基于氣相離子遷移譜對葵花籽油精煉程度的檢測

陳 通，谷 航，陳明杰，陸道禮，陳 斌*

（江蘇大學食品與生物工程學院，江蘇 鎮江 212013）

植物油中揮發性物質主要是一些醇、醛、酮類，不同品種植物油所含有的氣味成分種類和含量不同，而同一品種經過不同的工藝過程其保留的揮發性成分也不完全相同[1-3]。不同工藝（如冷榨、壓榨與化學浸提方法）生產的植物油具有一定的價格差異，尤其對不同精煉程度的植物油，差異更為明顯，而科學區分不同精煉程度的植物油是質檢技術人員與生產企業品控人員共同面臨的新問題[4-6]。氣味指紋分析技術不僅可以根據不同的風味物質獲取對應的響應信號，而且這類信號可以結合化學計量學方法加以比較，進行判斷識別，其獲得的響應信息不是被測樣品中某一種或某幾種成分的定性或定量結果，而是樣品中揮發性有機成分的整體信息[7-9]。

氣相離子遷移譜（gas chromatography-ion mobility spectrometry，GC-IMS）是近年來出現的一種新的分離和檢測技術[10-12]，其工作原理為復雜混合物經過GC分離后以單個組分的形式進入IMS的電離反應區，在反應區內通過化學電離反應，生成產物離子。產物離子在電場力作用下通過周期性開啟的離子門進入漂移管內，在與逆流的中性漂移氣體不斷碰撞的過程中，不同的產物離子在電場中各自的遷移速率不同，使得產物離子得到進一步分離，依據到達檢測器時間的先后順序被檢測記錄[13]。GC-IMS技術融合了GC高效的分離性能和IMS響應速度快、高靈敏度的優勢，特別適合于一些揮發性有機化合物的痕量檢測，在食品安全、疾病檢測以及環境保護等安全領域已經得到廣泛的應用[14-16]，尤其是在食品風味分析的應用也受到廣泛的關注[17-20]。

本實驗利用GC-IMS技術分析植物油在不同精煉過程中的揮發性有機物質的差異信息，以期利用化學計量學方法建立同類植物油不同精煉等級的判別模型，為識別油脂的精煉程度提供一種新的檢測方法。

1 材料與方法

1.1 材料

采集同一批次不同精煉等級的葵花籽油樣（溶劑浸出法制取6號溶劑油），累計37 個樣品，其中一級樣品6 個，二級樣品10 個，三級樣品8 個，四級樣品13 個，由豐益全球研發中心（上海）提供。所有樣品均保存于-5 ℃冰箱中待測。

1.2 儀器與設備

FlavourSpec 1H1-00053型GC-IMS 德國G.A.S.公司；CTC-PAL自動進樣裝置 瑞士CTC Analytics AG公司；CLOT毛細管柱（30 m×0.25 mm，0.50 μm）德國CS GmbH公司。

1.3 方法

1.3.1 頂空進樣條件

頂空孵化溫度90 ℃；孵化時間10 min；進樣體積200 μL；不分流模式；進樣針溫度95 ℃；載氣為高純N2（純度≥99.999%）。

1.3.2 GC條件

色譜柱：SE-54非極性毛細管柱（30 m×0.25 mm，0.25 μm）；色譜柱溫40 ℃；運行時間15 min；載氣為高純N2（純度≥99.999%）；載氣流速：起始5 mL/min，0～10 min線性上升至100 mL/min，10～15 min線性上升至150 mL/min。

1.3.3 IMS條件

Tritium離子源（6.5 keV）；正離子模式；漂移管長度20 cm；漂移氣流速150 mL/min；漂移管溫度45 ℃；平均次數12；電場強度350 V/cm；網格脈沖寬度100 μs；觸發延遲時間100 ms；采樣頻率150 kHz；重復率21 ms。

量取2 mL待測油樣于頂空進樣瓶中，靜置10 min后直接進行GC-IMS檢測。

1.4 數據處理

采用GC-IMS Library Search V2.2.1分析軟件（G.A.S.Inc.）對樣品中的揮發性成分進行定性。采用MATLAB R2009b（The Mathworks Inc.）和PRTools 5.0工具包（Delft University of Technology Netherlands）對所測二維數據進行可視化分析處理。

2 結果與分析

2.1 GC-IMS譜圖分析

圖1 一級（a）、二級（b）、三級（c）和四級（d）精煉等級葵花籽油GC-IMS譜圖Fig. 1 GC-IMS spectra of fi rst- (a), second- (b), third- (c), and fourthgrade (d) re fi ned sun flower oil

從不同精煉程度的葵花籽油樣品各選取1 個樣品，由于原始圖譜對應的矩陣數量較大（4 615×4 500），為降低數據運算和可視化效果，在保留絕大部分信息的前提下，截取遷移時間為8.208 2～14.745 8 ms和保留時間為113.88～888.81 s內的矩陣數據作為新的矩陣（1 988×981），如圖1所示。從圖1d可知，四級精煉的葵花籽油所含有的揮發性成分最多且對應的濃度高，而一級精煉樣品的揮發性成分最少（圖1a），且峰強度相對較弱；隨著葵花籽油精煉程度的提高，植物油中原有的揮發性成分的數量不斷減少且濃度也呈減弱的趨勢；另一方面，在不同精煉等級的油樣之間，產生新的揮發性有機物質的同時也伴隨著原有揮發性物質的消失（如圖1b中紅色虛線橢圓標記的區域）。

圖2 22 個特征峰選取位置點Fig. 2 Locations of 22 feature peaks

為進一步直觀觀察不同精煉等級葵花籽油的揮發性有機成分的變化規律，按照差譜原則[21-23]，共選取22 個特征峰作為表征不同精煉等級樣品之間的變化規律，選取的特征點如圖2所示，對應特征峰組成的區域排列結果如圖3所示，橫軸為標記的特征點，縱軸為樣品編號。由圖3可知，對于一級葵花籽油樣，僅有3 個特征成分（標記編號14、21、22），且隨著等級的降低，標記編號21、22對應的離子峰強度逐漸降低；在二級精煉葵花籽油樣中，標記編號1～9對應的特征成分為該等級葵花籽油樣所獨有；相比于其他等級油樣，三級油樣中部分揮發性成分物質濃度較低（標記編號4～6）；三級油樣標記編號14的特征峰在一級、二級中均存在，且隨著等級的提高呈先增強后減弱的趨勢，標記編號9～13的特征峰在一級和二級精煉油中均不存在，而在四級油樣存在標記編號10、12和13有顯著的強度差異；四級葵花籽油除標記編號10、15、16、17存在特征峰以外，其他標記位置均沒有揮發性有機物質產生。通過GCIMS Library Search軟件對標記位置進行檢索，部分特征峰對應的物質化學信息如表1所示。

圖3 葵花籽油22 個特征峰總覽圖Fig. 3 Overview of 22 characteristic peaks of sunf l ower oil with different refining grades

表1 部分特征峰對應的化合物信息Table 1 Names of compounds corresponding to some characteristic peaks

2.2 PCA結果

將選取的22 個特征峰作為特征變量，組成37×22的矩陣進行主成分分析（principal component analysis，PCA）[24-26]，將得到的主成分數按累計貢獻率的大小從高到低進行排序，取前2 個主成分的得分數進行可視化分析，結果如圖4所示。前2 個主成分的累計貢獻率高達98.88%，其中PC1的貢獻率為78.53%，PC2的貢獻率為20.35%，表明前2 個主成分能夠表征原始數據的絕大部分有效信息；4 種等級的葵花籽油樣品按等級的不同分布在不同的區域，且均有其歸屬區域，表明不同等級的葵花籽油得到很好區分。

圖4 主成分得分圖和載荷圖Fig. 4 PCA score and loading plots

在繪制主成分得分圖的同時對其載荷矩陣（圖4中直線和對應標記號）進行可視化分析，載荷圖用于研究特征之間的相關性和重要程度，其給出了特征在主成分上的投影。由圖4可知，標記編號為9、13、14、15、17、18、19、20對應的特征成分比較重要，該標記點均離坐標原點較遠；編號19與20兩特征向量之間夾角較小，表明2 個特征高度相關，可單獨用一個特征進行表示，其他特征變量的相關性以此類推；僅通過單獨的幾個特征變量即可實現對二級、三級、四級葵花籽油的快速區分（如特征編號9和14），但一級和二級精煉葵花籽油之間特征變量相對較少，且離坐標系原點較近，重要程度較低，不能較好地區分一級和二級精煉油。因此，需要進一步采用化學計量學方法建立模型進行判斷識別。

2.3 有監督模式識別

圖5 kNN（a）、QDA（b）和Fisher線性判別分析（c）3 種有監督分類模型的結果Fig. 5 Classification results with 3 supervisor pattern recognition models: kNN (a), QDA (b), and FLDA (c)

以前2 個主成分得分矩陣進行有監督判別分析，分別采用K最近鄰[27-29]（k-nearest neighbour，kNN）、二次線性判別分析（quadratic discriminant analysis，QDA）[30]以及Fisher判別分析方法進一步研究區分預測4 類等級植物油的可能性，由于采集的樣本數量較少，故未將樣本劃分為校正集和預測集，僅將全部樣品用于建立模型以便觀察不同等級葵花籽油的歸屬分布，驗證研究方法的可行性。由圖5可知，37 個樣品集中，除Fisher線性判別分析中僅有1 個一級葵花籽油樣被誤判成二級以外，其他2 種判別方法識別率均為100%，產生誤判的原因可能是：相比較于Fisher判別分析，當決策邊界高度非線性時，kNN和QDA模型可獲得更好的判別效果；依據差譜原則選取特征峰方法存在一定的局限性，而如何通過機器學習方法實現特征峰的有效選取也是進一步研究的方向。因此，模式識別方法結合GC-IMS構建的二維指紋圖譜可以對不同等級的葵花籽油進行正確區分，其區分度可高達97.30%。

3 結 論

本實驗采用GC-IMS法測定了4 種不同等級葵花籽油的揮發性有機成分的差異，構建了反映精煉程度的GC-IMS指紋圖譜，對葵花籽油的等級進行了鑒別和分類。運用PCA和有監督（kNN、QDA、Fisher線性判別分析）模式識別方法對不同等級的葵花籽油樣進行分類鑒別。結果表明，3 種模式識別方法均可以獲得較好的分類效果，識別率可達97.30%以上。

GB/T 10464—2017《葵花籽油》依據葵花籽油質量指標劃分為3 個等級，而制油企業內部品質控制過程中目前仍分為4 個等級，等級數的增加意味著在符合國家標準的基礎上實行更高標準的品質劃分。GC-IMS聯用技術提供了一種新的鑒別不同等級植物油的分析方法，建立了植物油等級差異導致產生的揮發性物質的指紋譜庫，結合化學計量學方法可以快速、準確地識別植物油的精煉程度，為植物油的質量控制提供了新的解決方法，具有一定的前景和應用價值。