田 碩,劉建學(xué)*,韓四海,羅登林,李佩艷,徐寶成
(河南科技大學(xué)食品與生物工程學(xué)院,河南 洛陽(yáng) 471023)
基于特征脂肪酸的摻偽芝麻油快速鑒別模型建立
田 碩,劉建學(xué)*,韓四海,羅登林,李佩艷,徐寶成
(河南科技大學(xué)食品與生物工程學(xué)院,河南 洛陽(yáng) 471023)
脂肪酸是植物油中的主要營(yíng)養(yǎng)成分,不同種類的食用油中所含的脂肪酸含量也不相同,本研究據(jù)此對(duì)芝麻油摻入大豆油、花生油、棉籽油的油樣應(yīng)用近紅外光譜技術(shù)建立測(cè)定4 種脂肪酸含量的方法。以氣相色譜法測(cè)定的脂肪酸含量作為化學(xué)值,校正集樣品數(shù)為122,驗(yàn)證集樣品數(shù)為38,結(jié)果表明:摻假芝麻油油樣的亞麻酸(C18∶3)、花生酸(C20∶0)、木焦油酸(C24∶0)和肉豆蔻酸(C14∶0)對(duì)近紅外有特異吸收。分別建立4 種脂肪酸含量的模型,通過(guò)對(duì)模型進(jìn)行優(yōu)化,校正集樣品的化學(xué)值與近紅外的預(yù)測(cè)值的相關(guān)系數(shù)(R2)分別為R2(C18∶3)=0.989、R2(C20∶0)=0.995、R2(C24∶0)=0.993、R2(C14∶0)=0.996。驗(yàn)證集樣品的化學(xué)值與近紅外的預(yù)測(cè)值的R2分別為0.984、0.949、0.956、0.988。4 種脂肪酸含量的預(yù)測(cè)平均相對(duì)誤差依次為6.0%、5.6%、4.4%、4.8%。
近紅外光譜;特征脂肪酸;摻假芝麻油;鑒別
芝麻油含有很高的多不飽和油脂(油酸和亞油酸)、芝麻林素、芝麻酚和芝麻素,并富含維生素、不含膽固醇,具有很好的保健功能。其香味濃郁,是消費(fèi)者所喜愛(ài)的調(diào)味品之一。
在國(guó)內(nèi)市場(chǎng)中,油類的摻假現(xiàn)象屢見(jiàn)不鮮。芝麻油的售價(jià)高于其他種類的食用油,一些不法商販就在芝麻油中摻入其他植物油或從廢棄油渣中提取殘油,以次充好出售,謀取高潤(rùn)利益。國(guó)內(nèi)銷售的食用油主要以植物油為主,如大豆油、花生油、葵花籽油、菜籽油、玉米油、棉籽油等。不同的植物油的營(yíng)養(yǎng)價(jià)值不同,主要是所含的脂肪酸種類和比例不同,市場(chǎng)售價(jià)也相差甚遠(yuǎn)。
植物油的成分相似,但所含的脂肪酸比例不同,近紅外鑒別植物油種類已有大量報(bào)道[1-10],在脂肪酸檢測(cè)方面主要是對(duì)植物油中脂肪酸含量和組分的測(cè)定[11-17],而對(duì)摻假油中對(duì)近紅外有特異吸收的脂肪酸的研究很少。于燕波等[18]應(yīng)用近紅外光譜(near infrared spectroscopy,NIR)技術(shù)快速測(cè)定植物油中棕櫚酸、硬脂酸、油酸、亞油酸含量,并建立模型,模型的預(yù)測(cè)精度誤差均小于10%。張輝等[19]基于NIR技術(shù)檢測(cè)食用油中α-亞麻酸和亞油酸含量的快速測(cè)定方法。通常脂肪酸的測(cè)定方法有氣相色譜(gas chromatography,GC)和高效液相色譜(high performance liquid chromatography,HPLC),這2 種方法都需要對(duì)樣品進(jìn)行前處理,耗時(shí)且需要消耗大量的有機(jī)試劑,難以實(shí)現(xiàn)大批量地快速定量檢測(cè)。本研究基于近紅外在脂肪酸含量方面的測(cè)定,對(duì)不同種類、不同梯度的摻假芝麻油采集NIR,結(jié)合化學(xué)計(jì)量法,檢測(cè)不同種類摻假芝麻油中對(duì)近紅外光有特異吸收的脂肪酸,繼而可快速鑒別摻假油的品種。其檢測(cè)費(fèi)用低、耗時(shí)短,可為質(zhì)檢部門提供一種快速檢測(cè)摻假油的方法。transformation,SNV)、多元散射校正(multiplicative scatter correction,MSC)、一階導(dǎo)數(shù)(1stD)、二階導(dǎo)數(shù)(2ndD)、交互驗(yàn)證均方根誤差(root mean squares error of cross validation,RMSECV)、一階導(dǎo)數(shù)+標(biāo)準(zhǔn)正態(tài)變量變換(1stD+SNV)、一階導(dǎo)數(shù)+多元散射校正(1stD+MSC)等光譜預(yù)處理方法進(jìn)行預(yù)處理,選出最優(yōu)波段和最佳預(yù)處理方法,利用偏最小二乘(partial least squares,PLS)法建立校正集樣品NIR和不同脂肪酸含量的數(shù)學(xué)模型[20],所建模型用相關(guān)系數(shù)(R2)和RMSECV值來(lái)評(píng)價(jià),模型的預(yù)測(cè)能力可通過(guò)驗(yàn)證集樣品R2和相對(duì)預(yù)測(cè)均方根誤差(relative prediction mean square error,RMSEP)評(píng)價(jià)。
1.1 材料與試劑
芝麻油樣品8 個(gè)、大豆油樣品4 個(gè)、花生油樣品4 個(gè)、棉籽油樣品4個(gè)(純度均為99.9%),由河南省農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所提供。將大豆油、花生油、棉籽油分別按不同的配比摻入芝麻油中,3 種摻入油的含量范圍為5%~100%,復(fù)配間隔為5%,每個(gè)樣品油調(diào)配量為5 mL。3 種摻假芝麻油樣各為160 個(gè)樣品,分別以油樣配比比例順序按1、2、4、5、7、8……選擇作為校正集(共122個(gè)樣品)用于建立模型,其余樣品作為驗(yàn)證集(共38 個(gè)樣品)用于檢驗(yàn)。
脂肪酸甲酯11 組分混標(biāo) 美國(guó)AOCS公司;氫氧化鈉(分析純)、甲醇、正己烷(均為色譜純)等均為國(guó)產(chǎn)試劑。
1.2 儀器與設(shè)備
VECTOR33傅里葉變換近紅外光譜儀 德國(guó)Bruker公司;7890A氣相色譜儀(附氫火焰離子化檢測(cè)器)、HP-5毛細(xì)管柱(30 m×0.320 mm,0.25 μm) 美國(guó)Aglient公司。
1.3 方法
1.3.1 脂肪酸GC分析
優(yōu)化GC分析工作條件,用脂肪酸甲酯所對(duì)應(yīng)的保留時(shí)間做定性分析,用標(biāo)準(zhǔn)曲線法對(duì)脂肪酸的含量作定量分析。樣品的甲酯化方法采用GB/T 17376—2008《動(dòng)植物油脂:脂肪酸甲酯制備》。
1.3.2 油樣NIR建模
NIR數(shù)據(jù)采集:將調(diào)配好的油樣移至1 mm的石英比色皿中,使用OPUS 6.5光譜采集及分析軟件進(jìn)行光譜采集,整個(gè)實(shí)驗(yàn)室內(nèi)溫度恒定在25 ℃。光譜掃描范圍為10 000~3 200 cm-1,儀器分辨率為4 cm-1,掃描次數(shù)為32次,每個(gè)樣品重新裝樣采集3 次,并求平均光譜作為最終光譜數(shù)據(jù)進(jìn)行分析。
對(duì)NIR采集到的光譜數(shù)據(jù),采用基于OPUS 6.5分析軟件中的標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate
2.1 脂肪酸GC分析
脂肪酸GC分析條件:進(jìn)樣口溫度250 ℃;檢測(cè)器溫度260 ℃;升溫程序:100 ℃保持2 min,17 ℃/min升至200 ℃保持4.7 min,40 ℃/min升至240 ℃保持15 min;載氣為氮?dú)?;流? mL/min;H2流量30 mL/min;空氣流量400 mL/min;進(jìn)樣量1 μL;Chem Station工作站。
按照1.3.1節(jié)GC工作條件和分析方法進(jìn)行測(cè)定,脂肪酸甲酯標(biāo)品(100 mg)全部轉(zhuǎn)入100 mL容量瓶中,正己烷定容至刻度,得到脂肪酸甲酯含量為10 mg/mL的混合標(biāo)準(zhǔn)儲(chǔ)備液。分別取400、500、750、1 000、1 500、3 000 μL的儲(chǔ)備液置于5 mL的容量瓶,加正己烷定容,制成一系列質(zhì)量濃度的標(biāo)準(zhǔn)溶液,以峰面積對(duì)質(zhì)量濃度繪制標(biāo)準(zhǔn)曲線。由圖1可知,9 種脂肪酸實(shí)現(xiàn)了完全分離,各個(gè)脂肪酸的標(biāo)準(zhǔn)曲線R2均大于0.989。由于儀器所帶HP-5色譜柱是非極性的,硬脂酸和油酸沒(méi)有得到很好的分離,采用硬脂酸和油酸混合峰的標(biāo)準(zhǔn)方程和脂肪酸甲酯混標(biāo)中所占的比例得到這2 種脂肪酸的含量。
圖1 脂肪酸甲酯混標(biāo)氣相色譜圖Fig.1 GC profile of a mixture of 11 fatty acid methyl esters
2.2 NIR鑒別數(shù)學(xué)模型的建立
按照1.3.2節(jié)方法,在Vector 33型傅里葉變換光譜上掃描測(cè)試樣品,所得光譜圖見(jiàn)圖2。
圖2 摻假芝麻油樣的NIR圖Fig.2 Near infrared spectra of adulterated sesame oil samples
以GB/T 17377—2008《動(dòng)植物油脂:脂肪酸甲酯的氣相色譜分析》測(cè)得的脂肪酸含量值為參比值,與光譜數(shù)據(jù)進(jìn)行校正分析,從而得到摻假芝麻油的定量鑒別模型。
芝麻油中摻入大豆油、花生油、棉籽油的最優(yōu)波段和最佳預(yù)處理方法見(jiàn)表1。分別對(duì)3 種摻假油樣中的各個(gè)脂肪酸建立分析模型,結(jié)果見(jiàn)表2~4。
表1 3 種摻假油最優(yōu)波段和最佳預(yù)處理方法Table 1 Optimal waveband and pretreatment method for 3 kinds of adulterated vegetable oil
用分析軟件將前述校正集的122 個(gè)油樣的NIR數(shù)據(jù)進(jìn)行校正分析,建立8 種變化較為明顯的脂肪酸的模型,而后用驗(yàn)證集光譜數(shù)據(jù)對(duì)所建立的模型進(jìn)行驗(yàn)證(表2),從表2可以看出,相對(duì)于其他7 種脂肪酸,亞麻酸的R2是最高的,RMSECV最小,說(shuō)明在5 914.6~5 644.6 cm-1和3 972.6~3 442.3 cm-1波段內(nèi)亞麻酸對(duì)NIR有特異吸收。從圖3可以看出,驗(yàn)證集樣品的真實(shí)值和近紅外的預(yù)測(cè)值存在較好的相關(guān)性,驗(yàn)證集樣品R2和RMSEP分別為0.984和0.412。
表2 大豆油摻入芝麻油8 種脂肪酸校正集模型的評(píng)價(jià)指標(biāo)Table 2 Evaluation model for the calibration set of eight fatty acids in samples of soybean oil adulterated with sesame oil
從表3可以看出,花生酸和木焦油酸的R2較高,驗(yàn)證均方根誤差較小,證明在9 052.2~7 765.9 cm-1和6 219.3~5 621.5 cm-1波段下花生酸和木焦油酸的吸收率較高。預(yù)測(cè)模型的能力可以從圖4和圖5看出,預(yù)測(cè)值與化學(xué)值的相關(guān)性較好,驗(yàn)證集樣品R2分別為0.949、0.956,RMSEP分別為0.208、0.194。
圖3 亞麻酸含量預(yù)測(cè)值與化學(xué)值的相關(guān)性Fig.3 Correlation between predicted values and chemical values for linolenic acid content
表3 花生油摻入芝麻油各個(gè)脂肪酸校正集模型的評(píng)價(jià)指標(biāo)Table 3 Evaluation model for the calibration set of eight fatty acids in samples of peanut oil adulterated with sesame oil
圖4 花生酸含量預(yù)測(cè)值與化學(xué)值的相關(guān)性Fig.4 Correlation between predicted values and chemical values for arachidic acid content
圖5 木焦油酸含量預(yù)測(cè)值與化學(xué)值的相關(guān)性Fig.5 Correlation between predicted values and chemical values for tetracosanoic acid content
表4 棉籽油摻入芝麻油各個(gè)脂肪酸校正集模型的評(píng)價(jià)指標(biāo)Table 4 Evaluation model for the calibration set of seven fatty acids in samples of cottonseed oil adulterated with sesame oil
從表4可以看出,在6 976.3~5 501.9 cm-1和3 868.5~3 453.9 cm-1波段下肉豆蔻酸的R2最高,校正標(biāo)準(zhǔn)差最小,表明在此波段下肉豆蔻酸對(duì)NIR具有較高的吸收。從圖6可以看出,肉豆蔻酸的預(yù)測(cè)值與氣相色譜測(cè)得的化學(xué)值之間的相關(guān)性較高,其驗(yàn)證集樣品R2和RMSEP分別為0.988、0.121。
圖6 肉豆蔻酸含量預(yù)測(cè)值與化學(xué)值的相關(guān)性Fig.6 Correlation between predicted values and chemical values for myristic acid content
2.3 預(yù)測(cè)模型對(duì)未知樣品的分析
為驗(yàn)證所建模型預(yù)測(cè)結(jié)果的正確性,另外每一種摻假油重新隨機(jī)調(diào)配9 個(gè)油樣,用GC法和所建模型分別測(cè)出其脂肪酸含量,見(jiàn)表5。亞麻酸、花生酸、木焦油酸、肉豆蔻酸的最小相對(duì)誤差分別為0.02%、0.94%、1.10%、2.43%,表明所建模型對(duì)未知樣品的預(yù)測(cè)精度已達(dá)到應(yīng)用要求,也說(shuō)明所建立測(cè)定4種脂肪酸含量的NIR模型方法可行。
表5 樣品中4 種脂肪酸真實(shí)值與模型預(yù)測(cè)值Table 5 Chemical values and predicted value from PLS model for four fatty acids in samples mg/mL
采用NIR技術(shù)對(duì)摻入大豆油、花生油、棉籽油的芝麻油樣品中主要變化的脂肪酸圖譜結(jié)合GC法測(cè)得的脂肪酸含量進(jìn)行建模,通過(guò)驗(yàn)證集樣品R2、RMSECV和校正集的R2、RMSEP確定每一種摻假油樣中對(duì)近紅外有特異吸收的脂肪酸,以此判別摻假油的種類。
1)研究表明,摻假芝麻油油樣的亞麻酸(C18∶3)、花生四烯酸(C20∶0)、木焦油酸(C24∶0)和肉豆蔻酸(C14∶0)對(duì)近紅外有特異吸收。2)分別建立4 種脂肪酸含量的近紅外定量分析模型,通過(guò)對(duì)模型進(jìn)行優(yōu)化,校正集樣品的化學(xué)值與近紅外的預(yù)測(cè)值的R2分別為R2(C18∶3)=0.989、R2(C20∶0)=0.995,R2(C24∶0)=0.993、R2(C14∶0)=0.996。驗(yàn)證集樣品的化學(xué)值與近紅外的預(yù)測(cè)值的R2分別為0.984、0.949、0.956、0.988。3)利用所建模型進(jìn)行隨機(jī)摻假混合油樣檢驗(yàn),4 種脂肪酸含量的預(yù)測(cè)平均相對(duì)誤差依次為6.0%、5.6%、4.4%、4.8%。
NIR法的檢測(cè)結(jié)果是否準(zhǔn)確依賴于定標(biāo)樣本基礎(chǔ)數(shù)據(jù)的精準(zhǔn)性和數(shù)學(xué)模型的精確性,因此對(duì)本實(shí)驗(yàn)所建立的模型后續(xù)應(yīng)采集更廣泛的樣本,及時(shí)添加校正模型,以保證模型的穩(wěn)定性和可靠性。
[1] 劉燕德, 萬(wàn)常斕. 芝麻油摻偽的近紅外透射光譜檢測(cè)技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(7): 137-140.
[2] 袁洪福, 張嫻, 郭崢, 等. 近紅外快速分析食用調(diào)合油[C]//科學(xué)儀器服務(wù)民生學(xué)術(shù)大會(huì)論文集. 北京: 中國(guó)學(xué)術(shù)期刊電子出版社, 2011: 78-81.
[3] 范璐, 王美美, 楊紅衛(wèi), 等. 傅里葉變換紅外吸收光譜識(shí)別五種植物油的研究[J]. 分析化學(xué)研究簡(jiǎn)報(bào), 2007, 35(3): 390-392.
[4] 梁丹, 李小昱, 李培武, 等. 近紅外光譜法對(duì)食用植物油品種的快速鑒別[J]. 湖北農(nóng)業(yè)科學(xué), 2011, 50(16): 3383-3385.
[5] 劉福莉, 陳華才. 近紅外透射光譜法檢測(cè)三組分食用調(diào)和油含量的研究[J]. 光譜學(xué)與光譜分析, 2009, 29(8): 2099-2102.
[6] 吳靜珠, 劉翠玲, 李慧, 等. 基于近紅外光譜的純花生油摻偽快速鑒別方法研究[J]. 北京工商大學(xué)學(xué)報(bào): 自然科學(xué)版, 2011, 29(1): 75-78. [7] 莊小麗, 相玉紅, 強(qiáng)洪, 等. 近紅外光譜和化學(xué)計(jì)量學(xué)方法用于橄欖油品質(zhì)分析與摻雜量檢測(cè)[J]. 光譜學(xué)與光譜分析, 2010, 30(4): 933-936. [8] 馮利輝, 劉波平, 張國(guó)文, 等. 芝麻油中摻入菜籽油的近紅外光譜研究[J]. 食品科學(xué), 2009, 30(18): 296-299.
[9] 梁丹. 應(yīng)用近紅外光譜分析判別芝麻油摻偽的研究[J]. 食品工程, 2011(2): 40-43.
[10] 劉建學(xué), 劉珊珊. 芝麻油真?zhèn)慰焖贆z測(cè)方法研究[J]. 中國(guó)糧油學(xué)報(bào), 2012, 27(12): 116-121.
[11] 翁欣欣, 陸峰, 王傳現(xiàn), 等. 近紅外光譜-BP神經(jīng)網(wǎng)絡(luò)-PLS法用于橄欖油摻雜分析[J]. 光譜學(xué)與光譜分析, 2009, 29(12): 3283-3287.
[12] YUAN Jiaojiao, WANG Chengzhang, CHEN Hongxia, et al. Prediction of fatty acid composition in Camellia oleifera oil by near infrared transmittance spectroscopy (NITS)[J]. Food Chemistry, 2013, 138(2/3): 1657-1662.
[13] 吳靜珠, 劉翠玲, 李慧, 等. 近紅外光譜技術(shù)在食用油種類鑒別及脂肪酸含量檢測(cè)中的應(yīng)用[J]. 北京工商大學(xué)學(xué)報(bào): 自然科學(xué)版, 2010, 28(5): 56-59.
[14] 宋濤, 張風(fēng)枰, 劉耀敏, 等. 透反射近紅外光譜法快速測(cè)定大豆油中的脂肪酸[J]. 光譜學(xué)與光譜分析, 2012, 32(8): 2100-2104.
[15] CASALE M, OLIVERI P, CASOLINO C, et al. Characterisation of PDO olive oil Chianti Classico by non-selective (UV-visible, NIR and MIR spectroscopy) and selective (fatty acid composition) analytical techniques[J]. Analytica Chimica Acta, 2012, 712(19): 56-63.
[16] 代秀迎, 陳斌, 劉飛, 等. FTIR-ATR光譜法測(cè)定植物油多種脂肪酸的含量[J]. 江蘇農(nóng)業(yè)科學(xué), 2010, 21(4): 283-285.
[17] 張菊華, 朱向榮, 尚雪波, 等. 近紅外光譜法結(jié)合化學(xué)計(jì)量學(xué)測(cè)定油茶籽油中脂肪酸組成[J]. 食品科學(xué), 2011, 32(18): 205-208.
[18] 于燕波, 臧鵬, 付元華, 等. 近紅外光譜法快速測(cè)定植物油中脂肪酸含量[J]. 光譜學(xué)與光譜分析, 2008, 28(7): 1554-1558.
[19] 張輝, 吳迪, 李想, 等. 近紅外光譜快速檢測(cè)食用油中必須脂肪酸[J].農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(7): 266-270.
[20] 陳斌, 趙龍蓮, 李軍會(huì), 等. 近紅外光譜法快速分析葛根中的有效成分[J]. 光譜學(xué)與光譜分析, 2002, 22(6): 976-979.
Establishment of a Model for Rapid Identification of Adulterated Sesame Oil Based on Characteristic Fatty Acids
TIAN Shuo, LIU Jian-xue*, HAN Si-hai, LUO Deng-lin, LI Pei-yan, XU Bao-cheng
(College of Food and Bioengineering, Henan University of Science and Technology, Luoyang 471023, China)
Fatty acids are the major nutrients in vegetable oils in different amounts depending on the type of oil. A predictive method based on near infrared spectroscopy (NIR) was proposed to determine the contents of four fatty acids in adulterated sesame oil samples. The chemical values were analyzed by GC. The calibration set consisted of 122 samples and the number of samples in the validation set was 38. The results showed that linolenic acid (C18:3), arachidonic acid (C20:0), tetracosanoic acid (C24:0) and myristic acid (C14:0) were the characteristic NIR absorption peaks of the adulterated oils. The optimum conditions for mathematical modeling of the four components were studied with respect to sample set selection, chemical value analysis, detection methods and detection conditions. The correlation coefficients (R2) between the NIR-predicted data and the chemically measured data for the samples of the calibration set were R2(C14:0) = 0.996, R2(C18:3) = 0.989, R2(C20:0) = 0.995, and R2(C24:0) = 0.993, respectively, and 0.984, 0.949, 0.956, and 0.988 for the validation set samples, respectively. For the validation set, 9 unknown samples were selected to be analyzed by NIR. Our results demonstrated that the error between the predicted values and the chemical values was less than 6.0%.
near infrared spectroscopy; fatty acid; adulterated sesame oil; identification
TS225.1
A
1002-6630(2014)22-0207-04
10.7506/spkx1002-6630-201422040
2014-03-04
河南科技大學(xué)重大前期預(yù)研項(xiàng)目(2010CZ0004)
田碩(1987—),女,碩士研究生,研究方向?yàn)檗r(nóng)產(chǎn)品加工及貯藏工程。E-mail:tianshuohyw@163.com
*通信作者:劉建學(xué)(1964—),男,教授,博士,研究方向?yàn)槭称菲焚|(zhì)快速檢測(cè)與安全控制技術(shù)。E-mail:jx_liu@163.com