酿造酱油与配制酱油的红外光谱鉴别研究

邱丹丹，刘 嘉，于春焕，王 超，赵国华,2,*

(1.西南大学食品科学学院，重庆 400715；2.西南大学 国家食品科学与工程实验教学示范中心，重庆 400715)

酿造酱油与配制酱油的红外光谱鉴别研究

邱丹丹1，刘 嘉1，于春焕1，王 超1，赵国华1,2,*

(1.西南大学食品科学学院，重庆 400715；2.西南大学 国家食品科学与工程实验教学示范中心，重庆 400715)

采用傅里叶变换中红外光谱结合最小偏二乘法(PLS)，对酿造酱油、酸水解植物蛋白液(AHVP)以及添加不同比例(10%～50%)AHVP而得的配制酱油进行类别分析。结果表明：酿造酱油、酸水解植物蛋白液及配制酱油在以PLS主成分为坐标的二维线性投影图中分布差异明显；通过模型相关系数(R2)和交互验证标准差(RMSECV)比较，筛选出建模光谱波段为4000～500cm-1，同时确定了最适主因子数为8。利用模型成功对21份盲样进行鉴定，证明利用PLS建立的模型能有效地检测配制酱油中HVP的添加量，且最大偏差小于3.5%。

中红外光谱；酿造酱油；配制酱油；酸水解植物蛋白；主成分分析；偏最小二乘法

酱油是我国传统的调味品，具有悠久的历史。酿造酱油以大豆、小麦等为原料，利用黑曲霉、米曲霉等微生物发酵而来[1]。随着酸水解植物蛋白液的出现，产生了经调配后制得的配制酱油[2]，它以酿造酱油为主体，与酸水解植物蛋白质液、食品添加剂等混合配制可有效节省生产时间和成本，同时符合酱油氨基酸态氮等各种指标。我国已将在商品标签上标注“酿造酱油”或“配制酱油”列为强制执行内容[2]，但是仍然存在不少不法商贩将配制酱油冠以酿造酱油的名义出售，严重侵害了广大消费者的利益。因此，对酿造酱油与配制酱油进行鉴别具有十分重要的现实意义。目前已有多种方法应用于酿造和配制酱油的鉴别。王悦宏等[3]通过同位素稀释气相色谱-质谱联用法测定配制酱油中3-氯-1,2-丙二醇来鉴别二者。Yang等[4]利用气相色谱测定配制酱油中的乙酰丙酸达到了鉴别的目的。除此之外，还有利用铵盐[5]、氨基酸[6]来鉴别的方法。但它们要么成本高、对仪器设备要求高，要么操作复杂、对人员技术要求高。傅里叶变换红外光谱技术以其快速高效、成本低、操作简便、无污染等优点开始广泛应用于各种定性、定量分析之中[7-10]。Andrea等[11]分别使用经过多元数据分析的中红外和紫外光谱技术、利用红葡萄酒中的酚类物质的中红外图谱顺利地对多种奥地利红葡萄酒实现鉴别。目前发现可利用近红外分析技术[12]，近红外光谱透射法[13]对酱油的理化指标总氮和总酸进行快速检测，包春芳等[14]利用近红外光谱技术结合偏最小二乘法实现了对酱油中的氨基酸态氮、总酸、食盐含量和色度的快速、无损定量检测。另外，利用近红外光谱技术结合人工神经网络对信息的提取，可以实现对不同等级不同品牌的酱油进行快速准确鉴别[15]。本实验结合傅里叶变换中红外光谱与主成分分析法鉴别酿造酱油及配制酱油，以期为酱油市场的监督管理提供一定的参考。

1 材料与方法

1.1 材料与仪器

酿造酱油 重庆市质量技术监督局；酸水解植物蛋白液 四川恒泰食品有限公司。

Spectrum GX 傅里叶变换红外光谱仪 Perkin Elmer公司；ALPAAI-4LSC中红外DTGS检测器 美国Christ公司。

1.2 样品制备与光谱采集

配制酱油是在酿造酱油中掺入不同比例的酸水解植物蛋白液而得，共设置掺入10%、20%、30%、40%和50%体积的水解液5组梯度。首先，将样品放入冰箱冷冻室内(－18℃)预冻3h；继而放入真空冷冻干燥器中干燥4h(物料温度为0℃，真空度为0.25mbar，时间为4h，冷阱温度为－57℃)，取出用保鲜膜密封后放入干燥器中备用。实验共取样品56份，其中35份用于模型的建立，其余21份用于外部验证。

红外光谱仪的扫描范围为4000～500cm-1，扫描次数16次，分辨率4cm-1。扫描时通过扣除背景，从而去除水分和CO2对测定的干扰。扫描前，预热仪器1h后使用。扫描过程中保持室温25℃，并严格控制室内湿度，保持环境的一致性。

1.3 光谱预处理与数据分析

为了去除高频随机噪音、基线漂移和样品不均匀等影响，采用红外光谱仪自带的Spectrum 3.0操作软件对红外图谱进行必要的预处理。预处理方式包括平滑处理和矢量归一化处理。然后，将获得的红外光谱图转换为JCAMP-DX格式后导入Unscramber 7.8中进行PLS回归分析。

2 结果与分析

2.1 样品的红外图谱

酿造酱油和酸水解植物蛋白液(acid hydrolyzed vegetable protien，AHVP)(4000～500cm-1)以及配制酱油(2500～500cm-1)的红外光谱图见图1、2。由图1、2可知，不同样品在1600～1400cm-1和1200～1000cm-1处具有一定的差异性和指纹性，这些差异为酿造酱油与配制酱油的鉴别奠定了一定基础。

图1 酿造酱油与酸水解植物蛋白液的红外光谱图Fig.1 Infrared spectroscopy of fermented soy sauce and acid-HVP

图2 不同AHVP添加量配制酱油的红外光谱图Fig.2 Infrared spectroscopy of blended soy sauce

2.2 PCA分析

酿造酱油、酸水解植物蛋白液以及配制酱油在以主成分一和主成分二为横纵坐标的二维分布图中，拥有较好的聚类效果，如图3所示。从图3可以看出，以PC1和PC2为横纵坐标的二维图像中，酸水解植物蛋白液与酿造酱油分别位于图谱的右上角和左下角，分隔间距远，而不同比例混合的配制酱油均分布于水解液和纯酿造酱油中间的区域，水解液添加比例越高，则其分布趋势更靠近水解液一侧，相反水解液添加量少者分布趋势更靠近酿造酱油一侧。

图3 酿造酱油的主成分分析图Fig.3 Principal component analysis plot of fermented soy sauce

2.3 PLS鉴别模型的建立

对酿造酱油、植物蛋白水解液以及配制酱油多次取样后重复测定红外图谱，并选取35份样品的图谱(7组×5份)用于建模。采用Unscramber 7.8分析软件以PLS建立鉴别模型，并用内部交叉验证法(cross validation)检验模型。针对酿造酱油与配制酱油在红外光谱中的差异及指纹特点，将光谱分为800～1200、1300～1600、800～1600cm-1以及全光谱500～4000cm-1四个区域。讨论不同光谱段对模型R2和RMSECV值的影响，进而筛选出最佳光谱段。表1给出的是各组样品分别在不同谱段的校正模型相关系数R2和RMSEC以及交互验证集相关系数R2和RMSECV。由表1可知，谱区选择500～4000cm-1，预测结果最好，其检验集相关系数为99.38%，预测标准差RMSECV为最低的3.45%。增加模型所使用主因子数，能够提高模型对样品准确度。但是，过多的主因子数使得模型计算量增加使计算速度减慢，甚至出现标准差增大即过拟合现象。为优化模型计算速度以及防止模型出现过拟合现象，在优化波段下通过对不同主因子数的相关系数及交互验证标准差进行分析，当主因子数为8时，拥有最低的交互验证标准差(2.98%)和最高的相关系数(99.62%)(图 4)。

表1 不同波段下鉴别模型的相关系数和标准偏差Table 1 PLS models in different wavelength regions

图4 主因子数目对鉴别模型的影响Fig.4 Effect of principal component number on PLS model

2.4 PLS 鉴别模型的验证

为了检测模型对未知样本预测的精确度，将21份单独验证样品(共7组各3份)进行模型验证。结果表明，模型能够将酿造酱油、HVP以及配制酱油区别开来(表2)。证明利用PLS建立的模型能有效地检测配制酱油中HVP的添加量，且最大偏差小于3.5%。

表2 判别模型验证结果Table 2 Validation of discrimination model for unknown samples

3 结 论

本实验首次利用傅里叶中红外光谱结合PLS回归分析对酿造酱油、HVP以及配制酱油进行鉴别分析。通过分析发现酿造酱油、HVP以及添加比例的配制酱油，在以PC1和PC2为坐标轴的二维线性投影图上分布差异明显。且以35份样本的中红外光谱为分析对象，建立的判别模型(模型主因子数为8)，对21份验证样品全部实现了准确判别。

[1] 赵龙飞, 徐亚军. 米曲霉的应用研究进展[J]. 中国酿造, 2006(3): 8-10.[2] SB 10336—2000 配制酱油[S].

[3] 王悦宏, 闫吉昌. 同位素稀释气相色谱-质谱法快速测定酱油中3-氯-1,2-丙二醇量[J]. 分析化学, 2007, 7(11): 1657-1660.

[4] YANG Minghua, CHOONG Y M. A rapid gas chromatographic method for direct determination of short-chain (C2－C12) volatile organic acids in foods[J]. Food Chemistry, 2001, 75(1): 101-108.

[5] 熊芳, 易伟亮, 戴华. 用全自动凯氏定氮仪测定酱油中铵盐含量[J].中国卫生检验杂志, 2002, 12(2): 198.

[6] ZHU Yonghong, YANG Ya, ZHAO Xuzhou, et al. Direct determination of free tryptophan contents in soy sauces and its applicationas an index of soy sauce adulteration[J]. Food Chemistry, 2010, 118(1): 159-162.

[7] HE Yong, LI Xiaoli, DENG Xunfeng, et al. Discrimination of varieties of tea using near infrared spectroscopy by principal component analysis and BP model[J]. Journal of Food Engineering, 2007, 79(4): 1238-1242.

[8] 赵琛, 瞿海斌, 程翼宇. 虫草氨基酸的人工神经网络近红外光谱快速测定方法[J]. 光谱学与光谱分析, 2004, 24(1): 50-53.

[9] 何勇, 冯水娟, 李晓丽, 等. 应用近红外光谱快速鉴别酸奶品种的研究[J]. 光谱学与光谱分析, 2006, 26(11): 2021-2023.

[10] 徐永群, 孙素琴, 袁子明, 等. 红外光谱结合主成分分析鉴别道地山药[J]. 分析化学, 2002, 30(10): 1231-1233.

[11] ANDREA E, JOSEF D, KURT C S, et al. Rapid method for the discrimination of red wine cultivars based on mid-infrared spectroscopy of phenolic wine extracts[J]. Journal of Agricultural and Food Chemistry,2001, 49(3): 1139-1145.

[12] 陈斌, 于丽燕, 陆道里, 等. 近红外分析技术快速检测酱油中的总氮和总酸[J]. 中国调味品, 2009(9): 40-44.

[13] 于丽燕, 方如明, 陈斌. 近红外光谱透射法测定酱油的主要成分[J].食品科技, 2001(1): 64-65.

[14] 包春芳, 刘彤, 王彬, 等. 近红外光谱-偏最小二乘法非破坏分析酱油的主要成分[J]. 吉林大学学报: 理学版, 2009, 47(2): 362-366.

[15] 童晓星, 鲍一丹, 何勇. 应用近红外光谱技术快速检别酱油品牌的研究[J]. 光谱学与光谱分析, 2008, 23(8): 597-601.

Discrimination of Fermented Soy Sauce and Blended Soy Sauce by FT-IR

QIU Dan-dan1，LIU Jia1，YU Chun-huan1，WANG Chao1，ZHAO Guo-hua1,2,*
(1. College of Food Science, Southwest University, Chongqing 400715, China；2. National Representative Center of Experimental Teaching of Food Science and Engineering, Southwest University, Chongqing 400715, China)

Fourier transform infrared (FT-IR) spectroscopy coupled with partial least squares (PLS) regression was used to discriminate fermented soy sauce and blended soy sauce with and acid hydrolyzed vegetable protein (acid-HVP). Results indicated that different samples were successfully discriminated from seven classes according to the distribution of geographical areas from principal components of PLS. By comparing the model correlation coefficient (R2) and root mean square error of cross validation (RMSECV), the spectral region of 4000－500 cm-1and the number of principal components was determined to be 8 and an optimal discrimination model was established. Totally 21 independent samples were successfully discriminated by the established model, which supported its availability about discriminating fermented soy sauce, HVP and blended soy sauce. The maximum deviation is less than 3.5%.

mid-infrared spectroscopy；fermented soy sauce；blended soy sauce；acid hydrolyzed vegetable protein；principal component analysis；partial least squares

TS207.3

A

1002-6630(2010)24-0322-03

2010-09-02

西南大学食品学院本科生科技创新基金项目(08-09)

邱丹丹(1987—)，女，本科生，研究方向为食品安全。E-mail：qdd1123@163.com

赵国华(1971—)，男，教授，博士，研究方向为食品化学与营养学。E-mail：zhaoguohua1971@163.com