基于特征脂肪酸的摻偽芝麻油快速鑒別模型建立

田 碩，劉建學*，韓四海，羅登林，李佩艷，徐寶成

（河南科技大學食品與生物工程學院，河南 洛陽 471023）

基于特征脂肪酸的摻偽芝麻油快速鑒別模型建立

田 碩，劉建學*，韓四海，羅登林，李佩艷，徐寶成

（河南科技大學食品與生物工程學院，河南 洛陽 471023）

脂肪酸是植物油中的主要營養成分，不同種類的食用油中所含的脂肪酸含量也不相同，本研究據此對芝麻油摻入大豆油、花生油、棉籽油的油樣應用近紅外光譜技術建立測定4 種脂肪酸含量的方法。以氣相色譜法測定的脂肪酸含量作為化學值，校正集樣品數為122，驗證集樣品數為38，結果表明：摻假芝麻油油樣的亞麻酸（C18∶3）、花生酸（C20∶0）、木焦油酸（C24∶0）和肉豆蔻酸（C14∶0）對近紅外有特異吸收。分別建立4 種脂肪酸含量的模型，通過對模型進行優化，校正集樣品的化學值與近紅外的預測值的相關系數（R2）分別為R2（C18∶3）=0.989、R2（C20∶0）=0.995、R2（C24∶0）=0.993、R2（C14∶0）=0.996。驗證集樣品的化學值與近紅外的預測值的R2分別為0.984、0.949、0.956、0.988。4 種脂肪酸含量的預測平均相對誤差依次為6.0%、5.6%、4.4%、4.8%。

近紅外光譜；特征脂肪酸；摻假芝麻油；鑒別

芝麻油含有很高的多不飽和油脂（油酸和亞油酸）、芝麻林素、芝麻酚和芝麻素，并富含維生素、不含膽固醇，具有很好的保健功能。其香味濃郁，是消費者所喜愛的調味品之一。

在國內市場中，油類的摻假現象屢見不鮮。芝麻油的售價高于其他種類的食用油，一些不法商販就在芝麻油中摻入其他植物油或從廢棄油渣中提取殘油，以次充好出售，謀取高潤利益。國內銷售的食用油主要以植物油為主，如大豆油、花生油、葵花籽油、菜籽油、玉米油、棉籽油等。不同的植物油的營養價值不同，主要是所含的脂肪酸種類和比例不同，市場售價也相差甚遠。

植物油的成分相似，但所含的脂肪酸比例不同，近紅外鑒別植物油種類已有大量報道[1-10]，在脂肪酸檢測方面主要是對植物油中脂肪酸含量和組分的測定[11-17]，而對摻假油中對近紅外有特異吸收的脂肪酸的研究很少。于燕波等[18]應用近紅外光譜（near infrared spectroscopy，NIR）技術快速測定植物油中棕櫚酸、硬脂酸、油酸、亞油酸含量，并建立模型，模型的預測精度誤差均小于10%。張輝等[19]基于NIR技術檢測食用油中α-亞麻酸和亞油酸含量的快速測定方法。通常脂肪酸的測定方法有氣相色譜（gas chromatography，GC）和高效液相色譜（high performance liquid chromatography，HPLC），這2 種方法都需要對樣品進行前處理，耗時且需要消耗大量的有機試劑，難以實現大批量地快速定量檢測。本研究基于近紅外在脂肪酸含量方面的測定，對不同種類、不同梯度的摻假芝麻油采集NIR，結合化學計量法，檢測不同種類摻假芝麻油中對近紅外光有特異吸收的脂肪酸，繼而可快速鑒別摻假油的品種。其檢測費用低、耗時短，可為質檢部門提供一種快速檢測摻假油的方法。transformation，SNV）、多元散射校正（multiplicative scatter correction，MSC）、一階導數（1stD）、二階導數（2ndD）、交互驗證均方根誤差（root mean squares error of cross validation，RMSECV）、一階導數+標準正態變量變換（1stD+SNV）、一階導數+多元散射校正（1stD+MSC）等光譜預處理方法進行預處理，選出最優波段和最佳預處理方法，利用偏最小二乘（partial least squares，PLS）法建立校正集樣品NIR和不同脂肪酸含量的數學模型[20]，所建模型用相關系數（R2）和RMSECV值來評價，模型的預測能力可通過驗證集樣品R2和相對預測均方根誤差（relative prediction mean square error，RMSEP）評價。

1 材料與方法

1.1 材料與試劑

芝麻油樣品8 個、大豆油樣品4 個、花生油樣品4 個、棉籽油樣品4個（純度均為99.9%），由河南省農業科學院農產品加工研究所提供。將大豆油、花生油、棉籽油分別按不同的配比摻入芝麻油中，3 種摻入油的含量范圍為5%～100%，復配間隔為5%，每個樣品油調配量為5 mL。3 種摻假芝麻油樣各為160 個樣品，分別以油樣配比比例順序按1、2、4、5、7、8……選擇作為校正集（共122個樣品）用于建立模型，其余樣品作為驗證集（共38 個樣品）用于檢驗。

脂肪酸甲酯11 組分混標 美國AOCS公司；氫氧化鈉（分析純）、甲醇、正己烷（均為色譜純）等均為國產試劑。

1.2 儀器與設備

VECTOR33傅里葉變換近紅外光譜儀 德國Bruker公司；7890A氣相色譜儀（附氫火焰離子化檢測器）、HP-5毛細管柱（30 m×0.320 mm，0.25 μm） 美國Aglient公司。

1.3 方法

1.3.1 脂肪酸GC分析

優化GC分析工作條件，用脂肪酸甲酯所對應的保留時間做定性分析，用標準曲線法對脂肪酸的含量作定量分析。樣品的甲酯化方法采用GB/T 17376—2008《動植物油脂：脂肪酸甲酯制備》。

1.3.2 油樣NIR建模

NIR數據采集：將調配好的油樣移至1 mm的石英比色皿中，使用OPUS 6.5光譜采集及分析軟件進行光譜采集，整個實驗室內溫度恒定在25 ℃。光譜掃描范圍為10 000～3 200 cm-1，儀器分辨率為4 cm-1，掃描次數為32次，每個樣品重新裝樣采集3 次，并求平均光譜作為最終光譜數據進行分析。

對NIR采集到的光譜數據，采用基于OPUS 6.5分析軟件中的標準正態變量變換（standard normal variate

2 結果與分析

2.1 脂肪酸GC分析

脂肪酸GC分析條件：進樣口溫度250 ℃；檢測器溫度260 ℃；升溫程序：100 ℃保持2 min，17 ℃/min升至200 ℃保持4.7 min，40 ℃/min升至240 ℃保持15 min；載氣為氮氣；流量3 mL/min；H2流量30 mL/min；空氣流量400 mL/min；進樣量1 μL；Chem Station工作站。

按照1.3.1節GC工作條件和分析方法進行測定，脂肪酸甲酯標品（100 mg）全部轉入100 mL容量瓶中，正己烷定容至刻度，得到脂肪酸甲酯含量為10 mg/mL的混合標準儲備液。分別取400、500、750、1 000、1 500、3 000 μL的儲備液置于5 mL的容量瓶，加正己烷定容，制成一系列質量濃度的標準溶液，以峰面積對質量濃度繪制標準曲線。由圖1可知，9 種脂肪酸實現了完全分離，各個脂肪酸的標準曲線R2均大于0.989。由于儀器所帶HP-5色譜柱是非極性的，硬脂酸和油酸沒有得到很好的分離，采用硬脂酸和油酸混合峰的標準方程和脂肪酸甲酯混標中所占的比例得到這2 種脂肪酸的含量。

圖1 脂肪酸甲酯混標氣相色譜圖Fig.1 GC profile of a mixture of 11 fatty acid methyl esters

2.2 NIR鑒別數學模型的建立

按照1.3.2節方法，在Vector 33型傅里葉變換光譜上掃描測試樣品，所得光譜圖見圖2。

圖2 摻假芝麻油樣的NIR圖Fig.2 Near infrared spectra of adulterated sesame oil samples

以GB/T 17377—2008《動植物油脂：脂肪酸甲酯的氣相色譜分析》測得的脂肪酸含量值為參比值，與光譜數據進行校正分析，從而得到摻假芝麻油的定量鑒別模型。

芝麻油中摻入大豆油、花生油、棉籽油的最優波段和最佳預處理方法見表1。分別對3 種摻假油樣中的各個脂肪酸建立分析模型，結果見表2～4。

表1 3 種摻假油最優波段和最佳預處理方法Table 1 Optimal waveband and pretreatment method for 3 kinds of adulterated vegetable oil

用分析軟件將前述校正集的122 個油樣的NIR數據進行校正分析，建立8 種變化較為明顯的脂肪酸的模型，而后用驗證集光譜數據對所建立的模型進行驗證（表2），從表2可以看出，相對于其他7 種脂肪酸，亞麻酸的R2是最高的，RMSECV最小，說明在5 914.6～5 644.6 cm-1和3 972.6～3 442.3 cm-1波段內亞麻酸對NIR有特異吸收。從圖3可以看出，驗證集樣品的真實值和近紅外的預測值存在較好的相關性，驗證集樣品R2和RMSEP分別為0.984和0.412。

表2 大豆油摻入芝麻油8 種脂肪酸校正集模型的評價指標Table 2 Evaluation model for the calibration set of eight fatty acids in samples of soybean oil adulterated with sesame oil

從表3可以看出，花生酸和木焦油酸的R2較高，驗證均方根誤差較小，證明在9 052.2～7 765.9 cm-1和6 219.3～5 621.5 cm-1波段下花生酸和木焦油酸的吸收率較高。預測模型的能力可以從圖4和圖5看出，預測值與化學值的相關性較好，驗證集樣品R2分別為0.949、0.956，RMSEP分別為0.208、0.194。

圖3 亞麻酸含量預測值與化學值的相關性Fig.3 Correlation between predicted values and chemical values for linolenic acid content

表3 花生油摻入芝麻油各個脂肪酸校正集模型的評價指標Table 3 Evaluation model for the calibration set of eight fatty acids in samples of peanut oil adulterated with sesame oil

圖4 花生酸含量預測值與化學值的相關性Fig.4 Correlation between predicted values and chemical values for arachidic acid content

圖5 木焦油酸含量預測值與化學值的相關性Fig.5 Correlation between predicted values and chemical values for tetracosanoic acid content

表4 棉籽油摻入芝麻油各個脂肪酸校正集模型的評價指標Table 4 Evaluation model for the calibration set of seven fatty acids in samples of cottonseed oil adulterated with sesame oil

從表4可以看出，在6 976.3～5 501.9 cm-1和3 868.5～3 453.9 cm-1波段下肉豆蔻酸的R2最高，校正標準差最小，表明在此波段下肉豆蔻酸對NIR具有較高的吸收。從圖6可以看出，肉豆蔻酸的預測值與氣相色譜測得的化學值之間的相關性較高，其驗證集樣品R2和RMSEP分別為0.988、0.121。

圖6 肉豆蔻酸含量預測值與化學值的相關性Fig.6 Correlation between predicted values and chemical values for myristic acid content

2.3 預測模型對未知樣品的分析

為驗證所建模型預測結果的正確性，另外每一種摻假油重新隨機調配9 個油樣，用GC法和所建模型分別測出其脂肪酸含量，見表5。亞麻酸、花生酸、木焦油酸、肉豆蔻酸的最小相對誤差分別為0.02%、0.94%、1.10%、2.43%，表明所建模型對未知樣品的預測精度已達到應用要求，也說明所建立測定4種脂肪酸含量的NIR模型方法可行。

表5 樣品中4 種脂肪酸真實值與模型預測值Table 5 Chemical values and predicted value from PLS model for four fatty acids in samples mg/mL

3 結 論

采用NIR技術對摻入大豆油、花生油、棉籽油的芝麻油樣品中主要變化的脂肪酸圖譜結合GC法測得的脂肪酸含量進行建模，通過驗證集樣品R2、RMSECV和校正集的R2、RMSEP確定每一種摻假油樣中對近紅外有特異吸收的脂肪酸，以此判別摻假油的種類。

1）研究表明，摻假芝麻油油樣的亞麻酸（C18∶3）、花生四烯酸（C20∶0）、木焦油酸（C24∶0）和肉豆蔻酸（C14∶0）對近紅外有特異吸收。2）分別建立4 種脂肪酸含量的近紅外定量分析模型，通過對模型進行優化，校正集樣品的化學值與近紅外的預測值的R2分別為R2（C18∶3）=0.989、R2（C20∶0）=0.995，R2（C24∶0）=0.993、R2（C14∶0）=0.996。驗證集樣品的化學值與近紅外的預測值的R2分別為0.984、0.949、0.956、0.988。3）利用所建模型進行隨機摻假混合油樣檢驗，4 種脂肪酸含量的預測平均相對誤差依次為6.0%、5.6%、4.4%、4.8%。

NIR法的檢測結果是否準確依賴于定標樣本基礎數據的精準性和數學模型的精確性，因此對本實驗所建立的模型后續應采集更廣泛的樣本，及時添加校正模型，以保證模型的穩定性和可靠性。

[1] 劉燕德, 萬常斕. 芝麻油摻偽的近紅外透射光譜檢測技術[J]. 農業機械學報, 2012, 43(7): 137-140.

[2] 袁洪福, 張嫻, 郭崢, 等. 近紅外快速分析食用調合油[C]//科學儀器服務民生學術大會論文集. 北京: 中國學術期刊電子出版社, 2011: 78-81.

[3] 范璐, 王美美, 楊紅衛, 等. 傅里葉變換紅外吸收光譜識別五種植物油的研究[J]. 分析化學研究簡報, 2007, 35(3): 390-392.

[4] 梁丹, 李小昱, 李培武, 等. 近紅外光譜法對食用植物油品種的快速鑒別[J]. 湖北農業科學, 2011, 50(16): 3383-3385.

[5] 劉福莉, 陳華才. 近紅外透射光譜法檢測三組分食用調和油含量的研究[J]. 光譜學與光譜分析, 2009, 29(8): 2099-2102.

[6] 吳靜珠, 劉翠玲, 李慧, 等. 基于近紅外光譜的純花生油摻偽快速鑒別方法研究[J]. 北京工商大學學報: 自然科學版, 2011, 29(1): 75-78. [7] 莊小麗, 相玉紅, 強洪, 等. 近紅外光譜和化學計量學方法用于橄欖油品質分析與摻雜量檢測[J]. 光譜學與光譜分析, 2010, 30(4): 933-936. [8] 馮利輝, 劉波平, 張國文, 等. 芝麻油中摻入菜籽油的近紅外光譜研究[J]. 食品科學, 2009, 30(18): 296-299.

[9] 梁丹. 應用近紅外光譜分析判別芝麻油摻偽的研究[J]. 食品工程, 2011(2): 40-43.

[10] 劉建學, 劉珊珊. 芝麻油真偽快速檢測方法研究[J]. 中國糧油學報, 2012, 27(12): 116-121.

[11] 翁欣欣, 陸峰, 王傳現, 等. 近紅外光譜-BP神經網絡-PLS法用于橄欖油摻雜分析[J]. 光譜學與光譜分析, 2009, 29(12): 3283-3287.

[12] YUAN Jiaojiao, WANG Chengzhang, CHEN Hongxia, et al. Prediction of fatty acid composition in Camellia oleifera oil by near infrared transmittance spectroscopy (NITS)[J]. Food Chemistry, 2013, 138(2/3): 1657-1662.

[13] 吳靜珠, 劉翠玲, 李慧, 等. 近紅外光譜技術在食用油種類鑒別及脂肪酸含量檢測中的應用[J]. 北京工商大學學報: 自然科學版, 2010, 28(5): 56-59.

[14] 宋濤, 張風枰, 劉耀敏, 等. 透反射近紅外光譜法快速測定大豆油中的脂肪酸[J]. 光譜學與光譜分析, 2012, 32(8): 2100-2104.

[15] CASALE M, OLIVERI P, CASOLINO C, et al. Characterisation of PDO olive oil Chianti Classico by non-selective (UV-visible, NIR and MIR spectroscopy) and selective (fatty acid composition) analytical techniques[J]. Analytica Chimica Acta, 2012, 712(19): 56-63.

[16] 代秀迎, 陳斌, 劉飛, 等. FTIR-ATR光譜法測定植物油多種脂肪酸的含量[J]. 江蘇農業科學, 2010, 21(4): 283-285.

[17] 張菊華, 朱向榮, 尚雪波, 等. 近紅外光譜法結合化學計量學測定油茶籽油中脂肪酸組成[J]. 食品科學, 2011, 32(18): 205-208.

[18] 于燕波, 臧鵬, 付元華, 等. 近紅外光譜法快速測定植物油中脂肪酸含量[J]. 光譜學與光譜分析, 2008, 28(7): 1554-1558.

[19] 張輝, 吳迪, 李想, 等. 近紅外光譜快速檢測食用油中必須脂肪酸[J].農業工程學報, 2012, 28(7): 266-270.

[20] 陳斌, 趙龍蓮, 李軍會, 等. 近紅外光譜法快速分析葛根中的有效成分[J]. 光譜學與光譜分析, 2002, 22(6): 976-979.

Establishment of a Model for Rapid Identification of Adulterated Sesame Oil Based on Characteristic Fatty Acids

TIAN Shuo, LIU Jian-xue*, HAN Si-hai, LUO Deng-lin, LI Pei-yan, XU Bao-cheng
(College of Food and Bioengineering, Henan University of Science and Technology, Luoyang 471023, China)

Fatty acids are the major nutrients in vegetable oils in different amounts depending on the type of oil. A predictive method based on near infrared spectroscopy (NIR) was proposed to determine the contents of four fatty acids in adulterated sesame oil samples. The chemical values were analyzed by GC. The calibration set consisted of 122 samples and the number of samples in the validation set was 38. The results showed that linolenic acid (C18:3), arachidonic acid (C20:0), tetracosanoic acid (C24:0) and myristic acid (C14:0) were the characteristic NIR absorption peaks of the adulterated oils. The optimum conditions for mathematical modeling of the four components were studied with respect to sample set selection, chemical value analysis, detection methods and detection conditions. The correlation coefficients (R2) between the NIR-predicted data and the chemically measured data for the samples of the calibration set were R2(C14:0) = 0.996, R2(C18:3) = 0.989, R2(C20:0) = 0.995, and R2(C24:0) = 0.993, respectively, and 0.984, 0.949, 0.956, and 0.988 for the validation set samples, respectively. For the validation set, 9 unknown samples were selected to be analyzed by NIR. Our results demonstrated that the error between the predicted values and the chemical values was less than 6.0%.

near infrared spectroscopy; fatty acid; adulterated sesame oil; identification

TS225.1

A

1002-6630（2014）22-0207-04

10.7506/spkx1002-6630-201422040

2014-03-04

河南科技大學重大前期預研項目（2010CZ0004）

田碩（1987—），女，碩士研究生，研究方向為農產品加工及貯藏工程。E-mail：tianshuohyw@163.com

*通信作者：劉建學（1964—），男，教授，博士，研究方向為食品品質快速檢測與安全控制技術。E-mail：jx_liu@163.com