（哈爾濱市產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)院,哈爾濱 150090）

1 引言

蜂蜜是蜜蜂從開花植物的花中采的花蜜于蜂巢中釀制而成，具有豐富的營(yíng)養(yǎng)成分和活性功能[1]。國(guó)際食品法典委員會(huì)和歐洲蜂蜜標(biāo)準(zhǔn)將蜂蜜定義為：蜜蜂采集植物的花蜜或植物分泌物或昆蟲排泄物，帶回巢房中貯存，并加入自身特殊的分泌物，進(jìn)行轉(zhuǎn)化、脫水至成熟的天然甜物質(zhì)，明確說明蜂蜜應(yīng)在巢房?jī)?nèi)成熟，且強(qiáng)調(diào)蜂蜜不得過度加熱或加工，致使其成分發(fā)生改變或質(zhì)量發(fā)生變化[2]。然而，我國(guó)蜂蜜因其過度生產(chǎn)而導(dǎo)致蜜蜂病害頻發(fā)、蜂產(chǎn)品獸藥殘留等問題[3]，造成我國(guó)蜂蜜質(zhì)量安全水平差，國(guó)際認(rèn)可度低。隨著人們生活水平的提高，對(duì)蜂蜜質(zhì)量的要求也越來越高。開展成熟蜜生產(chǎn)是提升蜂蜜質(zhì)量水平的可行之路[4]。

目前，成熟蜂蜜尚沒有準(zhǔn)確的定義，通常是指經(jīng)過在蜂巢中充分釀造、脫水并封蓋，含水量≤18%，葡萄糖和果糖總含量 ≥60%，且不添加或去除任何物質(zhì)的蜂蜜。然而，關(guān)于成熟蜜界定，目前存在的問題是非成熟蜂蜜經(jīng)濃縮后，理化指標(biāo)能滿足現(xiàn)有蜂蜜標(biāo)準(zhǔn)要求，依靠現(xiàn)有技術(shù)難以與成熟蜂蜜區(qū)分，易引發(fā)蜂蜜摻假問題。因此，建立成熟蜂蜜鑒別方法，對(duì)蜂蜜質(zhì)量安全標(biāo)準(zhǔn)制定和指導(dǎo)成熟蜂蜜生產(chǎn)具有重要意義。礦物元素是蜂蜜的一個(gè)重要組成部分，在熱加工濃縮過程等一系列生產(chǎn)過程中，可能會(huì)顯著影響蜂蜜的元素組成[5-9]。因此，本文研究了黑龍江省的椴樹蜂蜜樣品中的元素含量，嘗試根據(jù)蜂蜜元素組成來區(qū)分成熟蜂蜜。選擇合適的蜂蜜元素指紋分析方法的關(guān)鍵因素是多元素檢測(cè)能力，而ICP-MS是準(zhǔn)確、快速測(cè)定同一樣品中痕量和超痕量元素的合適技術(shù)[10-13]。本文建立ICP-MS[14-19]法測(cè)定了來自于黑龍江省的成熟原蜜和水蜜，使用多變量模型可將成熟蜜和水蜜較好地區(qū)分。

1 實(shí)驗(yàn)部分

1.1 試劑和儀器

Agilent 7700x ICP-MS（安捷倫公司），CEM MARS6 微波消解儀（CEM，USA），Milli-Q 超純水系統(tǒng)（Millipore，USA）。濃硝酸（HNO3）:優(yōu)級(jí)純，科密歐;雙氧水 （H2O2）:優(yōu)級(jí)純，科密歐；超純水（18.2MΩ·cm）；20種待測(cè)元素標(biāo)準(zhǔn)曲線各點(diǎn)由元素標(biāo)準(zhǔn)儲(chǔ)備液（AgilentTechnologies，USA）稀釋配制。

1.2 數(shù)據(jù)分析

元素含量測(cè)定后，使用質(zhì)量分析專業(yè)軟件（MPP）（安捷倫公司）進(jìn)行統(tǒng)計(jì)及多變量分析。使用主成分分析（PCA），決策樹（Decision Tree）、樸素貝葉斯（naive bayes）、神經(jīng)網(wǎng)絡(luò)（neural network）、支持向量機(jī)（support vector machine）和偏最小二乘判別分析法（partial least square discriminate）等化學(xué)計(jì)量方法，對(duì)所有數(shù)據(jù)進(jìn)行分析。

2 結(jié)果和討論

2.1 結(jié)果數(shù)據(jù)

在179個(gè)椴樹蜂蜜樣品中分析了24種元素，包括主要元素（K、Ca、Na、Mg、Fe、Mn、Zn、Al、Cu和Ba）和微量元素（B、V、As、Se、Mo、Cd、Sb、Tl、Pb、Th、U、Co、Ni和Cr）。由表1和表2可知，蜂蜜中富含多種人體所需的礦物元素，其中濃度較高的是 K、Ca、Mg、Zn、Na，其次是 Fe、Mn、Cu、Ba和Al，不同類型（成熟蜜和水蜜）蜂蜜中的元素含量存在一定差異性。此外，對(duì)人體危害較大的元素 As、Hg、Pb、Cd 和 Cr蜂蜜中的平均含量水平較低，表明黑龍江蜂蜜是一種營(yíng)養(yǎng)價(jià)值較高和食用安全性較好的保健食品。表1給出了不同類型（成熟蜜和水蜜）蜂蜜樣品元素含量匯總數(shù)據(jù)（平均值、中位值、標(biāo)準(zhǔn)偏差、最小值和最大值）。

2.2 統(tǒng)計(jì)分析

將所有蜂蜜和所測(cè)元素?cái)?shù)值融合到一個(gè)數(shù)據(jù)矩陣，行為元素含量，列為樣本種類。用T檢驗(yàn)方法進(jìn)行數(shù)據(jù)前處理，再將數(shù)據(jù)輸入 MPP 軟件進(jìn)行多維統(tǒng)計(jì)學(xué)分析。當(dāng)p<0.05時(shí)，Na、Mg、Al、K、Ca、Mn、Ni、Cu、Zn、As、Sb、Ba和Th13種元素，在來自成熟蜜和水蜜蜂蜜樣品中顯示出統(tǒng)計(jì)學(xué)上的有效值。我們需要找到成熟蜜、水蜜差異性和13個(gè)變量之間的相關(guān)性。

表1 ICP-MS方法測(cè)得蜂蜜中礦物元素的含量（mg/kg）

表2 ICP-MS方法測(cè)得蜂蜜中礦物元素的含量（μg/kg）

為此目的，采用主成分分析（PCA）以減少數(shù)據(jù)的維數(shù)，同時(shí)盡可能保留方差。使用MPP軟件執(zhí)行PCA。我們選擇表示前4個(gè)主成分，其方差可達(dá)原始數(shù)據(jù)的70.15%。第一主成分PC1承載37.29%的數(shù)據(jù)方差，第二主成分PC2承載13.69%，第三主成分PC3承載10.45%的原始數(shù)據(jù)方差，第四主成分PC4承載8.72%的原始數(shù)據(jù)方差。將數(shù)據(jù)維數(shù)從13降為4，同時(shí)保留70.15%的方差，使我們能夠在三維空間中表示它，這更容易可視化，并揭示了一些與蜂蜜差異性有關(guān)的聚類。

圖1給出了蜂蜜樣品在第一和第二主成分中的得分散點(diǎn)圖。通過第一和第二主成分可以區(qū)分成熟蜜和水蜜樣品。除個(gè)別樣品外，大部分A區(qū)蜂蜜第二主成分得分為正值，大部分B區(qū)蜂蜜第一主成分得分為負(fù)值。

圖1 蜂蜜樣品第一和第二主成分得分散點(diǎn)圖紅色■代表成熟蜜，黃色■代表水蜜

由圖2可知，成熟蜜和水蜜區(qū)分較好，說明成熟蜜和水蜜的元素含量有明顯差異，元素分析可作為區(qū)分成熟蜜和水蜜的潛在手段。對(duì)于個(gè)別離群值，需進(jìn)一步從樣本種類溯源，考察離群原因。

圖2 第一、第二和第三主成分3D標(biāo)準(zhǔn)化得分散點(diǎn)圖紅色圓代表成熟蜂蜜，黃色圓代表水蜜

2.3 利用成熟蜜和水蜜元素指標(biāo)建立蜂蜜判別模型分析

樣品基于預(yù)測(cè)模型被分配到相應(yīng)的組，區(qū)別于以往的僅憑測(cè)定個(gè)別成分來判定樣品的歸屬，使用預(yù)測(cè)模型來確定分類。利用 MPP 軟件提供的多種類別預(yù)測(cè)算法建立決策樹、樸素貝葉斯（naive bayes）、神經(jīng)網(wǎng)絡(luò)（neural network）、偏最小二乘判別分析法（partial least square discriminate）和支持向量機(jī)（SVM）五種模型。從中隨機(jī)選擇成熟蜜蜂蜜 12 個(gè)和水蜜 14 個(gè)，對(duì)五個(gè)模型進(jìn)行驗(yàn)證。其中A、B、C、D、E、F、G、H、I、J、K、L、M、N 為水蜜，其他都是成熟蜜。

表3 Decision tree 模型和 naive bayes 模型分析的樣品結(jié)果

表4 Neural network 模型和 Support vector machine 模型分析的樣品結(jié)果

如表3所示，決策樹模型中總體預(yù)判準(zhǔn)確率為 91.67%。樸素貝葉斯 NBC模型總體預(yù)判準(zhǔn)確率為 50%。如表4所示，神經(jīng)網(wǎng)絡(luò)模型總體預(yù)判準(zhǔn)確率為 45.83%。支持向量機(jī)模型，總體預(yù)判準(zhǔn)確率為41.67%。表5中偏最小二乘判別分析法模型，總體預(yù)判準(zhǔn)確率為 66.67%。

表5 partial least squares discrimination模型分析的樣表

4 結(jié)論

本文通過測(cè)定成熟蜂蜜多元素含量并進(jìn)行主成分差異分析，建立了5種不同的分類模型。通過分類模型對(duì)蜂蜜的預(yù)判，結(jié)果證實(shí)，多元素含量可以區(qū)分成熟蜂蜜和水蜜。其中決策樹模型具有較好的鑒別結(jié)果，可用于成熟蜂蜜的鑒別。