花生油中摻入大豆油的鑒別研究

彭 丹，王靖云，畢艷蘭

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

0 引言

花生油風(fēng)味獨特、營養(yǎng)豐富，是中國百姓理想的烹飪用油.近年來，由于花生油價格不斷升高，一些不法商販為了牟取暴利，在花生油經(jīng)營、銷售過程中摻入價格低廉的油脂，如大豆油等油脂；此外，還有將礦物油等非食用油摻入花生油中的情況，嚴(yán)重?fù)p害了消費者的經(jīng)濟(jì)利益和身體健康，破壞了正常的市場秩序.目前，對花生油摻偽的檢測主要有兩大類：一類是利用花生油理化性質(zhì)進(jìn)行鑒別，常以《GB 1534—2003 花生油》和《GB/T 5539—2008 糧油檢驗 油脂定性試驗》規(guī)定的花生油理化指標(biāo)和性質(zhì)為標(biāo)準(zhǔn)，例如通過花生油中長碳鏈飽和脂肪酸不溶于冷乙醇的特殊性質(zhì)進(jìn)行檢測[1]；另一類是根據(jù)花生油本身信息進(jìn)行鑒別[2]，如甘三酯結(jié)構(gòu)[3]、脂肪酸組成和含量[4]及其他特征成分[5]等，研究中多采用液相色譜法、氣相色譜法等.在花生油摻偽檢測中，油脂的種類多、類別雜，同種油脂的成分和理化特性受產(chǎn)地、生產(chǎn)工藝等因素影響均會產(chǎn)生一定的變化，測量時往往獲得大量“雜亂無章”的數(shù)據(jù)，如何有效地從大量復(fù)雜數(shù)據(jù)中獲取有用信息，是當(dāng)前油脂摻檢測領(lǐng)域面臨的又一個主要問題.

化學(xué)計量學(xué)作為一門新興的學(xué)科，應(yīng)用數(shù)學(xué)、統(tǒng)計學(xué)方法研究化學(xué)測量中數(shù)據(jù)處理、信號解析、化學(xué)分類及預(yù)報等問題，能解決傳統(tǒng)研究方法難以解決的復(fù)雜問題[6].Su 等[7]采用實時冷凍比濁法結(jié)合化學(xué)計量學(xué)方法，即主成分分析（PCA）和偏最小二乘法（PLS），對精煉花生油的摻假進(jìn)行鑒別，并建立PLS 定量模型，結(jié)果RMSEP 為2.75%.Monfreda 等[8]通過化學(xué)計量學(xué)方法對橄欖油和摻偽橄欖油的脂肪酸組成數(shù)據(jù)進(jìn)行處理，建立了定性和定量摻偽檢測模型.趙婷婷等[9]應(yīng)用低場核磁共振結(jié)合PCA 實現(xiàn)了食用油脂種類、煎炸油程度及摻偽豬油的品質(zhì)區(qū)分.李沂光等[10]運用距離判別法和BP 神經(jīng)網(wǎng)絡(luò)對油脂光譜數(shù)據(jù)進(jìn)行處理，建立的定性模型可有效鑒別回收油的摻偽行為.本試驗擬采用氣相色譜法結(jié)合化學(xué)計量學(xué)方法對花生油中摻入的大豆油進(jìn)行檢測研究，旨為食用油質(zhì)量安全控制提供一種準(zhǔn)確快速的檢測方法.

1 材料與方法

1.1 材料與試劑

112 種純花生油、大豆油采集于生產(chǎn)廠家及種子萃取，經(jīng)脂肪酸組分測定符合GB 1534—2003《花生油》和GB 1535—2003《大豆油》標(biāo)準(zhǔn)規(guī)定.脂肪酸甲酯標(biāo)樣（Sigma-Aldrich 公司）；正己烷為色譜純；其他試劑均為分析純.

1.2 儀器設(shè)備與參數(shù)設(shè)置

GC-6890N 型氣相色譜分析儀：美國Agilent 公司.氣相色譜條件：BPX-70 色譜柱（30.0 m×250 μm×0.50 μm）；進(jìn)樣口溫度：230 ℃；柱溫：210 ℃；氫火焰離子化檢測器（FID）：300 ℃；氮氣流速：1.0 mL/min；氫氣流速：35 mL/min；空氣流速：400 mL/min.

1.3 摻偽樣品的配制

為了反映市場的總體情況，本研究從不同產(chǎn)地采集了4 種不同加工方式生產(chǎn)的純花生油和4種具有代表性的純大豆油（見表1），將大豆油按5%、10%、15%、20%、30%、50%、80%、90%、95%（以大豆油質(zhì)量占油總質(zhì)量的百分比記）摻入花生油中共配制72 個混合油樣，并對混合油樣編號.以編號H1D2-15 為例：H1 表示1 號花生油，D2 表示2 號大豆油，15 表示15%的摻偽比例.

表1 采樣信息一覽表Table 1 Sample informations

1.4 方法

1.4.1 脂肪酸分析

油脂樣品先甲酯化，參照《GB/T 17376—2008動植物油脂脂肪酸甲酯制備》；再采用《GB/T 17377—2008 動植物油脂脂肪酸甲酯的氣相色譜分析》方法.

1.4.2 定性分析

以純花生油及摻偽花生油的脂肪酸組成數(shù)據(jù)為變量，一方面與GB 1534—2003《花生油》進(jìn)行比較，按其變化趨勢，對花生油摻偽進(jìn)行定性分析；另一方面，通過化學(xué)計量學(xué)方法，利用主成分分析（PCA）降低數(shù)據(jù)維數(shù)，同時對花生油的摻偽進(jìn)行初步判斷，在此基礎(chǔ)上通過聚類分析（CA）鑒別花生油的真?zhèn)?，最后采用最小二乘支持向量機（LSSVM）對花生油摻偽進(jìn)行定性分析，并與PCA 法和CA 法進(jìn)行比較.

1.4.3 定量分析

利用Unscrambler 10.3 軟件中多元線性回歸（MLR）、主成分回歸（PCR）和偏最小二乘法（PLS）對油樣的色譜數(shù)據(jù)進(jìn)行處理，建立兩類校正模型：一類是定性分析前對摻偽花生油全樣本建立的定量模型；另一類是在上述的定性分析基礎(chǔ)上，對摻偽花生油樣本建立的定量模型.

2 結(jié)果與討論

2.1 GC 分析

采用氣相色譜法對純花生油、純大豆油及摻偽花生油的脂肪酸組成進(jìn)行分析，結(jié)果見圖1、圖2 和表2.從圖1 可以看出，花生油和大豆油的脂肪酸組成大致相同，主要脂肪酸均為16∶0、18∶0、18∶1、18∶2，但部分脂肪酸的含量差別很大，其中差別最大的為18∶1 和18∶3.花生油中18∶1 脂肪酸的含量范圍為36.46%～53.14%，而大豆油的18∶1 脂肪酸含量在25%左右.大豆油中18∶3 脂肪酸含量相對較高，在4.67%～6.47%之間，而花生油的18∶3脂肪酸含量較少，低于0.1%，兩者相差幾十倍，這也正是大豆油區(qū)別于花生油的主要特征.因此將18∶1 和18∶3 脂肪酸作為鑒別花生油摻大豆油的特征指標(biāo).通過對所配制的摻偽花生油脂肪酸組成的分析發(fā)現(xiàn)，當(dāng)大豆油按一定比例摻入花生油中，混合油脂肪酸含量具有相似的變化規(guī)律，文中以H1D2～H4D2 系列為例進(jìn)行分析.

圖1 花生油和大豆油的脂肪酸組成Fig.1 Fatty acid compositions of peanut oil and soybean oil

表2 2 號大豆油與4 種花生油的混合油樣中18∶1 和18∶3 脂肪酸的含量Table 2 Contents of 18∶1 and 18∶3 fatty acids in the mixture of No.2 soybean oil and four kinds of peanut oil %

由表2 可知，隨著摻入大豆油比例的增加，18∶1脂肪酸含量逐漸減少，18∶3 脂肪酸含量逐漸增加.當(dāng)與GB 1534—2003《花生油》脂肪酸含量比較時，18∶1 脂肪酸含量小于35.0%或18∶3 脂肪酸含量大于0.3%，即可判定此花生油摻偽.當(dāng)摻入大豆油比例為10%時，18∶1 脂肪酸含量最小值為37.77%，仍在國標(biāo)范圍之內(nèi)；而18∶3 脂肪酸含量最小值為0.48%，超過了國標(biāo)規(guī)定的花生油中18∶3 脂肪酸的最大值.因此，氣相色譜法分析花生油摻偽，以18∶3脂肪酸的含量為標(biāo)準(zhǔn)比較科學(xué).

圖2 18∶3 脂肪酸含量和大豆油摻偽比例的關(guān)系Fig.2 Relationship between the 18∶3 fatty acid contents and adulteration ratios of soybean oil

花生油摻入大豆油檢測的工作曲線見圖2，18∶3 脂肪酸含量和大豆油摻偽比例高度線性相關(guān)（R2＞0.99）.當(dāng)不同來源的花生油與同一大豆油進(jìn)行摻偽，其工作曲線較為相近，故建立一條工作曲線；當(dāng)摻入不同來源的大豆油時，18∶3 脂肪酸含量工作曲線有所不同.以H2D1、H2D2 系列為例，其回歸方程分別為：Y=0.055 4X-0.046 3 和Y=0.046 3X+0.021 1.這為定量計算摻偽量提供了依據(jù)，由于大豆油的來源對工作曲線的建立有影響，可能會帶來較大的誤差.為了提高檢驗方法的可行性，配制與上述油樣不同原料來源的摻偽花生油，分析其中18∶3 脂肪酸含量，結(jié)果如表3 所示.

表3 摻偽花生油樣品的定量分析結(jié)果Table 3 Quantitative analysis results of adulterated peanut oil samples

由表3 可知，摻偽比例計算值與實際值的均方根誤差（RMSE）為9.25%，說明所建工作曲線對于不同原料來源的摻偽花生油的定量分析誤差較大，不適于利用本法進(jìn)行測定.因此，僅用氣相色譜法分析花生油摻偽具有一定的局限性.

2.2 定性分析

2.2.1 主成分分析（PCA）

對純花生油及摻入大豆油的花生油脂肪酸進(jìn)行主成分分析，前7 個主成分（PC）的累積貢獻(xiàn)率如表4 所示.從表4 可以看出，第一主成分（PC-1）中，油酸、亞油酸的相關(guān)系數(shù)最大，表明該脂肪酸是第一主成分的主要影響因素；第二主成分（PC-2）中，山崳酸是主要決定因子；第三主成分（PC-3）中，硬脂酸是對該主成分影響最大的特征向量.前3 個主成分貢獻(xiàn)率分別為95.75%、1.96% 和1.12%，共計98.83%，說明前3 個主成分代表了原始樣本的絕大部分信息.因此，選取前3 個主成分的得分作為脂肪酸聚類分析的輸入變量.

表4 前7 個主成分相關(guān)系數(shù)與累計貢獻(xiàn)率Table 4 Accumulative contribution rate of the former 7 principal components

PCA 法不僅能夠降低數(shù)據(jù)維數(shù)，還可以通過樣品的得分確定其所屬類別，圖3 為樣品前3 個主成分的三維散點得分圖.從圖3 可以看出，花生油和摻入大豆油的花生油的樣品點相互聚集到一起，沒有明顯的界限，通過主成分分析很難準(zhǔn)確地將花生油和摻偽花生油區(qū)別開來.

圖3 樣品主成分三維得分圖Fig.3 3D score plot of principal components of the samples

2.2.2 聚類分析

對184 個樣品（花生油和摻入大豆油的花生油）進(jìn)行鑒別，色譜矩陣經(jīng)PCA 處理后，采用7 種不同的聚類方法：K-means、K-medians、Hierarchical Single-linkage、Hierarchical Average-linkage、Hierarchical Complete-linkage、Hierarchical Median linkage、Ward's algorithm 進(jìn)行分析，經(jīng)過比較選擇Hierarchical Average-linkage 聚類方法，樣品距離選用相對距離，聚類數(shù)為2，其結(jié)果見圖4 和表5.

圖4 花生油摻大豆油的部分聚類結(jié)果Fig.4 A part of clustering results of peanut oil adulterated with soybean oil

由圖4 可以看出，當(dāng)相對距離為5.5～10 時，30個油樣被分為兩大類：第一類為花生油，第二類為摻入大豆油的花生油，其正確率為100%.但是隨著花生油數(shù)量增加，分類正確率降低（見表5），這可能與花生品種改良引起的脂肪酸組成的變異有關(guān)，使得摻偽量較低的花生油脂肪酸組成與純花生油相接近，當(dāng)摻入大豆油50%時，正確率為100%，所以利用聚類分析法鑒別花生油摻偽不理想，僅能區(qū)分摻入大豆油不低于50%的油樣.

表5 花生油摻大豆油的聚類分析結(jié)果Table 5 Clustering analysis results of peanut oil adulterated with soybean oil

2.2.3 最小二乘支持向量機

最小二乘支持向量機（Least Squares Support Vector Machine，LS-SVM）是在經(jīng)典SVM 基礎(chǔ)上改進(jìn)的，將最小二乘線性系統(tǒng)引入，利用非線性函數(shù)將樣本映射到高維特征空間中，即把非線性問題轉(zhuǎn)化為高維特征空間中的線性問題，然后在高維特征空間中尋找最優(yōu)分類超平面.當(dāng)進(jìn)行LS-SVM建模時，有三個關(guān)鍵問題需要解決：最優(yōu)的特征子集、合適的核函數(shù)和最佳核函數(shù)參數(shù)[11].

首先將184 個純花生油和摻入大豆油的花生油樣品隨機分為校正集和驗證集，164 個樣品為校正集（100 個純花生油，64 個摻偽花生油），20 個樣品為驗證集（10 個純花生油，10 個摻偽花生油）.目前，核函數(shù)的種類很多，至今還沒有系統(tǒng)方法論來指導(dǎo)核函數(shù)的選擇，經(jīng)過比較，選擇RBF 函數(shù)作為核函數(shù).對于RBF 核函數(shù)參數(shù)的確定，采用網(wǎng)格搜索法和粒子群算法相結(jié)合，對懲罰系數(shù)C 和核函數(shù)σ2進(jìn)行選擇.根據(jù)已有經(jīng)驗[12]，預(yù)設(shè)C 的選擇范圍為2～217，σ2的選擇范圍為2-14～23，經(jīng)過10 000 次迭代，根據(jù)交互驗證準(zhǔn)確率來確定最優(yōu)的C 值和σ2值，分別為82 902.7 和0.000 129，此時對應(yīng)的支持向量數(shù)為9，使用該參數(shù)進(jìn)行分類，其結(jié)果如表6 所示.從表6 可以看出，純花生油的預(yù)測準(zhǔn)確率為100%；與PCA 和CA 相比，LS-SVM法不僅能夠準(zhǔn)確識別純花生油，而且當(dāng)樣品摻偽量較低（為5%）時，也能夠準(zhǔn)確鑒別出來.

2.3 定量分析模型

在花生油質(zhì)量監(jiān)督中，不僅要定性識別花生油的真?zhèn)?，而且還要定量檢測摻偽油的含量，因此筆者在LS-SVM 法識別摻偽花生油的基礎(chǔ)上，采用偏最小二乘法（PLS）、多元線性回歸（MLR）和主成分回歸（PCR）建立花生油摻偽的定量校正模型，并與未經(jīng)LS-SVM 分類的相比.隨機抽取花生油摻偽樣品的3/4 作為校正集，構(gòu)建花生油摻偽定量校正模型，其余的1/4 樣品作為驗證集進(jìn)行檢驗.通過交互驗證和外部檢驗考察所建模型的可靠性.利用校正集的交叉驗證均方根誤差（RMSECV）、驗證集的預(yù)測均方根誤差（RMSEP）和相關(guān)系數(shù)（R2）3 個指標(biāo)評價模型的預(yù)測能力，花生油摻大豆油的校正模型預(yù)測結(jié)果見表7.

表6 最小二乘支持向量機的預(yù)測結(jié)果Table 6 Prediction results of least squares support vector machine

表7 不同定量模型的預(yù)測結(jié)果Table 7 Prediction results of different quantitative models

從表7 可以看出，經(jīng)過分類后建立的模型預(yù)測能力明顯優(yōu)于分類前，PLS 和MLR 模型的預(yù)測效果均好于PCR 模型，分類后PLS 和MLR 模型的RMSEP 分別為2.08%和2.19%，相差不大.MLR 方法雖然能夠較好地解釋因變量的變化，但對于自變量間多重相關(guān)性問題存在一定的局限性，使回歸模型的穩(wěn)定性變差，回歸系數(shù)推算不準(zhǔn)，甚至無法求解.因此，采用PLS 方法建立花生油摻大豆油的定量分析模型.

2.4 不同方法的比較

通過對花生油中摻入大豆油的鑒別分析，得出了每種方法的檢出限和優(yōu)缺點，如表8 所示.

對于花生油中摻入大豆油的鑒別，4 種定性方法檢出限相差較大，其中LS-SVM 法的檢出限最低；定量分析中PLS 法的預(yù)測精度高，且快速、準(zhǔn)確.由于花生種類繁多，加上油脂的脂肪酸組成易受氣候、產(chǎn)地、生產(chǎn)工藝等因素的影響，綜上考慮，建議采用氣相色譜法結(jié)合LS-SVM 法、PLS 法來定性定量分析花生油的摻偽.

表8 不同鑒別方法的比較Table 8 Comparison of different identification methods

3 結(jié)論

近年來出現(xiàn)的花生油摻偽現(xiàn)象成為人們關(guān)注的焦點.筆者采用氣相色譜法結(jié)合化學(xué)計量學(xué)技術(shù)對花生油中摻入大豆油進(jìn)行研究.分別運用氣相色譜法、PCA、CA、LS-SVM 鑒別花生油的真?zhèn)危捎肔S-SVM 模型的正確識別率為100%.在此基礎(chǔ)上，通過PLS 建立花生油摻大豆油的定量校正模型，并與MLR、PCR 建模結(jié)果進(jìn)行比較，結(jié)果表明PLS 模型具有很好的穩(wěn)定性和較高的預(yù)測準(zhǔn)確度.此方法還可以用于其他食用油脂純品的鑒別，也為更復(fù)雜的油脂摻偽檢測提供了技術(shù)支持.

［1］畢艷蘭，劉娟，紀(jì)俊敏，等.2 種分析方法對花生油摻偽的研究初探［J］.河南工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2006，27（5）:18-21，25.

［2］Zhao X，Ma F，Li P W，et al.Simultaneous determination of isoflavones and resveratrols for adulteration detection of soybean and peanut oils by mixed-mode SPE LC-MS/MS［J］.Food Chemistry，2015，176:465-471.

［3］Dong X Y，Zhong J，Wei F，et al.Triacylglycerol composition profiling and comparison of high oleic and normal peanut oils［J］.Am Oil Chem Soc，2015，92:233-242.

［4］Zhang L X，Li P W，Sun X M，et al.Classification and adulteration detection of vegetable oils based on fatty acid profiles［J］.Agric Food Chem，2014，62（34）:8745-8751.

［5］Zhao F F，Liu J K，Wang X P，et al.Detection of adulteration of sesame and peanut oils via volatiles by GC×GC-TOF/MS coupled with principal components analysis and cluster analysis［J］.Eur J Lipid Sci Technol，2013，115:337-347.

［6］梁逸曾，俞汝勤.化學(xué)計量學(xué)［M］.北京:高等教育出版社，2003.

［7］Su R，F(xiàn)eng X D，Yu A M，et al.Application of real-time refrigeration turbidimetry for rapid discrimination and purity assessment of refined peanut oils adulterated with other seed oils［J］.Eur Food Res Technol，2012，234:165-172.

［8］Monfreda M，Gobbi L，Grippa A.Blends of olive oil and seeds oils:Characterisation and olive oil quantification using fatty acids composition and chemometric tools.Part II［J］.Food Chem，2014，145:584-592.

［9］趙婷婷，王欣，盧海燕，等.低場核磁共振結(jié)合主成分分析法在食用油脂品質(zhì)分析中的應(yīng)用［J］.現(xiàn)代食品科技，2014，30（9）:179-185.

［10］李沂光，單楊，李高陽，等.近紅外光譜法定性檢測餐桌廢棄油脂的摻偽［J］.食品工業(yè)科技，2013，34（20）:87-90.

［11］Suykens J A K.Support vector machines:A nonlinear modeling and control perspective ［J］.European Journal of Control，2001，7:311-327.

［12］畢艷蘭，任小娜，彭丹，等.粒子群最小二乘支持向量機結(jié)合偏最小二乘法用于芝麻油質(zhì)量的鑒別［J］.分析化學(xué)，2013，41（9）:1366-1372.