Studio integrale del profilo volatile del vino Ruchè mediante l’utilizzo di GCxGC-TOF/MS e approcci di esplorazione multivariata

The volatile composition of Ruché, a red wine produced from a native grape variety from Piedmont (Italy), was studied using headspace solid phase microextraction (SPME) coupled with GCxGC-TOF/MS. The main volatile compounds of the wine were identified and quantified. The data obtained from GCxGC-TOF MS analysis were then subjected to pretreatment with ChromaTOF Tile software at the end of which 112 volatile compounds were unequivocally identified in the 64 wine samples (32 samples x 2 since the analyses were conducted in duplicate) from different producers. At this point, the obtained dataset, after having performed the normalization, was subjected to chemometric techniques using the Python software (the adopted version provides essential packages and libraries, including Numpy for scientific computing, Pandas for data structuring and manipulation, Matplotlib and Plotly for graphical results and Scikit-learn for machine learning implementations). In particular, multivariate exploratory approaches such as PCA (principal component analysis), cluster analysis and t-SNE were applied in order to identify common features, differences and possible clusters between the different samples.

La composizione volatile del Ruché, un vino rosso prodotto da un'uva autoctona del Piemonte (Italia), è stata studiata utilizzando la microestrazione in fase solida in headspace (SPME) accoppiata all’utilizzo di GCxGC-TOF MS. I principali composti volatili del vino sono stati identificati e quantificati. I dati ottenuti dall’analisi GCxGC-TOF/MS sono stati poi sottoposti al pretrattamento con il software ChromaTOF Tile al termine del quale 112 composti volatili sono stati identificati in modo inequivocabile nei 64 campioni di vino (32 campioni x 2 dal momento che le analisi sono state condotte in duplicato) di diversi produttori. A questo punto il dataset ottenuto, dopo avere effettuato la normalizzazione, è stato sottoposto alle tecniche chemiometriche utilizzando il software Python (la versione adottata fornisce pacchetti e librerie essenziali, tra cui Numpy per l'informatica scientifica, Pandas per la strutturazione e la manipolazione dei dati, Matplotlib e Plotly per i risultati grafici e Scikit-learn per le implementazioni di apprendimento automatico) .In particolare sono stati applicati approcci esplorativi multivariati come PCA (analisi delle componenti principali), cluster analysis e t-SNE cosi da identificare caratteristiche comuni, differenze e possibili cluster tra i diversi campioni.