摘要本文基于固相微萃取和氣相色譜質譜 (SPME-GC/MS) 非靶向測定蜂蜜中揮發(fā)性組分，結合化學計量學方法建立了不同植物來源蜂蜜判別和預測的方法。利用 SPME-GC/MS對來自四種植物來源（包括洋槐蜜、椴樹蜜、荊條蜜和油菜蜜）的 87 個真實蜂蜜樣品中的全譜揮發(fā)性化合物進行非靶向分析。通過主成分分析 (PCA) 對樣品進行質量控制。然后，建立基于偏最小二乘判別分析 (PLS-DA)、樸素貝葉斯 (NB) 和誤差反向傳播人工神經(jīng)網(wǎng)絡 (BP-ANN) 的樣品分類預測模型。模型的準確率為 100%，這表明不同植物來源蜂蜜可以準確分類。此外，還通過另外一組獨立的 20 個真實蜂蜜樣品，對模型的可靠性和實用性進行了驗證。所有 20 個樣品均得到準確分類。最后，對椴樹蜜的特征揮發(fā)性化合物進行初步鑒定。這表明，本研究建立的不同植物來源蜂蜜判別方法是準確、可靠的，同時有助于尋找蜂蜜中的特征化合物。

前言蜂蜜以其營養(yǎng)和藥用特性成為了受歡迎的天然產(chǎn)物之一。蜂蜜的植物來源和產(chǎn)地受到消費者的日益關注。蜂蜜的價格通常與其植物來源/產(chǎn)地有關。因此，很有必要開發(fā)一種快速強大的方法來鑒定不同來源的蜂蜜。GC/MS 在識別和定量分析復雜樣品中的有機化合物方面具有優(yōu)勢，與固相微萃取 (SPME) 的組合可用于分析蜂蜜中的揮發(fā)性化合物[1]。本應用簡報介紹了最近發(fā)表的一項關于非靶向揮發(fā)性化合物圖譜的研究[2]，該研究結合使用 SPME 和 GC/MS 與化學計量學方法，對中國蜂蜜的植物來源進行分類。該研究開發(fā)出一種基于非特異性揮發(fā)性化合物指紋圖譜和多變量分析分類并預測蜂蜜植物來源的方法。應用 SPME-GC/MS在全掃描模式下非靶向采集蜂蜜的全譜揮發(fā)性化合物數(shù)據(jù)。使用各種過濾參數(shù)進行多變量優(yōu)化。然后，建立基于偏最小二乘判別分析 (PLS-DA)、樸素貝葉斯 (NB) 和誤差反向傳播人工神經(jīng)網(wǎng)絡 (BP-ANN) 的預測模型。最后，對于具有顯著性差異的化合物進行了初步確認。

材料與方法蜂蜜樣品87 個真實蜂蜜樣品，包括 19 個洋槐(Robiniapseudoacacia L.) 蜜樣品、22 個椴樹 (Tilia amurensis Rupr.) 蜜樣品、22 個荊條 (Vitexnegundo var.heterophyllaRehd.) 蜜樣品和 24 個油菜(Brassica campestris L.) 蜜樣品，分別采集自中國北京、吉林、河北和陜西。從養(yǎng)蜂人處直接采集 500 g 以上的各種蜂蜜樣品，并保存在 4 °C 的冰箱中待分析。

化學品己烷（MS 級）購自 Fisher Scientific（中國上海）。正己烷購自 Sigma-Aldrich，并采用一系列烷烴 (C8H18–C25H52) 計算保留指數(shù)。利用癸酸甲酯 (Sigma-Aldrich) 作為內(nèi)標。實驗用水產(chǎn)自 Milli-Q 水純化系統(tǒng) (Millipore, Bedford, MA, USA)。

固相微萃取使用 CTC 自動進樣系統(tǒng)和 2 cm 涂有50/30 µm 二乙烯苯/Carboxen/聚二甲基硅氧烷 (DVB/CAR/PDMS) 的纖維頭（部件號 SU57348U）運行 SPME 程序。分析前，將纖維置于氣相色譜進樣口中，在 270 °C 下老化 1 小時。SPME 條件如下：將 3 g 蜂蜜放入包含 1.5 mL 去離子水和 0.5 g 氯化鈉的 20 mL 頂空螺紋口樣品瓶（部件號 5183-4474）中，并用聚四氟乙烯 (PTFE)/硅橡膠隔墊（部件號 5183-4477）將樣品瓶密封。然后在 80 °C 下，將涂有 DVB/CAR/PDMS 的纖維頭置于樣品溶液的頂部空氣中暴露 30 分鐘。完成萃取步驟后，將纖維頭從樣品瓶中取出并插入氣相色譜進樣口中，在 250 °C 下進行 2 分鐘熱脫附。

數(shù)據(jù)處理和統(tǒng)計分析利用 Agilent MassHunter GC/MS 轉換軟件 B.07.00 版將 Agilent ChemStation 數(shù)據(jù)轉換為 MassHunter 數(shù)據(jù)。將轉換后的GC/MS 數(shù)據(jù)導入 MassHunter 未知物分析軟件（B.07.01 版）中，并根據(jù)未知物分析的優(yōu)化參數(shù)進行解卷積和鑒定。將處理后的蜂蜜樣品輪廓圖導出為 cef 文件，然后導入 Agilent Mass Profiler Professional（13.0 版）中。采用化學計量學方法，例如主成分分析(PCA)、單因素方差分析 (ANOVA) 和預測模型（包括 PLS-DA、NB 和 BP-ANN）。

結果與討論數(shù)據(jù)挖掘使用 Agilent MPP 軟件進行數(shù)據(jù)過濾和化學計量學分析。對所有 cef 文件進行數(shù)據(jù)過濾。對于四組樣品，通過數(shù)據(jù)匹配總共獲得了 2734 個化合物。根據(jù) MPP 工作流程，第一個過濾器是按標記進行過濾，該步驟用于消除不可靠的化合物。根據(jù)各個樣品是否高于閾值或達到飽和設置“存在”和“臨界”標志，以從整個數(shù)據(jù)集中過濾化合物。保留了 87 個樣品中至少 2 個樣品中可接受的化合物。第二個過濾器是按頻率過濾，根據(jù)化合物在樣品中的出現(xiàn)頻率對其進行過濾。在該步驟中，必須是存在的化合物才可進行該步過濾。這些過濾條件保留了每個樣品中在至少一種條件中出現(xiàn)的化合物。第三個過濾器是顯著性分析，根據(jù)單因素方差分析計算出的 p 值。為確保僅保留存在顯著差異的化合物，在大多數(shù)情況下，選擇的 p 值截止值為 0.05。經(jīng)過三個過濾步驟，將化合物數(shù)量從 2734 減少至 114。為鑒定處理樣品和對照樣品之間的豐度比或差異超出給定倍數(shù)變化截止值或閾值的化合物，采用倍數(shù)變化分析作為最終過濾步驟。當倍數(shù)變化截止值為 2時，保留了 110 個化合物，表明一系列過濾步驟顯著減少了變量數(shù)量和數(shù)據(jù)集的維數(shù)。