一种利用气相色谱-质谱不解析化合物鉴别白酒原产地的方法

摘要

一种利用气相色谱-质谱不解析化合物鉴别白酒原产地的方法，属于白酒鉴别技术领域。本发明步骤：（一）使用配有自动进样装置的气相色谱质谱仪建立不同产地白酒的离子丰度质谱图；（二）建立不同产地白酒的离子鉴别统计模型。本发明使用顶空固相微萃取气相色谱质谱技术（HS-SPME-GC-MS）分析不同产地的白酒酒样，不用解析图谱中的单个化合物，而通过软件导出三维数据，获得不同酒样的离子丰度质谱图，然后运用偏最小二乘-判别分析和逐步线性判别分析等化学计量方法筛选出重要特征离子，建立产地鉴别的神经网络模型。本发明是一种新的白酒质量控制及原产地保护技术，操作简单，检测灵敏度高，结果直观可靠；可进一步建立不同香型、不同等级白酒鉴别的神经网络模型，甚至构建不同白酒的特征离子谱库。

说明书

技术领域

本发明涉及一种利用气相色谱-质谱不解析化合物鉴别白酒原产地的方法，特别是涉及一种运用顶空固相微萃取气相色谱质谱技术和化学计量统计方法相结合来鉴别白酒原产地的方法，此方法的特别之处在于无需解析化合物而借助化合物离子片段的丰度信息。属于白酒鉴别技术领域。

背景技术

白酒是我国的传统产品之一，有着悠久的历史，由于其独特而多样化的酿造工艺和典型风味，形成了不同的香型，目前主要有浓香、酱香、清香、米香、凤香、药香、豉香、芝麻香、兼香、特型和老白干11种香型。

即使是同种香型白酒，由于产区地理环境和气候的差异也会造成白酒风味的差异，使酒中微量香味成分及其相互间的量比关系不同，而形成不同的酒体风格。随着我国加入WTO，原产地保护也渐入人们的视野，其中“原产地”是一个地理名称，表明产品的产地，该产地具有独特的地理环境、气候条件和传统的特殊制造工艺，决定了该地域产品的质量或特征。目前，我国几家著名的白酒企业，如：茅台、五粮液等，均已获得原产地保护，而且越来越多的白酒企业在申请原产地保护。

目前，国内关于白酒原产地鉴别的研究很少，对白酒成分的检测方法，主要有：

1、气相色谱法（GC）及气相-质谱联用（GC-MS）

目前白酒分析最普遍的方法就是气相色谱，气相色谱分析的物质大多是挥发性组分，白酒中的大部分芳香物质通过累加、协同的作用，对白酒的风味品质起作用。通过气相-质谱联用技术，对白酒中的挥发成分进行定性定量分析，可以对白酒的风味有了较全面的了解，但仍有部分微量成分无法定性和定量。因此，通过对酒中成分定性定量来研究酒的原产地，操作费时，无法用于多样品鉴别。

2、液相色谱法

高效液相色谱适合分析难气化、不易挥发的物质，如酒中的有机酸、氨基酸、生物胺等物质。而这些物质无关乎白酒的风味，所以，对白酒成分的分析气相色谱技术的应用更广泛和成熟。

3、近红外光谱法

近红外光谱扫描样品，可以得到样品中有机分子含氢基团的特征信息，由于不同种类物质所含化学成分不同，含氢基团的倍频与合频振动频率不同，形成的近红外图谱的峰位、峰数及峰强不同，样品的化学成分差异越大，图谱的特征性差异越强。这种方法直观、简便，但对于性质相近的样品鉴别却无能为力，灵敏度低。

国外对酒的研究主要集中在葡萄酒、威士忌和白兰地等，对这些酒的原产地鉴定，有了成熟的技术手段。本发明所用直接质谱技术无需分离酒中成分，获得气相色谱-质谱图后，不需要解析化合物，通过导出三维数据收集离子丰度值来提取样品信息，可在短时间内检测大量样本，同时借助相应的化学计量学软件分析数据来构建原产地识别模型，采用的化学计量方法主要有主成份分析、偏最小二乘分析、判别分析、神经网络等。

鉴于此，为了监督白酒生产质量和维护白酒市场秩序，保护消费者的权益，发明一种白酒原产地鉴别方法势在必行。

发明内容

本发明所要解决的技术问题是提供一种利用气相色谱-质谱不解析化合物鉴别白酒原产地的方法，本发明使用HS-SPME-GC-MS分析不同产地的白酒酒样，不用解析图谱中的单个化合物，而通过软件导出三维数据，获得不同酒样的离子丰度质谱图，然后运用偏最小二乘-判别分析和逐步线性判别分析等化学计量方法筛选出重要特征离子，建立产地鉴别的神经网络模型。本发明建立了一种全新的白酒质量控制及原产地保护方法，操作简单，检测灵敏度高，结果直观可靠。

本发明的技术方案：一种利用气相色谱-质谱不解析化合物鉴别白酒原产地的方法，该方法包括如下步骤：

（一）使用配有固相微萃取自动进样装置（MPS2）（德国Gerstel公司）的气相色谱-质谱仪（GC6890N-MSD5975）（美国Agilent公司）建立不同产地白酒的离子丰度质谱图

a、供试样品的准备：不同产地的白酒酒样，需先用去离子水稀释成10%vol，配成8mL溶液体系，稀释后的酒样用3g氯化钠饱和，置于20mL顶空瓶中，顶空瓶用硅胶垫片密封；

b、对供试样品进行顶空固相微萃取气相色谱质谱（HS-SPME-GC-MS）分析：

SPME条件：采用DVB/CAR/PDMS三相萃取头于恒温40℃下预热5min，后在同一温度下萃取吸附15min；萃取完成后，萃取头插入气相色谱仪进样口中解吸分析物。由于本技术仅需获得酒样的整个顶空色谱图而无需解析化合物，因此，将解吸时间设为10min。

质谱条件：EI电离源，电子轰击能量为70eV，离子源温度为230℃；扫描范围为35～350amu；

c、对上述供试样品由气相色谱仪得到的色谱图经NIST05质谱库（AgilentTechnologies Inc.）分析，导出三维数据，获得不同产地白酒酒样质荷比m/z55～191范围内的离子丰度值数据，得离子丰度质谱图；

（二）建立不同产地白酒的离子鉴别统计模型

将步骤c中所述的离子丰度值数据导入化学计量学软件，进行偏最小二乘-判别分析和逐步线性判别分析，筛选出重要的特征离子；最后用筛选得到的特征离子建立原产地鉴别的神经网络模型；

化学计量学软件为SIMCA-P，IBM SPSS20和MATLAB软件；其中偏最小二乘-判别分析由SIMCA-P完成，逐步线性判别分析由IBM SPSS20完成，神经网络模型由MATLAB建立。

上述数据分析步骤是：

（1）对供试样品进行HS-SPME-GC-MS分析，获得色谱图；

（2）选择导出质荷比m/z55～191范围内的离子丰度值数据；

（3）借助化学计量学软件进行偏最小二乘-判别分析和逐步线性判别分析筛选出重要特征离子，建立不同白酒原产地鉴别的神经网络模型。

本发明的有益效果：本发明使用HS-SPME-GC-MS分析不同产地的白酒酒样，不用解析图谱中的单个化合物，而通过软件导出三维数据，获得不同酒样的离子丰度质谱图，然后运用偏最小二乘-判别分析和逐步线性判别分析等化学计量方法筛选出重要特征离子，建立产地鉴别神经网络模型。本发明建立了一种全新的白酒质量控制及原产地保护方法，操作简单，检测灵敏度高，结果直观可靠。

附图说明

图1汾酒在m/z55～191范围内的离子图谱，注：FJ-汾酒

图2郎酒在m/z55～191范围内的离子图谱，注：LJ-郎酒

图3洋河酒在m/z55～191范围内的离子图谱，注：YH-洋河

图4老白干酒在m/z55～191范围内的离子图谱，注：LBG-老白干

图5牛栏山酒在m/z55～191范围内的离子图谱，注：NLS-牛栏山

图6古贝春酒在m/z55～191范围内的离子图谱，注：GBC-古贝春

图7剑南春酒在m/z55～191范围内的离子图谱，注：JNC-剑南春

图8西凤酒在m/z55～191范围内的离子图谱，注：XF-西凤

图9浓香型白酒产地鉴别的偏最小二乘-判别分析的离子重要性排序图

图10浓香型白酒的原产地判别分析结果图

图11浓香型白酒的神经网络模型的产地预测结果图

图12不同香型多种白酒产地鉴别的偏最小二乘-判别分析的离子重要性排序图

图13不同香型多种白酒的原产地判别分析结果图

图14不同香型多种白酒的神经网络模型的产地预测结果图

具体实施方式

实施例1：浓香型白酒的原产地鉴别

（一）使用配有自动进样装置MPS2的气相色谱质谱仪GC6890N-MSD5975建立不同产地白酒的离子丰度质谱图

a、供试样品的准备：采集131个酒样，其中汾酒12个，老白干42个，郎酒35个，牛栏山6个，洋河15个，古贝春7个，剑南春6个，西凤8个。各白酒的香型类别分别为，凤香型：西凤；酱香型：郎酒；老白干香型：老白干；清香型：汾酒、牛栏山；浓香型：洋河、古贝春、剑南春。

将酒样用去离子水稀释成10%vol，配成8mL溶液体系，稀释后的酒样用3g氯化钠饱和，置于20mL顶空瓶中，顶空瓶用硅胶垫片密封。

b、对供试样品进行HS-SPME-GC-MS分析。

仪器：自动顶空进样系统MPS2（德国Gerstel公司）；气相色谱-质谱联用仪GC6890N-MSD5975（美国Agilent公司）

SPME条件：采用DVB/CAR/PDMS三相萃取头于恒温40℃下预热5min，后在同一温度下萃取吸附15min；萃取完成后，萃取头插入气相色谱仪进样口中解吸分析物。由于本技术仅需获得酒样的色谱图而无需解析化合物，因此，将解吸时间设为10min。

质谱条件：EI电离源，电子轰击能量为70eV，离子源温度为230℃；扫描范围为35～350amu；

c、对上述供试样品的色谱图（由气相色谱仪得到）经NIST05质谱库（AgilentTechnologies Inc.）分析，导出三维数据，获得不同产地白酒酒样质荷比m/z55～191范围内的离子丰度值数据。离子丰度质谱图分别见图1、图2、图3、图4、图5、图6、图7、和图8。

（二）建立不同产地白酒的离子鉴别统计模型

将步骤c中所述的离子丰度值数据导入化学计量学软件，进行偏最小二乘-判别分析和逐步线性判别分析，筛选出重要的特征离子；最后用筛选得到的特征离子建立原产地鉴别的神经网络模型；

化学计量学软件为SIMCA-P，IBM SPSS20和MATLAB软件；其中偏最小二乘-判别分析由SIMCA-P完成，逐步线性判别分析由IBM SPSS20完成，神经网络模型由MATLAB建立。

由于离子丰度值存在明显的数量级差异，因此，需对原始数据进行合适的变换处理来消除数量级对结果的影响。本发明中采用取对数的方法对数据进行预处理，即log(X+1)，式中值1是为了保证数值的有效性。

借助偏最小二乘-判别分析筛选出33个重要特征离子，其离子重要性排序图见图9，它的值是由每个离子对偏最小二乘权重的平方和计算得到的，所有离子的重要性值平方和与离子变量数相等，所以离子重要性值的平均值为1。此处，筛选出离子重要性大于1的33个离子，分别为m/z191、190、76、104、149、175、183、176、186、132、59、150、170、174、182、163、92、167、187、147、169、160、140、188、161、113、168、128、166、72、181、151、126，按照离子重要性递减排序（与图9对应）。

将选出的33个离子经逐步线性判别分析进一步筛选特征离子，分别为m/z72、174、183、191共4个特征离子，这些离子形成了2个判别函数（见表1）。由这两个判别函数获得的酒样判别得分，将样品的聚类结果可视化（图10）。从图10中可见，浓香型三种不同产地的酒能够很好的分开，同一产地的酒聚集成堆，洋河酒分布于X正半轴两侧；剑南春酒分布于第四象限中；古贝春酒分布于第三象限中；分类结果准确，并用留一法对判别模型进行交叉验证，预测正确率达100%。

表1浓香型白酒判别函数的判别力和各函数的相关离子

文中结合偏最小二乘-判别分析和逐步线性判别分析方法筛选出的4个特征离子作网络的输入层，酒样的不同产地做网络的输出层，构建神经网络鉴别模型。同时为了避免构建的网络出现过拟合现象，借助了验证样本，即将所有酒样的70%作训练集，15%做验证集，15%做测试集。在网络训练过程中，不断计算训练误差和验证误差，如果训练误差降低而验证误差升高，则预示着网络可能开始过拟合，此时停止训练。本发明中构建的模型在迭代40次时，验证误差达到最低值。网络对样本的预测原产地结果见图11，所有酒样均能正确鉴别，准确率达100%。

实施例2：不同香型白酒的原产地鉴别

离子丰度值数据预处理后，经偏最小二乘-判别分析筛选出61个重要特征离子，其离子重要性排序图见图12，筛选出的离子重要性大于1的61个离子，分别为m/z181、99、155、100、117、92、106、118、91、103、156、71、169、183、145、72、60、149、96、115、122、152、144、87、88、113、153、189、95、75、105、74、164、166、116、138、167、160、120、58、59、157、114、62、70、73、77、61、146、174、102、190、191、64、90、127、137、139、101、133、141，按照重要性递减排序（与图12对应）。

将选出的61个离子经逐步线性判别分析进一步筛选特征离子，得到m/z61、70、71、77、87、91、92、96、99、101、103、106、113、116、117、127、144、146、149、152、153、155、157、166、167、183、191共27个特征离子，这些离子形成了7个判别函数（见表2）。从表2中看出函数4、5、6、7的方差值分别为5.1%、2.1%、1.7%和0.9%，对判别的贡献率很少，可不予考虑。由前两个判别函数获得的酒样判别得分，将样品的聚类结果可视化（图13）。从图13中可见，八种不同产地的酒能够很好的分开，同一产地的酒聚集成堆，且不同香型也成规律排布。清香型的两种酒同分布于第一象限中，酱香型郎酒分布于第三象限中，老白干香型白酒分布于第四象限中，浓香型的三种酒同分布于第二象限中，凤香型西凤酒也位于此象限中，而老白干香型酒与清香型酒的距离更近；由此可见，凤香型与浓香型酒的风味更相近，而老白干香型则更接近于清香型，并用留一法对判别模型进行交叉验证，预测正确率达99.2%。

表2不同香型多种白酒判别函数的判别力和各函数的相关离子

文中用筛选出的27个特征离子作网络的输入层，酒样的不同原产地做网络的输出层，构建神经网络鉴别模型。网络对样本的预测原产地结果见图14。从图14中可以看出，所有酒样均能正确鉴别，准确率达100%。