氣相離子遷移譜對山茶油摻假的檢測

陳 通，陳鑫郁，谷 航，陸道禮，陳 斌*

（江蘇大學食品與生物工程學院，江蘇 鎮江 212013）

山茶油又稱茶籽油、茶樹油、茶油等，因其含有豐富的不飽和脂肪酸，且比例均勻，被譽為能與橄欖油相媲美的一款中國品種食用油。山茶油具有改善血液循環、調整心血管、調節免疫功能、預防肥胖、護肝、防輻射、抗衰老等功效[1-2]。近年來，隨著消費者生活水平的提高與安全健康意識的增強，山茶油越來越受到消費者的青睞。然而，由于山茶油價格普遍高于其他食用植物油，利潤空間大，部分廠商受利益驅使，人為向其中添加其他低價植物油（如大豆油、花生油以及葵花籽油等）以冒充山茶油，嚴重危害消費者的健康與利益。因此，需要對山茶油的品質進行快速檢測分析。目前，植物油品質的檢測方法主要有傳統檢測法[3-4]（感官評定、理化指標評定）、光譜法（近紅外光譜、拉曼光譜、熒光光譜等）[5-7]、色譜法[8]、質譜法以及電子鼻技術等[9-11]，但傳統檢測方法存在耗時長、重復性差、僅能對植物油是否摻假進行判斷、難以滿足在線檢測等不足，光譜法則與常規指標的相關系數不高或效果不明顯，色譜法與質譜法也存在預處理提取繁瑣、檢測時間長、需要進行標樣處理、操作復雜且需要操作人員具有較高的專業技能等缺點，而電子鼻技術仍然存在對工作溫度敏感以及傳感器重復性不理想等問題。因此，任何一種檢測方法都具有一定的局限性，多種類檢測器的聯用以及多種分析方法的聯合使用具有單種方式不可比擬的優越性[12]。

離子遷移譜（ion mobility spectrometry，IMS）技術于20世紀60年代末發展起來，起初用于毒品、炸藥以及化學毒劑的快速檢測[13]。IMS進行測量時，待測樣品經離子源氣化后變成氣體分子，進而進行化學電離并帶上一定數量的電荷，在電場的作用下使之移動形成隨時間變化的離子圖譜。IMS具有檢測速度快、靈敏度高等優點，然而對于復雜樣品，尤其是食品、農產品領域的復雜體系，其分析特點往往受到限制[14]。而與氣相色譜（gas chromatography，GC）技術的結合使得IMS克服了分離效率差的局限性，充分發揮了不同儀器各自的優點，產生長處相互疊加的優勢[15]。一方面，離子遷移譜通過漂移時間信息使色譜分離后得到的化學信息更加豐富；另一方面，離子遷移譜信號響應經過GC預分離后得到質和量上的顯著改善。氣相離子遷移譜（gas chromatography-ion mobility spectrometry，GC-IMS）獲得的三維矩陣（遷移時間、保留時間和離子強度）提供了更加豐富的化學信息，適用于更高級的數據處理。近年來，國內外相關文獻表明，GC-IMS技術結合化學計量學方法逐漸應用于食品檢測領域[16-19]。

主成分分析（principal component analysis，PCA）是化學計量學中常用的特征提取與數據降維方法[20]。多維主成分分析（multi-way principal component analysis，MPCA）是二維PCA方法用于多維矩陣數據的擴展。偏最小二乘（partial least squares，PLS）法提供了一種多因變量與自變量之間的回歸方法，可以有效地解決變量之間的多重相關性問題，具有預測未知樣品的能力[21]。

本研究利用GC-IMS聯用分析儀，以純山茶油為主體油，摻入不同比例水平的葵花籽油、大豆油和花生油為研究對象，結合化學計量學方法分析實際山茶油中的摻假量，對山茶油品質進行評價，為GC-IMS技術在油脂品質控制及評價中提供分析方法。

1 材料與方法

1.1 材料

3 種山茶油樣品分別來自浙江寧波、江西贛州以及廣西龍勝（前2 個樣品由當地出入境檢驗檢疫局局提供，后1 個樣品為超市購買），品種分別屬于野茶油、小果茶油以及鄒果茶油。葵花籽油、大豆油、花生油樣本各4 個（購于麥德龍連鎖超市），且同一類摻雜油樣均為不同廠家生產。在實驗前，各種植物油均密封保存于-5 ℃冰箱中。

1.2 儀器與設備

FlavourSpec 1H1-00053型氣相色譜離子遷移譜德國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 Chromatographie Service GmbH公司；77-1型磁力攪拌器 天津賽得利斯儀器儀表有限公司。

1.3 方法

1.3.1 摻假樣品制備

將獲得的純品山茶油分別與購買的葵花籽油、大豆油以及花生油按100∶0、95∶5、90∶10、80∶20、70∶30、60∶40、50∶50體積配比混合，獲得混合比例分別為0%、5%、10%、20%、30%、40%、50%的摻假樣，共225 個樣本。每個待測的樣品量為10 mL，密封保存于50 mL塑料瓶內，測量前使用磁力攪拌器混合均勻30 s后量取2 mL待測樣密封于標準樣品瓶中，靜置10 min后直接進行測量。

1.3.2 GC-IMS測定條件

1.3.2.1 頂空進樣條件

頂空孵化溫度：90 ℃；孵化時間：5 min；加熱方式：振蕩加熱；頂空進樣針溫度：75 ℃；進樣量：100 μL，不分流模式；載氣：高純氮氣（純度≥99.999%，推動和清洗進樣針）；清洗時間：0.5 min。

1.3.2.2 GC條件

色譜柱溫度：40 ℃；運行時間：10 min；載氣：高純氮氣（純度≥99.999%）； 流速：初始5.0 mL/min，保持10 min后在5 min內線性增至150 mL/min。

1.3.2.3 IMS條件

漂移管長度：20 cm；管內線性電壓：400 V/cm；漂移管溫度：40 ℃；漂移氣（高純N2，純度≥99.999%）；流速：150 mL/min；IMS探測器溫度：45 ℃。

1.3.3 MPCA法

將獲得數據整理合并成三維矩陣X（I×J×K），其中I為樣品數，J和K分別為遷移時間變量和保留時間變量。MPCA算法首先將三維矩陣X沿著樣品軸方向進行切分（圖1），構成一個新的矩陣X（I×JK），然后與二維PCA方法類似，將得到的新矩陣X分解為得分向量tr在和載荷向量pr的乘積[22-23]，并加上殘差矩陣E，其計算公式為：

圖 1 MPCA計算方法Fig. 1 MPCA computation procedure

1.4 數據處理

采用MPCA降維方法和PLS回歸方法對GC-IMS二維譜圖進行分析處理，數據處理所用軟件為MATLAB R2009b（The Mathworks Inc.）和PRTools 5.0工具包（Delft University of Technology Netherlands），二維可視化軟件為LAV 2.0（G.A.S. Inc.）。

2 結果與分析

2.1 摻假油樣二維譜圖分析

圖 2 山茶油（a）、摻入30%葵花籽油（b）、摻入30%大豆油（c）和摻入30%花生油（d）偽彩色對比圖Fig. 2 Spectral comparison of pure camellia oil (a), 30% sunflower oil adulteration (b), 30% soybean oil adulteration (c) and 30% peanut oil adulteration (d)

由于單個樣品的原始GC-IMS譜圖對應的矩陣數據量較大（4 500×2 308），因此，在保留大部分信息的前提下，為初步降低數據計算量，截取遷移時間為7.666～15.086 ms和保留時間為35.49～385.71 s內的矩陣數據（889×1 114）作為新的矩陣。摻假油樣的GC-IMS譜圖如圖2所示，限于篇幅限制，圖中僅顯示山茶油純樣（圖2a）、摻入30%葵花籽油樣（圖2b）、摻入30%大豆油樣（圖2c）和摻入30%花生油樣（圖2d），其中山茶油純樣以偽彩色圖形式顯示，而摻假油樣以山茶油純樣作為參比，采用差譜偽彩色圖顯示[24-25]，以便觀察與參比樣品之間的差異，圖中紅色區域表示樣品成分相比于參比樣品較多，顏色越深表示成分濃度越高，而藍色區域則與之相反。由圖2可知，相比于山茶油樣，摻入葵花籽油、大豆油的摻假樣品有明顯新的揮發性有機物產生，且產生的紅色區域對應不同的保留時間和遷移時間，原有的山茶油中的揮發性物質濃度則受到不同程度的減弱，而摻入大豆油的摻假樣品僅在較短的保留時間內產生其特有的揮發性有機成分，且該類氣體分子物質聚集在一起未能實現較好的分離。因此，從GC-IMS二維譜上僅能從整體上實現對油樣是否摻入其他植物油進行初步大致判斷，對其具體的摻假量無法進行數字化表達，故需要借助化學計量學方法進行進一步分析。

2.2 摻偽油樣的PCA

將75 個摻假葵花籽油樣的氣相離子遷移譜矩陣（75×889×1 114）進行MPCA處理，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 個主成分得分矩陣進行可視化分析，結果如圖3a所示。摻入大豆油樣和摻入花生油樣的處理方法與上述方法相同，故在此不再敘述，其結果如圖3b、c所示。圖中坐標軸標題PC1和PC2后標注了經過MPCA轉換后PC1和PC2的各自貢獻率。主成分貢獻率越大，表明該主成分能夠更好地反映原來多指標的信息，一般情況下，累計貢獻率不小于75%即可滿足應用需求[26]。

圖 3 葵花籽油（a）、大豆油（b）、花生油（c）摻入山茶油的PC1和PC2得分圖Fig. 3 PC1 versus PC2 score plots for camellia oil adulterated with sunflower oil (a), soybean oil (b) and peanut oil (c)

由圖3a可知，PC1和PC2累計貢獻率達到97.83%，其中PC1的信息貢獻率為79.15%，對摻入不同量葵花籽油的山茶油樣品進行了很好的區分。隨著摻入葵花籽油比例的增加，樣品的分布在前2 個主成分之間從右向左移動，每組摻入比例都有其歸屬區域，其中摻入比例在30%～40%之間有輕微的區域重疊。圖3b中，PC1和PC2共保留了91.42%的原始數據信息，不同大豆油摻入比例之間得到了很好的區分，表明摻入不同比例大豆油的山茶油樣品之間存在顯著差異，但山茶油純樣品與摻入20%大豆油的山茶油樣品存在歸屬區域重疊現象；摻入比例在5%～10%之間存在邊界重合的現象；另外除山茶油純樣品組外，樣品分布在前2 個主成分之間也存在從右向左的變化趨勢。圖3c中，PC1和PC2的各自貢獻率分別為67.53%和29.08%，由圖3c可知，山茶油樣品與摻假樣品分別位于坐標軸的兩個對角，表明兩者得到了明顯的區分，且摻假樣品與純山茶油樣品呈現相互遠離的趨勢，表明山茶油樣品與摻入花生油樣品具有顯著品質差異，結合圖2d可推斷，導致該原因可能是摻入的花生油產生的揮發性氣味成分能夠明顯地掩蓋原有山茶油的氣味[27-28]。另一方面，摻入不同比例花生油的山茶油樣之間也能夠得到區分，但摻入20%花生油的山茶油樣品歸屬區域跨度范圍呈狹長的趨勢，且與30%、40%摻入比例樣品的歸屬邊界存在一定的重合，導致該現象的原因可能是購買花生油樣品之間存在一定差異[29]，可以推測GC-IMS技術可應用于食用植物油的產地信息識別。由此可見，GC-IMS結合MPCA方法可以有效辨識山茶油和不同摻假形式的摻假山茶油樣品，且還可以進一步表征摻假物質的添加量對山茶油品質特征變化的影響趨勢。

2.3 摻偽油樣的PLS分析

表 1 摻假山茶油的預測摻假水平的模型參數Table 1 Evaluation of prediction models for adulterated camellia oil samples

對上述配制的3 種常見形式的摻假山茶油樣進行PLS分析，對MPCA處理后的前4 個主成分（前4 個主成分的累計貢獻率均不小于99%）與實際摻假量進行回歸分析并建立預測模型。將已配制的3 種常見形式的摻假山茶油樣品分別依據K-S（Kennard-Stone）算法劃分為校正集和預測集，其中校正集占70%（52 個樣品），剩余的30%（23 個樣品）作為預測集，分別建立對應摻假形式的定量檢測模型。建模過程中，通常使用校正集均方根誤差（root mean squared error calibration，RMSEC）、預測集均方根誤差（root mean squared error prediction，RMSEP）、校正集相關系數（Rc）以及預測集相關系數（Rp）對模型的性能進行綜合評價。RMSEC和RMSEP值越小，Rc和Rp值越接近1，表明所建立的模型越準確、穩健[30]。從表1可以看出，3 個不同種摻假油對應的判別模型RMSEC均較低，分別為1.93%、1.40%和2.98%；RMSEP也較低，分別為1.87%、1.45%和3.35%；葵花籽油摻入山茶油樣品中RMSEP小于RMSEC，存在過擬合的現象，可能的原因是樣本劃分不均或者選取的主成分個數相對較多；相關系數中除花生油摻假山茶油樣品中的預測相關系數較低外，其他摻雜油樣的相關系數均達到了0.95以上，且校正相關系數與預測相關系數接近。因此，3 種PLS模型均可用來準確預測相對應摻假山茶油的摻假率。

3 結 論本研究以山茶油及幾種常見食用植物油（葵花籽油、大豆油和花生油）摻入山茶油的摻假樣品為研究對象，應用GC-IMS技術結合化學計量學方法建立了一種食用油品質檢測的方法。結果表明，MPCA方法可以有效提取并壓縮三維矩陣中的特征信息，區分和辨識純山茶油和摻假山茶油的品質特性，并且能夠表征摻假量對山茶油整體品質信息的影響趨勢；GC-IMS技術結合PLS回歸分析方法能夠實現對油品摻假率的定量檢測。該研究方法為解決聯用儀器產生的高維數據分析處理提供了一種解決方法，同時也為現代油品企業、政府機構及相關檢測部門對食用油的品質評價和監控提供了一種新的研究思路和解決方案。