基于礦物元素指紋分析技術(shù)的中國(guó)北方大豆產(chǎn)地溯源研究

賴翰卿 習(xí)佳林 何偉忠 王朝輝 毛雪飛

摘?要：目的：尋找中國(guó)北方相似地域大豆產(chǎn)地的溯源特性指標(biāo)，以提高礦物元素指紋分析技術(shù)在大豆產(chǎn)地溯源方面應(yīng)用的準(zhǔn)確性和穩(wěn)定性。方法：利用電感耦合等離子體質(zhì)譜法測(cè)定來(lái)自中國(guó)東北和西北地區(qū)5個(gè)主要大豆主產(chǎn)省區(qū)的159份大豆樣品中12種礦物元素（Mg、Al、P、K、Ca、Mn、Fe、Ni、Cu、Zn、Rb、Sr）的含量。結(jié)果：利用主成分分析對(duì)大豆產(chǎn)地進(jìn)行初步分類，但除黑龍江外，其他產(chǎn)地并不能進(jìn)行良好地區(qū)分，進(jìn)一步利用多層感知器建立產(chǎn)地分類模型。訓(xùn)練子集、測(cè)試子集和保持子集的正確預(yù)測(cè)率分別為100.0%、92.3%和94.4%，可有效地對(duì)中國(guó)北方地區(qū)5個(gè)產(chǎn)地進(jìn)行分類。結(jié)論：本研究可為我國(guó)大豆產(chǎn)地溯源體系的建立提供科學(xué)依據(jù)。

關(guān)鍵詞：大豆;礦物元素;指紋分析;產(chǎn)地溯源;多層感知器

原產(chǎn)地溯源主要是通過(guò)分析不同地區(qū)產(chǎn)品的化學(xué)組成，找出能夠表征原產(chǎn)地信息的特異性指紋[1-2]。因此，相關(guān)特征物質(zhì)的定性定量分析非常重要，目前主要涉及礦物元素指紋分析[3]、穩(wěn)定同位素比分析[4]、近紅外光譜[5] 和特征有機(jī)成分分析[6]等手段，或使用上述方法進(jìn)行綜合分析。礦物元素指紋分析技術(shù)在食品溯源研究中最為常用，特別是電感耦合等離子體質(zhì)譜法（ICP-MS）、電感耦合等離子體發(fā)射光譜法（ICP-OES）、X射線熒光光譜法（XRF）等多元素分析手段，已在大米[7-9]、茶葉[10-12]、豇豆[13]、可可豆[14]、枸杞[15-16]、蜂蜜[17]、葡萄酒[18-20]、初榨橄欖油[21-22]等產(chǎn)品的溯源研究中得到廣泛的應(yīng)用。目前，國(guó)內(nèi)外關(guān)于大豆產(chǎn)地溯源的研究相對(duì)較少。萬(wàn)婕等[23]利用ICP-OES測(cè)定了國(guó)內(nèi)4個(gè)省份（安徽、江西、吉林、黑龍江）大豆樣品中的K、P、Mg、Ca、Fe、Al、Zn、Mn、Na元素的含量，結(jié)果表明，不同產(chǎn)地大豆中Al、Ca、Fe、Na、Mn、Zn元素的含量具有顯著性差異（P<0.05），利用礦物元素指紋分析技術(shù)可以很好地區(qū)分4個(gè)省份的大豆。鹿保鑫等[24]利用ICP-MS分析黑龍江省北安市9個(gè)農(nóng)場(chǎng)及黑河市嫩江縣6個(gè)農(nóng)場(chǎng)共42份大豆樣品中30種礦物元素的含量，結(jié)合方差分析、主成分分析（PCA）和判別分析，篩選出Na、K、Mn、Rb、Ba、Au 6種元素作為黑龍江省兩個(gè)大豆主產(chǎn)區(qū)的溯源指標(biāo)，實(shí)現(xiàn)了對(duì)省內(nèi)兩大主產(chǎn)區(qū)大豆產(chǎn)地溯源的準(zhǔn)確判別，正確率達(dá)到100%。Otaka等[25]利用配備了三維偏振光學(xué)系統(tǒng)的能量色散型XRF測(cè)定了日本46種國(guó)產(chǎn)和進(jìn)口大豆中的微量元素，通過(guò)PCA和線性判別分析，確定了8種元素（Mg、P、Cl、K、Mn、Cu、Br、Ba）作為區(qū)分日本國(guó)內(nèi)與國(guó)外大豆產(chǎn)地的溯源指標(biāo)，最終正確判別率達(dá)到91.3%。數(shù)據(jù)分析方面，除了上述所用到的方法以外，人工神經(jīng)網(wǎng)絡(luò)（ANN）這類可以解決非線性多分類問(wèn)題的數(shù)據(jù)分析手段也常被用于農(nóng)產(chǎn)品的分類中，Chen等[26]利用近紅外光譜分析了5種不同種類的蜂蜜樣品，并使用馬氏距離判別分析（MD-DA）以及反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）分別建立分類模型，結(jié)果表明，MD-DA的訓(xùn)練集和驗(yàn)證集的分類準(zhǔn)確率分別為87.4%和85.3%，而BP-ANN的訓(xùn)練集和驗(yàn)證集的分類準(zhǔn)確率分別為90.9%和89.3%，BP-ANN的性能要優(yōu)于MD-DA。Carlos等[27]利用熒光光譜法分析了巴西當(dāng)?shù)氐?種不同種類的食用油，通過(guò)建立三層的ANN模型，可以使其利用少量的光譜數(shù)據(jù)就能快速對(duì)4種食用油進(jìn)行分類，正確率為72%。

對(duì)于中國(guó)北方地區(qū)，特別是東北三省，由于成土母質(zhì)、地理環(huán)境、區(qū)域氣候的接近，一般較難區(qū)分，而多層感知器（MLP）作為一類常用的ANN模型，在一些復(fù)雜的非線性多分類問(wèn)題上擁有良好的能力，但在大豆產(chǎn)地溯源的應(yīng)用中鮮有報(bào)道，本研究將礦物元素指紋分析技術(shù)與MLP結(jié)合，利用ICP-MS分析了來(lái)自我國(guó)東北和西北地區(qū)5個(gè)省區(qū)（黑龍江、吉林、遼寧、內(nèi)蒙古、新疆）大豆樣品中礦物元素的含量，通過(guò)PCA、MLP等數(shù)據(jù)分析手段，建立了產(chǎn)地分類模型，為大豆溯源體系的建立提供了科學(xué)依據(jù)。

1?材料與方法

1.1?試劑

濃硝酸（65%，電子純BV-Ⅲ），德國(guó)Merck公司;雙氧水（30%，優(yōu)級(jí)純），北京化學(xué)試劑研究所;單元素國(guó)家標(biāo)準(zhǔn)溶液（1 000 mg/L），中國(guó)計(jì)量科學(xué)研究院。

1.2?儀器

TOPEX微波消解儀，上海屹堯儀器科技發(fā)展有限公司;Millipore-Q超純水系統(tǒng)，美國(guó)Millipore公司;EXPEC-7000 電感耦合等離子體質(zhì)譜儀，杭州聚光科技股份有限公司;JXFM 110 型錘式旋風(fēng)磨，杭州匯爾儀器設(shè)備有限公司。

1.3?樣品的采集與制備

2017年從黑龍江、吉林、遼寧、內(nèi)蒙古、新疆采集159份大豆樣品，采集好的大豆放入干凈的紙袋中，并使其自然風(fēng)干，風(fēng)干后的大豆使用錘式旋風(fēng)磨粉碎，然后使用100目尼龍篩進(jìn)行篩分，最后裝袋密封保存?zhèn)溆谩?/p>

1.4?樣品前處理

樣品前處理方法根據(jù)GB 5009.268—2016進(jìn)行修改：將0.25 g粉末狀樣品稱入聚四氟乙烯消解罐中，向其加入3 mL HNO3和2 mL H2O2;消解罐封閉后裝入微波消解儀。微波消解升溫程序：（1）在5 min內(nèi)升至80℃;（2）在5 min內(nèi)從80℃升至120℃;（3）在5 min內(nèi)從120℃升溫至190℃，并再保持20 min;（4）冷卻至室溫。然后，將消化后的溶液在140℃加熱趕酸，直到殘留物少于1 mL，然后使用2%HNO3（V∶V）將其定容至25 mL，待測(cè)。

1.5?樣品分析

采用ICP-MS法對(duì)樣品進(jìn)行定量分析，儀器詳細(xì)參數(shù)見(jiàn)表1。

1.6?數(shù)據(jù)分析

利用PCA和MLP對(duì)數(shù)據(jù)進(jìn)行分析以及模型構(gòu)建。這里，MLP是一類“前饋神經(jīng)網(wǎng)絡(luò)”，它是深度學(xué)習(xí)中最常用的模型[28-29]，其主體由1個(gè)輸入層、若干個(gè)隱藏層和1個(gè)輸出層組成。與只能解決線性關(guān)系的PCA不同，前饋神經(jīng)網(wǎng)絡(luò)可以解決變量間的非線性關(guān)系。輸入層的輸入變量是12種礦物元素含量，輸出層的輸出變量是5個(gè)省區(qū)（新疆、內(nèi)蒙古、黑龍江、吉林、遼寧）。 對(duì)于隱藏層中的5個(gè)神經(jīng)元，選擇雙曲正切函數(shù)作為激活函數(shù)，并選擇Softmax函數(shù)作為輸出層的激活函數(shù)。

2?結(jié)果與分析

2.1?大豆樣品中礦物元素含量分析

如表2所示，Mg的含量在5個(gè)產(chǎn)地之間相對(duì)穩(wěn)定，P、Mn、Fe、Ni、Cu、Zn、Rb、Sr的含量在各產(chǎn)地之間差異較為明顯。Al的含量在黑龍江、內(nèi)蒙古、新疆3個(gè)產(chǎn)地差異較小，遼寧地區(qū)的樣品Al含量最低，而吉林地區(qū)的樣品Al含量最高且波動(dòng)較大。新疆地區(qū)和吉林地區(qū)的樣品K含量接近，但其他三地的K含量差異較為明顯。內(nèi)蒙古地區(qū)與吉林地區(qū)的樣品Ca含量接近，但與其他三地的Ca含量差異明顯。經(jīng)過(guò)方差分析后，這些元素含量在不同大豆產(chǎn)區(qū)之間存在極顯著差異（P<0.01）。 為了進(jìn)一步分析這些數(shù)據(jù)并實(shí)現(xiàn)產(chǎn)地溯源，使用PCA對(duì)大豆樣品進(jìn)行初步分類。

2.2?主成分分析

5個(gè)產(chǎn)區(qū)大豆樣品中礦物元素含量的PCA結(jié)果見(jiàn)表 3。選取特征值大于1的成分作為主成分，從中提取了4個(gè)主成分。其中，第一主成分貢獻(xiàn)率為 28.766%，第二主成分貢獻(xiàn)率為 20.437%，第三主成分貢獻(xiàn)率為 15.039%，第四主成分貢獻(xiàn)率為12.343%。4個(gè)主成分的總貢獻(xiàn)率達(dá)到了76.585%，可充分達(dá)到反映原始數(shù)據(jù)信息的目的。利用第一、第二主成分繪制載荷圖（圖1），大豆中Mg、P、K、Mn的濃度對(duì)主成分1的貢獻(xiàn)大，F(xiàn)e、Zn的濃度對(duì)主成分2的貢獻(xiàn)大。再進(jìn)一步繪制基于第一、第二主成分的各產(chǎn)地大豆樣品散點(diǎn)圖（圖2），黑龍江、吉林的大部分樣品都能與其他產(chǎn)地樣品分離，而遼寧與新疆的樣品大部分重合。內(nèi)蒙古樣品與新疆樣品可以良好的分離，但跟遼寧的樣品有部分重合。通過(guò)PCA并不能很好地解決5個(gè)產(chǎn)地的分類問(wèn)題，所以，接下來(lái)利用MLP對(duì)5個(gè)產(chǎn)地的樣品進(jìn)一步的分類。

2.3?建立多層感知器模型

從PCA結(jié)果來(lái)看，在地理區(qū)域較大的省份中，由于各種土壤、氣候和生產(chǎn)要素而導(dǎo)致的元素含量變化范圍大，可能導(dǎo)致無(wú)法區(qū)分來(lái)源。在這種情況下，本研究決定使用ANN來(lái)進(jìn)一步挖掘和分析數(shù)據(jù)。MLP作為一類最常用的ANN，其結(jié)構(gòu)賦予了它如大腦般相同的聯(lián)想能力和容錯(cuò)性。此外，它具有自我學(xué)習(xí)和自適應(yīng)能力，可以很好地解決多分類問(wèn)題。將數(shù)據(jù)按照3∶1∶1隨機(jī)分配給訓(xùn)練子集（60%）、測(cè)試子集（20%）和保持子集（20%）。其中，訓(xùn)練子集用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)和構(gòu)建該模型;測(cè)試子集用于跟蹤訓(xùn)練中的錯(cuò)誤，以防止訓(xùn)練過(guò)度;保持子集不參與模型的構(gòu)建，而是用于評(píng)估最終的神經(jīng)網(wǎng)絡(luò)和評(píng)估模型“真實(shí)”的預(yù)測(cè)能力。表4顯示，訓(xùn)練子集中的所有97個(gè)樣本正確分類為各自產(chǎn)地內(nèi)，正確率為100%。在測(cè)試子集的26個(gè)樣本中，2個(gè)新疆樣本被錯(cuò)誤分類為遼寧樣品，因此，在測(cè)試子集中，新疆的正確預(yù)測(cè)率為71.4%，而總的正確預(yù)測(cè)率為92.3%。在保持子集的36個(gè)樣品中，1個(gè)黑龍江樣品以及1個(gè)新疆樣品錯(cuò)誤分類為遼寧樣品，黑龍江的正確預(yù)測(cè)率為94.1%，新疆的正確預(yù)測(cè)率為87.5%，保持子集總的正確預(yù)測(cè)率為94.4%。結(jié)果表明，利用MLP對(duì)4個(gè)產(chǎn)地大豆進(jìn)行產(chǎn)地分類是可行的。

3?結(jié)論

中國(guó)東北、西北地區(qū)是大豆的主要產(chǎn)地，特別是東北地區(qū)大豆產(chǎn)量高、品質(zhì)好、市場(chǎng)認(rèn)可度高，因此對(duì)黑龍江、吉林、遼寧、內(nèi)蒙、新疆等地區(qū)的大豆產(chǎn)品進(jìn)行產(chǎn)地溯源研究具有一定的實(shí)際意義。從本研究的結(jié)果來(lái)看，5個(gè)主要大豆產(chǎn)地中Mg、Al、P、K、Ca、Mn、Fe、Ni、Cu、Zn、Rb、Sr的濃度在不同產(chǎn)地呈差異極顯著關(guān)系（P<0.01），并且可以作為北方地區(qū)大豆產(chǎn)地溯源的有效指標(biāo)。但是，由于產(chǎn)地內(nèi)的區(qū)域氣候、地理?xiàng)l件以及生產(chǎn)要素會(huì)影響大豆中元素含量的范圍，導(dǎo)致單純解決線性問(wèn)題的數(shù)據(jù)分析手段難以應(yīng)對(duì)。因此，引入如ANN這類具有學(xué)習(xí)能力的數(shù)據(jù)分析方法勢(shì)在必行，可以有效地解決這種多分類的非線性問(wèn)題。礦物元素指紋分析技術(shù)結(jié)合MLP，用于中國(guó)北方5個(gè)地區(qū)大豆產(chǎn)地分類的訓(xùn)練子集、測(cè)試子集和保持子集正確預(yù)測(cè)率分別達(dá)到100.0%、92.3%和94.4%，可以為中國(guó)北方大豆的產(chǎn)地溯源提供科學(xué)依據(jù)?！?/p>

參考文獻(xiàn)

[1]國(guó)家發(fā)展和改革委員會(huì).促進(jìn)大豆加工業(yè)健康發(fā)展的指導(dǎo)意見(jiàn)[J].糧油加工，2008（10）：18、20-23.

[2]魏益民，郭波莉，魏帥，等.食品產(chǎn)地溯源及確證技術(shù)研究和應(yīng)用方法探析[J].中國(guó)農(nóng)業(yè)科學(xué)，2012，45（24）：5073-5081.

[3]A Gonzálvez，et al.Geographical traceability of “Arròs de Valencia” rice grain based on mineral element composition[J]. Food Chemistry，2011，126 （3）：1254-1260.

[4]童成英，何守陽(yáng)，丁虎.茶葉產(chǎn)地與品質(zhì)的元素、同位素鑒別技術(shù)研究進(jìn)展[J].生態(tài)學(xué)雜志，2018，37（5）：1574-1583.

[5]Veronika Uríková，Jana Sádecká.Determination of geograp-hical origin of alcoholic beverages using ultraviolet，visible and infrared spectroscopy：a review[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2015（148）：131-137.

[6]Alonso-Salces R M，Serra F，Reniero F，et al.Botanical and geographical characterization of green coffee （coffea arabica and coffea canephora）：chemometric evaluation of phenolic and methylxanthine contents[J]. Journal of Agricultural and Food Chemistry，2009，57（10）：4224-4235.

[7]張玥，等.基于主成分分析和判別分析的大米產(chǎn)地溯源[J].中國(guó)糧油學(xué)報(bào)，2016，31（4）：1-5.

[8]Camila Maione，et al.Classification of geographic origin of rice by data mining and inductively coupled plasma mass spectrometry[J]. Computers and Electronics in Agriculture，2016（121）：101-107.

[9]Chung I M，Kim J K，Lee K J，et al.Geographic authentication of Asian rice （Oryza sativa L.）using multi-elemental and stable isotopic data combined with multivariate analysis[J]. Food Chemistry，2018（240）：840-849.

[10]Moreda-PinEiro A，F(xiàn)isher A，Hill S J .The classification of tea according to region of origin using pattern recognition techniques and trace metal data[J]. Journal of Food Composition and Analysis，2003，16（2）：195-211.

[11]Zhao H，et al.Relationship between multi-element composition in tea leaves and in provenance soils for geographical traceability[J]. Food Control，2017（76）：82-87.

[12]Li L，Wen B，Zhang X，et al.Geographical origin traceability of tea based on multi-element spatial distribution and the relationship with soil in district scale[J]. Food Control，2018（90）：18-28.

[13]Pérez-Rodríguez，et al.Classification of cowpea beans using multielemental fingerprinting combined with supervised learning[J]. Food Control，2019（95）：232-241.

[14]Daniela Bertoldi，et al.Multielemental fingerprinting and geographic traceability of Theobroma cacao beans and cocoa products[J]. Food Control，2016（65）：46-53.

[15]Zhang S，Wei Y，Wei S，et al.Authentication of Zhongning wolfberry with geographical indication by mineral profile[J]. International Journal of Food Science & Technology，2017，52（2）：457-463.

[16]Bertoldi Daniela，Cossignani Lina，Blasi Francesca，et al.Characterisation and geographical traceability of Italian goji berries[J]. Food Chemistry，2019（275）：585-593.

[17]Batista B L，Silva L R S D，B A Rocha，et al.Multi-element determination in Brazilian honey samples by inductively coupled plasma mass spectrometry and estimation of geographic origin with data mining techniques[J]. Food Research International，2012，49（1）：209-215.

[18]Mária Koreňovská，Suhaj M .Identification of some Slovakian and European wines origin by the use of factor analysis of elemental data[J]. European Food Research and Technology，2005，221（3-4）：550-558.

[19]Coetzee P P，et al.Multi-element analysis of South African wines by ICP-MS and their classification according to geographical origin[J]. Journal of Agricultural and Food Chemistry，2005，53（13）：5060-5066.

[20]Mirabal-Gallardo，Yaneris，et al.Multi-element analysis and differentiation of chilean wines using mineral composition and multivariate statistics[J]. Ciencia e Investigación Agraria，2018，45（2）：181-191.

[21]Cabrera-Vique C，et al.Determination of trace elements in extra virgin olive oils：a pilot study on the geographical characterisation[J]. Food Chemistry，2012，134（1）：434-439.

[22]María Beltrán，Ramón Aparicio，et al.Geographical traceability of virgin olive oils from south-western Spain by their multi-elemental composition[J]. Food Chemistry，2015（169）：350-357.

[23]萬(wàn)婕，劉成梅，劉偉，等.電感耦合等離子體原子發(fā)射光譜法分析不同產(chǎn)地大豆中的礦物元素含量[J].光譜學(xué)與光譜分析，2010，30（2）：543-545.

[24]鹿保鑫，馬楠，王霞，等.基于電感耦合等離子體質(zhì)譜儀分析礦物元素含量的大豆產(chǎn)地溯源[J].食品科學(xué)，2018，39（8）：288-294.

[25]Otaka A，Hokura A，Nakai I .Determination of trace elements in soybean by X-ray fluorescence analysis and its application to identification of their production areas[J]. Food Chemistry，2014（147）：318-326.

[26]Chen L，Wang J，Ye Z，et al.Classification of Chinese honeys according to their floral origin by near infrared spectroscopy[J]. Food Chemistry，2012，135（2）：338-342.

[27]Carlos Eduardo，Tanajura Da Silva，et al.Classification of food vegetable oils by fluorimetry and artificial neural networks[J]. Food Control，2015（47）：86-91.

[28]Bishop C M .Pattern recognition and machine learning （information science and statistics）[M]. Springer-Verlag New York，Inc.2006.

[29]Zhang GP .Neural networks for classification：a survey[J]. IEEE Transactions on Systems，Man and Cybernetics，Part C （Applications and Reviews），2000，30（4）：451-462.