基于质子转移反应—飞行时间质谱快速鉴别不同产地闽北水仙茶

张丹丹+韦航+邱晓红+郑德勇+曹洁+叶乃兴

摘 要 采用质子转移反应飞行时间质谱仪（PTRTOFMS）， 构建了3个产地（武夷山、建阳、建瓯）113个闽北水仙茶样品香气的化学指纹图谱， 对所得的闽北水仙茶香气指纹图谱进行主成分分析（ PCA）， 获得了不同产地闽北水仙茶样品的质谱信息特征， 然后采用软独立建模分类法（SIMCA）、K最邻近结点算法（KNN）、偏最小二乘判别分析法（PLSDA）对闽北水仙茶的质谱信息进行了模式识别。结果表明， PTRTOFMS结合分类识别模式能有效区分不同产地的闽北水仙茶。PCA 提取了3个主成分， 累计贡献率为84.66%； 3个识别模型的校正集判别正确率分别为89.38%、100.00%和100.00%， 预测集的判别正确率分别为83.18%、 96.46%和95.57%。基于此成功建立了不同产地的闽北水仙茶识别模型。本方法无需样品预处理、分析速度快、灵敏度高、对茶叶无损伤， 为茶叶产地溯源提供了新方法。

关键词 质子转移反应飞行时间质谱； 闽北水仙茶； 香气成分； 模式识别法； 产地识别

1 引 言

闽北水仙茶是福建省地方特色产品， 按照产地主要分为武夷水仙、建阳水仙和建瓯水仙[1]。由于闽北水仙茶特别是武夷水仙茶价值较高， 假冒事件时有发生。3个茶叶产地的闽北水仙的外形与加工工艺大致相同， 难以用感官审评直接识别其产地来源， 因此开发水仙茶产地溯源与鉴别的方法， 具有重要的实际应用价值。

鉴别茶叶的传统方法是通过茶叶的色、香、味的不同进行其产地以及品质判别， 依赖鉴别人的经验， 易受主观因素影响。近年来， 采用茶叶香气指纹图谱对茶叶进行产地溯源的方法备受关注， 气相色谱（GC）和气相色谱质谱联用技术（GCMS）是茶叶香气的主要分析方法[2～6]， 电子鼻法也逐渐运用于茶叶产地、等级、年份等判别[7，8]。但这几种方法具有各自的局限性， 如GC及GCMS灵敏度低、检测速度慢、预处理复杂等[9]；而电子鼻也存在灵敏度低、稳定性差、无法检测茶叶具体香气成分等问题[10]。因此， 建立无损和高度灵敏的鉴别方法十分必要。

质子转移反应飞行时间质谱（Proton transfer reactiontime of flightmass spectrometry， PTRTOFMS）技术是近年发展起来的一种痕量挥发性有机物在线检测技术[11]， 具有检测时间短、灵敏度高、有机物电离为单一离子及极少碎片离子、易于质谱识别、无需样品预处理、分辨率超高、可区分分子量极其接近的化合物等优势， 已广泛应用于大气环境污染监测[12]、医学诊断[13]、植物代谢[14]、公共安全[15]、食品成分和质量检验[16]、产品分类[17]和原产地判别[18]等领域中痕量有机物的检测。Kus等[19]采用PTRMS直接检测蜂蜜样品的挥发性化合物， 成功区分了6种不同花香源的蜂蜜样品。Acierno等[20]采用PTRTOFMS对巧克力样品的挥发性有机化合物成分进行了研究， 并结合化学计量学方法成功实现巧克力样品的品种、产地、品牌的溯源。但将PTRTOFMS应用于茶叶分析的文献极少。Yener等[21]采用PTRTOFMS检测了来自4个国家的绿茶和红茶干茶以及茶汤的香气成分， 并利用其香气指纹图谱结合主成分分析， 成功区分了绿茶和红茶。

本研究将PTRTOFMS技术应用于茶叶产地区分， 对3个产地（武夷山、建阳、建瓯）的闽北水仙茶进行检测， 获得其PTRTOFMS指纹图谱， 结合化学计量学方法， 对茶香气进行分析， 建立了快速、无损、灵敏、准确的茶叶产地溯源方法。

2 实验部分

2.1 仪器、试剂与材料

PTRTOFMS1000质子转移反应飞行时间质谱仪（奥地利Ionicon有限公司）；EL104 型电子分析天平（上海梅特勒托利多仪器有限公司）。

依照国家标准[22]采集2015年闽北水仙春茶113个样品， 分别为武夷水仙33个， 编号为：Y1T1、Y1T2、Y1T3、Y101～Y130；建阳水仙40个， 编号为：201～240；建瓯水仙40个， 编号为：401～440（详见表1）。分别由武夷山市香江茶业有限公司、建阳区农业局、福建茶叶进出口责任有限公司提供， 作为校正集。另依照上述国家标准在市场购买闽北水仙茶叶样品75个（武夷水仙、建阳水仙、建瓯水仙各25个）， 作为预测集。样品用复合铝箔袋密封， 25℃储存待用。

2.2 实验方法

准确称取3 g干茶样品（未经过任何前处理）于60 mL顶空瓶中， 在70℃恒温水浴5 min， 顶空瓶上部香气挥发物保持平衡后， 将顶空瓶与PTRTOFMS的進样口瓶盖相连接， 进行PTRTOFMS检测。检测条件如下：漂移管电压640 V， 漂移管温度60 °C， 漂移管压力225 Pa， 电场强度（Electric field strength/gas number density， E/N） 140 Townsend （Td， 1 Td = 1017 V cm2）， 漂移管中气体流量40 Pa m3/s， 扫描范围m/z 13～500。每个样品以每秒一张全谱图的采集速率测量30 s， 测量顺序随机。每个样品连续扫描5次， 取中间3次扫描质谱数据平均， 得到样品平均值。取一个空瓶， 在相同的条件下进行检测， 连续扫描空气5次， 取后3次扫描质谱数据平均， 得空白平均值。样品平均值减去空白平均值即得到进行统计分析的PTRTOFMS质谱数据， 每个样品独立进行3次试验， 取平均值。

2.3 数据分析

直接顶空进样分析茶叶样品得到的数据集减去空白小瓶的数据集后， 共得到495个质量峰， 范围在m/z 13～495内。在消除干扰离子（O+2， NO+和水簇离子）及其同位素之后， 剩余438个质量峰用于进一步分析。在质量峰选择和提取之后， 通过使用PTRTOFMS自带的内部文库、结合其精确的离子质量以及其同位素的规律特征对其进行初步识别[23]。

采用SPSS21.0软件（IBM SPSS statistics） 进行方差分析， 计算不同产地闽北水仙茶香气成分差异。运用Chemmind Pattern2017 进行主成分分析法（Principal component analysis， PCA）、软独立建模分类法（Soft independent modeling class analogy， SIMCA）、K最邻近结点算法（Knearest neighbors， KNN）、偏最小二乘判别分析法（Partial least squaresdiscriminant analysis， PLSDA）模式识别。

3 结果与讨论

3.1 不同产地闽北水仙的香气成分分析

按照上述分析条件， 对3个不同產地（武夷山、建阳、建瓯）水仙茶样品的香气成分进行分析， 图1为空气空白及3个产地的闽北水仙的香气成分的典型质谱图， 可见不同产地的闽北水仙茶的PTRTOFMS谱图既有相同之处， 也有明显差异。在所有谱图中， m/z 13～150之间产生的质谱峰较多， 在m/z>200处质谱峰较少。

3.2 不同产地闽北水仙茶的PCA分析

以m/z 整数值为自变量， 质量峰的信号强度为因变量， 对所采集到的3个不同产地的闽北水仙茶113个样品的顶空挥发性化合物的指纹图谱进行PCA分析。

（PCA）由于过多的特征量会给计算带来困难， 本研究选取前3个主要特征值进行分析， 图2是校正集的质谱数据矩阵得分图， PC1、PC2 和PC3 分别代表了变量总方差的70.4%、8.1%和6.1%， 累积方差贡献率约84.661%[32]， 足以解释原变量的绝大部分信息[33]， 所以样本点在此三维空间上的投影分布可以充分表征样本在空间中的分布特征。空间上的投影得分值即空间坐标， 可以直观反映样本间的相似或差异性， 如果两个样本之间差异明显， 那么这两个坐标点在得分图上的位置相对较远， 反之亦然。由图2可见， 3个产地的茶叶基本上可以分开， 其中建阳水仙与建瓯水仙相近， 略有重叠， 编号为222、224、225的建阳二级水仙与编号为337、338的建瓯三级水仙极为接近， 这可能与建阳水仙与建瓯水仙加工工艺相近、产地相邻有关， 需采用分类模式识别法进行进一步区分。

3.3 不同产地闽北水仙茶的分类模式识别

分类模式识别一般是根据物以类聚的原则进行样本分类， 同类或相似“样本”间的距离应较近， 不同类的“样本”间距离应较远。因此， 可以根据各样本间的距离或距离的函数进行判别与分类， 并利用分类结果预报未知样本[33]。针对茶叶香气成分的特征变量数多、类型复杂、要求分类准确的特点， 本研究选用SIMCA、KNN、PLSDA法， 对3个不同产地的闽北水仙茶进行数学统计分析， 建立其识别模型， 结果见表3和表4。

在SIMCA法中， 通过交互验证的方法得知， 当最佳主成分数为3时， 预测残差平方和（PRESS）为最小， 判别效果最佳。从表3和表4可知， 其中有3个武夷水仙被错判为建瓯水仙、5个武夷水仙未被识别、1个建阳水仙未被识别、3个建瓯水仙未被识别， 校正集判别正确率达到了89.38%， 预测集的判别正确率达到83.18%。

在KNN模式中， 同样通过交互验证的方法同时优化主成分因子数和参数K值， 当主成分数为3， K=1时， 判别效果最佳， 校正集判别正确率达到100%， 预测集的判别正确率为96.46%；PLSDA模式中， 同样提取前3个主成分建立模型， 其校正集判别正确率达到100%， 预测集的判别正确率达到95.57%。上述结果表明：PTRTOFMS结合分类识别模式法可以有效区分不同产地闽北水仙茶。

4 结 论

本研究将PTRTOFMS技术应用于茶叶产地区分， 在无需样品预处理的前提下， 采用PTRTOFMS直接对茶叶干茶样品进行检测， 采集了3个产地（武夷山、建阳、建瓯）的闽北水仙茶113个样品的香气成分指纹图谱， 并初步鉴定了其质量峰。3个不同产地的闽北水仙的香气成分差异较小， 但香气成分的含量差异显著 （p<0.01）。将PTRTOFMS采集到的3个不同产地的闽北水仙茶的挥发性指纹图谱进行数学统计分析， PCA提取了3个主成分， 累计贡献率达到84.66%， 其中KNN、PLSDA的校正集判别正确率均为100.00%， 预测集的判别正确率分别为96.46%和95.57%， 两个判别模型均有较好的实际预测效果和应用价值。结果表明， PTRTOFMS结合分类识别模式法可以有效区分不同产地闽北水仙茶， 成功建立了其不同产地的闽北水仙茶模式识别模型。 PTRTOFMS与多种化学计量学法相结合可有效、快速判别茶叶产品的不同产地及测定茶叶香气， 本研究为建立快速、无损、灵敏的茶叶产地溯源的新方法提供了参考。

References

1 ZHANG YuSong. Fujianfamous tea， Xiamen： Xiamen University Press， 2013： 93-99

张育松. 福建名茶. 厦门： 厦门大学出版社， 2013： 93-99

2 HUANG HaiTao， CHEN ZhangYu， SHI HongLin， MIAO EnMing， LIU Wei， YANG GuangYu， ZHANG ChengMing， KONG WeiSong. Chinese J. Anal. Chem.， 2005， 33（8）： 1185-1188

黄海涛， 陈章玉， 施红林， 缪恩铭， 刘 巍， 杨光宇， 张承明， 孔维松. 分析化学， 2005， 33（8）： 1185-1188

3 LYU HaiPeng， ZHONG QiuSheng， SHI Jiang， ZHANG Yue， LIN Zhi. Journal of Tea Science， 2014， 34（1）： 71-78

吕海鹏， 钟秋生， 施 江， 张 悦， 林 智. 茶叶科学， 2014， 34（1）： 71-78

4 ZHU Nan， TAO Chen， REN ZhuJun， ZHANG Ming， WANG DaoPing， YANG XiaoSheng. Journal of Yunnan University（Natural Sciences Edition）， 2016， 38（1）： 116-122

朱 楠， 陶 晨， 任竹君， 张 明， 王道平， 杨小生. 云南大学学报（自然科学版）， 2016， 38（1）： 116-122

5 LIU Bin， LIU GuoLiang， LI YanWei， MU LuLu， FANG Heng， ZHANG Ning， LIU HaiYang. Chinese Journal of Experimental Traditional Medical Formulae， 2016， 22（13）： 59-62

劉 斌， 刘国良， 李艳薇， 牟璐璐， 方 衡， 张 宁， 刘海洋. 中国实验方剂学杂志， 2016， 22（13）： 59-62

6 JI WeiBin， LIU PanPan， XU YongQuan， JIANG YongWen， CHEN JianXin， YIN JunFeng. Journal of Tea Science， 2016， 36（5）： 523-530

嵇伟彬， 刘盼盼， 许勇泉， 江用文， 陈建新， 尹军峰. 茶叶科学， 2016， 36（5）： 523-530

7 PAN YuCheng， SONG LiLi， YE NaiXing， PAN YuHua. Food and Machinery， 2016， （9）： 213-224

潘玉成， 宋莉莉， 叶乃兴， 潘玉华. 食品与机械， 2016， （09）： 213-224

8 MO Lan. Guangdong Tea， 2016， （4）： 31-33

莫 岚. 广东茶业， 2016， （4）： 31-33

9 LIUPanPan， GONG ZiMing， GAO ShiWei， ZHENG PengCheng， ZHENG Lin. Hubei Agricultural Sciences， 2016， 55（16）： 4085-4092

刘盼盼， 龚自明， 高士伟， 郑鹏程， 郑 琳. 湖北农业科学， 2016， 55（16）： 4085-4092

10 DAI YueWen， ZHI RuiCong， ZHAO Lei， GAO HaiYan， SHI BoLin， WANG HouYin. Food Science， 2015， 36（10）： 110-113

戴悦雯， 支瑞聪， 赵 镭， 高海燕， 史波林， 汪厚银. 食品科学， 2015， 36（10）： 110-113

11 Biasioli F， Gasperi F， Yeretzian C. TRACTrend Anal. Chem.， 2011， 30（7）： 968-977

12 Minguillón M C， Pérez N， Marchand N. Faraday Discuss.， 2016， 18（9）： 337-359

13 Righettoni M， Schmid A， Amann A. J. Breath Res.， 2013， 7（3）： 037110

14 White I R， Blake R S， Taylor A J. Metabolomics.， 2016， 12（3）： 1-11

15 Brilli F， Gioli B， Ciccioli P. Atmos Environ.， 2014， 97： 54-67

16 Masi E， Taiti C， Heimler D. Food Chem.， 2016， 192： 75-81

17 CampbellSills H， Capozzi V， Romano A. Int. J. Mass Spectrom.， 2016， 397： 42-51

18 Masi E， Taiti C， Heimler D. Food Chem.， 2016， 192： 75-81

19 Kus P M， Ruth V S. LwtFood Sci. Technol.， 2015， 62（1）： 69-75

20 Acierno V， Yener S， Alewijn M. Food Res. Int.， 2016， 84： 86-95

21 Yener S， SánchezLópez J A， Granitto P M. Talanta， 2016， 152： 45-53

22 GB/T 30357.42015， Oolong Tea Part 4： Shuixian. National Standards of the People's Republic of China

乌龙茶第四部分： 水仙. 中华人民共和国国家标准. GB/T30357.42015

23 Jordan A， Haidacher S， Hanel G. Int. J. Mass Spectrom.， 2009， 286（2）： 122-128

24 Yamanishi T. The Aromaof Various Teas. New York： Chemistry and Technology Academic Press， 1978： 305-328

25 Wang L F， Lee J Y， Chung J O， Baik J H. Food Chem.， 2008， 109： 196-206

26 ZHU Hui， CHEN ShuSi， ZHOU ChunJuan， ZENG LingDa， ZHUANG DongHong. Southwest China Journal of Agricultural Sciences， 2016， 29（3）： 545-550

朱 慧， 陈树思， 周春娟， 曾令达， 庄东红. 西南农业学报， 2016， 29（3）： 545-550

27 LYU ShiDong， WU YuanShuang， JIANG YuFang， MENG QingXiong. Food Science， 2014， 37（2）： 146-153

呂世懂， 吴远双， 姜玉芳， 孟庆雄. 食品科学， 2014， 37（2）： 146-153

28 CHEN QuanBin， ZHANG YingGen， CHEN Lin， WANG XiuPing. Tea Science and Technology， 2016， 36（5）： 523-530

陈泉宾， 张应根， 陈 林， 王秀萍. 茶叶科学， 2016， 36（5）： 523-530

29 Alasalvar C， Topal B， Serpen A， Bahar B， Pelvan E， Gokmen V. J. Agr. Food Chem.， 2012， 60： 6323-6332

30 Renold W， NfMüller R， Keller U， Wilhalm B， Ohloff G. Helv. Chim. Acta， 1974， 57： 1301-1308

31 PripdeevecP， Machan T. Food Chem.， 2011， 125： 797-802

32 HE XiaoQun. Multivariate statistical analysis. Beijing： China Renmin University Press， 2012： 1

何晓群. 多元统计分析. 北京： 中国人民大学出版社， 2012： 1

33 HE XiWen， XING WanLi， SHI HuiMing. Journal of Analytical Science， 1995， 8（4）： 64-70

何锡文， 邢婉丽， 史慧明. 分析科学学报， 1995， 8（4）： 64-70

Abstract To determine the Minbei Shuixian tea from different region quickly and nondestructively， proton transfer reactiontime of flightmass spectrometry （PTRTOFMS） was used to obtain chemical fingerprints of the volatile compounds of 113 samples directly from the surface of the dry tea leaves without any sample pretreatment in three regions （Wuyishan， Jianyang and Jian'ou）. The raw MS data were analyzed by multivariate analysis， including principal component analysis （PCA） and analysis of variance （ANOVA ）. In addition， soft independent modeling class analogy （SIMCA）， K nearest neighbor algorithm （KNN） and partial least squares discriminant analysis （PLSDA） were used for pattern recognition. The experimental results demonstrated that in the positive ion mode， PTRTOFMS combined with multivariate analysis could effectively distinguish tea from different regions. Three principal components were extracted by PCA， and their cumulative contribution rate was 84.66%. The correct rates of the three sets of calibration models were 89.38%， 100.00%， 100.00%， and the accuracy rates of the prediction set were 83.18%， 96.46%， 95.57%， respectively. The different region pattern recognition model were successfully established. It was found that Shuixian tea in different regions of northern Fujian could be differentiated by PTRTOFMS and the results provided a basis for establishing a fast， nondestructive and sensitive detection method of tea， which could provide reference for geographical traceability.

Keywords Proton transfer reactiontime of flightmass spectrometry； Shuixian tea in northern Fujian； Volatile compound； Pattern recognition； Geographic origin classification