基于气相离子迁移谱对葵花籽油精炼程度的检测

陈 通，谷 航，陈明杰，陆道礼，陈 斌*

（江苏大学食品与生物工程学院，江苏 镇江 212013）

植物油中挥发性物质主要是一些醇、醛、酮类，不同品种植物油所含有的气味成分种类和含量不同，而同一品种经过不同的工艺过程其保留的挥发性成分也不完全相同[1-3]。不同工艺（如冷榨、压榨与化学浸提方法）生产的植物油具有一定的价格差异，尤其对不同精炼程度的植物油，差异更为明显，而科学区分不同精炼程度的植物油是质检技术人员与生产企业品控人员共同面临的新问题[4-6]。气味指纹分析技术不仅可以根据不同的风味物质获取对应的响应信号，而且这类信号可以结合化学计量学方法加以比较，进行判断识别，其获得的响应信息不是被测样品中某一种或某几种成分的定性或定量结果，而是样品中挥发性有机成分的整体信息[7-9]。

气相离子迁移谱（gas chromatography-ion mobility spectrometry，GC-IMS）是近年来出现的一种新的分离和检测技术[10-12]，其工作原理为复杂混合物经过GC分离后以单个组分的形式进入IMS的电离反应区，在反应区内通过化学电离反应，生成产物离子。产物离子在电场力作用下通过周期性开启的离子门进入漂移管内，在与逆流的中性漂移气体不断碰撞的过程中，不同的产物离子在电场中各自的迁移速率不同，使得产物离子得到进一步分离，依据到达检测器时间的先后顺序被检测记录[13]。GC-IMS技术融合了GC高效的分离性能和IMS响应速度快、高灵敏度的优势，特别适合于一些挥发性有机化合物的痕量检测，在食品安全、疾病检测以及环境保护等安全领域已经得到广泛的应用[14-16]，尤其是在食品风味分析的应用也受到广泛的关注[17-20]。

本实验利用GC-IMS技术分析植物油在不同精炼过程中的挥发性有机物质的差异信息，以期利用化学计量学方法建立同类植物油不同精炼等级的判别模型，为识别油脂的精炼程度提供一种新的检测方法。

1 材料与方法

1.1 材料

采集同一批次不同精炼等级的葵花籽油样（溶剂浸出法制取6号溶剂油），累计37 个样品，其中一级样品6 个，二级样品10 个，三级样品8 个，四级样品13 个，由丰益全球研发中心（上海）提供。所有样品均保存于-5 ℃冰箱中待测。

1.2 仪器与设备

FlavourSpec 1H1-00053型GC-IMS 德国G.A.S.公司；CTC-PAL自动进样装置 瑞士CTC Analytics AG公司；CLOT毛细管柱（30 m×0.25 mm，0.50 μm）德国CS GmbH公司。

1.3 方法

1.3.1 顶空进样条件

顶空孵化温度90 ℃；孵化时间10 min；进样体积200 μL；不分流模式；进样针温度95 ℃；载气为高纯N2（纯度≥99.999%）。

1.3.2 GC条件

色谱柱：SE-54非极性毛细管柱（30 m×0.25 mm，0.25 μm）；色谱柱温40 ℃；运行时间15 min；载气为高纯N2（纯度≥99.999%）；载气流速：起始5 mL/min，0～10 min线性上升至100 mL/min，10～15 min线性上升至150 mL/min。

1.3.3 IMS条件

Tritium离子源（6.5 keV）；正离子模式；漂移管长度20 cm；漂移气流速150 mL/min；漂移管温度45 ℃；平均次数12；电场强度350 V/cm；网格脉冲宽度100 μs；触发延迟时间100 ms；采样频率150 kHz；重复率21 ms。

量取2 mL待测油样于顶空进样瓶中，静置10 min后直接进行GC-IMS检测。

1.4 数据处理

采用GC-IMS Library Search V2.2.1分析软件（G.A.S.Inc.）对样品中的挥发性成分进行定性。采用MATLAB R2009b（The Mathworks Inc.）和PRTools 5.0工具包（Delft University of Technology Netherlands）对所测二维数据进行可视化分析处理。

2 结果与分析

2.1 GC-IMS谱图分析

图1 一级（a）、二级（b）、三级（c）和四级（d）精炼等级葵花籽油GC-IMS谱图Fig. 1 GC-IMS spectra of fi rst- (a), second- (b), third- (c), and fourthgrade (d) re fi ned sun flower oil

从不同精炼程度的葵花籽油样品各选取1 个样品，由于原始图谱对应的矩阵数量较大（4 615×4 500），为降低数据运算和可视化效果，在保留绝大部分信息的前提下，截取迁移时间为8.208 2～14.745 8 ms和保留时间为113.88～888.81 s内的矩阵数据作为新的矩阵（1 988×981），如图1所示。从图1d可知，四级精炼的葵花籽油所含有的挥发性成分最多且对应的浓度高，而一级精炼样品的挥发性成分最少（图1a），且峰强度相对较弱；随着葵花籽油精炼程度的提高，植物油中原有的挥发性成分的数量不断减少且浓度也呈减弱的趋势；另一方面，在不同精炼等级的油样之间，产生新的挥发性有机物质的同时也伴随着原有挥发性物质的消失（如图1b中红色虚线椭圆标记的区域）。

图2 22 个特征峰选取位置点Fig. 2 Locations of 22 feature peaks

为进一步直观观察不同精炼等级葵花籽油的挥发性有机成分的变化规律，按照差谱原则[21-23]，共选取22 个特征峰作为表征不同精炼等级样品之间的变化规律，选取的特征点如图2所示，对应特征峰组成的区域排列结果如图3所示，横轴为标记的特征点，纵轴为样品编号。由图3可知，对于一级葵花籽油样，仅有3 个特征成分（标记编号14、21、22），且随着等级的降低，标记编号21、22对应的离子峰强度逐渐降低；在二级精炼葵花籽油样中，标记编号1～9对应的特征成分为该等级葵花籽油样所独有；相比于其他等级油样，三级油样中部分挥发性成分物质浓度较低（标记编号4～6）；三级油样标记编号14的特征峰在一级、二级中均存在，且随着等级的提高呈先增强后减弱的趋势，标记编号9～13的特征峰在一级和二级精炼油中均不存在，而在四级油样存在标记编号10、12和13有显著的强度差异；四级葵花籽油除标记编号10、15、16、17存在特征峰以外，其他标记位置均没有挥发性有机物质产生。通过GCIMS Library Search软件对标记位置进行检索，部分特征峰对应的物质化学信息如表1所示。

图3 葵花籽油22 个特征峰总览图Fig. 3 Overview of 22 characteristic peaks of sunf l ower oil with different refining grades

表1 部分特征峰对应的化合物信息Table 1 Names of compounds corresponding to some characteristic peaks

2.2 PCA结果

将选取的22 个特征峰作为特征变量，组成37×22的矩阵进行主成分分析（principal component analysis，PCA）[24-26]，将得到的主成分数按累计贡献率的大小从高到低进行排序，取前2 个主成分的得分数进行可视化分析，结果如图4所示。前2 个主成分的累计贡献率高达98.88%，其中PC1的贡献率为78.53%，PC2的贡献率为20.35%，表明前2 个主成分能够表征原始数据的绝大部分有效信息；4 种等级的葵花籽油样品按等级的不同分布在不同的区域，且均有其归属区域，表明不同等级的葵花籽油得到很好区分。

图4 主成分得分图和载荷图Fig. 4 PCA score and loading plots

在绘制主成分得分图的同时对其载荷矩阵（图4中直线和对应标记号）进行可视化分析，载荷图用于研究特征之间的相关性和重要程度，其给出了特征在主成分上的投影。由图4可知，标记编号为9、13、14、15、17、18、19、20对应的特征成分比较重要，该标记点均离坐标原点较远；编号19与20两特征向量之间夹角较小，表明2 个特征高度相关，可单独用一个特征进行表示，其他特征变量的相关性以此类推；仅通过单独的几个特征变量即可实现对二级、三级、四级葵花籽油的快速区分（如特征编号9和14），但一级和二级精炼葵花籽油之间特征变量相对较少，且离坐标系原点较近，重要程度较低，不能较好地区分一级和二级精炼油。因此，需要进一步采用化学计量学方法建立模型进行判断识别。

2.3 有监督模式识别

图5 kNN（a）、QDA（b）和Fisher线性判别分析（c）3 种有监督分类模型的结果Fig. 5 Classification results with 3 supervisor pattern recognition models: kNN (a), QDA (b), and FLDA (c)

以前2 个主成分得分矩阵进行有监督判别分析，分别采用K最近邻[27-29]（k-nearest neighbour，kNN）、二次线性判别分析（quadratic discriminant analysis，QDA）[30]以及Fisher判别分析方法进一步研究区分预测4 类等级植物油的可能性，由于采集的样本数量较少，故未将样本划分为校正集和预测集，仅将全部样品用于建立模型以便观察不同等级葵花籽油的归属分布，验证研究方法的可行性。由图5可知，37 个样品集中，除Fisher线性判别分析中仅有1 个一级葵花籽油样被误判成二级以外，其他2 种判别方法识别率均为100%，产生误判的原因可能是：相比较于Fisher判别分析，当决策边界高度非线性时，kNN和QDA模型可获得更好的判别效果；依据差谱原则选取特征峰方法存在一定的局限性，而如何通过机器学习方法实现特征峰的有效选取也是进一步研究的方向。因此，模式识别方法结合GC-IMS构建的二维指纹图谱可以对不同等级的葵花籽油进行正确区分，其区分度可高达97.30%。

3 结 论

本实验采用GC-IMS法测定了4 种不同等级葵花籽油的挥发性有机成分的差异，构建了反映精炼程度的GC-IMS指纹图谱，对葵花籽油的等级进行了鉴别和分类。运用PCA和有监督（kNN、QDA、Fisher线性判别分析）模式识别方法对不同等级的葵花籽油样进行分类鉴别。结果表明，3 种模式识别方法均可以获得较好的分类效果，识别率可达97.30%以上。

GB/T 10464—2017《葵花籽油》依据葵花籽油质量指标划分为3 个等级，而制油企业内部品质控制过程中目前仍分为4 个等级，等级数的增加意味着在符合国家标准的基础上实行更高标准的品质划分。GC-IMS联用技术提供了一种新的鉴别不同等级植物油的分析方法，建立了植物油等级差异导致产生的挥发性物质的指纹谱库，结合化学计量学方法可以快速、准确地识别植物油的精炼程度，为植物油的质量控制提供了新的解决方法，具有一定的前景和应用价值。