气相离子迁移谱对山茶油掺假的检测

陈 通，陈鑫郁，谷 航，陆道礼，陈 斌*

（江苏大学食品与生物工程学院，江苏 镇江 212013）

山茶油又称茶籽油、茶树油、茶油等，因其含有丰富的不饱和脂肪酸，且比例均匀，被誉为能与橄榄油相媲美的一款中国品种食用油。山茶油具有改善血液循环、调整心血管、调节免疫功能、预防肥胖、护肝、防辐射、抗衰老等功效[1-2]。近年来，随着消费者生活水平的提高与安全健康意识的增强，山茶油越来越受到消费者的青睐。然而，由于山茶油价格普遍高于其他食用植物油，利润空间大，部分厂商受利益驱使，人为向其中添加其他低价植物油（如大豆油、花生油以及葵花籽油等）以冒充山茶油，严重危害消费者的健康与利益。因此，需要对山茶油的品质进行快速检测分析。目前，植物油品质的检测方法主要有传统检测法[3-4]（感官评定、理化指标评定）、光谱法（近红外光谱、拉曼光谱、荧光光谱等）[5-7]、色谱法[8]、质谱法以及电子鼻技术等[9-11]，但传统检测方法存在耗时长、重复性差、仅能对植物油是否掺假进行判断、难以满足在线检测等不足，光谱法则与常规指标的相关系数不高或效果不明显，色谱法与质谱法也存在预处理提取繁琐、检测时间长、需要进行标样处理、操作复杂且需要操作人员具有较高的专业技能等缺点，而电子鼻技术仍然存在对工作温度敏感以及传感器重复性不理想等问题。因此，任何一种检测方法都具有一定的局限性，多种类检测器的联用以及多种分析方法的联合使用具有单种方式不可比拟的优越性[12]。

离子迁移谱（ion mobility spectrometry，IMS）技术于20世纪60年代末发展起来，起初用于毒品、炸药以及化学毒剂的快速检测[13]。IMS进行测量时，待测样品经离子源气化后变成气体分子，进而进行化学电离并带上一定数量的电荷，在电场的作用下使之移动形成随时间变化的离子图谱。IMS具有检测速度快、灵敏度高等优点，然而对于复杂样品，尤其是食品、农产品领域的复杂体系，其分析特点往往受到限制[14]。而与气相色谱（gas chromatography，GC）技术的结合使得IMS克服了分离效率差的局限性，充分发挥了不同仪器各自的优点，产生长处相互叠加的优势[15]。一方面，离子迁移谱通过漂移时间信息使色谱分离后得到的化学信息更加丰富；另一方面，离子迁移谱信号响应经过GC预分离后得到质和量上的显著改善。气相离子迁移谱（gas chromatography-ion mobility spectrometry，GC-IMS）获得的三维矩阵（迁移时间、保留时间和离子强度）提供了更加丰富的化学信息，适用于更高级的数据处理。近年来，国内外相关文献表明，GC-IMS技术结合化学计量学方法逐渐应用于食品检测领域[16-19]。

主成分分析（principal component analysis，PCA）是化学计量学中常用的特征提取与数据降维方法[20]。多维主成分分析（multi-way principal component analysis，MPCA）是二维PCA方法用于多维矩阵数据的扩展。偏最小二乘（partial least squares，PLS）法提供了一种多因变量与自变量之间的回归方法，可以有效地解决变量之间的多重相关性问题，具有预测未知样品的能力[21]。

本研究利用GC-IMS联用分析仪，以纯山茶油为主体油，掺入不同比例水平的葵花籽油、大豆油和花生油为研究对象，结合化学计量学方法分析实际山茶油中的掺假量，对山茶油品质进行评价，为GC-IMS技术在油脂品质控制及评价中提供分析方法。

1 材料与方法

1.1 材料

3 种山茶油样品分别来自浙江宁波、江西赣州以及广西龙胜（前2 个样品由当地出入境检验检疫局局提供，后1 个样品为超市购买），品种分别属于野茶油、小果茶油以及邹果茶油。葵花籽油、大豆油、花生油样本各4 个（购于麦德龙连锁超市），且同一类掺杂油样均为不同厂家生产。在实验前，各种植物油均密封保存于-5 ℃冰箱中。

1.2 仪器与设备

FlavourSpec 1H1-00053型气相色谱离子迁移谱德国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 Chromatographie Service GmbH公司；77-1型磁力搅拌器 天津赛得利斯仪器仪表有限公司。

1.3 方法

1.3.1 掺假样品制备

将获得的纯品山茶油分别与购买的葵花籽油、大豆油以及花生油按100∶0、95∶5、90∶10、80∶20、70∶30、60∶40、50∶50体积配比混合，获得混合比例分别为0%、5%、10%、20%、30%、40%、50%的掺假样，共225 个样本。每个待测的样品量为10 mL，密封保存于50 mL塑料瓶内，测量前使用磁力搅拌器混合均匀30 s后量取2 mL待测样密封于标准样品瓶中，静置10 min后直接进行测量。

1.3.2 GC-IMS测定条件

1.3.2.1 顶空进样条件

顶空孵化温度：90 ℃；孵化时间：5 min；加热方式：振荡加热；顶空进样针温度：75 ℃；进样量：100 μL，不分流模式；载气：高纯氮气（纯度≥99.999%，推动和清洗进样针）；清洗时间：0.5 min。

1.3.2.2 GC条件

色谱柱温度：40 ℃；运行时间：10 min；载气：高纯氮气（纯度≥99.999%）； 流速：初始5.0 mL/min，保持10 min后在5 min内线性增至150 mL/min。

1.3.2.3 IMS条件

漂移管长度：20 cm；管内线性电压：400 V/cm；漂移管温度：40 ℃；漂移气（高纯N2，纯度≥99.999%）；流速：150 mL/min；IMS探测器温度：45 ℃。

1.3.3 MPCA法

将获得数据整理合并成三维矩阵X（I×J×K），其中I为样品数，J和K分别为迁移时间变量和保留时间变量。MPCA算法首先将三维矩阵X沿着样品轴方向进行切分（图1），构成一个新的矩阵X（I×JK），然后与二维PCA方法类似，将得到的新矩阵X分解为得分向量tr在和载荷向量pr的乘积[22-23]，并加上残差矩阵E，其计算公式为：

图 1 MPCA计算方法Fig. 1 MPCA computation procedure

1.4 数据处理

采用MPCA降维方法和PLS回归方法对GC-IMS二维谱图进行分析处理，数据处理所用软件为MATLAB R2009b（The Mathworks Inc.）和PRTools 5.0工具包（Delft University of Technology Netherlands），二维可视化软件为LAV 2.0（G.A.S. Inc.）。

2 结果与分析

2.1 掺假油样二维谱图分析

图 2 山茶油（a）、掺入30%葵花籽油（b）、掺入30%大豆油（c）和掺入30%花生油（d）伪彩色对比图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)

由于单个样品的原始GC-IMS谱图对应的矩阵数据量较大（4 500×2 308），因此，在保留大部分信息的前提下，为初步降低数据计算量，截取迁移时间为7.666～15.086 ms和保留时间为35.49～385.71 s内的矩阵数据（889×1 114）作为新的矩阵。掺假油样的GC-IMS谱图如图2所示，限于篇幅限制，图中仅显示山茶油纯样（图2a）、掺入30%葵花籽油样（图2b）、掺入30%大豆油样（图2c）和掺入30%花生油样（图2d），其中山茶油纯样以伪彩色图形式显示，而掺假油样以山茶油纯样作为参比，采用差谱伪彩色图显示[24-25]，以便观察与参比样品之间的差异，图中红色区域表示样品成分相比于参比样品较多，颜色越深表示成分浓度越高，而蓝色区域则与之相反。由图2可知，相比于山茶油样，掺入葵花籽油、大豆油的掺假样品有明显新的挥发性有机物产生，且产生的红色区域对应不同的保留时间和迁移时间，原有的山茶油中的挥发性物质浓度则受到不同程度的减弱，而掺入大豆油的掺假样品仅在较短的保留时间内产生其特有的挥发性有机成分，且该类气体分子物质聚集在一起未能实现较好的分离。因此，从GC-IMS二维谱上仅能从整体上实现对油样是否掺入其他植物油进行初步大致判断，对其具体的掺假量无法进行数字化表达，故需要借助化学计量学方法进行进一步分析。

2.2 掺伪油样的PCA

将75 个掺假葵花籽油样的气相离子迁移谱矩阵（75×889×1 114）进行MPCA处理，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 个主成分得分矩阵进行可视化分析，结果如图3a所示。掺入大豆油样和掺入花生油样的处理方法与上述方法相同，故在此不再叙述，其结果如图3b、c所示。图中坐标轴标题PC1和PC2后标注了经过MPCA转换后PC1和PC2的各自贡献率。主成分贡献率越大，表明该主成分能够更好地反映原来多指标的信息，一般情况下，累计贡献率不小于75%即可满足应用需求[26]。

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

由图3a可知，PC1和PC2累计贡献率达到97.83%，其中PC1的信息贡献率为79.15%，对掺入不同量葵花籽油的山茶油样品进行了很好的区分。随着掺入葵花籽油比例的增加，样品的分布在前2 个主成分之间从右向左移动，每组掺入比例都有其归属区域，其中掺入比例在30%～40%之间有轻微的区域重叠。图3b中，PC1和PC2共保留了91.42%的原始数据信息，不同大豆油掺入比例之间得到了很好的区分，表明掺入不同比例大豆油的山茶油样品之间存在显著差异，但山茶油纯样品与掺入20%大豆油的山茶油样品存在归属区域重叠现象；掺入比例在5%～10%之间存在边界重合的现象；另外除山茶油纯样品组外，样品分布在前2 个主成分之间也存在从右向左的变化趋势。图3c中，PC1和PC2的各自贡献率分别为67.53%和29.08%，由图3c可知，山茶油样品与掺假样品分别位于坐标轴的两个对角，表明两者得到了明显的区分，且掺假样品与纯山茶油样品呈现相互远离的趋势，表明山茶油样品与掺入花生油样品具有显著品质差异，结合图2d可推断，导致该原因可能是掺入的花生油产生的挥发性气味成分能够明显地掩盖原有山茶油的气味[27-28]。另一方面，掺入不同比例花生油的山茶油样之间也能够得到区分，但掺入20%花生油的山茶油样品归属区域跨度范围呈狭长的趋势，且与30%、40%掺入比例样品的归属边界存在一定的重合，导致该现象的原因可能是购买花生油样品之间存在一定差异[29]，可以推测GC-IMS技术可应用于食用植物油的产地信息识别。由此可见，GC-IMS结合MPCA方法可以有效辨识山茶油和不同掺假形式的掺假山茶油样品，且还可以进一步表征掺假物质的添加量对山茶油品质特征变化的影响趋势。

2.3 掺伪油样的PLS分析

表 1 掺假山茶油的预测掺假水平的模型参数Table 1 Evaluation of prediction models for adulterated camellia oil samples

对上述配制的3 种常见形式的掺假山茶油样进行PLS分析，对MPCA处理后的前4 个主成分（前4 个主成分的累计贡献率均不小于99%）与实际掺假量进行回归分析并建立预测模型。将已配制的3 种常见形式的掺假山茶油样品分别依据K-S（Kennard-Stone）算法划分为校正集和预测集，其中校正集占70%（52 个样品），剩余的30%（23 个样品）作为预测集，分别建立对应掺假形式的定量检测模型。建模过程中，通常使用校正集均方根误差（root mean squared error calibration，RMSEC）、预测集均方根误差（root mean squared error prediction，RMSEP）、校正集相关系数（Rc）以及预测集相关系数（Rp）对模型的性能进行综合评价。RMSEC和RMSEP值越小，Rc和Rp值越接近1，表明所建立的模型越准确、稳健[30]。从表1可以看出，3 个不同种掺假油对应的判别模型RMSEC均较低，分别为1.93%、1.40%和2.98%；RMSEP也较低，分别为1.87%、1.45%和3.35%；葵花籽油掺入山茶油样品中RMSEP小于RMSEC，存在过拟合的现象，可能的原因是样本划分不均或者选取的主成分个数相对较多；相关系数中除花生油掺假山茶油样品中的预测相关系数较低外，其他掺杂油样的相关系数均达到了0.95以上，且校正相关系数与预测相关系数接近。因此，3 种PLS模型均可用来准确预测相对应掺假山茶油的掺假率。

3 结 论本研究以山茶油及几种常见食用植物油（葵花籽油、大豆油和花生油）掺入山茶油的掺假样品为研究对象，应用GC-IMS技术结合化学计量学方法建立了一种食用油品质检测的方法。结果表明，MPCA方法可以有效提取并压缩三维矩阵中的特征信息，区分和辨识纯山茶油和掺假山茶油的品质特性，并且能够表征掺假量对山茶油整体品质信息的影响趋势；GC-IMS技术结合PLS回归分析方法能够实现对油品掺假率的定量检测。该研究方法为解决联用仪器产生的高维数据分析处理提供了一种解决方法，同时也为现代油品企业、政府机构及相关检测部门对食用油的品质评价和监控提供了一种新的研究思路和解决方案。