傅里葉變換紅外光譜結合化學計量學用于山茶油中摻雜大豆油的鑒別

韓建勛，孫瑞雪，陳穎，孫崇德，溫志剛

1(浙江大學 農(nóng)業(yè)與生物技術學院，浙江 杭州，310058) 2(中國檢驗檢疫科學研究院農(nóng)產(chǎn)品安全研究中心，北京，100176) 3(中國農(nóng)業(yè)大學 食品與營養(yǎng)工程學院，北京，100083) 4(贛州市產(chǎn)品質(zhì)量監(jiān)督檢驗所，江西 贛州，341000)

山茶油是由油茶樹(CamelliaOleiferaAbel)的成熟種子經(jīng)壓榨或浸提而得，富含油酸、亞油酸、亞麻酸等不飽和脂肪酸，含量高達90%，營養(yǎng)價值高。

山茶油的價格一般是普通食用油的3倍以上，部分不法廠商為獲取高利潤，往往在山茶油中摻雜大豆油、玉米油等廉價植物油以降低成本。為實現(xiàn)山茶油的真?zhèn)舞b別，許多科研工作者采用氣相色譜[1]、質(zhì)譜[2-3]、核磁共振[4]、電子鼻[5]以及光譜[6-7]等技術廣泛開展了山茶油摻假檢測的研究。其中，色譜、質(zhì)譜等技術可對食用油組分進行定性定量分析，但前處理相對繁瑣，檢測時間長，且需要大量化學試劑；核磁共振技術快速、高效，但儀器設備價格昂貴，且數(shù)據(jù)分析具有難度，不適于在基層實驗室的日常檢測；電子鼻技術操作簡便快捷，但儀器自身產(chǎn)生的漂移問題會降低方法的準確性和靈敏性。紅外光譜技術操作簡單、無需或較少前處理、對樣品破壞程度低，日益受國內(nèi)外學者的青睞。在山茶油及其摻假油種類識別、山茶油加工工藝判別等定性定量檢測方面，目前研究最多的是近紅外光譜法[8-11]。傅里葉變換紅外充譜(Fourier transform inforared spectroscopy，F(xiàn)TIR)是基于對干涉后的紅外光作傅里葉變換而得到的光譜，在分辨率、信噪比、靈敏度、結果重現(xiàn)性及準確性等方面更具優(yōu)勢。近年來，F(xiàn)TIR光譜技術在橄欖油[12]、大麻籽油[13]、胡桃油[14]、亞麻籽油[15]及其摻假油的定量檢測以及反式脂肪酸、羰基值、酸價測定等方面多有報道，但在山茶油真?zhèn)舞b別中研究相對較少，國內(nèi)研究人員朱啟思等[16]研究了FTIR光譜快速鑒別山茶油的方法。本文將采用FTIR光譜技術結合化學計量學建立山茶油中摻雜大豆油的定性定量方法，為山茶油真?zhèn)蔚目焖僮R別提供技術參考。

1 材料與方法

1.1 材料與儀器

1.1.1 材料

山茶油樣品19份(編號為1#～19#)，產(chǎn)地分別為江西省(4份)，湖北省、湖南省、浙江省、廣東省、廣西省、福建省、云南省各2份，安徽省1份，其中壓榨原油樣品13份，壓榨精煉油6份，上述山茶油樣品均由贛州市產(chǎn)品質(zhì)量監(jiān)督檢驗所提供(詳見表1)。大豆油、玉米油以及菜籽油，各8份，編號分別為1#～8#，購自北京大型超市。

隨機挑選大豆油(編號：1#)，按0%、1%、3%、5%、10%、15%、20%、25%、30%、35%、40%、45%、50%、100%(質(zhì)量分數(shù))的比例，分別摻入到產(chǎn)地為江西贛州興國縣(編號：1#)、廣東河源(編號：11#)以及云南文山(編號：16#)的3份山茶油樣品中，用于定量模型的構建；此外，將該大豆油按2%、4%、6%、10%、12%、15%、17%、20%、23%、25%、27%、30%、32%、35%、38%、42%、48%、55%、60%、70%、80%以及90%(質(zhì)量分數(shù))的隨機比例摻入到產(chǎn)地為浙江常山的山茶油樣品(編號：13#)中，作為摻雜未知樣品用于定量模型可靠性的驗證。

表1 不同山茶油樣品信息Table 1 the information of different camellia oil samples

1.1.2 儀器

PerkinElmer FrontierTM傅里葉變換紅外光譜儀，中紅外(DTGS)檢測器，衰減全反射(attenuated total reflection，ATR)檢測附件，Spectrum軟件。

1.2 方法

1.2.1 FTIR光譜采集

直接吸取食用油樣品約20 μL置于FTIR的ATR附件表面(ZnSe晶體)，掃描獲得FTIR譜圖，每個樣品做2個平行，每個平行掃描3次，掃描范圍4 000～650cm-1，掃描信號累加16次，分辨率4 cm-1。

1.2.2 數(shù)據(jù)處理

采用Origin2018軟件和Matlab2018a軟件對食用油光譜數(shù)據(jù)進行主成分分析(principal component analysis，PCA)及偏最小二乘回歸(partial least square regression，PLSR)定量模型構建等。采用交互驗證方法對光譜數(shù)據(jù)和實際摻雜量進行建模質(zhì)量評判，并用不同比例摻雜油樣品對模型的可靠性進行驗證。

2 結果與分析

2.1 光譜分析

對19份山茶油、8份大豆油、8份菜籽油以及8份玉米油等43份食用油(表1)進行了FTIR光譜測定，分別選取山茶油1#、大豆油1#、菜籽油1#以及玉

米油1#作為代表性食用油，其光譜圖結果(圖1)顯示，4種食用油的紅外光譜曲線相似，均在3 006、2 923、2 853、1 744、1 464、1 377、1 240、1 160、1 122、1 096以及722 cm-1處有特征吸收峰，其吸收強度存在微小差異，且在1 464～722 cm-1范圍內(nèi)，光譜峰峰形也有微弱不同，如在云南、湖南、湖北、廣西、江西、福建、安徽、浙江及廣東等我國9個主要產(chǎn)地山茶油中，1 122 cm-1處特征峰峰高均高于1 096 cm-1特征峰峰高，而在其他3種食用油中，1 122 cm-1處特征峰峰高均低于1 096 cm-1特征峰，因此，利用1 122與1 096 cm-1處2個特征峰峰高差異可定性區(qū)分純山茶油與其他3種食用油。

a-山茶油1#；b-大豆油1#；c-菜籽油1#；d-玉米油1#圖1 代表性山茶油、大豆油、菜籽油以及玉米油的FTIR光譜圖Fig.1 FTIR spectra of representative camellia oil, soya beam oil, rapeseed oil and corn oil

a-云南；b-湖南；c-湖北；d-廣西；e-江西；f-福建；g-安徽；h-浙江；i-廣東圖2 不同產(chǎn)地山茶油的FTIR光譜圖Fig.2 FTIR spectra of camellia oils from different geographical origins

將大豆油(編號：1#)按0%、1%、3%、5%、10%、15%、20%、25%、30%、35%、40%、45%、50%、100%(質(zhì)量分數(shù))的比例摻入到產(chǎn)地為江西贛州興國縣(編號：1#)的山茶油中。根據(jù)1 122與1 096 cm-1處兩個特征峰峰高差異發(fā)現(xiàn)，當山茶油中摻入等于或大于30%含量大豆油時，1 096 cm-1處特征峰峰高幾乎等于或高于1 122 cm-1處特征峰峰高，而當山茶油中摻入低于30%含量大豆油時，1 096 cm-1處特征峰峰高明顯低于1 122 cm-1處特征峰峰高(圖3)。結果表明，當山茶油中摻入含量為30%及以上(質(zhì)量分

數(shù))大豆油時，通過1 122與1 096 cm-1處2個特征峰峰高差異，可肉眼直接判定山茶油是否存在摻假。1 122與1 096 cm-1處兩個特征吸收峰是由脂肪酸的—C—O鍵的伸縮振動引起[17]。結合4種食用油的脂肪酸組成(表2)發(fā)現(xiàn)，不同油的脂肪酸種類差別較小，除大豆油不含芥酸外，其他脂肪酸組成相同，但脂肪酸含量差異較大，如山茶油中油酸含量明顯高于其他植物油，由此可能致使其特征吸收強度和指紋區(qū)域(如1 464～722 cm-1)吸收略有不同。基于山茶油與大豆油、菜籽油及玉米油的光譜差異，借助化學計量學，可進一步分析不同食用油的組分變量，進而實現(xiàn)山茶油與其他食用油的有效鑒別。

圖3 山茶油與大豆油不同摻雜比的FTIR光譜圖Fig.3 FTIR spectra of camellia oil adulterated with soya bean oil

表2 4種食用油的脂肪酸組成[18-19]Table 2 the fatty acid composition of four kinds of edible oils

2.2 主成分分析

研究中首先對19份山茶油、8份大豆油、8份菜籽油以及8份玉米油的光譜數(shù)據(jù)開展全光譜(4 000～650 cm-1)聚類分析，PCA結果表明，山茶油、大豆油、菜籽油以及玉米油4種食用油很難區(qū)分(結果未顯示)，在此基礎上，截取1 464～722 cm-1范圍內(nèi)的指紋光譜數(shù)據(jù)，以盡可能消除首位噪聲，避免因數(shù)據(jù)量大而造成冗余信息。4種食用油的特征光譜數(shù)據(jù)經(jīng)聚類分析，獲得第1、2主成分(principal component，PC)，其中PC1貢獻率97.28%，PC2貢獻率1.88%，2個主成分累計貢獻率達99.16%，能夠涵蓋99%以上的原始光譜信息。利用第1、2主成分得分作散點圖(圖4)，結果表明，第1、2主成分得分可將4種食用油明顯分為3個部分：山茶油、菜籽油與玉米油、大豆油，有明顯的聚類趨勢，雖然菜籽油與玉米油無法分開，但利用FTIR光譜技術可有效識別山茶油和其他3種食用油。同時發(fā)現(xiàn)，不同產(chǎn)地的山茶油樣品間離散度較大，這與艾芳芳的研究結果[20]相似，大豆油樣品間離散度較小。因此，在后續(xù)定量模型構建中，分別選擇了離散度較大的云南文山(編號：16#)、江西贛州興國縣(編號：1#)以及廣東河源(編號：11#)3個產(chǎn)地的山茶油樣品作為被摻假對象，隨機選取大豆油(編號：1#)作為摻假對象。

圖4 山茶油、大豆油、菜籽油以及玉米油的PCA結果Fig.4 the PCA results for camellia oils, soya beam oils,rapeseed oils and corn oils

2.3 PLSR定量模型構建

將產(chǎn)地為云南文山(編號：16#)、江西贛州興國縣(編號：1#)以及廣東河源(編號：11#)的3份山茶油樣品中，分別按0%、1%、3%、5%、10%、15%、20%、25%、30%、35%、40%、45%、50%以及100%(質(zhì)量分數(shù))的比例摻入大豆油(編號：1#)，共獲得126個光譜，其中84個用作校正集分析，其余42個用作驗證集分析。采用PLSR算法對1 464～722 cm-1范圍內(nèi)光譜數(shù)據(jù)進行建模。模型的好壞主要由交叉驗證均方根誤差(root mean square error of cross validation，RMSECV)、預測均方根誤差(root mean square error of prediction，RMSEP)以及決定系數(shù)(coefficient of determination，R2)等綜合評判。一般情況下，RMSECV和RMSEP數(shù)值越低，R2數(shù)值越大，模型越好[9,21]。由圖5和圖6可知，校正集的RMSECV值為0.032 0，驗證集的RMSEP值為0.029 7，校正集和驗證集的R2值均能達到0.99，說明本研究所構建的PLSR模型能夠滿足山茶油中摻雜大豆油的定量判別要求，最低檢測限可達1%。

圖5 山茶油與大豆油不同摻雜比校正集PLSR分析結果Fig.5 PLSR results of actual vs predicted soya bean oil content in camellia oil for calibration sets

圖6 山茶油與大豆油不同摻雜比驗證集PLS分析結果Fig 6 PLSR results of actual vs predicted soya bean oil content in camellia oil for validation sets

2.4 模型可靠性驗證

為檢驗山茶油中摻雜大豆油定量模型的可靠性，研究中將大豆油(編號：1#)摻入到產(chǎn)地為浙江常山的山茶油(編號：13#)中，摻雜比例為2%、4%、6%、10%、12%、15%、17%、20%、23%、25%、27%、30%、32%、35%、38%、42%、48%、55%、60%、70%、80%、90%以及100%(質(zhì)量分數(shù))，采用上述定量模型對不同摻雜比例的23份樣品進行了預測。由表3可知，所有樣品中預測比例與實際比例的絕對誤差在±10%范圍之內(nèi)，最大絕對誤差為-8.22%，對應的實際比例為60.00%，預測比例為68.22%；當實際比例低于10%時，相對誤差在±30%范圍之內(nèi)，實際比例等于或高于10%時，相對誤差在±15%范圍之內(nèi)。

表3 山茶油中摻雜大豆油預測模型可靠性驗證結果Table 3 the validation of predicted model reliabilityfor soya bean oil content in adulterated camellia oil

結果表明，本研究建立的PLSR模型可用于山茶油中摻雜大豆油的定量檢測，尤其是針對摻雜大豆油比例較高的山茶油，模型預測的結果更加準確。

3 討論與結論

近年來，圍繞食用油的種類摻假、壓榨與浸出工藝判別等，國內(nèi)外學者采用FTIR光譜技術結合PCA、層次聚類分析(hierarchical cluster analysis，HCA)、簇類獨立軟模式(soft independent modeling of class analogy，SIMCA)、判別因子分析(discrimination factor analysis，DFA)、PLSR等化學計量學算法開展了大量研究，取得了不錯的成果。有研究表明，由于食用油均為多種脂肪酸甘油三酯的混合物，因此不同種類的食用油有相似的FTIR光譜圖[22]。本研究通過比較山茶油與大豆油、玉米油和菜籽油的FTIR光譜圖發(fā)現(xiàn)，4種食用油的光譜圖峰形相近，但山茶油的1 122 cm-1處的峰高明顯高于1 096 cm-1處峰高，且不同產(chǎn)地山茶油兩個吸收峰的峰高差異基本一致，而大豆油、玉米油和菜籽油的兩個吸收峰峰高差異正好相反，因此，可將1 122 cm-1與1 096 cm-1處2個吸收峰作為山茶油的特征吸收峰。對于純食用油而言，通過對比2個特征吸收峰峰高，即可肉眼直觀判別是否是純山茶油，結果判定簡捷快速，且摻入大豆油含量在30%及以上(質(zhì)量分數(shù))的山茶油也可通過特征峰峰高差異進行判別。由于大豆油、玉米油和菜籽油的兩個特征峰高差異類似，因此，很難通過峰高差異將該3種食用油區(qū)分。PCA算法是一種常用的無監(jiān)督的多元統(tǒng)計學方法，主要是通過運用少量的特征對樣品進行描述，從而降低特征空間維數(shù)。目前有文獻已報道采用PCA算法即可實現(xiàn)冷榨葡萄籽油摻雜大豆油[23]、特級壓榨橄欖油摻雜葵花籽油[24]的鑒別。本研究通過對4種食用油1 464～722 cm-1范圍內(nèi)的原始光譜圖進行PCA分析發(fā)現(xiàn)，山茶油、菜籽油與玉米油、大豆油，有明顯的聚類趨勢，雖然菜籽油與玉米油無法分開，但可有效識別山茶油和其他3種食用油，后期將對光譜進行平滑、歸一化、求導等光譜預處理，以期實現(xiàn)山茶油與多種食用油的更高效區(qū)分?；赑LSR算法，本研究建立了山茶油中摻入大豆油的定量鑒別方法，最低檢測限達1%(質(zhì)量分數(shù))。前期有研究利用近紅外光譜技術結合PLSR算法建立了山茶油中摻雜大豆油的檢測方法，預測最低摻雜量≥2.5%(質(zhì)量分數(shù))[8]。也有研究采用中紅外光譜技術實現(xiàn)了山茶油中摻入大豆油的定量檢測，其方法靈敏度為5%(質(zhì)量分數(shù))[9]。對比而言，本方法檢測靈敏度更高。

綜上，本文建立的FTIR光譜分析技術簡單、快速、可靠，可定性鑒別山茶油與大豆油、菜籽油和玉米油，并能定量檢測山茶油中摻雜的大豆油，為市場篩查摻假山茶油的快速鑒別提供了技術方法。后續(xù)研究我們將擴大山茶油及其他食用油的代表性樣品數(shù)量，以進一步提高判別模型的穩(wěn)定性和準確性。