切达奶酪挥发性物质与感官品质级别相关性识别方法与流程

本发明涉及奶酪身份特征的识别技术，尤其涉及一种切达奶酪挥发性物质与感官品质级别相关性识别方法。

背景技术：

奶酪的风味由挥发性风味组分和呈味组分两部分组成，挥发性风味组分包括脂肪酸类、酯类、内酯类、酮类、醇类、醛类、含硫化合物、芳香及杂环化合物等风味活性物质，具有种类多、含量少、稳定性差的特点。切达奶酪是世界上消费量最大的奶酪品种，也是目前我国进口最多的奶酪品种之一，它是一种用酶凝乳奶制品的酸性硬质成熟奶酪，在凝乳过程中奶酪内部结构发生变化，随着成熟时间的增加，切达奶酪呈现出不同的风味特征。美国农业部根据成熟期的风味、质地、外观将切达奶酪分为淡味(mild)、中味(medium)、浓味(mature)三个级别，其中挥发性风味物质对奶酪感官品质起着决定性因素。传统的特征风味组分相关性、贡献程度研究一般采用香气提取物稀释分析(aromaextractdilutionanalysis，aeda)、香气活性值分析法(odouractivityvalues,oav)、风味重组和缺失实验等方法鉴定评估挥发性特征风味物质的重要性，不足在于常依赖仪器、受到人们的主观因素制约，甚至无法摆脱化合物香气协同作用的束缚，存在很多缺陷，不能高质量快速的判断出特征风味物质对于不同奶酪级别的重要性以及贡献程度。

技术实现要素：

为了克服上述现有技术的不足，本发明提供一种切达奶酪挥发性物质与感官品质级别相关性识别方法。

本发明提供的技术方案是：一种切达奶酪挥发性物质与感官品质级别相关性识别方法，包括如下步骤：

1)切达奶酪挥发性特征风味物质类别包括脂肪酸类、脂类、内脂类、酮类、醛类、呋喃类和萜类，确定每种类别的特征风味组分；

2)每种类别的特征风味组分分别与感官品质级别建立一个典型相关分析(cca，canonicalcorrelationanalysis)模型，对于n维特征风味组分x和m维感官品质级别y，找到一组向量a和b，使得u＝a^tx与v＝b^ty的相关系数ρuv最大，如式(1)所示，即为典型相关；

式(1)中，∑xx、∑yy分别为x、y的协方差矩阵，∑xy为x与y的协方差矩阵，u和v的方差和协方差如式(2)所示：

3)将上述多个cca模型线性加权融合，保留贡献率最大的二维加权载荷量，加权计算各个特征风味组分的特征向量到各个感官品质级别向量的欧式距离，根据距离排序，得到最终的相关性结果。

与现有技术相比，本发明的有益效果是：

本发明提供一种基于多cca融合(fusionofmultiplecanonicalcorrelationanalysis)的切达奶酪挥发性风味物质组分对其感官品质级别贡献程度大小特征的判别方法，很好地识别出与三种感官风味级别相关性较强的风味物质。本发明具有以下技术优势：

(一)与传统鉴定评估挥发性特征风味物质的重要性的方法相比，不依赖于化学仪器，且不受人为感官因素影响，没有特征风味物质之间的协同作用，能够很好地客观地鉴别出对于不同感官级别起到重要作用和主要贡献的特征风味物质；

(二)本发明中，打破传统的特征风味组分相关性、贡献程度判别方法，基于切达奶酪挥发性特征风味物质类别的分布，采用机器学习的典型相关分析算法，并有所改进融合，能够快速准确的区分出挥发性特征风味组分对于不同感官品质级别的贡献程度。

附图说明

图1为本发明提供的基于多cca融合切达奶酪挥发性特征风味物质识别框架图。

图2为本发明中的多cca融合的切达奶酪挥发性特征风味物质与感官品质级别的相关性分布图。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本发明基于多cca融合的切达奶酪挥发性物质与感官品质级别相关性识别方法，包括如下步骤：

1)风味组分的萃取方法如下所示：

(1)溶剂辅助风味蒸发气质联用法(safe-gc-ms)

溶剂萃取将80g切碎后的切达奶酪和40g氯化钠称重分装到两个250mlteflon瓶中，并加入240ml无水乙醚和100μl内标100μl0.816mg/ml2-甲基-3-庚酮和0.931mg/ml2-甲基戊酸，在4℃180rpm下摇床8h，过滤并收集，将萃取后的溶剂在鸡心瓶中氮吹至200ml。

溶剂辅助风味蒸发safe装置独立连接200ml接收瓶和1000ml废液瓶，前体泵结合分子涡轮泵作为真空系统，保持滴液漏斗和冷陷水平方向一致，杜瓦瓶和冷陷中一直充满液氮。将溶剂萃取得到200ml浸提液倒入safe装置并逐渐引入真空，直到所有的浸提液都置于真空条件，在真空条件下蒸馏约3h(约10^-4torr)，循环水浴保持恒温50℃，废液瓶置于40℃恒温水浴，将馏出液氮吹浓缩至1ml，进gc-ms分析。

gc-ms条件取1μlsafe提取物用于气相色谱质谱联用分析。gc条件：采用db-wax毛细管柱(30m×0.25mm，0.25μm)，氦气作载气，使用1ml/min恒定流速。色谱柱升温程序：起始柱温35℃，保持5min，溶剂延迟4min，以5℃/min升到100℃，保持2min，然后以6℃/min升到180℃，最后以8℃/min升到230℃，保持2min。采用不分流模式，进样口温度为250℃。质谱条件：电子电离源，电离能量70ev，离子源温度为230℃，接口温度为250℃，四极杆温度150℃，检测器温度为280℃，扫描模式全扫描，质量范围m/z20～350。

(2)定性分析

数据处理由masshunter化学工作站完成，待鉴定化合物经检索与nist14谱库中该挥发性成分在db-wax毛细管柱分析的文献报道中保留指数进行对比，仅当匹配度大于800的鉴定结果才予以列出，定性分析所得挥发性化合物，并根据内标浓度对化合物进行定量。

ri测定方法：在色谱条件相同的情况下，将正构烷烃c7～c40与切达奶酪在相同的色谱条件下得出gc保留时间，并根据公式(2-1)计算待测物i的保留指数(tn<ti<tn+1)。

ri—保留指数

n—碳原子数

ti—为样品i的保留时间

tn—碳原子数为n的正构烷烃的保留时间

tn+1—碳原子数为n+1的正构烷烃的保留时间

(3)定量分析

定量方法采用半定量方式，计算公式为ax/ai＝cx/ci。(其中ax、ai分别表示目标化合物的出峰面积和内标的出峰面积，cx、ci分别表示目标化合物的浓度和内标的浓度。)

确定切达奶酪挥发性特征风味物质类别分布；

表1切达奶酪挥发性特征风味物质类别分布

1)根据类别分布分别建立cca模型；

对28种特征风味组分，根据表1，每种类别的特征风味组分分别与感官品质级别建立一个cca模型，其中呋喃类和萜类的三种特征风味组分(呋喃酮、酱油酮、柠檬烯)为一组与感官品质级别建立cca模型，其中感官品质级别为淡味、中味、浓味，主要方法是对于n维特征风味组分x和m维感官品质级别y，找到一组向量a和b，使得u＝a^tx与v＝b^ty的相关系数ρuv最大，如式(1)所示，即为典型相关。

式(1)中，∑xx、∑yy分别为x、y的协方差矩阵，∑xy为x与y的协方差矩阵。u和v的方差和协方差如式(2)所示：

因此需要通过调整a和b使得u和v的相关系数ρuv越大越好，这是个优化问题，条件如式(3)所示：

需要构造朗格朗日等式求解，如式(4)：

式(4)分别对a、b求导且令导数等于零，如式(5)所示：

∑xyb-λ1∑xxa＝0,∑yxa-λ2∑yyb＝0(5)

得λ1＝λ2＝a^t∑xyb，进一步化简，令λ＝λ1＝λ2，如式(6)：

令式(6)可写作如式(7)所示：

b^-1aw＝λw(7)

因此求b^-1a的最大特征值max(λ)，即可求出ρuv及a和b，最大特征值max(λ)对应的a和b成为典型变量，此时的λ为u和v的相关系数，如果遇到协方差矩阵不可逆，则可以在ρuv的分母上加入正则化项。

2)将6个cca模型线性加权融合；

保留贡献率最大的二维加权载荷量，加权计算各个特征风味组分的特征向量到各个感官品质级别向量的欧式距离，根据距离排序，得到最终的相关性结果，基于多cca融合的切达奶酪挥发性特征风味物质识别的具体框架如图1所示。

3)多cca融合的切达奶酪挥发性物质与感官品质级别相关性识别；

利用多cca融合模型识别切达奶酪挥发性物质与感官品质级别的相关性分布如图2所示，特征风味物质分别对三种感官风味级别的贡献从大到小排序如表2所示。

表2多cca融合的切达奶酪特征风味物质贡献排序

根据多cca融合算法分析，与淡味切达奶酪相关性较强的前8个特征风味物质是：月桂醛、2-十一烷酮、丁酸、苯甲醛、δ-己内酯、月桂酸乙酯、戊酸、呋喃酮，除了萜类的柠檬酸，其他六种类别的挥发性特征风味物质均有涉及；与中味切达奶酪相关性较强的前8个特征风味物质是：酱油酮、癸醛、丁酸乙酯、2-庚酮、2,3-丁二酮、3-甲基-丁酸、己酸乙酯、乙酸，可见除了萜类和内脂类化合物，其他类别的化合物均有对中味切达奶酪的整体风味发挥作用；与浓味切达奶酪相关性较强的前8个特征风味物质是：2-壬酮、苯甲醛、月桂醛、2-庚酮、2,3-丁二酮、丁酸、己酸乙酯、δ-十二内酯，相对于脂肪酸类、脂类和内脂类，酮类、醛类与浓味切达奶酪的整体风味相关性更强，贡献较大。

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。