sredobЗдоровье населения и среда обитания – ЗНиСОPublic Health and Life Environment – PH&LE2219-52382619-0788ФБУЗ ФЦГиЭ Роспотребнадзора10.35627/2219-5238/2022-30-4-44-53sredob-925Research ArticleГИГИЕНА ПИТАНИЯFOOD HYGIENEПодходы к алгоритму анализа результатов исследований микро- и макронутриентного состава хлебобулочных изделий. Сообщение первоеApproaches to the Algorithm of Analyzing the Results of Laboratory Testing of Micro- and Macronutrient Content of Bakery Products: Part 1https://orcid.org/0000-0002-9046-6837ЩербаковГ. Д.ShcherbakovG. D.

Григорий Дмитриевич Щербаков, начальник отдела, аспирант

отдел социально-гигиенического мониторинга анализа и прогнозирования

109240

Устьинский пр-д, д. 2/14

ФБУЗ «Федеральный центр гигиены и эпидемиологии»

117105

Варшавское ш., д. 19А

Москва

Grigory D. Shcherbakov, Head of the Department, postgraduate student

Department of Public Health Monitoring, Analysis and Forecasting

109240

2/14 Ustyinsky Driveway

Moscow

 

sherbakovgrigory@gmail.comhttps://orcid.org/0000-0002-3587-5347БессоновВ. В.BessonovV. V.

Владимир Владимирович Бессонов, д. б. н., заведующий лабораторией

лаборатория химии пищевых продуктов

109240

Устьинский пр-д, д. 2/14

Москва

Vladimir V. Bessonov, Dr. Sci. (Biol.), Head of the Laboratory

Laboratory of Food Chemistry

109240

2/14 Ustyinsky Driveway

Moscow

bessonov@ion.ruФГБУН «Федеральный исследовательский центр питания, биотехнологии и безопасности пищи»; РоспотребнадзорРоссияFederal Research Center for Nutrition, Biotechnology and Food SafetRussian FederationФГБУН «Федеральный исследовательский центр питания, биотехнологии и безопасности пищи»РоссияFederal Research Center for Nutrition, Biotechnology and Food SafetRussian Federation202222052022044453Copyright © Щербаков Г.Д., Бессонов В.В., 20222022Щербаков Г.Д., Бессонов В.В.Shcherbakov G.D., Bessonov V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zniso.fcgie.ru/jour/article/view/925

   Введение. Данные химического состава пищевых продуктов являются востребованными для решения многих задач как в медицинской, так и в социальной сфере. Востребованной является разработка механизмов актуализации действующих баз данных химического состава пищевых продуктов, в том числе требуется изменение подходов к получению первичных данных и разработка алгоритмов их обработки.   Цель: разработка алгоритма получения статистически корректных значений средних концентраций и вариабельности основных микро- и макронутриентов в хлебобулочных изделиях.   Материалы и методы. Для разработки и апробации алгоритма использовались данные лабораторных исследований хлебобулочных изделий, выполненные в рамках федерального проекта «Укрепление общественного здоровья» в 2020 году лабораториями Роспотребнадзора.   Результаты. Хорошую разделяющую способность продемонстрировала кластеризация методом k-средних на две группы по показателю содержания жира. Предложен алгоритм генерализации данных, полученных от разных лабораторий, в связи с тем что не представляется возможным провести оценку совокупности ошибок (аналитической, лабораторного персонала, ввода и других). Для оценки результативности каждого этапа и алгоритма в целом использовалась величина отклонения получаемой вариабельности от исходной. В результате обработки этот показатель составил от 5 % для содержания углеводов и до 72 % для содержания жира. Для содержания углеводов, золы, пищевых волокон, витамина В1, натрия и влажности в обоих кластерах получены статистически значимые различия между обработанными значениями и исходными данными. Данный результат и сопоставимость полученных значений среднего и вариабельности со справочными могут свидетельствовать о корректности работы алгоритма. Для полученных значений содержания жира и белка статистически значимые отличия отсутствуют, но также фиксируется совпадение порядков значений со справочными.   Заключение. Разработанный алгоритм позволил получить актуальные сведения о химическом составе хлебобулочных изделий. Дальнейшие исследования должны быть направлены на апробацию и, в случае необходимости, корректировку алгоритма для всех основных групп пищевых продуктов.

   Introduction

   Introduction: Data on the chemical composition of food products are important for solving many problems in medical and social spheres. The development of mechanisms for updating existing databases of the chemical composition of foodstuffs, including the need to change approaches to obtaining primary data and develop algorithms of their processing, is in de-mand.   Objective: To develop an algorithm of obtaining statistically correct values of average concentrations and variability of the main micro– and macronutrients in bakery products.   Materials and methods: To develop and test the algorithm, we used the results of testing bakery products obtained in 2020 within the Federal Project on Public Health Strengthening by the laboratories of the Russian Federal Service for Surveillance on Consumer Rights Protection and Human Wellbeing (Rospotrebnadzor).

   Results

   Results: A good separating power was demonstrated by k­means clustering into two groups by the fat content. An algorithm for generalization of data obtained from different laboratories is proposed due to impossibility to assess the whole aggregate of potential errors related to testing, laboratory personnel, data entry, etc. To assess the effectiveness of each stage and the algorithm as a whole, we used the value of the deviation of the resulting variability from the initial one. As a result of processing, this indicator ranged from 5 % for the carbohydrate content to 72 % for the fat content. For the contents of car - bohydrates, ash, dietary fiber, vitamin B1, sodium and moisture in both clusters, statistically significant differences were obtained between the processed and original data. This result and the comparability of the obtained values of the mean and variability with the reference ones may indicate the correctness of the algorithm. There were no statistically significant differences between the obtained values of fat and protein content, but the consistency of the order of values with the referenceones was also recorded.   Conclusion: The developed algorithm made it possible to obtain up-to-date information about the chemical composition of bakery products. Further research should be aimed at testing and, if necessary, adjusting the algorithm for all major food groups.

качество пищевых продуктовбаза данных химического состава пищевых продуктовцифровая нутрициологиястандартизация данныхобработка результатов лабораторных исследованийклассификация пищевых продуктовfood qualitydatabases of the chemical composition of food productsdigital nutritiondata standardizationlaboratory data processingfood classificationИсследование не имело спонсорской поддержкиThe authors received no financial support for the research, authorship, and/or publication of this articleReferencesHealthy Diet. WHO Fact Sheets. Accessed April 23, 2022. https://www.who.int/news-room/fact-sheets/detail/healthy-dietHealthy Diet. WHO Fact Sheets. Accessed April 23, 2022. https://www.who.int/news-room/fact-sheets/detail/healthy-dietПопова А. Ю. О новых (2021) Нормах физиологических потребностей в энергии и пищевых веществах для различных групп населения Российской Федерации / А. Ю. Попова, В. А. Тутельян, Д. Б. Никитюк // Вопросы питания. – 2021. – Т. 90. – № 4 (536). – С. 6–19. doi: 10.33029/0042-8833-2021-90-4-6-19.Popova A. Yu., Tutelyan V. A., Nikityuk D. B. On the new (2021) Norms of physiological requirements in energy and nutrients of various groups of the population of the Russian Federation. Voprosy Pitaniya. 2021; 90 (4 (536)): 6-19. (In Russ.) doi: 10.33029/0042-8833-2021-90-4-6-19Samman N., Rossi M. C. 12th IFDC 2017 Special Issue – Challenges facing the establishment and management of a national food composition database in Argentina. J Food Compos Anal. 2019; 84 (132): 103292. doi: 10.1016/j.jfca.2019.103292Samman N., Rossi M. C. 12th IFDC 2017 Special Issue – Challenges facing the establishment and management of a national food composition database in Argentina. J Food Compos Anal. 2019; 84 (132): 103292. doi: 10.1016/j.jfca.2019.103292Silva M., Ribeiro M., Viegas O., et al. Exploring two food composition databases to estimate nutritional components of whole meals. J Food Compos Anal. 2021; 102: 104070. doi: 10.1016/j.jfca.2021.104070Silva M., Ribeiro M., Viegas O., et al. Exploring two food composition databases to estimate nutritional components of whole meals. J Food Compos Anal. 2021; 102: 104070. doi: 10.1016/j.jfca.2021.104070Jeddi M. Z., Boon P. E., Cubadda F., et al. A vision on the ‘foodture’ role of dietary exposure sciences in the inter-play between food safety and nutrition. Trends Food Sci Technol. 2022; 120: 288-300. doi: 10.1016/j.tifs.2022.01.024Jeddi M. Z., Boon P. E., Cubadda F., et al. A vision on the ‘foodture’ role of dietary exposure sciences in the inter-play between food safety and nutrition. Trends Food Sci Technol. 2022; 120: 288-300. doi: 10.1016/j.tifs.2022.01.024Бессонов В. В. Базы данных химического состава пищевых продуктов в эпоху цифровой нутрициологии / В. В. Бессонов [и др.] // Вопросы питания. – 2020. – Т. 89. – № 4. – С. 211–219. doi: 10.24411/0042-8833-2020-10058Bessonov V. V., Bogachuk M. N., Bokov D. O., et al. Databases of the chemical composition of foods in the era of digital nutrition science. Voprosy Pitaniya. 2020; 89 (4): 211-219. (In Russ.) doi: 10.24411/0042-8833-2020-10058Scrimshaw N. S. INFOODS: the international network of food data systems. Am J Clin Nutr. 1997; 65 (4 Suppl): 1190S-1193S. doi: 10.1093/ajcn/65.4.1190SScrimshaw N. S. INFOODS: the international network of food data systems. Am J Clin Nutr. 1997; 65 (4 Suppl): 1190S-1193S. doi: 10.1093/ajcn/65.4.1190SFAO/INFOODS Guidelines for Converting Units, Denominators, and Expressions – Version 1.0. FAO, Rome; 2012.FAO/INFOODS Guidelines for Converting Units, Denominators, and Expressions – Version 1.0. FAO, Rome; 2012.FAO/INFOODS Guidelines for Checking Food Composition Data prior to the Publication of a User Table/Database – Version 1.0. FAO, Rome; 2012.FAO/INFOODS Guidelines for Checking Food Composition Data prior to the Publication of a User Table/Database – Version 1.0. FAO, Rome; 2012.Machackova M., Giertlova A., Porubska J., Roe M., Ramos C., Finglas P. EuroFIR Guideline on calculation of nutrient content of foods for food business operators. Food Chem. 2017; 238: 35-41. doi: 10.1016/j.foodchem.2017.03.103Machackova M., Giertlova A., Porubska J., Roe M., Ramos C., Finglas P. EuroFIR Guideline on calculation of nutrient content of foods for food business operators. Food Chem. 2017; 238: 35-41. doi: 10.1016/j.foodchem.2017.03.103Schubert A., Holden J. M., Wolf W. R. Selenium content of a core group of foods based on a critical evaluation of published analytical data. J Am Diet Assoc. 1987;87 (3): 285-99.Schubert A., Holden J. M., Wolf W. R. Selenium content of a core group of foods based on a critical evaluation of published analytical data. J Am Diet Assoc. 1987;87 (3): 285-99.West C. E., Poortvliet E. J. The carotenoid content of foods with special reference to developing countries (Report). 1993. Accessed April 23, 2022. https://agris.fao.org/agris-search/search.do?recordID=XF2016032908West C. E., Poortvliet E. J. The carotenoid content of foods with special reference to developing countries (Report). 1993. Accessed April 23, 2022. https://agris.fao.org/agris-search/search.do?recordID=XF2016032908Holden J. M., Lemar L. E., Exler J. Vitamin D in foods: development of the US Department of Agriculture database. Am J Clin Nutr. 2008;87(4): 1092S-1096S. doi: 10.1093/ajcn/87.4.1092SHolden J. M., Lemar L. E., Exler J. Vitamin D in foods: development of the US Department of Agriculture database. Am J Clin Nutr. 2008;87(4): 1092S-1096S. doi: 10.1093/ajcn/87.4.1092SRaffo A., La Malfa G., Fogliano V., Maiani G., Quaglia G. Seasonal variations in antioxidant components of cherry tomatoes (Lycopersicon esculentum cv. Naomi F1). J Food Compos Anal. 2006; 19 (1): 11-19. doi: 10.1016/j.jfca.2005.02.003Raffo A., La Malfa G., Fogliano V., Maiani G., Quaglia G. Seasonal variations in antioxidant components of cherry tomatoes (Lycopersicon esculentum cv. Naomi F1). J Food Compos Anal. 2006; 19 (1): 11-19. doi: 10.1016/j.jfca.2005.02.003Luthria D. L., Pastor-Corrales M. A. Phenolic acids content of fifteen dry edible bean (Phaseolus vulgaris L.) varieties. J Food Compos Anal. 2006; 19 (2–3): 205-211. doi: 10.1016/j.jfca.2005.09.003Luthria D. L., Pastor-Corrales M. A. Phenolic acids content of fifteen dry edible bean (Phaseolus vulgaris L.) varieties. J Food Compos Anal. 2006; 19 (2–3): 205-211. doi: 10.1016/j.jfca.2005.09.003Sarac I., Butnariu M. Food pyramid – The principles of a balanced diet. Int J Nutr Pharmacol Neurol Dis. 2020; 5 (2): 24-31. doi: 10.14302/issn.2379-7835.ijn-20-3199Sarac I., Butnariu M. Food pyramid – The principles of a balanced diet. Int J Nutr Pharmacol Neurol Dis. 2020; 5 (2): 24-31. doi: 10.14302/issn.2379-7835.ijn-20-3199Lockyer S., Spiro A. The role of bread in the UK diet: An update. Nutr Bull. 2020; 45 (2): 133-164. doi: 10.1111/nbu.12435Lockyer S., Spiro A. The role of bread in the UK diet: An update. Nutr Bull. 2020; 45 (2): 133-164. doi: 10.1111/nbu.12435Bati A. The role of bread in Hungarian diet today. Acta Ethnographica Hungarica. 2012; 57 (2): 253-261. URL: https://www.researchgate.net/publication/279038728_The_role_of_bread_in_Hungarian_diet_todayBati A. The role of bread in Hungarian diet today. Acta Ethnographica Hungarica. 2012; 57 (2): 253-261. URL: https://www.researchgate.net/publication/279038728_The_role_of_bread_in_Hungarian_diet_todayXu X., Liu H., Li L., Yao M. A comparison of outlier detection techniques for high-dimensional data. Int J Comput Intell Syst. 2018; 11 (1): 652. doi: 10.2991/ijcis.11.1.50Xu X., Liu H., Li L., Yao M. A comparison of outlier detection techniques for high-dimensional data. Int J Comput Intell Syst. 2018; 11 (1): 652. doi: 10.2991/ijcis.11.1.50Das D., Nayak M., Pani S. K. Missing value imputation – A review. Int J Comput Sci Eng. 2019; 7 (4): 548-558. doi: 10.26438/ijcse/v7i4.548558Das D., Nayak M., Pani S. K. Missing value imputation – A review. Int J Comput Sci Eng. 2019; 7 (4): 548-558. doi: 10.26438/ijcse/v7i4.548558El-Bakry M., Ali F., El-Kilany A., Mazen S. Fuzzy based techniques for handling missing values. Int J Adv Comput Sci Appl. 2021; 12 (3). doi: 10.14569/IJACSA.2021.0120306El-Bakry M., Ali F., El-Kilany A., Mazen S. Fuzzy based techniques for handling missing values. Int J Adv Comput Sci Appl. 2021; 12 (3). doi: 10.14569/IJACSA.2021.0120306Nadraga V., Smirnov V., Boiko O., Dereko V. Comparison of missing values handling techniques using MICE package tools of R software and logistic regression model. In: Babichev S., Lytvynenko V., Wójcik W., Vyshemyrskaya S., eds. Lecture Notes in Computational Intelligence and Decision Making. Springer, Cham; 2021; 1246: 39-50. doi: 10.1007/978-3-030-54215-3_3Nadraga V., Smirnov V., Boiko O., Dereko V. Comparison of missing values handling techniques using MICE package tools of R software and logistic regression model. In: Babichev S., Lytvynenko V., Wójcik W., Vyshemyrskaya S., eds. Lecture Notes in Computational Intelligence and Decision Making. Springer, Cham; 2021; 1246: 39-50. doi: 10.1007/978-3-030-54215-3_3Pekel A. Y., Çalık A., Alataş M. S., et al. Evaluation of correlations between nutrients, fatty acids, heavy metals, and deoxynivalenol in corn (Zea mays L.). J Appl Poult Res. 2019; 28 (1): 94-107. doi: 10.3382/japr/pfy023Pekel A. Y., Çalık A., Alataş M. S., et al. Evaluation of correlations between nutrients, fatty acids, heavy metals, and deoxynivalenol in corn (Zea mays L.). J Appl Poult Res. 2019; 28 (1): 94-107. doi: 10.3382/japr/pfy023Pollard S., Namazi H., Khaksar R. Big data applications in food safety and quality. In: Encyclopedia of Food Chemistry. Academic Press; 2019: 356-363. doi: 10.1016/b978-0-08-100596-5.21839-8Pollard S., Namazi H., Khaksar R. Big data applications in food safety and quality. In: Encyclopedia of Food Chemistry. Academic Press; 2019: 356-363. doi: 10.1016/b978-0-08-100596-5.21839-8Rashid W., Gupta M. K. A perspective of missing value imputation approaches. In: Gao X. Z., Tiwari S., Trivedi M., Mishra K., eds. Advances in Computational Intelligence and Communication Technology. Springer, Singapore; 2021; 1086: 307-315. doi: 10.1007/978-981-15-1275-9_25Rashid W., Gupta M. K. A perspective of missing value imputation approaches. In: Gao X. Z., Tiwari S., Trivedi M., Mishra K., eds. Advances in Computational Intelligence and Communication Technology. Springer, Singapore; 2021; 1086: 307-315. doi: 10.1007/978-981-15-1275-9_25Amano S., Aizawa K., Ogawa M. Food category representatives: Extracting categories from meal names in food recordings and recipe data. 2015 IEEE International Conference on Multimedia Big Data; 2015: 48-55. doi: 10.1109/BigMM.2015.54Amano S., Aizawa K., Ogawa M. Food category representatives: Extracting categories from meal names in food recordings and recipe data. 2015 IEEE International Conference on Multimedia Big Data; 2015: 48-55. doi: 10.1109/BigMM.2015.54Anzawa M., Amano S., Yamakata Y., Yamasaki T., Aizawa K., Ogawa M. Generation of representative meal names for food recording data by using web search results. 2016 IEEE International Conference on Multimedia & Expo Workshops (ICMEW); 2016: 1-6. doi: 10.1109/ICMEW.2016.7574745Anzawa M., Amano S., Yamakata Y., Yamasaki T., Aizawa K., Ogawa M. Generation of representative meal names for food recording data by using web search results. 2016 IEEE International Conference on Multimedia & Expo Workshops (ICMEW); 2016: 1-6. doi: 10.1109/ICMEW.2016.7574745Ahmed M., Seraj R., Syed Mohammed Shamsul Islam. The k-means algorithm: A comprehensive survey and performance evaluation. Electronics. 2020; 9 (8): 1295. doi: 10.3390/electronics9081295Ahmed M., Seraj R., Syed Mohammed Shamsul Islam. The k-means algorithm: A comprehensive survey and performance evaluation. Electronics. 2020; 9 (8): 1295. doi: 10.3390/electronics9081295Ruvuna F., Flores D., Mikrut B., De La Gana K., Fong S. Generalized lab norms for standardizing data from multiple laboratories. Drug Inf J. 2003; 37 (1): 61–79. doi: 10.1177/009286150303700109Ruvuna F., Flores D., Mikrut B., De La Gana K., Fong S. Generalized lab norms for standardizing data from multiple laboratories. Drug Inf J. 2003; 37 (1): 61–79. doi: 10.1177/009286150303700109Brunden M. N., Clark J. J., Sutter M. L. A general method of determining normal ranges applied to blood values for dogs. Am J Clin Pathol. 1970; 53 (3): 332-339. doi: 10.1093/ajcp/53.3.332Brunden M. N., Clark J. J., Sutter M. L. A general method of determining normal ranges applied to blood values for dogs. Am J Clin Pathol. 1970; 53 (3): 332-339. doi: 10.1093/ajcp/53.3.332Herrera L. The precision of percentiles in establishing normal limits in medicine. J Lab Clin Med. 1958; 52 (1): 34-42.Herrera L. The precision of percentiles in establishing normal limits in medicine. J Lab Clin Med. 1958; 52 (1): 34-42.Charrad M., Ghazzali N., Boiteau V., Niknafs A. NbClust: An R package for determining the relevant number of clusters in a data set. J Stat Softw. 2014; 61 (6): 1-36. doi: 10.18637/jss.v061.i06Charrad M., Ghazzali N., Boiteau V., Niknafs A. NbClust: An R package for determining the relevant number of clusters in a data set. J Stat Softw. 2014; 61 (6): 1-36. doi: 10.18637/jss.v061.i06

The authors declare that there are no conflicts of interest present.