Eric JAMIN est le manager de l'Unité "Authenticité", chez Eurofins Analytics France. Il nous parle des nouvelles approches analytiques pour la détection des fraudes, et présente l'exemple du projet d'Eurofins "Agrifood GPS".

1. Sûreté alimentaire
Quelles innovations pour
la maîtrise des contaminants
et l'authentification des produits
agricoles et alimentaires ?
> 13 & 14 novembre 2013
> Montpellier SupAgro INRA
www.rencontres-qualimediterranee.fr

2. Eric JAMIN
Manager Business Unit Authenticité
Eurofins Analytics France
Plénière 1

3. Nouvelles approches analytiques
pour la détection des fraudes :
présentation du projet
Agrifood GPS (Global Protection
System)
Eric Jamin / Eurofins Analytics France

4. Outils analytiques de contrôle d’authenticité
 Analyses physico-chimiques de composition
 Identification et quantification de composants ciblés
 Isotopes stables
Origine des molécules
 Biologie moléculaire
Identification d’espèces ou de variétés
 Méthodes de Profiling
Empreinte spectrale de matrices entières
4

5. Comment anticiper les crises?
Les analyses
d’authenticité / sécurité
alimentaire aujourd’hui
Les analyses
d’authenticité / sécurité
alimentaire de demain
Projet R&D 2012-2017
conduit par EUROFINS
5

6. Partenaires :
Analyses – développement analytique




EUROFINS
PROFILOMIC – start-up ex CEA
GEPEA/Université de Nantes – La Roche s/Yon
BRUKER
Traitement et analyse des données
 LIST - CEA Saclay
 IAQA - AgroParisTech
Partenaires industriels
Le projet AGRIFOOD GPS est conduit par EUROFINS et
financé à hauteur de 5 M€ par le programme ISI (Bpifrance)
6

7. Une nouvelle approche analytique
L’approche non-ciblée ou “Metabolomics”
100
100
90
10
80
40
30
0
0
20
20
10
100
70
50
R
elative A
bundanc
e
20
60
90
60
80
50
70
40
40
30
0
0
20
20
R
elative A
bundance
30
90
100
90
60
80
50
70
100
40
30
20
0
60
80
Tim e (m in)
100
120
140
100
70
60
50
40
40
40
60
80
Tim e (m in)
100
120
20
20
40
140
10
30
20
0
20
40
60
10
80
Tim e (m in)
100
120
140
80
50
50
20
100
60
40
10
120
80
Time (m in)
140
100
120
140
30
0
0
0
90
60
70
80
40
Tim e (min)
60
30
60
0
0
40
0
80
70
40
30
50
10
90
80
50
20
20
10
0
60
100
90
60
30
10
R la eA u d Re tiv A u d n e
e tiv b n a cla e b n a c
ne
100
70
40
R la eA u d n e
e tiv b n a c
80
50
R
elative A
bundanc
e
R
elative A
bundanc
e
90
60
R la eA u d n e
e tiv b n a c
100
70
1. Chimie analytique
80
70
80
R la eA u d n e
e tiv b n a c
90
20
20
0
40
20
60
80
40
Time (m in)
60
100
80
Time (m in)
120
100
140
120
140
10
0
0
0
20
40
60
80
Tim e (m in)
100
120
140
0
Référence
20
40
60
80
Time (m in)
100
120
140
Inconnus
Variables
(TR, m/z)
Echantillons
2. Traitement des données
20
3. Chimiométrie
t[2]
10
Reference
3
13
4
27
6
5
0
16 15
9
11
1 10
8
14
-10
-20
Inconnus
12
-20
-10
0
10
20
t[1]
x 00
1
x2
0
x2
0
24 72
7.0 1
Mesurer des “effets”
 biomarqueurs
4. Identification
Relative Abundance
10
0
2 67
04.06
80
1 .07
76 20
2 .0 3
18 33
60
161 61
.0 2
20
0
60 03 7 77 85 35
.9 1 7.0 6 .42
60
7
1 61
98.89
133.0 4
66
40
8
0
100 69 11 82 126.9 7 13 21 14 65
.6 3 4.1 1
7.0 2 9.5 5
27
1
00
12
0
14
0
1 .19
79 33
2 .8 5
42 73
1 .39
91 28
16 84
5.7 2
1
60
m
/z
220 23
.7 8
180
2 .947
14 6
20
0
25 8
7.433
229.14
46
2
20
2
40
26
0

8. RMN 1H Haute Résolution
Méthode globale
Domaine d’observation: ppm à x% (adultération)
Points forts: Haut débit, reproductibilité
__ Lab 1
__ Lab 2
8

9. Spectrométrie de Masse
Haute Résolution
UPLC/APGC-TOF
Méthode sensible, couverture chimique large
Domaine d’observation: traces (ppb, ppt)
Points forts: information riche, identification par la masse exacte
chromatogramme
Spectre de masse
9

10. Application du profiling RMN à la matrice lait
Détection de marqueurs de l’ajout d’hydrolysat de protéine (« lait de cuir »)
Applicable à d’autres adultérants potentiels (ex. mélamine, dicyandiamide),
de matière grasse exogène, de sucres, etc.

11. Application du profiling RMN
à la matrice Miel
Détection d’ajouts de sucres
Confirmation de l’origine botanique
Anomalies diverses (ex. chauffage excessif, fermentation)
Zone des sucres
mineurs:
- En noir spectre
moyen
-
En bleu/vert:
spectres à ± 2
écarts-types
-
Spectre rouge:
échantillon
sucré

12. Application du profiling RMN
à la matrice café
Détection et quantification de Robusta dans Arabica
Utilisation de marqueurs multiples
Arabica
Robusta
Proportions
Défauts
Etc.

13. Perspectives:
 Extension des bases de données à d’autres matrices alimentaires
 Approfondissement statistique, fusion de données issues de
techniques complémentaires
 Développement d’outils de traitement automatisés
Outils de screening non ciblé
21/11/2013
confidential
www.eurofins.com

14. w w w . r e n c o n t r e s ‐ q u a l i m e d i t e r r a n e e . f r