该研究首次提出运用高效液相色谱-二极管阵列检测器采集样本的二维指纹图谱(2D HPLC-DAD)用于中国绿茶的原产地识别。通过多元曲线分辨-交替最小二乘算法(MCR-ALS)盲分辨提取了绿茶样本的62种化学成分，并对其进行不同尺度化(UV和Par)下的主成分分析(PCA)和正交偏最小二乘-判别分析(OPLS-DA)。结果表明，浙江、山东两产地茶叶样本具有明显的聚类趋势。最终筛选出17个特征成分可作为区分浙江茶和山东茶的化学标志物，识别准确率达92.86%。
摘要
今天介绍一篇来自长江大学谷惠文/尹小丽博士研究小组于2021年12月发表在Food Control (IF=5.548，中科院1区TOP期刊)上的高水平论文。该研究首次提出运用高效液相色谱-二极管阵列检测器采集样本的二维指纹图谱(2D HPLC-DAD)用于中国绿茶的原产地识别。通过多元曲线分辨-交替最小二乘算法(MCR-ALS)盲分辨提取了绿茶样本的62种化学成分，并对其进行不同尺度化(UV和Par)下的主成分分析(PCA)和正交偏最小二乘-判别分析(OPLS-DA)。结果表明，浙江、山东两产地茶叶样本具有明显的聚类趋势。最终筛选出17个特征成分可作为区分浙江茶和山东茶的化学标志物，识别准确率达92.86%。
1. 介绍
茶因其健康益处和宜人的风味而成为全球消费的饮品。我国茶叶种植面积辽阔、分布广泛，但多集中于南方。而在北方，茶叶主要种植于山东省中南部。由于茶叶的品质与其种植的环境如气候、土壤和地理等因素密切相关，不同产地的茶叶价格差异很大。在经济利益的驱动下，不法商贩常以非地理标志的廉价茶叶冒充地理标志的高品质茶叶。而鉴定茶叶的产地是保护消费者权益和品牌声誉的重要手段。因此，开发准确、可靠的方法来分析和验证茶产品的地理来源就显得尤为迫切。
目前用于茶叶真实性鉴定和产地识别的方法主要包括近红外光谱法、元素分析-同位素比质谱法、电感耦合等离子体质谱/等离子体发射光谱法、色谱法等。其中，基于元素组成和同位素比值分析的方法是茶叶产地识别常用的方法。然而这类方法无法反映不同地区茶叶风味品质的变化。基于非靶向色谱分析(指纹分析)的产地识别方法恰好可以弥补这一不足，故基于LC/GC-MS指纹技术的茶叶产地识别研究越来越多。但LC/GC-MS仪器相对昂贵，因此LC-UV和LC-FLD等成本相对较低的色谱指纹策略也被尝试用于食品的真实性鉴定与产地识别研究。与一维(1D)指纹图谱(如LC-UV和LC-FLD)相比，通过高效液相色谱-二极管阵列检测器获得的二维指纹图谱(2D HPLC-DAD)可以提供更丰富的化学信息，对复杂食品样本品质特征的表征将更加全面、客观。
本研究首次提出了一种将多元曲线分辨-交替最小二乘算法(MCR-ALS)与多元化学模式识别方法相结合的新策略，用于分析两个不同产地中国绿茶的2D HPLC-DAD指纹图谱。力图达到以下两个目的：(i)茶叶的产地识别；(ii)特征标志物的筛选。
2. 材料及方法
2.1 样品和预处理
共采集2018年，浙江省(n=35)和山东省(n=36)的绿茶样本71个。浙江省样本采自杭州市、绍兴市和丽水市，山东省样本采自青岛市。
2.2 2D HPLC-DAD指纹图谱的获取及化学计量学分析
使用Dionex Ultimate 3000 HPLC-DAD仪器获取绿茶样本的色谱及紫外光谱信息。采用非对称最小二乘法(AsLS)进行基线漂移校正。以MCR-ALS盲分辨所得各化学成分的色谱峰面积为X矩阵，采用多元模式识别方法PCA和OPLS-DA构建模型，对茶叶样本产地进行分类判别。此外，通过p值、VIP值及V-plot和S-plot筛选用于区分两产地茶叶的标志化合物，并对这些标志化合物进行鉴定及热图可视化分析。
3. 结果与讨论
3.1 浙江和山东茶叶的2D HPLC-DAD指纹图谱
为避免基线漂移对数据分析的不良影响，首先采用AsLS方法对2D HPLC-DAD指纹图谱进行基线校正。结果表明，AsLS方法可明显改善在10-20 min保留时间范围内存的基线漂移。通过对比两产地200-400 nm范围内的2D HPLC-DAD指纹图谱与单波长指纹图谱(Fig.1A-D)，可发现浙江(ZJ)和山东(SD)茶的单波长指纹图谱极为相似，若以单波长指纹图谱为依据来鉴别茶叶产地极为困难。而在相同保留时间不同波长下，茶叶样本的峰响应信号有着明显的差异，包含的化学信息更丰富(Fig.1C)。可见，2D HPLC-DAD指纹图谱在茶叶的真实性鉴定和产地识别方面比传统的单波长指纹图谱更具优势。
Fig.1 (A) ZJ茶的2D HPLC-DAD指纹图谱；(B) SD茶的2D HPLC-DAD指纹图谱；(C) ZJ茶样品在λ=254 nm和λ=320 nm处的单波长色谱指纹图谱；(D) ZJ和SD茶样品在 λ=254 nm 处的单波长色谱指纹图谱。
3.2 MCR-ALS分析
采用MCR-ALS算法解析茶叶样本的2D HPLC-DAD指纹图谱，以识别其原产地。为提高分辨的速度和准确性，首先根据峰保留时间将每个样本的2D HPLC-DAD指纹图谱分割成28个片段，并以10%的允许噪声作为初始值，开始色谱和光谱轮廓的优化程序。在MCR-ALS的迭代计算过程中，对色谱及光谱轮廓实施非负约束，同时对光谱轮廓进行归一化处理。以色谱指纹片段12为例，Fig.2A是78个茶叶样品分辨得到的扩增色谱图。如Fig.2B-C所示，蓝色色谱图完全覆盖红色色谱图，并伴有严重的光谱重叠，而MCR-ALS算法仍能正确解析两组分的色谱图和光谱图。通过MCR-ALS算法盲分辨解析，最终从78个茶叶样本的28个指纹图谱片段中共提取了62种化学成分。
Fig.2 MCR-ALS解析色谱指纹片段12的结果。(A) MCR-ALS解析78个茶样品得到的扩增色谱图；(B) 第1个茶样品的分辨色谱图；(C) 对应的分辨光谱图。
3.3 不同产地茶叶样本的多元化学模式识别分析
3.3.1 主成分分析(PCA)
基于MCR-ALS盲分辨所得各化学成分的色谱峰面积所组成的矩阵X，分别以UV和Par两种方法对X进行尺度化并进行PCA分析，结果表明两种尺度化方式下的PCA模型都具有较好的分类效果(Fig.3A-B)。从PCA得分图可以看出，QC样品紧紧聚集于坐标原点附近，说明HPLC-DAD和MCR-ALS分析是稳定可靠的。此外，在PCA得分图中还可以看出，ZJ茶样本由于采集城市的不同而存在较为明显的组内差异。即SD茶样品聚集在一起，而ZJ茶样品较为分散。上述结果表明，利用MCR-ALS算法从2D HPLC-DAD指纹图谱中解析出的化学成分信息，是可以用来区分中国绿茶的产地来源的。
Fig.3 来自不同产地绿茶的多元分类得分图。 (A) UV尺度化PCA 得分图；(B) Par尺度化PCA得分图；(C) 训练集的UV尺度化OPLS-DA得分图；(D) 训练集的Par尺度化OPLS-DA 得分图；(E) 测试集的UV尺度化OPLS-DA得分图；(F) 测试集的Par尺度化OPLS-DA得分图。
3.3.2 正交偏最小二乘判别分析(OPLS-DA)
为了进一步研究ZJ和SD茶之间的差异并找到中国绿茶产地识别的特征标志物，对57个训练集样本(总样本的80%)进行了OPLS-DA建模。与PCA模型相比，ZJ和SD茶的OPLS-DA模型分类效果更为明显(Fig.3C-D)。此外，以14个茶样品作为测试集(总样本的20%)进行外部验证。结果表明，两种尺度化方式下OPLS-DA模型的总准确识别率均为92.86% (Table 1)，这表明模型稳健可靠，所建立的OPLS-DA模型可正确地预测绿茶样本的产地来源。
Table 1 构建的PCA和OPLS-DA模型的统计参数及预测准确率构建的PCA和OPLS-DA模型的统计参数及预测准确率
3.4 特征成分筛选与鉴定
为了探索影响产地判别的特征成分，首先进行了以p <0.05为标准的t检验，以评估ZJ和SD茶之间解析成分的显著差异。对于UV尺度化OPLS-DA模型，通过构建V-plot进一步筛选候选特征标志物。以p <0.05、VIP>1、p(corr)>0.45的标准筛选出16个特征成分。而对于Par尺度OPLS-DA模型，选取S-plot中离坐标原点较远的变量为茶叶产地识别贡献显著变量。以此标准为基础，结合p<0.05，筛选出10个变量作为特征成分。通过合并从两种尺度化OPLS-DA模型中筛选出的特征变量，最终得到了17个特征成分。
基于所筛选出的特征组分，重建了6个新的OPLS-DA模型并加以验证。与由全部62种化学成分构建的原始OPLS-DA模型相比，所构建新的OPLS-DA模型剔除了一些冗余的信息，拟合所用正交成分有所减少，且重建模型外部验证的识别率均能达到92.86%。因此，所筛选出的17个变量可作为鉴别ZJ茶和SD茶的特征标志化合物。
鉴定结果表明，两产地绿茶之间的主要差异化合物包括黄烷-3-醇、二聚儿茶素、黄酮醇、黄酮醇/黄酮苷和酚酸，这些化合物大致可以分为两组。第I组包含三种化合物：原花青素A1、咖啡因和没食子儿茶素-儿茶素酸，这类物质在ZJ茶中的含量较高；而第II组中的其他14种化合物含量则在SD茶中更高。因此，这些鉴定出的化合物可用于区分ZJ茶和SD茶。
4. 结论
本研究应用2D HPLC-DAD指纹图谱及多元化学计量方法对中国绿茶产地进行识别。结果表明，基于MCR-ALS盲分辨提取的化学成分建立模型，其中UV尺度化OPLS-DA模型显示出极好的拟合和良好的预测能力。筛选出的17个特征成分的含量在两产地茶叶中差异显著，可作为区分ZJ茶和SD茶的化学标志物。本研究表明，茶叶中化学成分含量与其产地来源之间存在一定的相关性，因此利用MCR-ALS解析2D HPLC-DAD指纹图谱中的化学成分并进行多元统计分析用于识别中国绿茶的产地来源是可行的。本策略也可作为识别其他食品、农产品的真实性和产地来源的重要工具。
参考文献
Hui-Wen Gu, Xiao-Li Yin*, et al. Geographical origin identification and chemical markers screening of Chinese green tea using two-dimensional fingerprints technique coupled with multivariate chemometric methods. Food Control, 2022, 135: 108795.
文章链接: https://doi.org/10.1016/j.foodcont.2021.108795
作者简介
谷惠文，男，博士，副教授，硕士研究生导师。现任长江大学省级基础化学实验教学示范中心主任，北大中文核心期刊《轻工学报》青年编委。主要从事现代仪器分析和化学计量学及其在食品真实性检测与溯源方面的教学与科研工作。主持国家自然科学基金1项、湖北省自然科学基金1项、企业横向项目2项；发表SCI论文50余篇；应邀担任Food Control、Journal of Chromatography A等20余家国际知名学术期刊的审稿人；曾指导学生获第八届湖北省普通高校大学生化学实验技能竞赛非专业组总分全省第一名。入选长江大学第四批“菁英人才”计划，2020年获“长江大学优秀共产党员”荣誉称号。
尹小丽，女，博士，副教授，硕士研究生导师，任职于长江大学生命科学学院食品系，主要从事化学计量学基础理论、食品真实性和食品质量安全检测等方面的研究工作。主持国家自然科学基金项目1项、横向项目1项，参与国家自然科学基金项目2项；以第一作者或通讯作者身份在Food Chemistry、Food Control、LWT-Food Science & Technology等学术刊物上发表SCI论文10余篇；担任Food Chemistry、Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy等期刊审稿人。入选长江大学第三批“菁英人才”计划，被聘为“荆州市食品药品监督管理局食品稽查专家库成员”。
原创文章，作者：FoodAI01，如若转载，请注明出处：https://www.drugfoodai.com/chemometrics-tea.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
goFOOD：用于膳食评估的人工智能系统
作者利用深度神经网络对两个图像进行处理，实现了对食物的检测、分割和识别，以及利用3D重建算法估计食物量。作者提出的膳食评估系统goFOODTM支持319种细粒度的食品类别，并且已经在包含非标准和快餐食品的MADiMa和“Fast food”数据库中进行了验证。goFOODTM在MADiMa数据库中的表现优于经验丰富的营养师，而与“Fast food”数据库中的营养师相当。goFOODTM可为最终用户提供简单有效的膳食评估解决方案。
-
豆类中毛豆的理化特性及基于光谱学的机器学习方法在最佳采收期预测中的应用
今天介绍一篇由弗吉尼亚理工大学食品科学与技术系Dajun Yu等人于2021年8月发表于Food Chemistry的一篇文章。文中通过研究毛豆发育过程中理化性质的变化，并应用基于光谱学的机器学习(ML)技术来确定毛豆最佳采收期。对R5(始籽)、R6(满粒)和R7(初熟)生长期采收的毛豆进行了理化特性分析，并用手持式分光光度计测量了豆荚的光谱反射率(360-740nm)。根据毛豆样品的特征特性将其采收期分为“早期”、“准备期”和“晚期”，使用豆荚的光谱反射率的机器学习方法随机森林进行分类，研究结果证明该方法可以确定毛豆的最佳采收期。
-
利用卷积神经网络和多项式校正法测定食用植物油中山嵛酸的人为差异的反射光谱法
今天给大家介绍一篇由安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心翁士状副教授为第一作者，翁士状副教授与李新华副教授为通讯作者，于2022年1月15日发表在Food Chemistry（IF=7.514）上的一篇研究性文章。该文章提出了一种新的多项式校正方法——自适应多项式校正( OAPC )，校正具有操作差异的反射光谱,并利用卷积神经网络( CNN )建立分析模型预测食用油中的山嵛酸。该方法可以减少不同操作者对光谱分析的差异影响,从而有可能纠正测量仪器或环境的带来的差异。
-
Food Chemistry|深度学习在基于图像的中国市场食品营养估计中的应用
该研究在视觉识别任务中利用了深度学习技术，并提出了一套大数据驱动的深度学习模型，从食物图像回归到营养估计，最大限度地发挥了深度学习模型的潜力，同时为未来将人工智能引入食品领域提供了基础。
-
【佳作速递】北京工商大学宋焕禄课题组：基于感官组学表征亳州白芷煮沸前后的关键香气活性化合物
本研究旨在通过分子感官方法研究煮沸对亳白芷风味的影响，共鉴定和分析了55种挥发性化合物（VOCs）和38种香气活性化合物。亳白芷中的关键香气活性化合物是α-gurjunene、prenol和α-copaene，芳樟醇和（E）-2-壬烯醛是亳白芷煮液中主要的关键香气活性化合物。
-
机器学习技术在食物摄入量评估中的应用
天给大家介绍一篇由Larissa Oliveira Chaves等人，于2021年7月29日上发表在Food Science and Nutrition（IF=11.171）的一篇综述性文章。该综述使用5个计算机数据库进行文献搜索，旨在确定使用ML算法评估不同人群食物摄入量的研究。
-
智能食品加工：从人工神经网络到深度学习的旅程(三)
今天，我们将继续给大家带来综述《智能食品加工：从人工神经网络到深度学习的旅程》的第三个单元的介绍——基于深度学习的智能食品加工。
-
基于人工智能的黄油品种识别作为食品掺假检测的研究范例
今天给大家介绍一篇由Gokce Iymen等人近期发表在Innovative Food Science and Emerging Technologies上的一篇文章。文章介绍了基于人工智能工具，利用简单的声音振动来识别食品中的掺假。
-
人体对食物的餐后反应与精准营养的潜力
今天介绍一篇由Sarah E. Berry等人前段时间发布于nature medicine的一篇文章。文中对英国（n=1002）和美国（n=100）的年轻健康成年人进行餐后代谢反应评估，并开发机器学习模型来预测人体内的甘油三酸酯（r=0.47）和血糖（r=0.77）对食物摄入的反应，这项技术有助于制定个性化的饮食策略。
-
天津工业大学卞希慧课题组：变分模态分解加权多尺度支持向量回归用于植物油和中药掺伪的光谱定量分析
天津工业大学化学工程与技术学院的复杂体系智能分析与计算实验室采用紫外可见光谱和近红外光谱结合基于变分模态分解的集成建模方法实现了掺伪植物油和中药的定量分析。相关研究成果在2022年8月1日以题为“Variational Mode Decomposition Weighted Multiscale Support Vector Regression for Spectral Determination of Rapeseed Oil and Rhizoma Alpiniae Offcinarum Adulterants”发表在国际学术期刊Biosensors（IF=5.743）上。
