubMed Google Scholar

Kucharska, M., Wesołowski, W., Czerczak, S. & Soćko, R. Prüfung der Zusammensetzung von E-Zigaretten-Flüssigkeiten – vom Hersteller angegebene vs. tatsächliche Inhaltsstoffe in einer ausgewählten Produktserie. Med. Pr. 67(2), 239–253 (2016) (auf Polnisch).

Artikel PubMed Google Scholar

Lee, YJ, Na, CJ, Botao, L., Kim, KH & Son, YS Quantitative Einblicke in die Hauptbestandteile, die in elektronischen Zigaretten enthalten sind oder von ihnen freigesetzt werden: Propylenglykol, pflanzliches Glycerin und Nikotin. Wissenschaft. Gesamtumgebung. 703, 134567 (2020).

Artikel ADS CAS PubMed Google Scholar

Berenguer, C., Pereira, JAM & Câmara, JS Fingerabdrücke des flüchtigen Profils von traditionellem Tabak und E-Zigaretten: Eine vergleichende Studie. Mikrochem. J. 166, 106196 (2021).

Artikel CAS Google Scholar

Osborne, BG, Fearn, T., Miller, AR & Douglas, S. Anwendung der Nahinfrarot-Reflexionsspektroskopie zur Zusammensetzungsanalyse von Keksen und Keksteigen. J. Lebensmittelwissenschaft. Landwirtschaft. 35(1), 99–105 (1984).

Artikel Google Scholar

Sacre, PY et al. Vergleich und Kombination spektroskopischer Techniken zur Erkennung gefälschter Arzneimittel. J. Pharm. Biomed. Anal. 53(3), 445–453 (2010).

Artikel CAS PubMed Google Scholar

Siesler, HW et al. (Hrsg.) Nahinfrarotspektroskopie: Prinzipien, Instrumente, Anwendungen (Wiley, 2008).

Google Scholar

Wold, S., Sjostroma, M. & Erikssonb, L. PLS-Regression: Ein grundlegendes Werkzeug der Chemometrie. Chemom. Intel. Labor. Syst. 58, 109–130 (2001).

Artikel CAS Google Scholar

Büning-Pfaue, H. Analyse von Wasser in Lebensmitteln mittels Nahinfrarotspektroskopie. Lebensmittelchem. 82(1), 107–115 (2003).

Artikel Google Scholar

Burns, DA & Ciurczak, EW (Hrsg.) Handbook of Near-Infrared Analysis 3. Auflage. (CRC Press, 2007).

Google Scholar

Khalique, AM, McLeod, MP, Nézivar, J. & Guiliani, AW Fourier transformieren Infrarot- und Nahinfrarot-Spektroskopiemethoden zum Nachweis toxischer Diethylenglykol (DEG)-Verunreinigungen in Hustensaft auf Glycerinbasis. J. Spectrosc. 24(6), 601–608 (2010).

Artikel Google Scholar

Haenlein, M. & Kaplan, AM Ein Leitfaden für Einsteiger in die Analyse der partiellen kleinsten Quadrate. Verstehen. Stat. 3(4), 238–297 (2004).

Artikel Google Scholar

Bjorsvik, H. & Martens, H. Datenanalyse: Kalibrierung von NIR-Instrumenten durch PLS-Regression. In Handbook of Near-Infrared Analysis, 3. Auflage (Hrsg. Burns, DA & Ciurczak, EW) 185–208 (CRC Press, 2007).

Google Scholar

Geladi, P. & Kowalski, BR Partielle Regression der kleinsten Quadrate: Ein Tutorial. Anal. Chim. Acta 185, 1–17 (1986).

Artikel CAS Google Scholar

Tobias RD Eine Einführung in die partielle Regression der kleinsten Quadrate. In Proceedings of the Twentieth Annual SAS Users Group International Conference 1250–7. (SAS-Institut).

Referenzen herunterladen

Jay Morris, für die Produktion und Bereitstellung von Spezifikationen für E-Liquid-Formulierungen. Daniel Eaton, Katiane Rocha de Oliveira und Hongyen Le sowie Simon Fariborz, Conor Forrest, Tomas Pottinger, Davide Argentina und Flora Michala für ihre Beiträge zu den Methodenbewertungen. Tahseen Jilani für seine Hilfe bei der statistischen Analyse.

BAT (Investments) Limited, Regents Park Road, Millbrook, Southampton, SO15 8TL, Großbritannien

Anaïs RF Hoffmann, Jana Jeffery & Michał Brokl

Clairet Scientific Limited, 17/18 Scirocco Close, Moulton Park Industrial Estate, Northampton, NN3 6AP, Großbritannien

Paul Dallin und John Andrews

Sie können diesen Autor auch in PubMed Google Scholar suchen

AH, JJ, PD und JA haben die Studie entworfen. PLS-Modelle für PG, VG und Wasser wurden von PD entwickelt. Die weitere Methodenentwicklung und das PLS-Modell für Nikotin wurden von AH durchgeführt. Die Bewertung der Methodenleistung und die Datenanalyse wurden von AH durchgeführt und JJAH leitete das Schreiben des ersten Entwurfs des Manuskripts. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Anaïs RF Hoffmann.

Die Studie wurde vollständig von British American Tobacco (Investments) Limited (BAT) finanziert. AH, JJ und MB sind aktuelle Mitarbeiter von BAT. PD und JA sind Mitarbeiter von Clairet Scientific Limited, der Organisation, die die erste Methodenentwicklung für diese Studie durchgeführt hat.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Hoffmann, ARF, Jeffery, J., Dallin, P. et al. Schnelle Bestimmung der Gehalte der Hauptbestandteile in E-Liquids mittels Nahinfrarotspektroskopie. Sci Rep 13, 13501 (2023). https://doi.org/10.1038/s41598-023-40422-z

Zitat herunterladen

Eingegangen: 14. Dezember 2022

Angenommen: 10. August 2023

Veröffentlicht: 19. August 2023

DOI: https://doi.org/10.1038/s41598-023-40422-z

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.