Introduction

浓香型白酒（SAL）是中国培育的最重要的白酒之一，在中国目前的白酒市场上占有最大的市场份额和消费数量。浓香型白酒属于蒸馏酒，其香气化合物主要由己酸乙酯组成。此外，这种白酒是以高粱等谷物为原料，经固态发酵、贮存和勾兑加工而成的。浓香型基酒（SABL）的等级主要由以下过程决定。首先，在蒸馏过程中由有经验和熟练的白酒工人初步确定SABL的等级，并根据初步等级鉴定进行评估。其次，由工人初步确定的不同等级的SABL，要由专业小组成员进行感官分析。在感官评价过程中，一些协调性差或有特殊气味的SABL被降级。感官评价的结果容易受到主观因素（经验、情绪、生理条件和环境因素）的影响，充满了不确定性和局限性。此外，研究人员表明，中国白酒中的主要香味成分是具有果香的酯类，占总香味成分的60%。己酸乙酯、乳酸乙酯、乙酸乙酯和丁酸乙酯是4种主要的酯类，对形成浓香型白酒的特征风味起着重要作用。在不同等级的SABL中，这4种酯的含量需要达到相关标准。

一种基于质谱仪和固相微萃取（SPME）直接结合的非分离式质谱（MS）方法已经被开发出来。SPME具有无溶剂、易于操作和高重现性的独特优势。使用固相微萃取-质谱法（SPME-MS）已经成为一种有效和快速的检测技术。特别地，SPME-MS与一种或多种化学计量学相结合，在食品工业中得到了广泛的应用，在根据质量等级、地理来源、农药残留、原料种类等进行分类和鉴定方面具有巨大的潜力。多年来它已被应用于饮料中苯甲酸的定量分析。

江苏大学的Zongbao Sun、美国罗格斯大学的Chi-Tang Ho等在本研究中旨在利用HS-SPME-MS方法结合多变量分析，对SABL的等级质量进行鉴别并预测其酯含量。研究目标集中在以下5个关键点：1）通过HS-SPME-MS技术获得SABL样品的离子强度；2）利用PCA筛选出无关信息，建立线性判别分析（LDA）和反向传递人工神经网络（BPANN）模型，比较两个模型，找出判别SABL等级质量的最优模型；（3）通过GC获得包括己酸乙酯、乳酸乙酯、乙酸乙酯和丁酸乙酯在内的酯的真实值，结合SABL样品的离子强度和酯的真实值建立偏最小二乘法（PLS）模型，进行分析和预测性能。4）根据SPA和CARS选择最佳特征离子，并用于建立酯类预测模型；（5）比较不同离子选择方法建立的PLS、连续投影算法-PLS（SPA-PLS）、竞争性自适应重加权采样-PLS（CARS-PLS）模型的预测性能，找出预测SABL中酯类特征的最佳离子选择方法和模型。

Results and Discussion

不同等级SABL的定性分析

样品被分为G1（32个样品）、G2（24个样品）和G3（19个样品）。在G1样品中，10个好的样品（GG1）不仅有纯正的浓郁香气，没有异味，味道香甜。然而，G1中22个不良样品（BG1）有不好的气味（苦味、涩味、焦味和其他不可接受的气味）。

PCA的结果（图1）可以大致反映SABL样本中5个等级在原始变量空间的分布。图1显示了由PC1、PC2和PC3代表的SABL样本的三维（3D）空间。PC1、PC2和PC3分别显示了50.43%、18.29%和10.96%的变异。仅在G3样品中观察到分离，但在其他等级中出现了重叠。这可能是由于G3样品与其他等级的样品相比具有一些不同的质量。因此，PCA不能确定其他等级的边界，也不能直接作为确定SABL样品等级的工具，除非该样品的等级是G3。

图1 5个等级SABL的3D PCA得分图

使用PCA来确定质谱数据的降维，以提取最佳PC作为LDA识别模型的输入变量。降维后的数据不仅保留了足够的原始信息，而且还实现了对一定量原始数据的压缩，可用于后续处理。在图2A中，基于SPME-MS分析的不同等级SABL的训练集和测试集的结果显示，PC的数量影响了LDA中训练集和测试集的结果。当PC的数量小于7时，模型的识别率不稳定。当PC数达到7时，所建立的LDA模型在SABL的分类中获得了最佳效果，训练集的识别率为86%，测试集的识别率为84%。虽然当主成分为15时，模型的预测效果比主成分为7时有所提高，但会增加数据计算量，有很大可能造成过度拟合。此外，从图2B中Fisher-LDA之后的SABL 5个等级的二维分数图来看，第一个判别因子（LD1）和第二个判别因子（LD2）的贡献率分别为88.98%和9.82%，累积贡献率达到98.80%。G3的样本与所有其他样本分开。此外，同一等级的好样品和坏样品之间的区分也令人满意。然而，由于存在重叠部分，LDA无法定义GG1和GG2样品的边界。总的来说，所提出的方法提高了SABLs的识别性能。

A.不同PC训练集和测试集的LDA判别结果；B.在Fisher-LDA之后5个等级SABL的二维分数图。

图2 LDA分析结果

酯含量的定量分析

对SABL不同等级的4种酯类化合物建立了PLS、SPA-PLS和CARS-PLS模型。本研究以乙酸乙酯为例，对建立的模型进行分析。

在使用全变量建立PLS模型的过程中，随机选择2/3的SABL样品作为训练集，另外1/3试验作为测试集。图3表明，在利用前6个主成分的条件下，建立的PLS模型产生了最好的预测结果，得到了Rc（0.8288）、Rp（0.7778）、RMSECV（102.00）和RMSEP（122.00）。由全变量建立的PLS模型产生的Rc和Rp均小于0.9，这表明该模型在预测SABL中的乙酸乙酯方面效果不佳。这可能是由于存在许多与乙酸乙酯含量无关的离子性变量，导致预测性能下降，筛选特征变量似乎是解决这一问题的可行策略。

A.选择最佳PC；B.基于全变量的PLS模型训练集的结果；C.基于完全变量的PLS模型测试集的结果。

图3 PLS模型中乙酸乙酯含量的预测结果

使用SPA选择特征变量时，特征变量的数量范围被设定为1～18，由均方根误差（RMSE）决定。选择结果如图4A所示。当变量数为13时，得到的RMSE值最小。通过SPA选择的13个变量被用来建立PLS模型。图4B～4D表明，在利用9个主成分的条件下，建立的SPA-PLS模型产生了最好的预测结果，达到了Rc（0.8484）、Rp（0.8032）、RMSECV（96.90）和RMSEP（110.00）。与PLS模型相比，SPA-PLS获得了更高的Rc和Rp。

A.通过SPA筛选特征变量；B.选择最佳PC；C.基于SPA的PLS模型训练集的结果；D.基于SPA的PLS模型测试集的结果。

图4 SPA-PLS模型对乙酸乙酯含量的预测结果

如图5A所示，在对MC进行采样（19次）后，筛选出35个最优变量，建立PLS模型。如图5B所示，随着PLS成分数量的增加，RMSECV呈“V”字形变化，最终在PLS成分为7时达到最小值，建立的CARS-PLS模型产生了最好的预测结果，训练集的RMSECV为51.50，Rc为0.9563，测试集的RMSEP为52.90，在此条件下测试集的Rp为0.9370，如图5C、5D所示。与PLS和SPA-PLS模型相比，CARS-PLS对SABL中乙酸乙酯的预测显示出更大的概率。此外，30个PLS模型由随机选择的样品集开发，这些样品集具有相同的特征变量，如m/z 36、41、50、53、54、57、61、76、81、85、90、100、103、112、114、115、116、118、129、133、134、150、151、173、186、189、191、197、251、255、264、283、285、341和342。统计分析表明，平均Rc为0.9558，Rp为0.9286，RMSECV为50.75，RMSEP为63.38，这可能传达了一个重要的信息，即从CARS中选出的特征变量所建立的PLS模型具有良好的稳定性和高拟合性能。

A.通过CARS筛选特征变量；B.选择最佳PC；C.基于CARS的PLS模型训练集的结果；D.基于CARS的PLS模型测试集的结果。

图5 CARS-PLS模型对乙酸乙酯含量的预测结果

Conclusion

SPME-MS技术与化学计量学相结合，对5个不同感官等级的SABL进行了高精度分类。结果表明，SPME-MS与BPANN方法相结合，在区分不同等级的SABL方面产生了与LDA几乎相同的识别性能，测试集的识别率为84%。此外，研究发现，与PLS和SPA-PLS模型相比，CARS-PLS模型在乙酸乙酯、丁酸乙酯、己酸乙酯和乳酸乙酯的定量分析中显示出更大的优势。因此，通过克服传统检测技术的复杂和耗时问题，SPME-MS技术结合化学计量学可作为区分不同等级SABL质量和定量分析4个主要酯类化合物的工具。

Rapid qualitative and quantitative analysis of strong aroma base liquor based on SPME-MS combined with chemometrics

Zongbao Suna,c,*, Junkui Lia, Jianfeng Wuc, Xiaobo Zoua, Chi-Tang Hob,*, Liming Lianga, Xiaojing Yana, Xuan Zhoua,c

a School of Food and Biological Engineering, Jiangsu University, Zhenjiang 212013, China

b Department of Food Science, Rutgers University, New Brunswick, New Jersey 08903, USA

c Jiangsu King's Luck Brewery Co. Ltd., Lianshui 223411, China

*Corresponding authors.

E-mail address: zongbaos@163.com

ctho@sebs.rutgers.edu

Abstract

To objectively classify and evaluate the strong aroma base liquors (SABLs) of different grades, solid-phase microextraction-mass spectrometry (SPME-MS) combined with chemometrics were used. Results showed that SPME-MS combined with a back-propagation artificial neural network (BPANN) method yielded almost the same recognition performance compared to linear discriminant analysis (LDA) in distinguishing different grades of SABL, with 84% recognition rate for the test set. Partial least squares (PLS), successive projection algorithm partial least squares (SPA-PLS) model, and competitive adaptive reweighed sampling-partial least squares (CARS-PLS) were established for the prediction of the four esters in the SABL. CARS-PLS model showed a greater advantage in the quantitative analysis of ethyl acetate, ethyl butyrate, ethyl caproate, and ethyl lactate. These results corroborated the hypothesis that SPME-MS combined with chemometrics can effectively achieve an accurate determination of different grades of SABL and prediction performance of esters.

Reference:

SUN Z B, LI J K, WU J F, et al. Rapid qualitative and quantitative analysis of strong aroma base liquor based on SPME-MS combined with chemometrics[J]. Food Science and Human Wellness, 2021, 10(3): 362-369. DOI:10.1016/j.fshw.2021.02.031.

翻译/编辑：梁安琪；责任编辑：张睿梅

欢迎食品及相关专业领域的专家、老师及博士生在《食品科学》平台（官方订阅号、官方微博、网易号、今日头条号同步）上免费发布最新原创的科研成果、科研趋势及观点见解，我们将竭诚为大家宣传推介，扩大学术影响力！

投稿请联系《食品科学》新媒体部（QQ:707717405；e-mail:707717405@qq.com）

近期研究热点