鉴别研究

[align=center][b]葡萄酒产地鉴别技术研究进展[/b][/align][align=center] [/align][b]摘要[/b]：目前，我国葡萄酒消费市场发展日渐繁荣，产地已经成为优质葡萄酒品质评价的重要因素。因此，开发葡萄酒产地溯源技术有助于加强市场监管，保障消费者权益。本文综述了近年来国内外葡萄酒产地鉴别技术的研究进展，重点阐述了基于矿质元素指纹、稳定同位素及次生代谢产物的葡萄酒产地鉴别研究及发展趋势，同时指出国内葡萄酒鉴别研究中存在的问题，旨在推动我国葡萄酒产地鉴别技术的建立健全，促进我国葡萄酒市场的繁荣发展。[b]关键词[/b]：葡萄酒；产地鉴别；矿质元素；稳定同位素；次生代谢产物 葡萄酒是世界范围内广泛消费的酒精性饮品，具有较高的商业价值[sup][/sup]。中国葡萄酒市场发展日渐繁荣，葡萄酒生产、消费及进口规模均处于较高水平。国际葡萄与葡萄酒组织（OIV）[sup][/sup]统计显示，2018年中国葡萄酒消费量18亿升，列世界第五，而人均消费量却低于世界平均水平，说明中国葡萄酒市场有非常大的发展潜力。地理起源是影响葡萄酒商业价值高低的重要因素[sup][/sup]，葡萄酒的分级鉴定体系通常将产地来源作为其内在评价标准[sup][/sup]。欧洲葡萄酒市场监管体系已积累了丰富的产业保护经验，其地理保护已成为欧盟各国手中的利器[sup][/sup]。中国葡萄酒产区分布广泛，多种气候类型并存，具有生产优质葡萄酒的自然条件。自2002年以来，我国先后批准了昌黎、烟台、沙城等19个地理标志（或原产地域保护）葡萄酒。目前，尽管所有地理标志葡萄酒对其产地范围、产品质量及技术要求做了严格规定[sup][color=black][/color][/sup]，但未提供相应的产地鉴别措施[sup][color=black][/color][/sup]。葡萄酒产地鉴别技术的研究对于完善地理标志葡萄酒保护体系、规范市场及维护消费者合法权益，有着重大现实意义。目前，国内外对葡萄酒产地鉴别技术的研究，主要基于矿质元素指纹、稳定同位素及次生代谢物质等三个方面。本文即围绕上述三方面展开综述，旨在为国内葡萄酒产地鉴别技术发展提供参考。[b]1 矿质元素指纹鉴别技术[/b]1.1分析方法目前，用于测定葡萄酒中矿质元素的仪器包括火焰[url=https://insevent.instrument.com.cn/t/Wp][color=#3333ff]原子吸收光谱仪[/color][/url]（FAAS）、石墨炉[url=https://insevent.instrument.com.cn/t/Wp][color=#3333ff]原子吸收[/color][/url]分光光度仪（GF-AAS）、电感耦合等离子体发射光谱仪（ICP-AES）、电感耦合等离子体原子发射光谱仪（ICP-OES）、[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]电感耦合等离子体质谱仪[/color][/url]（[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url]）。FAAS测定元素的优点是成本低，适合小批量样品测定，缺点是不能同时测定多元素、耗时长；GF-AAS灵敏度高，可直接固体进样，但也不能同时测定多种元素；而ICP-AES、ICP-OES和[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url]解决了同时测定多种元素的问题，近些年文献中有80%研究人员使用[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url]测定元素组成（表1），与其他仪器相比具有检出限低，效率高，测定范围广等优点。葡萄酒样品的前处理多采用稀释法和微波消化法，稀释法操作简单、效率高，不易引入新的杂质；微波消化法将样品置于密封消解罐中，可最大限度减少元素的损失，同时较湿法消解减少了前处理时间。1.2影响葡萄酒中矿质元素的因素葡萄酒中元素组成受多种因素影响，如种植地土壤、气候、栽培措施、生产工艺、品种等。其中土壤影响最为显著，土壤中矿质元素主要源于岩石风化，葡萄植株通过根系吸收土壤中矿物质营养素[sup][/sup]，经酿造过程转移到酒中，且在装瓶后，元素种类和含量几乎不随时间发生变化；所以，理论上矿质元素被认为是葡萄酒产地溯源的良好指标。Ricardo-Rodrigues等[sup][/sup]研究发现两个葡萄园浆果中矿质含量存在差异，如元素Mn（[i]P[/i] 94%[/align] [/td][td=1,1,139] [align=center]PCA, OPLS-DA[/align] [/td][td=1,1,136] [align=center][color=#333333]塞浦路斯共和国[/color][sup][color=#333333][/color][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2018[/align] [/td][td=1,1,89] [align=center]稀释[/align] [/td][td=1,1,531] [align=left]Li, Be, Ag, Cd, Al, V, Cr, Ni, As, Se, Rb, Sr, Mo, Ba, Tl, Pb, Bi, U, [b]Cu, Mn, Fe, Zn, Cr, Co [/b][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url], [url=https://insevent.instrument.com.cn/t/Mp]gc[/url]-TOFMS[/align] [/td][td=1,1,94] [align=center]-[/align] [/td][td=1,1,139] [align=center]PCA[/align] [/td][td=1,1,136] [align=center]波兰, 匈牙利,摩尔多瓦, 保加利亚[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2018[/align] [/td][td=1,1,89] [align=center]稀释[/align] [/td][td=1,1,531] [align=left]Na, Mg, P, K, Ca, Mn, Be, Cr, Ni, As, Se, In, Ir, [b]Cd, Sr, Cu, Zn, V, Fe, Co, Ni, Mn, Sc, Cs, Ba, La, Ce, Pr, Nd, Al, Sm, Eu, Gd, Er, Tm, Yb, Pb, Bi.[/b][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url][/align] [/td][td=1,1,94] [align=center]-[/align] [/td][td=1,1,139] [align=center]LDA[/align] [/td][td=1,1,136] [align=center]葡萄牙[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2018[/align] [/td][td=1,1,89] [align=center]消化[/align] [/td][td=1,1,531] [align=left][b]Li, B, Na, Mg, Si, P, S, K, Ca, Mn, Co, Ni, Ga, Rb, Sr, Mo, Ba, Pb[/b][/align] [align=left][color=red] [/color][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url], ICP-AES[/align] [/td][td=1,1,94] [align=center]93.1%, 76.4%[sup]**[/sup][/align] [/td][td=1,1,139] [align=center]LDA[/align] [/td][td=1,1,136] [align=center]日本[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2018[/align] [/td][td=1,1,89] [align=center]稀释消化[/align] [/td][td=1,1,531] [align=left]Zn, Ti, Cu, Mo, Cr, Ni, As, Pb, Mn, Co, Se, Sn, Sb, Cd, Ag, Bi, U, Ca, Eu, Gd, Tb, Dy, Er, Tm, Yb, Lu, Pr, Sm, Nd, La, Al, Fe, Sr, Be, Ba, Na, P, [b]Mg, Rb, Li, Tl, Ce, K, V, Ho[/b][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url], ICP-OES[/align] [/td][td=1,1,94] [align=center]99%[/align] [/td][td=1,1,139] [align=center]LDA, SVM[/align] [/td][td=1,1,136] [align=center]阿根廷, 巴西,智利, 乌拉圭[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2018[/align] [/td][td=1,1,89] [align=center]微波消化[/align] [/td][td=1,1,531] [align=left]Ca, Cu, Fe, Ni, Al, Pb, Cd, Hg, Se, Co, Sn, [b]K, Na, Zn, Mg, Mn, Cr[/b][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url], FAAS[/align] [/td][td=1,1,94] [align=center]70%, 90%[sup]***[/sup][/align] [/td][td=1,1,139] [align=center]ANOVA, PCA, LDA[/align] [/td][td=1,1,136] [align=center]智利[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2018[/align] [/td][td=1,1,89] [align=center]高压微波消化[/align] [/td][td=1,1,531] [align=left]Be, Cr, Fe, Cu, Ga, Rb, Sn, Cs, La, Ce, Nd, Eu, Tm, Lu, W, Tl, [b]Yb, Li, Na, Mg, Al, Ca, Mn, Ni, Zn, Sr, Mo, Sb, Ba, Pr, Sm, Gd, Tb, Dy, Ho, Er[/b][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url][/align] [/td][td=1,1,94] [align=center]-[/align] [/td][td=1,1,139] [align=center]ANOVA, PCA, DA[/align] [/td][td=1,1,136] [align=center]葡萄牙[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2018[/align] [/td][td=1,1,89] [align=center]微波消化、稀释[/align] [/td][td=1,1,531] [align=left]Li, Be, Ti, Cr, V, Ni, Sb, Ge, Se, Y, Zr, Nb, Mo, Cd, Sn, Te, Ba, Ce, Pr, Nd, Sm, Eu, Gd, Tb, Dy, Ho, Er, Tm, Yb, Lu, Tl, Pb, Bi, Si, Cu, [b]Co, Ca, As, Al, Mg, B, Fe, K, Rb, Mn, Na, P, Ga, Sr[/b][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url], ICP-OES[/align] [/td][td=1,1,94] [align=center]98%[/align] [/td][td=1,1,139] [align=center]ANOVA, PLS-DA, SVM[/align] [/td][td=1,1,136] [align=center]中国[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2018[/align] [/td][td=1,1,89] [align=center]微波灰化[/align] [/td][td=1,1,531] [align=left]La, Ce, Pr, Nd, Sm, Eu, Gd, Tb, Dy, Ho, Er, Tm, Yb[/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url][/align] [/td][td=1,1,94] [align=center]-[/align] [/td][td=1,1,139] [align=center]AHC[/align] [/td][td=1,1,136] [align=center]意大利[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2019[/align] [/td][td=1,1,89] [align=center]稀释消化[/align] [/td][td=1,1,531] [align=left]Al, Cr, Fe, Co, As, Se, Cd, P, K, [b]Ca, Mn, Ni, Cu, Zn, Sr, Cs, Ba, Pb, Na, Mg[/b][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url][/align] [/td][td=1,1,94] [align=center]100%, 97%, 95.8%[sup]****[/sup][/align] [/td][td=1,1,139] [align=center]LDA, ANOVA[/align] [/td][td=1,1,136] [align=center]西班牙[sup][/sup][/align] [/td][/tr][tr][td=1,1,69] [align=center]2019[/align] [/td][td=1,1,89] [align=center]稀释消化[/align] [/td][td=1,1,531] [align=left]B, Na, Mg, Al, P, S, K, Ca, Ti, Fe, Co, Cu, Rb, Y, Cs, Ba, Pr, Nd, Sm, Eu, Gd, Dy, Ho, Er, Tm, Yb, T, [b]Mn, Zn, Pb, As[/b], [b]Si, Ni, La[/b], [b]Sr, Zr[/b], [b]Ce[/b][/align] [/td][td=1,1,133] [align=center][url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url][/align] [/td][td=1,1,94] [align=center]96.2%[sup]*****[/sup][/align] [/td][td=1,1,139] [align=center]LDA, ANOVA, PCA[/align] [/td][td=1,1,136] [align=center]美国[sup][/sup][/align] [/td][/tr][/table]注：-文中没有提及，加粗体为可识别葡萄酒产地的特征元素。[sup]*[/sup]区分两个国家的葡萄酒其模型准确率达到95.1%、区分阿根廷三个地区的葡萄酒其模型准确率达到65.4%。[sup]**[/sup]前者为分类准确率，后者为预测准确率。[sup]***[/sup]该模型红葡萄酒分类准确率达70%，白葡萄酒分类准确率达90%。[sup]****[/sup]根据元素区分品种正确率达到97%，根据元素区分橡木桶陈年的正确率可达到95.8%。[sup]*****[/sup]该准确率由[i][color=#333333]δ[/color][/i][sup][color=#333333]2[/color][/sup][color=#333333]H[/color][color=#333333]与[/color]Mn、Zn、Pb、As、Si、Ni、La、Sr、Zr、Ce所共同决定的。仪器：[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url]（电感耦合等离体质谱）；ICP-AES（电感耦合等离子体原子发射光谱法）；ICP-OES（电感耦合等离子体发射光谱仪）；FAAS（[url=http://www.baidu.com/link?url=987ARO7ZVgw-sulnx0vKHTAgRdL_tU3HYXRdtyWtquBhVMIgx5bxLmPUn7A9cNhovgtk5IuYOcXT_DQneLaGaa][color=windowtext]火焰[url=https://insevent.instrument.com.cn/t/Wp][color=#3333ff]原子吸收光谱[/color][/url][/color][/url]仪）；[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]-TOFMS（[url=https://insevent.instrument.com.cn/t/Mp]气相色谱[/url]-飞行时间质谱）；数据处理：ANOVA（方差分析）；PCA（主成分分析）； LDA（线性判别分析）；CA（聚类分析）； DA（判别分析）；PLS-DA（偏最小二乘法）；SVM（支持向量机）；AHC（聚集分层聚类）。[b]2 稳定同位素比质谱鉴别技术[/b]2.1分析方法稳定同位素可分为轻同位素和金属同位素，其中轻同位素主要有C、H、O等，金属同位素主要有Sr、Pb、Mg等。测定轻同位素常用同位素比质谱（IRMS）和点特异性核磁共振（SNIF-NMR）技术，葡萄酒样品中C、H、O同位素的测定已被OIV列为官方推荐方法，如应用元素分析仪-同位素比质谱（EA-IRMS）测定乙醇中的C同位素比（OIV-MA-AS312-06）；[url=https://insevent.instrument.com.cn/t/Mp]气相色谱[/url]-燃烧-同位素比质谱联用（[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]-C-IRMS）或液相色谱-同位素比质谱联用技术（LC-IRMS）测定甘油中的C同位素比（OIV-MA-AS312-07）；SNIF-NMR测定乙醇分子中H同位素比（OIV-MA-AS311-05）；水平衡仪-同位素比质谱仪（EQ-IRMS）测定葡萄酒中水的O同位素比（OIV-MA-AS2-12）等。EA-IRMS通常测定样品整体C、N同位素，样品经高温燃烧转化为气体，除杂、除水后进入质谱，若用该仪器测定乙醇等有机物中的C，需要先在无分馏情况下将该有机物提取后再测定；[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]或LC分别起到将样品中易挥发或不易挥发成分分离的作用，再经过IRMS测定各组分的C同位素；SNIF-NMR主要测定乙醇分子中不同位点（CH[sub]3[/sub]-和CH[sub]2[/sub]-）的H同位素，但由于仪器价格高，国内应用较少[sup][/sup]；EQ-IRMS的原理是标准参考气（CO[sub]2[/sub]或H[sub]2[/sub]）与样品中水在一定温度下发生同位素交换，一定时间后达到平衡，测定平衡后气体得到样品中H或O同位素比值。最早测定金属同位素比的仪器是热电离质谱（TIMS），传统法多采用该仪器测定，通过加热使原子电离后再进入质谱测定，易引入杂质；近年来，多接收电感耦合等离子质谱（MC-[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url]）、四极杆-[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]电感耦合等离子体质谱[/color][/url]（Q-[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url]）及高分辨电感耦合等离子质谱（HR-[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url]）也被用于金属同位素的测定，且较TIMS具有更高准确率和抗干扰能力[sup][/sup]。2.2影响酒中稳定同位素比的因素稳定同位素在生物生命过程中，受到物理、化学、生物化学等因素的影响，会产生分馏现象，使环境中各同位素丰度不同，进而可以利用同位素比的不同对年份差异、地理属性、环境演变进行跟踪和预测。目前，稳定同位素比质谱技术在地球地质或海水演变示踪中有广泛应用，近些年又被用于食品产地鉴别上，如羊肉[sup][/sup]、茶叶[sup][/sup]、蜂蜜[sup][color=yellow][/color][/sup][color=yellow]、葡萄酒[/color][sup][color=yellow][/color][/sup]等，该技术可以弥补矿质元素指纹应用的局限性，更有利于区分产地土壤、气候、水源相近的葡萄酒产地[sup][/sup]。影响同位素丰度的因素主要有气候，降水，纬度，海拔，季节等。C、O同位素分馏现象如图1，其各个环节均可影响C、O同位素比。水的稳定同位素（H、O）可以产生独特的地理信息，葡萄从土壤中吸收降水，并降水中H、O结合到光合作用产物中，使葡萄酒中H、O同位素比与降水具有极高相似度，且与酿造过程中添加外源水不同，即葡萄酒水中H、O同位素比与葡萄原料和降水有良好相关性，故可以利用葡萄酒中H、O同位素比的差异进行产地鉴别[sup][/sup]。 [img=,690,187]https://ng1.17img.cn/bbsfiles/images/2019/10/201910031104209888_4677_1722582_3.jpg!w690x187.jpg[/img][b]图1碳氧同位素的流动方向[/b][align=center][b]Fig. 1Flow direction of carbon and oxygen isotopes[/b][/align]近年来，Sr既不是葡萄组成的基本元素也不是葡萄生长所需成分[sup][/sup]，在植物生命过程中并不分解，葡萄酒中Sr全部从土壤中吸收所得，不易受自然环境、农业实践、酿造过程等因素影响，比轻同位素更稳定，被认为是食品产地鉴别的最佳指纹信息[sup][/sup]。在对土壤与葡萄酒中Sr的研究中，Petrini等[sup][/sup]研究表明，[sup]87[/sup]Sr/[sup]86[/sup]Sr的值与葡萄酒产地土壤有良好的相关性，Sr从土壤到葡萄中没有分馏现象，不受葡萄酒酿造工艺的影响，如添加外源单宁、膨润土等，认为Sr可以作为整个藤本植物的代表元素，可应用于葡萄酒产地鉴别上。Marchionni等[sup][/sup]研究发现年份和生产工艺均不影响葡萄酒中Sr同位素的比值，证实葡萄酒中的Sr同位素可以作为葡萄酒产地鉴别的可靠工具。Durante等[sup][/sup]对意大利原产地保护地区的土壤、葡萄枝条、葡萄酒中的Sr做了一系列研究，结果表明土壤和葡萄酒中Sr元素范围完全一致,并与酒年份无关，利用Sr构建同位素图谱，显示了Sr元素作为葡萄酒产地鉴定的特征元素具有可行性。2.3鉴别应用2.3.1轻稳定同位素C、H、O同位素在葡萄酒产地鉴别研究中最为广泛和深入（表2），Raco等[sup][/sup]对乙醇中的[i][color=#333333]δ[/color][/i][sup]13[/sup]C和葡萄酒水的[i][color=#333333]δ[/color][/i][sup]18[/sup]O进行分析，强调了光合作用途径和环境条件的重要性，[i][color=#333333]δ[/color][/i][sup]18[/sup]O在葡萄浆果和葡萄酒产地鉴别上有应用价值。[i][color=#333333]δ[/color][/i][sup]18[/sup]O与[i][color=#333333]δ[/color][/i][sup][color=#333333]2[/color][/sup]H结合分析对葡萄酒产地鉴别具有更为突出的作用，如Camin等[sup][/sup]研究也发现[i][color=#333333]δ[/color][/i][sup]18[/sup]O和[i][color=#333333]δ[/color][/i][sup][color=#333333]2[/color][/sup]H在气候条件和地理环境上普遍相关。[i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup]O对中国葡萄酒产区分类取得良好效果，[color=black] [/color][color=black]如[/color][color=black]FanShuangxi[/color]等[sup][/sup]应用PLS-DA（偏最小二乘法）和SVM（支持向量机）方法处理元素组成和[i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup]O数据，对中国葡萄酒产区分类，正确率达95%。江伟等[sup][/sup]用SNIF-NMR和IRMS测定中国5个产区酒样，结果表明气候条件差异较大地区（如北疆和胶东半岛）的酒样分类正确率可达100％。[align=center][b]表2 近七年基于轻同位素（C、H、O）技术的葡萄酒产地鉴别研究[/b][/align][align=center][b]Table 2 Literature on the identification of lightisotope (C、H、O) isotopic wineorigins in the past seven years[/b][/align] [table][tr][td=1,1,83] [align=center]时间[/align] [/td][td=1,1,182] [align=center]测定元素[/align] [/td][td=1,1,112] [align=center]仪器[/align] [/td][td=1,1,143] [align=center]数据处理[/align] [/td][td=1,1,91] [align=center]准确率[/align] [/td][td=1,1,111] [align=center]产地[/align] [/td][/tr][tr][td=1,1,83] [align=center]2013[/align] [/td][td=1,1,182] [align=center][i]δ[/i][sup]18[/sup]O, [i]δ[/i][sup]13[/sup]C[/align] [/td][td=1,1,112] [align=center]IRMS[/align] [/td][td=1,1,143] [align=center]ANOVA, DA[/align] [/td][td=1,1,91] [align=center]80%[/align] [/td][td=1,1,111] [align=center]巴西[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2013[/align] [/td][td=1,1,182] [align=center][color=#333333](D/H)[sub]I[/sub][/color][/align] [/td][td=1,1,112] [align=center][sup]1[/sup]H NMR[/align] [/td][td=1,1,143] [align=center]PCA, LDA, MANOVA,[/align] [/td][td=1,1,91] [align=center]89%[/align] [/td][td=1,1,111] [align=center]德国[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2014[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C, (D/H)[sub]I[/sub], (D/H)[sub]II[/sub][/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [align=center]SNIF-NMR[/align] [/td][td=1,1,143] [align=center]PCA, LDA[/align] [/td][td=1,1,91] [align=center]100%[/align] [/td][td=1,1,111] [align=center]中国[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2014[/align] [/td][td=1,1,182] [align=center][color=#333333](D/H)[/color][sub] [color=#333333]I[/color][/sub][color=#333333], (D/H)[/color][sub] [color=#333333]II[/color][/sub][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [align=center]SNIF-NMR[/align] [/td][td=1,1,143] [align=center]DA[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]黎巴嫩[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2014[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, (D/H)[sub]I[/sub], (D/H)[sub]II[/sub][/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [align=center]SNIF-NMR[/align] [/td][td=1,1,143] [align=center]ANOVA, CLV, LDA, PLS-DA, FDA, ICA[/align] [/td][td=1,1,91] [align=center]100%*[/align] [align=center] [/align] [/td][td=1,1,111] [align=center]德国[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2015[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C, (D/H)[sub]I[/sub], (D/H)[sub]II[/sub][/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [align=center]SNIF-NMR[/align] [/td][td=1,1,143] [align=center]Linear modeling[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]意大利[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2015[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C, [i]δ[/i][sup]2[/sup]H[/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [/td][td=1,1,143] [align=center]-[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]意大利[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2015[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O[/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [/td][td=1,1,143] [align=center]ANOVA, DA[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]澳洲, 法国,中国, 美国[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2015[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C, (D/H)[sub]I[/sub], (D/H)[/color][sub] [color=#333333]II[/color][/sub][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [align=center]SNIF-NMR[/align] [/td][td=1,1,143] [align=center]PCA, [/align] [align=center]correlation analysis[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]意大利[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2016[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C, [i]δ[/i][sup]2[/sup]H[/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [/td][td=1,1,143] [align=center]-[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]希腊[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2016[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C[/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [/td][td=1,1,143] [align=center]ANOVA, LDA[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]罗马尼亚[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2016[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C, (D/H)[sub]I[/sub], (D/H)[sub]II[/sub][/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [align=center]SNIF-NMR[/align] [/td][td=1,1,143] [align=center]LDA[/align] [/td][td=1,1,91] [align=center]100%[/align] [/td][td=1,1,111] [align=center]中国[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2017[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup]18[/sup]O[/align] [/td][td=1,1,112] [align=center]IRMS[/align] [/td][td=1,1,143] [align=center]ANOVA, PLS-DA, SVM[/align] [/td][td=1,1,91] [align=center]98%[/align] [/td][td=1,1,111] [align=center]中国[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2017[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]13[/color][/sup][color=#333333]C, [i]δ[/i][sup]15[/sup]N[/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [/td][td=1,1,143] [align=center]T-test, PCA[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]中国[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2018[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C, (D/H)[sub]I[/sub], (D/H)[sub]II[/sub][/color][/align] [/td][td=1,1,112] [align=center]NMR, IRMS[/align] [/td][td=1,1,143] [align=center]PCA, ANOVA[/align] [align=center] [/align] [/td][td=1,1,91] [align=center]95%[/align] [/td][td=1,1,111] [align=center]意大利[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2019[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup]18[/sup]O, [i][color=#333333]δ[/color][/i][sup][color=#333333]2[/color][/sup][color=#333333]H[/color][/align] [/td][td=1,1,112] [align=center]CRDS[/align] [/td][td=1,1,143] [align=center]PCA, ANOVA, LDA[/align] [/td][td=1,1,91] [align=center]96.2%[/align] [/td][td=1,1,111] [align=center]美国[sup][/sup][/align] [/td][/tr][tr][td=1,1,83] [align=center]2019[/align] [/td][td=1,1,182] [align=center][i][color=#333333]δ[/color][/i][sup][color=#333333]18[/color][/sup][color=#333333]O, [i]δ[/i][sup]13[/sup]C, (D/H)[sub]I[/sub], (D/H)[sub]II[/sub][/color][/align] [/td][td=1,1,112] [align=center]IRMS[/align] [/td][td=1,1,143] [align=center]PCA, PCF, CDA[/align] [/td][td=1,1,91] [align=center]-[/align] [/td][td=1,1,111] [align=center]奥地利, 捷克, 斯洛伐克[sup][/sup][/align] [/td][/tr][/table][align=center] [/align]注：—文中没有提及。*利用IRMS和SNIF-NMR技术得到1HNMR的数据，预测准确率达到100%，单独使用IRMS预测准确率达到60%-70%，单独使用SNIF-NMR预测准确率达到82%-89%；年份对葡萄酒产地模型也有加强，单独使用SNIF-NMR准确率达到88%-97%，而融合数据准确率达到99%。仪器：IRMS（同位素比质谱仪）；[sup]1[/sup]H NMR（氢核磁共振）；NMR（核磁共振）；SNIF-NMR（点特异性天然同位素分馏核磁共振技术）；CRDS（腔衰荡光谱法）。数据处理：ANOVA（方差分析）；DA（聚类分析）；PCA（主成分分析）；LDA（线性判别分析）；MANOVA（多元素方差分析）；PLS-DA（偏最小二乘法）；FDA（因子判别分析）；CLV（潜在变量聚类）；ICA（独立成分分析）；SVM（支持向量机）；FA（因子分析）；PCF（主成分分解法）；CDA（标准判别分析法）。用于葡萄酒产地鉴别轻同位素还有B元素等，如[color=black]Almeida[/color][color=black]等[/color][sup][color=black][[/color][/sup][sup][color=black]67[/color][/sup][sup][color=black]][/color][/sup]利用ICP-OES测定巴西四个葡萄酒产区酒样，结果表明西南部三个产区相似度极高，与东北部有明显差异，并利用B将巴西与智利、意大利、葡萄牙的葡萄酒区分开。Coetzee等[sup][[/sup][sup]30[/sup][sup]][/sup]对不同品种和砧木组合进行B元素测定，发现不同组合中同位素B比值不同，认为B有助于农产品种起源的确定。目前研究均表明单独使用一种轻同位素很难准确鉴别葡萄酒产地，普遍结合多元素分析方法鉴别葡萄酒产地。2.3.2金属稳定同位素Sr具有[sup]84[/sup]Sr、[sup]86[/sup]Sr、[sup]88[/sup]Sr三种天然稳定同位素，[sup]87[/sup]Sr是岩石或矿物中的Rb经β衰变形成的稳定同位素，[sup]87[/sup]Rb与[sup]87[/sup]Sr是同质异位素，在质谱分析中[sup]87[/sup]Rb会干扰[sup]87[/sup]Sr测定的准确性[sup][/sup]，所以优化酒样中Sr的提取十分重要。Durante等[sup][/sup]对分离Rb和Sr的条件进行优化，以硝酸洗脱体积、硝酸回收体积和水洗脱体积为变量，得出最优条件为12mL HNO[sub]3[/sub]（8M）洗脱，再利用4mL HNO[sub]3[/sub]（8M）进行回收，最后用12mL超纯水进行洗脱，使用MC-[url=https://insevent.instrument.com.cn/t/yp][color=#3333ff]ICP-MS[/color][/url]测定样品，初步建立葡萄酒可追溯模型。对Sr的纯化方法还有先微波消化再经过树脂柱，王琛等[sup][/sup]选择利用Dowes50 W×8树脂对Sr进行纯化，当Rb/Sr 0.01即认为Rb对Sr没有干扰作用，使用指数矫正法得到[sup]87[/sup]Sr/[sup]86[/sup]Sr的比值更接近真实值。Geană 等[sup][/sup]同样利用Dowes 50 W×8树脂对酒样进行阳离子吸附，用乙二胺四乙酸（EDTA）去除Rb对Sr的干扰，并结合元素组成鉴别产地，准确率达100%。Epova等[sup][/sup]研究发现[sup]87[/sup]Sr/[sup]86[/sup]Sr在较小的范围内波动（0.70829到0.71022），可以用于确定波尔多地区葡萄酒特性，但单独使用Sr元素鉴别产地仍是不可靠的。目前研究中普遍认为Sr可以作为葡萄酒产地鉴别的重要指标，但是其测定需要先进仪器和复杂、精确的前处理，对试验条件要求高。在实际应用如果对Sr元素的前处理加以改进，有效去除Rb、Ca元素的干扰，并与矿质元素指纹技术相结合，有利于提高葡萄酒产地鉴别准确率。用于葡萄产地鉴别的金属同位素还有Mg、Pb等，如逯海等[sup][/sup]通过阳离子树脂富集Mg，以H[sub]2[/sub]、He的混合气体碰撞消除同量异位素的干扰，结果表明大多数地区[sup]25[/sup]Mg/[sup]24[/sup]Mg、[sup]26[/sup]Mg/[sup]24[/sup]Mg有较大差异，认为同位素Mg可以用于葡萄酒产地鉴别。Mihaljevič 等[sup][/sup]测定葡萄酒和土壤中[sup]207[/sup]Pb/[sup]206[/sup]Pb、[sup]208[/sup]Pb/[sup]206[/sup]Pb，发现工业污染较大的地区Pb含量增加，Pb含量受污染影响较大。利用同位素[sup]204[/sup]Pb/[sup]206[/sup]Pb、[sup]207[/sup]Pb/[sup]206[/sup]Pb、[sup]208[/sup]Pb/[sup]206[/sup]Pb可以对巴西南部和东北部地区进行有效区分，Pb同位素被认为是研究巴西地理起源有很好前景的工具之一[sup][/sup]，但单独使用Pb鉴别葡萄酒产地仍是不现实的。[b]3 次生代谢产物鉴别技术[/b]生物体次生代谢产物在其生命活动中起重要作用，由初生代谢产物形成，其功能是提供生物体生长非必需的小分子物质。用于产地鉴别的物质包括[url=https://www.baidu.com/s?wd=%E9%85%9A%E7%B1%BB%E5%8C%96%E5%90%88%E7%89%A9&tn=SE_PcZhidaonwhc_ngpagmjz&rsv_dl=gh_pc_zhidao][color=windowtext]酚类化合物[/color][/url]、香气化合物、氨基酸等。3.1分析方法香气物质测定分为感官分析法和仪器分析法，仪器分析法常用电子鼻（Enose）和[url=https://insevent.instrument.com.cn/t/Mp]气相色谱[/url]（[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]-MS），也可将两者联用。近年来电子鼻应用广泛，可以测定香气成分的整体情况，具有测定范围广，操作简单，可实时测定，不易引入其他杂质，比传统感官分析更客观等的优点，但也会受传感器类型、灵敏度和环境条件等的限制[sup][/sup]。基于MS的电子鼻，灵敏度更高，可以得到物质的定性信息[sup][/sup]。应用[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]-MS时需要提取样品中香气物质，提取方法主要有溶剂萃取法、蒸汽蒸馏法、固相萃取法、超临界萃取法、顶空分析技术、固相微萃取技术等[sup][/sup]，可用于测定热稳定性好的物质，有商品化谱库对物质进行定性定量，并可确定分子式和分子结构。酚类物质常用高效液相色谱（HPLC）检测，其配备的检测器不同检测效果亦不同，如紫外/可见光检测器[sup][/sup]（UV/V）、二极管阵列检测器（PDA[sup][/sup]或DAD[sup][/sup]）、质谱（MS）、二级质谱（MS-MS）、四极飞行时间-质谱[sup][/sup]（QTOF-MS）等。UV检测器基于物质对紫外光的吸收原理设计而成，灵敏度和选择性均较好，对于紫外光吸收差的化合物测定效果不佳；PDA或DAD可测定任意波长，在物质纯度和定性鉴别中的效果更好；MS具有高灵敏度，分析范围广等特点被广泛应用，MS-MS可以提供更多物质碎片信息，在定性中表现优于MS；QTOF-MS在样品分析中用时短，可提供高分辨图谱。3.2影响酒中次级代谢产物的因素生物体次生代谢产物是其在长期进化中和环境相互作用的结果，在生物体不同器官、组织中分布种类数量不同，受植物本身及其生活环境影响[sup][/sup]。用于葡萄酒产地鉴别的次生代谢产物主要有香气物质、酚类物质。随着全球化进程，更多企业为迎合市场，酿造葡萄酒趋向一致化，在气候条件、酿造工艺、品种等因素的共同影响下，单从感官分析判定葡萄酒产地十分困难。仪器测定香气时，样品香气提取过程中，会使易挥发香气物质部分损失，仪器条件也会一定程度影响香物质的测定结果。酚类物质是决定葡萄酒质量的重要参数之一，并取决于葡萄品种、种植地风土、酿造工艺和陈酿条件[sup][/sup]。在Amargianitaki等[sup][/sup]的研究中发现，葡萄中含有的多种次级代谢产物，如花色苷、黄酮醇等，均受品种、气候、栽培条件的强烈影响，可能是区分葡萄酒不同风格的良好候选物。3.3鉴别应用3.3.1香气物质香气物质是葡萄酒质量评价的重要指标之一，且种类繁多，文献显示可以利用葡萄酒香气鉴别葡萄酒产地。Berna等[sup][/sup]使用来自三个国家和六个地区的34种长相思酒样，通过[url=https://insevent.instrument.com.cn/t/Mp]gc[/url]-MS、金属氧化物电子鼻（MOS-Enose）和质谱-电子鼻联用（MS-Enose）获得的酒样分类信息，可以预测长相思酿造葡萄酒产地，鉴别的平均误差为6.5%。Green等[sup][/sup]将新西兰、法国、奥地利葡萄酒，应用顶空固相微萃取-[url=https://insevent.instrument.com.cn/t/Mp]气相色谱[/url]法对三个产地葡萄酒香气进行区分，得出地理来源可以影响葡萄酒挥发性成分和感官特性，并总结出不同种类香气物质和其对应的感官描述词。对阿根廷门多标准化酿造葡萄酒，利用高效液相色谱测定酚类物质，并进行感官特征分析，结果表明地理位置对葡萄酒酚类物质和感官评价有影响，且感官特征和酚类物质之间有相关性[sup][/sup]。虽然目前葡萄酒产地鉴别技术有更多选择性，但感官测定仍是一种重要方法。在葡萄酒香气和风味复杂度的鉴别上，多结合轻同位素进行鉴别，但是因为葡萄酒香气受气候条件、酿造工艺及品种的影响较大，其测定准确性有待提高。3.3.2酚类物质酚类物质是一类庞大的次生代谢产物，具有支撑酒体的功能，葡萄酒酿造过程中提取自种子和果皮。Belmiro等[sup][/sup]应用HP[url=https://insevent.instrument.com.cn/t/Yp][color=#3333ff]LC-MS[/color][/url]测定，可以对没食子酸、表儿茶素、儿茶素、槲皮素-3-葡萄糖苷、槲皮素、杨梅素和白藜芦醇八种酚类物质定量，在阿根廷和南非葡萄酒中这些酚类物质有差别。Rocchetti等[sup][/sup]应用超高效液相色谱-四极质谱联用技术（UHPLC-ESI/QTOF-MS）对不同地区的六种霞多丽白葡萄酒其中酚类物质进行测定，结果表明黄酮类物质是区分葡萄酒产地的主要多酚类物质。Geana等[sup][/sup]利用HPLC-PDA测定罗马尼亚地区葡萄酒中七种酚类物质含量，发现（+）-表儿茶素、（-）-表儿茶素、对香豆酸、阿魏酸和白藜芦醇是有效的葡萄酒产地鉴别物质，同时该研究还测定无机元素，结果表明将两种方法相结合，对葡萄酒产地鉴别具有可行性。Amargianitaki等[sup][/sup]应用利用核磁共振波谱（NMR），借助二维核磁共振波谱，获得葡萄酒的非挥发性代谢谱和酚类代谢谱，将其与多元分析技术相结合，用于葡萄酒产地鉴别研究。Pisano等[sup][/sup]研究结果表明花青素可以有效区分八个葡萄品种和三个葡萄酒产地，被认为是可以有效鉴别葡萄酒产地的物质。目前大多数研究均表明酚类物质可以假定为化学标记以区分葡萄酒产地，但也有研究得到不同结论，Fraige等[sup][/sup]对巴西产地11种不同葡萄品种，应用串联质谱法，通过吸收光谱和裂解模式鉴定20种花青素，采用主成分分析方法，发现花青素在不同葡萄品种间有差异，在不同地域之间无法用花青素种类进行考量。[color=black]Karasinski[/color][color=black]等[/color][sup][color=black][/color][/sup]利用[url=https://insevent.instrument.com.cn/t/Mp]气相色谱[/url]-飞行时间质谱测定，结果表明地理因素对其中一些化合物影响强烈，可能对产地鉴别有特别作用，如一些氨基酸、糖酸、高级醇等。Ž urga等[sup][/sup]测定克罗地亚两个当地品种和两个国际品种中多种酚类物质，经标准判别分析可以区分品种和产地间不同，故认为酚类物质在产地真实属性鉴别中有应用潜力。目前对化合物的识别存在一定困难，样品经前处理后也很难使化合物被有效分离，需要进一步研究样品前处理方法，目前利用酚类物质鉴别葡萄酒产地方法仍不健全，与其他化合物或其他产地鉴别方法结合，可能会得到更好的效果。综上所述，次级代谢产物在葡萄酒产地鉴别上有一定应用价值，由于其与植物自身生长代谢密切相关，容易出现代谢组特性差异不大的情况，如相同品种在不同产地的会产生相似的次级代谢产物；此外，次级代谢产物在葡萄酒装瓶后仍会不断发生变化，随时间推移，葡萄酒中物质会发生不可控变化，对产地鉴别的准确性造成干扰。[b]4 展望[/b]随着人民生活水平提高，越来越多人意识到原产地对食品质量的重要性，通过对葡萄酒的追根溯源，可以更好的在源头控制葡萄酒质量，建立精确的指纹数据库，给葡萄酒市场管理提供参考依据。[color=black]在葡萄酒产地鉴别研究中多利用多元素分析法和同位素比值质谱法，方法的适用性和有效性被许多研究者证实，但[/color]通常不能避免一定数量的错误。目前研究存在的问题和发展趋势有：（1）测定样品数量有限，大多数研究只测定几十种上百种，对于模型和数据库的建立有局限性，开发100%精确葡萄酒产地鉴别技术十分困难。其主要原因是判别模型的建立无法收集目标产区的所有元素数据。葡萄酒产区土质中矿质元素含量和稳定同位素比[color=black]受种植地土壤、气候、品种、酿造工艺等多重因素影响，只有使用大量样本数据才能提高判别准确率。（[/color][color=black]2[/color][color=black]）测定元素种类较多，对特征性元素的筛选不够准确，可以结合各地区土壤、葡萄枝条、葡萄汁、葡萄酒中的矿质元素，开发出更多样更精准的产地特征性元素，建立各产地葡萄酒特征性元素数据库。（[/color][color=black]3[/color][color=black]）利用轻稳定同位素进行产地鉴别时，通常不能只利用一种同位素，多与多元素分析方法相结合。金属稳定同位素[/color][color=black]Sr[/color][color=black]在产地鉴别上有很好应用前景。（[/color][color=black]4[/color][color=black]）稀土元素在应对气候和酿造工艺变化时，表现更加稳定，后续应该更多关注一些稀土元素在葡萄酒产地鉴别上的应用。[/color][align=left][b]参考文献[/b][/align]

作者：温昕娟;（山西医科大学）摘要：1． 寻找啤酒中具有鉴别意义的特征性物质 ； 2． 建立啤酒特征性物质 的HP LC -M S / M S 的检测方法 ； 3． 建立啤酒特征性物质的固相萃取方法 , 并比较不同固相萃取柱以及液液萃取方法的回 收率 区别，并选择最优 的方法； 4． 分别对 各类发酵 酒（包括啤酒、红酒和白酒 ）进行检测，确认所选特征性物质能 用来鉴别各种酒类， 为饮酒后导致的各类案件的检材采取、检测、结果分析及法医学鉴定提供科学依据 ； 5． 研究各 种发酵酒饮用后 ，生物检材 (包括唾液、尿 液和血液 ) 中通过对特征性物质的检测 ，推断是否饮用过啤酒 。方法 1．通过文 献查新了解各种发酵酒中微量物质的差 异以 及啤酒特征性物质的初步确定； 2 ．啤酒特征性物质的 LC - MS / M S 检测条件的优化：采用保留时间 (R t ) 和多反应监 测(M R M )对特征性物 质进行定性定量分析 。选择2- 3 对离子定 性， 以1对响应值 相对较高的特征离子的峰面积其溶液浓度做标准曲 线，用外标进行定量 。 3 ．啤酒特征性物质的提取方法的优化 ：分别比较采取液液萃取和固相萃取方法方法的回 收率， 析固相萃取柱包括Waters Sep-Pk C18 和 proEl ut C18 6 cc (1 000 mg) 。 分 别分析不 同的 PH条件下回收率 ， 对洗涤溶剂和洗脱液做最优选择，建立固相萃 取方法 。 4． 人体饮 用各种发酵酒后 ，通过对人体生物样本中啤酒的特征性物质的研究, 甄别是否饮用啤 酒的研究 ： 5． 人 体试 验的实 验设计健康自愿10 人受试前天禁酒，避免激烈的运动，保持良好的心 态，将受试者随机分为三个实验小 组：让自愿者饮 酒前排尿 作为空 白对 照，在 1小时内 匀 速饮 酒达最大耐受量， 边饮 酒边进食， [/

四氢大麻酚质谱裂解机理研究及其异构体的鉴别摘 要：通过GC/MS对两类THC的质谱裂解方式进行研究，对比了顺反异构体的差异，以及烯键位置不同对裂解所产生的影响，并通过所存在的差异性对其异构体鉴定提供依据。关键词：Δ9-THC；Δ8-THC；EI（电子轰击）；质谱裂解机理；异构体一、概述 在有机化学与药物化学的研究中,如何区分具有不同药理活性的立体异构体,一直是个困扰人们的难题。质谱虽然是有机比合物分离鉴定的一种有效分析手段,但在立体异构体的区分方面尚存在许多困难,仅在离子的丰度上有所差异，顺反异构体的物理性质差别不大,双键带氢的顺反异构体也不例外,这类顺反异构体我们通过核磁共振谱可以快速、准确地加以测定和区别，而对于顺反异构体的混合物通过核磁很难做以鉴别，或者采用X光单晶衍射法，而对于不能培养成单晶的样品，此手法不能使用。所以其鉴定存在着一定的困难，色谱具有良好的分离能力，而质谱具有很好的定性功能，通过色谱质谱仪器的联用对有机化合物的鉴定已经成为一种有力的手段。大麻有镇静和兴奋功能，在医学上可用来做止痛剂，亦有研究用作医疗癌症和精神科疾病。吸食大麻有迷幻效果，一直有说可影响人的精神和生理。四氢大麻酚（Tetrahydrocannabinol），简称THC，又称Δ9-四氢大麻酚（Δ9-THC），最早由以色列雷霍沃特魏茨曼科学研究所的三名研究人员在1964年分离出来。从大麻中可以分离得到其异构体Δ8- THC。2013年，美国科学家研究发现，四氢大麻酚或可抗艾滋感染，表明其具有较强的生理活性，而立体化学构型往往会影响其生理活性，Δ9-THC仅双键异构和立体异构就有30个，而对于其来讲有两个手性中心，4种对应异构体，分别是左旋体和右旋体以及其所对应的顺反异构体，在常规质谱中不能区分旋光对映体，然而在手性条件下对映体将会显示出差异，利用产生的不同特征离子可以区分旋光对映体。所以其立体构型的研究就显得重要尤为重要了，而运用质谱手段对其鉴定还尚未见报道。http://ng1.17img.cn/bbsfiles/images/2014/10/201410211559_519327_2359621_3.pngTabel1. Δ9-THC及其异构体的结构式以及空间立体构型二、结果分析2.1Δ9-THC的质谱图http://ng1.17img.cn/bbsfiles/images/2014/10/201410211602_519329_2359621_3.png2. 2Δ9-THC的质谱裂解途径 分子被电离时，按照化学基本原理，分子优先失去电离能最低的电子而形成分子离子，所以我们往往直观的认为处于最高占据轨道(HOMO轨道)最容易失去电子而生成分子离子，而一般根据电离能的大小遵循σ[font=

[align=center][color=#333333] [/color][b]基于高光谱图像的化橘红快速鉴别研究[/b][/align][color=#333333] [/color][color=#333333] [/color][color=#333333]化橘红Pummelo Peel，拉丁文exocarpium citri grandis，Citrus grandis‘Tomentosa'，化橘红Pummelo Peel，拉丁文exocarpium citri grandis，Citrus grandis‘Tomentosa'，异名，化皮、化州橘红、柚皮橘红、柚类橘红、兴化红、毛柑、毛化红、赖橘红。本草记载，橘红一词始出于元王好古《汤液本草》，柚出自《本草经集注》。《神农本草经》仅载有橘柚。《唐本草》记载：柚皮厚味甘，不似橘皮薄，味辛而苦。其肉有亦如橘，有甘有酸。特产于广东省化州市部分村镇，其外果皮为道地药材化橘红，由于密被绒毛，称之为毛橘红，为治疗痰证常用中药。明代《本草原始》云：“橘红，广东化州者胜”。自古以来，化州特产毛橘红就以质优效佳而闻名于世，曾列为明清两代皇室镇咳祛痰贡品。这种外果皮密被绒毛的柚(化州柚)种植历史已有千年，仅分布于东经110°~111°、北纬21°~22°15'的广东省化州市部分地区。20世纪80年代初，受到来源于柚的非道地化橘红~光橘红的冲击，化州柚一度濒临灭绝。如何判断中药的品质并进行鉴定是中药科技工作者工作的重要内容之一。[/color][color=#333333] [/color][color=#333333]中药鉴定常用的鉴别方法主要有性状鉴定、显微鉴定、高效液相色谱法。这些方法虽然各有优势，但是有的对人员经验要求极高，有的实验过程较为复杂等特点，不能满足市场快速、可靠检测的需要。本研究探讨建立一种高光谱检测方法，结合计算机人工智能算法，对四种不同的化橘红进行了鉴定研究，并用独立样本数据对不同的模型进行验证。[/color][b][color=#333333]1. [/color][color=#333333]材料与方法[/color][color=#333333]1.1[/color][color=#333333]材料[/color][/b][color=#333333] [/color][color=#333333]化橘红四种不同成分正品皮、伪品皮、正品果、伪品果由中山大学提供，其中正品皮样本32个自编批号ZPP1-32、正品果10个自编编号ZPG1-10、伪品果11个自编编号WPG1-11，伪品皮7个自编编号WPP1-7。样本经粉碎均匀后，各取5g放置于培养皿上，备用。[/color][b][color=#333333]1.2[/color][color=#333333]高光谱图像采集[/color][/b][color=#333333] [/color][color=#333333]利用GaiaSorter高光谱分选仪系统（V10E、N25E-SWIR）。高光谱成像仪、面阵列相机、卤素灯光源、暗箱、计算机组成。图像采集软件采用高光谱成像系统采集软件完成。高光谱图像预处理在specview上进行，后期的图像处理和光谱处理采用 ENVI5.3和MATLAB2011b 进行处理。[/color][align=center][img=,400,300]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301716370797_992_488_3.jpg!w400x300.jpg[/img][/align][align=center][color=#333333]图1 GaiaSorter双系统分选仪[/color][/align][b][color=#333333]1.3 [/color][color=#333333]特征波长选择[/color][/b][color=#333333] [/color][color=#333333]光谱信息之间存在大量的冗余和共线性信息特征，对光谱有效信息的提取产生了较大的干扰，且大量光谱数据造成模型复杂、计算量大的问题。本文采用连续投影算法（successive projections algorithm，SPA）进行特征波长的选择，以减少信息冗余和共线性的影响，简化模型，减少计算量。[/color][color=#333333] SPA [/color][color=#333333]是一种特征变量前向选择算法，在光谱特征波长中取得了广泛的应用。本文采用 SPA 算法对去噪处理后的光谱进行特征波长选择。进行SPA 计算时，以建模集的光谱数据和类别赋值为输入，设置选择特征波长数的范围为 5～30。[/color][b][color=#333333]1.4 [/color][color=#333333]光谱指数[/color][/b][color=#333333] [/color][color=#333333]光谱指数的产生来源于植被指数，植被指数是指利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。光谱指数是通过任意两波段组合或三波段组合成各种光谱指数，如归一化植被指数（Normalized difference vegetable index，NDVI）、差值植被指数Difference vegetable index，DVI等，探寻最佳的波段组合用于各个领域的模型构建等。[/color][b][color=#333333]1.5 [/color][color=#333333]判别分析方法[/color][/b][color=#333333] [/color][color=#333333]偏最小二乘法判别分析( Partial least squaresdiscrimination analysis，PLS-DA)是一种用于判别分析的多变量统计分析方法。判别分析是一种根据观察或测量到的若干变量值，来判断研究对象如何分类的常用统计分析方法。其原理是对不同处理样本（如观测样本、对照样本）的特性分别进行训练，产生训练集，并检验训练集的可信度。本文分别基于全光谱、特别波长光谱建立 PLS-DA 判别分析模型，通过建立光谱数据与类别特征之间的回归模型，进行判别分析。[/color][b][color=#333333]1.6 [/color][color=#333333]极限学习机[/color][/b][color=#333333] [/color][color=#333333]极限学习机（extreme learning machine，ELM）是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。本文中隐含层神经元个数从 1 到 520（288）以步长 1 进行寻优，以最小训练误差下的神经元个数为 ELM 模型隐含层神经元个数。[/color][b][color=#333333]1.7 [/color][color=#333333]评价指标[/color][/b][color=#333333] [/color][color=#333333]回归模型得到的样本的预测值不是整数，需要设置阈值以判断样本的归属。本文中阈值设置为 0.5 ，预测值小数点大于或等于0.5则加1归整，小于0.5则减1归整。总体识别精度是指正确识别的个数除以总数，正品皮识别精度是指正品皮正确识别的个数除以正品皮的总数，正品皮识别错误率指数被错误分为正品皮的个数除以正品皮的总数。[/color][b][color=#333333]2 [/color][color=#333333]结果与分析[/color][color=#333333]2.1 [/color][color=#333333]化橘红不同成分的原始光谱曲线[/color][/b][color=#333333] [/color][color=#333333]本试验采用V10E 相机获取400-1000 nm波长范围共520个波段的可见/[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据，N25E-SWIR相机获取1000-2500 nm波长范围共288个波段的[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据，正品皮、伪品皮、正品果、伪品果的光谱比较图如图2所示。[/color][color=#333333] [/color][color=#333333]从图1可以看到，总体而言，无论是400-1000 nm或1000-2500 nm波长范围内，正品皮的光谱反射率值低于其他三种成分的光谱曲线，从曲线变化趋势来看四种不同成分并没有十分明显的差异。本研究按照Kennard-Stone 算法将样本分成建模集和预测集，其中建模集 38 个样本，预测集32个样本。正品皮、伪品皮、正品果、伪品果分别赋值为 1、2、3、4（表1），不同化橘红成分建模集和预测集样本的划分如表1所示。[/color][align=center][img=,32,32]https://bbs.instrument.com.cn/xheditor/xheditor_skin/blank.gif[/img][img=,690,316]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301716490687_6323_488_3.png!w690x316.jpg[/img][/align][align=center][color=#333333]图2化橘红不同成分反射光谱曲线图[/color][/align][align=center][color=#333333]表1 化橘红不同成分类别赋值与建模集合检验集样本划分[/color][/align] [table=568][tr][td] [align=center] [/align] [/td][td] [align=center]正品皮[/align] [/td][td] [align=center]伪品皮[/align] [/td][td] [align=center]正品果[/align] [/td][td] [align=center]伪品果[/align] [/td][/tr][tr][td] [align=center]类别赋值[/align] [/td][td] [align=center]1[/align] [/td][td] [align=center]2[/align] [/td][td] [align=center]3[/align] [/td][td] [align=center]4[/align] [/td][/tr][tr][td] [align=center]建模集[/align] [/td][td] [align=center]22[/align] [/td][td] [align=center]4[/align] [/td][td] [align=center]5[/align] [/td][td] [align=center]7[/align] [/td][/tr][tr][td] [align=center]检验集[/align] [/td][td] [align=center]20[/align] [/td][td] [align=center]3[/align] [/td][td] [align=center]5[/align] [/td][td] [align=center]4[/align] [/td][/tr][/table][b][color=#333333] [/color][color=#333333]2.2 [/color][color=#333333]化橘红鉴别算法分析[/color][/b][color=#333333] [/color][color=#333333]综合表2、表3和表4，对比光谱指数模型，PLS-DA模型，和 ELM 模型的识别效果可知，无论是光谱指数模型，PLS-DA模型或ELM 模型，基于1000-2500nm范围内构建的模型，其预测值的总体识别率、正品皮识别率均高于400-1000nm范围内的模型，且正品皮的识别错误率也低于400-1000nm范围内的模型。在光谱指数模型、PLS-DA 模型和 ELM 模型的模型中，ELM模型的识别准确性最高，其次是PLS-DA模型，最后是光谱指数模型。基于特征波段光谱的PLS-DA模型其识别准确性低于基于全波段光谱的PLS-DA的模型，但是基于特征波段光谱的ELM模型在400-1000 nm范围内，其识别准确性高于基于全波段光谱的ELM模型，在1000-2500nm范围内，其识别准确性与基于全波段光谱的ELM模型相同。图3为利用ELM模型在400-1000nm和1000-2500nm光谱范围内，基于特征波长和全波段检验集的实测值与预测值的赋予值。[/color][align=center][color=#333333]表2基于光谱指数模型检验化橘红样本的精度评价[/color][/align][align=center][img=,690,200]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301718080089_2220_488_3.png!w690x200.jpg[/img][/align][align=center][color=#333333]表3基于PLS-DA模型检验化橘红样本的精度评价[/color][/align][align=center][img=,690,240]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301718171948_4107_488_3.png!w690x240.jpg[/img][/align][align=center][color=#333333]表4 基于ELM模型检验化橘红样本的精度评价[/color][/align][align=center][img=,690,200]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301718314357_9332_488_3.png!w690x200.jpg[/img][/align][align=center][img=,690,662]https://ng1.17img.cn/bbsfiles/images/2019/10/201910301718433557_9929_488_3.png!w690x662.jpg[/img][/align][align=center][color=#333333]图3 基于400-1000和1000-2500nm的ELM模型预测结果[/color][/align][b][color=#333333]3 [/color][color=#333333]结论与讨论[/color][/b][color=#333333] [/color][color=#333333]本研究分别基于V10E与N25E-SWIR两款成像高光谱相机在400-1000nm、1000-2500nm波段分别获取四种化橘红样品的高光谱反射率，采用 SG 平滑算法对提取出的光谱数据进行去噪处理，同时采用 SPA 算法对去噪后的光谱提取特征波长，并分别基于全波段光谱、特征波段光谱建立 PLS-DA 判别模型和 ELM 模型，同时采用全波段循环，探寻最佳的NDVI、DVI两个光谱指数构建判别模型，用于鉴别正品皮、正品果、伪品皮、伪品果，取得了比较好的识别效果。基于特征波段光谱与全波段光谱建立的 ELM 模型取得了最佳效果，总体识别精度、正品皮识别精度、正品皮识别错误率分别为84%、95%和5%。在实际运用中，考虑到识别时间与成分，基于SPA算法提取的特征波段构建的ELM模型效果最佳。本论文研究结果为高光谱成像技术在药品真伪等鉴别检测中的应用提供了可行性。（本文已在中文核心期刊《时珍国医国药》沈小钟,黄宇,苏薇薇,陈兴海,崔穗旭.基于高光谱图像的化橘红快速鉴别研究.时珍国医国药,2019,30(06):1391-1396.）[/color]

[font=none][size=16px][color=#004be0]第16届原创大赛继续与中国仪器仪表学会合作。凡符合要求的原创作品将被推荐到“ 科研仪器案例库 ”，被案例库收录后，将由中国仪器仪表学会授予“科研仪器案例库收录证书”；征集活动结束后，被评为优秀案例的，将由中国科协授予“优秀案例授予证书”，助力参赛者评定职称。（注：往届获奖作品若有投递案例库的意向，可咨询主办方）[/color][/size][/font][align=center][size=18px][color=#ff0000][b]【科研仪器案例库收录文章展示】：结合机器学习的光谱技术在塑料鉴别中的应用研究进展[/b][/color][/size][img=,690,485]https://ng1.17img.cn/bbsfiles/images/2024/01/202401191541191451_7652_3237657_3.png!w690x485.jpg[/img][img=,690,345]https://ng1.17img.cn/bbsfiles/images/2024/01/202401191542476054_4890_3237657_3.png!w690x345.jpg[/img][b][size=18px]原文链接：[/size][/b][url]https://bbs.instrument.com.cn/topic/8247572[/url][/align]

研究中药复方制剂中各味药材的鉴别药典中鉴别乌梅药材，选择“熊果酸”为对照乌梅含有熊果酸，大枣也含有熊果酸，请问那我做制剂中乌梅药材鉴别时，是不是就不能以熊果酸作对照了，因为怕大枣会有干扰？这种情况，乌梅该选择什么组分作为对照？实验结果显示，乌梅阴性并没有干扰，我能以“熊果酸”作为对照鉴别乌梅吗，虽然明知大枣也含熊果酸。乌梅阴性没有干扰，会不会是点样量少的问题？http://ng1.17img.cn/bbsfiles/images/2012/11/201211010017_400582_1872149_3.jpg1. 熊果酸；2-4. 样品；5. 阴性

提出了一种用近红外光谱技术快速鉴别酸奶品种的新方法。 首先应用光谱仪获得 5 种典型酸奶品种的光谱曲线 , 用主成分分析法对 5 种酸奶品种进行聚类分析 ,建立模型后进行品种鉴别。 主成分分析表明 , 主成分 1 和主成分 2 的累积可信度已达 98.986 % , 前 7 个主成分的累积可信度达到 99.197 %。本实验选择前 7 个主成分的输入, 建立模型。 每个品种各 27 个样本 , 5 个品种共 135 个样本用来建立模型 , 余下每个品种各 5 个共 25 个用于预测。 建模品种的拟合率和预测品种的识别率均为 100 %。 说明该方法能快速无损的检测酸奶品种 , 为酸奶的品种鉴别提供了一种新方法。酸奶所含有的蛋白质经一定程度的分解后易于被人体消化吸收 , 有较高的营养价值和口味 , 也具有健美和减肥等功效 , 深受广大的消费群体(儿童、 青少年、 中青年女性等)喜爱。 近年来我国一批大中型乳品企业在市场竞争中奇迹般地崛起 , 市场超市中的酸奶品种也五花八门 , 但市场中也不乏各种假冒产品。一些学者利用近红外光谱技术在牛奶的脂肪、 蛋白质和乳糖等含量方面做了一些研究, 但是对于酸奶品种鉴别方面的研究还做得很少 , 主要是在实验室进行。 随着市场上酸奶品种的加速发展 , 品种鉴别将越来越凸现出它的必要性 , 所以研究一种简单、 快速、 无损的酸奶品种鉴别方法很有必要。 由于近红外光谱分析技术具有速度快、效率高、成本低、 测试重现性好、 测试方便等特点 , 已经被越来越多地应用于食品工业、 石油化工、 制药工业等领域。但进行光谱测试后如何从大量的信息中获取有效信息是研究的一个热点。 主成分分析是多元统计中的一种数据挖掘技术。 在不丢失主要光谱信息的前提下选择为数较少的新变量来代替原来较多的变量 , 解决了由于谱带的重叠而无法分析的困难。 我们选用主成分分析( PCA)建立不同品种酸奶品种的近红外光谱鉴别模型。一． 仪器条件：仪器为近红外光谱仪，主要部件包括：单色仪、集成电脑、电源适配器，置顶旋转测样系统。采集处理软件，建模软件。 测样方式：漫反射方式；检测方法：置顶旋转测样系统；实验所用的参数设置为： 波长范围：1400nm ~ 2500nm，波长步长：1.0nm，平均次数：60次。二． 实验方法：从超市买来生产日期为同一天的三种原味酸奶 , 分别是蒙牛(内蒙古) 、光明(上海) 、 伊利(内蒙古) , 每种酸奶各取 30 样本 , 共计 90 个样本。 为减少实验过程中的操作误差 , 酸奶装样容器均采用直径为4cm，高度为,4cm的样品杯 , 装好的酸奶的样品杯放置于光谱仪置上方 , 通过样品杯的旋转，对每个样品扫描60 次 , 取平均值。为了消除外界环境的影响 , 提高光谱数据的有效信息量 , 我们对光谱数据采用平均平滑法进行预处理 , 选用平滑窗口大小为9 , 此时能很好地滤除各种因素产生的高频噪声。将光谱数据导入建模软件，采用PCA分析方法，分别建立三种原味酸奶的PCA模型。http://ng1.17img.cn/bbsfiles/images/2014/06/201406140844_502036_1344_3.jpg 图1.三种酸奶的吸收光谱 通过建立三种原味酸奶的PCA模型后，对三种厂家未知的酸奶作定性判别，拟合率和预测品种的识别率均为 100 %。三．结论：　 提出了一种应用光谱技术并结合主成分分析技术对酸奶品种进行快速无损检测的新方法 , 该方法使用方便 , 准确度高。 试验表明对三种酸奶品种的识别率达到100 %。 说明运用近红外光谱技术可以快速、 准确、 无损的对酸奶品种进行鉴别。 提出的基于主成分分析的光谱数据分析方法可大大地减少计算量 , 加快了分析和识别速度 , 同时得出的酸奶品种的主成分变量为快速鉴别酸奶种类和开发酸奶快速识别仪器提供了依据 , 也为其他液体食品品种的鉴别提供了有效的方法。