Status methodischer Ansätze zur Authentizitätsbestimmung ... · befindet sich gegenwärtig in der Prüfung für eine Übernahme als ISO-Methode. Im EU-weiten SPICED Projekt (2013-2016),

Literaturstudie

Status methodischer Ansätze zur Authentizitätsbestimmung von Lebensmitteln

verfasst im Zeitraum November 2017 – April 2018 von Christoph Gottschalk, Susanne Wudy Lehrstuhl für Lebensmittelsicherheit Tierärztliche Fakultät der LMU München Schönleutnerstr. 8 85764 Oberschleißheim gefördert durch die Adalbert-Raps-Stiftung, Kulmbach

Inhaltsverzeichnis

1. Einleitung und Zielsetzung 2

2. Lebensmittelbetrug 3

2.1 Hintergrund und Definition 3

2.2 Kontrollen und Maßnahmen 5

2.3 Forschungsprojekte 7

3. Methodisches Vorgehen 9

4. Lebensmittelgruppen und Untersuchungsmethoden 10

4.1 Olivenöl 13

4.2 Fisch 17

4.3 Bio-Lebensmittel 21

4.4. Milch 24

4.5 Getreide 29

4.6 Honig und Ahornsirup 32

4.7 Kaffee und Tee 36

4.8 Gewürze und Kräuter 44

4.9 Wein 48

4.10 Fruchtsäfte 52

5. Zusammenfassende Bewertung 56

6. Fazit und Ausblick 61

7. Literaturverzeichnis 63

8. Abkürzungsverzeichnis 84

9. Anhang 91

Einleitung und Zielsetzung

2

1. Einleitung und Zielsetzung

Lebensmittelbetrug (engl. food fraud oder food crime) hat in den letzten Jahren immer weiter

zugenommen. In sind nicht mehr die Fragen der Lebensmittelsicherheit (engl. food safety) allein,

sondern Fragen der zukünftigen Versorgung der Menschheit mit qualitativ hochwertigen und sicheren

Nahrungsmitteln (engl. food security), denen Beachtung seitens verantwortlichen Institutionen von

WHO/FAO bis hin zu Landesbehörden zukommen muss. Der weltweite Handel, immer schwieriger

durchschaubare Handelswege, steigende Rohstoffpreise und wirtschaftlicher Druck auf Produzenten,

nicht zuletzt aber auch rein kriminell motivierte Aktivitäten, bedingen eine jährliche Vermarktung von

verfälschten Lebensmitteln im Wert von mehreren hundert Millionen Euro weltweit. Zu den am

häufigsten verfälschten oder falsch deklarierten Lebensmitteln zählen Olivenöl, Fisch, Bio-

Lebensmittel, Milch, Getreide, Honig, Gewürze, Kaffee/Tee, Wein und Fruchtsäfte.

Eine Zunahme aufgedeckter Betrugsfälle ist auch der Tatsache geschuldet, dass es immer bessere

Methoden und neue Ansätze zur Authentizitätskontrolle von Lebensmitteln und weltweit vernetzte

Kontrollaktivitäten gibt. Dabei kommen vor allem spektroskopische, molekularbiologische und

massenspektrometrische Methoden zum Einsatz. Neben targetorientierten Verfahren (z.B.

chromatographischer oder massenspektrometrischer Nachweis verbotener Farbstoffe, PCR- oder

Enzymimmunoassay-basierter Tierart-Nachweis) werden vermehrt nicht-targetorientierte Fingerprint-

Analysen unter Anwendung biostatistischer Methoden entwickelt.

Ziel dieser Studie war es, eine Datenbank wissenschaftlicher Literatur zu erstellen, die sich dem Thema

Lebensmittelbetrug und Authentizitätskontrolle widmet, um damit einen aktuellen Überblick über die

am häufigsten betroffenen Lebensmittel und relevante Methoden zu deren Untersuchung zu

gewinnen.

Lebensmittelbetrug

3

2. Lebensmittelbetrug

2.1 Hintergrund und Definition

Mit diversen „Gammelfleischskandalen“ in Deutschland und zuletzt europaweit mit dem

Pferdefleischskandal 2013 rückte das Thema „Lebensmittelbetrug“ europaweit in den Vordergrund.

Bisher existiert jedoch keine einheitliche rechtliche Definition des Begriffs „Lebensmittelbetrug“ in der

europäischen Gesetzgebung, anders als in den USA (EU-Parlament 2013; Nöhle 2017a). Grund dafür

ist die individuelle Verantwortlichkeit der jeweiligen Mitgliedsstaaten in Bezug auf sanktionsrechtliche

Regelungen. Dennoch existieren europaweite Leitlinien zur einheitlichen Regelung von

Produktbewerbung und Kennzeichnung und Prävention von Verbrauchertäuschung (Art. 16 der

Lebensmittelbasisverordnung (EG) Nr. 178/2002, Art. 7 der Lebensmittelinformationsverordnung

(LMIV) (EU) Nr. 1169/2011, Health Claims-Verordnung zur Deklaration gesundheitsbezogener

Aussagen (EG) Nr. 1924/2006). Doch die unterschiedliche praktische Anwendung dieser Vorschriften

der einzelnen Mitgliedsstaaten führt dazu, dass Lebensmittelbetrug in zu wenig Fällen aufgedeckt wird

und Betrugsfälle immer weiter zunehmen (EU-Parlament 2013; Nöhle 2017a). In Deutschland gilt

Betrug als Straftatbestand (Deutsches Strafgesetzbuch § 263) und ist vom Verstoß gegen das

Irreführungsverbot nach § 11 des Lebensmittel- und Futtermittelgesetzbuch (LFGB) zu unterscheiden

(Nöhle 2017a, b).

Lebensmittelbetrug bezeichnet grundsätzlich die vorsätzliche Substitution, Ergänzung, Manipulation

oder falsche Darstellung von Lebensmitteln, ihren Zutaten oder Verpackungen zur Steigerung des

wirtschaftlichen Gewinns. Er beinhaltet sowohl die wirtschaftlich motivierte Verfälschung (engl.

economically motivated adulteration, EMA) (definiert durch die Food and Drug Administration (FDA)

in den U.S.A.) als auch das allgemeine Konzept der Lebensmittelverfälschung (Spink und Moyer 2011).

EMA ist definiert als vorsätzliches, bewusstes Handeln in Bezug auf Ersatz oder Zusatz von Substanzen

zur scheinbaren Wertsteigerung oder Senkung der Herstellungskosten eines Produkts ohne

Bewusstsein für ihre schädigenden Wirkungen. Um Verluste bezüglich Gesundheit, Moral und

Wirtschaft abzuwenden, sind Authentizitätsprüfungen auf behördlicher Ebene sowie

Eigenkontrollmaßnahmen der Lebensmittelindustrie dringend notwendig (Abress und Nateghi 2015).

Dem EU-Parlament (2013) zufolge hat Lebensmittelbetrug drei Hauptmerkmale: 1.) Nichteinhaltung

des Lebensmittelrechts und/oder Irreführung des Verbrauchers, welche 2.) vorsätzlich und 3.) mit der

Absicht eines finanziellen Gewinns begangen wird. Hierbei ist nicht zwangsläufig von einer

Gesundheitsgefährdung, wohl aber von Verbrauchertäuschung auszugehen. Lebensmittelbetrug ist

klar abzugrenzen von Lebensmittelsicherheitsvorfällen mit unbeabsichtigtem Handeln. Finden im

Rahmen der vorsätzlichen Verfälschungen Steuerhinterziehung oder Schmuggel statt, so handelt es

Lebensmittelbetrug

4

sich nicht mehr um Lebensmittelbetrug (Spink und Moyer 2011). Verfälschung und Betrug können bei

Lebensmitteln auf verschiedene Art und Weise auftreten. Es kann grundsätzlich zwischen den

folgenden fünf Kategorien unterschieden werden, jedoch treten ebenso Überschneidungen auf (BfR

2016a):

1. Zusatz eines lebensmittelfremden – exogenen – Stoffes zur Vortäuschung einer besseren

Qualität oder zur Streckung

2. Zusatz eines im Lebensmittel bereits enthaltenen – endogenen – Stoffes zur Streckung oder

zur Vortäuschung einer höheren Qualität

3. Verschnitt von verschiedenen – geographischen und/oder botanischen/tierischen -

Herkünften ohne entsprechende Kennzeichnung

4. Anwendung nicht gekennzeichneter oder nicht erlaubter Herstellungsprozesse

5. Falschdeklaration. Als Folge von Lebensmittelbetrug ergeben sich regelmäßig falsche Angaben

oder Auslobungen auf dem Etikett

Systematische Auswertungen zum Ausmaß des Lebensmittelbetrugs in den einzelnen

Lebensmittelbranchen fehlen derzeit (BfR 2016a). Das Europäische Parlament veröffentlichte 2013

eine Liste an Lebensmitteln (beruhend auf Moore et al. (2012) sowie Angaben von Einzelhandels- und

Branchenverbänden) bei denen das Betrugsrisiko am höchsten ist (EU-Parlament 2013). Dazu zählen

1. Olivenöl

2. Fisch

3. Bio-Lebensmittel

4. Milch

5. Getreide

6. Honig und Ahornsirup

7. Kaffee und Tee

8. Gewürze und Kräuter

9. Wein

10. Fruchtsäfte

Die Betrugshäufigkeit ist besonders dort zu beobachten, wo hohe wirtschaftliche Gewinnchancen zu

erwarten sind und die Gefahr entdeckt und belangt zu werden niedrig ist. Lebensmittel mit langen,

komplexen, grenzübergreifenden Handelsketten wie beispielsweise Gewürze sind deshalb besonders

betroffen. Der EU-Rechtsrahmen war bislang auf Lebensmittelsicherheit und weniger auf

Betrugserkennung ausgelegt. Diese und weitere Faktoren, wie die aktuelle Wirtschaftskrise,

Sparmaßnahmen bezüglich der Kontrollstellen oder die steigende Tendenz immer günstiger

produzieren zu wollen, tragen zu einer erhöhten Betrugsbereitschaft bei. Des Weiteren wird

Lebensmittelbetrug EU-weit bislang eher geringgradig sanktioniert (EU-Parlament 2013).

Lebensmittelbetrug

5

2.2 Kontrollen und Maßnahmen

Wie die Lebensmittelbetrugsfälle der letzten Jahre gezeigt haben, sind ständiger

Informationsaustausch sowie enge Zusammenarbeit zwischen den zuständigen Behörden, Zoll und

Polizei essentiell für eine wirksame Risikoprävention zum Schutz der Verbraucher, und dies auf

nationaler und internationaler Ebende (BVL 2018a). Seit 2011 arbeiten INTERPOL und EUROPOL im

Rahmen sog. OPSON-Operationen unter der Teilnahme von mitgliedsstaatlichen Behörden und

privater Partner an der Bekämpfung von Lebensmittelverfälschungen zusammen. Im Rahmen der

letzten OPSON-Operation (VI) (2016 - 2017) unter der Beteiligung von weltweit 61 Staaten wurden

Kontrollen bezüglich möglicherweise manipulierter Haselnusserzeugnisse durchgeführt und gefälschte

oder falsch deklarierte Waren im Wert von 230 Mio. Euro beschlagnahmt (BVL 2018b).

Bereits seit 1979 ermöglicht das europaweit etablierte Schnellwarnsystem (engl. Rapid Alert System

for Food and Feed, RASFF) einen kontinuierlichen Informationsfluss, um rasche Reaktionen (wie bspw.

Rückrufe) auf lebensmittelbezogene, die Bevölkerung betreffende Gesundheitsrisiken zu ermöglichen

(EU-Kommission 2018d). Ebenso wie das RASFF dient auch das seit November 2015 eingeführte

Administrative Assistance and Cooperation System (AAC) als IT-basierte Grundlage für Fälle, bei denen

es einer Amtshilfe (wie bspw. Dokumenteneinsicht, Informationen, Untersuchungen, örtl. Kontrollen)

bedarf (EU-Kommission 2018a). Nationale Kontaktstelle in Deutschland zum RASFF und

Informationsübermittler des AAC ist das Bundesamt für Verbraucherschutz und

Lebensmittelsicherheit (BVL), welches als selbstständige Bundesoberbehörde im Geschäftsbereich des

Bundesministeriums für Ernährung und Landwirtschaft (BMEL) tätig ist (BMEL 2017). Ebenfalls im

Geschäftsbereich des BMEL übernimmt das Bundesinstitut für Risikobewertung (BfR) die Funktion der

nationalen Kontaktstelle zur Europäischen Behörde für Lebensmittelsicherheit (EFSA) (BfR 2018).

Zuständig für die amtliche Lebensmittelüberwachung sowie für die Umsetzung des Lebensmittelrechts

sind in Deutschland die Bundesländer (BVL 2018a).

Zudem wurde 2014 zur Gewährleistung der Lebensmittelsicherheit und zur Bekämpfung von

Lebensmittelbetrug das Europäische Food Fraud Network eingerichtet. Im Zuge dessen wurden in

jedem EU-Mitgliedsstaat sowie in der Schweiz, Norwegen und Island Kontaktstellen für den

Informationsaustausch und die Koordinierung von Lebensmittelbetrugsfällen mit grenzübergreifenden

Auswirkungen eingerichtet (EU-Kommission 2018c).

Seit 2017 existiert die neue Kontroll-Verordnung (EU) 2017/625. Sie löste die bisherige Verordnung

(EG) Nr. 882/2004 ab und erweitert die bisher auf Lebensmittelsicherheit beschränkten

Kontrollansätze aus auf die Risikobekämpfung von Lebensmittelbetrug. Sie dient den Mitgliedsstaaten

als gemeinsame Rechtsgrundlage bezüglich Durchführung und Aufbau der amtlichen Lebensmittel-

Lebensmittelbetrug

6

und Futtermittelkontrollen zur Bekämpfung von „betrügerischen oder irreführenden Praktiken“ (BMEL

2018; EU-Parlament 2013).

Weitere Maßnahmen gegen Lebensmittelverfälschung sowie Falschkennzeichnung werden auch durch

die Anwendung anerkannter internationaler Standards wie z.B. dem International Featured Standard

(IFS) (ursprünglich International Food Standard) geleistet. Auf diese Weise werden

Lebensmittelsicherheit und Qualität bei Produkten und Herstellungsverfahren anhand von

vereinbarten Standards sichergestellt und Lebensmittelunternehmern zur Einhaltung der

Lebensmittelrechtsvorschriften angehalten (IFS 2018; Schaarschmidt 2016).

Zur Ermittlung des betrügerischen Ausmaßes sowie Fälschungspraktiken in bestimmten

Lebensmittelbereichen, wurden seit 2013 verschiedene Kontrollprogramme von der Europäischen

Kommission veranlasst. Auf Hinweis von amtlichen Kontrollen von nicht-deklariertem Pferdefleisch in

diversen vorverpackten Lebensmitteln, ließ die Kommission 2013 bis 2014 auf Vorhandensein von

nicht-gekennzeichnetem Pferdefleisch sowie des in Nutztieren verbotenen Tierarzneimittels

Phenylbutazon in als Rindfleisch deklarierten Lebensmitteln untersuchen. 2015 wurden Weißfisch-

Proben auf Falschdeklaration untersucht, da bei Fischereiprodukten die Gefahr der Artensubstitution

als hoch eingestuft wurde. Die in diesem Zusammenhang ermittelten Falschdeklarationen (6 % aller

Proben) lassen auf Grund fehlender Informationslage jedoch keine Schätzung bezüglich vorsätzlichen

Verstößen in der EU zu. 2015 bis 2017 wurden Honigproben auf Verfälschung mit Zucker und auf

Falschkennzeichnung ihrer botanischen oder geographischen Herkunft untersucht. Verstöße bezüglich

der botanischen Herkunft traten am häufigsten auf (7 % der untersuchten Proben), wobei hier die Rate

der unbeabsichtigten Fälle als bedeutend höher angesehen werden muss, da die Nahrungssuche der

Bienen generell sortenunspezifisch ist.

2017 wurde das erste Kontrollprogramm für online angebotene Lebensmittel im Hinblick auf

Nichtkonformität mit der EU-Lebensmittelgesetzgebung durchgeführt. Der Fokus lag auf

Nahrungsergänzungsmitteln mit medizinischen Angaben sowie auf unter die Novel Food Verordnung

(EU) 2015/2283 fallende und nicht ordnungsgemäß zugelassene Lebensmittel. In mehr als der Hälfte

der Fälle wurden Maßnahmen zur Beendigung des Angebots vorgenommen, u.a. wurden auch

Warnungen herausgegeben und Bußgelder verhängt (EU-Kommission 2018b).

Neben diversen Projekten zur Authentizität von Lebensmitteln existieren einschlägige Datenbanken,

in denen Betrugsfälle gelistet werden oder Kriterien zur Herkunft oder Herstellung spezifiziert werden,

z.B. die Food Fraud Database in den U.S.A. oder die EU-DOOR-Datenbank. Dieses EU-weite System

listet Lebensmittel mit geschützter Ursprungsbezeichnung (g.U., engl. protected designation of origin,

Lebensmittelbetrug

7

PDO), geschützter geographischer Angabe (g.g.A., engl. protected geographical indications, PGI) oder

traditionelle Herstellungsverfahren (g.t.S., engl. traditional specialities guaranteed, TSG). National

gelten in Deutschland z.B. die Leitsätze des Deutschen Lebensmittelbuches als Referenz und Standard

für die Qualitätskriterien deutscher Produkte hinsichtlich ihrer Zusammensetzung und

Rohstoffauswahl sowie für eine einheitliche Verkehrsbezeichnung. Lebensmittelsicherheitsrelevante

Informationen und Warnungen werden durch das BVL und die Überwachungsbehörden der

Bundesländer im Internet (www.lebensmittelwarnung.de) veröffentlicht.

2.3 Forschungsprojekte

Im Folgenden sind einige auf internationalen Forschungskooperationen basierende Projekte in

chronologischer Reihenfolge genannt, die sich Authentizitätsfragen bei unterschiedlichen

Lebensmittelgruppen widmeten oder sich noch in Bearbeitung befinden:

Das aus mehreren europäischen Partnern bestehende und von der EU geförderte Forschungsnetzwerk

„Labelfish“ (2013-2015) hatte die Standardisierung und Harmonisierung molekularbiologischer

Methoden zur Fischartendifferenzierung sowie eine Marktstudie zum Ziel. Das validierte Verfahren

befindet sich gegenwärtig in der Prüfung für eine Übernahme als ISO-Methode.

Im EU-weiten SPICED Projekt (2013-2016), koordiniert durch das BfR, wurden die Produktions- und

Lieferketten von Kräutern und Gewürzen auf Angriffsstellen für Betrug analysiert und vor allem nicht-

zielgerichtete Fingerprint-Verfahren zur Authentizitätsprüfung und Techniken zur Prävention

entwickelt (SPICED 2013).

Das EU-Konsortium Food Integrity (2014-2018) entwickelt Messverfahren zur Authentizitätsprüfung

u.a. für die Industrie und schafft strukturelle Voraussetzungen zur gemeinsamen Nutzung von Daten

zwischen Industrie, Behörden und Forschung mit dem Ziel, Verfälschungen frühzeitig zu erkennen.

Integritätsprozesse sollten harmonisiert werden, um so Qualität und Sicherheit über die

Lebensmittelkette aufrechtzuerhalten und Betrug entgegenzuwirken (FOODIntegrity 2015).

Das Projekt Animal ID (2016-2019), koordiniert durch das BfR, befasst sich mit dem Nachweis tierischer

Bestandteile in Lebens- und Futtermitteln. Innovative, empfindliche Verfahren (wie

massenspektrometrische Verfahren für Proteine/Peptide oder immunologische Schnelltests) werden

entwickelt, um die wichtigsten Tierarten in rohen wie prozessierten tierischen Lebensmitteln schnell

und sicher nachweisen zu können (BfR 2016d).

Aktuell läuft das EU-weite Projekt OLEUM (2016-2020), das vom Institut für Agrar- und

Ernährungswissenschaften der Universität Bologna koordiniert wird. Dieses Projekt widmet sich der

Lebensmittelbetrug

8

Sicherung der Qualität und Authentizität von Olivenöl durch Entwicklung geeigneter Analysemethoden

sowie der Errichtung einer OLEUM-Datenbank (OLEUM 2018).

Das Projekt EU China-Safe (2017-2020), geleitet von der Queen´s Universität Belfast, ist ein

Kooperationsprojekt zwischen China und der EU zur Förderung und Transparenz des Handels. Ziel ist

es, ein EU-China-Kontrollsystem zu errichten, Standards zu entwickeln und eine Harmonisierung von

Daten vorzunehmen, um Lebensmittelbetrug zu bekämpfen und damit einhergehend die

Lebensmittelsicherheit zu erhöhen. Im Fokus stehen dabei die am häufigsten im Zusammenhang mit

Betrug und Kontamination gemeldete Lebensmittel, wie Milchprodukte, Säuglingsnahrung,

verarbeitetes Fleisch, Gemüse, Wein, Honig und Gewürze (EU-China-Safe 2018).

An der Hamburger School of Food Science läuft gegenwärtig das Forschungsprojekt FOOD PROFILING

(2016-2019), gefördert durch das BMEL. Dabei soll berücksichtigt werden, dass ein Lebensmittel-Profil

sowohl endogen, d.h. also durch den Rohstoff selbst, sowie exogen, d.h. Standortfaktoren (wie Klima,

Düngemittel, Isotopen des Bodens, Wasser, Kontaminanten, Rückstände), Verarbeitung und Lagerung,

Mikroorganismen, Zusatzstoffe/Rückstände und Verpackung beeinflusst wird. Alle diese Faktoren

können unter Anwendung entsprechender bioinformatischer Methoden durch Genom-, Proteom,-

Metabolom- (flüchtig/nicht-flüchtig) sowie durch Elementaranalysen (Isotopenverhälnisse)

beschrieben und beurteilt werden. Das Projekt hat demnach zum Ziel, sichere Analysemethoden zur

Prüfung der Authentizität von Lebensmitteln und Rohstoffen zu entwickeln und die Detektion von

Lebensmittelbetrug zu beschleunigen. Anhand von atomaren und molekularen Daten (Fingerprints)

von Lebensmitteln sollen Markerverbindungen (Food Targeting) ermittelt werden, welche zur

Entwicklung von einfachen Routinemethoden verwendet werden sollen. Außerdem soll ein

Datenmanagementsystem etabliert werden (FoodProfiling 2018).

Im Rahmen des vom BMEL geförderten Verbundprojektes FoodAuthent (2017-2019) werden

insbesondere Fingerprint-Verfahren für Lebensmittel sowie kooperativ nutzbare Datenbanken erstellt,

um diese künftig im Lebensmittelsektor routinemäßig zur Authentifizierung (regionale Herkunft und

Abwesenheit von Verfälschungen) von Produkten einzusetzen. Eine Entwicklung von Schnelltest und

deren Bewertung erfolgt im Rahmen des Projekts vorerst exemplarisch für Hartkäse, Saatenöle und

Spirituosen (FoodAuthent 2017).

Ebenso als nationales Projekt wurde am BfR ein open-source Softwaresystem und Web-Dienst für

Behörden und Wissenschaft, FoodRisk-Labs, entwickelt. Dieses Programm soll die Rückverfolgung von

Lebens- und Futtermitteln erleichtern und so zur Aufklärung herangezogen werden. Gleichzeitig

ermöglichen weitere Programme mathematische Modellierungen von lebensmittelbezogenen Risiken

(FoodRisk-Lab 2018).

Methodisches Vorgehen

9

3. Methodisches Vorgehen

Ziel dieser Literaturstudie war eine umfassende Recherche bezüglich der in wissenschaftlicher

Fachliteratur publizierten methodischen Ansätze zur Authentizitätsbestimmung von Lebensmitteln.

Die Suche beschränkte sich auf die zehn Lebensmittel, welche laut EU-Parlament (2013) am meisten

von Lebensmittelbetrug betroffen sind. Diese sind 1. Olivenöl, 2. Fisch, 3. Bio-Lebensmittel, 4. Milch,

5. Getreide, 6.Honig und Ahornsirup, 7. Kaffee und Tee, 8. Gewürze, 9. Wein, 10. Bestimmte Obstsäfte

(vgl. Kapitel 2.1).

Die Suche umfasste wissenschaftliche Literatur in englischer (und deutscher) Sprache bis 2018. Als

Datenbank wurde „Scifinder“ herangezogen mit den Suchbegriffen „adulteration“/

“authentication“/“authenticity“/“fraud“/“quality determination“ in Kombination mit den jeweiligen

Lebensmitteln. Des Weiteren wurde für die einzelnen Lebensmittel gezielt nach Übersichtsartikeln

gesucht. Diese und andere durch primäre Suche erhaltenen Artikel wurden auch auf zitierte, sekundäre

Literatur untersucht mit dem Ziel einer möglichst umfassenden Darstellung/Aufzählung aller

verfügbaren Methoden für die ausgewählten Lebensmittel. Zitierte Verordnungen und Richtlinien sind

im Text nachvollziehbar genannt und im Literaturverzeichnis nicht nochmals extra erfasst.

Mit der Recherche nach Authentifizierungsmethoden oder Detektionsmethoden für Verfälschungen

ging eine Auflistung der gängigsten Verfälschungssubstanzen und -arten einher, die im folgenden

Kapitel 4 für die einzelnen Lebensmittel- und Lebensmittelgruppen dargestellt sind. Im Anhang

befindet sich eine tabellarische Darstellung der wissenschaftlichen Publikationen (Tabelle 2 bis 11) mit

Literaturverweisen, die im Literaturverzeichnis vollständig gelistet sind. Gleichzeitig wurde eine

Datenbank auf Basis des Literaturverwaltungsprogramms EndNoteTM (Version X8.0.2) erstellt, die alle

hier recherchierten Einträge wissenschaftlicher Originalliteratur, Übersichtsartikel sowie andere

Quellen enthält, die als PDF-Dateien elektronisch in diese Datenbank eingebunden wurden. Die

erstellten Dateien stehen auf Anfrage in elektronsicher Form zur Verfügung und liegen der Printversion

dieses Berichts als CD bei.

Lebensmittelgruppen und Untersuchungsmethoden

10

4. Lebensmittelgruppen und Untersuchungsmethoden

Die Darstellung der Ergebnisse dieser Literaturstudie basiert auf einer Datensammlung von insgesamt

498 Quellen (Berichte und Publikationen im Internet, Übersichtsartikel, wissenschaftliche

Stellungnahmen und Originalliteratur), die in einer EndNoteTM-Datenbank erfasst wurden. Die

wissenschaftliche Originalliteratur (insgesamt 312 Fachartikel) ist mit Bezug zu den einzelnen

Lebensmitteln/Lebensmittelgruppen im Anhang (Tabelle 2 bis Tabelle 11) zusammengefasst. Alle diese

Daten liegen auch in elektronischer Form vor (vgl. Kapitel 3).

Methoden zur Detektion von Lebensmittelverfälschungen in Form von vorsätzlicher Substitution oder

dem Zusatz von Substanzen, einer vorsätzlich inkorrekten Kennzeichnung der

botanischen/geographischen Herkunft oder der Art der Herstellungsweise (biologisch/konventionell)

sind vielfältig. Je nach Verfälschungsproblematik werden physikalische, physikalisch-chemische,

chemische oder biochemische Methoden herangezogen. Diese lassen sich weiter in instrumentell

analytische Methoden (d.h. spektroskopische und spektrometrische Methoden, Trennungsmethoden

und elektrochemische Methoden) und bioanalytische Methoden (molekularbiologische und

enzymatische/biochemische Methoden) unterteilen, wobei sich diese Methoden auch durch

Kopplungen/Kombinationen unterschiedlicher Techniken überschneiden. Unter all diesen Methoden

sind vor allem spektroskopische, molekularbiologische und massenspektrometrische Methoden

besonders vielversprechende Ansätze in der Authentizitätskontrolle (Szabo et al. 2017). Eine kurze

Übersicht über die gängigsten Methoden und deren Prinzipien sowie Anwendungsbeispiele im Bereich

der Verfälschungsdetektion von Lebensmitteln sind in Tabelle 1 dargestellt.

Tabelle 1: Übersicht über die gängigsten Methoden zur Detektion von Lebensmittelverfälschungen (nach Schwedt 2007)

1. Instrumentelle Analytik* Prinzip Beispiel für Verwendung /

Referenz

1.1 Spektroskopische Methoden

Fluoreszenz-Spektroskopie

(z.B. Röntgenfluoreszenz (XRF))

Anregung von Atomen anhand von

energiereicher Strahlung, Emission von

Fluoreszenzstrahlung bei Rückkehr in

Grundzustand

Herkunftsbestimmung von

Olivenöl / Kunz et al. (2011)

Atomabsorptions-/Atomemissions-

Spektroskopie (AAS; AES)

(z.B. GFAAS, flameless AAS)

Anregung von Metallatomen oder ihren

Elektronen (i.d.R. durch Flamme),

atomcharakteristische Resonanz-Absorption

(AAS), Emission elektromagnetischer Strahlung

(AES), Intensität abhängig von Zahl

absorbierender Atome

Elementanalyse in Honig

verschiedener Herkunft /

Bilandžić et al. (2011)

UV/Vis-Spektroskopie Anregung von Elektronen durch Absorption

sichtbaren und ultravioletten,

monochromatischen Lichts (200-700 nm),

Erfassung substanzcharakteristischer

Absorptionsmaxima

Bestimmung von verbotenen

Sudanrot-Farbstoffen in

Gewürzen / Di Anibal et al.

(2009)


11

IR-Spektroskopie

(z.B. NIR, MIR, FTIR, DRIFTS, Tetrahertz-

Spektroskopie)

Valenz-/Deformations-Schwingungen von

Atomen und funktionellen Gruppen, angeregt

durch Lichtabsorption (0,8-500 µm), Entstehung

von Rayleigh-Streuung (Moleküle mit

Dipolmoment), Messung der Absorption

Differenzierung von

Weizensorten / Ziegler et al.

(2016)

Raman-Spektroskopie Valenz-/Deformations-Schwingungen von

Atomen und funktionellen Gruppen angeregt

durch Lichtabsorption (0,8-500 µm), Entstehung

von Anti-Stokes-Strahlung (Moleküle mit

veränderbarer Polarisierbarkeit), Messung der

Strahlungsintensität1

Differenzierung zwischen

tiefgefrorenem und Frischfisch

/ Velioglu et al. (2015)

Kernresonanzspektroskopie (NMR)

(z.B. 1H-, 13C-, 31P-NMR, SNIF-NMR)

1H, 13C, 15N, 19F, 31P weisen aufgrund ihres

Kernspins ein magnetisches Moment auf,

Ausrichtung des Atomkerns in mag. Feld

prinzipiell antiparallel (energiereich) oder

parallel (energiearm) möglich. Benötigte Energie

bei Übergang der Kernspin-Zustände als

Frequenzsignal messbar, Lage des Signals

(chemische Verschiebung) durch Bindungsarten

beeinflusst

Differenzierung Fisch aus

Wildfang und Aquakultur /

Mannina et al. (2008)

Spektrale Bildgebung

(engl. spectral imaging)

(z.B. digitale, multispektrale, hyper-

spektrale Bildgebungsverfahren)

Abbildung von Proben (Scanner, Kamera) und

Deskription einzelner Parameter/Informationen

anhand von Farben, Farbintensitäten etc.

Authentizitätsbestimmung von

Milch / Santos und Pereira-

Filho (2013)

Massenspektrometrie (MS)

(z.B. TOF MS, Q-TOF MS, SFMS, MS/MS,

IRMS, FT-ICR MS, IMS-MS)

(Ionisierungsarten für MS: MALDI, ESI, Paper

Spray, SESI, EASI, DART, Plasma (ICP))

Molekülionisierung und anschließende

Zerfallsreaktion (Entstehung von Molekülionen

und substanz-charakteristischer Fragmente),

Auftrennung nach Masse/Ladungsverhältnis

Bestimmung von Sudanrot in

Gewürzen / Taverna et al.

(2013)

1.2 Trennungsmethoden

Gaschromatographie (GC)

(Detektor: FID)

Stofftrennung anhand Verteilung zwischen

stationärer und mobiler (Gas-) Phase in einer

Säule, Verteilung abhängig von Affinität und

molekularen Wechselwirkungen zwischen Stoff

und Phasen

Differenzierung von extra

nativem Olivenöl von anderen

Ölen / Jabeur et al. (2015)

(Ultra-) Hochdruck-Flüssigkeits-

chromatographie ((U)HPLC)

(Detektoren: FD, UV/Vis-Detektor (z.B. DAD),

Amperometr. Detektor)

Stofftrennung anhand Verteilung zwischen

stationärer Phase und mobiler (Flüssigkeits-)

Phase in einer Säule, Verteilung abhängig von

Affinität und molekularen Wechselwirkungen

zwischen Stoff und Phasen

Authentifizierung von

Zitrussäften anhand der

Polyphenolkomponenten /

Abad-Garcia et al. (2014)

Ionenchromatographie (IC)

(z.B. IEC, HPIC, HPAELC)

Prinzip der Flüssigkeitschromatographie,

stationäre Phase besitzt geladene funktionelle

Gruppen, an jene Analytionen anhand von

elektrochemischen Wechselwirkungen binden,

somit Auftrennung nach Ladung

Verfälschung von Kaffee /

Domingues et al. (2014)

1.3 Elektrochemische Methoden

Biosensoren (engl. sensor array)

(z.B. electric nose/tounge, potentiometric

flow injection)

elektrochemische Detektion bestehend aus

Stofferkenner und Messwertumwandler:

Messsystem wechselwirkt mit Analyten,

Erzeugung elektrischer (oder optischer) Signale,

Umwandlung in elektrische E-Nose/-Tounge

simuliert menschlichen Geruchs-

/Geschmackssinn

Authentifizierung von Olivenöl

anhand Aromaprofilen / Haddi

et al. (2013)

2. Bioanalytische Methoden*

2.1 Molekularbiologische Methoden

DNA-basierte Methoden

(z.B. PCR, real time PCR, RAPD, AFLP, SSCP,

DNA-Barcoding, HRM, NGS)

Amplifizierung der DNA (PCR, RAPD); DNA-

Sequenzierung z.B. von Markergenen

(Barcoding); DNA-Fingerprint Methoden (AFLP,

SSCP): Restriktion mit (gezielter) Amplifizierung

und anschl. Auftrennung und Sequenzierung;

Schmelzkurvenanalyse (HRM); ungerichtete

massive Amplifizierung spezifischer DNA-

Verfälschung von extra

nativem Olivenöl / Uncu et al.

(2017)


12

Abschnitte und Sequenzierung, IT-gestützte

Auswertung (NGS)

DNA-Microarray Bindung von fluoreszenzmarkierter mRNA auf

Microchip zur vergleichenden Untersuchung

spezifischer Transkriptome, Auslesen des Gen-

Chips über photometrische Detektion

Transkriptomanalyse von

Kartoffeln aus

biologischer/konventioneller

Erzeugung / Van Dijk et al.

(2009)

Immunoassays (ELISA) Konzentrationsermittlung bioaktiver Stoffe

anhand spezifischer Antigen-Antikörper-

Reaktion

Verfälschung von Yakmilch mit

Kuhmilch / Ren et al. (2014)

enzymatische Analyse Ermittlung von Stoffmengenkonzentrationen

oder katalytischer Enzymaktivität anhand von

Enzymen

Fruchtsäurenanalyse zur

Authentizitätsbestimmung von

Beerensäften / Stój und

Targoñski (2006)

2.2 Biochemische Methoden

Elektrophorese

(z.B. SDS-PAGE, CE, MEKC)

Auftrennung nach molekülcharakteristischer

Mobilität (Wanderungsgeschwindigkeit) im

elektrischem Feld (Anode, Kathode)

Fischspeziesidentifizierung /

Etienne et al. (2000)

Isoelektrische Fokussierung (IEF) Prinzip wie Elektrophorese, Anwendung

ausschließlich bei amphoteren Stoffen,

Trennung bei konstantem pH-Gradienten je nach

Ladung des isoelektrischen Punkts

Fischspeziesidentifizierung /

Berrini et al. (2006)

*Methodenspezifische Abkürzungen siehe Abkürzungsverzeichnis (Kapitel 8)

Insbesondere nicht-target orientierte Fingerprintmethoden (z.B. spektroskopische Methoden,

hochauflösende massenspektrometrische Full-Scan-Methoden) bedürfen zur richtigen Interpretation

der Ergebnisse Datenbanken von authentischen Vergleichsproben. Für die Auswertung solcher Daten

sind biostatistische Methoden (Chemometrik, Biometrik) unabdingbar, die die eigentliche Messtechnik

notwendigerweise ergänzen. Die Vielzahl an multivariaten Daten, die mit den heutigen Methoden

vergleichsweise schnell und mit geringem Probenvorbereitungsaufwand generiert werden können,

verlangen hingegen deutlich aufwendigere post-analytische Prozesse als das bei targetorientierter

Analytik mit weit weniger Datenvielfalt notwendig war.

Zur Auswertung der in diese Studie einbezogenen 312 wissenschaftlichen Publikationen und für die im

Folgenden dargestellten Grafiken wurden die angewandten Methoden in insgesamt 16 Gruppen

zusammengefasst. Je nach Lebensmittelmatrix zeigte sich, dass unterschiedliche Methoden,

insbesondere spektroskopische oder molekularbiologische Methoden vermehrt Anwendung fanden

(z.B. Olivenöl und Milch bzw. Fisch und Getreide), aber auch keinerlei dominierende Methoden

festzustellen waren (z.B. bei Wein und Säften). Diese Methoden werden im Folgenden mit Bezug zu

den betroffenen Lebensmitteln (vgl. Kapitel 2.1) und den jeweils am häufigsten vorkommenden

Verfälschungsarten sowie wichtigen Charakteristika der einzelnen Lebenmittel am Beispiel von

Fachliteratur detaillert dargestellt.


13

4.1 Olivenöl

Olivenöl wird durch Pressen (mechanische Einwirkung) aus den Früchten und Kernen des

Olivenbaumes (Olea europaea L.) gewonnen. Es ist auf Grund seines Aromas und seines Nährwerts

(Fettsäuremuster und Phenole) ein wichtiger Bestandteil der mediterranen Küche (Kalaitzis und El-Zein

2016). Je nach Qualität wird zwischen extra nativem Olivenöl (engl. extra-virgin olive oil, EVOO),

nativem Lampant Olivenöl (LOO), raffiniertem Olivenöl (ROO) und Oliventresteröl unterschieden.

EVOO besitzt dabei die höchste Qualität (EU-Kommission 2003). Auf Grund der aufwendigen Anbau-,

Ernte und Ölgewinnungsprozesse besitzt natives Olivenöl im Vergleich zu anderen pflanzlichen Ölen

einen recht hohen Preis, wodurch es anfällig für Verfälschung mit günstigeren Ölen aus anderen

Pflanzen oder Olivenölen mit geringerer Qualität (z.B. Tresteröle, raffinierte Öle) ist (Fragaki et al.

2005).

Je nach Sorte, Erntezeitpunkt, Herkunftsregion, Umweltbedingungen, Herstellungsmethode und

Lagerung unterscheiden sich Olivenöle in ihrem Aroma und ihrer Zusammensetzung (beispielsweise in

Fettsäurezusammensetzung, Polyphenolgehalt, Tocopherolgehalt) (Cichelli und Pertesana 2004). Bei

Olivenöl ist der kommerzielle Wert stark abhängig von der geographischen Herkunft. Hauptlieferant

sind die Mittelmeerländer. Kennzeichnungen wie geschützter Ursprung (g.U.) oder geschützte

geographische Angabe (g.g.A.) signalisieren dem Verbraucher Qualität sowie Schutz vor Betrug und

können die Kaufentscheidung beeinflussen (Chiocchini et al. 2016; Fragaki et al. 2005).

Hauptverfälschungsarten von Olivenöl sind daher:

1. Streckung/Verfälschung von höherwertigem Olivenöl mit günstigeren Ölen anderer

botanischer Herkunft oder Olivenölen niedrigerer Qualität

2. Falschdeklaration der geographischen Herkunft

3. Falschdeklaration der botanischen Herkunft oder Verfälschung durch andere Sorten

Für die Detektion solcher Verfälschungen werden vorwiegend spektroskopische oder

massenspektrometrische Methoden sowie Elementanalyse und Kernresonanzspektroskopie (nuclear

magnetic resonance, NMR) angewandt (Abbildung 1, Tabelle 2 im Anhang). Diese und weitere

Methoden werden im Folgenden detailliert beschrieben und anhand von Anwendungsbeispielen aus

der Fachliteratur genauer erläutert.


14

Abbildung 1: Methoden zur Detektion von Lebensmittelverfälschungen in Olivenöl (Überblick aus

insgesamt 31 wissenschaftlichen Publikationen, siehe Tabelle 2 im Anhang)

Streckung/Verfälschung von höherwertigem Olivenöl mit günstigeren Ölen anderer botanischer

Herkunft oder Olivenölen niedrigerer Qualität

Zur Detektion von anderen Pflanzenölen oder qualitativ minderwertigen Olivenölen in höherwertigem

Olivenöl werden Methoden wie Infrarot (IR) - und Raman-Spektroskopie, Gaschromatographie (GC),

NMR, Elektrochemie/Voltammetrie, Hochdruckflüssigkeitschromatographie (high performance liquid

chromatography, HPLC), Sensorik („E-Nose“), Nichtthermische Plasmatechnologie (non-thermal

plasma, NTP) in Kombination mit Dampfraum-Festphasenmikroextraktion-Massenspektrometrie

(head space - solid phase micro extraction - mass spectrometry, HS-SPME-MS), Elektrosprayionisie-

rung (ESI)-MS, GC-MS, GC-Tandemmassenspektrometrie (GC-MS/MS), direct analysis in real time –

time-of-flight (DART-TOF)-MS, Matrixunterstützte Laserdesorptions-Ionisierung (matrix assisted laser

desorption ionization, MALDI)-TOF MS und Polymerasekettenreaktion-Kapillarelektrophorese (PCR-

CE) Barcode Assays verwendet (Tabelle 2 im Anhang).

Anhand dieser Methoden können Verfälschungen mit Pflanzenölen (wie Mais-, Sonnenblumen-,

Baumwollsamen-, Raps-, Haselnuss-, Soja-, Palm-, Traubenkern-, Erdnuss-, Sesam-Öl) oder

Verfälschungen mit Olivenölen geringerer Qualität (wie Lampantöl, raffiniertes Öl, Tresteröl oder

Mischungen aus nativem und raffiniertem Olivenöl) detektiert werden.

Yang und Irudayaraj (2001) detektierten mittels Nahinfrarotspektroskopie (NIR), Fouriertransform

(FT)IR und FT-Raman-Spektroskopie in Kombination mit Chemometrik (partial least squares-


15

Regression, PLS) Verfälschungen von Tresteröl in EVOO. Anhand des Sättigungsgrads und der cis-

/trans-Isomerie der Fettsäuren konnte eine Tresterölverfälschung nachgewiesen werden. Mittels

benchtop Ultrafast 2D-NMR (Low Field) Spektren detektierten Gouilleux et al. (2018) in Kombination

mit Chemometrik (principal component analysis, PCA und PLS) Haselnussöl-Verfälschungen in EVOO

anhand ihres Fettsäureprofils. Des Weiteren konnten mittels dieser Methode die Sorten Olivenöl,

Sesamöl, Rapsöl, Maisöl und Sonnenblumenöl differenziert werden.

Dionisi et al. (1995) wiesen Traubenkernöl- und Palmöl-Verfälschungen in Olivenöl (EVOO, Lampantöl,

raffiniertes Öl) anhand ihrer Tocopherol- und Tocotrienolgehalte mittels HPLC-Fluoreszenzdetektion

(FLD)/Diodenarraydetektion (DAD) und Umkehrphasen (reversed phase, RP)-HPLC/Amperiometrische

Detektion nach. Da Tocotrienole nicht in Olivenöl vorkommen, können diese als Marker für

Verfälschungen von tocotrienolhaltigen Ölen, wie Palmöl und Traubenkernöl, dienen.

Jabeur et al. (2015) entwickelten eine GC-Flammenionisationsdetektion (FID) Methode in Kombination

mit Chemometrik (Lineare Diskriminanzanalyse, LDA) zum Nachweis von raffinierten Ölen (Mais-,

Sonnenblumen-, Soja-, Palm-Öl) und qualitativ geringwertigen Olivenölen (raffiniertes Öl, Tresteröl) in

EVOO. Verfälschungen mit diesen geringerwertigen Ölen konnten anhand der Gehalte an trans-

Fettsäuren und Stigmasta-3,5-dien detektiert werden. Stigmasta-3,5-dien dient als Indikator für

raffinierte Öle und der Gehalt von trans-Fettsäuren ist in raffinierten Ölen generell höher als in

Rohölen. In bestehenden ISO-Methoden (DIN ISO 660 (2009), DIN ISO 3690 (2001)) oder Methoden

des „International Olive Oil Council“ (IOOC) (IOOC 2001a, b, c, d, 2010) dienen Gehalte an Freien

Säuren, der Peroxid-Wert, der Stigmasta-3,5-dien-Gehalt, trans-Fettsäuren und Dien/Trien-Gehalte

der Charakterisierung von Ölen.

Mittels ESI-MS bestimmten da Silveira et al. (2017) Sojaöl in EVOO anhand eines ausschließlich in Sojaöl

vorkommenden Lipidmarkers mit einer Masse von m/z (Masse zu Ladungsverhältnis) 886,7 Da.

Dadruch konnte Sojaöl gezielt in anderen, höherwertigen Ölen nachgewiesen werden.

Uncu et al. (2017) ermittelten Verfälschungen mit pflanzlichen Ölen (Soja-, Palm-, Raps-,

Sonnenblumen-, Sesam-, Baumwollsamen-, Erdnuss- und Haselnuss-Öl) anhand ihrer

pflanzenspezifischen Plastid trnL (UAA) Introns mittels PCR-CE Barcode Assay. Nach Isolation der DNA

wurden die Plastid trnL (UAA) Introns amplifiziert, kapillarelektrophoretisch aufgetrennt und Barcode

Assays erstellt. Anhand der Barcode-Größe konnte die botanische Herkunft bestimmt werden.

Überprüfende Messungen wurden anhand der Fettsäurekomposition mittels GC-FID durchgeführt.


16

Falschdeklaration der geographischen Herkunft

Zur Bestimmung der geographischen Herkunft werden Methoden wie IR-, Fluoreszenz- oder UV/Vis-

Spektroskopie, NMR, E-Nose und E-Tounge, sekundäre (S)ESI-MS, HS-SPME-GC mit GC-MS, ESI-

MS/MS, inductively coupled plasma (ICP)-MS und Isotopenverhältnis-Massenspektrometrie (isotope-

ratio, IR) MS verwendet (Tabelle 2 im Anhang).

Kunz et al. (2011) bestimmten mittels Fluoreszenz-Spektroskopie in Kombination mit Chemometrik

(PCA, PLS) die geographische Herkunft von EVOO aus den Regionen Sakynthos, Attica, und Athen in

Griechenland. Außerdem war es mit dieser Methode in Kombination unter Anwendung biostatistischer

Methoden (Tikhonov-Regularisierung) möglich, Verfälschungen in Form von Sonnenblumenöl zu

detektieren.

Haddi et al. (2013) entwickelten eine Methode zur Differenzierung der geographischen Herkunft von

nativem Olivenöl aus verschiedenen Regionen Marokkos anhand eines Zinndioxid (tin-dioxide gas

sensor (TGS)-E-Nose Verfahrens in Kombination mit Voltammetric-E-Tounge und biostatistischer

Auswertung (PCA, Varianzanalyse - ANOVA), Clusteranalyse - CA, support vector machines - SVM). E-

Nose und E-Tounge erfassen Geruch und Geschmack durch unterschiedliche Sensorkinetik, ausgelöst

durch die Wechselwirkung von flüchtigen Stoffen, welche den elektrischen Widerstand verändern.

Anhand dessen wird ein Fingerabdruck generiert, der mit Hilfe mathematischer Methoden

interpretiert werden kann.

Pizarro et al. (2011) wiesen die geographische Herkunft von EVOO mit geschützter

Ursprungsbezeichnung aus den spanischen Regionen Andalusien, La Rioja und Katalonien mittels HS-

SPME/GC in Kombination mit GC-MS und Chemometrik (PCA, LDA, stepwise linear discriminant

analysis - SLDA) nach. Anhand chromatographischer Profile (HS-SPME/GC) wurden geographisch-

spezifische Marker (flüchtige Verbindungen) ermittelt und dann mittels GC-MS identifiziert.

Die geographische Herkunft von europäischen EVOOs aus Italien, Spanien, Frankreich, Griechenland

und Portugal konnte mittels Isotopenverhältnis-Massenspektrometrie (IRMS) in Kombination mit

inductively coupled plasma (ICP)-MS und Chemometrik (ANOVA, canonical discriminant analysis - CDA)

bestimmt werden (Camin et al. 2010a). Mittels IRMS wurden die Isotopenverhältnisse von 13C/12C,

18O/16O und 2H/1H bestimmt. Zusätzlich wurde mittels ICP-MS die Multielementzusammensetzung

bestimmt. Die Differenzierung der Herkunftsorte erfolgt einerseits anhand unterschiedlicher

Isotopenverhältnisse. Das 13C/12C-Verhältnis ist vor allem auf klimatische Gegebenheiten (wie

Temperatur, Niederschlagsmenge, Menge des CO2 in der Umgebung etc.), aber auch auf Eigenschaften

der Pflanze (wie Alter, Reifestadium) zurückzuführen. Unterschiedliche 18O/16O und 2H/1H -

Verhältnisse resultieren aus der durch die Pflanze aufgenommene Menge an Wasser, Verdunstung und


17

Diffusion während der Transpiration und dem Isotopenaustausch während Biosyntheseprozessen in

der Pflanze. Je nach Breitengrad und Höhe unterscheiden sich die 18O/16O und 2H/1H – Verhältnisse des

Wassers. Die Elementzusammensetzung des Olivenöls ist somit ebenfalls auf die geographischen und

klimatischen Bedingungen der Wachstumsorte, den Elementgehalt des Bodens und damit

einhergehend auch der Art der Landwirtschaft sowie auf Lager- und Prozessbedingungen

zurückzuführen.

Falschdeklaration der botanischen Herkunft oder Verfälschung durch andere Sorten

Zur Detektion der botanischen Herkunft von Olivenöl wurden folgende Methoden verwendet (Tabelle

2 im Anhang): Protonentransferreaktion-MS (PTR-MS) und PCR-amplifizierter Fragmentlängen-

Polymorphismus (PCR-AFLP). Anhand dieser Methoden können die botanische Herkunft der

spanischen Sorten Arbequina, Hojiblanca, Picual und Cornicabra, der französischen Sorten Salonenque

und Tanche und der italienischen Sorte Frantoio bestimmt werden.

Ruiz-Samblás et al. (2012) entwickelten eine PTR-MS Methode in Kombination mit Chemometrik

(partial least squares discriminant analysis - PLS-DA) zur Bestimmung der Sorten Arbequina,

Cornicabra, Frantoio, Hoijblanca und Picual. Anhand Fingerprints ihrer flüchtigen Komponenten

konnten die Sorten differenziert werden.

Parfundo et al. (2005) differenzierten anhand AFLR-Profilen der genomischen DNA mittels PCR-AFLP

die Sorten Arbequina, Hoijblanca, Salonenque und Tanche.

4.2 Fisch

Fisch ist eines der am meisten gehandelten Produkte weltweit. Die weltweite Fischproduktion nimmt

auf Grund der wachsenden Bevölkerung und der steigenden Nachfrage immer weiter zu. Um sowohl

einen fairen Wettbewerb zu ermöglichen, als auch aus Verbraucherschutzgründen sind die

Überwachung der Authentizität und Rückverfolgbarkeit essentiell (Pardo et al. 2016; Wulff et al. 2013).

Laut SOFIA-Bericht (2016) der Food and Agriculture Organization (FAO) ist die Mehrheit der weltweiten

Fischbestände auf dem höchsten Stand der Ausbeutung (58,1 %) oder bereits überfischt (31,4 %). Um

dem entgegenzuwirken existieren bereits einige Standards für nachhaltige Fischerei, z.B. das Marine

Stewardshop Council MSC (2018). Solche zertifizierten Produkte werden bei Verbrauchern immer

stärker nachgefragt (Li et al. 2016).

Bezüglich Deklaration sind für Produkte, welche über den europäischen Handel vertrieben werden,

Angaben zur handelsbezeichnenden Art (und wissenschaftlicher Name), Produktionsmethode,

Fanggebiet sowie die Fanggerätekategorie und ggf. Angaben über den Auftaustatus verpflichtend

(Verordnung (EU) Nr. 1379/2013). Trotz allem bleibt die häufigste Verfälschungsart das Ersetzen von


18

höherwertigen Fischarten durch Geringerwertige. Der weltweit durchschnittliche Anteil an

falschdeklarierten Fischprodukten beträgt laut Pardo et al. (2016) durchschnittlich 30 %. Fast 60 %

davon machen Dorsche, Plattfische und Lachsfische aus. Für Deutschland ermittelten Mariani et al.

(2015) eine Verfälschungsrate von 6,2 % für Wildfangfisch.

Besonders schwierig ist die Erkennung von Verfälschungen bei prozessierten Produkten, da

morphologische und anatomische Eigenschaften verloren gehen (Mazzeo und Siciliano 2016; Stahl und

Schröder 2017). Verfälschungen können andererseits auch durch Substitution von Frischfisch mit

wiederaufgetautem Fisch hervorgerufen werden. Um die Haltbarkeit zu verlängern, wird Frischfisch,

welcher üblicherweise einen höheren Wert besitzt, oftmals mit wiederaufgetautem Fisch ersetzt.

Dieser besitzt meist einen niedrigeren Wert, da die Bildung von Eiskristallen während des

Einfriervorgangs zu Schäden der Gewebestruktur führt, was mit einem höheren Wasserverlust beim

Auftauen einhergeht (Karoui et al. 2007).

Bei Fisch sind demnach folgende Verfälschungsarten besonders relevant:

1. Falschdeklaration der Art oder Substitution mit Arten niederen Wertes

2. Falschdeklaration im Bezug auf Frisch- oder wiederaufgetauten Fisch

3. Falschdeklaration der Produktionsart (Zucht/Wildfang)

4. Verfälschung der geographischen Herkunft

Zur Untersuchung solcher Verfälschungen werden bei Fisch hauptsächlich PCR-basierte Methoden

angewandt und in geringerem Maße massenspektrometrische Methoden (Abbildung 2 und Tabelle 3

im Anhang). Diese methodischen Herangehensweisen werden für die verschiedenen

Verfälschungsarten im folgenden noch genauer erläutert.


19

Abbildung 2: Methoden zur Detektion von Lebensmittelverfälschungen in Fisch (Überblick aus


Falschdeklaration der Art oder Substitution mit Arten niederen Wertes

Zur Detektion einer Falschdeklaration im Hinblick auf die Spezies wurden Methoden wie PCR-ELISA,

PCR-Restriktionsfragmentlängenpolymorphismus (RFLP), real-time PCR, PCR-single-strand

conformation polymorphism (SSCP), Multiplex-PCR, rapid evaporation ionisation mass spectrometry

(REIMS), MALDI-TOF MS, ESI-MS/MS, LC-MS/MS, selected MS/MS ion monitoring (SMIM),

Isoelektrische Fokussierung (IEF) mit zweidimensionaler Gelelektrophorese (2-DE),

Natriumdodecylsulfat-Polyacrylamid-Gelelektrophorese (SDS-PAGE), DNA-Barcoding (Nano Tracer)

und IR eingesetzt. Anhand dieser Methoden konnten Fischarten aus dem Salz- und Süßwasser wie

scombriode Spezies, Thunfischarten, Dorscharten, Plattfischarten, Lachsfischarten, Seehechtarten,

Aalarten, diverse Süßwasserfischarten, darunter Barsche und Forellen, und viele andere Arten

differenziert werden.

Santaclara et al. (2015) entwickelten eine Methode zur Authentifizierung von Thunfischarten (Thunnus

albacares, T. alalunga, T. orientalis, T. thynnus) mittels PCR-ELISA. Anhand von markierten PCR-

Produkten der mitochondrialen DNA (Cytochrom b Gen, Cytochrom-Oxidase Untereinheit I (COXI), 3´-

Ende der Glutamin tRNA) war es möglich, jene Thunfischarten in sowohl frischen als auch prozessierten

Produkten von andern scromboiden Arten (Makrele, Auxis, Pelamide) zu unterscheiden. Bei

Abwesenheit von Thunnus Spezies konnte außerdem auf die Anwesenheit von Echtem Bonito

(Katsuwonus pelamis) getestet werden. Letztere Art wird häufig zur Verfälschung von Thunfisch

verwendet.


20

Als häufiger Marker zur Sortenidentifizierung von Fisch dienst das mitochondriale Cytochrom b-Gen.

Lin und Hwang (2007) nutzten es zur Thunfischartendifferenzierung, Hold et al. (2001) zur

Lachsfischartendifferenzierung und Ludwig und Debus (2002) zur Differenzierung von Kaviar aus

verschiedenen Acipenseridae Spezies jeweils mittels PCR-RFLP.

Black et al. (2017) entwickelten eine REIMS-Methode in Kombination mit Chemometrik (PCA, LDA,

orthogonal partial least squares-Diskriminanzanalyse - OPLS-DA) zur Speziesidentifikation von

Dorscharten. Die REIMS-Quelle wurde mit einem monopolaren, elektrochirurgischen Messer

verbunden. Von dem an der Schnittstelle erzeugten Aerosol wurden massenspektrometrische,

metabolische Fingerprints (m/z 600-950 Da) erzeugt, anhand derer zwischen den weißen Fischarten

unterschieden werden konnte.

Carrera et al. (2011) differenzierten anhand von spezies-spezifischen Peptidbiomarkern zwischen

verschiedenen Seehechtarten (Merlucciidae), welche mittels high-intensity-focused-ultrasound-

(HIFU) unterstütztem Trypsin-Verdau und anschließendem selected MS/MS ion monitoring (SMIM)

(anhand von LC-ESI-MS/MS in Kombination mit einer Ion Trap MS) ermittelt wurden. Anhand von elf

Peptiden, welche dem Trypsin-Verdau des thermostabilen Parvalbumins stammten, konnten die

verschiedenen Seehechtarten in verarbeiteten und vorgekochten Produkten identifiziert werden.

Anhand von artenspezifischen Protein-Pattern aus dem Fischmuskel differenzierten Berrini et al.

(2006) mittels IEF und 2-DE zwischen verschiedenen Barscharten (Percidae). Da diese oft bereits

filetiert verkauft werden, sind sie anfällig für Verfälschungen.

Ulrich et al. (2017) unterschieden anhand von MALDI-TOF MS Spektren aus der Glaskörperflüssigkeit

aus Fischaugen unterschiedlich lange Lagerzeiten von Frischfisch (Bachforelle und Regenbogenforelle).

Als „Frischfisch“ darf Fisch nur innerhalb der ersten 10 Tage nach dem Fang vermarktet werden. Es

kommt daher häufig zur Falschdeklaration der Kennzeichnung „Frischfisch“. Zudem konnte anhand des

Verfahrens zwischen den untersuchten Spezies unterschieden werden.

Falschdeklaration im Bezug auf Frisch- oder wiederaufgetauten Fisch

Für die Differenzierung von Frischfisch und wiederaufgetautem Fisch werden Methoden wie IR- und

Raman-Spektroskopie eingesetzt (Tabelle 3 im Anhang). Häufig wird wiederaufgetauter Fisch als

Frischfisch verkauft. Velioglu et al. (2015) konnten mittels Raman-Spektroskopie in Kombination mit

Chemometrik (PCA) nach Fettextraktion anhand der Lipid-Raman-Spektren eine Differenzierung

erreichen. Anhand verschiedener Fettsäureverhältnisse wurden unterschiedliche Raman-Intensitäten

generiert, wodurch eine Unterscheidung möglich war. Außerdem konnte anhand der entwickelten


21

Methode ebenfalls durch unterschiedliche Fettsäureverhältnisse zwischen verschiedenen Fischspezies

unterschieden werden.

Falschdeklaration der Produktionsart (Zucht/Wildfang),

Für die Bestimmung der Produktionsart, d.h. der Unterscheidung zwischen Zucht- und

Wildfangproduktion werden folgende Methoden eingesetzt: NMR und ICP-

Atomemissionspektrophotometrie (AES) mit IRMS.

Mannina et al. (2008) bestimmten anhand von 1HNMR- und 2D-NMR-Spektren in Kombination mit

Chemometrik (soft independent modeling of class analogy - SIMCA, OPLS-DA) aus der

Zusammensetzung von Wasserextrakten (Kohlenhydrate, Aminosäuren, Dipeptide, org. Säuren, etc.)

und organischen Extrakten (Triacylgylceride, Fettsäuren, Sterole) die Produktionsart des Fisches.

Verfälschung der geographischen Herkunft

Für den Nachweis der geographischen Herkunft werden Methoden wie IMRS und GC-FID mit EDXRF

verwendet. Chaguri et al. (2015) bestimmten anhand der Fettsäureprofile, Elementkomposition sowie

13C/12C- und 15N/14N-Verhältnisse die geographische Herkunft von Adlerlachsen (Micropogonias

furnieri). Außerdem konnte anhand der Elementprofile ein Zusammenhang zum Fangzeitpunkt

(Jahreszeit) beschrieben werden.

4.3 Bio-Lebensmittel

Biologische/ökologische Lebensmittel wecken viele unterschiedliche Erwartungen beim Verbraucher

– z.B. mehr Tierschutz in der Tierproduktion und Schlachtung oder geringere Umweltbelastung, um

nur zwei Beispiele zu nennen. Grundsätzlich erwartet der Verbraucher einen Unterschied im Vergleich

zu konventionellen Produkten. Unterschiede lassen sich vor allem in der Verwendung von Pestiziden,

Düngern, Lebensmittelzusatzstoffen, aber auch in der Anwendung bestimmter Herstellungsprozesse

erkennen. Es wird des Weiteren von Unterschieden bezüglich der Gehalte von Vitamin C,

Polyphenolen, Gesamtzucker etc. in pflanzlichen Lebensmitteln, aber auch in Gehalten an bestimmten

Umweltkontaminanten und natürlichen Toxinen, z.B. Mykotoxinen (Gottschalk et al. 2007), berichtet.

Solche Unterschiede suggerieren dem Verbraucher erhöhte Qualität (Hoogenboom et al. 2008; Kahl

et al. 2012; Torjusen et al. 2004), für die Verbraucher bereit sind, mehr zu bezahlen, wodurch

biologische Lebensmittel besonders anfällig für Betrug sind (Laursen et al. 2014; Wier und Calverley

2002).

Die Nachfrage nach ökologischen Erzeugnissen ist in den letzten Jahren gestiegen und mit ihr in den

meisten EU-Mitgliedsstaaten auch der Anteil des ökologischen Landbaus an landwirtschafltichen


22

Flächen insgesamt. Für die Produktions- und Herstellungsbedingungen biologischer Erzeugnisse

tierischer und pflanzlicher Herkunft existiert EU-weit ein gemeinschaftlicher Rechtsrahmen mit

Grundsätzen und allgemeinen Vorschriften (Verordnung (EG) Nr. 834/2007). Zudem existieren

Standards einschlägiger Verbände. Der Fokus der Kontrollen liegt momentan auf den

Produktionsprozessen und weniger auf der Bewertung der Endprodukte (Laursen et al. 2014).

Biologische Authentizität von Produkten zu überprüfen stellt eine große Herausforderung dar, die vor

allem über kriterien-bezogene Parameter erfolgt (Kahl et al. 2014). Zur Differenzierung von

pflanzlichen Lebensmitteln wird häufig die Pestizidsrückstandsuntersuchung herangezogen, da

synthetische Pestizide im biologischen Anbau untersagt sind. Ein Unterschied kann diesbezüglich auch

anhand des Auftretens von Mikroorganismen festgestellt werden. Ebenso sind synthetische

Düngemittel in der biologischen Anbauweise verboten, welche im konventionellen Anbau dem

Nährstoffbedürfnis der Pflanzen angepasst werden. Deren Nachweis stellt ein weiteres

Unterscheidungskriterium dar (Hoogenboom et al. 2008; Laursen et al. 2014).

Für die Differenzierung konventioneller und biologischer Lebensmittel werden verschiedene

Methoden angewendet (Tabelle 4 im Anhang und Abbildung 3): IR-Spektroskopie, NMR, Kupferchlorid-

Kristallisation, Energiedispersive Röntgenfluoreszenz (EDXRF), Instrumentelle Neutronen-

Aktivierungsnalyse (INAA), UV/Vis-Spektrometrie mit Flammenphotometrie und AAS, CE-DAD, HPLC,

GC, LC-MS, MS, ICP-optical emission spectrophotometry (OES) mit ICP-MS, IRMS und DNA-Microarray.

Abbildung 3: Methoden zur Unterscheidung von biologisch und konventionell erzeugten Produkten

(Überblick aus insgesamt 25 wissenschaftlichen Publikationen, siehe Tabelle 4 im Anhang).


23

Wie aus Abbildung 3 ersichtlich werden Elementanalysen gefolgt von chemischen und

massenspektrometrischen Analysen dabei besonders häufig eingesetzt.

De Nadai Fernandes et al. (2002) entwickelten eine Instrumentelle Neutronen Aktivierungsanalyse

(INAA) in Kombination mit knowledge discovery in databases- (KDD) Technologie (Bayesian Network)

zur Differenzierung konventioneller und biologischer grüner Kaffeebohnen (Arabica) anhand ihrer

Multielementkomposition und bestimmten Markerelementen (Brom, Calcium, Caesium, Cobalt,

Mangan, Rubdium). Die Autoren führten die Differenzierung der grünen Bohnen zurück auf

agrochemische Komponenten. Bei gerösteten Bohnen ist dies allerdings problematisch, da vermutet

wird, dass eine Zersetzung/Umwandlung dieser Komponenten während des Röstungsprozesses keine

eindeutige Differenzierung mehr zulässt.

Mittels HPLC-DAD in Kombination mit Chemometrik (PCA, ANOVA, Nächste Nachbarn-Klassifikation -

kNN) differenzierten van Ruth et al. (2011) anhand des Carotinoidprofils zwischen konventionellen

(Freiland und Käfighaltung) und biologischen Hühnereiern. Hühner synthetisieren keine Carotinoide,

sie resultieren aus der Fütterungsart. Enthalten sind sie hauptsächlich in Mais aber auch in Gras.

Biologisch erzeugte Eier unterschieden sich in ihrem Gehalt an Carotinoiden (u.a. Lutein/Zeaxanthin,

Canthaxanthin) deutlich von den konventionel erzeugten Produkten.

Vetter und Schröder (2010) entwickelten eine GC-Elektronionisations(EI)-MS Methode zur

Unterscheidung biologischer und konventioneller deutscher Milchprodukte. Markerverbindungen

waren die beiden Fettsäuren Phytaninsöure und Pristinsäure, welche in biologischen Produkten

deutlich erhöht vorlagen. Beide Verbindungen können von Säugetieren nicht selbst produziert werden,

sondern werden über das im Futter enthaltene Chlorophyll aufgenommen. Biologische Fütterung

basiert hauptsächlich auf Gras, weshalb konventionelle Milchprodukte diese Konzentrationen der

genannten Fettsäuren normalerweise nicht erreichen.

Molkentin et al. (2006) unterschieden biologischen, wilden und konventionellen Lachs (Salmo salar)

anhand den 13C/12C- und 15N/14N-Verhältnissen sowie anhand von Fettsäuren, insbesondere

Stearinsäure, Linolensäure und 𝛼-Linolensäure mittels IRMS und GC-FID in Kombination mit

Chemometrik (artificial neutral networks - ANN). Die 13C/12C- und 15N/14N-Verhältnisse in Fisch sind

abhängig von der Art der Ernährung. Fischmehl, d.h. integraler Inhaltsstoff des vom Menschen

verabreichten Futters, weist andere Isotopenverhältnisse auf als natürliche Futterquellen. Die

Fettsäure-Komposition im Fischgewebe ist abhängig von der Nahrungs-Lipidquelle. Erhöhte Linol- und

𝛼-Linolensäure-Konzentrationen rühren bspw. von Fütterung mit Rapsöl statt Meeresfischöl her.

Durch diese Methode konnte anhand des Stearinsäuregehalts eine Differenzierung zwischen


24

konventionellem Zuchtlachs und Wildlachs und anhand von Linolensäure oder 𝛼-Linolensäure

Wildlachs von konventionellem Zuchtlachs und biologischem Lachs unterschieden werden.

Šturm und Lojen (2011) entwickelten eine IRMS Methode auf Basis des 15N/14N-Verhältnisses zur

Unterscheidung von konventionellem und biologischem Gemüse (Rucola, Endivie, Petersilie, Zichorie,

Lauch, Knoblauch, Zwiebel, Blumenkohl, Karotte, Kartoffel, Tomate, Paprika, Kohlrabi). Da zur Aufzucht

konventioneller Gemüsesorten synthetische Dünger und zur Aufzucht der biologischen Gemüsesorten

organischer Dünger verwendet wurde, lagen unterschiedliche 15N/14N-Verhältnisse vor. Dennoch

wurde gezeigt, dass anhand der Methode nicht für alle Gemüsearten die Anbauprozesse differenziert

werden konnten und die 15N/14N-Verhältnisse lediglich als Anzeichen für eine biologische Anbauweise

angesehen werden müssen.

Mittels DNA-Microarray in Kombination mit Chemometrik (PCA, ANOVA) unterschieden van Dijk et al.

(2012) Kartoffeln (Sorte Santé) biologischen Anbaus von jenen konventionellen Anbaus anhand ihrer

cDNA. Je nach Behandlungsart während des Anbaus (Dünger, Pestizide) unterschieden sich die

Pflanzen in ihren Genexpressionsprofilen (Lipoxygenase-Weg, Stärkesynthase-Weg, biotischer Stress-

Weg).

4.4. Milch

Milch ist teures Rohmaterial mit begrenzter Haltbarkeit und einem hohen ernährungsphysiologischen

Wert. Neben Proteinen ist sie reich an Kohlenhydraten, Mineralstoffen und Vitaminen. Für die

Nahrungsmittelindustrie ist Milch ein wichtiger Rohstoff (Nascimento et al. 2017; Sassi et al. 2015;

Tohidi et al. 2018).

Lebensmittelbetrug bei Milch ist insbesondere durch den Zusatz EU-weit verbotener Substanzen zur

Erhöhung der Haltbarkeit (wie Formaldehyd, Wasserstoffperoxid, Hypochlorit, etc.), durch

Verdünnung oder durch Zugabe billiger, zum Teil gesundheitsschädlicher Substanzen zur Vortäuschung

einer höheren Qualität (wie z.B. Melamin, Molke, Harnstoff, pflanzliche Proteine zur Erhöhung des

Stickstoffgehalts oder pflanzliche Öle zur Erhöhung des Fettgehalts) oder durch Vertuschung von

Verdünnungen (z.B. Zugabe von Stärke) gekennzeichnet (de Souza et al. 2014; Nascimento et al. 2017).

Dass illegale Zusätze eine massive Bedrohung der Verbrauchergesundheit darstellen können, zeigte

2008 der chinesische „Melaminskandal“. Hier wurden Säuglingsnahrung und diverse andere

Milchprodukte sowie Tierfutter mit Melamin gestreckt, woraufhin mehrere Tausend Kleinkinder

erkrankten, sechs von ihnen tödlich (Xu et al. 2009).


25

Die Motivation zur Verfälschung hochpreisiger Milchsorten (Ziege, Schaf, Büffel) mit Milchsorten

geringerer Preisklasse und anderer Spezies (Kuh) ist zum einen wirtschaftlich und tritt zum anderen

vermehrt bei geringer Verfügbarkeit, wie beispielsweise saisonal bedingten Engpässen, auf. Eine

Deklaration der Milchsorte ist neben dem Verbot der Verbrauchertäuschung vor allem auf Grund von

allergenem Potential notwendig (Abd El-Salam 2014; Hong et al. 2017; Sassi et al. 2015).

Bei Milch treten drei Arten der Verfälschung auf:

1. Zusatz unerlaubter Substanzen zur Streckung, Vortäuschung einer höheren Qualität oder zur

Konservierung

2. Falschdeklarierung der Milchsorte (Säugetierart) oder Substitution

3. Falschdeklaration der geographischen Herkunft und Missbrauch der Label „geschützter

Ursprung“ (g.U.)

Zur Authentizitätsbestimmung von Milch gibt es diverse methodische Ansätze, wobei ein Schwerpunkt

auf spektroskopischen Methoden liegt (Abbildung 4). Die Anwendung dieser Methoden in Bezug zu

den oben erwähnten Verfälschungsarten wird im Folgenden noch detaillierter anhand

Literaturbeispielen beschrieben.

Abbildung 4: Methoden zur Detektion von Lebensmittelverfälschungen in Milch (Überblick aus

insgesamt 27 wissenschaftlichen Publikationen, siehe Tabelle 5 im Anhang).


26

Zusatz unerlaubter Substanzen zur Streckung, Vortäuschung einer höheren Qualität oder zur

Konservierung

Für den Nachweis von Verfälschungen von Milch durch Zusatz unerlaubter Substanzen wurden

folgende Methoden beschrieben (Tabelle 5 im Anhang): IR- und Raman-Spektroskopie, Flow-Injection-

Spektrophotometrie, Osmometrie, E-Nose, Elektrochemischer Sensor, NMR,

Kapillarzonenelektrophorese (CZE), HPLC, Dünnschichtchromtographie (TLC), GC, Mizellare

Chromatographie, LC-ESI-MS/MS, desorption atmospheric pressure chemical ionization (DAPCI)-MS

mit desorption electrospray ionization (DESI)-MS, DART-MS(/MS), low temperature plasma (LTP)-

MS/MS und Digital Imaging. Anhand dieser Methoden können u.a. Verfälschungen in Form von

Pflanzenprotein (Soja, Erbse, Weizen, Reis), Konservierungsstoffen (Formaldehyd, Dichromat,

Wasserstoffperoxid, Salicylsäure, Natriumhypochlorit), Säureregulatoren (Natriumcitrat),

Stickstoffquellen (Melamin, Harnstoff, synthetischer Urin), pflanzlichen Ölen (Kokosnuss, Soja,

Sonnenblume, Erdnuss) oder Wasserzusatz detektiert werden.

Eine Flow-Injection Spectrophotometry zur Bestimmung verschiedener Konservierungsstoffe

(Dichromat, Wasserstoffperoxid, Salicylsäure) und Stärke in Kuh- und Ziegenmilch wurde von de Souza

et al. (2014) entwickelt. Das Prinzip der Fließinjektionsanalyse beruhte auf einer einfachen binären

„Detect“ oder „No-Detect“-Reaktion. Hierfür wurden vier Reaktionen durchgeführt. Für die Detektion

des Dichromats bildete Cr(VI) mit 1,5-Diphenylcarbazid einen Komplex. Salicylsäure bildete mit Fe(III)

einen Komplex. Wasserstoffperoxid oxidierte mit Vanadiumoxid (V) in saurer Umgebung (Orange-

Färbung der Lösung) und Stärke wurde anhand des Iod-Stärke-Komplexes (Blaufärbung) mit Triiodid

detektiert. Alle Produkte wurden anhand ihrer spezifischen Absorptions-Wellenlängen detektiert.

Zur Detektion von mit Wasser gestreckter Milch verschiedener Arten (pasteurisiert/sterilisiert/Ultra-

hoch-Temperatur(UHT)/Mager-UHT/fermentiert (Lactococcus lactis)) entwickelten Musara und Pote

(2014) eine osmometrische Methode. Osmolarität ist allgemein abhängig von der Anzahl an gelösten

Teilchen in einem bestimmten Volumen und dient deshalb als Indikator für den Wassergehalt. Des

Weiteren war es durch Gefrierpunktosmometrie möglich, Zusätze wie Urea, Saccharose oder andere

wasserlösliche Substanzen zu detektieren.

Jablonski et al. (2014) entwickelten eine UHPLC-UV Methode in Kombination mit Chemometrik (PCA;

SIMCA) zur Detektion von pflanzlichem Protein (Soja-, Erbsen-, braunem Reis- und hydrolysiertem

Weizenprotein) in Magermilchpulver, das zu hohen Anteilen Anwendung in der

Nahrungsmittelindustrie findet. Anhand chromatographischer Profile (Fingerprints) der Proteine in der

Milch, aufgenommen bei einer Wellenlänge von 215 nm, konnten milchfremde Proteine detektiert

werden.


27

Die WHO (Codex Alimentarius) definierte 2010 für Melamin einen Grenzwert von 2,5 mg/kg

Lebensmittel (WHO 2010), der 2012 von der EU durch Verordnung (EU) Nr. 594/2012 adaptiert wurde.

Da Melamin bei übermäßiger Exposition zu Nierenstein und Urinkristallen führt und Kinder auf Grund

ihrer unausgereiften Organe stärker betroffen sind, gilt für Kindernahrung ein Grenzwert von 1 mg/kg

(Pan et al. 2013; WHO 2010). Die EFSA setzte für alle Produkte mit einem höheren Milchanteil als 15 %

ein Limit von 2,5 mg/kg (Nascimento et al. 2017).

Batista et al. (2014) entwickelten eine Mizellare Chromatographie-Methode auf einem Sequential

Injection Chromatography (SIC) System zur Identifizierung von Melamin in Milch und Milchpulver.

Durch Adsorption von Natriumdodecylsulfat (SDS) an der C18-stationären Phase wurden die

chromatographischen Eigenschaften verändert, wodurch Melamin von den Milchbestandteilen

abgetrennt werden.

Melamin (MEL) weist eine eher geringe akute Toxizität auf. Zusammen mit seinem Strukturanaloga

Cyanursäure (CYA) steigt die akute Toxizität auf Grund von Kristallbildung (MEL-CYA) an (Vaclavik et al.

2010). Die FDA entwickelte deshalb eine Vorschrift zur simultanen Bestimmung von Melamin und

Cyanursäure (Pan et al. 2013).

Vaclavik et al. (2010) entwickelten eine DART-TOF MS Methode zur Detektion von MEL und CYA,

welche keine chromatographische Vortrennung benötigte. Durch Parallelanalyse mittels LC-MS/MS

und ELISA wurde die Methode auf Vergleichbarkeit der Ergebnisse überprüft. Allerdings kann

matrixbedingt ein Störsignal auftreten, bei dem es sich um protoniertes Hydroxymethylfurfural (HMF)

handelte.

Santos und Pereira-Filho (2013) detektierten Verfälschungen in Form von Wasser, Molke,

Wasserstoffperoxid, synthetischem Urin (aus Wasser und diversen Salzen, Urea und Kreatinin) sowie

synthetische Milch (aus Pflanzenöl, Detergenzien und Urea) mittels Digital Imaging in Kombination mit

Chemometrik (PCR, PLS, kNN, SIMCA). Mittels Flachbettscanner wurden digitale Bilder erzeugt und die

Bilddateien anhand von zehn Farbdeskriptoren differenziert. Außerdem kann künstlich zugesetzte

Labmolke mittels RP-HPLC anhand des Caseinmakropetid-Index direkt detektiert werden (Lieske und

Konrad 1996), wobei inzwischen Erkenntnisse vorliegen, dass diese Methode Schwankungen in ihrer

Sensitivität aufweisen kann (de Padua Alves et al. 2017).

Falschdeklarierung der Milchsorte (Säugetierart) oder Substitution

Zur Detektion des tierischen Ursprungs von Milch werden unterschiedliche Methoden verwendet

(Tabelle 5 im Anhang). Diese sind: Laser-induced breakdown spectroscopy (LIBS), ESI-MS/MS, DART-

MS, MALDI-TOF MS, ICP-MS, ELISA, Multiplex-PCR, real-time PCR, spezies-spezifische PCR (mit PCR-


28

RFLP). Anhand dieser Methoden lässt sich Milch von Rind, Ziege, Schaf, (Wasser-)Büffel und Yak

unterscheiden.

Sezer et al. (2018) detektierten Kuhmilchverfälschungen in Ziegen- und Schafsmilch mittels LIBS in

Kombination mit Chemometrik (PCA, PLS) anhand unterschiedlicher Elementzusammensetzungen

(LIBS Spektren). Die Milchproben wurden als Gel (Gelatine) analysiert, da so eine höhere

Spektrenqualität durch eine höhere Umwandlungsrate von Plasma- in Strahlungsenergie erreicht

werden konnte. Anhand von 23 verschiedenen Wellenlängenbereichen, welche die Emissionslinien

von Kohlenstoff, Magnesium, Calcium, Copernicum, Natrium, Wasserstoff, Stickstoof, und Kalium

enthielten, wurden LIBS Spektren erzeugt.

Ren et al. (2014) differenzierten Kuhmilchverfälschungen in Yak-Milch mittels eines indirekt

kompetitiven ELISA Assays anhand von Anti-Bovine 𝛽-Casein monoklonalen Antikörpern. Der Test

funktionierte mit hitze-, säure- und lab-behandelter Milch.

López-Calleja et al. (2005) detektierten Kuhmilchverfälschungen in Wasserbüffelmilch anhand eines

mitochondrialen 12S ribosomalen RNA Gens mittels spezies-spezifischer PCR. Dieses Gen eignet sich

auf Grund seiner Zahl an Basenpaaren und eines geeigneten Mutationsgrades für derartige

Beurteilungen. Die Methode war mit roher und erhitzter Milch gleichermaßen sensitiv durchführbar.

Falschdeklaration der geographischen Herkunft und Missbrauch der Label „geschützter Ursprung“

Zur Bestimmung der geographischen Herkunft von Milch werden folgende Methoden eingesetzt

(Tabelle 5 im Anhang): ICP-atomic emission spectrophotometry (AES), NMR, high performance ion

chromatography (HPIC) und IRMS.

Sacco et al. (2009) bestimmten die Multielementkomposition, 13C/12C- und 15N/14N-Verhältnisse, sowie

Zucker-, Aminosäure-, organische Säure-Komposition anhand von 1H 2D NMR-Spektren und Proteine,

Fett und Lactose mittels Milchscanner, um süditalienischer (Apulien, Basilicata, g.U.) Kuhmilch und

Kuhmilch nicht-italienischer Herkunft voneinander zu unterscheiden. Sie verwendeten klassische

Methoden wie HPIC, ICP-AES, 1H NMR und IRMS in Kombination mit Chemometrik (PCA, DA). Als

wichtigste Faktoren zur Differenzierung beschrieben Sacco et al. (2009) die Fettsäurekomposition,

Zucker, Aminosäuren und org. Säuren, sowie das 13C/12C-Verhältnis. Alle Parameter waren von der

Fütterungsart/-ordnung (letztere für Milch mit g.U.) beeinflusst worden.


29

4.5 Getreide

Getreide, wie Reis, Weizen, Gerste, Roggen, Hafer, Mais und Hirse gehören weltweit zu den

Grundnahrungsmitteln. Von ihnen existieren zahlreiche Spezies, die sich in ihrer

Nährstoffzusammensetzung, Aroma und folglich dem Preis unterscheiden.

Basmatireis (Oryza sativa L.) stammt traditionell aus indischen und pakistanischen Regionen am Fuße

des Himalayas und besitzt ein kräftiges, charakteristisches Aroma und eine lange Kornform definierter

Länge. Er wird deshalb zu „Premium-Preisen“ verkauft (vierfacher Preis im Vergleich zu gewöhnlichem

Reis) und in großen Mengen weltweit exportiert, vor allem in die U.S.A. und nach Europa (Bligh 2000;

Lopez 2007).

Basmatireis ist folglich anfällig für Verfälschungen. Typischerweise wird er mit weniger aromatischen

Reissorten gestreckt (Hong et al. 2017). In Großbritannien existiert ein „Code of Practice on Basmati

Rice“ zur Regelung des Fremdreisanteils (max. 7 %) und der Sorten, die als Basmati Reis verkauft

werden dürfen (Ganopoulos et al. 2011). In Deutschland existiert eine solche Regelung nicht

(Verbraucherzentrale 2018).

Hartweizen (Triticum durum Desf.) ist die Hauptzutat für die Nudel-Produktion. Er ist um etwa 20 %

teurer als Weichweizen (Triticum aestivum L.) und weist günstigere technologische Eigenschaften auf,

z.B. hohe Carotinoid- und Proteingehalte, verantwortlich für Farbe und Kochqualität. Traditionell

italienische Pasta besteht aus 100 % Hartweizen. Maximal 3 % Weichweizen werden als Folge von

Querkontamination während der Ernte- und Herstellungsprozesse in Hartweizennudeln toleriert

(Casazza et al. 2012; Knödler et al. 2010; Pauly et al. 2013).

Neben der Deklaration der Weizenart ist die generelle Deklaration glutenhaltiger Getreidesorten von

essentieller Bedeutung. Für Patienten mit Zöliakie (Glutenintoleranz) ist eine glutenfreie Ernährung

(ohne Weizen, Gerste, Roggen, Hafer etc.) unerlässlich. Verfälschungen von als „glutenfrei“

deklarierten Nahrungsmittel sowie der Zusatz von Gluten zu Lebensmitteln oder Pharmazeutika stellt

eine erhebliche Gesundheitsgefahr für diese Verbrauchergruppe dar (Dahinden et al. 2001).

Bei Getreide lassen sich vorallem drei Arten von Verfälschungen beobachten, die wie im Weiteren

erläutert, vornehmlich durch molekularbiologische und chemische Methoden untersucht werden

(Abbildung 5):

1. Verfälschung durch exogene Substanzen zur Vortäuschung eines höheren Proteingehalts

2. Verfälschung durch Mischen mit preisgünstigeren, minderwertigen Körnern/Sorten

3. Falschdeklaration der geographischen Herkunft oder bewusste Substitution von Getreide

unterschiedlicher geographischer Herkunft


30

Abbildung 5: Methoden zur Detektion von Lebensmittelverfälschungen in Getreide (Überblick aus


Verfälschung durch exogene Substanzen zur Vortäuschung eines höheren Proteingehalts

Zur Detektion exogener Verfälschungssubstanzen in Getreidemehl (wie Melamin, Cyanursäure,

Ammelin und Ammelid) entwickelten Ehling et al. (2007) eine Methode für Weizen-, Mais- und

Reismehl nach chromatographischer Auftrennung (HPLC-DAD). Die Autoren gehen davon aus, dass die

Methode auch auf Sojamehl anwendbar ist. Durch alkalische Bedingungen war es möglich, die sonst

zur Komplexbildung neigenden Verbindungen Melamin und Cyanursäure simultan zu analysieren (vgl.

Tabelle 6 im Anhang).

Verfälschung durch Mischen mit preisgünstigeren, minderwertigen Körnern/Sorten

Zur Detektion von Getreideverfälschungen mit Sorten anderer botanischer Herkunft (Oryza Spezies,

Triticum Spezies, Hordenium vulgare, Secale cereale, Avena sativa, Sorghum bicolor, Zea mays, Coix

lacryma-jobi, Triticosecale) werden verschiedene Methoden verwendet wie die IR-Spektroskopie,

Hyperspectral Imaging, Karl-Fischer-Wasser-Titration (KFT), LC, LC-MS, ELISA, real-time PCR (mit HRM)

und Multiplex-PCR.

Ziegler et al. (2016) entwickelten eine FTNIR Methode in Kombination mit Chemometrik (PLS-DA) zur

Differenzierung verschiedener Weizenarten anhand ihrer FTNIR-Spektren. So konnten Dinkel-

(Triticum aestivum ssp. spelta), Brotweizen- (T. aestivum ssp. Aestivum), Emmer- (T. turgidum ssp.

dicoccum), Hartweizen- (Triticum durum) und Einkornmehl oder- körner (T. monococcum) differenziert


31

werden. Anhand dieser Methode war es möglich, die beiden in Deutschland meist verwendeten

Weizenspezies Dinkel und Brotweizen zu differenzieren

Righetti et al. (2018) detektierten Verfälschungen von Hartweizen mit Weichweizen durch ungezielte

Lipidom-Analyse mittels UHPLC-Quadrupol (Q)-TOF MS in Kombination mit Chemometrik (PCA, OPLS-

DA). Es wurden statistisch signifikante Marker ermittelt, anhand derer die Diskriminierung erfolgte.

Diese stammten im Wesentlichen von Alkylresorcinolen, Triaglycerolen und Galactolipiden ab.

Digalactosyldiglycerid, ein Membranlipid, wurde als effektiver Marker für Weichweizen erkannt,

anhand dessen eine Detektion in Mehlen bis zu einem Verfälschungsgrad von 3 % (entspricht Level in

italienischer Gesetzgebung) möglich war.

Für die Detektion von glutenhaltigen Getreidesorten (Weizen, Roggen, Gerste, Hafer) in glutenfreien

Produkten entwickelten Sandberg et al. (2003) getreidespezifische real-time PCR Methoden basierend

auf Schmelzkurvenanalysen zur PCR Produkt-Analyse. Anhand der getreidespezifischen Zielsequenzen

des Getreideprolamin Gens (𝜔-Gliadin für Weizen, 𝜔-Secalin für Roggen, Hordein für Gerste und

Avenin für Hafer) konnten Verfälschungen in Lebensmittelproben nachgewiesen werden.

Ganopoulos et al. (2011) nutzten Microsatellite und Fragrance Typing (DNA-basiert) mit High

Resolution Melting (HRM) zur Differenzierung der botanischen Herkunft von Basmati Reis. Mittels real-

time PCR wurde die Reis-DNA amplifiziert. Die Genotypisierung Basmati und nicht-Basmati Reissorten

erfolgte anhand von Microsatellitmarkern (SSR-Marker) mittels HRM-Schmelzkurven-Analyse. Das

potentielle Auflösungsvermögen der HRM ist deutlich höher als das der konventionellen

Schmelzanalyse. Anhand des BAD2 Gens (Marker für Duftreis-Genotypisierung) wurde mittels HRM

zwischen Duftreis und nicht-Duftreis unterschieden (Fragrance Typing).

García-García et al. (2018) nutzten multiplex ligation-dependent probe amplification (MLPA), eine

Variante der Multiplex-PCR zur simultanen Differenzierung von Weizen, Gerste, Roggen und Hafer in

getreidehaltigen (u.a. prozessierten) Lebensmitteln. Anhand von DNA-Fragmenten der ribosomalen

internal transcribed spacer (ITS) Region und spezifischen Genen low-molecular-weight (LMW)-Glutenin

und 𝜔-Secalin konnten Gerste und Hafer bzw. Weizen und Roggen identifiziert werden.


32

Falschdeklaration der geographischen Herkunft oder bewusste Substitution von Getreide

unterschiedlicher geographischer Herkunft

Zur Bestimmung der geographischen Herkunft von Getreide, insbesondere von Reis, werden folgende

Methoden verwendet: NMR, multiple reaction monitoring (MRM)-MS, IRMS und ICP-MS.

Lim et al. (2017) identifizierten mittels Direktinjektion-(DI)-MRM-MS (ESI-MS) in Kombination mit

Chemometrik (PCA, PLS-DA) Verfälschungen von chinesischem weißen Reis in koreanischem weißen

Reis (Oryza sativa L. ssp. japonica). Anhand gezielter Lipidom-Analyse und bioinformatischer Tools

konnte die geographische Herkunft anhand von Lysoglycerophospholipiden (lysoGPLs) differenziert

werden.

Kelly et al. (2014) differenzierten Basmati Reis aus den U.S.A., Europa sowie aus Indien/Pakistan

anhand der 13C/12C-, 18O/16O -Verhältnisse und der Multielementkomposition (Bor, Holmium,

Gadolinium, Magnesium, Rubidium, Selen, Wolfram) mittels ICP-MS und IRMS. Europäischer Reis war

reich an Magnesium, amerikanischer Reis wies eine hohe Konzentration an Bor und

indischer/pakistanischer Reis konnte anhand der vergleichsweise geringen 18O Isotopenhäufigkeit

differenziert werden, die von der jeweiligen Bodenbeschaffenheit abhängig ist. Das 18O/16O -Verhältnis

wurde vom aufgenommenen Wasser beeinflusst, dessen Vorkommen wiederum vom Breitengrad und

der Höhenlage abhängig ist. Ebenso waren Transpirationseffekte, d.h. Absonderung von 16O-Wasser

aus den Stromata in trockenen Gebieten und folglich eine Ansammlung von 18O in der Pflanze, sowie

generell klimatische Bedingungen für das 18O/16O -Verhältnis von Bedeutung.

4.6 Honig und Ahornsirup

Laut Richtlinie 2001/110/EG ist Honig definiert als „der natursüße Stoff, der von Bienen der Art Apis

mellifera erzeugt wird, indem die Bienen Nektar von Pflanzen oder Absonderungen lebender

Pflanzenteile oder sich auf den lebenden Pflanzenteilen befindliche Sekrete von an Pflanzen saugenden

Insekten aufnehmen, durch Kombination mit eigenen spezifischen Stoffen umwandeln, einlagern,

dehydrieren und in den Waben des Bienenstockes speichern und reifen lassen.“

Es kann folglich zwischen Honigtau und Blütenhonig und weiter zwischen polyfloralen und

monofloralen Honigen unterschieden werden. Letztere werden durch die Platzierung der

Bienenstöcke in Gebieten mit einer dominierenden Pflanzenart gewonnen. Auf Grund ihrer Seltenheit

haben sie meist einen hohen Preis (Prosser und Hebert 2017; Trifkovic et al. 2017).

Je nach geographischer Lage spiegelt Honig die lokale Pflanzenzusammensetzung wieder (Valentini et

al. 2010). Neben der Europäischen Honigbiene (Apis mellifera) existieren weitere Spezies, welche zum

Teil stachellos sind (Melipona beecheii). Diese Honige werden dann zu höheren Preisen gehandelt.


33

Vorsätzliche Verfälschungen treten deshalb unter anderem auch zwischen Honigen verschiedener

Bienenarten auf (Vit et al. 2004).

Hauptbestandteil von Honig sind Monosaccharide, hauptsächlich in Form von Fructose und Glucose

(etwa 70 %). Weitere Bestandteile sind Oligosaccharide (etwa 10 %, v.a. Saccharose), Wasser,

organische und anorganische Säuren, Proteine, Vitamine, Polyphenole, Aminosäuren, Mineralstoffe

und Aromastoffe (Bilandžić et al. 2011; Sanz et al. 2004; Valentini et al. 2010). Honig ist als

Süßungsmittel sehr beliebt, da er im Gegensatz zu industriell gefertigten Sirups neben seinem

einzigartigen Geschmack einen hohen ernährungsphysiologischen Wert besitzt (Sivakesava und

Irudayaraj 2002). Dennoch ist Honig ein Naturprodukt und deshalb limitiert verfügbar, besonders da

auf Grund von klimatischen Entwicklungen und Umweltgegebenheiten Bienen vom Aussterben

bedroht sind (Hong et al. 2017). Honig ist deshalb anfällig für Verfälschungen, sei es entweder durch

Zugabe von günstigeren Honigen mit geringerem Qualitätswert, oder durch Streckung mit günstig

produzierten Sirups, u.a. Invertzuckersirup aus Rohr- und Rübenzucker, Mais-Sirup, High Fructose-

Corn-Syrup (HFCS) oder Reissirup (Du et al. 2015; Trifkovic et al. 2017).

Bei Honig treten folglich drei mögliche Arten der Verfälschung auf:

1. Zugabe von diversen Industriezuckersirups

2. Verfälschung oder Falschdeklaration der botanischen Herkunft

3. Verfälschung oder Falschdeklaration der geographischen Herkunft

Ahornsirup wird aus dem Zucker-Ahorns (Acer saccharum) gewonnen, welcher vor allem in den

nordamerikanischen Breiten und Kanada verbreitet ist. Er entsteht durch Eindicken des Xylemsaftes

und besteht hauptsächlich aus Saccharose (etwa 70 %) (Stuckel und Low 1996). Weitere Bestandteile

sind Glucose (< 1%), Fructose (< 1%), organische Säuren, Aminosäuren, Phenole, Spurenelemente und

Aromastoffe (Paradkar et al. 2003). Auch Ahornsirup wird ähnlich wie Honig auf Grund seines hohen

Kohlenhydratgehalts leicht mit günstigen Industriezuckern verfälscht (Stuckel und Low 1995).

Die zur Authentizitätsbestimmung angewendeten methodischen Ansätze sind im Folgenden

zusammengefasst und stützen sich primär auf spektrospische Techniken sowie Elementanalyse

(Abbildung 6).


34

Abbildung 6: Methoden zur Detektion von Lebensmittelverfälschungen in Honig und Ahornsirup

(Überblick aus insgesamt 34 wissenschaftlichen Publikationen, siehe Tabelle 7 im Anhang).

Zugabe von diversen Industriezuckersirups

Für die Detektion künstlich zugesetzter Zucker werden verschiedene Methoden eingesetzt (Tabelle 7

im Anhang): IR, Raman, NMR, differential scanning calorimetry (DSC), Fluoreszenzspektroskopie, HPLC,

high pressure anion exchange liquid chromatography (HPAELC), HPLC-MS, ICP-MS, ICP-optical emission

spectrometry (OES), IRMS. Anhand dieser Methoden ist es möglich, Verfälschungen in Form von

Zucker/Zuckerlösungen (Glucose, Fructose, Saccharose, Rüben-/Rohrzucker), Sirups (High-Fructose-

Corn-Syrup (HFCS), Invertzucker-Sirup, Rüben-Medium-Invertzucker) und Sirups zur Bienenfütterung

zu detektieren.

Sivakesava und Irudayaraj (2002) detektierten mittels FTMIR und multivariater Datenanalyse (PCA,

PLS, LDA) Verfälschungen in Form von Glucose, Fructose, Saccharose sowie Rohr- und Rüben-

Invertzucker in Honig.

Bertelli et al. (2010) entwickelten eine HR-FT-NMR Methode zur Detektion von Honigverfälschungen

in Form von verschiedenen, kommerziellen Zuckersirups und Sirups, welche als Futter den Bienen

verabreicht wurden. Anhand von 1H NMR- und HMBC Spektren wurden Honig-Fingerprints erstellt und

unter Anwendung chemometrischer Methoden (FA und GDA) Verfälschungen detektiert.

Anhand der Markerverbindungen Hydroxymethylfurfural (HMF) und Furosin konnten mittels HPLC-UV

und reversed-phase (RP)-HPLC-UV in Verbindung mit Chemometrik (PCA) Honig-Zusätze in Form von

Zuckersirups (HFCS, Mais-Sirup, Invert-Sirup und andere Sirups unspezifischer Herkunft) nachgewiesen


35

werden (Morales et al. 2009). HMF und Furosin dienen als Frische-Indikatoren für Honig. In frischem

Honig ist die HMF-Konzentration sehr gering und die Furosin-Konzentration sortenabhängig. Anhand

von erhöhten HMF-Konzentrationswerten und erniedrigten Furosin-Konzentrationen (auf Grund von

Verdünnung) können Verfälschungen detektiert werden.

Mittels IRMS war es Guler et al. (2014) möglich, anhand der 𝛿13C-Werte von Honig, von Honigprotein,

der Differenz dieser beiden Werte (∆ 𝛿13C) und dem C4%-Zucker-Verhältnis Zusätze von Zuckersirups

(HFCS-85, HFCS-55, Bienenfütterungssirup) und Zuckern (Glucosemonohydrat, Saccharose)

bestimmen. Grundlegendes Prinzip ist das unterschiedliche 13C/12C-Verhältnis in C3-Pflanzen und C4-

Pflanzen (wie z.B. Rohrzucker, Mais), welches auf der CO2-Fixierung während des

Photosynthesestoffwechsel beruht. C3-Pflanzen dienen als Nahrungsquelle der Bienen und

Invertzuckersirups werden vor allem aus C4-Pflanzen hergestellt.

Verfälschung oder Falschdeklaration der botanischen Herkunft

Zur Detektion der botanischen Herkunft und damit einhergehend der Verfälschung von Honig durch

Honige unterschiedlicher botanischer Herkunft oder Fehldeklaration werden E-Nose und E-Tounge-

Messungen, NIR, NMR, CZE, HPLC, HPLC-MS, GC-MS, IRMS und DNA-Barcoding eingesetzt (Tabelle 7).

Anhand dieser Methoden ist es möglich, u.a. zwischen den botanischen Herkünften von Honig (Raps,

falsche Akazie, Limette, Heidekraut, Honigtau, Kornblume, Sonnenblume, Klee, Alpenrose, Kastanie,

Löwenzahn, Orange, Eukalyptus, Erdbeerbaum, Maquis, Lavendel, Linde, Weide, Phacelia-Honigklee,

Rosazeen, Rosmarin, Thymian) und zwischen Honigtauhonigen (Tannenhonigtau, Metcalfa-Honigtau)

zu differenzieren.

Andrade et al. (1997) entwickelten mittels CZE-DAD ein Verfahren zur Differenzierung der

monofloralen Honigsorten Heidekraut, Lavendel, Akazie, Raps, Sonnenblume, Rosmarin, Zitrus,

Rhododendron, Thymian, Kastanie und Besenheide anhand ihres phenolischen Profils und potentiellen

floralen Markern. Rebane und Herodes (2008) bestimmten mittels HPLC-UV die Aminosäureprofile und

differenzierten nach Anwendung von Chemometrik (PCA) zwischen den monofloralen Honigsorten

Heidekraut, Löwenzahn, Linde, Raps, Weide, Phacelia-Honigklee, Rosazeen sowie polyfloralem Honig.

Anhand der volatile-organic-compound (VOC)-Profile differenzierten Gerhardt et al. (2018) mittels HS-

GC-ion mobility spectrometry (IMS) in Kombination mit Chemometrik (PCA, LDA, kNN) zwischen

Honigtau und den Honigsorten Raps und Akazie.

Utzeri et al. (2018) nutzten Pflanzen-DNA (trnL (UAA) Intron), um anhand von PCR und Next Generation

Sequencing (NGS) zwischen monofloralen Honigen, polyfloralen Honigen und Honigtau zu

unterscheiden.


36

Verfälschung oder Falschdeklaration der geographischen Herkunft

Für die Detektion der geographischen Herkunft von Honig und der Detektion von Falschdeklarationen

werden die folgenden Methoden (Tabelle 7): NMR, Graphitroher-Atomabsorptionsspektroskopie

(GFAAS) mit Quecksilber-Analysator, Totalreflexions-Röntgenfluoreszenzanalyse (TXRF) mit IRMS, ICP-

MS, HS-SPME-GC mit GC-TOF MS, MALDI-TOF MS sowie die Melissopalynologische Analyse

angewendet.

Anhand der Spurenelementkomposition (Arsen, Cadmium, Kupfer, Quecksilber, Blei), vermessen

mittels GFAAS und Quecksilber-Analysator in Kombination mit ANOVA, konnte die geographische

Herkunft von Honigen, welche von verschiedenen Regionen innerhalb Kroatiens stammten, bestimmt

werden (Bilandžić et al. 2011).

Batista et al. (2012) bestimmten die geographische Herkunft von Honigen aus verschiedenen

brasilianischen Städten mittels ICP-MS in Kombination mit Chemometrik (SVM, multilayer perceptron

- MLP, random forest - RF) anhand ihrer Multi-Element-Komposition, genauer gesagt anhand von

insgesamt 42 Elementen. Mittels MALDI-TOF MS und Chemometrik (PCA) erstellten Wang et al. (2009)

Proteinfingerprints zur Diskriminierung von Honig aus Hawaii, anderen Staaten der U.S.A., Neuseeland

sowie Asien.

Die Richtigkeit der geographischen Herkunft kann außerdem mittels Pollenanalyse

(Melissopalynologische Analyse) bestimmt werden. Anhand der mikroskopischen Analyse kann des

Weiteren auch die botanische Herkunft bestimmt werden (Louveaux et al. 1978).

4.7 Kaffee und Tee

4.7.1 Kaffee

Kaffee ist eines der beliebtesten Getränke weltweit. Der Konsum ist in den letzten Jahren auf Grund

neuer Produkte und Arten der Zubereitung weiter gestiegen. Brasilien ist der weltweit größte

Kaffeeproduzent. Für Brasilien und andere Produktionsländer ist die Kaffeeproduktion ein wichtiger

Wirtschaftsfaktor (Toci und Farah 2008; Toci et al. 2016).

Coffea arabica und Coffea canephora (Robusta Kaffee) gehören zu den meist verkauften Kaffeesorten,

insgesamt existieren fast 100 Sorten. C. arabica ist die beliebtere Sorte und wird zu höheren Preisen

gehandelt (meist ca. 20-25 % höher als Robusta Kaffee), da sie ein kräftigeres Aroma, einen geringeren

Koffeingehalt und einen geringere Bitternote besitzt (Bona et al. 2017; Hong et al. 2017; Toci et al.

2016). Geschmack und Qualität des Kaffees sind abhängig von seiner chemischen Zusammensetzung.

Ausschlaggebend sind vor allem Zucker, Aminosäuren, Pyrazine, und Melanoidine. Sie sind beteiligt an


37

der Maillard-Reaktion, aus der während des Röstungsprozesses unter anderem Aromen und

Geschmacksstoffe hervorgehen. Des Weiteren sind Trigonellin, N-Methylpyrazin, Chlorogensäuren

und Koffein enthalten (Ciampa et al. 2010). Qualität und Geschmack beeinflussende Faktoren sind

Sorte, Bohnenqualität (Größe, Farbe, Reifegrad, Anteil an defekten Bohnen, etc.), Anbaupraktiken,

Röstung, Mahlung (Choi et al. 2010; Toci et al. 2016). Defekte (faule) Bohnen verursachen zum einen

Fehlgeschmack, zum anderen können sie Mykotoine (insbesondere Ochratoxin A) enthalten und damit

eine Gesundheitsgefahr für den Verbraucher darstellen (Toci und Farah 2014).

Die Qualität kann anhand der Green Coffee Classification and Grading-Methode bestimmt werden. Pro

300 g werden defekte Bohnen, Steine oder Äste als Mängel gezählt, gewichtet und die Qualität anhand

bestimmter Standards bestimmt (Coffee Research Institute 2018). Im Allgemeinen ist gemahlener

Kaffee (z.B. auch Instant Kaffee) stärker von Betrug betroffen als Kaffee in Bohnenform (Briandet et al.

1996).

Es lassen sich vier verschiedene Arten der Kaffeeverfälschung beobachten:

1. Addition exogener Substanzen (Glucose, Stärke, Zichorie, Maiskerne, Kaffeeschalen, Gerste,

Hülsenfrüchte etc.)

2. Verfälschung der botanischen Herkunft, d.h. Coffea arabica (Arabica Kaffee) mit Coffea

canephora (Robusta Kaffee)

3. Fehlangaben zur Behandlungs-/Herstellungsart, d.h. biologisch/konventionell, Kopi-Luwak

Kaffee, Espresso Kaffee, entkoffeiniert


In der Fachliteratur beschriebene Methoden zu Nachweis dieser Verfälschungen sind im Folgenden im

Einzelnen beschrieben. Insgesamt lässt sich festellen, dass wie in Abbildung 7 ersichtlich vor allem

spektroskopische Methoden, NMR, aber auch HPLC dafür Anwendung finden.


38

Abbildung 7: Methoden zur Detektion von Lebensmittelverfälschungen in Kaffee (Überblick aus


Addition exogener Substanzen (Glucose, Stärke, Zichorie, Maiskerne, Kaffeeschalen, Gerste,

Hülsenfrüchte, etc.)

Zur Detektion exogener Verfälschungssubstanzen könnten folgende Methoden angewendet werden

(Tabelle 8 im Anhang): FTIR (attenuated global reflection)-ATR, diffuse reflectance fourier transform

spectroscopy (DRIFT), Photoakustische Spektroskopie, Thermische Linsen Spektroskopie, NMR, HPAEC,

LC, CE-MS/MS, GC-MS, Multispektrales Imaging, ICP-OES, Enzymatische Bestimmung, randomly

amplifed polymorphic DNA (RAPD)-PCR. Anhand dieser Methoden war es möglich, Verfälschungen in

Form von Glucose, Stärke, Zichorien-Kaffee, Maiskerne, Kaffeeschalen, Gerste, Sojabohnen,

Hülsenfrüchte, Maltodextrine, Zucker (karamelisiert), Triticale, Acai-Samen, defekte Kaffeebohnen,

Stroh, brauner Zucker, Getreide, Karamel, Feige, Glucosesirup, Reis in

rohem/gerösteten/gemahlenem/Instant Kaffee zu detektieren.

Reis et al. (2013) detektierten geröstete Maiskerne und Kaffeeschalen simultan in geröstetem,

gemahlenem Arabica Kaffee mittels DRIFT-Spektroskopie in Kombination mit Chemometrik (PCA, LDA).

Der Unterschied der DRIFTS zur ATR-FTIRS liegt in der Informationsaufnahme. Während ATR die

Informationen der Probenoberfläche ermittelt, nimmt DRIFTS Informationen der gesamten Probe in

Form von interner und externer Reflexion auf. DRIFTS wird vor allem für feste Proben, ATR für flüssige

Proben verwendet. Anhand der DR-Spektren und Absorptionswerte (u.a. hervorgerufen durch Lipide,

phenolische Verbindungen) konnten die Verfälschungen detektiert werden.


39

Die meisten Analysen zur Detektion von Kaffeeverfälschungen werden mit gemahlenem Kaffee

durchgeführt. Eine Problematik hinsichtlich konventioneller spektroskopischer Methoden ist eine

unspezifische Lichtstreuung aufgrund Probeninhomogenität durch variierende Korngrößen und

Verdichtungsdruck. Um diese Problematik zu umgehen, entwickelten Fontes et al. (2001) eine

Thermische Linsenspektrometrie (TLS) Methode zur Analyse von gebrühtem Kaffee durch Kombination

von pH-Wert und spektrophotometrischen Messungen zur Detektion von geröstetem Maismehl. Die

durch die Probe vom Laserstrahl absorbierte Energie wird teilweise oder vollständig in Wärme

umgewandelt. Dadurch entsteht eine raumabhängige Veränderung des Brechungsindex. Anhand des

Temperaturkoeffizienten des Brechungsindex und der Messung der resultierenden

Streuung/Fokussierung in Kombination mit pH-Wert Messungen kann dann Kaffeeverfälschung in

Form von Mais detektiert werden.

Domingues et al. (2014) verglichen HPLC-HPAEC-PAD (ISO 11292, 1995) und

Nachsäulenderivatisierung HPLC-UV/Vis Daten in Kombination mit Chemometrik (PCA) hinsichtlich

ihrer Leistung zur Detektion von Arabica Kaffee Verfälschungen in Form von Triticale und Acai-Samen.

Anhand spezifischer Zucker konnten von beiden Methoden die Matrices unterschieden werden.

Glucose und Xylose waren vor allem in Triticale, Mannose vor allem in Acai enthalten und Arabica

Kaffee war reich an Galactose. HPLC-UV/Vis ermöglichte trotz geringerer chromatographischer

Auftrennung und Empfindlichkeit eine schnellere, einfachere Detektion im Vergleich zur teureren,

komplexeren HPLC-HPAEC-PAD Instrumentierung.

Toci und Farah (2014) differenzierten anhand einer SPME-GC-MS Methode defekte Kaffeebohnen in

rohem und gerösteten Zustand von nicht defekten Bohnen. Anhand von Profilen flüchtiger Substanzen

konnten Indikatoren für niedrige Qualität oder Markerverbindungen für defekte Bohnen ermittelt

werden. Diese stammten vor allem aus den Substanzklassen der Pyrazine, Pyrrole und Phenole.

Butyrolaceton war ein Indikator roher defekter Bohnen, Hexansäure für geröstete defekte Bohnen und

2-Pentylfuran für geröstete, schwarze Bohnen.

Verfälschung der botanischen Herkunft

Verfälschung der botanischen Herkunft, d.h. Coffea canephora (Robusta Kaffee) in Coffea arabica

(Arabica Kaffee) können anhand IR- und UV/Vis-Spektroskopie, NMR, MS sowie PCR (-RFLP) bestimmt

werden. Ciampa et al. (2010) entwickelten eine schnelle high resolution-magic-angle spinning (HR-

MAS) NMR Methode zur Differenzierung von Robusta in Arabica in gemahlenen Kaffeemischungen aus

grünen und gerösteten Bohnen. Die zur Differenzierung herangezogenen relevanten Substanzen

(Zucker, Aminosäuren, Acrylamid, Pyrazine, Melanoidin, Trigonellin, N-Methylpyridin,


40

Chlorogensäuren, Koffein – z.T. Reaktionsteilnehmer der Maillard Reaktion, z.T. Produkte daraus)

veränderten ihre Konzentration in Abhängigkeit zur Rösttemperatur.

Garrett et al. (2012) differenzierten Robusta Verfälschungen in Arabica Kaffeeextrakt mittels direct

infusion ESI-FT-ion cyclotron resonance (ICR)-MS in Kombination mit Chemometrik (PLS) anhand

diverser polarer Hauptkomponenten (100-1000 Da, je ~20 identifizierte Substanzen für Robusta und

Arabica), vermessen im positiven und negativen Modus.

Fehlangaben zur Behandlungs-/Herstellungsart, d.h. biologisch/konventionell, Kopi-Luwak Kaffee,

Espresso Kaffee, entkoffeiniert

Zur Differenzierung der Behandlungs-/Herstellungsart des Kaffees, d.h. biologisch/konventionell, Kopi-

Luwak Kaffee, Espresso-Kaffee, entkoffeiniert/koffeinhaltig wurden folgende Methoden verwendet

(Tabelle 8): UV/Vis-Spektroskopie, NMR und high sensitivity proton transfer reaction (HS-PTR)-MS.

Özdestan et al. (2013) entwickelten eine HS PTR-MS Methode in Kombination mit Chemometrik (PLS-

DA) zur Differenzierung von biologischem und konventionellem Kaffee sowie zur Erkennung von Kopi

Luwak Kaffee und Espresso Kaffee anhand ihres Profils an flüchtigen Komponenten. Kopi Luwak Kaffee,

verkauft zu Premium-Preisen, wird von den indonesischen Fleckenmusangs (Paradoxurus

hermaphroditus) im Verdauungstrakt fermentiert, wodurch es sein außergewöhnliches Aroma erhält.

Die Tiere fressen die Kaffeekirschen und aus den ausgeschiedenen Bohnen wird der Kaffee zubereitet.

Alle genannten Herstellungsarten konnten anhand ihres Aromaprofils differenziert werden. Des

Weiteren wurden auch fairtrade und nicht-zertifizierter Kaffee analysiert. Anhand des Aromaprofils

konnte jedoch keine Differenzierung erfolgen. Die Autoren begründeten dieses Ergebnis damit, dass

fairer Handel weniger auf die Qualität der Produkte einen Einfluss hat als auf ethische Aspekte.


Die geographische Herkunft von Kaffee kann anhand IR-Spektroskopie, LC-MS (+ GC-FID) und ICP-MS

bestimmt werden (Tabelle 8).

Mehari et al. (2016) bestimmten anhand von phenolischen Komponenten die geographische Herkunft

(Hauptproduktionsregionen in Äthiopien: Nordwest und Ost (Harar), West sowie Süd) von grünen

Arabica Kaffeebohnen mittels UPLC-MS in Kombination mit Chemometrik (PCA, LDA). Die

Differenzierung erfolgte vor allem anhand von regionsspezifischen Markern aus der Verbindungsklasse

der Chlorogensäuren. Ihr unterschiedlicher Gehalt wurde auf genetische Faktoren,

Umweltbedingungen während des Wachstums und Nacherntebehandlungen zurückgeführt.


41

4.7.2 Tee

Tee, gewonnen aus den obersten Blättern der Teepflanze (Camellia sinensis L.) ist seit Jahrhunderten

ein beliebtes Getränk. Viele Regionen entwickelten ihre eigene Teekultur mit eigenen Teesorten.

Im Wesentlichen existieren zwei Teesorten, Camellia sinensis L var. sinensis und var. assamica. Var.

sinensis wird für die Herstellung von Grünem Tee verwendet und var. assamica für die Herstellung von

Pu-Erh Tee. Je nach Fermentationsgrad werden unfermentierte Teesorten (Grüner Tee, Weißer Tee,

Grüner Pu-Erh Tee), teilweise fermentierte Teesorten (Oolong Tee) und vollfermentierte Teesorten

(schwarzer Tee, Pu-Erh Tee) unterschieden. So werden Grüner Tee und Oolong Tee vor allem in Asien

und Nordafrika, Weißer Tee vor allem in Asien und Europa, Pu-Erh Tee in Asien und Schwarzer Tee

weltweit konsumiert (Lv et al. 2014; Soylak et al. 2007; Zhao et al. 2011). China gehört zu den größten

Teeproduzenten der Welt (Serpen et al. 2012).

Durch die Fermentation, d.h. enzymatische Oxidation der Polyphenole, bilden sich Theaflavine und

Thearubigine, wodurch der Tee seine charakteristische Farbe sowie Aroma erlangt (Palmer 1984).

Inhaltsstoffe von Tee sind Xanthine, Phenolische Verbindungen (Catechine, Flavonole, Flavone,

Proanthocyanidine etc.), Terpenoide, Fettsäuren, essentielle Öle und Aminosäuren. Tee besitzt

medizinische und gesundheitsfördernde Eigenschaften auf Grund bioaktiver Inhaltsstoffe, wie bspw.

Epigallocatechingallat (Zhao et al. 2011).

Kräutertees und Kräuter-Aufgüsse werden aus Kräutern oder Kräutermischungen hergestellt. Jene

Kräuter besitzen aromatische und/oder medizinische Eigenschaften. Kräuter werden aus

unterschiedlichen Teilen von Pflanzen gewonnen (Blätter, Früchte, Blüten, Wurzeln, Rinde, etc.), je

nachdem, welche Teile der Pflanze die höchste Konzentration der aktiven Substanz aufweisen

(Prchalova et al. 2017).

Die Verfälschungen von Tees (Camellia sinensis L.) und Kräutertees/Aufgüssen lässt sich in vier Arten

unterteilen:

1. Addition exogener Substanzen (z.B. Cashewschalen, synth. Koffein)

2. Verfälschung der botanischen Herkunft (Camellia sinensis L./Camellia pubicosta L.),

Differenzierung verschiedener „Kräutertees“

3. Verfälschung des Fermentationsgrads



42

Im Vergleich zu den anderen Lebensmittelmatrices sind für Tee insgesamt weniger Literaturquellen

verfügbar. Das Spektrum an zur Authentizitätskontrolle angewandten Methoden ist wie aus der

folgenden Grafik zu entnehmen ist sehr heterogen. Die zu den oben beschriebenen Verfälschungsarten

herangezogenen Methoden werden im Einzelnen wie folgt erläutert.

Abbildung 8: Methoden zur Detektion von Lebensmittelverfälschungen in Tee (Überblick aus


Addition exogener Substanzen

Zur Detektion exogener Substanzen (wie synthetisches Koffein, Cashew-Schalen) in Tees und

Kräutertees wurden high temperature-(HT)-RPLC/IRMS und PCR beschrieben (Tabelle 8 im Anhang).

Die von Zhang et al. (2012a) entwickelte HT-RPLC/IRMS Methode ermöglichte eine einfache und

schnelle Diskriminierung von synthetischem und natürlichen Koffein in Tee (C. sinensis L.) und Kaffee

(und synthetischen Getränken) anhand der 13C/12C-Verhältnisse des Koffeins. Synthetisches Koffein

wies negativere 𝛿13C-Werte auf als natürliches Koffein (aus C3-Pflanzen).

Verfälschung der botanischen Herkunft, Differenzierung verschiedener Kräutertees

Verfälschungen der botanischen Herkunft von Tee und Kräutertees wurden bisher mit folgenden

Methoden untersucht: HPTLC, Hyperspectral Imaging (HSI), DNA Verity Test, DART-TOF MS, UPLC-DAD

MS und HS-SPME-GC-MS.

De Castro et al. (2017) entwickelten einen schnellen, kostengünstigen DNA Verity Test (DVT) mit zwei

Vorgehensweisen. Zum einen ermöglichte ein Genotypisierungsansatz von markierten-PCR DNA


43

Barcoding Fragmenten die Detektion von Verfälschungen in Tee in Form von Verunreinigungen durch

andere Pflanzen. Zum anderen diente ein Sanger-Sequenzierungsansatz von DNA Barcoding Markern

zur Identifizierung von C. sinenis und auch zur Detektion von Verfälschungen (Vorliegen von

Kontaminationen oder Abwesenheit von zertifizierten Inhaltsstoffen). Mittels BLAST-Analyse einer

bestimmten Sequenz von Chloroplastenmarkern konnte C. sinensis taxonomisch charakterisiert und

mittels einer bestimmten intergenetischen Region des Chloroplastengenoms C. sinensis von C.

pubicosta unterschieden werden.

Verfälschung des Fermentationsgrads

Verfälschungen des Fermentationsgrads können mittels folgender Methoden ermittelt werden

(Tabelle 8): HS-SPME/GC-MS und Potentiometrische Flow-Injektion (FI).

Nieh et al. (2009) entwickelten ein Potentiometric Flow-Injektion (FI) System zur Differenzierung von

Tee- (Camellia sinensis L.) Fermentationsgraden anhand ihrer verschiedenen Redoxpotentiale. Die

allgemeine Problematik, polyphenolhaltigen Tee mittels Cyclic Voltammetry oder E-tounges zu

untersuchen, bestand in der Adsorption von Catechinen an den Elektrodenoberflächen. Durch die hier

gewählte Flussinjektion konnte das Problem der Elektrodenverschmutzung umgangen werden. Nieh

et al. verwendeten eine Platinelektrode, für kommerzielle Anwendungen wurden screen-printed

carbon-paste Elektroden empfohlen.


Zur Bestimmung der geographischen Herkunft von Tee (Camellia sinensis L.) wurden folgende

Methoden eingesetzt: IR-Spektroskopie, NMR, LC, LC-MS/MS, colorimetric artificial tounge and nose

und ICP-MS mit IRMS.

Huo et al. (2014) entwickelten eine schnelle colorimetric artificial tounge and nose Methode in

Kombination mit Chemometrik (hierarchical cluster analysis - HCA, PCA) zur Bestimmung der

geographischen Herkunft von Grünem Tee (China) anhand von Farbveränderungsprofilen. Diese

wurden anhand eines entwickelten Sensors aufgenommen, der aus einer hydrophoben Membran

besteht, die mit nanoporösem Porphyrin und dimeren Metalloporphyrinen (chemisch reagierenden

Farbstoffen) bedruckt ist, die bei Kontakt mit Gas und/oder Flüssigkeit ein Signal geben.

Des Weiteren konnten anhand dieser Methode die Grüntees nach Qualitätsstufe (Grade Level)

klassifiziert werden.


44

4.8 Gewürze und Kräuter

Gewürze und Kräuter sind farb- und aromagebend und werden, wenn auch in geringen Mengen,

zahlreichen Lebensmitteln zugesetzt. Zudem besitzen sie physiologische und pharmakologische

Wirkungen (entzündungshemmend, antioxidativ, antimikrobiell) (BfR 2016c; Ferrer et al. 2010; Özcan

und Akbulut 2008; Schweiggert et al. 2007).

Auf Grund von langen und komplizierten Handelsketten sind Gewürze und Kräuter stark von Betrug

betroffen. Die Bereitschaft zur Verfälschung steigt mit Verbrauchsmenge und finanziellem Wert

(Clemenson et al. 2012; Spink und Moyer 2011). Die meisten Gewürze und Kräuter werden in

subtropischen, tropischen Regionen oder Regionen mit gemäßigtem oder mediterranem Klima

angebaut. Oftmals handelt es sich um Entwicklungsländer mit undurchsichtigen

Produktionsprozessen, die auch gezielt unterstützt werden, Waren nach Europa zu importieren wie

z.B. durch das niederländische Außenministerium (CBI 2015; FAO 2011). Zudem werden Gewürze und

Kräuter oft in Pulverform gehandelt, was eine unentdeckte Zugabe von Verfälschungssubstanzen

begünstigt (Hong et al. 2017).

Die Europäische Union zählt zu den größten Gewürzmärkten weltweit (BfR 2016c). Allein die

Importmenge nach Deutschland im Jahr 2016 betrug 117.614 Tonnen mit einem Gesamtwert von 623

Millionen Euro. Die größte Importmenge weist Pfeffer (29.452 Tonnen), gefolgt von Paprika

(17.481 Tonnen) und Zimt (4.380 Tonnen) auf (Gewürzindustrie 2018). Größter Exporteur und

Gewürzproduzent ist Indien unter anderem mit Pfeffer, Paprikafrüchten (Capsicum spp.), Kurkuma,

Ingwer oder Cardamom (Schweiggert et al. 2007).

Sowohl Angebot und Nachfrage als auch Farbintensität (Qualitätskriterium) regeln Höhe des Preises.

Um farbliche Attraktivität/Intensität zu erreichen, um damit Frische zu implizieren, werden den

Gewürzen häufig synthetische Farbstoffe hinzugefügt (Black et al. 2016). Im Vergleich zu natürlichen

Farbstoffen sind diese günstiger und besitzen längere Haltbarkeit (Hong et al. 2017). Bestimmte

Farbstoffe, darunter Sudan-Farbstoffe sind als Zusatz in Lebensmitteln weltweit auf Grund ihrer

Einstufung als karzinogen (Stufe 3) verboten (IARC 1975).

Bei Kräutern ist die Preisbewertung weniger von der Farbe als von der „Kompaktheit“ (Verkaufsform:

gehackt/gemahlen) des Produkts abhängig, weshalb oftmals billige Füllstoffe zugegeben werden (Black

et al. 2016).


45

Bei Gewürzen und Kräutern werden drei Verfälschungsarten unterschieden, die mit den in Abbildung

9 zusammengefassten Methoden nachgewiesen werden können:

1. Verfälschung oder Zugabe exogener Substanzen (bspw. synthetische Farbstoffe, andere

Pflanzenteile, andere Pflanzen)

2. Verfälschung der botanischen Herkunft (Verfälschung der botanischen Spezies)


Das zu deren Detektion angewandte Methodenspektrum stellt sich recht heterogen dar. Wie aus

Abbildung 9 ersichtlich wurden spektroskopische Methoden gefolgt von molekularbiologischen und

massenspektrometrischen Ansätzen beschrieben.

Abbildung 9: Methoden zur Detektion von Lebensmittelverfälschungen in Kräutern und Gewürzen

(Überblick aus insgesamt 32 wissenschaftlichen Publikationen, siehe Tabelle 9 im Anhang)

Verfälschung oder Zugabe exogener Substanzen

Zur Detektion exogener Verfälschungen in Gewürzen und Kräutern sind folgende Methoden publiziert

(Tabelle 9 im Anhang): IR-, Raman-Spektroskopie, UV/Vis-Spektroskopie, Tetrahertz Spektroskopie,

NMR, HPLC-DAD, Mizellare Elektrokinetische Kapillar-Chromatographie (MEKC), LC-MS/MS, Gas

Sensory Arrays (E-Nose), DNA Barcoding, RAPD-PCR und Mikroskopische Untersuchung. Anhand dieser

Methoden ist es möglich, für Chili, Cayenne-Pfeffer, Paprika, Curry, Kurkuma, Safran, Kreuzkümmel,

Pfeffer, Muskatnuss, Ingwer, Senfkörner, Oregano und Salbei exogene Verfälschungen in Form von


46

synthetischen Farbstoffen, Pflanzenteilen (Blätter, Halme), Stärke, Mononatrium-Glutamat, und

andere Pflanzen zu detektieren.

Black et al. (2016) entwickelten eine FTIR-Methode gekoppelt mit UPLC-Q-TOF MS und Chemometrik

(PCA, OPLS-DA) zur Detektion von Verfälschungen von Oregano in Form von exogenen Blättern

(Olivenblättern, Myrtheblättern, Sumachblättern, Zistrosenblättern und Haselnusblättern). Anhand

von FTIR-Spektren, LC-HRMS-Datensätzen und Biomarkern konnte eine Detektion der Verfälschungen

erfolgen. Für jede Verfälschungssubstanz wurden mindestens vier singuläre Marker identifiziert.

Außerdem war es mittels dieser gekoppelten Methodik möglich, die beiden Oregano-Spezies

Origanum vulgare und O. onites zu differenzieren.

Di Anibal et al. (2009) detektierten Sudan-Farbstoffe (I-IV) in Kurkuma, Curry, scharfer und milder

Paprika mittels einer schnellen und einfachen UV/Vis-Spektroskopie in Kombination mit Chemometrik

(kNN, SIMCA, PLS-DA). Sudan I und II sowie Sudan III und IV zeigten jeweils auf Grund struktureller

Verwandtschaft ähnliche UV/Vis-Spektren. Anhand der Chemometrik war eine Klassifizierung der

einzelnen Sudan-Farbstoffe möglich, PLS-DA zeigte die besten Resultate.

Qi et al. (2011) detektieren ebenfalls Sudan-Farbstoffe (I-IV), jedoch mittels HPLC-DAD in Chili. Sie

entwickelten eine einfache und robuste solid phase extraction (SPE), um zunächst Störsubstanzen (wie

natürliche Farbstoffe etc.) abzutrennen und die Sudanfarbstoffe aufzukonzentrieren. Die Farbstoffe

konnten anschließend chromatographisch getrennt und bei 510 nm detektiert werden.

Auch Taverna et al. (2013) detektierten Sudan-Farbstoffe (I-IV) und Pararot in Chili, allerdings mittels

Paper-Spray MS/MS. Bei dieser schnellen Form der ESI-MS/MS ohne Probenvorbereitung wurde das

MS/MS Experiment im precursor ion scan Modus für das gemeinsame 𝛽-Naphtolfragment

durchgeführt.

Für die Detektion von Paprikaverfälschungen in Cayenne Pfeffer entwickelten Rodríguez et al. (2014)

eine E-Nose Methode (oder auch Gas Sensor Arrays) in Kombination mit Chemometrik (unfolded

cluster analysis to selected time windows - UCATW, parallel factor analysis - PARAFAC). Anhand eines

Sensor Arrays wurden Leitfähigkeitsveränderungen in Abhängigkeit der Zeit bestimmt, welche durch

Kontakt mit flüchtigen Verbindungen hervorgerufen wurden. Die starken Aromen der Gewürze

ermöglichten eine gute Diskriminierung der Proben. Anhand von UCATW und PARAFAC-

Modellierungen konnten Verfälschungen unterschieden werden.

Zhu und Zhao (2014) beschrieben eine mikroskopische Identifizierungsmethode zur Detektion von

Verfälschungen mit exogenen Pflanzenteilen (Blätter, Halme), Stärke sowie Mononatriumglutamat in

gemahlenem Chili, Pfeffer, Kreuzkümmel und Senfkörnern. Die Detektion der


47

Verfälschungssubstanzen erfolgte anhand ihrer unterschiedlichen mikromorphologischen

Eigenschaften im Vergleich zur Probe.

Verfälschung der botanischen Herkunft

Zur Bestimmung der botanischen Herkunft wurden folgende Methoden beschrieben (Tabelle 9): IR-,

Raman-Spektroskopie, ESI-MS(/MS), DART-MS und RAPD-PCR. Für Basilikum, Lippenblütler (Labiatae),

Zimt, Sternanis, Oregano und Kurkuma konnte anhand dieser Methoden zwischen verschiedenen

Spezies differenziert werden. Dass die Identifizierung der Spezies essentiell für die Gewährleistung der

Lebensmittelsicherheit sein kann, und um Verbraucher vor Gesundheitsgefahren zu schützen, zeigt

das folgende Beispiel. Bei Sternanis werden mehrere Spezies unterschieden: zum einen Chinesischer

Sternanis (Illicium verum), welcher vor allem in der asiatischen Küche verwendet wird, und zum andern

Japanischer Sternanis (Illicium anisatum) und andere Illicium Spezies. Japanischer Sternanis und

andere Illicium Spezies enthalten Anisatin, ein neurotoxisches Sesquiterpen-Dilacton, welches

Halluzinationen oder epileptische Anfälle hervorrufen kann (Shen et al. 2012). Shen et al. (2012)

entwickelten zur Differenzierung dieser Spezies eine schnelle DART-HRMS Methode ohne

Probenvorbereitung. Anhand der Massenspektren des Anisatin-Signals, sowohl im positiven als auch

im negativen Modus, konnte eine Verfälschung in Chinesischem Sternanis detektiert werden.

Dhanya et al. (2011) differenzierten Verfälschungen der Kurkuma Spezies Curcuma longa L. mit den

wilden Sorten C. zedoaria und C. malabarica anhand von sequence characterized ampified region

(SCAR) Markern mittels RAPD-PCR. Diese Verfälschung führt zu Gesundheitsgefahren, da C. zedoaria

zytotoxische Eigenschaften besitzt (Lakshmi et al. 2011).


Zur Bestimmung der geographischen Herkunft wurden bisher methodische Ansätze auf Basis von

HPLC-DAD, LC-MS, PTR-MS und ICP-Sektorfeld-(SF)MS veröffentlicht (Tabelle 9 im Anhang).

Masi et al. (2016) bestimmten die geographische Herkunft (Italien, Iran) von Safran anhand

verschiedener Methoden, d.h. PTR-TOF-MS und HPLC-DAD-MS in Kombination mit Chemometrik

(PCA). Anhand von Aromakomponenten (bestimmt mittels PTR-TOF-MS) und bioaktiven Komponenten

(bestimmt mittels HPLC-DAD-MS), v.a. Safranal, Isophoron, Picrocrocin, konnte italienischer Safran von

iranischem Safran unterschieden werden. Ersterer enthielt höhere Konzentrationen an Safranal und

Crocinkomponenten.

Brunner et al. (2010) entwickelten eine multicollector inductively coupled plasma sector field (MC-ICP-

SF) MS Methode in Kombination mit Chemometrik (PCA, CDA) zur Bestimmung der geographischen

Herkunft von Szegedi Füszerpaprika (g.U.) aus Ungarn und Paprika aus anderen Ländern (Spanien,


48

Deutschland, Frankreich, Senegal, Rumänien). Die Differenzierung erfolgte anhand des 87Sr/86Sr-

Verhältnisses und der Multielementkomposition. Für Szegedi Füszerpaprika konnte ein eindeutiger

Fingerprint erstellt werden. Das 87Sr/86Sr-Verhältnis war auf bioverfügbare Strontium-Quellen im

Boden zurückzuführen, welches seinen Ursprung in Gesteinsschichten hat.

4.9 Wein

Weinproduktion und Handel sind kostenintensive Prozesse, die mitunter zum hohen kommerziellen

Wert des Weines beitragen. Folglich ist Wein besonders anfällig für Betrug (Arbulu et al. 2015; Geana

et al. 2016). Wertgebende Eigenschaften des Weines sind Jahrgang, Rebsorte und die geographische

Lage (Weinbaugebiet). Letzteres wird beeinflusst von bestimmten Umweltbedingungen, wie Klima,

Boden und dessen Beeinflussung u.a. durch den Menschen. Alle diese Parameter bedingen die

Zusammensetzung des Weines (Pisano et al. 2015; Ribéreau-Gayon et al. 2006).

Primäre Inhaltsstoffe in Wein sind Zucker, Aminosäuren und organische Säuren. Daneben existieren

zahlreiche sekundäre Metabolite, vor allem aus der Klasse der Polyphenole (wie z.B. Flavonoide,

Anthocyane, Pigmente), welche maßgeblich zu den Eigenschaften und der Qualität eines Weines

beitragen (Cuadros-Inostroza et al. 2010; Pisano et al. 2015).

Für die Weinherstellung als auch den Weinhandel existieren EU-weit Regelungen. Die Verordnung (EG)

Nr. 606/2009 regelt die Herstellung von Wein, darunter önologische Verfahren und Behandlungen,

Grenzwerte und auch den Gesamtalkoholgehalt von Wein, welcher maximal 15 Vol.-% betragen darf

(EU-Kommission 2009). In Deutschland regelt das Deutsche Weingesetz (WeinG) u.a. die

Kategorisierung in Qualitätsstufen (Weingesetz 1994).

Da der Alkoholgehalt abhängig vom anfänglichen Zuckergehalt des Traubenmostes ist, treten

Verfälschungen in Form der sog. „Weinverbesserung“ auf. Gemeint ist die Zugabe von exogenen

Zuckern, Süßstoffen, das Mischen mit anderen (süßeren) Weinen (Ausland) sowie die Zugabe von

Aromen (Holmberg 2010; Nauth 1977).

Bei der Weinverfälschung können vier Verfälschungsarten unterschieden werden, die mit diversen

analytischen Herangehensweise aus dem Bereich Chromatographie/Massenspektrometrie, NMR, aber

auch Sensorik bestimmt werden (Abbildung 10):

1. Addition exogener Substanzen (wie Farbstoffe, Konservierungsstoffe, Süßungsmittel,

Antioxidantien (Ascorbinsäure), Trägerstoffe (Propylenglykol), Aromen, Säuren, Wasser)

2. Verfälschung der botanischen Herkunft (Rebsorte)

3. Verfälschung der Herstellungsart (Anbauweise: biologisch/konventionell, Jahrgang)



49

Abbildung 10: Methoden zur Detektion von Lebensmittelverfälschungen in Wein (Überblick aus


Addition exogener Substanzen

Zur Detektion exogener Verfälschungssubstanzen in Wein werden folgende Methoden verwendet (E-

Tounge, SPME-GC-MS, LC (mit CZE) und IRMS (in Kombination mit LC).

Parra et al. (2006) entwickelten eine E-Tounge Methode (Sensor Array) in Kombination mit

Chemometrik (PCA, PLS) zur Detektion organoleptischer Zusatzstoffe zur Verfälschung des

Alkoholgehalts (Ethanol), der Acidität (Weinsäure), der Astringenz (Tanninsäure), des Schwefelgehalts

(SO2), der flüchtigen Säuren (Essigsäure), des reduzierenden Charakters (Saccharose) und des

Fruchtaromas (Ethanal) in Rotweinen. Die E-tounge bestand aus chemisch modifizierten

voltammetrischen Elektroden (Phthalocyanin-basierte Kohlenstoffpasten-Elektroden, Polypyrrol

dotiert mit Gegenionen) und war an Mustererkennungstechniken gekoppelt. Verfälschungen konnten

dann anhand einzelner Ionen und elektroaktiver Moleküle detektiert werden.

Calull et al. (1992) entwickelten zwei reversed phase HPLC-UV/Vis Methoden zur Bestimmung von

Konservierungsstoffen (Benzoesäure, Sorbinsäure, p-Chlorbenzoesäure, Salicylsäure,

p-Hydroxybenzoesäure, Ethyl-p-Benzoat), dem Antioxidant Ascorbinsäure und dem Süßungsmittel

Saccharin in Rot- und Weißweinen. Die erste Methodik basierte auf einer solid-phase extraction (SPE)

und messung mittels Gradienenelution. Die zweite Methode (Ionenpaar-Chromatographie) nutzte

isokratische Elution mit einem Ionenpaar-Reagenz (Cetyltrimethylammoniumbromid) ohne

Probenvorbereitung.


50

Geana et al. (2016) detektierten Verfälschungen mit Zucker, Wasser, künstlichen Süßungsmitteln,

synthetischen roten Farbstoffen mittels continuous flow (CF)-IRMS und HPLC-UV/Vis in Kombination

mit Chemometrik (ANOVA, LDA) in lieblichen und halbtrockenen Tafelrotweinen. Anhand von 13C/12C-

und 18O/16O-Verhältnissen wurden Zucker- und Wasserverfälschungen detektiert. Mittels HPLC-UV

wurden Süßungsmittel, synthetische rote Farbstoffe, Anthocyane und der HMF-Gehalt bestimmt. Ein

hoher HMF-Gehalt diente als Indikator für Zugabe von high-fructose corn sirup (HFCS).

Verfälschung der botanischen Herkunft (Rebsorte)

Zur Detektion der botanischen Herkunft von Wein werden folgende Methoden verwendet (Tabelle 10

im Anhang): Fluoreszenzspektroskopie, IR (mit GC-FID), NMR; MALDI-TOF MS, SPME-GC-MS, HPLC-

UV/refractive index (RI)-Detektor, LC-MS (mit DART-MS), LC-FT-ICR-MS, und Sensor Array.

Louw et al. (2009) differenzierten weiße (Chardonnay, Sauvignon Blanc) und rote (Pinotage, Merlot,

Cabernet, Sauvignon, Shiraz) Rebsorten anhand FTMIR und GC-MS in Kombination mit Chemometrik

(ANOVA, PCA, LDA). Anhand der FTMIR-Spektren und flüchtigen Verbindungen, wovon einige

Geruchsaktivität (odor activity value - ODA-Werte > 1) aufwiesen, konnte eine Differenzierung der

Rebsorten erfolgen. Die Weißweinsorten konnten anhand des Diskriminierungsmodells bestehend aus

den spektroskopischen Daten und die Rotweinsorten anhand des Diskriminierungsmodells bestehend

aus einer Kombination aus IR-Spektren und flüchtigen Komponenten am erfolgreichsten klassifiziert

werden.

Springer et al. (2014) entwickelten eine HS-SPME-GC-MS Methode in Kombination mit Chemometrik

(PCA, PLS-DA, OPLS-DA) zur Differenzierung von Weißwein-Rebsorten (Riesling, Müller-Thurgau,

Silvaner, Pinot Gris, Pinot Blanc). Differenziert wurde anhand flüchtiger Verbindungen aus der Klasse

der Monoterpene, Ester, C13-Norisoprenoide, welche typische Weißweingeruchsstoffe waren (Berger

2007).

Han et al. (2018) entwickelten eine Donor-Akzeptor (D-A) Typ Sensor Array Methode in Kombination

mit Chemometrik (PCA) zur Differenzierung von Weißweinrebsorten. Anhand von synthetisierten

Donor-Akzeptor-Paaren (Donor = protisches Lösemittel, Akzeptor = Carbonsäure), welche Ladungs-

Austausch-Prozesse (charge transfer, CT) zeigen, wurden Veränderungen in den Absorptions- und

Emissionsspektren hervorgerufen. Durch Aufzeichnung verschiedener spektraler Reaktionen

(Absorptionswellenlänge, Emissionswellenlänge, Absorption und Emissionsintensität) konnten mittels

PCA 3D-Fingerprints erstellt werden, anhand derer die Differenzierung erfolgte.


51

Verfälschung der Herstellungsart (Anbauweise: biologisch/konventionell, Jahrgang)

Zur Kontrolle der Herstellungsart, d.h. Anbauweise (biologisch/konventionell/biodynamisch), aber

auch der Differenzierung des Jahrgangs, wurden folgende Methoden beschrieben (Tabelle 10): IR-

Spektroskopie, NMR, Gamma-Spektroskopie und Radiocarbon-Datierung.

Laghi et al. (2014) differenzierten Rotwein aus biologischer und biodynamischer Anbauweise (Sorte

Sangiovese) mittels 1HNMR in Kombination mit Chemometrik (ANOVA, PCA, HCA) anhand ihres

Metaboloms. Die Autoren zeigten auf, dass die Vinifizierung und der Jahrgang einen noch größeren

Einfluss auf das Metabolom als die Weinanbauweise hatten. Die Weinanbauweise hatte Einfluss auf

die Konzentration einiger Aminosäuren, Alkohole und einiger Polyphenole (Resveratrol, trans-

Kaffeesäuren).

Hubert et al. (2009) detektierten den Jahrgang von alten Weinen (1952- ~1980) mittels der Gamma-

Spektrometrie. Je nach Alter wiesen Weine unterschiedliche Anteile an 137Cs auf. Diese rührten von

menschlichen Quellen her, wie Atombombentests, Kernkraftwerke oder Radioisotope aus der

Industrie. Die Methode konnte auch bei verschlossenen Flaschen durchgeführt werden. Eine höhere

Empfindlichkeit wurde jedoch durch eine Veraschung des Weins erreicht.


Zur Detektion der geographischen Herkunft von Weinen werden Flameless AAS, SNIF-NMR (mit IRMS),

E-Nose, LC, LC-MS und ICP-MS (in Kombination mit AAS) angewendet.

Martin et al. (1988) bestimmten mittels SNIF-NMR die geographische Herkunft französischer Weine

anhand von 2H/1H-Verhältnissen in Ethanol-Wasser-Extrakten. Grundlegende Annahme war, dass die

Methyl-Gruppe des Ethanols aus der Glucose und die Methylengruppe des Ethanols aus dem

Fermentations-Wasser stammte (Martin et al. 1986). Außerdem konnten anhand dieser Methode

exogen zugegebene Zucker detektiert werden.

Arbulu et al. (2015) identifizierten Graciano Vitis vinifera Weine von verschiedenen Orten und

unterschieden diese von Tempranillo Weinen mittels ESI-LC-Q-TOF MS in Kombination mit

Chemometrik (PCA) anhand metabolischer Fingerprints ihrer nicht-flüchtigen Komponenten (Zucker,

Aminosäuren, biogene Amine, Fettsäuren, organische Säuren, Phenole, Ester).

Pisano et al. (2015) bestimmten die geographische Herkunft argentinischer Rotweine mittels ESI-LC-

Q-TOF MS in Kombination mit Chemometrik (multivariate curve resolution-alternating least squares -

MCR-ALS, discriminant mode-unfolded partial least squares - D-UPLS) anhand des Anthocyanprofils

nach Direktinjektion. Außerdem konnte anhand dieser Methode nach Anwendung der MRC-ALS auch

die botanische Herkunft bestimmt werden (Aspiran, Bonarda, Cabernet Sauvignon, Malbec, Merlot,

Sangiovese, Syrah, Tempranillo).


52

4.10 Fruchtsäfte

Im Getränkesektor ist die Fruchtsaftindustrie weltweit einer der am schnellsten wachsenden Sektoren

(He et al. 2007). In Zeiten von Verbraucherpräferenzen hin zu „ready to serve“ bzw. „ready to eat“

Produkten und einem Trend hin zu gesundheitsbewusster Ernährung, ist bereits seit Jahrzehnten ein

enormes Wachstum der Fruchtsaftproduktion und des Konsums zu verzeichnen. Vor allem Fruchtsäfte

wie Orange und Apfel sind besonders beliebt und werden weltweit konsumiert (Gómez‐Carracedo et

al. 2004; Robards und Antolovich 1995).

Allen Fruchtsäften gemeinsam sind positive ernährungsphysiologische Eigenschaften, wie hoher

Nährwert und Gesundheitswert (Obón et al. 2011). Dabei werden in unterschiedlichen

Fruchtsaftsorten unterschiedliche Eigenschaften betont, wie beispielsweise ein hoher Vitamin C

Gehalt in Zitrusfruchtsäften oder ein hoher Polyphenolgehalt in roten Säften, oft deklariert als „Antiox-

Säfte“ (Jandrić et al. 2017; Obón et al. 2011).

Letztendlich ist die Qualität der Ausgangsfruchtmaterialien, wie Sorte oder geographische Herkunft,

entscheidend für die Qualität des Saftes. Deshalb werden diese (z.B. Apfel, Birne, Traube, Grapefruit)

oft mit günstigeren Säften gestreckt (He et al. 2007; Robards und Antolovich 1995; Vaclavik et al. 2011).

Um die Authentizität von Fruchtsäften zu gewährleisten existieren diverse Auflagen. Beispielsweise

darf der Mandarinensaftanteil (Citrus reticulata) in Orangensaft (Citrus siniensis) maximal 10 %

betragen (CAC 1992).

Bei Fruchtsäften sind insbesondere vier Arten von Verfälschungen bekannt, die mit den in Abbildung

11 dargestellten Methoden nachgewiesen werden können:

1. Addition exogener Zusätze (Pigmente, Zucker/Sirup, Wasser, Säure, Pulpenextrakt)

2. Verfälschung der botanischen Herkunft (Verfälschung mit anderen Fruchtsäften)

3. Verfälschung der Produktionstechnik (Herstellung aus Direktsaft/Konzentrat)


Die Anwendung dieser verschiedenen Methoden für die zuvor genannten Fragestellungen der

Verfälschung werden anhand von Anwendungsbeispielen aus der Fachliteratur noch genauer

beschrieben.


53

Abbildung 11: Methoden zur Detektion von Lebensmittelverfälschungen in Fruchtsäften (Überblick

aus insgesamt 35 wissenschaftlichen Publikationen, siehe Tabelle 11 im Anhang)

Addition exogener Zusätze

Zur Detektion von exogenen Substanzen in Fruchtsaft werden folgende Methoden angewendet

(Tabelle 11 im Anhang): IR-Spektroskopie, NMR, SNIF-NMR (+IRMS), LC, LC-MS und (GC-)IRMS. Anhand

dieser Methoden können exogene Verfälschungssubstanzen in Form von Zuckern (Glucose, Fructose,

Saccharose) und Sirups (Rohrzucker- und Rübenzucker-, Mais-), Pulpenextrakt, Wasser und

synthetischen/natürlichen Pigmenten detektiert werden.

Obón et al. (2011) entwickelten eine HPLC-FLD-photodiode array detector (PDA) Methode mit

gekoppelten Detektoren zur Detektion von Verfälschungen mit synthetischen/natürlichen, roten

Pigmenten in roten Fruchtsäften. Diese Methode stellte eine Erweiterung einer Methode der

International Federation of Fruit-Juice Producers (IFU) dar, welche für die Bestimmung von Anthocyan-

Profilen mittels HPLC-UV/Vis validiert wurde. Die erweiterte Methode von Obón et al. (2011)

ermöglichte neben der Anthocyan- und Betacyan-Analytik auch die Detektion anderer Polyphenole

(Hydroxyzimtsäuren, Hydroxybenzoesäuren, Catechine) sowie synthetischen und natürlichen

Pigmenten. Zudem war es möglich, für jeden untersuchten roten Fruchtsaft (Erdbeere, Himbeere,

Blaubeere, europäische Cranberry, schwarze Johannisbeere, Sauerkirsch, rote Traube, lila Karotte, lila

Kaktusfeige) Fingerprints zu erstellen und somit die botanische Herkunft zu bestimmen.


54

Antolovich et al. (2001) entwickelten eine stable carbon isotope ratio analysis (SCIRA) Methode für die

Detektion von Zuckerverfälschungen (Mais-(HFCS), Zuckerrübensirup) in Orangensaft. Anhand der

13C/12C-Verhältnisse konnte auf deren C4-Zucker geschlossen werden.

Verfälschung der botanischen Herkunft (Verfälschung mit anderen Fruchtsäften)

Die Verfälschung von Fruchtsäften mit anderen Fruchtsäften oder deren Verfälschung mit Säften

anderer botanischer Herkunft (z.B. verschiedene Orangenspezies) kann anhand folgender Methoden

bestimmt werden: IR-Spektroskopie, ICP-OES, LC, LC-MS(/MS), enzymatische Tests, HRM mit DNA-

Barcoding und PCR (-RFLP, -RAPD, Heteroduplex Assay mit PAGE). Anhand dieser Methoden kann

zwischen Orange-, Zitrone-, Mandarine-, Grapefruit-, Pomelo-, Ananas-, Apfel-, Birne-, Traube-,

Kirsche-, Pflaume-, Blaubeere-, Brombeere-, Aronia-, Pfirsich-, (Kürbis-), Aprikose-, Mango-,

Granatapfel-, Traube-, Erdbeere-, rote Johannisbeere-, schwarze Johannisbeere-, Himbeere-,

Holunder-, schwarze Maulbeere-, Maquibeere-, schwarze Aronia- und lila Cam-Saft unterschieden

werden.

Barnes (1997) differenzierte Apfel-, Orangen-, Zitronen-, Grapefruit-, und Mandarinen-Saft anhand

ihres Mineralstoff- und Spurenelementprofils mittels ICP-OES durch direkte Analyse. Anhand der

Methode konnten alle von der Nutrition and Labeling Education (NLEA, 1990) festgelegten

Mineralstoffe bestimmt werden.

Zhang et al. (2009) entwickelten eine HPLC-Methode in Kombination mit IRMS und einem international

multidimensional authenticity specification (IMAS) Algorithmus zur Detektion von Verfälschungen (mit

Rohr-/Maiszucker, Apfel-, Birne-, Traube-, Kirsche-, Pflaume-, Aronia-Saft) in Granatapfelsaft durch

Abgleich ihrer Zucker-, Polyphenol-, organische Säuren- und Aminosäuren Profile und ihrem Kalium-

Gehalt. Mittels HPLC-UV/Vis wurden Polyphenole, mittels HPLC-RI Zucker, mittels HPLC-PDA

organische Säuren und Aminosäuren, mittels Flammenphotometrie der Kalium-Gehalt und mittels

IRMS das 13C/12C-Verhältnis bestimmt. Bei Anwesenheit von Prolin und Weinsäure konnte auf

Verfälschung mit Traubensaft und bei Anwesenheit von 0,1 g/100 ml Äpfelsäure auf Verfälschung mit

Apfel-, Birnen-, Trauben-, Kirsch-, Pflaumen- Aronia-, Blaubeer- oder Brombeersaft geschlossen

werden. Anhand des Anthocyanprofils war es den Autoren möglich ein echtes Farbprofil von einem

Verfälschten zu unterscheiden. Letzteres wurde bspw. durch Zugaben von Aroniakonzentrat,

Blaubeer-, Brombeersaft oder natürlichen Traubenpigmenten zu weniger qualitativen Säften kreiert.

Mittels IRMS wurde anhand des 13C/12C-Verhältnisses auf die Anwesenheit von Mais (HFCS)- oder

Rübenzucker getestet.


55

Giuffrida et al. (2010) differenzierten verschiedene Orangensaft-Spezies (Citrus sinensis Spezies

Bionda, Brasiliana, Moro, Ovale, Sanguinello, Tarocco, Valence und Washington) anhand ihrer freien

Carotinoide und Carotinoidester mittels HPLC-DAD-APCI-MS nach vorausgehender Extraktion.

Zurückzuführen waren die Unterschiede laut Autoren auf genetische Faktoren, geographische

Herkunft, Umweltbedingungen, aber auch Reifestatus der Früchte sowie Bedingungen bei

Verarbeitung und Lagerung.

Stój und Targoñski (2006) detektierten anhand enzymatischer Tests auf drei organische Säuren

(Zitronensäure, D-Isozitronensäure und L-Äpfelsäure) Verfälschungen in schwarzem Johannisbeer-,

Himbeersaft mit Erdbeer- und rotem Johannisbeersaft. Die Absorptionswerte der Lösungen nach

enzymatischer Reaktion wurden mittels UV/Vis Spektrometer bestimmt.

Verfälschung der Produktionstechnik (Herstellung aus Direktsaft/Konzentrat)

Zur Bestimmung verschiedener Herstellungsmethoden und Prüfung von Deklarationen

(Konzentrat/Direktsaft oder frisch/biologisch/gefrorene Pulpe) oder verbotenen

Produktionstechniken (z.B. hoher Druck, Trester, Überhitzung) wurden folgende Methoden verwendet

(Tabelle 11 im Anhang): NMR, CE und Elektronenspinresonanz (EPR) mit IRMS. Passos et al. (2016)

entwickelten beispielsweise eine CE-UV (MEKC) Methode in Kombination mit Chemometrik (PCA) zur

Differenzierung von Passionsfruchtsäften verschiedener Herstellungsmethoden (natürlich/biologisch,

gefrorene Pulpe, Konzentrat, gemischter Fruchtsaft mit Auslobung Passionsfruchtsaft). Die

Charakterisierung erfolgte anhand von Aminosäure-Konzentrationen nach Derivatisierung, wobei

Glutaminsäure als Marker für frische, natürliche Säfte diente.


Die geographische Herkunft von Fruchtsäften kann NMR; LC-MS, SPME-GC-MS und IRMS mit SNIF-

NMR bestimmt werden (Tabelle 11 im Anhang). Als innovatives Fingerprint-Verfahren ist das von Diaz

et al. (2014) entwickelte HRMS-Verfahren hervorzuheben. Die Autoren untersuchten die

geographische Herkunft von Orangensaft mittels UHPLC-Q-TOF MS in Kombination mit Chemometrik

(PLS-DA, OPLS-DA). Anhand metabolischer Profile und verschiedener Marker wie Citrusin D konnte

Orangensaft aus Spanien von denen südlicher Hemisphären (Argentinien, Süd Afrika, Brasilien)

unterschieden werden.

Zusammenfassende Bewertung

56

5. Zusammenfassende Bewertung

Die vorliegende Literaturstudie hatte zum Ziel, einen aktuellen Überblick über methodische Ansätze

zur Authentizitätskontrolle zu gewinnen. Wie im vorherigen Kapitel 4 im Einzelnen dargestellt, hängen

die publizierten Verfahren stark von der betroffenen Matrix und den jeweiligen Verfälschungsarten

ab. Hinsichtlich der Methodenwahl und deren Verlässlichkeit bedarf es der Unterscheidung, ob ein per

se bereits rein makroskopisch authentisches Lebensmittel gezielt mittels etablierter Methoden

hinsichtlich seiner geographischen Herkunft, z.B. Spargel unter Anwendung von

Stabiliosotopenanalyse (Richter et al. 2019) oder seiner botanischen Herkunft, z.B.

melissopalynologische Untersuchung von Honig (Von Der Ohe et al. 2004), zu beurteilen ist oder ob

bereits seine Identität in Frage gestellt werden muss.

Dies ist insbesondere bei verarbeiteten, zerkleinerten Lebensmitteln wie Gewürzen der Fall, wenn von

einer möglichen Verfälschung unklarer Genese auszugehen ist. Dort eignen sich aus Sicht einer

routinemäßig einsetzbaren Kontrolle nur Fingerprint-Verfahren, um vergleichsweise schnell und

kostengünstig Abweichungen von authentischen Referenzprodukten, d.h. deren Fingerprints,

nachweisen zu können. Es interessiert in solch einer Prozesskontrolle nicht, was letztlich die

Verfälschung ist oder ausmacht, da allein die Aussage „authentisch ja/nein“ für die Rohwarenkontrolle

entscheidend ist.

Zudem versprechen neuartige Ansätze wie E-tounge und E-nose, z.B. für Olivenöl (Cerrato Oliveros et

al. 2002; Haddi et al. 2013), Vorteile im Vergleich zu klassischen sensorischen Bewertungsmethoden

und GC-MS bezüglich Schnelligkeit, Kosten, und der Möglichkeit einer kontinuierlichen Überwachung,

stellen aber hohe Ansprüche an biostatistische Tools und Datenverarbeitung (Haddi et al. 2013; Wide

et al. 1998). Die Erforschung und Belastbarkeit dieses „Sensoboloms“ befindet sich aber noch in

Bearbeitung (FoodProfiling 2018). Generell hängt die Eignung solcher Methoden immer von der

jeweilig zu untersuchenden Matrix ab.

In der im folgenden dargestellen einer Gesamtauswertung aller miteinbezogenen wissenschaftlichen

Publikationen (Abbildung 12) zeigt sich, dass spektroskopische Methoden mit einem Anteil von 20,2 %

die publizierten Verfahren anführen, gefolgt von molekularbiologischen (13,1 %) und LC-MS/MS-

Methoden (12,2 %). Einen merklichen Stellenwert nimmt auch die Elementanalyse ein, mit der

zusammengenommen über die Hälfte aller Authentizitätskontrollen mithilfe dieser vier genannten

Verfahren durchgeführt werden. Im Vergleich mit von Hong et al. (2017) ermittelten Methodendaten

zur Lebensmittelverfälschung (Evaluationszeitraum 2005-2015) scheint sich heutzutage zugunsten

spektroskopischer Methoden eine Veränderung ergeben zu haben. Bei Hong et al. überwogen noch

MS-Techniken (20,6 %), gefolgt von PCR-Techniken (18,5 %) und Chromatographie (11,6 %).


57

Abbildung 12: Methoden zur Detektion von Verfälschungen der zehn am meisten betroffenen

Lebensmittel (Überblick aus insgesamt 312 wissenschaftlichen Publikationen, siehe Tabellen 2 – 11 im

Anhang)

Fasst man in der vorliegenden Auswertung hingegen LC-MS, GC-MS und MALDI-TOF MS ebenso als

MS-Techniken zusammen, erreichen diese Verfahren insgesamt einen Anteil von 21,1 %. Somit

bestätigt sich auch die Feststellung von Hong et al. (2017), dass Massenspektrometrie über alle

Lebensmittelbereiche hinweg eine häufig genutzte Methode darstellte. Allerdings macht eine

Zusammenfassung dieser unterschiedlichen MS-Techniken nur bedingt Sinn, da vollkommen

unterschiedliche Targets und Herangehensweisen zugrunde liegen. LC-MS/MS zielt vorwiegend auf die

Target- und Spurenanalytik nicht-flüchtiger Stoffe ab, während GC-MS insbesondere für flüchtige

Stoffe und Stoffprofile eingesetzt wird.

MALDI-TOF MS wird im Zusammenhang mit Identitätskontrollen von Lebens- und Futtermitteln

hingegen fast ausschließlich zur nicht-targetorientierten Fingerprint-Analytik anhand der Messung von

Peptiden und Proteinen eingesetzt.

Einen vergleichenden Überblick über die je Matrix verwendeten Methoden gibt folgende Abbildung

13. Für Olivenöl wurden kamen anteilsmäßig spektroskopische und gaschromatographische Verfahren

am häufigsten vor. Spektroskopische Methoden spielten ebnenso bei der Authentizitätskontrolle von

Milch, Honig, Kaffee/Tee und Gewürzen eine auffällige Rolle.


58

Abbildung 13: Methodische Ansätze zur Detektion von Lebensmittelverfälschungen in verschiedenen Lebensmitteln; methodenspezifische Abkürzungen siehe

Abkürzungsverzeichnis


59

Die zunehmende Bedeutung spektroskopischer Methoden ist insgesamt der Tatsache geschuldet, dass

bestimmte Techniken aus diesem Methodenspektrum z.B. gegenüber aufwändiger LC-MS/MS

Targetmethoden oder teurer und in Speziallaboren standortgebundener Element-/NMR-Analyse in der

Lage sind, schnell und flexibel einsetzbar zu sein. Diese spektroskopischen Methoden können dem

Wunsch und Bestreben nach einer routinemäßig einsetzbaren, schnellen und prozesstauglichen

Kontrolle am ehesten Rechnung tragen. Dennoch lässt das vermehrte Vorliegen wissenschaftlicher

Publikationen der letzten Jahre auf diesem Gebiet nur begrenzt Rückschlüsse auf den

Entwicklungsstand der einzelnen Methoden hinsichtlich deren Validität und Anwendbarkeit in der

Routineanalytik zu.

Molekularbiologische Methoden stellen in diesem Zusammenhang verlässliche Referenzmethoden

dar, wobei matrixbedingte Interferenzen bei der Amplifikation relevanter Genabschnitte immer auch

Fehlinterpretationen verursachen können und bei der Beurteilung der Spezifität und Sensitivität der

Methoden in Erwägung gezogen werden müssen. Insgesamt findet die PCR hohe Anwendung bei

tierischen Lebensmitteln, wie hier dargestellt für Fisch (vgl. Kapitel 4.2), aber auch für Fleisch

(Montowska und Pospiech 2010) sowie bei pflanzenbasierten Lebensmitteln, die besonders von

Verfälschungen hinsichtlich der botanischen Herkunft (d.h. Spezies-Verfälschungen) betroffen waren,

wie Gewürze und Getreideprodukte (Abbildung 13).

Zum Nachweis einer biologischen Erzeugungsweise ist vor allem die Elementanalyse und chemische

Analyse ein geeignetes Kontrollinstrument, da sich durch die unterschiedlich bedingte Fütterung z.B.

Unterschiede in der Fettsäurezusammensetzung oder im Isotopenmuster ergeben. Bei Wein oder

Fruchtsäften ist – wie aus Abbildung 13 ersichtlich – keine einzelne Methodik besonders ausgesprägt.

Dies zeigt deutlich, dass die Wahl oder Festlegung auf eine oder auch mehrere geeigneter

Standardverfahren mit Schwierigkeiten verbunden sein kann, da gleichzeitig verschiedene Arten der

Verfälschung auftreten können. So sind gerade bei Wein und Fruchsäften diverse exogene Zusätze

(Farbstoffe, Süßungsmittel, Wasser, Säuren, Aromen, Antioxidantien) genauso zu erfassen wie

Verfälschungen der botanischen Herkunft (andere Säfte/Rebsorten), der geographischen Herkunft und

Verfälschungen der Herstellungsart (Anbauweise, Jahrgang, Konzentrate), die eine umfassende

Kontrolle methodisch sehr komplex machen.

Zusammenfassend aus den Daten dieser Studie scheinen damit die diskutierten spektroskopischen,

molekularbiologischen und massenspektrometrischen Methoden für eine weitergehende Betrachtung

als zukünftige Standardmethoden besonders geeignet, da sich diese bereits in verschiedenen

Forschungsgruppen weltweit als erfolgreich herausgestellt haben. Auch Szabo et al. (2017) fassten


60

nach einem Kick-Off Meeting der §64 LFGB Arbeitsgruppen zusammen, dass unter all den verfügbaren

Methoden vor allem spektroskopische, molekularbiologische und massenspektrometrische Methoden

besonders vielversprechende Ansätze in der in der Authentizitätskontrolle sind.

Fazit und Ausblick

61

6. Fazit und Ausblick

Die Vielzahl der wissenschaftlichen Publikationen (> 300, vgl. Tabellen 2 bis 11 im Anhang) und

insgesamt in diese Studie mit einbezogenen Literaturquellen (Endnote-Datei mit 500 Einträgen)

betonen die Bedeutung der Thematik „Food Fraud“ und die Wichtigkeit von Authentizitätskontrollen

für die Aufrechterhaltung qualitativ hochwertiger Lebensmittel unter Berücksichtigung eines fairen

Wettbewerbs und dem übergeordneten Ziel des Verbraucherschutzes.

Diese im Rahmen dieser Literaturübersicht beschriebenen unterschiedlichen methodischen

Herangehensweisen machen auch deutlich, welche enorme Herausforderung eine

Methodenstandardisierung für viele unterschiedliche Lebensmittelmatrices und Verfälschungsarten

darstellt. Die aufgeführten Methoden sind ohne die simultane Untersuchung standardisierter

Referenzmaterialien schwierig in ihrer Leitsungsfähigkeit beurteilbar und vergleichbar. Standardisierte

Verfahren im globalen Kontext machen also nur Sinn, wenn alle diese Methoden auf vergleichbare

Referenzen authentischer Proben zurückgreifen.

Die konventionelle zielgerichtete Analytik würde die Kombination einer Vielzahl von Methoden und

Parametern erfordern, um ein Lebensmittel als authentisch beschreiben zu können. Solch ein

Vorgehen ist in der Routineanalytik wegen des hohen analytischen, finanziellen und zeitlichen

Aufwands nicht praktikabel, zumal nicht erfasste Parameter nachwievor vorhanden sein und zu einer

Verfälschung oder gar Gesundheitsgefährdung beitragen können.

Methoden der Wahl werden daher nicht-zielorientierte Fingerprint-Verfahren sein, die mit Hilfe

statistischer Methoden und Datenbanken in der Lage sind, Abweichungen von authentischen Proben

sicher, einfach und schnell zu detektieren. In jeglicher Hinsicht stellt dies eine enorme

Herausforderung dar, da ein ein Lebensmittel-Profil sowohl endogen, d.h. also durch den Rohstoff

selbst, sowie exogen, d.h. durch Standort-/Umweltfaktoren (wie Klima, Düngemittel, Isotopen des

Bodens, Wasser, Kontaminanten, Rückstände), Verarbeitung und Lagerung, Mikroorganismen,

Zusatzstoffe/Rückstände und Verpackung beeinflusst wird.

Alle diese Faktoren haben wiederum Einfluss auf Ergebnisse aus Genom-, Proteom-, Metabolom-

sowie Elementanalysen (Isotopenverhälnisse) und beeinflussen die Ergebnisse bioinformatischer

Auswertungen.

Vielversprechende, robuste Methoden (spektroskopische, hochauflösende und Peptid-

/Proteinfingerprint-basierte massenspektrometrische Verfahren, molekularbiologische, insbesondere

Multiplex- und next-generation Sequenzierungsverfahren) befinden sich gegenwärtig aber immernoch

Fazit und Ausblick

62

in Entwicklung (vgl. Kapitel 2.3) oder auf dem Weg zur Validierung/Standardisierung, weshalb deren

breite Anwendung in der Routinekontrolle und in der Überwachung bisher nur eingeschränkt möglich

ist (BfR 2016b). Der Bedarf an sicheren Methoden wird aufgrund des globalen Handels, knapper

werdenden Ressourcen sowie der Zunahme der Weltbevölkerung und der damit verbundenen

steigenden Nachfrage nach wertvollen und gesunden Lebensmitteln immer weiter steigen.

.

Literaturverzeichnis

63

7. Literaturverzeichnis

Abad-Garcia B, Garmon-Lobato S, Sanchez-Ilarduya MB, Berrueta LA, Gallo B, Vicente F, Alonso-Salces RM (2014) Polyphenolic contents in Citrus fruit juices: authenticity assessment. European Food Research and Technology 238 (5):803-818

Abd El-Salam MH (2014) Application of proteomics to the areas of milk production, processing and quality control - A review. International Journal of Dairy Technology 67 (2):153-166

Abress SM, Nateghi L (2015) Introduction to food frauds and their identification. Int J Biol Pharm Allied Sci 4:6421-6437

Alamprese C, Casiraghi E (2015) Application of FT-NIR and FT-IR spectroscopy to fish fillet authentication. LWT - Food Science and Technology 63 (1):720-725

Anderson KA, Hobbie KA, Smith BW (2010) Chemical profiling with modeling differentiates wild and farm-raised salmon. J Agric Food Chem 58 (22):11768-11774

Andrade P, Ferreres F, Gil IM, Tomás-Barberán FA (1997) Determination of phenolic compounds in honeys with different floral origin by capillary zone electrophoresis. Food Chem 60 (1):79-84

Antoce AO, Namolosanu I (2011) Rapid and precise discrimination of wines by means of an electronic nose based on gas-chromatography. Rev Chim 62 (6):593-595

Antolovich M, Li X, Robards K (2001) Detection of Adulteration in Australian Orange Juices by Stable Carbon Isotope Ratio Analysis (SCIRA). Journal of Agricultural and Food Chemistry 49 (5):2623-2626

Arbulu M, Sampedro MC, Gomez-Caballero A, Goicolea MA, Barrio RJ (2015) Untargeted metabolomic analysis using liquid chromatography quadrupole time-of-flight mass spectrometry for non-volatile profiling of wines. Anal Chim Acta 858:32-41

Arozarena I, Casp A, Marín R, Navarro M (2000) Differentiation of some Spanish wines according to variety and region based on their anthocyanin composition. European Food Research and Technology 212 (1):108-112

Asensio L (2008) Application of multiplex PCR for the identification of grouper meals in the restaurant industry. Food Control 19 (11):1096-1099

Avula B, Smillie TJ, Wang Y-H, Zweigenbaum J, Khan IA (2015) Authentication of true cinnamon ( Cinnamon verum ) utilising direct analysis in real time (DART)-QToF-MS. Food Additives & Contaminants Part A: Chemistry, Analysis, Control, Exposure & Risk Assessment 32 (1):1-8

Bahar B, Schmidt O, Moloney AP, Scrimgeour CM, Begley IS, Monahan FJ (2008) Seasonal variation in the C, N and S stable isotope composition of retail organic and conventional Irish beef. Food Chemistry 106 (3):1299-1305

Banerjee S, Kyser TK, Vuletich A, Leduc E (2015) Elemental and stable isotopic study of sweeteners and edible oils: Constraints on food authentication. Journal of Food Composition and Analysis 42:98-116

Barnes KW (1997) Trace metal determinations in fruit, juice, and juice products using an axially viewed plasma. Atomic Spectroscopy 18 (3):84-101

Batista AD, Nascimento CF, Melchert WR, Rocha FRP (2014) Expanding the separation capability of sequential injection chromatography: Determination of melamine in milk exploiting micellar medium and on-line sample preparation. Microchemical Journal 117:106-110

Batista BL, da Silva LRS, Rocha BA, Rodrigues JL, Berretta-Silva AA, Bonates TO, Gomes VSD, Barbosa RM, Barbosa F (2012) Multi-element determination in Brazilian honey samples by inductively coupled plasma mass spectrometry and estimation of geographic origin with data mining techniques. Food Research International 49 (1):209-215

Berger A, Brulhart M, Prodolliet J (1991) Detection of adulteration in pure soluble coffee by enzymatic sugar determination. Lebensmittel-Wissenschaft+ Technologie= Food science+ technology

Berger RG (2007) Flavours and fragrances: chemistry, bioprocessing and sustainability. Springer Science & Business Media,


64

Berrini A, Tepedino V, Borromeo V, Secchi C (2006) Identification of freshwater fish commercially labelled “perch” by isoelectric focusing and two-dimensional electrophoresis. Food Chemistry 96 (1):163-168

Bertelli D, Lolli M, Papotti G, Bortolotti L, Serra G, Plessi M (2010) Detection of honey adulteration by sugar syrups using one-dimensional and two-dimensional high-resolution nuclear magnetic resonance. J Agric Food Chem 58 (15):8495-8501

Bevilacqua M, Bucci R, Magri AD, Magri AL, Marini F (2012) Tracing the origin of extra virgin olive oils by infrared spectroscopy and chemometrics: a case study. Anal Chim Acta 717:39-51

BfR, Bundesinstitut für Risikobewertung (2016a) Fragen und Antworten zu Lebensmittelbetrug und Authentizitätsprüfung, http://www.bfr.bund.de/de/fragen_und_antworten_zu_lebensmittelbetrug_und_authentizitaetspruefung-196648.html (aufgerufen am 11.2.2019)

BfR, Bundesinstitut für Risikobewertung (2016b) Neuartige Verfahren zur Authentifizierung von Lebensmitteln auf dem Weg zur Standardisierung. Presseinformation 48/2016. https://www.bfr.bund.de/de/presseinformation/2016/48/neuartige_verfahren_zur_authentifizierung_von_lebensmitteln_auf_dem_weg_zur_standardisierung-199329.html (aufgerufen am 11.02.2019)

BfR, Bundesinstitut für Risikobewertung (2016c) Pressemitteilung 19/2016, http://www.bfr.bund.de/de/presseinformation/2016/19/gewuerze_und_kraeuter__zutaten__die_ein_gesundheitliches_risiko_bergen_koennen-197600.html (aufgerufen am 11.02.2019)

BfR, Bundesinstitut für Risikobewertung (2016d) Projekt Animal ID, http://www.bfr.bund.de/de/presseinformation/2016/20/faelschungen_von_lebensmitteln_tierischen_ursprungs_kuenftig_leichter_nachweisbar-197652.html (aufgerufen am 11.02.2019)

BfR, Bundesinstitut für Risikobewertung (2018) EFSA Focal Point: BfR koordiniert die gesundheitliche Risikobewertung auf nationaler Ebene, http://www.bfr.bund.de/de/efsa_focal_point__bfr_koordiniert_die_gesundheitliche_risikobewertung_auf_nationaler_ebene-24930.html (aufgerufen am 11.02.2019)

Bilandžić N, Đokić M, Sedak M, Kolanović BS, Varenina I, Končurat A, Rudan N (2011) Determination of trace elements in Croatian floral honey originating from different regions. Food Chemistry 128 (4):1160-1164

Black C, Chevallier OP, Haughey SA, Balog J, Stead S, Pringle SD, Riina MV, Martucci F, Acutis PL, Morris M, Nikolopoulos DS, Takats Z, Elliott CT (2017) A real time metabolomic profiling approach to detecting fish fraud using rapid evaporative ionisation mass spectrometry. Metabolomics 13 (12):153

Black C, Haughey SA, Chevallier OP, Galvin-King P, Elliott CT (2016) A comprehensive strategy to detect the fraudulent adulteration of herbs: The oregano approach. Food Chem 210:551-557

Blanc MB, Davis GE, Parchet JM, Viani R (1989) Chromatographic profile of carbohydrates in commercial soluble coffees. J Agric Food Chem 37 (4):926-930

Bligh HFJ (2000) Detection of adulteration of Basmati rice with non-premium long-grain rice. International Journal of Food Science & Technology 35 (3):257-265

BMEL, Bundesministerium für Ernährung und Landwirtschaft (2017) Gegen Lebensmittelbetrug gemeinsam neue Wege gehen. Presseinformation vom 16.06.2017. https://www.bvl.bund.de/DE/08_PresseInfothek/01_FuerJournalisten_Presse/01_Pressemitteilungen/07_DasBundesamt/2017/2017_06_16_Kongress_2017.html (aufgerufen am 11.02.2019).

BMEL, Bundesministerium für Ernährung und Landwirtschaft (2018) Neue Regeln für die amtlichen Lebensmittel- und Futtermittelkontrollen https://www.bmel.de/DE/Ernaehrung/SichereLebensmittel/KontrolleRisikomanagement/_Texte/Kontrollverordnung.html (aufgerufen am 11.02.2019)

Bona E, Marquetti I, Link JV, Makimori GYF, da Costa Arca V, Guimarães Lemes AL, Ferreira JMG, dos Santos Scholz MB, Valderrama P, Poppi RJ (2017) Support vector machines in tandem with infrared spectroscopy for geographical classification of green arabica coffee. LWT - Food Science and Technology 76:330-336


65

Bononi M, Tateo F (2011) LC-ESI-MS/MS Identification of Oleuropein as a Marker of Olea Europea L. leaves used as a bulking agent in ground Oregano and Sage. Italian Journal of Food Science 23 (3):245-251

Bortoleto GG, De Nadai Fernandes EA, Tagliaferro FSF, A. A., Bueno MIMS (2008) Potential of X-ray spectrometry and chemometrics to discriminate organic from conventional grown agricultural products. Proc Second Scientific Conf of International Society of Organic Agriculture Research (ISOFAR):722-725

Botelho BG, Reis N, Oliveira LS, Sena MM (2015) Development and analytical validation of a screening method for simultaneous detection of five adulterants in raw milk using mid-infrared spectroscopy and PLS-DA. Food Chem 181:31-37

Brescia MA, Di Martino G, Guillou C, Reniero F, Sacco A, Serra F (2002) Differentiation of the geographical origin of durum wheat semolina samples on the basis of isotopic composition. Rapid Commun Mass Spectrom 16 (24):2286-2290

Briandet R, Kemsley EK, Wilson RH (1996) Approaches to Adulteration Detection in Instant Coffees using Infrared Spectroscopy and Chemometrics. Journal of the Science of Food and Agriculture 71 (3):359-366

Brunner M, Katona R, Stefánka Z, Prohaska T (2010) Determination of the geographical origin of processed spice using multielement and isotopic pattern on the example of Szegedi paprika. European Food Research and Technology 231 (4):623-634

BVL, Bundesamt für Verbaucherschutz und Lebensmittelsicherheit (2018a) Lebensmittelsicherheit – Wer macht was? https://www.bvl.bund.de/DE/01_Lebensmittel/01_Aufgaben/01_WerMachtWas/lm_WerMachtWas_node.html (aufgerufen am 11.02.2019)

BVL, Bundesamt für Verbaucherschutz und Lebensmittelsicherheit (2018b) OPSON Operationen, https://www.bvl.bund.de/DE/01_Lebensmittel/03_Verbraucher/16_Food_Fraud/06_OPSON_Operationen/OPSON_Operationen_node.html (aufgerufen am 11.02.2019)

CAC, Codex Alimentarius Commission (1992) Fruit juices and related products. Joint FAO/WHO Codex Alimentarius Commission, Rom, Italien

Calull M, Marcé RM, Sánchez G, Borrull F (1992) Determination of additives in wine by high-performance liquid chromatography. Journal of Chromatography A 607 (2):339-347

Camin F, Dordevic N, Wehrens R, Neteler M, Delucchi L, Postma G, Buydens L (2015) Climatic and geographical dependence of the H, C and O stable isotope ratios of Italian wine. Anal Chim Acta 853:384-390

Camin F, Larcher R, Nicolini G, Bontempo L, Bertoldi D, Perini M, Schlicht C, Schellenberg A, Thomas F, Heinrich K, Voerkelius S, Horacek M, Ueckermann H, Froeschl H, Wimmer B, Heiss G, Baxter M, Rossmann A, Hoogewerff J (2010a) Isotopic and elemental data for tracing the origin of European olive oils. J Agric Food Chem 58 (1):570-577

Camin F, Larcher R, Perini M, Bontempo L, Bertoldi D, Gagliano G, Nicolini G, Versini G (2010b) Characterisation of authentic Italian extra-virgin olive oils by stable isotope ratios of C, O and H and mineral composition. Food Chemistry 118 (4):901-909

Camin F, Perini M, Bontempo L, Fabroni S, Faedi W, Magnani S, Baruzzi G, Bonoli M, Tabilio MR, Musmeci S, Rossmann A, Kelly SD, Rapisarda P (2011) Potential isotopic and chemical markers for characterising organic fruits. Food Chemistry 125 (3):1072-1082

Carpio A, Rodriguez-Estevez V, Sanchez-Rodriguez M, Arce L, Valcarcel M (2010) Differentiation of organic goat's milk based on its hippuric acid content as determined by capillary electrophoresis. Electrophoresis 31 (13):2211-2217

Carrera M, Canas B, Lopez-Ferrer D, Pineiro C, Vazquez J, Gallardo JM (2011) Fast monitoring of species-specific peptide biomarkers using high-intensity-focused-ultrasound-assisted tryptic digestion and selected MS/MS ion monitoring. Anal Chem 83 (14):5688-5695

Carrera M, Cañas B, Piñeiro C, Vázquez J, Gallardo JM (2007) De Novo Mass Spectrometry Sequencing and Characterization of Species-Specific Peptides from Nucleoside Diphosphate Kinase B for the Classification of Commercial Fish Species Belonging to the Family Merlucciidae. Journal of Proteome Research 6 (8):3070-3080


66

Casazza AP, Morcia C, Ponzoni E, Gavazzi F, Benedettelli S, Breviario D (2012) A reliable assay for the detection of soft wheat adulteration in Italian pasta is based on the use of new DNA molecular markers capable of discriminating between Triticum aestivum and Triticum durum. Journal of Cereal Science 56 (3):733-740

Castellari M, Versari A, Spinabelli U, Galassi S, Amati A (2000) An Improved HPLC Method for the Analysis of Organic Acids, Carbohydrates, and Alcohols in Grape Musts and Wines. Journal of Liquid Chromatography & Related Technologies 23 (13):2047-2056

CBI, Centre for the Promotion of Imports from developing countries (2015) https://www.cbi.eu/about, (aufgerufen am 11.02.2019)

Cerrato Oliveros C, Pérez Pavón JL, García Pinto C, Fernández Laespada E, Moreno Cordero B, Forina M (2002) Electronic nose based on metal oxide semiconductor sensors as a fast alternative for the detection of adulteration of virgin olive oils. Anal Chim Acta 459 (2):219-228

Cesar CL, Vargas H, Lima CAS, Medes Filho J, Miranda LCM (1984) On the Use of Photoacoustiv Spectroscopy for Investigating Adulterated or Altered Powdered Coffee Samples. J Agric Food Chem 32 (6):1355-1358

Chaguri MP, Maulvault AL, Nunes ML, Santiago DA, Denadai JC, Fogaça FH, Sant’Ana LS, Ducatti C, Bandarra N, Carvalho ML, Marques A (2015) Different tools to trace geographic origin and seasonality of croaker (Micropogonias furnieri). LWT - Food Science and Technology 61 (1):194-200

Charlton AJ, Farrington WHHB, P. (2002) Application of 1H NMR and Multivariate Statistics for Screening Complex Mixtures: Quality Control and Authenticity of Instant Coffee. Journal of Agricultural and Food Chemistry 50 (11):3098-3103

Chen P, Harnly JM, Lester GE (2010) Flow injection mass spectral fingerprints demonstrate chemical differences in Rio Red grapefruit with respect to year, harvest time, and conventional versus organic farming. J Agric Food Chem 58 (8):4545-4553

Chen Q, Qi S, Li H, Han X, Ouyang Q, Zhao J (2014) Determination of rice syrup adulterant concentration in honey using three-dimensional fluorescence spectra and multivariate calibrations. Spectrochim Acta A Mol Biomol Spectrosc 131:177-182

Chen Q, Zhao J, Lin H (2009) Study on discrimination of Roast green tea (Camellia sinensis L.) according to geographical origin by FT-NIR spectroscopy and supervised pattern recognition. Spectrochim Acta A Mol Biomol Spectrosc 72 (4):845-850

Chiocchini F, Portarena S, Ciolfi M, Brugnoli E, Lauteri M (2016) Isoscapes of carbon and oxygen stable isotope compositions in tracing authenticity and geographical origin of Italian extra-virgin olive oils. Food Chem 202:291-301

Choi M-Y, Choi W, Park JH, Lim J, Kwon SW (2010) Determination of coffee origins by integrated metabolomic approach of combining multiple analytical data. Food Chemistry 121 (4):1260-1268

Chuang P-S, Chen M-I, Shiao J-C (2012) Identification of tuna species by a real-time polymerase chain reaction technique. Food Chemistry 133 (3):1055-1061

Ciampa A, Renzi G, Taglienti A, Sequi P, Valentini M (2010) Studies on Coffee Roasting Process by Means of Nuclear Magnetic Resonance Spectroscopy. Journal of Food Quality 33 (2):199-211

Cichelli A, Pertesana GP (2004) High-performance liquid chromatographic analysis of chlorophylls, pheophytins and carotenoids in virgin olive oils: chemometric approach to variety classification. Journal of Chromatography A 1046 (1-2):141-146

Clemenson S, Muggeridge M, Clay M (2012) 2 - Quality specifications for herbs and spices A2 - Peter, K.V. In: Handbook of Herbs and Spices (Second edition). Woodhead Publishing, pp 25-41. doi:https://doi.org/10.1533/9780857095671.25

Coffee Research Institute (2018) Green Coffee Classification and Grading, http://www.coffeeresearch.org/Coffeemain.htm (aufgerufen am 11.02.2019)

Comesaña AS, Abella P, Sanjuan A (2003) Molecular identification of five commercial flatfish species by PCR-RFLP analysis of a 12S rRNA gene fragment. Journal of the Science of Food and Agriculture 83 (8):752-759


67

Consonni R, Cagliani LR, Cogliati C (2013) Geographical discrimination of honeys by saccharides analysis. Food Control 32 (2):543-548

Cordella C, Faucon J-P, Cabrol-Bass D, Sbirrazzuoli N (2003a) Application of DSC as a tool for honey floral species characterization and adulteration detection. Journal of Thermal Analysis and Calorimetry 71 (1):279-290

Cordella CBY, Militão JSLT, Clément M-C, Cabrol-Bass D (2003b) Honey Characterization and Adulteration Detection by Pattern Recognition Applied on HPAEC-PAD Profiles. 1. Honey Floral Species Characterization. Journal of Agricultural and Food Chemistry 51 (11):3234-3242

Cozzolino D, Holdstock M, Dambergs RG, Cynkar WU, Smith PA (2009) Mid infrared spectroscopy and multivariate analysis: A tool to discriminate between organic and non-organic wines grown in Australia. Food Chemistry 116 (3):761-765

Cuadros-Inostroza A, Giavalisco P, Hummel J, Eckardt A, Willmitzer L, Peña-Cortés H (2010) Discrimination of Wine Attributes by Metabolome Analysis. Anal Chem 82 (9):3573-3580

Cubero-Leon E, De Rudder O, Maquet A (2018) Metabolomics for organic food authentication: Results from a long-term field study in carrots. Food Chem 239:760-770

D'Archivio AA, Giannitto A, Maggi MA, Ruggieri F (2016) Geographical classification of Italian saffron (Crocus sativus L.) based on chemical constituents determined by high-performance liquid-chromatography and by using linear discriminant analysis. Food Chem 212:110-116

D'Urso G, d'Aquino L, Pizza C, Montoro P (2015) Integrated mass spectrometric and multivariate data analysis approaches for the discrimination of organic and conventional strawberry (Fragaria ananassa Duch.) crops. Food Research International 77:264-272

Da Silveira R, Vágula JM, de Lima Figueiredo I, Claus T, Galuch MB, Junior OOS, Visentainer JV (2017) Rapid methodology via mass spectrometry to quantify addition of soybean oil in extra virgin olive oil: A comparison with traditional methods adopted by food industry to identify fraud. Food Research International 102:43-50

Dahinden I, von Büren M, Lüthy J (2001) A quantitative competitive PCR system to detect contamination of wheat, barley or rye in gluten-free food for coeliac patients. European food research & technology 212 (2):228--233

Dane AJ, Cody RB (2010) Selective ionization of melamine in powdered milk by using argon direct analysis in real time (DART) mass spectrometry. Analyst 135 (4):696-699

Daniel D, Lopes FS, Santos VBD, do Lago CL (2018) Detection of coffee adulteration with soybean and corn by capillary electrophoresis-tandem mass spectrometry. Food Chem 243:305-310

De Araujo WR, Paixão TRLC (2014) Use of copper electrode for melamine quantification in milk. Electrochimica Acta 117:379-384

De Castro O, Comparone M, Di Maio A, Del Guacchio E, Menale B, Troisi J, Aliberti F, Trifuoggi M, Guida M (2017) What is in your cup of tea? DNA Verity Test to characterize black and green commercial teas. PLoS One 12 (5):e0178262

De Moura Ribeiro MV, Boralle N, Redigolo Pezza H, Pezza L, Toci AT (2017) Authenticity of roasted coffee using 1 H NMR spectroscopy. Journal of Food Composition and Analysis 57:24-30

De Nadai Fernandes EA, Tagliaferro F, x000E, bio S, Azevedo-Filho A, Bode P (2002) Organic coffee discrimination with INAA and data mining/KDD techniques: new perspectives for coffee trade. Accreditation and Quality Assurance 7 (10):378-387

De Padua Alves E, de Alcantara ALD, Guimaraes AJK, de Santana EHW, Botaro BG, Fagnani R (2017) Milk adulteration with acidified rennet whey: a limitation for caseinomacropeptide detection by high-performance liquid chromatography. J Sci Food Agric

De Souza GCS, Bezerra da Silva PA, Leotério DMdS, Paim APS, Lavorante AF (2014) A multicommuted flow system for fast screening/sequential spectrophotometric determination of dichromate, salicylic acid, hydrogen peroxide and starch in milk samples. Food Control 46:127-135

De Villiers A, Alberts F, Lynen F, Crouch A, Sandra P (2003) Evaluation of liquid chromatography and capillary electrophoresis for the elucidation of the artificial colorants brilliant blue and azorubine in red wines. Chromatographia 58 (7/8):393-397


68

Dhanya K, Syamkumar S, Jaleel K, Sasikumar B (2008) Random amplified polymorphic DNA technique for detection of plant based adulterants in chilli powder (Capsicum annuum). Journal of Spices and Aromatic Crops 17 (2):75-81

Dhanya K, Syamkumar S, Siju S, Sasikumar B (2011) Sequence characterized amplified region markers: A reliable tool for adulterant detection in turmeric powder. Food Research International 44 (9):2889-2895

Dhiman B, Singh M (2003) Molecular Detection of Cashew Husk (Anacardium occidentale) Adulteration in Market Samples of Dry Tea (Camellia sinensis). Planta Medica 69 (9):882-884

Di Anibal CV, Odena M, Ruisanchez I, Callao MP (2009) Determining the adulteration of spices with Sudan I-II-II-IV dyes by UV-visible spectroscopy and multivariate classification techniques. Talanta 79 (3):887-892

Di Anibal CV, Ruisánchez I, Callao MP (2011) High-resolution 1H Nuclear Magnetic Resonance spectrometry combined with chemometric treatment to identify adulteration of culinary spices with Sudan dyes. Food Chemistry 124 (3):1139-1145

Di Finizio A, Guerriero G, Russo GL, Ciarcia G (2007) Identification of gadoid species (Pisces, Gadidae) by sequencing and PCR–RFLP analysis of mitochondrial 12S and 16S rRNA gene fragments. European Food Research and Technology 225 (3-4):337-344

Dias RCE, Alves ST, Benassi MdT (2013) Spectrophotometric method for quantification of kahweol in coffee. Journal of Food Composition and Analysis 31 (1):137-143

Diaz R, Pozo OJ, Sancho JV, Hernandez F (2014) Metabolomic approaches for orange origin discrimination by ultra-high performance liquid chromatography coupled to quadrupole time-of-flight mass spectrometry. Food Chem 157:84-93

DIN, Deutsches Institut für Normung (2001) Tier und Pflanzen Fette und Öle, Bestimmung des Peroxidwertes, ISO 3690, 3. Edition.

DIN, Deutsches Institut für Normung (2009) Tier und Pflanzen Fette und Öle, Bestimmung des Säurewerts, ISO 660, 3. Edition.

Dionisi F, Prodolliet J, Tagliaferri E (1995) Assessment of olive oil adulteration by reversed-phase high-performance liquid chromatography/amperometric detection of tocopherols and tocotrienols. Journal of the American Oil Chemists’ Society 72 (12):1505-1511

Domingues DS, Pauli ED, de Abreu JE, Massura FW, Cristiano V, Santos MJ, Nixdorf SL (2014) Detection of roasted and ground coffee adulteration by HPLC and by amperometric and by post-column derivatization UV-Vis detection. Food Chem 146:353-362

Donarski JA, Jones SA, Harrison M, Driffield M, Charlton AJ (2010) Identification of botanical biomarkers found in Corsican honey. Food Chemistry 118 (4):987-994

Du B, Wu L, Xue X, Chen L, Li Y, Zhao J, Cao W (2015) Rapid Screening of Multiclass Syrup Adulterants in Honey by Ultrahigh-Performance Liquid Chromatography/Quadrupole Time of Flight Mass Spectrometry. J Agric Food Chem 63 (29):6614-6623

Ehling S, Cole S (2011) Analysis of organic acids in fruit juices by liquid chromatography-mass spectrometry: an enhanced tool for authenticity testing. J Agric Food Chem 59 (6):2229-2234

Ehling S, Tefera S, Ho IP (2007) High-performance liquid chromatographic method for the simultaneous detection of the adulteration of cereal flours with melamine and related triazine by-products ammeline, ammelide, and cyanuric acid. Food Addit Contam 24 (12):1319-1325

El-Abassy RM, Eravuchira PJ, Donfack P, von der Kammer B, Materny A (2011) Fast determination of milk fat content using Raman spectroscopy. Vibrational Spectroscopy 56 (1):3-8

Ellis DI, Ellis J, Muhamadali H, Xu Y, Horn AB, Goodacre R (2016) Rapid, high-throughput, and quantitative determination of orange juice adulteration by Fourier-transform infrared spectroscopy. Analytical Methods 8 (28):5581-5586

Etienne M, Jérôme M, Fleurence J, Rehbein H, Kündiger R, Mendes R, Costa H, Pérez-Martín R, Piñeiro-González C, Craig A, Mackie I, Malmheden Yman I, Ferm M, Martínez I, Jessen F, Smelt A, Luten J (2000) Identification of Fish Species after Cooking by SDS−PAGE and Urea IEF: A Collaborative Study. Journal of Agricultural and Food Chemistry 48 (7):2653-2658


69

Etiévant P, Schlich P, Bouvier J-C, Symonds P, Bertrand A (1988) Varietal and Geographic Classification of French Red Wines inTerms of Elements, Amino Acids and Aromatic Alcohols. Journal of the Science of Food and Agriculture 45 (1):25-41

Etzold E, Lichtenberg-Kraag B (2008) Determination of the botanical origin of honey by Fourier-transformed infrared spectroscopy: an approach for routine analysis. European food research & technology 2008 v.227 no.2 (no. 2):pp. 579-586

EU-China-Safe (2018) EU China-Safe Projekt, https://nofima.no/en/prosjekt/eu-china-safe/ (aufgerufen am 11.02.2019)

EU-Kommission (2018a) Administrative Assistance and Cooperation, enforcement measures, https://ec.europa.eu/food/safety/official_controls/legislation/aac_en (aufgerufen am 11.02.2019)

EU-Kommission (2018b) EU koordinierte Kontrollprogramme, https://ec.europa.eu/food/safety/official_controls/eu-co-ordinated-control-plans_en (aufgerufen am 11.02.2019)

EU-Kommission (2018c) Food Fraud Network, https://ec.europa.eu/food/safety/food-fraud/ffn_en (aufgerufen am 11.02.2019)

EU-Kommission (2018d) RASFF, https://ec.europa.eu/food/safety/rasff_en (aufgerufen am 11.02.2019)

EU-Parlament (2013) Bericht über die Nahrungsmittelkrise, Betrug in der Nahrungskette und die entsprechende Kontrolle (2013/2091 INI), http://www.europarl.europa.eu/sides/getDoc.do?pubRef=-//EP//TEXT+REPORT+A7-2013-0434+0+DOC+XML+V0//DE (aufgerufen am 11.02.2019)

Fahrni SM, Fuller BT, Southon JR (2015) Angel's share combats wine fraud: 14C dating of wine without opening the bottle. Anal Chem 87 (17):8646-8650

FAO (2011) Spices and herbs for home and market, www.fao.org/docrep/015/i2476e/i2476e00.pdf (aufgerufen am 11.02.2019)

FAO (2016) The State of World Fisheries and Aquaculture 2016 (SOFIA-Berichte). http://www.fao.org/fishery/sofia/en (aufgerufen am 11.02.2019)

Faria MA, Magalhães A, Nunes ME, Oliveira MBPP (2013) High resolution melting of trnL amplicons in fruit juices authentication. Food Control 33 (1):136-141

Ferreira T, Oliveira E, Oliveira T, Lima I, Vitório F, Farah A Detection of Barley and Corn as Adulterants in Commercial Coffees Using Real-Time PCR. In: Commercial Coffees Using Real-Time PCR. In: International Converence on Coffee Science, 2012. p 42

Ferrer AC, Unterluggauer H, Fischer RJ, Fernandez-Alba AR, Masselter S (2010) Development and validation of a LC-MS/MS method for the simultaneous determination of aflatoxins, dyes and pesticides in spices. Anal Bioanal Chem 397 (1):93-107

Filazi A, Sireli UT, Ekici H, Can HY, Karagoz A (2012) Determination of melamine in milk and dairy products by high performance liquid chromatography. Food Chemistry 110 (1):257-262

Fontes AS, Bento AC, Miranda LCM, Baesso ML (2001) Thermal Lens Evaluation of the Presence of Adulterants in Brewed Coffee. Analytical Science 17 (Special Issue):526-529

FoodAuthent (2017) FoodAuthent Projekt, https://www.foodauthent.de/project (aufgerufen am 11.02.2019)

FOODIntegrity (2015) Food Integrity Projekt, https://secure.fera.defra.gov.uk/foodintegrity (aufgerufen am11.02.2019)

FoodProfiling (2018) Food Profiling Projekt, https://www.food-profiling.org (aufgerufen am 11.02.2019).

FoodRisk-Lab (2018) BfR FoodRisk-Lab, https://foodrisklabs.bfr.bund.de/frl (aufgerufen am 11.02.2019)

Fragaki G, Spyros A, Siragakis G, Salivaras E, Dais P (2005) Detection of Extra Virgin Olive Oil Adulteration with Lampante Olive Oil and Refined Olive Oil Using Nuclear Magnetic Resonance Spectroscopy and Multivariate Statistical Analysis. J Agric Food Chem 53 (8):2810-2816


70

Galgano F, Favati F, Caruso M, Scarpa T, Palma A (2008) Analysis of trace elements in southern Italian wines and their classification according to provenance. LWT - Food Science and Technology 41 (10):1808-1815

Ganopoulos I, Argiriou A, Tsaftaris A (2011) Adulterations in Basmati rice detected quantitatively by combined use of microsatellite and fragrance typing with High Resolution Melting (HRM) analysis. Food Chemistry 129 (2):652-659

García-García A, Madrid R, García T, Martín R, González I (2018) Use of multiplex ligation-dependent probe amplification (MLPA) for screening of wheat, barley, rye and oats in foods. Food Control 84:268-277

Garrett R, Vaz BG, Hovell AMC, Eberlin MN, Rezende CM (2012) Arabica and Robusta Coffees: Identification of Major Polar Compounds and Quantification of Blends by Direct-Infusion Electrospray Ionization–Mass Spectrometry. Journal of Agricultural and Food Chemistry 60 (17):4253-4258

Geana EI, Popescu R, Costinel D, Dinca OR, Stefanescu I, Ionete RE, Bala C (2016) Verifying the red wines adulteration through isotopic and chromatographic investigations coupled with multivariate statistic interpretation of the data. Food Control 62:1-9

Georgouli K, Martinez Del Rincon J, Koidis A (2017) Continuous statistical modelling for rapid detection of adulteration of extra virgin olive oil using mid infrared and Raman spectroscopic date. Food Chem 217:735-742

Gerhardt N, Birkenmeier M, Schwolow S, Rohn S, Weller P (2018) Volatile-Compound Fingerprinting by Headspace-Gas-Chromatography Ion-Mobility Spectrometry (HS-GC-IMS) as a Benchtop Alternative to 1H NMR Profiling for Assessment of the Authenticity of Honey. Analytical Chemistry 90 (3):1777-1785

Gewürzindustrie (2018) Fachverband der Gewürzindustrie e.V. - Marktentwicklung 2016, https://www.gewuerzindustrie.de/index-gewuerzindustrie.html/presse-statistik-gewuerze/marktentwicklung (aufgerufen am 11.02.2019)

Giuffrida D, Dugo P, Salvo A, Saitta M, Dugo G (2010) Free carotenoid and carotenoid ester composition in native orange juices of different varieties. Fruits 65 (5):277-284

Godelmann R, Fang F, Humpfer E, Schutz B, Bansbach M, Schafer H, Spraul M (2013) Targeted and nontargeted wine analysis by 1H NMR spectroscopy combined with multivariate statistical analysis. Differentiation of important parameters: grape variety, geographical origin, year of vintage. J Agric Food Chem 61 (23):5610-5619

Gómez‐Carracedo M, Andrade J, Fernández E, Prada D, Muniategui S (2004) Evaluation of the Pure Apple Juice Content in Commercial Apple Beverages Using FTMIR‐ATR and Potential Curves. Spectroscopy letters 37 (2):73-93

Gottschalk C, Barthel J, Engelhardt G, Bauer J, Meyer K (2007) Occurrence of type A trichothecenes in conventionally and organically produced oats and oat products. Molecular nutrition & food research 51 (12):1547-1553

Gouilleux B, Marchand J, Charrier B, Remaud GS, Giraudeau P (2018) High-throughput authentication of edible oils with benchtop Ultrafast 2D NMR. Food Chem 244:153-158

Guler A, Kocaokutgen H, Garipoglu AV, Onder H, Ekinci D, Biyik S (2014) Detection of adulterated honey produced by honeybee (Apis mellifera L.) colonies fed with different levels of commercial industrial sugar (C(3) and C(4) plants) syrups by the carbon isotope ratio analysis. Food Chem 155:155-160

Guo J, Yue T, Yuan Y (2012) Feature selection and recognition from nonspecific volatile profiles for discrimination of apple juices according to variety and geographical origin. J Food Sci 77 (10):C1090-1096

Gurdeniz G, Ozen B (2009) Detection of adulteration of extra-virgin olive oil by chemometric analysis of mid-infrared spectral data. Food Chemistry 116 (2):519-525

Guyon F, Gaillard L, Salagoity M-H, Médina B (2011) Intrinsic ratios of glucose, fructose, glycerol and ethanol 13C/12C isotopic ratio determined by HPLC-co-IRMS: toward determining constants for wine authentication. Analytical and Bioanalytical Chemistry 401 (5):1551-1558


71

Guzelmeric E, Ristivojevic P, Vovk I, Milojkovic-Opsenica D, Yesilada E (2017) Quality assessment of marketed chamomile tea products by a validated HPTLC method combined with multivariate analysis. J Pharm Biomed Anal 132:35-45

Hadaruga DI, Costescu CI, Corpas L, Hadaruga NG, Isengard HD (2016) Differentiation of rye and wheat flour as well as mixtures by using the kinetics of Karl Fischer water titration. Food Chem 195:49-55

Haddi Z, Alami H, El Bari N, Tounsi M, Barhoumi H, Maaref A, Jaffrezic-Renault N, Bouchikhi B (2013) Electronic nose and tongue combination for improved classification of Moroccan virgin olive oil profiles. Food Research International 54 (2):1488-1498

Han J, Zhang X, Li H, Hou Y, Hou J, Li Z, Yang F, Liu Y, Han T (2018) D-A type sensor array for differentiation and identification of white wine varieties based on specific solvent effect activated by CT-LE transition. Spectrochim Acta A Mol Biomol Spectrosc 190:318-323

Haughey SA, Galvin-King P, Ho Y-C, Bell SEJ, Elliott CT (2015) The feasibility of using near infrared and Raman spectroscopic techniques to detect fraudulent adulteration of chili powders with Sudan dye. Food Control 48:75-83

He J, Rodriguez-Saona LE, Giusti MM (2007) Midinfrared spectroscopy for juice authentication rapid differentiation of commercial juices. Journal of agricultural and food chemistry 55 (11):4443-4452

Heude C, Elbayed K, Jezequel T, Fanuel M, Lugan R, Heintz D, Benoit P, Piotto M (2016) Metabolic Characterization of Caviar Specimens by 1H NMR Spectroscopy: Towards Caviar Authenticity and Integrity. Food Analytical Methods 9 (12):3428-3438

Hohmann M, Christoph N, Wachter H, Holzgrabe U (2014) 1H NMR profiling as an approach to differentiate conventionally and organically grown tomatoes. J Agric Food Chem 62 (33):8530-8540

Hold GL, Russell VJ, Pryde SE, Rehbein H, Quinteiro J, Rey-Mendez M, Sotelo CG, Perez-Martin RI, Santos AT, Rosa C (2001) Validation of a PCR-RFLP based method for the identification of salmon species in food products. Eur Food Res Technol 212 (3):385-389

Holmberg L (2010) Wine fraud. International Journal of Wine Research:105 Hong E, Lee SY, Jeong JY, Park JM, Kim BH, Kwon K, Chun HS (2017) Modern analytical methods for

the detection of food fraud and adulteration by food category. J Sci Food Agric 97 (12):3877-3896

Hoogenboom LAP, Bokhorst JG, Northolt MD, van de Vijver LPL, Broex NJG, Mevius DJ, Meijs JAC, Van der Roest J (2008) Contaminants and microorganisms in Dutch organic food products: a comparison with conventional products. Food Additives & Contaminants: Part A 25 (10):1195-1207

Huang G, Ouyang Z, Cooks RG (2009) High-throughput trace melamine analysis in complex mixtures. Chem Commun (Camb) (5):556-558

Hubert P, Perrot F, Gaye J, Médina B, Pravikoff MS (2009) Radioactivity measurements applied to the dating and authentication of old wines. Comptes Rendus Physique 10 (7):622-629

Hung W-C, Peng G-J, Tsai W-J, Chang M-H, Liao C-D, Tseng S-H, Kao Y-M, Wang D-Y, Cheng H-F (2017) Identification of 3-MCPD esters to verify the adulteration of extra virgin olive oil. Food Additives & Contaminants: Part B 10 (3):233-239

Huo D, Wu Y, Yang M, Fa H, Luo X, Hou C (2014) Discrimination of Chinese green tea according to varieties and grade levels using artificial nose and tongue based on colorimetric sensor arrays. Food Chem 145:639-645

IARC (1975) Monographs on the evaluation of the carcinogenic risk of chemical to man: Some aromatic azocompounds (Vol. 8). Lyon, France.

IFS (2018) IFS Standards, https://www.ifs-certification.com/index.php/de (aufgerufen am 11.02.2019)

Inman SE, Groves K, McCullough B, Quaglia M, Hopley C (2018) Development of a LC-MS method for the discrimination between trace level Prunus contaminants of spices. Food Chem 245:289-296

IOOC, International Olive Oil Council (2001a) COI/T, 20/Doc. Nr. 11 Determination of stigmastadiens in vegetable oils.


72

IOOC, International Olive Oil Council (2001b) COI/T, 20/Doc. Nr. 16 Rev. 1 Determination of sterenes in refined vegetable oils.

IOOC, International Olive Oil Council (2001c) COI/T, 20/Doc. Nr. 17 Rev. 1 Determination of trans unsaturated fatty acids by capillary column gas chromatography.

IOOC, International Olive Oil Council (2001d) COI/T, 20/Doc. Nr. 24, Preparation of the fatty acid methyl esters from olive oil and olive pomace oil.

IOOC, International Olive Oil Council (2010) COI/T, 20/Doc. Nr. 19 Rev. 3 Spectrophotometric investigation in the ultraviolet.

Jabeur H, Drira M, Rebai A, Bouaziz M (2017) Putative Markers of Adulteration of Higher-Grade Olive Oil with Less Expensive Pomace Olive Oil Identified by Gas Chromatography Combined with Chemometrics. J Agric Food Chem 65 (26):5375-5383

Jabeur H, Zribi A, Bouaziz M (2015) Extra-Virgin Olive Oil and Cheap Vegetable Oils: Distinction and Detection of Adulteration as Determined by GC and Chemometrics. Food Analytical Methods 9 (3):712-723

Jablonski JE, Moore JC, Harnly JM (2014) Nontargeted detection of adulteration of skim milk powder with foreign proteins using UHPLC-UV. J Agric Food Chem 62 (22):5198-5206

Jaitz L, Siegl K, Eder R, Rak G, Abranko L, Koellensperger G, Hann S (2010) LC–MS/MS analysis of phenols for classification of red wine according to geographic origin, grape variety and vintage. Food Chemistry 122 (1):366-372

Jamin E, R. G, Rétif M, Lees M, Martin GJ (2003) Improved Detection of Added Water in Orange Juice by Simultaneous Determination of the Oxygen-18/Oxygen-16 Isotope Ratios of Water and Ethanol Derived from Sugars. Journal of Agricultural and Food Chemistry 51 (18):5202-5206

Jandrić Z, Islam M, Singh DK, Cannavan A (2017) Authentication of Indian citrus fruit/fruit juices by untargeted and targeted metabolomics. Food Control 72:181-188

Jandric Z, Roberts D, Rathor MN, Abrahim A, Islam M, Cannavan A (2014) Assessment of fruit juice authenticity using UPLC-QToF MS: a metabolomics approach. Food Chem 148:7-17

Jergović A-M, Peršurić Ž, Saftić L, Kraljević Pavelić S (2017) Evaluation of MALDI-TOF/MS Technology in Olive Oil Adulteration. Journal of the American Oil Chemists' Society 94 (6):749-757

Jham GN, Winkler JK, Berhow MA, Vaughn SF (2007) γ-Tocopherol as a Marker of Brazilian Coffee (Coffea arabica L.) Adulteration by Corn. Journal of Agricultural and Food Chemistry 55 (15):5995-5999

Kahl J, Baars T, Bugel S, Busscher N, Huber M, Kusche D, Rembialkowska E, Schmid O, Seidel K, Taupier-Letage B, Velimirov A, Zalecka A (2012) Organic food quality: a framework for concept, definition and evaluation from the European perspective. J Sci Food Agric 92 (14):2760-2765

Kahl J, Bodroza-Solarov M, Busscher N, Hajslova J, Kneifel W, Kokornaczyk MO, van Ruth S, Schulzova V, Stolz P (2014) Status quo and future research challenges on organic food quality determination with focus on laboratory methods. J Sci Food Agric 94 (13):2595-2599

Kahl J, Busscher N, Mergardt G, Mader P, Torp T, Ploeger A (2015) Differentiation of organic and non-organic winter wheat cultivars from a controlled field trial by crystallization patterns. J Sci Food Agric 95 (1):53-58

Kalaitzis P, El-Zein Z (2016) Olive Oil authentication, traceability and adulteration deteciton using DNA-based approaches. Lipid Technology 28 (10-11):173-176

Karoui R, Lefur B, Grondin C, Thomas E, Demeulemester C, Baerdemaeker JD, Guillard A-S (2007) Mid-infrared spectroscopy as a new tool for the evaluation of fish freshness. International Journal of Food Science & Technology 42 (1):57-64

Kasemsumran S, Thanapase W, Kiatsoonthon A (2007) Feasability of near-infrared spectroscopy to detect and quantify adulterants in cow milk. Anal Sci 23 (7):907-910

Kelly S, Baxter M, Chapman S, Rhodes C, Dennis J, Brereton P (2014) The application of isotopic and elemental analysis to determine the geographical origin of premium long grain rice. European Food Research and Technology 214 (1):72-78

Khan S, Mirza KJ, Anwar F, Abdin MZ (2010) Development of RAPD markers for authentication of Piper nigrum (L.). Environ We Int J Sci Tech 5:47-56


73

Kim H, Suresh Kumar K, Shin KH (2015) Applicability of stable C and N isotope analysis in inferring the geographical origin and authentication of commercial fish (Mackerel, Yellow Croaker and Pollock). Food Chem 172:523-527

Knödler M, Most M, Schieber A, Carle R (2010) A novel approach to authenticity control of whole grain durum wheat (Triticum durum Desf.) flour and pasta, based on analysis of alkylresorcinol composition. Food Chemistry 118 (1):177-181

Kropf U, Korošec M, Bertoncelj J, Ogrinc N, Nečemer M, Kump P, Golob T (2010) Determination of the geographical origin of Slovenian black locust, lime and chestnut honey. Food Chemistry 121 (3):839-846

Kunz MR, Ottaway J, Kalivas JH, Georgiou CA, Mousdis GA (2011) Updating a synchronous fluorescence spectroscopic virgin olive oil adulteration calibration to a new geographical region. J Agric Food Chem 59 (4):1051-1057

Kurz C, Leitenberger M, Carle R, Schieber A (2010) Evaluation of fruit authenticity and determination of the fruit content of fruit products using FT-NIR spectroscopy of cell wall components. Food Chemistry 119 (2):806-812

Lagad RA, Singh SK, Rai VK (2017) Rare earth elements and 87 Sr/ 86 Sr isotopic characterization of Indian Basmati rice as potential tool for its geographical authenticity. Food Chemistry 217:254-265

Laghi L, Versari A, Marcolini E, Parpinello GP (2014) Metabonomic Investigation by 1H-NMR to Discriminate between Red Wines from Organic and Biodynamic Grapes. Food and Nutrition Sciences 05 (01):52-59

Lakshmi S, Padmaja G, Remani P (2011) Antitumour Effects of Isocurcumenol Isolated from Curcuma zedoaria Rhizomes on Human and Murine Cancer Cells. International Journal of Medicinal Chemistry 2011:13

Laursen KH, Schjoerring JK, Kelly SD, Husted S (2014) Authentication of organically grown plants – advantages and limitations of atomic spectroscopy for multi-element and stable isotope analysis. TrAC Trends in Analytical Chemistry 59:73-82

Laursen KH, Schjoerring JK, Olesen JE, Askegaard M, Halekoh U, Husted S (2011) Multielemental fingerprinting as a tool for authentication of organic wheat, barley, faba bean, and potato. J Agric Food Chem 59 (9):4385-4396

Le Gall G, M. P, Colquhoun IJ (2001) Discrimination between Orange Juice and Pulp Wash by 1H Nuclear Magnetic Resonance Spectroscopy: Identification of Marker Compounds. Journal of Agricultural and Food Chemistry 49 (2):580-588

Lee JE, Lee BJ, Chung JO, Kim HN, Kim EH, Jung S, Lee H, Lee SJ, Hong YS (2015) Metabolomic unveiling of a diverse range of green tea (Camellia sinensis) metabolites dependent on geography. Food Chem 174:452-459

Li L, Boyd CE, Sun Z (2016) Authentication of fishery and aquaculture products by multi-element and stable isotope analysis. Food Chem 194:1238-1244

Li S, Shan Y, Zhu X, Zhang X, Ling G (2012) Detection of honey adulteration by high fructose corn syrup and maltose syrup using Raman spectroscopy. Journal of Food Composition and Analysis 28 (1):69-74

Lieske B, Konrad G (1996) A new method to estimate caseinomacropeptide and glycomacropeptide from trichloroacetic acid filtrates. Milchwissenschaft 51 (8):431-434

Lim DK, Long NP, Mo C, Dong Z, Cui L, Kim G, Kwon SW (2017) Combination of mass spectrometry-based targeted lipidomics and supervised machine learning algorithms in detecting adulterated admixtures of white rice. Food Res Int 100 (Pt 1):814-821

Lin J, Zhang P, Pan Z, Xu H, Luo Y, Wang X (2013) Discrimination of oolong tea (Camellia sinensis) varieties based on feature extraction and selection from aromatic profiles analysed by HS-SPME/GC-MS. Food Chem 141 (1):259-265

Lin W-F, Hwang D-F (2007) Application of PCR-RFLP analysis on species identification of canned tuna. Food Control 18 (9):1050-1057

Liu HC, You CF, Chen CY, Liu YC, Chung MT (2014) Geographic determination of coffee beans using multi-element analysis and isotope ratios of boron and strontium. Food Chem 142:439-445


74

Lohumi S, Lee S, Lee W-H, Kim MS, Mo C, Bae H, Cho B-K (2014) Detection of Starch Adulteration in Onion Powder by FT-NIR and FT-IR Spectroscopy. Journal of Agricultural and Food Chemistry 62 (38):9246-9251

Longobardi F, Ventrella A, Napoli C, Humpfer E, Schütz B, Schäfer H, Kontominas MG, Sacco A (2012) Classification of olive oils according to geographical origin by using 1H NMR fingerprinting combined with multivariate analysis. Food Chemistry 130 (1):177-183

López-Calleja I, Alonso IG, Fajardo V, Rodríguez MA, Hernández PE, García T, Martín R (2005) PCR detection of cows’ milk in water buffalo milk and mozzarella cheese. International Dairy Journal 15 (11):1122-1129

Lopez SJ (2007) TaqMan based real time PCR method for quantitative detection of basmati rice adulteration with non-basmati rice. European Food Research and Technology 227 (2):619-622

Louveaux J, Maurizio A, Vorwohl G (1978) Methods of melissopalynology. Bee world 59 (4):139-157 Louw L, Roux K, Tredeoux A, Tomic O, Naes T, Nieuwoudt HH, voan Rensburg P (2009)

Characterization of Selected South African Young Cultivar Wines Using FTMIR Spectroscopy, Gas Chromatography, and Multivariate Data Analysis. Journal of Agricultural and Food Chemistry 57 (7):2623-2632

Ludwig A, Debus L, Jenneckes, I. (2002) A Molecular Approach to Control the International Trade in Black Caviar. International Review of Hydrobiology 87 (5-6):661-674

Lv S-D, Wu Y-S, Song Y-Z, Zhou J-S, Lian M, Wang C, Liu L, Meng Q-X (2014) Multivariate Analysis Based on GC-MS Fingerprint and Volatile Composition for the Quality Evaluation of Pu-Erh Green Tea. Food Analytical Methods 8 (2):321-333

Magdas DA, Cristea G, Puscas R, Tusa F (2014) The Use of Isotope Ratios in Commercial Fruit Juices Authentication Romanian Journal of Physics 59 (3-4):355-359

Mannina L, Sobolev AP, Capitani D, Iaffaldano N, Rosato MP, Ragni P, Reale A, Sorrentino E, D'Amico I, Coppola R (2008) NMR metabolic profiling of organic and aqueous sea bass extracts: implications in the discrimination of wild and cultured sea bass. Talanta 77 (1):433-444

Maraboli A, Cattaneo P, Maria T, Giangiacomo R (2002) Detection of vegetable proteins from soy, pea, and wheat isolates in milk powder by near infrared spectroscopy. J Near Infrared Spectros 10 (1):63-69

Mariani S, Griffiths AM, Velasco A, Kappel K, Jérôme M, Perez-Martin RI, Schröder U, Verrez-Bagnis V, Silva H, Vandamme SG, Boufana B, Mendes R, Shorten M, Smith C, Hankard E, Hook SA, Weymer AS, Gunning D, Sotelo CG (2015) Low mislabeling rates indicate marked improvements in European seafood market operations. Frontiers in Ecology and the Environment 13 (10):536-540

Marieschi M, Torelli A, Beghe D, Bruni R (2016) Authentication of Punica granatum L.: Development of SCAR markers for the detection of 10 fruits potentially used in economically motivated adulteration. Food Chem 202:438-444

Marieschi M, Torelli A, Bianchi A, Bruni R (2011) Detecting Satureja montana L. and Origanum majorana L. by means of SCAR–PCR in commercial samples of Mediterranean oregano. Food Control 22 (3):542-548

Marieschi M, Torelli A, Poli F, Bianchi A, Bruni R (2010) Quality control of commercial Mediterranean oregano: Development of SCAR markers for the detection of the adulterants Cistus incanus L., Rubus caesius L. and Rhus coriaria L. Food Control 21 (7):998-1003

Martellossi C, Taylor EJ, Lee D, Graziosi G, Donini P (2005) DNA Extraction and Analysis from Processed Coffee Beans. Journal of Agricultural and Food Chemistry 53 (22):8432-8436

Martin GJ, Guillou C, Martin ML, Cabanis MT, Tep Y, Aerny J (1988) Natural factors of isotope fractionation and the characterization of wines. J Agric Food Chem 36 (2):316-322

Martin GJ, Zhang BL, Naulet N, Martin ML (1986) Deuterium transfer in the bioconversion of glucose to ethanol studied by specific labeling at the natural abundance level. Journal of the American Chemical Society 108 (17):5116-5122

Martínez-Lozano Sinues P, Alonso-Salces RM, Zingaro L, Finiguerra A, Holland MV, Guillou C, Cristoni S (2012) Mass spectrometry fingerprinting coupled to National Institute of Standards and Technology Mass Spectral search algorithm for pattern recognition. Anal Chim Acta 755:28-36


75

Masi E, Taiti C, Heimler D, Vignolini P, Romani A, Mancuso S (2016) PTR-TOF-MS and HPLC analysis in the characterization of saffron (Crocus sativus L.) from Italy and Iran. Food Chem 192:75-81

Mauer LJ, Chernyshova AA, Hiatt A, Deering A, Davis R (2009) Melamine Detection in Infant Formula Powder Using Near- and Mid-Infrared Spectroscopy. Journal of Agricultural and Food Chemistry 57 (10):3974-3980

Mazzeo MF, Siciliano RA (2016) Proteomics for the authentication of fish species. J Proteomics 147:119-124

McGoverin CM, September DJF, Geladi P, Manley M (2012) Near Infrared and Mid-Infrared Spectroscopy for the Quantification of Adulterants in Ground Black Pepper. Journal of Near Infrared Spectroscopy 20 (5):521-528

Mehari B, Redi-Abshiro M, Chandravanshi BS, Combrinck S, Atlabachew M, McCrindle R (2016) Profiling of phenolic compounds using UPLC–MS for determining the geographical origin of green coffee beans from Ethiopia. Journal of Food Composition and Analysis 45:16-25

Mejia E, Ding Y, Mora MF, Garcia CD (2007) Determination of banned sudan dyes in chili powder by capillary electrophoresis. Food Chemistry 102 (4):1027-1033

Mihailova A, Pedentchouk N, Kelly SD (2014) Stable isotope analysis of plant-derived nitrate - novel method for discrimination between organically and conventionally grown vegetables. Food Chem 154:238-245

Molkentin J, Giesemann A (2010) Follow-up of stable isotope analysis of organic versus conventional milk. Anal Bioanal Chem 398 (3):1493-1500

Molkentin J, Meisel H, Lehmann I, Rehbein H (2006) Identification of organically farmed Atlantic salmon by analysis of stable isotopes and fatty acids. European Food Research and Technology 224 (5):535-543

Møller JKS, Catharino RR, Eberlin MN (2007) Electrospray ionization mass spectrometry fingerprinting of essential oils: Spices from the Labiatae family. Food Chemistry 100 (3):1283-1288

Monakhova YB, Ruge W, Kuballa T, Ilse M, Winkelmann O, Diehl B, Thomas F, Lachenmeier DW (2015) Rapid approach to identify the presence of Arabica and Robusta species in coffee using 1H NMR spectroscopy. Food Chem 182:178-184

Monakhova YB, Rutledge DN, Roßmann A, Waiblinger H-U, Mahler M, Ilse M, Kuballa T, Lachenmeier DW (2014) Determination of rice type by1H NMR spectroscopy in combination with different chemometric tools. Journal of Chemometrics 28 (2):83-92

Montowska M, Pospiech E (2010) Authenticity determination of meat and meat products on the protein and DNA basis. Food Reviews International 27 (1):84-100

Moon J-C, Kim J-H, Jang CS (2016) Development of multiplex PCR for species-specific identification of the Poaceae family based on chloroplast gene, rpoC2. Applied Biological Chemistry 59 (2):201-207

Mooney R, Chappell L, Knight AI (2006) Evaluation of a Polymerase Chain Reaction-Based Heteroduplex Assay for Detecting the Adulteration of Processed Orange Juice with Mandarin Juice. Journal of AOAC International 89 (4):1052-1060

Moore JC, Spink J, Lipp M (2012) Development and application of a database of food ingredient fraud and economically motivated adulteration from 1980 to 2010. J Food Sci 77 (4):R118-126

Morales V, Sanz ML, Martín-Álvarez PJ, Corzo N (2009) Combined use of HMF and furosine to assess fresh honey quality. Journal of the Science of Food and Agriculture 89 (8):1332-1338

MSC (2018) https://www.msc.org/zertifizierung/fischereien (aufgerufen am 11.02.2019) Muntean E (2010) Simultaneous Carbohydrate Chromatography and Unsuppressed Ion

Chromatography in Detecting Fruit Juices Adulteration. Chromatographia 71 (1):69-74 Musara C, Pote W (2014) Application of osmometry in quality analysis of milk. J Food Sci Technol 51

(3):606-610 Naldi M, Fiori J, Gotti R, Periat A, Veuthey JL, Guillarme D, Andrisano V (2014) UHPLC determination

of catechins for the quality control of green tea. J Pharm Biomed Anal 88:307-314 Nallappan K, Dash J, Ray S, Pesla B (2013) Identification of adulterants in turmeric powder using

terahertz spectroscopy. 38th International Conference on Infrared, Millimeter, and Tetrahertz waves (Irmmw-Thz):1-2


76

Nascimento CF, Santos PM, Pereira-Filho ER, Rocha FRP (2017) Recent advances on determination of milk adulterants. Food Chem 221:1232-1244

Nauth WF (1977) Die Organisierte Weinkriminalität. Stencilled dissertation Mainz: Johannes Gutenberg-Universität

Nieh C-H, Hsieh B-C, Chen P-C, Hsiao H-Y, Cheng T-J, Chen RLC (2009) Potentiometric flow-injection estimation of tea fermentation degree. Sensors and Actuators B: Chemical 136 (2):541-545

Nöhle U (2017a) Food Fraud - Lebensmittelbetrug in Zeiten der Globaliiserung, vol 1. B. Behr´s Verlag, Hamburg

Nöhle U (2017b) Food Fraud, Food Crime oder kalter Kaffee? Journal of Consumer Protection and Food Safety 12 (3):197-199

Novotná H, Kmiecik O, Gałązka M, Krtková V, Hurajová A, Schulzová V, Hallmann E, Rembiałkowska E, Hajšlová J (2012) Metabolomic fingerprinting employing DART-TOFMS for authentication of tomatoes and peppers from organic and conventional farming. Food Additives & Contaminants Part A: Chemistry, Analysis, Control, Exposure & Risk Assessment 29 (9):1335-1346

Nunes-Miranda JD, Santos HM, Reboiro-Jato M, Fdez-Riverola F, Igrejas G, Lodeiro C, Capelo JL (2012) Direct matrix assisted laser desorption ionization mass spectrometry-based analysis of wine as a powerful tool for classification purposes. Talanta 91:72-76

Obón JM, Díaz-García MC, Castellar MR (2011) Red fruit juice quality and authenticity control by HPLC. Journal of Food Composition and Analysis 24 (6):760-771

Ogrinc N, Bat K, Kosir IJ, Golob T, Kokkinofta R (2009) Characterization of commercial slovenian and cypriot fruit juices using stable isotopes. J Agric Food Chem 57 (15):6764-6769

OLEUM (2018) OLEUM Projekt, http://www.oleumproject.eu (aufgerufen am 11.02.2019) Oliveira RCS, Oliveira LS, Franca AS, Augusti R (2009) Evaluation of the potential of SPME-GC-MS and

chemometrics to detect adulteration of ground roasted coffee with roasted barley. Journal of Food Composition and Analysis 22 (3):257-261

Özcan MM, Akbulut M (2008) Estimation of minerals, nitrate and nitrite contents of medicinal and aromatic plants used as spices, condiments and herbal tea. Food Chemistry 106 (2):852-858

Özdestan Ö, van Ruth SM, Alewijn M, Koot A, Romano A, Cappellin L, Biasioli F (2013) Differentiation of specialty coffees by proton transfer reaction-mass spectrometry. Food Research International 53 (1):433-439

Palmer JK (1984) Enzyme reactions and acceptability of plant foods. Journal of Chemical Education 61 (4):284

Pan GG, Kilmartin PA, Smith BG, Melton LD (2002) Detection of orange juice adulteration by tangelo juice using multivariate analysis of polymethoxylated flavones and carotenoids. Journal of the Science of Food and Agriculture 82 (4):421-427

Pan X-D, Wu P-g, Yang D-J, Wang L-Y, Shen X-H, Zhu C-Y (2013) Simultaneous determination of melamine and cyanuric acid in dairy products by mixed-mode solid phase extraction and GC–MS. Food Control 30 (2):545-548

Paradkar MM, Sivakesava S, Irudayaraj J (2003) Discrimination and classification of adulterants in maple syrup with the use of infrared spectroscopic techniques. Journal of the Science of Food and Agriculture 83 (7):714-721

Pardo MÁ, Jiménez E, Pérez-Villarreal B (2016) Misdescription incidents in seafood sector. Food Control 62:277-283

Parfundo S, Agrimonti C, Marmiroli N (2005) Traceability of Plant Contribution in Olive Oil by Amplified Fragment Length Polymorphisms. J Agric Food Chem 53 (18):6995-7002

Parra V, Arrieta ÁA, Fernández-Escudero J-A, Rodríguez-Méndez ML, De Saja JA (2006) Electronic tongue based on chemically modified electrodes and voltammetry for the detection of adulterations in wines. Sensors and Actuators B: Chemical 118 (1-2):448-453

Parvathy VA, Swetha VP, Sheeja TE, Leela NK, Chempakam B, Sasikumar B (2014) DNA Barcoding to Detect Chilli Adulteration in Traded Black Pepper Powder. Food Biotechnology 28 (1):25-40

Pasqualone A, Montemurro C, Grinn-Gofron A, Sonnante G, Blanco A (2007) Detection of soft wheat in semolina and durum wheat bread by analysis of DNA microsatellites. J Agric Food Chem 55 (9):3312-3318


77

Passos HM, Cieslarova Z, Simionato AV (2016) CE-UV for the characterization of passion fruit juices provenance by amino acids profile with the aid of chemometric tools. Electrophoresis 37 (13):1923-1929

Pauly A, Pareyt B, Fierens E, Delcour JA (2013) Wheat (Triticum aestivum L. and T. turgidum L. ssp. durum) Kernel Hardness: II. Implications for End‐Product Quality and Role of Puroindolines Therein. Comprehensive Reviews in Food Science and Food Safety 12 (4):427-438

Petrakis EA, Cagliani LR, Polissiou MG, Consonni R (2015) Evaluation of saffron (Crocus sativus L.) adulteration with plant adulterants by (1)H NMR metabolite fingerprinting. Food Chem 173:890-896

Petrakis EA, Polissiou MG (2017) Assessing saffron (Crocus sativus L.) adulteration with plant-derived adulterants by diffuse reflectance infrared Fourier transform spectroscopy coupled with chemometrics. Talanta 162 (Supplement C):558-566

Pilgrim TS, Watling RJ, Grice K (2010) Application of trace element and stable isotope signatures to determine the provenance of tea (Camellia sinensis) samples. Food Chemistry 118 (4):921-926

Pisano PL, Silva MF, Olivieri AC (2015) Anthocyanins as markers for the classification of Argentinean wines according to botanical and geographical origin. Chemometric modeling of liquid chromatography-mass spectrometry data. Food Chem 175:174-180

Pizarro C, Esteban-Diez I, Gonzalez-Saiz JM (2007) Mixture resolution according to the percentage of robusta variety in order to detect adulteration in roasted coffee by near infrared spectroscopy. Anal Chim Acta 585 (2):266-276

Pizarro C, Rodriguez-Tecedor S, Perez-del-Notario N, Esteban-Diez I, Gonzalez-Saiz JM (2013) Classification of Spanish extra virgin olive oils by data fusion of visible spectroscopic fingerprints and chemical descriptors. Food Chem 138 (2-3):915-922

Pizarro C, Rodriguez-Tecedor S, Perez-del-Notario N, Gonzalez-Saiz JM (2011) Recognition of volatile compounds as markers in geographical discrimination of Spanish extra virgin olive oils by chemometric analysis of non-specific chromatography volatile profiles. J Chromatogr A 1218 (3):518-523

Pla M, Hernández P, Ariño B, Ramírez JA, Díaz I (2007) Prediction of fatty acid content in rabbit meat and discrimination between conventional and organic production systems by NIRS methodology. Food Chemistry 100 (1):165-170

Prchalova J, Kovarik F, Rajchl A (2017) Evaluation of the quality of herbal teas by DART/TOF-MS. J Mass Spectrom 52 (2):116-126

Prosser SWJ, Hebert PDN (2017) Rapid identification of the botanical and entomological sources of honey using DNA metabarcoding. Food Chem 214:183-191

Qi P, Zeng T, Wen Z, Liang X, Zhang X (2011) Interference-free simultaneous determination of Sudan dyes in chili foods using solid phase extraction coupled with HPLC–DAD. Food Chemistry 125 (4):1462-1467

Raigon MD, Rodriguez-Burruezo A, Prohens J (2010) Effects of organic and conventional cultivation methods on composition of eggplant fruits. J Agric Food Chem 58 (11):6833-6840

Rani A, Sharma V, Arora S, Lal D, Kumar A (2015) A rapid reversed-phase thin layer chromatographic protocol for detection of adulteration in ghee (clarified milk fat) with vegetable oils. J Food Sci Technol 52 (4):2434-2439

Rasmussen Hellberg RS, Morrissey MT, Hanner RH (2010) A multiplex PCR method for the identification of commercially important salmon and trout species (Oncorhynchus and Salmo) in North America. J Food Sci 75 (7):C595-606

Rebane R, Herodes K (2008) Evaluation of the Botanical Origin of Estonian Uni- and Polyfloral Honeys by Amino Acid Content. Journal of Agricultural and Food Chemistry 56 (22):10716-10720

Rebechi SR, Velez MA, Vaira S, Perotti MC (2016) Adulteration of Argentinean milk fats with animal fats: Detection by fatty acids analysis and multivariate regression techniques. Food Chem 192:1025-1032

Rehbein H (2004) Identification of the fish species of raw or cold-smoked salmon and salmon caviar by single-strand conformation polymorphism (SSCP) analysis. European Food Research and Technology 220 (5-6):625-632


78

Rehbein H, Sotelo CG, Perez-Martin RI, Chapela-Garrido MJ, Hold GL, Russell VJ, Pryde SE, Santos AT, Rosa C, Quinteiro J, Rey-Mendez M (2014) Differentiation of raw or processed eel by PCR-based techniques: restriction fragment length polymorphism analysis (RFLP) and single strand conformation polymorphism analysis (SSCP). European Food Research and Technology 214 (2):171-177

Reis N, Franca AS, Oliveira LS (2013) Discrimination between roasted coffee, roasted corn and coffee husks by Diffuse Reflectance Infrared Fourier Transform Spectroscopy. LWT - Food Science and Technology 50 (2):715-722

Ren QR, Zhang H, Guo HY, Jiang L, Tian M, Ren FZ (2014) Detection of cow milk adulteration in yak milk by ELISA. J Dairy Sci 97 (10):6000-6006

Ribéreau-Gayon P, Glories Y, Maujean A, Dubourdieu D (2006) Handbook of Enology - The Chemistry of Wine Stabilization and Treatments, vol 2. John Wiley & Sons Ltd., Chichester, England

Riccio MF, Sawaya ACHF, Abdelnur PV, Saraiva SA, Haddad R, Eberlin MN, Catharino RR (2011) Easy Ambient Sonic-Spray Ionization Mass Spectrometric of Olive Oils: Quality Control and Certification of Geographical Origin. Analytical Letters 44 (8):1489-1497

Richter B, Gurk S, Wagner D, Bockmayr M, Fischer M (2019) Food Authentication: Multi-elemental analysis of white asparagus for provenance discrimination. Food Chemistry

Righetti L, Rubert J, Galaverna G, Hurkova K, Dall'Asta C, Hajslova J, Stranska-Zachariasova M (2018) A novel approach based on untargeted lipidomics reveals differences in the lipid pattern among durum and common wheat. Food Chem 240:775-783

Robards K, Antolovich M (1995) Methods for assessing the authenticity of orange juice. A review Analyst (Cambridge, United Kingdom) 120 (1):1-28

Rodrigues SM, Otero M, Alves AA, Coimbra J, Coimbra MA, Pereira E, Duarte AC (2011) Elemental analysis for categorization of wines and authentication of their certified brand of origin. Journal of Food Composition and Analysis 24 (4-5):548-562

Rodríguez SD, Barletta DA, Wilderjans TF, Bernik DL (2014) Fast and Efficient Food Quality Control Using Electronic Noses: Adulteration Detection Achieved by Unfolded Cluster Analysis Coupled with Time-Window Selection. Food Analytical Methods 7 (10):2042-2050

Rohlig RM, Engel KH (2010) Influence of the input system (conventional versus organic farming) on metabolite profiles of maize ( Zea mays ) kernels. J Agric Food Chem 58 (5):3022-3030

Rubert J, Lacina O, Fauhl-Hassek C, Hajslova J (2014) Metabolic fingerprinting based on high-resolution tandem mass spectrometry: a reliable tool for wine authentication? Anal Bioanal Chem 406 (27):6791-6803

Rubert J, Lacina O, Zachariasova M, Hajslova J (2016) Saffron authentication based on liquid chromatography high resolution tandem mass spectrometry and multivariate data analysis. Food Chem 204:201-209

Ruiz-Samblás C, Tres A, Koot A, van Ruth SM, González-Casado A, Cuadros-Rodríguez L (2012) Proton transfer reaction-mass spectrometry volatile organic compound fingerprinting for monovarietal extra virgin olive oil identification. Food Chemistry 134 (1):589-596

Ruoff K, Luginbühl W, Künzli R, Iglesias MT, Bogdanov S, Bosset JO, von der Ohe K, von der Ohe W, Amadò R (2006) Authentication of the Botanical and Geographical Origin of Honey by Mid-Infrared Spectroscopy. Journal of Agricultural and Food Chemistry 54 (18):6873-6880

Sacco D, Brescia MA, Sgaramella A, Casiello G, Buccolieri A, Ogrinc N, Sacco A (2009) Discrimination between Southern Italy and foreign milk samples using spectroscopic and analytical data. Food Chemistry 114 (4):1559-1563

Sádecká J, Jakubíková M, Májek P (2018) Fluorescence spectroscopy for discrimination of botrytized wines. Food Control 88:75-84

Sagandykova GN, Alimzhanova MB, Nurzhanova YT, Kenessov B (2017) Determination of semi-volatile additives in wines using SPME and GC-MS. Food Chem 220:162-167

Sandasi M, Chen W, Vermaak I, Viljoen A (2018) Non-destructive quality assessment of herbal tea blends using hyperspectral imaging. Phytochemistry Letters 24:94-101


79

Sandberg M, Lundberg L, Ferm M, Malmheden Yman I (2003) Real Time PCR for the detection and discrimination of cereal contamination in gluten free foods. European Food Research and Technology 217 (4):344-349

Sano EE, Assad ED, Cunha SAR, Correa TBS, Rodrigues HR (2003) Quantifying Adulteration in Roast Coffee Powders by Digital Image Processing. Journal of Food Quality 26 (2):123-134

Santaclara FJ, Velasco A, Perez-Martin RI, Quinteiro J, Rey-Mendez M, Pardo MA, Jimenez E, Sotelo CG (2015) Development of a multiplex PCR-ELISA method for the genetic authentication of Thunnus species and Katsuwonus pelamis in food products. Food Chem 180:9-16

Santos PM, Pereira-Filho ER (2013) Digital image analysis – an alternative tool for monitoring milk authenticity. Analytical Methods 5 (15):3669

Santos PM, Pereira-Filho ER, Colnago LA (2016) Detection and quantification of milk adulteration using time domain nuclear magnetic resonance (TD-NMR). Microchemical Journal 124:15-19

Santos PM, Wentzell PD, Pereira-Filho ER (2012) Scanner Digital Images Combined with Color Parameters: A Case Study to Detect Adulterations in Liquid Cow’s Milk. Food Analytical Methods 5 (1):89-95

Sanz ML, Sanz J, Martínez-Castro I (2004) Gas chromatographic–mass spectrometric method for the qualitative and quantitative determination of disaccharides and trisaccharides in honey. Journal of Chromatography A 1059 (1-2):143-148

Sassi M, Arena S, Scaloni A (2015) MALDI-TOF-MS Platform for Integrated Proteomic and Peptidomic Profiling of Milk Samples Allows Rapid Detection of Food Adulterations. J Agric Food Chem 63 (27):6157-6171

Schaarschmidt S (2016) Public and private standards for dried culinary herbs and spices—Part I: Standards defining the physical and chemical product quality and safety. Food Control 70:339-349

Schellenberg A, Chmielus S, Schlicht C, Camin F, Perini M, Bontempo L, Heinrich K, Kelly SD, Rossmann A, Thomas F, Jamin E, Horacek M (2010) Multielement stable isotope ratios (H, C, N, S) of honey from different European regions. Food Chemistry 121 (3):770-777

Schievano E, Finotello C, De Angelis E, Mammi S, Navarini L (2014) Rapid Authentication of Coffee Blends and Quantification of 16-O-Methylcafestol in Roasted Coffee Beans by Nuclear Magnetic Resonance. Journal of Agricultural and Food Chemistry 62 (51):12309-12314

Schievano E, Stocchero M, Morelato E, Facchin C, Mammi S (2011) An NMR-based metabolomic approach to identify the botanical origin of honey. Metabolomics 8 (4):679-690

Schmidt O, Quilter JM, Bahar B, Moloney AP, Scrimgeour CM, Begley IS, Monahan FJ (2005) Inferring the origin and dietary history of beef from C, N and S stable isotope ratio analysis. Food Chemistry 91 (3):545-549

Schulz H, Engelhardt UH, Wegent A, Drews H-H, Lapczynski S (1999) Application of near-infrared reflectance spectroscopy to the simultaneous prediction of alkaloids and phenolic substances in green tea leaves. Journal of Agricultural and Food Chemistry 47 (12):5064-5067

Schulz H, Schrader B, Quilitzsch R, Pfeffer S, Krüger H (2003) Rapid Classification of Basil Chemotypes by Various Vibrational Spectroscopy Methods. Journal of Agricultural and Food Chemistry 51 (9):2475-2481

Schweiggert U, Carle R, Schieber A (2007) Conventional and alternative processes for spice production–a review. Trends in food science & technology 18 (5):260-268

Scott M, Knight A (2009) Quantitative PCR analysis for fruit juice authentication using PCR and laboratory-on-a-chip capillary electrophoresis according to the Hardy-Weinberg law. J Agric Food Chem 57 (11):4545-4551

Serpen A, Pelvan E, Alasalvar C, Mogol BA, Yavuz HT, Gökmen V, Özcan N, Özçelik B (2012) Nutritional and Functional Characteristics of Seven Grades of Black Tea Produced in Turkey. Journal of Agricultural and Food Chemistry 60 (31):7682-7689

Serrano-Lourido D, Saurina J, Hernandez-Cassou S, Checa A (2012) Classification and characterisation of Spanish red wines according to their appellation of origin based on chromatographic profiles and chemometric data analysis. Food Chem 135 (3):1425-1431


80

Sezer B, Durna S, Bilge G, Berkkan A, Yetisemiyen A, Boyaci IH (2018) Identification of milk fraud using laser-induced breakdown spectroscopy (LIBS). International Dairy Journal 81:1-7

Shen Y, van Beek TA, Claassen FW, Zuilhof H, Chen B, Nielen MW (2012) Rapid control of Chinese star anise fruits and teas for neurotoxic anisatin by Direct Analysis in Real Time high resolution mass spectrometry. J Chromatogr A 1259:179-186

Sivakesava S, Irudayaraj J (2002) Classification of simple and complex sugar adulterants in honey by mid-infrared spectroscopy. International Journal of Food Science and Technology 37 (4):351-360

Smoker M, Krynitsky AJ (2008) Interim method for determination of melamine and cyanuric acid residues in foods using LC-MS/MS: version 1.0. US FDA Laboratory Information Bulletin (4422)

Souto UTCP, Pontes MJC, Silva EC, Galvão RKH, Araújo MCU, Sanches FAC, Cunha FAS, Oliveira MSR (2010) UV–Vis spectrometric classification of coffees by SPA–LDA. Food Chemistry 119 (1):368-371

Soylak M, Tuzen M, Souza AS, Korn MdGA, Ferreira SLC (2007) Optimization of microwave assisted digestion procedure for the determination of zinc, copper and nickel in tea samples employing flame atomic absorption spectrometry. Journal of Hazardous materials 149 (2):264-268

Spaniolas S, Tsachaki M, Bennett MJ, Tucker GA (2008) Evaluation of DNA extraction methods from green and roasted coffee beans. Food Control 19 (3):257-262

SPICED (2013) SPICED Projekt, http://spiced.linux17.webhome.at (aufgerufen am 11.02.2019) Spink J, Moyer DC (2011) Defining the public health threat of food fraud. Journal of Food Science 76

(9) Spraul M, Schutz B, Humpfer E, Mortter M, Schafer H, Koswig S, Rinke P (2009) Mixture analysis by

NMR as applied to fruit juice quality control. Magn Reson Chem 47 Suppl 1:S130-137 Sprenger S, Meylahn K, Zaar A, Dietrich H, Will F (2014) Identification of gum Arabic in white wine

based on colloid content, colloid composition and multi-element stable isotope analysis. European Food Research and Technology 240 (5):909-921

Springer AE, Riedl J, Esslinger S, Roth T, Glomb MA, Fauhl-Hassek C (2014) Validated modeling for German white wine varietal authentication based on headspace solid-phase microextraction online coupled with gas chromatography mass spectrometry fingerprinting. J Agric Food Chem 62 (28):6844-6851

Stahl A, Schröder U (2017) Development of a MALDI-TOF MS-Based Protein Fingerprint Database of Common Food Fish Allowing Fast and Reliable Identification of Fraud and Substitution. J Agric Food Chem 65 (34):7519-7527

Stanimirova I, Üstün B, Cajka T, Riddelova K, Hajslova J, Buydens LMC, Walczak B (2010) Tracing the geographical origin of honeys based on volatile compounds profiles assessment using pattern recognition techniques. Food Chemistry 118 (1):171-176

Stober P, Benet S, Hischenhuber C, Fischer M, Fay L Stachyose: A Marker of the Presence of Legume Adulterants in Soluble Coffee. In: Proceedings of 19th International Conference on Coffee Science, 2001.

Stój A, Targoñski Z (2006) Use of content analysis of selected organic acids for the detection of berry juice adulterations. Polish journal of food and nutrition sciences 15 (1):41-47

Stuckel JG, Low NH (1995) Maple Syrup Authenticity Analysis by Anion-Exchange Liquid Chromatography with Pulsed Amperometric Detection. Journal of Agricultural and Food Chemistry 43 (12):3046-3051

Stuckel JG, Low NH (1996) The chemical composition of 80 pure maple syrup samples produced in North America. Food Research International 29 (3):373-379

Šturm M, Lojen S (2011) Nitrogen isotopic signature of vegetables from the Slovenian market and its suitability as an indicator of organic production. Isotopes in Environmental and Health Studies 47 (2):214-220

Szabo K, Grohmann L, Klemm C, Mierke-Klemeyer S, Reimann D, Franks K, Stoyke M (2017) § 64 LFGB Kick-off Meeting zu „Anwendungspotenzial moderner Analysetechniken im Bereich Lebensmittel- und Futtermittelsicherheit und deren Authentizität“. Journal of Consumer Protection and Food Safety 12 (2):189-194


81

Taverna D, Di Donna L, Mazzotti F, Policicchio B, Sindona G (2013) High-throughput determination of Sudan Azo-dyes within powdered chili pepper by paper spray mass spectrometry. J Mass Spectrom 48 (5):544-547

Terzi V, Malnati M, Barbanera M, Stanca AM, Faccioli P (2003) Development of analytical systems based on real-time PCR for Triticum species-specific detection and quantitation of bread wheat contamination in semolina and pasta. Journal of Cereal Science 38 (1):87-94

Toci AT, Farah A (2008) Volatile compounds as potential defective coffee beans' markers. Food Chem 108 (3):1133-1141

Toci AT, Farah A (2014) Volatile fingerprint of Brazilian defective coffee seeds: corroboration of potential marker compounds and identification of new low quality indicators. Food Chem 153:298-314

Toci AT, Farah A, Pezza HR, Pezza L (2016) Coffee adulteration: more than two decades of research. Critical reviews in analytical chemistry 46 (2):83-92

Tohidi M, Ghasemi-Varnamkhasti M, Ghafarinia V, Bonyadian M, Mohtasebi SS (2018) Development of a metal oxide semiconductor-based artificial nose as a fast, reliable and non-expensive analytical technique for aroma profiling of milk adulteration. International Dairy Journal 77:38-46

Torjusen H, Sangstad L, O’Doherty-Jensen K, Kjaernes U (2004) European consumers’ conceptions of organic food: a review of available research. Project Report 4-2004 for National Institute for Consumer Research, Oslo, Norway (2004)

Tres A, O'Neill R, van Ruth SM (2011) Fingerprinting of fatty acid composition for the verification of the identity of organic eggs. Lipid Technology 23 (2):40-42

Trifkovic J, Andric F, Ristivojevic P, Guzelmeric E, Yesilada E (2017) Analytical Methods in Tracing Honey Authenticity. J AOAC Int 100 (4):827-839

Tsopelas F, Konstantopoulos D, Kakoulidou AT (2018) Voltammetric fingerprinting of oils and its combination with chemometrics for the detection of extra virgin olive oil adulteration. Anal Chim Acta 1015:8-19

Ulrich S, Beindorf PM, Biermaier B, Schwaiger K, Gareis M, Gottschalk C (2017) A novel approach for the determination of freshness and identity of trouts by MALDI-TOF mass spectrometry. Food Control 80 (Supplement C):281-289

Uncu AT, Uncu AO, Frary A, Doganlar S (2017) Barcode DNA length polymorphisms vs fatty acid profiling for adulteration detection in olive oil. Food Chem 221:1026-1033

Utzeri VJ, Ribani A, Schiavo G, Bertolini F, Bovo S, Fontanesi L (2018) Application of next generation semiconductor based sequencing to detect the botanical composition of monofloral, polyfloral and honeydew honey. Food Control 86:342-349

Vaclavik L, Rosmus J, Popping B, Hajslova J (2010) Rapid determination of melamine and cyanuric acid in milk powder using direct analysis in real time-time-of-flight mass spectrometry. J Chromatogr A 1217 (25):4204-4211

Vaclavik L, Schreiber A, Lacina O, Cajka T, Hajslova J (2011) Liquid chromatography–mass spectrometry-based metabolomics for authenticity assessment of fruit juices. Metabolomics 8 (5):793-803

Valentini A, Miquel C, Taberlet P (2010) DNA Barcoding for Honey Biodiversity. Diversity 2 (11):610-617

Valentini P, Galimberti A, Mezzasalma V, De Mattia F, Casiraghi M, Labra M, Pompa PP (2017) DNA Barcoding Meets Nanotechnology: Development of a Universal Colorimetric Test for Food Authentication. Angew Chem Int Ed Engl 56 (28):8094-8098

Van Dijk JP, Cankar K, Hendriksen PJ, Beenen HG, Zhu M, Scheffer S, Shepherd LV, Stewart D, Davies HV, Leifert C, Wilkockson SJ, Gruden K, Kok EJ (2012) The identification and interpretation of differences in the transcriptomes of organically and conventionally grown potato tubers. J Agric Food Chem 60 (9):2090-2101

Van Dijk JP, Cankar K, Scheffer SJ, Beenen HG, Shepherd LVT, Stewart D (2009) Transcriptome Analysis of Potato Tubers—Effects of Different Agricultural Practices. J Agric Food Chem 57 (4):1612-1623


82

Van Durme J, Vandamme J (2016) Non-thermal plasma as preparative technique to evaluate olive oil adulteration. Food Chem 208:185-191

Van Ruth S, Alewijn M, Rogers K, Newton-Smith E, Tena N, Bollen M, Koot A (2011) Authentication of organic and conventional eggs by carotenoid profiling. Food Chemistry 126 (3):1299-1305

Vardin H, Tay A, Ozen B, Mauer L (2008) Authentication of pomegranate juice concentrate using FTIR spectroscopy and chemometrics. Food Chem 108 (2):742-748

Vedeanu N, Magdas D, Bolojan L, Damian G (2012) Antioxidant potential and authenticity of some commercial fruit juices studied by EPR and IRMS. Chemical Papers 66 (6)

Velioglu HM, Temiz HT, Boyaci IH (2015) Differentiation of fresh and frozen-thawed fish samples using Raman spectroscopy coupled with chemometric analysis. Food Chem 172:283-290

Verbraucherzentrale (2018) http://www.lebensmittelklarheit.de/forum/basmati-reis (aufgerufen am 11.02.2019)

Verdú S, Vásquez F, Grau R, Ivorra E, Sánchez AJ, Barat JM (2016) Detection of adulterations with different grains in wheat products based on the hyperspectral image technique: The specific cases of flour and bread. Food Control 62:373-380

Vetter W, Schröder M (2010) Concentrations of phytanic acid and pristanic acid are higher in organic than in conventional dairy products from the German market. Food Chemistry 119 (2):746-752

Vit P, Medina M, Enriquez ME (2004) Quality standards for medicinal uses of Meliponinae honey in Guatemala, Mexico and Venezuela. Bee world 85 (1):2-5

Volta P, Riccardi N, Lauceri R, Tonolla M (2012) Discrimination of freshwater fish species by Matrix-Assisted Laser Desorption/Ionization- Time Of Flight Mass Spectrometry (MALDI-TOF MS): a pilot study. Journal of Limnology 71 (1):17

Von Der Ohe W, Oddo LP, Piana ML, Morlot M, Martin P (2004) Harmonized methods of melissopalynology. Apidologie 35 (Suppl. 1):S18-S25

Wang J, Kliks MM, Qu W, Jun S, Shi G, Li QX (2009) Rapid determination of the geographical origin of honey based on protein fingerprinting and barcoding using MALDI TOF MS. J Agric Food Chem 57 (21):10081-10088

Wang Z, Jablonski JE (2016) Targeted and non-targeted detection of lemon juice adulteration by LC-MS and chemometrics. Food Additives & Contaminants Part A: Chemistry, Analysis, Control, Exposure & Risk Assessment 33 (3):560-573

Welna M, Szymczycha-Madeja A, Zyrnicki W (2013) Applicability of ICP-OES, UV-VIS, and FT-IR Methods for the Analysis of Coffee Products. Analytical Letters 46 (18):2927-2940

Wen Y, Liu H, Han P, Gao Y, Luan F, Li X (2010) Determination of melamine in milk powder, milk and fish feed by capillary electrophoresis: a good alternative to HPLC. J Sci Food Agric 90 (13):2178-2182

WHO (2010) International experts limit melamine levels in food, Mitteilung vom 6. Juli 2010. http://www.who.int/mediacentre/news/releases/2010/melamine_food_20100706/en (aufgerufen am 11.02.2019)

Wide P, Winquist F, Bergsten P, Petriu EM The human-based multi-sensor fusion method for artificial nose and tongue sensor data. In: Instrumentation and Measurement Technology Conference, 1998. IMTC/98. Conference Proceedings. IEEE, 1998. IEEE, pp 531-536

Wier M, Calverley C (2002) Market potential for organic foods in Europe. British Food Journal 104 (1):45-62

Willems JL, Khamis MM, Mohammed Saeid W, Purves RW, Katselis G, Low NH, El-Aneed A (2016) Analysis of a series of chlorogenic acid isomers using differential ion mobility and tandem mass spectrometry. Anal Chim Acta 933:164-174

Wulff T, Nielsen ME, Deelder AM, Jessen F, Palmblad M (2013) Authentication of fish products by large-scale comparison of tandem mass spectra. J Proteome Res 12 (11):5253-5259

Xu X-M, Ren Y-P, Zhu Y, Cai Z-X, Han J-l, Huang B-F, Zhu Y (2009) Direct determination of melamine in dairy products by gas chromatography/mass spectrometry with coupled column separation. Analytica Chimica Acta 650 (1):39-43


83

Xue X, Wang Q, Li Y, Wu L, Chen L, Zhao J, Liu F (2013) 2-acetylfuran-3-glucopyranoside as a novel marker for the detection of honey adulterated with rice syrup. J Agric Food Chem 61 (31):7488-7493

Yang H, Irudayaraj J (2001) Comparison of near-infrared, Fourier transform-infrared, and Fourier transform-Raman methods for determining olive pomace oil adulteration in extra virgin olive oil. J Am Oil Chem 78 (9):889-895

Yang S, Ding J, Zheng J, Hu B, Li J, Chen H, Zhou Z, Qiao X (2009) Detection of Melamine in Milk Products by Surface Desorption Atmospheric Pressure Chemical Ionization Mass Spectrometry. Anal Chem 81 (7):2426-2436

Yang Y, Ferro MD, Cavaco I, Liang Y (2013) Detection and identification of extra virgin olive oil adulteration by GC-MS combined with chemometrics. J Agric Food Chem 61 (15):36933-36702

Zakaria A, Shakaff AY, Masnan MJ, Ahmad MN, Adom AH, Jaafar MN, Ghani SA, Abdullah AH, Aziz AH, Kamarudin LM, Subari N, Fikri NA (2011) A biomimetic sensor for the classification of honeys of different floral origin and the detection of adulteration. Sensors (Basel) 11 (8):7799-7822

Zhang L, Kujawinski DM, Federherr E, Schmidt TC, Jochmann MA (2012a) Caffeine in your drink: natural or synthetic? Anal Chem 84 (6):2805-2810

Zhang L, Young W, Lui J, Wang S, Chen Q, Guo T, Zhang J, Tan T, Su H, Dong Y (2015) Determination of Dicyandiamide in Powdered Milk Using Direct Analysis in Real Time Quadrupole Time-of-Flight Tandem Mass Spectrometry. J Am Soc Mass Spectrom 26 (8):1414-1422

Zhang Y, Krueger D, Durst R, Lee R, Wang D, Seeram N, Heber D (2009) nternational Multidimensional Authenticity Specification (IMAS) Algorithm for Detection of Commercial Pomegranate Juice Adulteration. Journal of Agricultural and Food Chemistry 57 (6):2550-2557

Zhang Z, Cooks RG, Ouyang Z (2012b) Paper spray: a simple and efficient means of analysis of different contaminants in foodstuffs. Analyst 137 (11):2556-2558

Zhao Y-G, Chen X-H, Yao S-S, Pan S-D, Li X-P, Jin M-C (2012) Analysis of Nine Food Additives in Red Wine by Ion-Suppression Reversed-Phase High-Performance Liquid Chromatography Using Trifluoroacetic Acid and Ammonium Acetate as Ion-Suppressors. Analytical Science 28 (10):967-971

Zhao Y, Chen P, Lin L, Harnly JM, Yu LL, Li Z (2011) Tentative identification, quantitation, and principal component analysis of green pu-erh, green, and white teas using UPLC/DAD/MS. Food Chem 126 (3):1269-1277

Zhou J, Yao L, Li Y, Chen L, Wu L, Zhao J (2014) Floral classification of honey using liquid chromatography-diode array detection-tandem mass spectrometry and chemometric analysis. Food Chem 145:941-949

Zhu H, Zhao M (2014) Study on the microscopic identification of the adulterated plant origin powdered seasonings. Discourse J Agric Food Sci 2:264-269

Ziegler JU, Leitenberger M, Longin CFH, Würschum T, Carle R, Schweiggert RM (2016) Near-infrared reflectance spectroscopy for the rapid discrimination of kernels and flours of different wheat species. Journal of Food Composition and Analysis 51:30-36

Zou MQ, Zhang XF, Qi XH, Ma HL, Dong Y, Liu CW, Guo X, Wang H (2009) Rapid authentication of olive oil adulteration by Raman spectrometry. J Agric Food Chem 57 (14):6001-6006

Zougagh M, Ríos A, Valcárcel M (2005) An automated screening method for the fast, simple discrimination between natural and artificial colorants in commercial saffron products. Analytica Chimica Acta 535 (1-2):133-138


84

8. Abkürzungsverzeichnis

AAC engl. Administrative Assistance and Cooperation System

AAS Atomabsorptionsspektrometrie

AFLP amplifizierter Fragmentlängen-Polymorphismus (engl. amplified

fragment length polymorphism)

ANOVA Varianzanalyse (engl. analysis of variance)

ANN engl. artificial neutral networks

ATR abgeschwächte Totalreflexion (engl. attenuated total reflection)

BfR Bundesinstitut für Risikobewertung

BMEL Bundesministerium für Ernährung und Landwirtschaft

BR-ANN engl. back propagation artificial neural network

BVL Bundesamt für Verbraucherschutz und Lebensmittelsicherheit

CA engl. cluster analysis

CAC engl. Codex Alimentarius Commission

CBI CBI-Centre for the Promotion of Imports from developing countries,

Agency of the Ministry of Foreign Affairs

CCD engl. counter current distribution

CDA engl. canonical discriminant analysis

CE Kapillarelektrophorese (engl. capillary electrophoresis)

CF engl. continuous flow

CLPP engl. continuous locality preserving projections

CP-ANN engl. counter-propagation artificial neural networks

CV engl. cross validation

CVA engl. canonical variate analysis

CYA Cyanursäure

CZE Kapillarzonenelektrophorese (engl. capillary zone electrophoresis)

DA engl. descriminant analysis

DAD Diodenarraydetektor (engl. diode-array detector)

DAPCI engl. desorption atmospheric pressure chemical ionization

DART Direktanalyse in Echtzeit (engl. direct analysis in real time)

DESI engl. desorption electrospray ionization

DI engl. direct injection

DNA Desoxyribonucleinsäure (engl. deoxyribonucleic acid)

DPLS engl. dynamic partial least squares/ discriminant partial least square

DRIFT engl. diffuse reflectance infrared fourier transform spectroscopy


85

D-UPLS engl. discriminant mode-unfolded partial least squares

DSC engl. differential scanning calorimetry

EA engl. elemental analyzer

EASI (engl. easy ambient sonic-spray ionization)

EDXRF engl. energy dispersive X-ray fluorescence

EFSA Europäische Behörde für Lebensmittelsicherheit (engl. european food

safety authority)

EI engl. electron ionization

ELISA engl. enzyme-linked immunosorbent assay

EMA engl. economically motivated adulteration

E-nose Elektronische Nase (engl. electronic nose)

EPR Elektronenspinresonanz (engl. electron paramagnetic resonance)

ESI Elektrosprayionisation (engl. electrospray ionization)

E-tounge Elektronische Zunge (engl. electronic tounge)

EU Europäische Union

EVOO Natives Olivenöl extra (engl. extra virgin olive oil)

FA engl. factor analysis

FAIMS engl. high-field asymmetric waveform ion mobility spectrometry

FAO engl. Food and Agriculture Organization

FDA engl. Food and Drug Administration

FDA engl. factorial discriminant analysis

FI engl. flow injection

FID Flammenionisationsdetektor

FT Fourier Transform

FTMIR Fourier Transform Mittleres Infrarot (engl. fourier transform mid

infrared)

FTNIR Fourier Transform Nahes Infrarot (engl. fourier transform near

infrared)

FS Fluoreszenzspektroskopie

GC Gaschromatographie (engl. gas chromatography)

GDA engl. general discriminant analysis

GFAAS Graphitrohr Atomabsorptionsspektroskopie (engl. graphite furnace

atomic absorption spectroscopy)

g.g.A. geschützte geographische Angabe (s. Abkürzung PGI)

GP engl. genetic programming


86

g.U. geschützte Ursprungsbezeichnung (s. Abkürzung PDO)

g.t.S. garantiert traditionelle Spezalität (s. Abkürzung TSG)

HCA engl. hierarchical cluster analysis

HFCS high fructose corn sirup

HF 31 P NMR Hochfeld 31-Phosphor Kernspinresonanz (engl. high-field 31-phosphor

nuclear magnetic resonance)

HF-NMR Hochfeld Kernspinresonanz (engl. high-field nuclear magnetic

resonance)

HG-ICP engl. hydride generation-inductive coupled plasma

HPIC engl. high performance ion chromatography

1H NMR Protonenkernspinresonanz (engl. proton nuclear magnetic resonance)

HPAELC engl. high pressure anion exchange liquid chromatography

HPLC-DAD Hochleistungsflüssigkeitschromatographie-Diodenarray-Detektor

(engl. high performance liquid chromatography-diode-array detector)

HPLC-FLD Hochleistungsflüssigkeitschromatographie-Fluoreszenz-Detektor

(engl. high performance liquid chromatography-fluorescence

detection)

HRM engl. high resolution melting analysis

HRMS engl. high resolution mass spectrometry

HS engl. head space

HSI Hyperspektrale Bildgebung (engl. hyperspectral imaging)

1H TD NMR engl. proton time-domain nuclear magnetic resonance

HT-RPLC engl. high temperature reversed-phase liquid chromatography

IARC engl. International Agency for Research on Cancer

ICA engl. independent component analysis

ICP engl. inductively coupled plasma (engl. inductive coupled plasma mass

spectrometry)

ICP-AES engl. inductively coupled plasma atomic emission spectrophotometry

ICP-OES engl. inductive coupled plasma-optical emission spectrometry

ICR engl. ion cyclotron resonance

IEF engl. isoelectric focusing

IFS engl. international featured standard

IMS engl. ion mobility spectrometry

IN Internationale Norm


87

INAA Instrumentelle Neutronen Aktivierungsanalyse (engl. instrumental

neutron activation analysis)

IOOC engl. International Olive Oil Council

IP engl. ion pair

IR Infrarot (engl. infrared)

IRMS Isotopenverhältnis-Massenspektrometrie (engl. isotope-ratio mass

spectrometry)

IT engl. ion trap

KFT Karl Fischer Wasser Titration

kNN engl. K nearest neighbours

LC engl. liquid chromatography

LC Flüssigchromatographie (engl. liquid chromatography)

LDA engl. linear discriminant analysis

LF-NMR Tieffeld Kernspinresonanz (engl. low-field nuclear magnetic

resonance)

LIBS engl. laser induced breakdown spectroscopy

lme-ANOVA engl. linear mixed-effects analysis of variance

LTP engl. low temperature plasma

MALDI Matrix-unterstützte Laser Desorption/Ionisation (engl. matrix-assisted

laser desorption/ionization)

MANOVA engl. multivariate analysis of variance

MC engl. Monte Carlo resampling approach

MCR-ALS engl. multivariate curve resolution-alternating least squares

MEL Melamin

MEKC Mizellare Elektrokinetische Kapillar-Chromatographie

MIR mittleres Infrarot (engl. mid infrared)

MLP engl. multilayer perceptron

MLPA engl. multiplex ligation-dependent probe amplification

MLR engl. multiple linear regression

MRM engl. multiple reaction monitoring

MS Massenspektrometrie

MS/MS Tandemmassenspektrometrie (engl. tandem mass spectrometry)

MSC Marine Stewardship Council

MSPC engl. multivariate statistical process control

NCM engl. nearest class mean


88

NGS engl. Next generation sequencing

NIR Nahes Infrarot (engl. near infrared)

NMR Kernspinresonanz (engl. nuclear magnetic resonance)

NTP Nichtthermisches Plasma (engl. non thermal plasma)

ODA engl. odor activity value

OPLS-DA engl. orthogonal partial least squares-discriminant analysis

O2PLS engl. two-way orthogonal partial least squares

OWAVEC engl. orthogonal wavelet correction

PAD engl. pulsed amperiometric detection

PAGE engl. polyacrylamide gelelectrophoresis

PARAFAC engl. parallel factor analysis

PCA engl. principal component analysis

PC-DFA engl. principal components-discriminant function analysis

PCR engl. principal component regression

PCR Polymerase-Kettenreaktion

PCR-RFLP Polymerase-Kettenreaktion-Restriktionsfragmentlängenpoly-

morphismus (engl. polymerase chain reaction restriction fragment

length polymorphism)

PCR-SSCP engl. polymerase chain reaction-single-strand conformation

polymorphism

PDA engl. photodiode array detector

PDO engl. protected designation of origin, (s. Abkürzung g.U.)

PGI engl. protected geographical origin (s. Abkürzung g.g.A.)

PLS engl. partial least squares

PLS-DA engl. partial least squares discriminant analysis

PLSR engl. partial least squares regression

PTR Protonentransfer-Reaktion (engl. proton-transfer-reaction)

QDA engl. quadratic discriminant analyis

qHNMR quantitative 1H NMR

qPCR auch real-time PCR, Echtzeit Polymerase-Kettenreaktion (engl. real-

time quantitative polymerase chain reaction)

Q-TOF Quadrupole Flugzeit (engl. quadrupole time of flight)

RAPD zufällig vervielfältigte polymorphe DNA (engl. randomly amplified

polymorphic DNA)


89

RASFF Europäisches Schnellwarnsystem für Lebensmittel und Futtermittel,

(engl. rapid alert system of food and feed)

REIMS engl. rapid evaporative ionisation mass spectrometry

RF engl. random forest

RID oder RI engl. refractive index (detector)

RNA Ribonucleinsäure (engl. ribonucleic acid)

RP engl. reversed phase

RP-HPLC Umkehrphasen-Hochleistungsflüssigkeitschromatographie (engl.

reversed-phase high performance liquid chromatography)

SCAR engl. sequence characterized amplified region

SCIRA engl. stable carvon isotope ratio analysis

SDS-PAGE engl. sodium dodecyl sulfate polyacrylamide gel electrophoresis

SERS engl. surface-enhanced raman spectroscopy

SESI Sekundäre Elektrospray Ionisation (engl. secondary electrospray

ionization)

SFMS Sektorfeld-Massenspektrometrie

SIMCA engl. soft independent modeling of class analogy

SIRM engl. selective ion reaction monitoring

SLDA engl. stepwise linear discriminant analysis

SMIM engl. selected MS/MS ion monitoring

SNIF-NMR engl. site-specific natural isotope fractionation nuclear magnetic

resonance

SPA-LDA engl. successive projections algorithm

SPE Festphasenextraktion (engl. solid phase extraction)

SPME Festphasenmikroextraktion (engl. solid phase microextraction)

SVM engl. support vector machines

SW-NIR engl. short wavelength near infrared

TC engl. total conversion

TLC Dünnschichtchromatographie (engl. thin layer chromatography)

TOF Flugzeit (engl. time of flight)

TSG engl. traditional specialities guaranteed (s. Abkürzung g.t.S.)

TGS-E-nose Zinn-Dioxid Gas Sensor Elektronische Nase (engl. tin-dioxide gas

sensor-electronic nose)

TXRF Totalreflexions-Röntgenfluoreszenzanalyse (engl. total reflection X-ray

fluorescence)


90

UCATW engl. unfolded cluster analysis to selected time windows

UF-2D NMR Ultra-schnelle zweidimensionale Kernspinresonanz (engl. ultrafast

two-dimensional nuclear magnetic resonance)

UPLC engl. ultra performance liquid chromatography

UV Ultraviolett

UV/Vis Ultraviolettes Licht/sichtbares Licht (engl. ultravoilet/visible)

VO Verordnung

VOO Natives Olivenöl (engl. virgin olive oil)

WHO World Health Organization

2-DE engl. two dimensional electrophoresis

Anhang

91

9. Anhang

In den folgenden Tabellen 2 bis 11 sind die wissenschaftlichen Publikationen zu den zehn am

häufigsten von Verfälschungen betroffenen Lebensmitteln aufgeführt. Dabei sind die jeweiligen

Verfälschungen, zu deren Nachweis verwendete Marker und Detektionsmethoden zusammengefasst.

Die Literaturreferenz findet sich im Literaturverzeichnis und ist in elektronischer Form über die

erstellte und als CD beiliegende EndNoteTM (Version X8.0.2) Datenbank einsehbar und dort als PDF-

Datei aufrufbar. Methodenspezifische Abkürzungen, die jeweils in den Tabellen verwendet werden,

sind im Abkürzungsverzeichnis (Kapitel 8) gelistet.

Anhang

92

Tabelle 2: Verfälschungen von Olivenöl (extra virgin, EVOO) und Methoden zu deren Detektion

Analysenzweck/Verfälschung Analyt/Markerverbindung/Identifizierung der Verfälschung*

Detektionsmethode* Biostatistische Modelle*

Autor/Jahr

Verfälschung mit Mais-Sonnenblumenmix-, Baumwollsamen-, Rapsöl

IR-Spektren FTMIR PCA, PLS, PLS-DA, SIMCA

Gurdeniz und Ozen (2009)

Verfälschung mit Haselnussöl (roh/raffiniert) IR-/Raman-Spektren FTMIR, Raman-Spektroskopie

CLPP, kNN Georgouli et al. (2017)

Verfälschung mit Soja-, Raps-, Sonnenblumen-, Mais-Öl Raman-Spektren, Intensitätsverhältnis der cis-Bindungen

Raman PCA Zou et al. (2009)

Verfälschung mit Tresteröl IR-/Raman-Spektren NIR, FTIR, FT-Raman PLS Yang und Irudayaraj (2001)

Verfälschung mit Lampant Olivenöl, raffiniertem Olivenöl 31P NMR-Spektren HF-31P NMR ANOVA, HCA, DA

Fragaki et al. (2005)

Verfälschung mit Haselnussöl, Differenzierung Olive, Haselnuss, Sesam, Raps, Mais, Sonneblumen

LF(low field)-NMR-Spektren UF-2D NMR (Low Field, Benchtop, UF=Ultrafast)

PCA, PLS Gouilleux et al. (2018)

Verfälschung mit Oliventrester-Öl, Sonnenblumen-, Soja-, Mais-Öl, Differenzierung virgin/regulär

zyklische Voltamogramme Voltammetrie (Elektroanalyt. Methode)

PCA, PLS-DA, PLS, SIMCA

Tsopelas et al. (2018)

Verfälschung mit Palmöl, Traubenkernöl Tocopherole, Tocotrienole HPLC-FD/DAD, RP-HPLC/Amperometrische Detektion

-- Dionisi et al. (1995)

Verfälschung von EVOO mit raffiniertem Trester-Olivenöl (RPOO) oder Verfälschung von LOO mit Tresteröl (POO)

Erythrodiol, Uvaol, Wachse, aliphat. Alkohole, FS-Ethyl-Ester, trans-FS, Sterole, Stigmasta-3,5-dien-Gehalt

GC-FID LDA Jabeur et al. (2017)

Verfälschung mit raffinierten Ölen (Mais, Sonneblumen, Soja, Palm, qualitativ-geringwertiges Olivenöl, raff. Tresterolivenöl)

trans-FS, Stigmasta-3,5-dien-Gehalt GC-FID LDA Jabeur et al. (2015)

Verfälschung mit Sonnenblumen-, Oliventresteröl Flüchtige Komponenten E-nose (metal oxide semiconductor sensors)

LDA, QDA, ANN

Cerrato Oliveros et al. (2002)

Verfälschung mit Sonnenblumenöl sekundäre, flüchtige Lipidoxidationsprodukte

NTP (Non-thermal Plasma), HS-SPME-MS

PCA, SIMCA Van Durme und Vandamme (2016)

Anhang

93

Verfälschung mit Sojaöl Lipidmarker (für Soja): m/z 886.7 Da ESI-MS -- da Silveira et al. (2017)

Verfälschung mit Mais-, Erdnuss, Raps-, Sonnenblumenöl FS, FS-Verhältnisse GC-MS PLS-DA Yang et al. (2013)

Verfälschung mit raffiniertem OO 3-MCPD Ester (Marker für raffiniertes Öl) GC-MS/MS -- Hung et al. (2017)

Verfälschung mit Haselnussöl, Differenzierung EVOO, Tresteröl, Olivenöl, Klassifizierung versch. Qualitätsgrade aus untersch. Herkunftsländern

DART-TOF-MS-Spektren, TAG-Profil, polare Komponenten

DART-TOF MS LDA Vaclavik et al. (2011)

Verfälschung mit Sonnenblumenöl, Ölmischung aus VOO und raffiniertem OO

TAG Profile MALDI-TOF MS PCA Jergović et al. (2017)

Verfälschung mit Soja-, Palm-, Raps-, Sonnenblumen-, Sesam-, Baumwollsamen-, Erdnuss-, Haselnuss-Öl

Plastid trnL (UAA) Intron PCR-CE Barcode Assay -- Uncu et al. (2017)

botanische Herkunft (Arbequina, Cornicabra, Frantoio, Hojiblanca = Spanische Sorten, Picual = Italienische Sorte)

Fingerprints flüchtiger Komponenten (MS-Spektren)

PTR-MS PLS-DA Ruiz-Samblás et al. (2012)

botanische Herkunft (Arbequina und Hojiblanca (Spanische Sorten), Salonenque und Tanche (Französische Sorten))

AFLP-Profile von genomischer DNA PCR-AFLP -- Parfundo et al. (2005)

geographische Herkunft (Sabina (Italien), andere Ursprungsorte in Italien und andere mediterrane Länder)

IR-Spektren NIR, MIR PLS-DA, SIMCA Bevilacqua et al. (2012)

geographische Herkunft (Griechenland: Zakynthos, Attica, Athen), Verfälschung mit Sonnenblumenöl

Fluoreszenz-Spektren Fluoreszenz Spektroskopie

PCA, PLS Kunz et al. (2011)

geographische Herkunft (Spanische Regionen) UV-Vis-Spektren, physikal.-chem. Parameter (freie Säuren, PV, K232, K270, ∆K, FA, Ölsäure)

UV/Vis-Spektroskopie PCA, LDA, PLS-DA

Pizarro et al. (2013)

geographische Herkunft (Italien, Griechenland) 1HNMR-Spektren der Lipidsignale (Hauptkomponenten) + Nebenkomponenten

1HNMR PCA, CA, NCM, MANOVA

Longobardi et al. (2012)

geographische Herkunft (Marokko) e-nose & e-tounge Daten TGS-E-nose, Voltammetric-E-tounge

PCA, ANOVA, CA, SVM

Haddi et al. (2013)

geographische Herkunft (Italien (Ligurien)/nicht Italien (Ligurien): Frankreich, Türkei, Zypern, Spanien, Griechenland)

Fingerprints flüchtiger Verbindungen (MS-Spektren)

SESI-MS PCA, LDA, PLS-DA, kNN, CP-ANN

Martínez-Lozano Sinues et al. (2012)

geographische Herkunft (alle mit PDO-Kennzeichnung, Spanien: Andalusien, La Rioja, Katalonien)

Chromatographische Profile, flüchtige Komponenten-Marker (geo-spezifisch)

HS-SPME/GC, GC-MS PCA, LDA, SLDA

Pizarro et al. (2011)

geographische Herkunft (Portugal, Italien, Spanien, Lebanon, Griechenland)

Fettsäureprofil, Profil der phenolische Verbindungen

EASI-Q-TOF MS/MS PCA Riccio et al. (2011)

Anhang

94

geographische Herkunft (Europa: Italien, Spanien, Frankreich, Griechenland, Portugal)

δ13C, δ18O, δ2H, Multielementkomposition IRMS, ICP-MS ANOVA, CDA Camin et al. (2010a)

geographische Herkunft (Italien, PGO, PGI) δ13C, δ18O, δ2H, Multielementkomposition IRMS, ICP-MS -- Camin et al. (2010b)

geographische Herkunft (Italien) δ13C, δ18O, räumliche Daten (δ13C-, δ18O-Isoscapes)

IRMS -- Chiocchini et al. (2016)

*Methodenspezifische Abkürzungen siehe Abkürzungsverzeichnis

Anhang

95

Tabelle 3: Verfälschungen von Fisch und Methoden zu deren Detektion

Analysenzweck/Verfälschung Analyt/Markerverbindung/Identifizierung der Verfälschung*


Autor/Jahr

Identifizierung scombroider Spezies (frisch/prozessiert): div. Thunnus Spezies (T. albacares, T.alalunga, T. orientalis, T. thynnus), Echtem Bonito (Katsuwonus pelamis)

DIG labelled PCR Produkte (Cytochrom b Gen, COXI, 3´Ende der Glutamin tRNA)

PCR-ELISA -- Santaclara et al. (2015)

Thunfischartendifferenzierung (Thunnus obesus, T. albacares, T. alalunga, T. thynnnus, Euthynnus pelamis, E. affinis, Auxis thazard, Sarda orientalis) in kommerziellem Dosenthunfisch

Mitochondriales Cytochrom b Gen PCR-RFLP -- Lin und Hwang (2007)

Thunfischartendifferenzierung (T.obesus, T.orientalis,T.maccoyii, T. albacares)

Mitochondriales Cytochrom b Gen, D-Loop, mitochondriales 16S Gen

real-time PCR -- Chuang et al. (2012)

Dorschartendifferenzierung (Gadus morhua (atlant. Kabeljau), Trisupterus minutus capelanus (Zwergdorsch), T. minutus minutus, Molva elongata, Phycis blennoides, Micromesistius poutassou (Blauer Wittling), Theragra chalcogramma)

mitochondriale 12S und 16S rRNA Gensegmente

PCR-RFLP -- Di Finizio et al. (2007)

Differenzierung Kabeljau, Kohlfisch, Schellfisch, Seelachs, Wittling

Massenspektren REIMS (rapid evaporative ionisation MS)

PCA, LDA, OPLS-DA

Black et al. (2017)

Plattfischartendifferenzierung (Lepidorhombus whiffiagonis, Platichthys flesus, Reinhardtius hippoglossoides, Scophthalamus maximus, Solea vulgaris)

mitochondriales 12S rRNA Gensegment PCR-RFLP -- Comesaña et al. (2003)

Lachsfischartendifferenzierung (Salmo salar, Salmo trutta, Oncorhynchus keta, O. kisutch, O. gorbuscha, O. nerka, O. tschawytscha, O. mykiss, Salvelinus alpinus, S.fontinalis)

Nucleares Parvalbumin, Wachstumshormon-Gene, Mitochondriales Cytochrom b Gen (464 bp)

PCR-SSCP -- Rehbein (2004)

Lachsfischartendifferenzierung (S. salar, Oncorhynchus keta, O. tshawytscha, O. gorbuscha, O. mykiss (Regenbogenforelle), O. nerka, O. kisutch)

COI (mitochondriale Cytochrom C Oxidase Untereinheit I) ="DNA Barcode von Fisch"

Multiplex PCR, real-time PCR

-- Rasmussen Hellberg et al. (2010)

Lachsfischartendifferenzierung (Salmo salar, Oncorhynchus keta, O. kisutch, O. gorbuscha, O. nerka, O. tschawytscha, O. mykiss, Salvelinus alpinus, S. fontinalis, Salmo trutta)

Mitochondriales Cytochrom b Gen PCR-RFLP -- Hold et al. (2001)

Differenzierung 11 Merlucciidae Spezies, 2 Macruronus Spezies Nukleosid Diphosphat Kinase B (NDK B) Peptide (spezies-spezifisch)

SIRM MS (LC-MS/MS, ESI-MS/MS, 2-DE, MALDI-TOF MS,)

-- Carrera et al. (2007)

Anhang

96

Differenzierung 11 Merlucciidae Spezies, Spezies-spezifische Peptidbiomarker aus Parvalbumin

SMIM (LC-ESI-IT-MS/MS mit Linear Ion Trap MS)

-- Carrera et al. (2011)

Aalartendifferenzierung (Anguilla anguilla (Europäischer Aal), A. rostrata (Amerikanischer Aal), A. japonica (Japanischer Aal), A. australis (Australischer Aal))

Mitochondriales Cytochrom b Gen PCR-RFLP, PCR-SSCP -- Rehbein et al. (2014)

Differenzierung Süsswasserfische (Alosa agone, Coregonus macrophthalmus, Rutilus rutilus)

Proteinmassenfingerprints MALDI-TOF MS -- Volta et al. (2012)

Differenzierung Süsswasserfische (Perca fluviatilis, Lates niloticus, Stizostediun luciooerca, Morone chrysops x saxatilis)

Protein(-pattern) IEF, 2-DE -- Berrini et al. (2006)

Substition mit Nilbarsch (Lates niloticus), Wrackbarsch (Polyprion americanus)

5S rDNA Gen Multiplex PCR -- Asensio (2008)

Differenzierung Bachforelle, Regenbogenforelle; Bestimmung der Frische des Fisches

MALDI-TOF MS Spektren der Glaskörperflüssigkeit aus Fischaugen

MALDI-TOF MS -- Ulrich et al. (2017)

Differenzierung verschiedener Fischarten (54 Spezies aus 24 Familien)

Proteinpattern MALDI-TOF MS -- Stahl und Schröder (2017)

Differenzierung /Identifizierung verschiedener gekochter Fischarten (Oncorhychus gorbuscha, O. keta, O. mykiss, Salvelinus alpinus, Psetta maxia, Pollachius pollachius, Salmo salar, S. trutta, Merluccius australis, Theragra chalcogramma)

Proteinpattern SDS-PAGE, Urea IEF -- Etienne et al. (2000)

Differenzierung Fischarten (roh/prozessiert) (22 verschiedene Spezies)

Peptide (nach Trypsinverdau) UHPLC-MS/MS -- Wulff et al. (2013)

Differenzierung Acipenseridae Spezies (Störe) Mitochondriales Cytochrom b Gen PCR-RFLP -- Ludwig und Debus (2002)

Detektion von Perca fulviatilis (Europ. Barsch) COI, 16S rRNA DNA Barcoding (Nano Tracer)

-- Valentini et al. (2017)

Verfälschung mit günstigeren Fischsorten (Platichthys flesus flesus, Pseudupeneus prayensis), Differenzierung frisch/aufgetaut

IR-Spektren FTNIR, FTIR LDA, SIMCA Alamprese und Casiraghi (2015)

Test auf Frische oder auf wiederaufgetauten Fisch (Merlangius merlangus) - verkauft als Frischfisch

MIR-Spektren FTMIR-ATR PCA, FDA Karoui et al. (2007)

Test auf Frische oder Unterscheidung wiederaufgetauter Fisch (Trachurus trachuru, Engraulis encrasicolus, Mullus surmuletus, Pomatamus saltatrix, Salmo salar, Trigla lucerna), Fischartenunterscheidung

Raman-Spektren Raman PCA Velioglu et al. (2015)

Anhang

97

Differenzierung aquitanische Produktion von anderen Produktionsarten, Bestimmung der Frische/Qualität und folglich der Haltbarkeit

1HNMR Spektren 1HNMR SIMCA, OPLS-DA

Heude et al. (2016)

Differenzierung Produktionsarten: Zucht, Wildfang (jeweils mit: Oncorhynchus tshawytscha, O. kisutch, Salmo salar)

Elementprofile, δ13C-Werte, δ15N Werte ICP-AES, IRMS PCA, CDA Anderson et al. (2010)

Differenzierung Zucht/Wildfang von Seebarsch Metabolite aus Wasser- (KH, AS, Dipeptide, org. Säure etc.)- und organischen Extrakt (TAG, FS, Sterole)

NMR PCA Mannina et al. (2008)

geographische Herkunft, Authentifizierung (Verschiedene Herkunftsorte: Makrele (Scomber japonicas), Gelbfisch (Larimichthys polyactis, L. Crocea), Pazif. Pollack/Alaska Seelachs (Theragra chalcogramma))

δ13C-Werte, δ15N Werte IRMS -- Kim et al. (2015)

geographische Herkunft, Saisonabhängigkeit Fettsäureprofil, essent. Elemente, δ13C-Werte, δ15N

GC-FID, EDXRF (Energy dispersive X-ray fluorescence), IRMS

PCA Chaguri et al. (2015)


Anhang

98

Tabelle 4: Verfälschungen von Bio-Lebensmitteln und Methoden zur Unterscheidung von bio/konventionell

Produkt/Matrix Analyt/Markerverbindung/Identifizierung der Verfälschung*


Autor/Jahr

Wein (rot, weiß, Australien) FTMIR-Spektren FTMIR PCA, DPLS, LDA Cozzolino et al. (2009)

Hasenfleisch IR-Spektren von Fettsäuren NIR PLS-DA Pla et al. (2007)

Tomaten (Solanum lycopersicum L.) 1HNMR Spektren 1HNMR PCA, LDA Hohmann et al. (2014)

Weizen (Triticum aestivum L.) Kupferchlorid-Kristallisationspattern Kupferchlorid Kristallisation

PCA, kNN, Ime-ANOVA

Kahl et al. (2015)

Tomaten, Kaffeebohnen Röntgenspektren EDXRF PCA Bortoleto et al. (2008)

grüne Kaffeebohnen (Caffea arabica) Multielementkomposition, Marker: Br, Ca, Cs, Co, Mn, Rb

INAA (Instrumentelle Neutronen Aktivierungsanalyse)

Bayesian network

De Nadai Fernandes et al. (2002)

Aubergine Trockenmasse, Proteine, Phenolgehalt, Mineralstoffe

Kjeldahl, Veraschung, UV/Vis Spektrometrie, Flammen-photometrie, AAS

PCA, ANOVA Raigon et al. (2010)

Ziegenmilch Hippursäure CE-DAD PCA Carpio et al. (2010)

Hühnereier Carotinoidprofil HPLC-DAD PCA, ANOVA, kNN

van Ruth et al. (2011)

Hühnereier Fettsäureprofil GC-FID PLS-DA Tres et al. (2011)

Milchprodukte (Deutschland) Phytaninsäure, Pristinsäure GC/EI-MS -- Vetter und Schröder (2010)

Mais (Zea mays) GC-MS-TIC-Chromatogramme, Äpfelsäure, Myo-Inositol, Phosphat

GC-MS PCA, ANOVA Rohlig und Engel (2010)

Karotten (Daucus carota L.) LC-MS-Spektren UPLC-MS PCA, OPLS-DA Cubero-Leon et al. (2018)

Erdbeeren (Fragaria anassa var. Candonga) Chromatogramme/MS-Spektren (metabolic profiling)

DI-ESI-IT-MS, LC-ESI-FT-MS

PCA, PLS-DA D'Urso et al. (2015)

Anhang

99

Tomaten (Solanum lycopersicum L.), Paprika (Capsicum annuum L.)

MS-Spektren, spezifische selected ion-Marker

DART-TOF-MS PCA, LDA Novotná et al. (2012)

Grapefruit (Citrus paradisi) MS-Fingerprint-Spektren FI-ESI-IT-MS, FI-ESI-TOF-MS

ANOVA, PCA Chen et al. (2010)

Weizen (Triticum aestivum L.), Gerste (Hordeum vulgare L.), Ackerbohne (Vicia faba L.), Kartoffel (Solanum tuberosum L.)

Multielementkomposition ICP-OES, ICP-MS PCA Laursen et al. (2011)

Früchte (Orangen, Mandarinen, Erdbeeren, Pfirsiche) δ15N, Ascorbinsäure, Gesamtmenge an löslichen Feststoffen

IRMS, HPLC, digitales Refraktometer

CDA Camin et al. (2011)

Milch δ13C in Milchfett und Milchprotein, δ15N, alpha-Linolensäure

IRMS -- Molkentin und Giesemann (2010)

Rindfleisch (Irland) δ13C, δ15N, δ34S EA-CF-IRMS -- Bahar et al. (2008)

Rindfleisch δ13C, δ15N, δ34S IRMS MANOVA Schmidt et al. (2005)

Lachs (Salmo salar) δ13C, δ15N, Fettsäuren (insbesondere: Stearinsäure, Linolensäure, alpha-Linolensäure)

IRMS, GC-FID ANN Molkentin et al. (2006)

Grüner Salat (Lactuca sativa L. cv. Little Gem), Kartoffeln (S. tuberosum L.), Tomaten (S. lycopersicum L.)

δ15N, δ18O von Nitrat, bulk N- IRMS ANOVA, CDA Mihailova et al. (2014)

Gemüse (Rucola (Eruca vesicaria sativa), Endivie (Cichorium endivia), Petersilie (Petroselinum crispum), Zichorie (Cichorium intybus), Lauch (Allium porrum), Knoblauch (Allium sativum), Zwiebel (Allium cepa), Blumenkohl (Brassica oleracea var. botrytis L.), Karotte (Daucus carota L.), Kartoffel (Solanum tuberosum L.), Tomate (Solanum lycopersicum), Paprika (Capsicum annuum), Kohlrabi (Brassica oleacea gongylodes)

δ15N IRMS -- Šturm und Lojen (2011)

Kartoffel (Solanum tuberosum L.) cDNA DNA-Microarray PCA, ANOVA van Dijk et al. (2012)


Anhang

100

Tabelle 5: Verfälschungen von Milch und Methoden zu deren Detektion

Produkt/Matrix Analysenzweck/Verfälschung Analyt/Markerverbindung/Identifizierung der Verfälschung*


Autor/Jahr

Milchpulver Identifizierung von Pflanzlichem Protein (Soja, Erbse, Weizen)

NIR-Spektren NIRS MLR, PCR, PLSR Maraboli et al. (2002)

Milch, Kuh Verfälschung mit Wasser, Weizen NIR-Spektren NIRS DPLS, SIMCA Kasemsumran et al. (2007)

Milch, Kuh (roh) Verfälschung mit Wasser, Stärke, Natriumcitrat, Formaldehyd, Saccharose

MIR-Spektren ATR-MIR PLS-DA Botelho et al. (2015)

Säuglingsnahrungspulver Identifizierung Melamin IR-Spektren NIR, FTIR-ATR, FTIR-DRIFT

PLS Mauer et al. (2009)

Milch Verfälschung mit Milchfett Raman-Spektren von Fett RAMAN Spektroskopie

PLS El-Abassy et al. (2011)

Milch, Kuh, Ziege Addition Dichromat, Wasserstoffperoxid, Salicylsäure, Stärke

Transiente Signale, Komplexbildung: Reaktion mit 1,5-Diphenylcarbazid (Cr(VI), Reaktion mit Fe(III) (Salicylsäure), Oxidation mit Vanadiumoxid (V) (Wasserstoffperoxid), Reaktion mit Triiodid (Stärke)

Flow-Injection Spectrophotometry

-- de Souza et al. (2014)

Milch (pasteurisiert, sterilisiert, UHT, Mager-UHT, fermentiert)

Verfälschung mit Wasser, Qualitätsanalyse und dadurch Gewährleistung der Haltbarkeit

Aroma Sensor Array fingerprints Osmometrie -- Musara und Pote (2014)

Milch (roh) Addition Formaldehyd, Wasserstoffperoxid, Natriumhypochlorit

Aroma Sensor Array fingerprints E-Nose (metall oxid semiconductor)

PCA; LDA Tohidi et al. (2018)

Milch Identifizierung Melamin zyklische Voltamogramme von Melamin-kupfer-chlorid-ionenpaar

Elektrochemischer Sensor (Cu)

-- de Araujo und Paixão (2014)

Kuhmilch Verfälschung mit Molke, Harnstoff, Wasserstoffperoxid, synthet. Urin, synthet. Milch

1H TD-NMR Relaxationskurven LF-NMR (1H TD-jjjjjjjjjjjjjjjiNMR)

PCA; SIMCA, kNN, PLSR

Santos et al. (2016)

Milch, Milchpulver Identifizierung Melamin Elektropherogramme MEL CZE-UV -- Wen et al. (2010)

Magermilchpulver Verfälschung mit Soja-, Erbsen-, braunem Reis-, hydrolysiertem Weizenprotein

Chromatographische Profile (Proteine) UHPLC-UV PCA, SIMCA Jablonski et al. (2014)

Anhang

101

Milch, Kuh (roh) Verfälschung mit Labmolke Casein-Makropeptid-Index RP-HPLC -- Lieske und Konrad (1996)

Milch, Milchprodukte, Milchpulver

Identifizierung von Melamin HPLC-Chromatogramm RP-HPLC-UV -- Filazi et al. (2012)

geklärtes Milchfett (Kuh, Büffel)

Verfälschung mit pflanzl. Ölen (Kokosnuss, Soja, Sonnenblumen, Erdnuss-Öl) und Designeröl

Chromatogramme von USM (unverseifbaren Stoffen)

RP-TLC -- Rani et al. (2015)

Milchfett Verfälschung mit Talg und Schmalzfetten

FS-Profile, FS-Verhältnisse GC-FID MLR Rebechi et al. (2016)

Milch, Milchpulver Identifizierung Melamin MEKC Chromatogramme von Melamin Mizellare Chromatographie auf SIC System

-- Batista et al. (2014)


Identifizierung Melamin, Cyanursäure

MS-Spektrum (TIC) MEL, CYA SPE und GC-MS Pan et al. (2013)

Milch Identifizierung Melamin, Cyanursäure

MS-Spektrum MEL, CYA HPLC-MS/MS -- Smoker und Krynitsky (2008)

Milchpulver Identifizierung Melamin MS-Spektrum MEL ESI-MS/MS (Paper Spray-MS)

-- Zhang et al. (2012b)

Milch, Milchpulver Identifizierung Melamin MS-Spektren von MEL DAPCI-MS, DESI-MS -- Yang et al. (2009)

Milchpulver Identifizierung von Melamin MS-Spektren von MEL DART-MS -- Dane und Cody (2010)

Milchpulver Identifizierung Dicyanamid MS-Spektren von DCA DART/Q-TOF MS/MS -- Zhang et al. (2015)

Milchpulver, Kondensmilch

Identifizierung von Melamin, Cyanursäure

MS-Spektren von MEL, CYA DART-TOF MS -- Vaclavik et al. (2010)


Identifizierung von Melamin MS-Spektren von MEL LTP-MS/MS -- Huang et al. (2009)

Milch, Kuh Addition Wasser, NaOH Digital Images Digital Imaging MLR, PCR, PLS Santos et al. (2012)

Milch, Kuh Verfälschung mit Wasser, Molke, Wasserstoffperoxid, synthetischer Urin, synth. Milch

Digital Images Digital Imaging PCR, PLS, kNN, SIMCA

Santos und Pereira-Filho (2013)


Anhang

102

Tabelle 6: Verfälschungen von Getreide und Methoden zu deren Detektion



Autor/Jahr

Getreidemehl (Weizen, Mais, Reis, Soja)

Verfälschung mit Melamin und Beiprodukten (Ammelin, Ammelid, Cyanursäure)

HPLC-Chromatogramme HPLC-DAD -- Ehling et al. (2007)

Körner/Mehle Differenzierung Körner/Mehle verschiedener Weizenarten (Dinkel (Triticum aestivum ssp. spelta), Emmer (T. turgidum ssp. dicoccum), Hartweizen (Triticum durum), Einkorn (T. monococcum), Brotweizen (T. aestivum ssp. aestivum)

FTIR-Spektren FTNIR PLS-DA Ziegler et al. (2016)

Weizen (Triticum aestivum L.)

Verfälschung mit Sorghumhirse-, Hafer-, Maismehl von Mehl/Brot

Hyperspectrale Bilder SW-NIR Hyperspectral Imaging

MSPC Verdú et al. (2016)

Mehlmischungen Identifizierung/Quantifizierunh Weizen (Triticum aestivum L.), Roggen (Secale cereale L.) (verfälschte Verhältnisse beim Brotbacken)

KFT-Wassertitrationskurven KFT (Karl Fischer Water Titration)

ANOVA Hadaruga et al. (2016)

Hartweizen (Triticum durum Desf.)

Verfälschung mit Weichweizen (Triticum aestivum L.) (Pasta/Mehl)

UV-/MS-Spektren von Alkylresorzin-Komposition

HPLC-DAD, LC-MS/MS

-- Knödler et al. (2010)

Hartweizen (Triticum durum Desf.)

Verfälschung mit Weichweizen (Triticum aestivum L.)

Lipidpattern, Digalactosyldiglycerid (als Marker in Weichweizen)

UHPLC-Q-TOF MS PCA, OPLS-DA Righetti et al. (2018)

glutenfreie Produkte Verfälschung/Kontamination mit Weizen, Gerste (Hordenum vulgare), Reis

Chloroplast Gen trnL, w-Gliadin QC-PCR, ELISA -- Dahinden et al. (2001)

glutenfreie Produkte Verfälschung mit Weizen (Triticum aestivum), Roggen (Secale cereale), Gerste (Hordeum vulgare), Hafer (Avena sativa)

w-Gliadin (Weizen), w-Secalin (Roggen), Hordein (Gerste), Avenin (Hafer)

real-time PCR -- Sandberg et al. (2003)

Reis (Basmati) Verfälschung mit nicht-Basmatireis BAD2 Gen real-time PCR (TaqMan)

-- Lopez (2007)

Anhang

103

Reis (Basmati) botanische Herkunft (Basmati/nicht-Basmati, Unterscheidung Duftreis/nicht-Duftreis)

HRM-Schmelzkurven von Mikrosatellitmarker: BAD2 Gens und SSR Marker

real-time PCR, DNA based, HRM

-- Ganopoulos et al. (2011)

Hartweizen (T. turgidum L. var. durum)

Verfälschung mit Weichweizen (Triticum aestivum L.) in Pasta

ß-Tubulin Introns (ILP) real-time PCR -- Casazza et al. (2012)


Verfälschung mit Weichweizen (Triticum aestivum L.) in Grieß und Brot

DNA Mikrosatelliten real-time PCR -- Pasqualone et al. (2007)


Verfälschung mit anderen Spezies ( T. aestivum, T. dicoccum, T. turgidum, T. dicoccoides, T. spelta, Hordeum vulgare, Avena sativa, Zea mays, Oryza sativa, Secale cereal, Sorghum bicolor, Triticosecale), Pasta, Brot

genomische DNA end-point & real-time PCR (TaqMan)

-- Terzi et al. (2003)

Süßgräser (Familie Poaceae)

Differenzierung Hiobssträne (Coix lacryma-jobi), Gerste (Hordeum vulgare), Mais (Zea mays), Reis (Oryza sativa ssp. japonica), Weizen (Triticum aestivum)

rpoC2 multiplexe PCR -- Moon et al. (2016)

getreidehaltige LM (auch prozessiert)

Differenzierung Weizen, Gerste, Roggen, Hafer

ITS (=internal transcribed spacer ) (Gerste und Hafer); proteincodierende Gene für w-Secalin, (LMW)Glutenin (Weizen, Reis)

MLPA (Variante der multiplex-PCR)

-- García-García et al. (2018)

Reis (Oryza sativa L.) geographische Herkunft (Asien, Europa), botanische Herkunft (Basmati/nicht-Basmati/Rundkornreis)

1HNMR-Spektren 1HNMR ICA, PLS-DA Monakhova et al. (2014)

weißer Reis (Oryza sativa L. ssp. japonica), Korea

Verfälschung mit weißem Reis anderer geograph. Herkunft (China)

Lysoglycerophospholipide (lysoGPLs) DI-MRM-MS PCA, PLS-DA Lim et al. (2017)


geographische Herkunft (Italien/Kanada/Türkei/Australien)

δ13C, δ18O, δ15N IRMS ANOVA Brescia et al. (2002)

Anhang

104

Reis (Basmati) geographische Herkunft USA/Europa/Indien&Pakistan

δ13C, δ18O, Multielementkomposition (B, Ho, Gd, Mg, Rb, Se, W)

IRMS, ICP-MS CDA Kelly et al. (2014)

Reis (Basmati) geographische Herkunft (Indien und andere Länder)

87Sr/86Sr, Multielementkomposition ICP-MS -- Lagad et al. (2017)


Anhang

105

Tabelle 7: Verfälschungen von Honig und Ahornsirup und Methoden zu deren Detektion



Autor/Jahr

Honig Verfälschung mit Glucose, Fructose, Saccharose, Rüben- und Rohrinvertzucker

FTMIR-Spektren FTMIR PCA, PLS, LDA Sivakesava und Irudayaraj (2002)

Honig HFCS (high fructose corn syrup), Maltosesirup

RAMAN-Spektren RAMAN PLS-LDA Li et al. (2012)

Ahornsirup Verfälschung mit Rohr- und Rübenzucker-Lösungen und Rohr- und Rübenzucker-Invert-Sirups

FTIR-, NIR-Spektren (KH-Region, org Säuren- und AS-Regionen als Marker für Verfälschungssubstanzen)

FTIR-ATR, NIR PCR, LDA, CVA Paradkar et al. (2003)

Honig kommerzielle Zuckersirups, Bee-feeding Syrups

1HNMR Spektrum, HMBC, Sirup-Zusammensetzung

HR-FT-NMR, GC-FID FA, GDA Bertelli et al. (2010)

Honig Verfälschung mit Zuckersirup (industiell, selbstgemacht) (von Robinienblüten, Lavendelblüten, Kastanienblüten, Tannenblüten-Honig)

physiochemische und strukturelle Eigenschaften von Honig

DSC -- Cordella et al. (2003a)

Honig Verfälschung mit Reissirup von Buchweizenblüten, Rapsblüten, Sonnenblumenblüten, Lognanblüten-Honig

3D-Fluoreszenzspektren 3D-Fluoreszenz-spektroskopie (3D-FS)

PCA, PLS, BP-ANN

Chen et al. (2014)

Honig Verfälschung mit Reissirup (Akazienblüten, Jujubeblüten, Rapsblüten, Lindenblüten, Litchiblüten, Kleeblüten)

Reis-Sirup (2-Acetyl-furan-3-Glucopyranosid = Marker)

HPLC-DAD -- Xue et al. (2013)

Honig Zuckersirupzusatz (HFCS, Mais-Sirup, Invert-Sirup, Sirup unspezifischer Herkunft)

HMF, Furosin HPLC-UV oder (R)HPLC-UV

PCA Morales et al. (2009)

Ahornsirup Verfälschung mit HFCS (high fructose corn syrup), Rüben-Medium-Invert-Sirup (BMIS)

Oligosaccharid-Fingerprints (Marker) HPAELC-PAD -- Stuckel und Low (1995)

Honig Verfälschung mit Mais-Sirup, HFCS, Invert(Rohr- und Rüben)-Sirup, Reis-Sirup (von Rapsblüten-,

Polysaccharide, Difruktoseanhydride, 2-Aetylfuran-3-glycopyranoside als Detektionsmarker

UHPLC/Q-TOF-MS -- Du et al. (2015)

Anhang

106

Lindenblüten-, Jujubeblüten-, Multiflorale Honige)

Ahornsirup Verfälschung mit Maissirup molare VH von Na/(Na+K) und Na/(Na+Ca), δ13C, δ2H, δ18O

IRMS, ICP-OES, ICP-MS

-- Banerjee et al. (2015)

Honig Verfälschung durch industriellen Honigbienenfutter-Zuckersiup aus C3 und C4 Pflanzen (d.h. HFCS, bee feeding syrup, Glucose Monohydrat Zucker, Saccharose Zucker)

δ13C-Wert von Honig, δ13C-Wert von seinen Proteinen und die Differenz (∆δ13C) daraus, sowie C4% Zucker-VH)

IRMS -- Guler et al. (2014)

Honig florale Herkunft, und Verfälschung mit Rohrzuckersirup

e-tounge und e-nose Daten (Voltammogramme)

e-nose und e-tounge Messungen

PCA, LDA Zakaria et al. (2011)

Honig botanische Herkunft (Raps, falsche Akazienblüten, Limetteblüten, Heidekrautblüten, Honigtau, Kornblumenblüten, Sonnenblumenblüten, Kleeblüten)

FTMIR Absorptionsspektren FTMIR PCA Etzold und Lichtenberg-Kraag (2008)

Honig geographische und botanische Herkunft (unifloral: Akazienblüten, Alpenrosenblüten, Kastanienblüten, Löwenzahnblüten, Heidekrautblüten, Limetteblüten, Rapsblüten, Tannenhonigtau, Metcalfa-Honigtau, Eichenhonigtau; und polyflorale Honige)

FTMIR Spektren FTMIR-ATR PCA, LDA Ruoff et al. (2006)

Honig botanische Herkunft (Akazieblüten, Lindeblüten, Orangenblüten, Eukalyptusblüten, Kastanienblüten, Honigtau)

Biomarker/ 1 H NMR Spektren NMR O2PLS-DA Schievano et al. (2011)

Honig botanische Herkunft (Kastanienblüten, Erdbeerbaumblüten, korsischer Maquis-Honig = mit saisonalen Variationen der Zusammensetzung)

Biomarker / 1 H NMR Spektren (e.g. Knurenic Acid als Marker für Kastanienhonig, alpha-Isophoron und 2,5-Dihydroxyphenylessigsäure als Marker des Erdbeerbaum-Honigs)

NMR, (für Marker: LC-TOF MS)

zweistufige GP Donarski et al. (2010)

Anhang

107

Honig botanische Herkunft (Heidekrautblüten, Lavendelblüten, Akazienblüten, Rapsblüten, Sonnenblumenblüten, Rosmarinblüten, Zitrusblüten, Rhododendronblüten, Thymianblüten, Kastanienblüten, Besenheideblüten)

Phenolisches Profil, potentielle florale Marker CZE-DAD -- Andrade et al. (1997)

Honig botanische Herkunft (Heidekrautblüten, Löwenzahnblüten, Lindenblüten, Rapsblüten, Weidenblüten, Phacelia-Honigklee, Rosazeenblüten, polyfloral)

Aminosäure-Profil HPLC-UV PCA Rebane und Herodes (2008)

Honig florale Herkunft (Lavendelblüten, falsche Akazienblüten (Robinie), Tannenblüten, Rosmarinblüten, Kastanienblüten, Thymianblüten, TTF (multifloral), Verfälschung durch exogene Zucker

Zuckerprofile (13 Zucker) HPAEC-PAD PCA, LDA, ANN Cordella et al. (2003b)

Honig botanische Herkunft (chaste honey, Raps)

Phenolisches Profil (Flavonoid-Marker), Chromat. Fingerprinting

HPLC-DAD-MS/MS PCA, PLS, PLS-DA, SIMCA

Zhou et al. (2014)

Honig botanische Herkunft (Rapsblüten, Akazienblüten, Honigtau)

flüchtige (org.) Komponenten-Profil (VOC-Profile)

HS-GC-IMS PCA, LDA, kNN Gerhardt et al. (2018)

Honig Differenzierung handwerklicher Honig, Nektar-Honig, kommerzieller Honigtau-Honig

Di- und Trisaccharid-Profile GC-MS -- Sanz et al. (2004)

Honig geographische (u. botan.) Herkunft (europäische Honige verschiedener floraler Sorten)

δ13C, δD, δ15N, δ 34S IRMS -- Schellenberg et al. (2010)

Honig entomologische und botanische Herkunft von hellem/mittel/ dunklem/gemischtem/pasteurisier-tem/cremigen/Meliponini Honig

3 Genregionen (ITS2, rbcLa, COI) DNA metabarcoding, PCR

-- Prosser und Hebert (2017)

Anhang

108

Honig botanische Herkunft von monofloralen (Kastanienblüten, Apfelblüten, Lindenblüten, Akazienblüten, Orangenblüten)/polyfloralen (Linde-Zitronenbaum, Ost-Europäische Mischung) Honigen und Honigtau

Pflanzen-DNA (Chloroplast trnL Genregion) PCR, Ion Torrent next generation sequencing

-- Utzeri et al. (2018)

Honig Pflanzenbiodiversität und geograph. Herkunft von Pyrenäen Honig und Wildblumenhonig

trnL (UAA) intron DNA barcoding -- Valentini et al. (2010)

Honig geographische Herkunft (Rhododendron, multifloraler Honig, "high moutain multifloral" Honig)

1 HNMR-Profile von Sacchariden (19 identif. Zucker), HSQC

NMR OPLS-DA Consonni et al. (2013)

Honig geographische Herkunft (versch. Regionen in Kroatien)

Spurenelementkomposition (As, Cd, Cu, Hg, Pb)

GFAAS, Hg-Analysator

ANOVA Bilandžić et al. (2011)

Honig geographische Herkunft von Robinien-, Linden-, Kastanienhonig (Slowenien)

Elementkomposition, δ13C, δ15N TXRF, IRMS ANOVA, CA, PCA, LDA

Kropf et al. (2010)

Honig geographische Herkunft (Brasilien) 42 toxische und essentielle Elemente ICP-MS SVM, MLP, RF Batista et al. (2012)

Honig geographische Herkunft (Korsika, Frankreich (nicht Korsika), Italien, Österreich, Irland, Deutschland)

flüchtige Komponenten (26 Marker) HS-SPME-GC x GC-TOFMS

LDA, SIMCA, DPLS, SVM

Stanimirova et al. (2010)

Honig geographische Herkunft (Hawaii) Protein-Fingerprints, Protein-Barcodes MALDI-TOF MS PCA Wang et al. (2009)

Honig geographische Herkunft und botanische Herkunft (Differenzierung Honigtau von Honig)

Mikroskopische Pollenanalyse Melissopalyno-logische Analyse (Pollenanalyse)

-- Louveaux et al. (1978)


Anhang

109

Tabelle 8: Verfälschungen von Kaffee und Tee und Methoden zu deren Detektion



Autor/Jahr

Instant Kaffee Verfälschung von Instant Kaffee mit Glucose, Stärke, Zichorien-Kaffee

IR Spektren FTIR-ATR, DRIFT PCA, LDA Briandet et al. (1996)

Kaffee (Arabica) Differenzierung gerösteter, gemahlener Kaffee von gerösteten Maiskernen, Kaffeeschalen

DR-Spektren (Absorptionswerte) DRIFTS PCA, LDA Reis et al. (2013)

Kaffee (Arabica) Verfälschung von Kaffee mit Kaffeeschalen, Mais, Gerste

PA-Signale Photoakustische Spektroskopie

-- Cesar et al. (1984)

Kaffeebrühe Verfälschung von Kaffeebrühe mit geröstetem Maismehl

transientes Signal (Temperaturkoeffizient des Brechungsindex), pH Daten

Thermische Linsen-Spektrometrie (+pH-Wert Messung)

Fontes et al. (2001)

Kaffee (Arabica) Differenzierung gerösteter Mais, Kaffeeschalen, Gerste, Sojabohnen

1H NMR Spektren 1HNMR PCA de Moura Ribeiro et al. (2017)

Instant Kaffee Verfälschung mit Hülsenfrüchten Oligosaccharid-Profil (Stachyose als Tetrasaccharid in Leguminosen), Proteinanalyse

HPAEC -- Stober et al. (2001)

Instant Kaffee Verfälschung mit Kaffeeschalen, Maltodextrinen, karamellisierter Zucker

KH-Profil (Zucker frei und gesamt) (Xylose v.a. in Kaffeeschalen, freie Fruc und Gluc v.a. in ungeröst/geröst Kaffeschalen, Maltose u. Gluc v.a. in Maltodextrinen, Saccharose und Glucose v.a. in karamel. Zucker)

HPLC-UV -- Blanc et al. (1989)

Kaffee (Arabica) Verfälschung mit Mais alpha, beta, gamma, delta Tocopherol (gamma Toc v.a. in Mais, weniger in Kaffee)

HPLC-FLD -- Jham et al. (2007)

Kaffee (Arabica) Verfälschun mit Triticale, Acai-Samen

KH-Profil (Galactose v.a. in Arabica, Glucose und Xylose v.a. in Triticale, Mannose v.a. in Acai)

HPLC-HPAEC-PAD, HPLC-UV/Vis

PCA Domingues et al. (2014)

Kaffee (Arabica) Verfälschungen mit Mais und Sojabohnen

Monosaccharid-Profil (nach saurer Hydrolyse) CE-MS/MS PCA Daniel et al. (2018)

Kaffee (geröstet) Differenzierung geröstete Gerste von geröstetem Kaffee

flüchtige Substanzen SPME-GC-MS PCA Oliveira et al. (2009)

Anhang

110

Kaffeemischung (roh, geröstet)

Differenzierung defekter Kaffeebohnen in rohem und gerösteten Zustand (unreif, sauer, schwarz) von nicht defekten Bohnen

flüchtige Substanzen = Indikatoren für niedr. Qualität (Markerverbindungen für defekte Bohnen: v.a. Pyrazine, Pyrrole, Phenole; z.B.Butyrolacetone (roh), Hexansäure (geröstet), 2-Pentylfuran (geröstet, schwarz)

SPME-GC-MS -- Toci und Farah (2014)

Kaffee Verfälschung mit Kaffeeschalen, Stroh, Mais, braunem Zucker, Sojabohnen

RGB color composites Multispektrales Imaging (Digitales Image Processing)

-- Sano et al. (2003)

Instant Kaffee, gerösteter Kaffee

Differenzierung gemahlener/ Instant Kaffee und mit Zichorien-Kaffee verfälschter Kaffee

17 Elemente (Haupt- und Spuren) HG-ICP-OES, ICP-OES -- Welna et al. (2013)

Instant Kaffee Verfälschung mit Zichorien, Getreide, Karamel, Feige, Maltodextrine, Glucosesirup, Stärke, Kaffeeschalen

Konzentrationen an Glucose, Fructose Enzymatische Bestimmung

-- Berger et al. (1991)

Kaffee Verfälschung von Kaffee (Arabica, Robusta) mit Gerste, Mais, Reis

Markergene: Gerste (Cytochrom C), Mais (zein), Reis (hypothetisches Protein Chromosom 8)

RAPD-PCR -- Ferreira et al. (2012)

Kaffee Differenzierung Robusta in Arabica NIR-Spektren NIR PLS, OWAVEC Pizarro et al. (2007)

Kaffeemischung (Arabica + Robusta)

Identifizierung Arabica Kahweol: spezifischer Marker für Arabica in Bohne und Kaffeebaum-Blättern

UV/Vis -- Dias et al. (2013)

Kaffee Differenzierung Robusta in Arabica in Pads,Kapseln, Bohnen

Kahewol und 16-O-Methylcafestol, lipophile (v.a. Triglyceride, Koffein, 16-OMC, Kah.) und wasser (kaum Markersubstanzen)-Extrakte

1HNMR PCA Monakhova et al. (2015)

Kaffee Röstzeitabhängige Differenzierung: Robusta in Arabica in gemahlenen Kaffee-Mischungen (geröstete und grüne Bohnen)

Maillard-Reaktions relevante Produkte (Zucker, AS, Pyrazine, Arylamide, Trigonelline, Chlorogensäuren, Pyridine, Koffein)

HR-MAS NMR -- Ciampa et al. (2010)

Coffea arabica Verfälschung mit Kaffee robusta (Coffea canephora)

16-O-Methylcafestol: Marker für Robusta Kaffee

qHNMR -- Schievano et al. (2014)

Kaffeemischung (Arabica + Robusta)

Differenzierung Robusta in Arabica in gemahlenen Kaffee-Mischungen

MS-Spektren (100-1000 Da), polare Hauptkomponenten in Arabica und Robusta

ESI (±) FT-ICR MS PLS Garrett et al. (2012)

Kaffee Differenzierung Robusta in Arabica: grüne und geröstete Bohnen

trnL(UAA)-trnF(GAA) Chloroplast intraspacer Region: SNP (PsuI) -> nur in Robusta

PCR-RFLP -- Spaniolas et al. (2008)

Anhang

111

Instant Kaffee, gerösteter Kaffee (Arabica)

Verfälschung von Instant und geröstetem Arabica mit Robusta

Chloroplasten DNA-Sequenzen (trnL (UAA)-trnF (GAA)), hoch repetitive genom. Sequenzen, Mikrosatellitsequenzen

PCR -- Martellossi et al. (2005)

Kaffee Differenzierung entkoffeiniert/koffeiniert und nach Haltbarkeitszustand (abgelaufen/nicht-abgelaufen)

UV-vis Absorptions-Spektren UV/Vis SIMCA, PCA, SPA-LDA

Souto et al. (2010)

Instant Kaffee Differenzierung (sprühgetrockneter) Instant Kaffe von 3 verschiedenen Herstellern

1 HNMR-Spektren, HMF (als Marker) 1HNMR PCA, LDA Charlton und Farrington (2002)

Kaffee, Kopi Luwak Differenzierung biolog./konvent., Kopi Luwak Kaffee, Espresso Kaffee

flüchtige Substanzen HS PTR-MS PLS-DA Özdestan et al. (2013)

Kaffee geographische Herkunft von Arabica (versch. Genotypen aus Brasilien)

IR-Spektren NIR, FTIR SVM (Support vector machines)

Bona et al. (2017)

Kaffee geographische Herkunft grüne Arabica Kaffeebohnen (Äthiopien)

phenolische Komponenten UPLC-MS PCA, LDA Mehari et al. (2016)

Kaffee geographische Herkunft Arabica Kaffee (versch. Orte in Asien, Afrika,Amerika)

Elemente (7), δ11B-Werte, 87Sr/86Sr-Werte HR-ICP-MS, MC-ICP MS

PCA, PC Liu et al. (2014)

Kaffee geographische Herkunft (Asien, Südamerika, Afrika)

LC-MS und GC-FID-Spektren (Metabolit-Profiling) und Protein-, Kohlehydrat- Quantifizierung

LC-MS, GC-FID PCA Choi et al. (2010)

Kaffeebohnen, Teeblätter

Differenzierung natürliches Koffein von synthet. Koffein

δ13C-Werte von Koffein HT-RPLC/IRMS -- Zhang et al. (2012a)

Camellia sinensis L. Cashew-Schalen intergenetische Spacer-Region (zw. 55 rRNA Genen)

PCR -- Dhiman und Singh (2003)

Camellia sinensis L. Differenzierung Tee-Blätter nach Alter

Polyphenole, Alkaloide, Catechine, Koffein NIR PCA Schulz et al. (1999)

Kamillentee (Blüten, Teebeutel)

Authentifizierung, Verfälschung mit anderem Pflanzenmaterial (Kamillenähnlich: Anthemis spp., Bellis spp., Tanacetum sp., Chrysanthemum sp.)

Marker Apigenin-7-O-glucoside, HPTLC-Chromatogramme

HPTLC PCA, HCA Guzelmeric et al. (2017)

"Kräutertees" Differenzierung Sceletium tortuosum, Cyclopia gensitoides

HS-Bilder Hyperspektrale Bildgebung (HSI)

PCA, PLS-DA Sandasi et al. (2018)

Anhang

112

Camellia sinensis L. Taxonomische Charakterisierung von C. sinensis und C. pubicosta, Spuren auf Kontamination anderer Pflanzen

Chloroplast Marker DNA Verity Test (= DNA Barcoding)

-- De Castro et al. (2017)

Kräutertees Differenzierung Fenchel, Kamille, Brennessel, Linden, Pfefferminze, Thymian, Zitrone, Balsam, Ringelblume, Salbei, Hagebutte, Johanniskraut

charakt. Komponenten (Glycoside, Flavonoide, Phenolische und Terpenische Verbindungen)

DART/TOF-MS CA, LDA, PCA Prchalova et al. (2017)

Camellia sinensis L. Differenzierung Grüner Pu-Erh Tee, Grüner Tee, Weißer Tee

UPLC-DAD Chromatogramme UPLC-DAD-MS PCA Zhao et al. (2011)

Pu-erh Tee (Camellia sinensis var. assamica (L.) O. Kuntze) Grüner Tee

Differenzierung Grüner Pu-Erh Tee, Grüner Tee

flüchtige Verbindungen, GC-MS-Chromatogramme

HS-SPME/GC-MS CA, PCA Lv et al. (2014)

Oolong Differenzierung verschiedener Sorten des Oolongtees

flüchtige Verbindungen, GC-MS-Chromatogramme

HS-SPME/GC-MS PCA, HCA, S-LDA Lin et al. (2013)

Camellia sinensis L. Tee-Fermentationsgrade (schwarzer Tee, Pouchong Tee)

Redoxpotential, Cathechine Potentiometrische Flow-Injektion (FI)

-- Nieh et al. (2009)

Grüner Tee geographische Herkunft (Orte in China)

FT-NIR-Spektren FT-NIR LDA, KNN, ANN, SVM, PCA

Chen et al. (2009)

Grün, weiß ,Oolong Tee geographische Herkunft (China, Japan, Südkorea)

1HNMR-Spektren 1HNMR PCA, PLS-DA, OPLS-DA

Lee et al. (2015)

Grüner Tee Unterscheidung versch. Grünen Tees aus Japan, Sri Lanka, China

Cathechine, (Koffein - für Sortenunterscheidung)

UHPLC-UV, UHPLC-MS/MS

-- Naldi et al. (2014)

Grüner Tee geographische Herkunft, Qualitätsstufen

Farbveränderungsprofile Colorimetric artificial tounge and nose

HCA, PCA Huo et al. (2014)

Schwarzer, grüner, Oolong tee (Camellia sinensis L.)

geograph. Herkunft von Schwarzem, Grünem, Oolong Tee

Spurenelemente, δ13C-Werte, δ15N-Werte, δD Werte

ICP-MS, IRMS LDA Pilgrim et al. (2010)


Anhang

113

Tabelle 9: Verfälschungen von Gewürzen und Kräutern und Methoden zu deren Detektion



Autor/Jahr

Chili (Capsicum annuum)

Verfälschung mit Sudan I NIR-, Raman-Spektren FT-NIR, Raman (SERS) PCA, PLS-DA, PLS

Haughey et al. (2015)

Zwiebelpulver Verfälschung mit Maisstärke FTIR-Spektren FT-NIR, FTMIR PLSR, PCA Lohumi et al. (2014)

Pfeffer (Piper nigrum L.)

Verfälschung mit Hirse oder Buchweizen

FTIR-Spektren FTIR,FTMIR PCA, PLSR McGoverin et al. (2012)

Oregano Verfälschung mit Olivenblättern (Olea europea L.), Myrtheblättern, Sumachblätter, Zistrosenblätter, Haselnussblätter

FTIR-Spektren, UPLC-HRMS-Datensätze, Biomarker

FTIR, UPLC-Q-TOF-MS PCA, OPLS-DA Black et al. (2016)

Safran (Crocus sativus L.)

Verfälschung mit anderen Pflanzen/-teilen (Crocus sativus Staubgefäße, Ringelblume (Calendula officinalis L. petals), Distel (Carthamus tinctorius L. petals), Kurkuma (Curcuma longa L.), Buddleja officinalis, Gardenie (Gardenia jasminoides)

DiffuseReflectance(DR)-Spektren DRIFTS PLS-DA, PLS, PCA

Petrakis und Polissiou (2017)


Verfälschung mit Farbstoffen (Methylorange, Tartarzin, Ponceau-4R)

UV-Vis-Spektren UV/Vis Spektroskopie PLS Zougagh et al. (2005)

Kurkuma (Curcuma longa L.), Curry, scharfe Paprika, milde Paprika

Sudan-Azo-Farbstoffe (Sudan I, II, III, IV)

UV-Vis-Spektren, HPLC-Chromatogramme UV/Vis Spektroskopie KNN, SIMCA, PLS-DA

Di Anibal et al. (2009)

Kurkuma gelbes Kreidepulver (Calciumcarbonat)

THz-Absorptionsspektrum Tetrahertz Spektroskopie

-- Nallappan et al. (2013)


Verfälschung mit anderen Pflanzen (Crocus sativus Staubgefäße, Saflor (Carthamus tinctorius), Kurkuma (Curcuma longa), Gardenie (Gardenia jasminoides)

1HNMR-Spektren 1HNMR PCA, OPLS-DA, O2PLS-DA

Petrakis et al. (2015)

Anhang

114

Curry, Kurkuma, milde und scharfe Paprika


1HNMR-Spektren 1HNMR PLS-DA Di Anibal et al. (2011)

scharfe Chili Sudan-Azo-Farbstoffe (Sudan I, II, III, IV)

HPLC-DAD-Chromatogramme HPLC-DAD -- Qi et al. (2011)



Elektropherogramme MEKC-UV -- Mejia et al. (2007)

Paprika (Capsicum annumm), Kreuzkümmel (Cuminum cyminum)

Verfälschung/Kontamination mit Prunus Spezies: Mandeln (P. dulcis), Felsenkirsche=Mahaleb (P. mahaleb)

Peptide (Marker) LC-MS/MS -- Inman et al. (2018)

Paprika, Curry, Pfeffer (weiß und schwarz), Chillipulver, Kurkuma, Muskatnuss, Ingwer)

Test auf Farbstoffe (Sudan I-IV, Sudan Orange G, Sudanrot 7B, Sudanrot G, Pararot, Dimethylgelb, Orange II, Rhodamin B)

LC-MS-Spektren RP-LC-MS/MS, LC-ESI-MS/MS

-- Ferrer et al. (2010)

Oregano (Origanum vulgare), Salbei (Salvia officinalis)

Verfälschung mit Olivenblättern (Olea europea L.)

Oleuropein als Markersubstanz LC-ESI-MS/MS -- Bononi und Tateo (2011)


Sudan-Azo-Farbstoffe (Sudan I, II, III, IV, Pararot)

ß-Naphtol-Fragment als Produkt Ion Paper Spray MS/MS -- Taverna et al. (2013)

Cayenne Pfeffer (gemahlene Chili Capsicum annuum)

Verfälschung mit Paprika Flüchtige Komponenten Gas Sensory Arrays (Electronic Nose)

UCATW, PARAFAC

Rodríguez et al. (2014)


Verfälschung mit Chili (Capsicum annuum L.)

Loci psbA-trnH, rbcL, rpoC1 DNA-Barcoding -- Parvathy et al. (2014)

Oregano (Origanum spp.)

Verfälschung mit Rubus caesius L., R. idaeus L., Fragaria vesca L., Rhus typhina L., Cotinus coggygria L., Cistus incanus L., C. ladanifer L., Helianthemum sp.

genomische DNA, SCAR Marker RAPD-PCR -- Marieschi et al. (2010)


Rote Beete Schale (Beta vulgaris), Mandelschalen (Terminalia catappa), gemahlene Ziziphus nummularia Früchte)

genomische DNA, SCAR Marker RAPD-PCR -- Dhanya et al. (2008)


Verfälschung mit Carica Papaya genomische DNA RAPD-PCR -- Khan et al. (2010)

Anhang

115

Chili (Capsicum annuum), Pfeffer (Piper nigrum L.), Kreuzkümmel (Cuminum cyminum), Senfkörner (Granum sinapsis)

Verfälschung mit pflanzl. Substanzen (Pflanzenhalme, Blätter) und Stärke und Mononatriumglutamat

Mikro-Morphologie Mikroskopische Untersuchung

-- Zhu und Zhao (2014)

Basilikum (Ocimum L.) Differenzierung verschiedener Chemotypen

FTIR-Spektren der essentiellen Öle FTIR-ATR, FT-Raman, NIR

PLS Schulz et al. (2003)

Kräuter (Labiatae Familie)

Differenzierung Rosmarin (Rosmarinus officinalis L.) und Oregano (Origanum dictamnus L., O. vulgare L., O.majorana L.)

ESI-MS-Fingerprint-Spektren, essentielle Öle ESI-Q-TOF-MS, ESI-MS/MS

-- Møller et al. (2007)

Zimt (Cinnamon verum J.S. Presl)

Differenzierung von anderen Zimt Spezies (C. cassia J.Presl, C. loureiroi Nees, C. burmannii Blume)

Coumarin, Marker-Verbindungen (Phenylpropanoide, Sesqiterpene)

DART-QTOF-MS PCA Avula et al. (2015)

Sternanis (Illicium verum, Chinesischer Sternanis)

Verfälschung mit Illicium anisatum (Japanischer Sternanis, neurotoxisch!) oder anderen Illicium Spezies

Anisatin (Biotoxin) DART-HRMS -- Shen et al. (2012)

Oregano (Origanum spp.)

Verfälschung mit Lamiaceae (Satureija montana L., Origanum majorana L.)

genomische DNA, SCAR Marker RAPD-PCR -- Marieschi et al. (2011)

Kurkuma (Curcuma longa L.)

Verfälschung mit wilden Sorten: C. zedoaria, C. malabarica

genomische DNA, SCAR Marker RAPD-PCR -- Dhanya et al. (2011)


geografische Herkunft (Italien: Abruzzen, Toskana Umbrien, Sardinien)

HPLC-Chromatogramme, Crocine, Safranal, Picrococin und Derivate, Flavanoide

HPLC-DAD LDA D'Archivio et al. (2016)


geographische Herkunft (Spanien und andere Länder), Unterscheidung PDO Produkt von "aus Spanien" bezeichnetem Produkt (unbek. Herkunft)

UPLC-HRMS Datensätze, Herkunftsmarker (Spanien, La Mancha Argón): Glycerophospholipide und ihre oxidierten Lipide

UHPLC-Q-TOF-MS PCA, OPLS-DA Rubert et al. (2016)

Anhang

116


geographische Herkunft (Italien, Iran)

Aromakomponenten, bioaktive Komponenten, v.a. Safranal, Isophoron, Picrocrocin (Safrankomponenten),

PTR-TOF MS, HPLC/DAD/MS

PCA Masi et al. (2016)

Paprika (Szegedi Füszerpaprika)

geographische Herkunft (Szegedi Füszerpaprika (PDO = Ungarn)) und Differenzierung anderer Ursprungsländer (Spanien, Deutschland, Frankreich, Senegal, Rumänien etc.)

87Sr/86Sr (Strontium-IsotopenVH), Multielementaranalyse

(MC)-ICP-SFMS PCA, CDA Brunner et al. (2010)


Anhang

117

Tabelle 10: Verfälschungen von Wein und Methoden zu deren Detektion



Autor/Jahr

Wein, rot organoleptische Zusatzstoffe zur Verfälschung des: Alkoholgehalt (Ethanol), Acidität (Weinsäure), Astringenz (Tanninsäure), Schwefelgehalt (SO2), Flüchtige Säure (Essigsäure), Reduzierender Charakter (Saccharose), Fruchtaroma (Ethanal)

Voltammogramme Electronic Tounge PCA, PLS (Parra et al. 2006)

Wein, weiß-halbtrocken, rot-lieblich, rot-trocken

Verfälschung mit Propylenglykol, Sorbinsäure, Benzoesäure

Massenspektren (Massen PG, S- und B-S.) SPME-GC-MS -- Sagandykova et al. (2017)

Wein, rot Zusatzstoffe Konservierungsstoffe (Benzoesäure, Sorbinsäure,Dehydroessigsäure), Süßungsmittel (Acesulfam, Saccharin, Aspartam, Stevioside, Neotam), Aromastoff (Koffein)

RP-HPLC-Chromatogramme RP-HPLC-UV -- Zhao et al. (2012)

Wein, rot, weiß Zusatzstoffe Konservierungsstoffe (Benzoesäure, Sorbinsäure, p-Chlorbenzoesäure, Salicylsäure, p-Hydroxybenzoesäure, Ethyl-p-Benzoat), Antioxidant (Ascorbinsäure), Süßungsmittel (Saccharin)

RP-HPLC-Chromatogramme RP-HPLC-UV/Vis, RP-IP-HPLC-UV/Vis

-- Calull et al. (1992)

Wein, rot Detektion synthetischer (Azo-) Farbstoffe

UV-Spektren von Brilliant Blau und Azorubin RP-IP-LC, CZE De Villiers et al. (2003)

Wein, weiß Detektion von Gummi Arabicum δ13C, δ18O, δD, δ15N, Colloid-Zusammensetzung (i.F.v.Monosacchariden)

HPAEC/PAD, EA-IRMS, TC/EA-IRMS

PCA Sprenger et al. (2014)

Wein rot Verfälschung mit Zucker, Wasser, künstl. Süßungsmitteln, künstl. Roten Farbstoffen, Farbstoffe; Alkoholgehalt

δ13C-Werte, δ18O Werte, Chromatogramme, HMF, Anthocyane

CF-IRMS, HPLC-UV ANOVA, LDA Geana et al. (2016)

Anhang

118

Wein (süß) Externe Zuckerzugabe (C4), Authentifizierung

δ13C-Werte von Glucose, Fructose, Glycerol, Ethanol

HPLC-co-IRMS -- Guyon et al. (2011)

Tokajer Weine (Edelfäule), PDO

Verfälschung mit billigeren Weinen, Botrytis Weine unterschiedlicher Qualität

Fluoreszenzspektren Fluoreszenz-spektroskopie

PCA, LDA Sádecká et al. (2018)

Wein rot und weiß Differenzierung Rebsorten (rot: Pinotage, Merlot, Cabernet Sauvignon, Shiraz; weiß: Chardonnay, Sauvignon Blanc), Südafrika

FTMIR-Spektrum, flüchtige Verbindungen FTMIR, GC-FID ANOVA, PCA, LDA

Louw et al. (2009)

Wein rot, weiß Klassifizierung Rebsorte (Pinot noir, Lemberger, Pinot blanc/Pinot gris, Müller-Thurgau, Riesling, Gewürztraminer), geographische Herkunft (Deutschland: Rheinlandpfalz, Rheinhessen, Mosel, Baden, Württemberg), Jahrgang

1HNMR-Spektren, org. Säuren, Alkohole 1HNMR PCA, LDA, MANOVA, CV, MC

Godelmann et al. (2013)

Wein (weiß) Rebsortenklassifizierung, Weingut Differenzierung (Anbau Spanien)

MALDI-TOF MS Spektren (Wein-Fingerprints) MALDI-TOF MS -- Nunes-Miranda et al. (2012)

Wein weiß Differenzierung Rebsorten (weiß: Riesling, Müller-Thurgau, Silvaner, Pinot Gris, Pinot Blanc)

flüchtige Verbindungen (Monoterpene, Ester, C13-Norisoprenoide)

HS-SPME-GC-MS PCA, PLS-DA, OPLS-DA

Springer et al. (2014)

Traubenmost, Wein weiß, rot

Qualitätsbestimmung Most (weiß (Trebbiano, Albana)), Wein (weiß (Trebbiano) und rot (Sangiovese)), Charakterisierung von Trauben, Most, Weinen

organ. Säuren, Glucose, Fructose, Glycerol, Ethanol

HPLC-UV/RI -- Castellari et al. (2000)

Wein (rot, weiß) Rebsortendifferenzierung rot (Merlot, Pinot Noir, Tempranillo, Shiraz), weiß (Chardonnay blanc, Riesling, Sauvingnon blanc, Silvaner)

Polyphenole, Total Ion Chromatogramme, MS-Spektren

UHPLC-HRMS, DART-HRMS

PCA, OPLS-DA Rubert et al. (2014)

Anhang

119

Wein rot (Vitis vinifera cv. Graciano)

Identifizierung Graciano Weine , Unterscheidung zu Tempranillo Weinen

Nicht-flüchtige Komponenten (Zucker, AS, biogene Amine, FS, org. Säuren, Phenole, Ester)

ESI-LC-QTOF MS PCA Arbulu et al. (2015)

Wein rot Klassifizierung/Differenzierung Rebsorte (Carmenère, Cabernet Saivignon, Merlot, Syrah), Herkunft, Jahrgang, Qualität

Metabolit Profiling UPLC-FT-ICR MS HCA, PCA, LDA Cuadros-Inostroza et al. (2010)

Wein, weiß Identifizierung Weißweinsorten, Detektion Verfälschung mit Liquor

Lösungsmitteleffekt (CT-LE Übergang, spezifischer LM-Effekt), Absorptionswellenlänge, Emissionswellenlänge, Extinktion, Emissionsintensität

D-A Typ Sensor Array PCA Han et al. (2018)

Wein Unterscheidung biologisch/konventionell

FTMIR-Spektren FTMIR PCA, DPLS, LDA Cozzolino et al. (2009)

Wein rot (Sangiovese) Differenzierung Wein aus biologischen und biodynamischen Trauben (Sangiovese)

1HNMR-Spektren 1HNMR ANOVA, PCA, HCA

Laghi et al. (2014)

Wein, alt Altersbestimmung, Verifizierung des Labellings

137Cs Gamma Spektroskopie

-- Hubert et al. (2009)

Wein Jahrgangsverifizerung bei geschlossener Flasche (Verfälschung: Originalflasche mit minderwertigem Jahrgang wiederaufgefüllt)

14C des Gases (Ethanol, u.a.) diffundierend aus Korken

Radiocarbon-Datierung "Angel´s share"

-- Fahrni et al. (2015)

Wein, rot geographische Herkunft (Frankreich: Narbonne, Bordeaux, Angers), Rebsortendifferenzierung (Grenache, Carignan, Cinsault, Merlot, Cabernet-Sauvignon, Cabernet-France)

Aminosäuren, Elememte, Aromatische Alkohole Flameless Atomic Absorption Spectroscopy, AES, (RP)-HPLC, ASA

PCA, SDA Etiévant et al. (1988)

Wein geographische Herkunft (italien), klimatische Herkunft

δ13C, δ18O, δD SNIF-NMR, IRMS PCA Camin et al. (2015)

Wein geographische Herkunft, exogene Zucker

δD in Ethanol und Wasser in Wein SNIF-NMR -- Martin et al. (1986)

Anhang

120

Wein geographische Herkunft, Differenzierung Rebsorten, Hefen für Fermentation, Weinzubereitungsprozess, Verdünnung mit Wasser

Profil flüchtiger Komponenten Electronic Nose (basierend auf GC-FID)

PCA, DFA Antoce und Namolosanu (2011)

Wein rot geographische Herkunft (Spanien: Navarra, Aragon), Differenzierung Rebsorten (Graciano, Tempranillo, Garnacha, Cariñena, Merlot, Cabernet Sauvignon)

Anthocyane HPLC-PAD PCA, SDA Arozarena et al. (2000)

Wein rot Geographische Herkunft (Spanien: Pendes, Rioja, Ribera del Duero)

Polyphenolische Verbindungen HPLC-UV, HPLC-FLD, LC-MS

PCA, PLS-DA Serrano-Lourido et al. (2012)

Wein rot geographische Herkuft (Argentinien), Rebsortendifferenzierung

Anthocyane ESI-LC-Q-TOF MS MCR-ALS, D-UPLS

Pisano et al. (2015)

Wein rot geographische Herkunft (Österreich), Rebsorte, Jahrgang

Phenole, Polyphenole ESI-LC-MS/MS CDA Jaitz et al. (2010)

Wein, CBO (certified brand origin) zertifiziert

Bestimmung Weintyp (weiß/rot), geographische Herkunft (4 Weinregionen, Authentifiz. Von CBO-Weinen (=Ursprungsbezeichnung)

Multielementkomposition ICP-MS -- Rodrigues et al. (2011)

Wein rot Geographische Herkunft (Italien: Basilicata, Calabria, Campania)

Makro-, Mikro-Elemente, Lanthanoide ICP-MS, AAS ANOVA, CA, CVA

Galgano et al. (2008)


Anhang

121

Tabelle 11: Verfälschungen von Fruchtsäften und Methoden zu deren Detektion



Autor/Jahr

Apfelsaft-basierte Getränke

Menge an purem Apfelsaft Gesamtzuckergehalt, Glucose/Fructose/Saccharose-Verhältnis

FTMIR-ATR PCA, Potentialkurventechnik

Gómez‐Carracedo et al. (2004)

Orangensaft Verdünnung durch Wasser mit Zucker (Glucose, Fructose, Saccharose)

FTIR Spektren mit Schwingungen von Glucose, Fructose, Saccharose

FTMIR PC-DFA, PLSR Ellis et al. (2016)

Orangensaft pulpe-wash Dimethylprolin als potent. Marker für p.-w., in Kombination mit weiteren charakteristischen Verbindungen (v.a. Phenole, auch Zucker, Säuren, Aminosäuren)

1H-NMR PCA, LDA Le Gall et al. (2001)

Orangensaft Zugabe Wasser 18O/16O Verhältnis von Wasser und Ethanol (gewonnen aus Zuckern)

SNIF-NMR, Pyrolyse-IRMS

-- Jamin et al. (2003)

Fruchtsäfte Verfälschung von Apfelsaft, Orangensaft mit Zucker

LC-Chromatogramme von Kohlehydraten (Fructose, Glucose, Saccharose, Maltose), Kationen (Na, K, Mg, Ca)

LC-RID/CDD PCA Muntean (2010)

Rote Fruchtsäfte Verfälschung mit synth./nat. roten Pigmenten, Differenzierung botan. Herkunft wie Erdbeere (Fragaria ananassa D.), Himbeere (Rubus idaeus L.), Blaubeere (Vaccinium myrtilllus L.), Europ. Cranberry, schw. Johannisbeere (Vaccinium oxycoccus L.), Sauerkirsche (Prunus cerasus L.), rote Traube (Vitis vinifera L.) ,lila Karotte (Daucus carota L.), lila Kaktusfeige (Opuntia stricta Haw.)

UV/Vis und Fluoreszenzspektren der Polyphenole (Anthocyanine, Betacyanine, synthetische rote Pigmente, Hydroxyzimtsäuren, Hydroxybenzoesäuren, Catechine)

HPLC/FD/PDA (2 Detektoren hintereinander)

-- Obón et al. (2011)

Zitronensaft Zugabe wässriger Lösung aus Saccharose und Zitronensäure

two-way-LC-MS Datasets LC-MS PCA Wang und Jablonski (2016)

Apfelsaft Unterscheidung von zugesetztem Rohrzucker- und Rübenzucker-Sirup

δ13C, δ2H von Hexamethylenetetramin aus Fructose

GC-IRMS -- Kelly et al. (2014)

Anhang

122

Rumänische Fruchtsäfte

Zucker-Addition, Zugabe exogenes Wasser (Differenzierung Direktpress-Säfte von Rückverdünnten-Konzentrat-Säften)

δ13C, δ18O, δ2H EA-IRMS -- Magdas et al. (2014)

australischer Orangensaft

C4-Zucker (Mais-Sirup (HFCS), Zuckerrüben-Sirup)

13C/12C VH SCIRA (IRMS) -- Antolovich et al. (2001)

Fruchtsäfte Differenzierung Aprikose (Prunus armeniaca L.), Pfirsich (Prunus persica L.), Kürbis (Cucurbita sp.)

FTIR-Spektren der Zellwandkomponenten, Chromatogramme von neutralen Zucker

FT-NIR, (neutrale Zuckerkomponenten mit GC-FID)

PCA, SIMCA Kurz et al. (2010)

Granatapfelsaft-Konzentrat

Traubensaft FTIR-Spektren FTIR-ATR PCA, PLS Vardin et al. (2008)

Fruchtsäfte (Cranberry, Traube, Blaubeere, Pflaume, Apfel)

Klassifizierung Phenol- und Zuckerfraktion (Zucker, andere Kohlehydrate wie Aldehyde und Ketone, Carbonsäuren, phenolische Verbindungen, z.B. Anthocyane)

FTMIR-ATR-Spektroskopie

HCA, SIMCA He et al. (2007)

Fruchtsäfte Differenzierung Apfel-, Orangen-, Zitronen-, Grapefruit-, Mandarinensaft

Spurenelemente und Metalle ICP-OES -- Barnes (1997)

Granatapfelsaft Apfel, Birne, Traube, Kirsche, Pflaume, Blaubeere, Brombeere, Aronia-Saft

Anthocyane, Zucker, organische Säuren, Aminosäuren, Kalium

HPLC-UV, HPLC-RI, Flammenphotometer

-- Zhang et al. (2009)

Zitrusfruchtsäfte (Orange, Mandarine, Zitrone, Grapefruit)

Detektion von Zitrone, Grapefruit in anderen Zitrussäften und Mandarine in Orange

Polyphenole (sorten-spez. Markerverbindungen)

HPLC-DAD LDA, PLS-DA, PLS Abad-Garcia et al. (2014)

Orangensaft Tangelo Polymethoxylierte Flavone, Carotiniode RP-HPLC-PDA CDA Pan et al. (2002)

Orangensaft Apfel-, Grapefruitsaft TIC Chromatograms (untargeted), Marker HPLC-MS PCA, LDA Vaclavik et al. (2011)

Fruchtsäfte Authentifizierung Apfel, Orange, Cranberry (rot, weiß), Traube, Granatapfel-Saft, Verfälcshung Granatapfelsaft mit Traube/Apfel

MRM-Chromatogramme von organische Säuren, Marker

LC-MS/MS -- Ehling und Cole (2011)

Anhang

123

Indische Zitrusfruchtsäfte (Mandarine, Orange, Zitrone)

Differenzierung (Mandarine, Orange, Zitrone)

MS-Spektren, Zitrusfruchtmarker untargeted: UPLC-QTOF-MS und targeted: LC-MS/MS

PCA, SIMCA, OPLS-DA

Jandrić et al. (2017)

Orangensäfte (Citrus sinensis)

Differenzierung versch. Orangensaft Sorten (Bionda, Brasiliana, Moro, Ovale, Sanguinello, Tarocco, Valence, Washington)

freie Carotinoide, Carotinoidester HPLC-DAD-APCI-MS -- Giuffrida et al. (2010)

Ananas-, Orangen-, Grapefruitsaft

botanische Herkunft bzw Differenzierung zwischen Apfel, Klementine, Pomelo, Orange oder Grapefruit

fruchtspezifische Marker (m/z 50-1200) UPLC-QTOF-MS PCA, OPLS-DA Jandric et al. (2014)

Birnensaft Apfelsaft 3 häufigsten Mono-Caffeoylqunic-Säuren in Früchten

ESI-FAIMS-MS/MS -- Willems et al. (2016)

schwarze Johannisbeere, Himbeere

Erdbeere, rote Johannisbeere organische Säuren (Zitronensäure, D-Isozitronensäure, L-Äpfelsäure)

enzymatische Tests (der 3 org. Säuren)

-- Stój und Targoñski (2006)

unprozessierte Fruchtsäfte (Orange, Mango, Pfirsich, Birne, Ananas)

Klassifizierung/Differenzierung DNA Barcode trnL High Resolution Melting Analysis (HRM) mit DNA-Barcoding

-- Faria et al. (2013)

Orangensaft Verfälschung mit Grapefruitsaft, Mandarinensaft

Heteroduplexe, Homoduplexe PCR-RFLP, LOC-CE -- Scott und Knight (2009)

Orangensaft Mandarine Citrusmarker: trnT-trnL Chloroplastfragment des intergen. Abstandhalters

PCR-Heteroduplex-Assay, PAGE

-- Mooney et al. (2006)

Granatapfelsaft Füllstoffe (wie Maqui-Beere, schwarze Aronia, lila Yam, Acai, Apfel, schwarze Maulbeere, Holunder, Cranberry, Heidelbeere)

SCAR Marker PCR-RAPD -- Marieschi et al. (2016)

Anhang

124

Fruchtsäfte Differenzierung Direktsaft, Saft aus Konzentrat, Detektion verbotener Produktionstechniken (hoher Druck, Trester, HMF bei Überhitzung, Zuckercouleur), botanische Herkunft, exakter Typ der Zitrusfrucht (Orange, Mandarine, Blutorange), geographische Herkunft des Orangensafts

1HNMR-Spektren 1HNMR SIMCA Spraul et al. (2009)

Passionsfruchtsäfte Charakterisierung versch. Safttypen (natürlich, bio, gefrorene Pulpe, Konz. Saft, gemischter Fruchtsaft mit Auslobung Passionsfruchtsaft)

Aminosäuren (12), (Glutaminsäure für Identifizierung natürlicher Säfte)

CE-UV, (MEKC) PCA Passos et al. (2016)

Fruchtsäfte (Multivitamin, Orange, Beere)

Differenzierung Direktsaft, Saft aus Konzentrat, Detektion C4 Rohr-/Maiszucker-Sirup in C3 Fruchtsäften

δ13C, δ18O, δ2H EPR und IRMS -- Vedeanu et al. (2012)

Fruchtsäfte (Orangensaft, Zitrone, Blutorange, Mandarine, Grapefruit, Schwarze Johannisbeere, Pfirsich, Ananas)

geogr. Herkunft des Safts, Frucht-Art, Fruchtgehaltschätzung, Qualitätskontrolle, Klassifizierung von O-Saft und Apfelsaft (Herkunft, Konzentrat/Direktsaft), Sauerkirsch, Ananas; sowie Erkennung von unzulässigen Produktionstechniken (übermäßiger Druck, Trester, Überhitzung, Zugabe von Zuckercouleur)

1 H NMR Spektrum, j-resolved 2D-Spektrum (Quantifizierung)

flow-injection NMR (1H unf 2D für Quantifizierung, gezielt und ungezielt)

PCA, SIMCA Spraul et al. (2009)

Orangensaft geograph. Herkunft (Unterscheidung Spanien von Südlicher Hemisphäre (Argentinien, Südafrika, Brasilien)

MS-Spektren, Citrusin D UHPLC-Q-TOF MS PLS-DA, OPLS-DA Diaz et al. (2014)

chinesischer Apfelsaft

Varietät und geograph. Ursprung flüchtige Komponenten HS-SPME-GC-MS PCA, LDA, SLDA Guo et al. (2012)

Anhang

125

Fruchtsäfte Verfälschung durch Verdünnung, Zugabe Rohrzucker, Differenzierung gegraphische Herkunft (Slowenin, Zypern), teilweis. Diff. botan. Herkunft aber nur zwischen CAM/C3 (beide Orte: Orange, Apfel, nur Zypern: Ananas, Grapefruit, Pfirsich, Sauerkirsch), Unterscheidung Herkunftsland

δ13C, δ18O, δ2H IRMS, SNIF-NMR PCA Ogrinc et al. (2009)


Documents

Status methodischer Ansätze zur Authentizitätsbestimmung ... · befindet sich gegenwärtig in der Prüfung für eine Übernahme als ISO-Methode. Im EU-weiten SPICED Projekt (2013-2016),