彭 丹，史翠熠，陳名揚，周 琪，楊國龍

（河南工業(yè)大學(xué)糧油食品學(xué)院，河南 鄭州 450001）

植物油是我國食用油脂的主要來源，其消費量居全球首位[1]。食用植物油的種類繁多，不同植物油的產(chǎn)量、脂肪酸組成及營養(yǎng)物質(zhì)互有不同，價格差異較大，以至于調(diào)和油市場上存在隨意冠名、以次充好等問題[2]。對此，GB 2716—2018《植物油》中明確規(guī)定了調(diào)和油命名和標識，要求標明食用植物調(diào)和油的原料比例。然而，目前缺少對植物油摻偽，特別是植物油種類鑒別的有效方法，這不利于遏制市場上假冒偽劣的調(diào)和油，也給部門監(jiān)管帶來一定難度。因此，亟需開發(fā)一種準確、快速的植物油種類鑒別方法，以確保調(diào)和油的質(zhì)量。

現(xiàn)有植物油種類鑒別方法主要有兩大類：一類是根據(jù)植物油內(nèi)部組成或特征性物質(zhì)進行鑒別，如脂肪酸組成和含量[3]、甘三酯（triacylglycerol，TAG）結(jié)構(gòu)[4]及芝麻酚、棉酚等特征標志物[5-6]。Li Xinhui等[7]采用氣相色譜-質(zhì)譜測定植物油的脂肪酸組成，結(jié)合化學(xué)計量學(xué)方法建立食用植物油的分類模型。Tang Fenfen等[8]基于脂肪酸和TAG組成信息對橄欖油品種進行分類。然而，油脂的種類差異及同種油脂的成分會受產(chǎn)地、加工工藝等因素影響而發(fā)生變化，單純通過植物油某一特征指標很難得到整個油脂體系的準確信息，并且該法難以實現(xiàn)快速在線檢測。另一類是利用光、電等間接方式采集信息進行鑒別，研究中多采用光譜法如紫外光譜、近紅外光譜、中紅外光譜、拉曼光譜和熒光光譜等[9-12]。近紅外、中紅外光譜法快速、無損，但易受到外界因素（如儀器、樣品狀態(tài)等）及測量條件的影響；拉曼光譜法研究目前還不夠成熟，信號弱且儀器昂貴難以推廣應(yīng)用；紫外光譜法和熒光光譜法快速、檢測成本低，但模型穩(wěn)健性較差，有待進一步提升。低場核磁共振（low-field nuclear magnetic resonance，LF-NMR）技術(shù)作為新型無損檢測技術(shù)，具有快速、簡便、綠色等優(yōu)點，在化學(xué)、食品、高分子材料等領(lǐng)域有越來越廣泛的應(yīng)用[13-18]。Romanel等[19]基于LF-NMR技術(shù)開發(fā)了一種汽油摻假檢測的新方法。Miao Xuepei等[20]通過LF-NMR技術(shù)監(jiān)測環(huán)氧涂料的性能變化。Wang Chen等[21]利用LF-NMR技術(shù)檢測煎炸棕櫚油中極性組分含量。然而，LF-NMR技術(shù)在油脂摻偽檢測領(lǐng)域上的研究尚處于起步階段。近年來，相關(guān)研究主要分為兩方面：一方面通過檢測固體脂肪含量（solid fat content，SFC）鑒別餐飲業(yè)廢油的摻假問題[22]，GB/T 31743—2015《動植物油脂 脈沖核磁共振法測定固體脂肪含量 直接法》也將LF-NMR技術(shù)作為SFC檢測手段；另一方面利用橫向弛豫時間T2的相關(guān)信息檢測植物油摻假問題，現(xiàn)有的研究主要是基于弛豫時間變化規(guī)律分析植物油摻偽情況[23-25]，對于檢測基礎(chǔ)理論研究較少。植物油是一種復(fù)雜體系，不同種類油脂的組成十分接近，僅用簡單的規(guī)律分析或數(shù)學(xué)方法建立模型，無法對植物油摻偽鑒別起到理論指導(dǎo)作用。基于此，本實驗系統(tǒng)研究植物油內(nèi)部組成與低場核磁弛豫特性間的關(guān)系，采用LF-NMR技術(shù)結(jié)合化學(xué)計量方法對5 種植物油進行鑒別研究，旨為保障食用油的質(zhì)量安全、有效維護食用油市場秩序提供技術(shù)支持。

1 材料與方法

1.1 材料與試劑

樣品來源：河南鄭州各大超市購買的不同產(chǎn)地、不同品牌、不同種類的植物油共5 類，分為菜籽油（11 種）、大豆油（15 種）、花生油（17 種）、葵花籽油（13 種）及玉米油（12 種）。對建模68 個樣本按照3∶1比例，隨機選擇51 個樣本作為訓(xùn)練集，其余為預(yù)測集。

正己烷（色譜純）、甲醇鈉、無水硫酸鈉等，除特殊標記外，其余均為分析純。

1.2 儀器與設(shè)備

8860氣相色譜儀 美國Agilent公司；Mq 20 LF-NMR分析儀 德國Bruker公司；80-2型離心機 江蘇科析儀器有限公司。

1.3 方法

1.3.1 脂肪酸組成分析

油樣甲酯化具體方法參照GB 5009.168—2016《食品中脂肪酸的測定》。氣相色譜條件：氫火焰離子化檢測器；BPX-70色譜柱（30.0 m×250 μm，25.0 μm）；進樣口溫度：250 ℃；柱溫：170 ℃；檢測器溫度：300 ℃；分流比：20∶1；N2流速：1 mL/min；H2流速：30 mL/min；空氣流速：400 mL/min；進樣量：1 μL。

1.3.2 甘油酯含量測定

取35 mg油樣溶于6 mL正己烷，加入無水硫酸鈉去除水分，過濾膜后進入氣相色譜儀進行測定。氣相色譜條件：氫火焰離子化檢測器；DB-1ht色譜柱（30.0 m×250 μm，0.1 μm）；進樣口溫度350 ℃；柱箱初始溫度100 ℃；升溫程序：100 ℃保持1 min，50 ℃/min升至220 ℃保持2 min，15 ℃/min升至290 ℃保持2 min，40 ℃/min升至320 ℃保持6 min，20 ℃/min升至360 ℃保持8 min；檢測器溫度：350 ℃；分流比：10∶1；N2流速：4 mL/min；H2流速：40 mL/min；空氣流速：300 mL/min；進樣量：1 μL。

1.3.3 低場核磁回波衰減曲線測定及反演

準確量取3 mL樣品于低場核磁專用試管內(nèi)，經(jīng)水浴恒溫45 ℃后置于LF-NMR樣品槽中，利用CPMG（Car-Purcell-Meiboom-Gill）脈沖序列測定樣品的橫向弛豫時間T2。

儀器參數(shù)設(shè)置：采樣頻率：200 kHz；掃描次數(shù)：8 次；循環(huán)延時：2 s；增益：50 dB；半回波時間：0.5 ms；回波個數(shù)：3000 個。每個樣品重復(fù)測定3 次，取平均值作為樣品的測定結(jié)果。

通過Matlab軟件對低場核磁CPMG回波衰減數(shù)據(jù)進行反演擬合，得到樣品的多組分弛豫圖譜，包括弛豫時間T2i、峰面積S2i（i=1，2，…，n）及總峰面積S總。當樣品作為一個整體進行反演時可得到樣品的單組份弛豫時間T2W。

1.4 數(shù)據(jù)處理

利用SPSS軟件對不同植物油的低場核磁弛豫特性進行差異顯著性分析，對油樣弛豫特性指標與其脂肪酸、甘油酯含量進行Pearson相關(guān)性分析。采用The Unscrambler X 10.4軟件的主成分分析（principal component analysis，PCA）、線性判別分析（linear discriminant analysis，LDA）對低場核磁回波衰減曲線數(shù)據(jù)進行處理，并建立植物油種類鑒別模型。

PCA是一種有效的數(shù)據(jù)壓縮和信息提取方法，通過線性變換，將高維數(shù)據(jù)空間投影到低維PC空間，用較少的變量代替原來的變量，且彼此之間互不相關(guān)[26]。

LDA是一種有監(jiān)督的模式識別方法，將高維樣本數(shù)據(jù)投影到最佳鑒別矢量空間上，投影后使同類別樣本盡可能接近，而不同類別樣本中心之間的距離盡可能大，從而達到分類目的[27]。樣本在新空間中的類內(nèi)離散度SW和類間離散度SB為：

式中：D為樣品類別數(shù)；N為樣本總數(shù)；Ni為第i類樣本數(shù)；為樣本總均值；xij為第i類樣本的第j個樣品；為第i類樣本均值。常用的判別函數(shù)有線性判別函數(shù)（Linear）、二次判別函數(shù)（Quadratic）和馬氏距離（Mahalanobis）。

2 結(jié)果與分析

2.1 不同種類植物油組成成分分析

由表1可知，5 種不同植物油的甘油酯組成及含量存在一定的差異，其中TAG含量均占90%以上，而甘二酯（diglyceride，DAG）、甘一酯（monoglyceride，MAG）含量相對較少，均低于5%。此外，植物油中還具有含量極少的磷脂、色素、甾醇等物質(zhì)[28]。植物油作為一個復(fù)雜混合物體系，構(gòu)成甘油酯的脂肪酸種類、碳鏈長度、不飽和度等對油脂的性質(zhì)起著重要作用，僅通過植物油的甘油酯組成，很難全面反映不同種類油脂的特點，因此可以借助脂肪酸組成提高油脂種類的分辨率。從表2可以看出，5 種植物油的脂肪酸組成均符合國家標準（GB/T 1536—2021《菜籽油》、GB/T 1535—2017《大豆油》、GB/T 1534—2017《花生油》、GB/T 10464—2017《葵花籽油》及GB/T 19111—2017《玉米油》），不同種類植物油的主要脂肪酸組成基本一致，且油酸（C18:1）和亞油酸（C18:2）含量占總含量的72%以上。然而，受品種、氣候等因素影響，不同植物油的脂肪酸含量存在一定的差異。其中，菜籽油和花生油的油酸含量相對較高，屬于油酸型油脂；而大豆油、葵花籽油和玉米油的亞油酸含量均大于50%，屬于亞油酸型油脂。相比于其他植物油，菜籽油中不僅含有芥酸（C22:1），還含有與大豆油中含量相當?shù)膩喡樗幔–18:3）；花生油中花生酸（C20:0）、山崳酸（C22:0）、木焦油酸（C24:0）等長碳鏈脂肪酸含量明顯高于其他植物油。大豆油、葵花籽油和玉米油的多不飽和脂肪酸（polyunsaturated fatty acid，PUFA）含量遠大于菜籽油和花生油。Prestes等[29]研究發(fā)現(xiàn)脂肪酸不飽和度越高，油脂黏度越小，相應(yīng)弛豫時間越長。Lu Rongsheng[30]、夏義苗[31]等也研究表明LF-NMR弛豫圖譜中弛豫時間與植物油的飽和脂肪酸（saturated fatty acid，SFA）含量有關(guān)?？梢?，5 種植物油（菜籽油、大豆油、花生油、葵花籽油及玉米油）的脂肪酸飽和度差異會引起弛豫特性的不同，這也為LF-NMR技術(shù)鑒別植物油種類提供了理論基礎(chǔ)。

表1 不同種類植物油的主要成分及含量Table 1 Contents of major components in different vegetable oils%

表2 不同種類植物油的脂肪酸組成分布Table 2 Fatty acid composition in different vegetable oils%

2.2 不同種類植物油弛豫圖譜分析

對5 種植物油的低場核磁回波衰減曲線進行測定，其結(jié)果如圖1所示。不同種類植物油的低場核磁回波曲線的整體衰減趨勢一致，但其曲線衰減速率存在一定的差異，即花生油＞菜籽油＞玉米油＞大豆油＞葵花籽油。這可能與5 種植物油中脂肪酸碳鏈長度及不飽和度差異有關(guān)[32]。

圖1 不同種類植物油的低場核磁回波衰減曲線Fig.1 LF-NMR echo attenuation curves of different vegetable oils

為進一步研究植物油種類對回波衰減曲線的影響，通過反演擬合數(shù)據(jù)分析植物油種類與LF-NMR弛豫特性間的關(guān)系，結(jié)果如圖2、3和表3所示。由圖2可知，5 種植物油的多組分弛豫譜圖中均存在T21、T22、T23三個響應(yīng)峰，表明其均含有3 種不同狀態(tài)的氫質(zhì)子，T21所對應(yīng)的峰面積S21最小，而峰面積S22、S23較大。5 種植物油以峰面積S23為評價指標，按峰面積由小到大排列依次為：花生油＜菜籽油＜玉米油＜大豆油＜葵花籽油；當以弛豫時間T2W為標準時，5 種植物油的弛豫時間順序為：花生油＜菜籽油＜玉米油＜大豆油＜葵花籽油，與峰面積S23排列順序相同。Berman等[33]研究發(fā)現(xiàn)，油酸和油酸甲酯形成不同的液晶狀態(tài)會引起其弛豫時間和峰面積發(fā)生變化，表明脂質(zhì)弛豫特性與內(nèi)部結(jié)構(gòu)和外部環(huán)境相關(guān)。對于菜籽油、大豆油、花生油、葵花籽油和玉米油5 種植物油來說，其內(nèi)部甘油酯、脂肪酸組成及含量存在差異（表1、2），所以植物油種類改變會引起多組分弛豫譜圖中弛豫時間和峰面積發(fā)生不同的變化。

圖2 不同種類植物油的橫向弛豫圖譜Fig.2 Transverse relaxation spectra s of different vegetable oils

表3 不同種類植物油的LF-NMR弛豫特性指標結(jié)果Table 3 LF-NMR relaxation properties of different vegetable oils

通過SPSS軟件對5 種不同植物油的弛豫特性指標進行顯著性差異分析，從表3可以看出，5 種植物油的弛豫特性指標T2W、T23、S23和S總存在顯著差異（P＜0.05）；相比之下，T21、S21和S22的差異較小。由圖3可知，弛豫特性指標T2W、T22、T23、S23、S總與C18:1、C18:2、C20:0、單不飽和脂肪酸（monounsaturated fatty acid，MUFA）、PUFA含量存在極顯著相關(guān)性（P＜0.01），同時C18:0、C20:1、C22:0、C24:0、DAG和TAG也對弛豫特性有顯著影響（P＜0.05）。其中，C18:2、PUFA與弛豫特性指標顯著正相關(guān)，而C18:1、C20:0、MUFA呈極顯著負相關(guān)?？梢姡椭瑑?nèi)部的脂肪酸、甘油酯組成及含量差異是引起5 種植物油的多組分弛豫譜圖存在差異的主要因素。因此，利用LF-NMR技術(shù)鑒別植物油品種有可行性。

圖3 植物油低場核磁弛豫特性與脂肪酸和甘油酯含量的相關(guān)性Fig.3 Correlation between LF-NMR relaxation properties and contents of fatty acids and glyceride in vegetable oils

2.3 PCA結(jié)果

采用PCA對5 種不同植物油的低場核磁回波衰減數(shù)據(jù)進行分析，結(jié)果如圖4所示。前4 個PC的累計貢獻率超過99%，保留了回波衰減曲線原始數(shù)據(jù)大部分信息。結(jié)合表2可以看出，5 種植物油在得分圖中分布與其脂肪酸組成有著密切關(guān)系。大豆油和葵花籽油在PC1-PC2得分圖上的分布較為接近，而玉米油、菜籽油和花生油的分布十分接近，甚至相互重疊；在PC3-PC4得分圖上玉米油與菜籽油、花生油的分布距離相對較遠，而菜籽油、葵花籽油和花生油的分布交錯在一起，不存在明顯邊界。上述現(xiàn)象表明，PCA僅能鑒別出油酸型油脂（菜籽油和花生油）和亞油酸型油脂（大豆油、葵花籽油和玉米油），但對于5 種植物油的區(qū)分效果并不理想。

圖4 不同種類植物油的PCAFig.4 PCA plots of different vegetable oils

2.4 PCA-LDA結(jié)果

建模數(shù)據(jù)會直接影響模型的預(yù)測能力和穩(wěn)健性。建模數(shù)據(jù)篩選既可以簡化模型，又可以剔除不相關(guān)或干擾信息，提高模型的泛化能力。本研究將油樣回波衰減曲線的3000 個數(shù)據(jù)點，從弛豫時間上設(shè)定6 個不同數(shù)據(jù)段：1～500（500數(shù)據(jù)點）、1～1000（1000數(shù)據(jù)點）、1～1500（1500數(shù)據(jù)點）、1～2000（2000數(shù)據(jù)點）、1～2500（2500數(shù)據(jù)點）和1～3000（3000數(shù)據(jù)點），以Linear為判別函數(shù)，利用各數(shù)據(jù)段分別建立植物油種類鑒別模型，其結(jié)果如圖5所示。以2000 個數(shù)據(jù)點為例（圖5A），大豆油與葵花籽油較為接近，分布于圖的左上方區(qū)域，菜籽油集中于圖的右側(cè)區(qū)域，玉米油位于圖的中心區(qū)域，而花生油則分布于圖的中下方區(qū)域。當數(shù)據(jù)點小于1500時，LDA模型的預(yù)測準確度均小于70%；而數(shù)據(jù)點超過2000以后，模型預(yù)測正確率不低于80%，且預(yù)測性能變化不大，因此選取樣本數(shù)據(jù)點個數(shù)為2000 個。

圖5 不同建模數(shù)據(jù)量對LDA模型性能的影響Fig.5 Effect of the number of input data on the performance of LDA model

為提高計算的簡便性，采用PCA結(jié)合LDA法建立植物油種類的鑒別模型，通過交叉驗證比較PC數(shù)和判別函數(shù)對模型性能的影響，如圖6和表4所示。隨著PC數(shù)的增加，3 種判別函數(shù)下LDA模型的分類準確率先增加后趨于平緩，PC數(shù)對3 種判別函數(shù)的模型性能影響程度依次為：Linear＞Mahalanobis＞Quadratic。以PC=4為例（表4），當判別函數(shù)為Linear時，花生油誤判為菜籽油、葵花籽油誤判為大豆油的樣本比例較高，誤判率分別為25%、20%；相比之下，當判別函數(shù)為Quadratic時，5 種植物油的正確識別率可達100%；若判別函數(shù)選擇Mahalanobis時，僅有菜籽油被誤判為花生油，其他4種植物油均能準確識別。綜合考慮模型的穩(wěn)定性和識別能力（圖6），選擇判別函數(shù)Linear、Quadratic和Mahalanobis的模型最佳PC數(shù)分別為10、4和7。

圖6 PC數(shù)對LDA模型性能的影響Fig.6 Effect of the number of PCs on the performance of LDA model

表4 不同判別函數(shù)對LDA模型性能的影響（PC=4）Table 4 Effect of different discriminant functions on the performance of LDA model (PC=4)

選取17 個未知樣品，對不同判別函數(shù)的PCA-LDA模型進行外部驗證，以確定最佳判別函數(shù)及所建模型的預(yù)測能力，其結(jié)果見表5。判別函數(shù)為Linear和Quadratic時，PCA-LDA模型對植物油種類的鑒別效果要明顯好于判別函數(shù)Mahalanobis的模型。當判別函數(shù)為Linear時，除葵花籽油外，其他4 種油脂種類均能準確識別，模型預(yù)測正確率為88.2%；而當判別函數(shù)為Quadratic時，雖然模型的識別率也為88.2%，但是葵花籽油、玉米油分別被錯誤分入大豆油、花生油中。綜上，LF-NMR技術(shù)結(jié)合PCA-LDA快速識別植物油種類可行。然而，植物油因受產(chǎn)地、氣候、加工工藝等因素影響而復(fù)雜多變，考慮到實際應(yīng)用，為此還需要不斷補充新樣品對模型進行更新，從而提高模型的鑒別能力。

表5 植物油種類LDA模型預(yù)測結(jié)果Table 5 Prediction results of LDA model for vegetable oils

3 結(jié)論

LF-NMR技術(shù)作為一種快速無損檢測方法，在油脂品質(zhì)分析中具有廣闊的應(yīng)用前景。本研究對5 種植物油的弛豫圖譜進行了系統(tǒng)分析，采用LF-NMR回波衰減曲線信息結(jié)合PCA-LDA，建立了植物油種類的鑒別模型。結(jié)果表明，5 種植物油的弛豫特性指標T2W、T23、S23和S總存在顯著差異；PCA回波衰減曲線數(shù)據(jù)，有效降低數(shù)據(jù)維數(shù)和提取有用信息；PCA-LDA最佳建模條件為判別函數(shù)Linear、PC數(shù)10，其對未知油樣種類的預(yù)測正確率達88%以上，因此采用LF-NMR技術(shù)鑒別植物油種類可行。然而，在實際應(yīng)用中，植物油的種類多、類別雜，加之油料作物的改良，還需進一步增加建模樣品的種類及數(shù)量，以提高模型的穩(wěn)健性和預(yù)測能力。此外，LF-NMR技術(shù)起步較晚，信號處理方法仍待進一步完善。