基于电子鼻与多元统计分析鉴别当归产地的研究

刘阿静 王娟 王波 王慧珺 张红艳 丁欢

（兰州海关技术中心 甘肃兰州 730010）

1 前言

当归为伞形科植物当归（Angelica sinensis（Oliv.）Diels）的干燥根，主产于我国甘肃、云南、四川、陕西和湖北等地，亚洲西部、欧洲及北美等地也多有栽培，性甘、辛、温，有补血活血、调经止痛、润肠通便之功效[1-2]。研究表明，当归中含有丰富的阿魏酸、藁本内酯及总挥发油等有效成分，这些有效物质的合成和累积，与其生存的生态环境紧密相关，故不同产地的当归，其有效成分的含量有显著差异，品质参差不齐[3-5]，若对其产地鉴别不当，会严重影响当归药效的发挥。

据文献报道，目前当归药材道地性的评价鉴别技术主要有指纹图谱技术、DNA分子遗传标记、内生菌群特征和电子鼻技术等[6-10]，前两者是药材道地性评价最为传统的方法，后两者通过内在品质和量化气味的手段，能够全面、科学、客观、整体性地评价当归药材的道地性，具有非常大的开发潜力。

电子鼻作为一种新型鉴别技术，能够快速准确地表征被测样品气味的整体信息，通过多种模式识别不同样品气味中的微小差异，以此实现产地溯源，克服检测设备昂贵、实验操作复杂等难题，实现快速无损化检测[11-16]。为保护甘肃当归道地性的良性发展，本实验基于电子鼻技术，提取不同产地当归样品的整体性气味信息，借助多元统计分析法，建立气味识别模型，用以表征分析当归的气味特性，以期实现4个不同产地的当归药材的高效快速鉴别。

2 材料与仪器

2.1 材料

共采集当归药材样品15批，分别从4个主产区甘肃陇南（1#~2#）、甘肃定西（3#~7#）、甘肃武威（8#~11#）、青海西宁（12#~15#）收集，所有样品经兰州大学封士兰教授鉴定为伞形科植物（Angelica sinensis（Oliv.）Diels）的干燥根。

2.2 仪器

PEN3便携式电子鼻（北京盈盛恒泰科技有限责任公司，附带10根不同的气体传感器，其性能见表1）；电子天平（德国Sartorius公司，±0.1 mg）；微型高速万能粉碎机（郑州科丰仪器设备有限公司）；螺纹口顶空进样瓶（50 mL）。

表1 传感器性能

3 方法与结果

3.1 方法

3.1.1 样品采集方法

将当归样品洗净，除去须根；晾晒干，粉碎，过3号筛；精密称取样品粉末5 g，置于50 mL顶空进样品瓶中，拧紧密封；在室温条件下将针头插入顶空进样瓶进行气味数据采集，每份样品重复测定6次。

3.1.2 称样量的考察

精密称取样品粉末0.5、1.0、2.0、5.0、8.0、10.0 g；进气流速为300mL/min，于室温条件下放置30 min；其它参数不变，测定各传感器响应值。结果显示，当称样量≥5.0 g时，区分度逐渐下降，原因可能为随着样品量的增大，当归强烈的气味会影响到传感器的判断，使得部分传感器的气味识别超载，因此本文选择称样量为5.0 g。

3.1.3 进气流速的考察

精密称取样品粉末5.0 g，于室温条件下放置时间30 min；其它参数不变，分别考察100、200、300、400、500 mL/min进气流速下传感器的响应值。结果显示，当进气流速≥300 mL/min时，响应曲线相对稳定，表明各传感器对气味的表征趋于稳定，因此本文选择进气流速为300 mL/min。

3.1.4 放置时间的考察

精密称取样品粉末5.0g，进气流速为300mL/min；其它参数不变，分别考察样品在室温放置时间10、20、30、50、60 min下传感器的响应值。结果显示，样品放置30 min后，响应值曲线趋于稳定，因此本文选择放置时间为30 min。

3.1.5 电子鼻响应值的测定

本文在对上述各因素进行优化的基础上，最终选取最佳的测试条件：称样量为5.0 g，进气流速为300 mL/min，样品室温放置时间为30 min，传感器自清洗时间为150 s，分析采样时间为100 s。在进样前6 s时间段，测得的相对电阻率较低，但随着挥发性气体成分在各传感器表面持续不断地富集，相对电阻率呈现先增加而后逐渐趋于平缓，至80 s后达到相对稳定的状态，因此，本文数据分析选择在80~90 s。以稳态时刻80～90 s获得的气味数据，绘制不同产地当归的气味响应柱状图，见图1。从图1可以看出，电子鼻各传感器对不同产地当归的气味响应差异明显，其中S9（W2W）是气味响应值最为明显的传感器，其次是S2、S6和S7。

3.1.6 精密度考察

重复测定同一样品6次（以1#样品稳态时刻的平均值为例），分别计算各传感器响应值RSD。结果显示，电子鼻10根传感器响应值RSD在0.91%～4.61%之间，表明该仪器的精密度良好，能够满足实验测定的要求。

3.2 数据分析

本文采用试验所用电子鼻仪器自带的WinMuster软件中的Loading分析法、主成分分析法（Principal component analysis，PCA）、线性判别分析法（Linear discriminant analysis，LDA） 和 判 别 因 子 分 析 法（Discriminant factor analysis，DFA）等对实验数据进行分析。

3.3 结果与分析

3.3.1 不同当归样品气味特征数据分析

为更直观地表示区分效果，本文根据传感器对不同产地当归样品响应特征值的不同，选取响应曲线稳态时刻（80~90 s）的平均值，绘制当归药材气味雷达图，见图2。从图2可以看出，不同产地当归雷达图的阴影部分面积各不相同，样品产地间的差异性可以通过雷达图来展现。其中，S9、S2、S6和S7传感器接收到的不同产地当归气味响应值的差异性较大；S1、S3、S4、S5、S8和S10传感器接收到的不同产地当归气味响应值，在雷达图中几乎可以相互重叠，差异性较小；S9传感器的气味响应值在雷达图中分布的顶点距中心点最远，表明其气味响应值的影响最大，当归中可能含有芳香成分或有机硫化物成分，这与文献[17-18]中报道的一致。由此可见，通过电子鼻所测样本数据生成的雷达图，以及气味响应曲线图及柱状图，均能够从宏观角度反映当归产地间的差异性。

3.3.2 传感器分析

本文利用Loading分析法对气味信息数据进行分析，见图3。从图3可以看出，对第1主成分贡献率最大的是S9（W2W）传感器，对第2主成分贡献率最大的是S2（W5S）传感器；结合表1可以看出，S9（W2W）传感器对芳香成分及有机硫化物灵敏，S2（W5S）传感器对氮氧化合物灵敏。因此，当归气味成分中可能主要含有芳香类化合物、有机硫化物和氮氧化合物，这与文献[17-18]中报道的一致。

3.3.3 不同产地当归比较分析

PCA对不同产地当归药材的分析结果见图4和表2。从图4和表2可以看出，在PCA模型中的第1主成分的贡献率为99.63%，第2主成分的贡献率为0.24%，二者的总贡献率为99.87%，说明该模型能够较好地反映原始数据信息。据此分析电子鼻对不同产地当归的气味识别能力，分析结果表明，其区分度整体较好，但武威和定西产地的区分度值仅为0.484，区分度较低。

表2 PCA区分度表

利用LDA进一步分析4个产地的当归药材，见图5。从图5可以看出，第1主成分的贡献率为81.04%，第2主成分的贡献率为13.85%，二者的总贡献率为94.89%，各产地当归样品间无重叠，主要聚集在不同区域，说明该模型对不同产地当归药材的区分效果明显，也表明生态环境的差异对当归气味的差异影响显著。

根据4个产地当归样品的表征状况，利用DFA分析电子鼻传感器，分别随机挑选4个产地当归样品数据中的70%作为训练集，剩余30%的数据作为测试集，建立DFA判别模型，见图6。从图6可以看出，DFA分析模型能够将4个产地的当归样品完全区分，陇南和青海产样品全部集中在Y轴右侧，定西和武威产样品全部集中在Y轴左侧；回判发现，未知的当归样本都在相应的4个产地中，回判正确率高达100%，表明DFA分析模型能够将不同产地的当归完全区分，该模型可靠准确。

4 讨论

本文基于电子鼻传感器对当归特殊气味的采集，绘制了相应的气味柱状图和雷达图，初步表征产地间的区别，并结合主成分分析、线性判别分析及判别因子分析法，构建了相关气味模型并进行评价，最终建立了电子鼻技术定性鉴别不同产地当归的分析方法。

研究结果表明，区分不同产地的当归药材，主要通过对第1主成分贡献率最大的9号（W2W）传感器和对第2主成分贡献率最大的2号（W5S）传感器；结合文献印证，区分不同产地当归药材的气味成分可能主要为有芳香类化合物、有机硫化物和氮氧化合物；主成分分析及线性判别分析构建的模型，能够将4个不同产地的当归明显区分，表明其挥发性组分整体性质之间的差异较大；构建的DFA模型在区分样品间的差异性方面表现相对较好，模型经验证判别率达100%，可以成功地将不同产地的未知样品进行有效区分，说明电子鼻技术在鉴别当归产地方面具有一定的可行性。

本文借助电子鼻技术对当归的气味进行鉴别，有效实现了其气味信息的整体性表征，验证了气味作为当归鉴别方法的可靠性和准确性，为当归的产地鉴别、品质评价、道地性的保护提供了可靠的技术支撑。