一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法与流程

本发明涉及一种基于挥发性成分组成结合PCA（主成分分析）和CSA（余弦相似度分析）模型判断啤酒花品种的方法，属于食品质量分析检测领域。更具体地，本发明涉及一种以顶空固相微萃取-气质联用方法测定不同品种标准啤酒花样品中的主要挥发性成分，获得特定品种啤酒花的主要挥发性成分的组成信息，结合主成分分析法和余弦相似度分析法进行统计分析，构建特定品种啤酒花的PCA和CSA模型标准，并以此来判别啤酒花品种的方法。

背景技术：

啤酒花（学名：Humulus lupulus L.）是啤酒酿造的基本原料之一，中国是亚洲最大的啤酒花种植地，其中主产区主要分布在新疆、甘肃，2015年种植面积超过2300公顷，产量接近6000吨。日照时间、降雨量等会不同程度因素影响啤酒花的品质和产量。啤酒花赋予啤酒的典型风味主要依赖于诸如萜、醇、酯类等挥发性组分，不同品种啤酒花的挥发性成分在组成上呈现较大的差别，这会直接影响成品啤酒的风味特征。特定品种的啤酒花有其独特的“挥发性成分轮廓”，不同品种的啤酒花其典型挥发性成分轮廓差异较大。因此，建立特定品种啤酒花的挥发性成分品质标准，是判别啤酒花品种的有效手段，而顶空固相微萃取-气质联用的方法因具有分析速度快，需要样品量少，灵敏度高，结果准确可靠等是分析挥发性成分最常用的有效方法之一。

技术实现要素：

啤酒花能赋予啤酒典型香气、苦味，具有防腐、抑菌和增加泡持性等功效。不同品种的啤酒花在挥发性成分上存在较大的差异，利用不同品种的啤酒花酿造出的啤酒也因此具有不同的风味特征。因此，建立一套准确、操作性强的方法判别啤酒花品种对啤酒花产销和啤酒生产企业均有重要意义。

多元统计分析，如主成分分析法、聚类分析法、余弦相似度分析法被广泛应用于天然产物的品种判别和溯源追踪的过程中。这些方法均是利用大量已知目标产品为标准，通过一定的检测方法获取大量有价值的原始数据，进而建立“标准模型”，并以此对待测样品进行分析判别。主成分分析法可以通过多重原始数据建立特定品种标准样品的可视化模型，将待测样品与标准样品的成分构成进行比对，当匹配度高时，待测样品将落入标准模型的范围内；反之，则偏离标准模型区域，此方法优势在于分析结果直观可视。聚类分析法，是利用多样本、多重观测值表对样本进行分类，利用“树状层聚图”的形式将样本类别予以区分；该方法不仅可以将样本的系统类别区分开，而且可以细化同一样本之间的差异。余弦相似度分析法，是以标准样本作为标准组，计算需要判别的待测样本的余弦系数，当待测样本与标准模型相似度越高，则余弦系数越接近1；通过此方法，可以客观地得出需要判别的待测样本与标准样品之间的匹配度以及待测样品品质的高低。这些统计分析方法成功应用的关键在于对特定标准样本的组成进行系统全面的分析描述。同时，为避免一种方法的偶然性误差，采用一种以上的统计分析方法可以相互印证方法的真实性和正确性，并且获得更客观、直观可视的分析结果。

早期，对加工程度较低的压缩啤酒花，可从其外观和活性组分的含量上来初步判断啤酒花的品种。但目前为了方便运输、储藏，啤酒花经初级加工后基本上是以颗粒酒花为主，仅从外观无法判别啤酒花的品种。通常对于植物样品进行品种判别的方法是通过测定样品中的某一个或某几个主要活性成分的含量来实现的。现行国家标准针对啤酒花的质量等级，是利用酒花中少数几个指标，例如：α-酸、β-酸、总树脂、水分等的含量范围来确定的。但由于观测指标少，啤酒花品种单一性的差异无法仅从某几个指标判别。随着分析检测手段的不断提高，以及多元统计分析的发展，通过分析检测目标产品的多重指标，来实现对目标产品的品种、品质准确、快速确定和判别已成为可能。如中国专利CN107328735A公布了一种基于太赫兹光谱技术的油菜种类鉴别方法，偏最小二乘线性判别分析(PLS-LDA)建模，准确的识别鉴定出两个品种的油菜，建立油菜品种快速鉴定的技术平台、对油菜品种的优化筛选与育种精细化管理具有一定的理论与实践指导意义，并在农业育种选种上具有重要的推广价值。CN201510470889.4公布了原奶或液态奶真实性鉴别方法和系统，该方法通过对氨基酸指纹、脂肪酸指纹或脂肪酸气相色谱指纹的检测和采集，并基于分析结果选择数据前处理方法和化学计量学软件中的分析模块建立多个鉴别模型，鉴别原奶或液态奶真实性的方法和系统，方法具有操作简便、快速准确。CN201510755237.5公布了一种优质草莓的品质保障及品种鉴定方法，通过LC-MS和GC-MS测定不同品种草莓的酚类及风味物质，建立化学指纹图谱数据库，研究草莓品种，并进行真实性鉴定，建立了科学可靠、统一规范的草莓品质评价体系。

发明内容

针对目前缺乏针对啤酒花品种的准确判别标准等问题，本发明提供了一种以顶空固相微萃取-气质联用方法测定啤酒花的主要挥发性成分，确定特定品种啤酒花基于主要挥发性成分的轮廓，并结合PCA和CSA分析法建立了特定啤酒花品种的PCA和CSA模型标准；并以此为标准，通过对待测啤酒花样品中主要挥发性成分的分析比对来判别啤酒花的品种。本发明的目的是提供一种通过分析啤酒花中的挥发性成分，精准、快捷判别啤酒花品种的方法，具有样品量少、分析过程中无溶剂使用、环境友好等优点，并能真实精准地反映不同品种啤酒花样品的挥发性成分特征。

为了实现上述目的，本发明是采用如下技术方案来予以实现的：

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，其特征包括以下步骤：

(1) 收集不同产地、同一产地不同种植区的若干个啤酒花品种的样品，单个品种的啤酒花样品的个数为10~50个，按商品啤酒花的生产方法将啤酒花样品干燥包装后，置于冰箱-18℃以下冷冻保存，其中，每个品种的10~50个啤酒花样品为该品种的标准啤酒花样品组；

(2) 将上述步骤（1）中的啤酒花样品分别于测试前从冰箱取出，室温放置30min~60min后进行粉碎处理，定量称取0.1000~3.0000g粉碎后的啤酒花样品，置于顶空瓶中，以聚四氟乙烯盖密封，在20℃~50℃水浴下温育15min~60min，随后将固相微萃取的萃取头悬于顶空瓶上部萃取10min~80min；萃取结束后，将萃取头置于气相色谱-质谱联用仪的进样装置上，进行气相色谱-质谱分析，并采用保留指数法结合质谱谱库分析逐个鉴定出样品中挥发性成分的组成信息；

(3) 采用PCA和CSA法，对上述步骤（2）中顶空固相微萃取-气质联用分析得到的标准啤酒花样品组中样品的挥发性成分进行统计处理，建立不同品种的标准啤酒花基于挥发性成分的含量和组成的PCA和CSA啤酒花模型标准；

(4) 对待测啤酒花样品采用上述步骤（2）所述的方法进行分析，并与步骤（3）建立的不同品种的PCA和CSA啤酒花模型标准进行比对，确定待测啤酒花样品的品种。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，所述的不同产地、同一产地不同种植区的若干个啤酒花品种的样品为2~5个，且每个品种的标准啤酒花样品组的样品为品种信息明确可靠，符合规范种植要求的啤酒花；所述的待测啤酒花样品是随机从市场购买的啤酒花，或任何其它途径获取的啤酒花。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，所述的用于固相微萃取的萃取头为聚丙烯酸酯涂层、活性炭/聚二甲基硅烷涂层、聚二甲基硅烷/二乙烯基苯涂层、聚二甲基硅烷涂层萃取头中的一种，优选的用于分析啤酒花样品的萃取头为活性炭/聚二甲基硅烷涂层的萃取头。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，所述的固相微萃取萃取时的水浴温度优选的为40℃~50℃，萃取时间优选的为30min~50min。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，所述的气相色谱-质谱的分析步骤为色谱条件：氦气作为载气，载气流速为0.8mL/min~1.2mL/min，采用无分流进样模式，进样口温度为200℃~250℃；柱温箱起始温度为40℃~50℃，保持3min~5min；然后以2℃/min~10℃/min程序升温的方式升至200℃~250℃，保持3min~8min；传输线温度为200℃~250℃；质谱条件为：质谱在70eV电子电离模式（EI+）下运行，扫描范围为质荷比33~453，离子源温度为200℃~220℃，发射电流为180μA~220μA，检测器电压为300V~380V；定性采用NIST和Wiley质谱数据库结合C6~C26的正构烷烃计算保留指数完成，并逐个获得测定样品的主要挥发性成分信息。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，其特征在于所述的同一品种的10~50个标准啤酒花样品为来源于不同产地、不同种植区的样品。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，其特征在于同一品种的10~50个标准啤酒花样品为来源于同一产地、同一种植区不同年份采收的啤酒花样品。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，其特征在于所述的采用PCA和CSA建立的标准啤酒花样品组的模型能用于对野生啤酒花品种的归属进行鉴定。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，其特征在于收集不同产地、同一产地不同种植区的2~5个啤酒花品种的样品，单个品种的啤酒花样品的个数为10~50个，按商品啤酒花的生产方法将啤酒花样品干燥包装后，置于冰箱-18℃以下冷冻保存，其中，每个品种的10~50个啤酒花样品为该品种的标准啤酒花样品组。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，其特征在于所述的基于啤酒花挥发性成分建立的标准啤酒花样品组的PCA和CSA模型标准能用于判别待测啤酒花样品的品种归属，待测啤酒花样品是随机从市场购买的啤酒花，或任何其它途径获取的啤酒花。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，所述的确定需要判别的待测啤酒花样品品种的方法为将待测啤酒花样品采用如前所述的与标准啤酒花样品组相同的样品分析程序，获得样品中的主要挥发性成分的分析数据，并与建立的基于特定品种的标准啤酒花样品的主要挥发性成分的组成和含量确定的PCA和CSA模型标准进行比对，以确定待测啤酒花样品的品种归属。

一种基于挥发性成分结合PCA和CSA模型判别啤酒花品种的方法，其特征在于所述的判别啤酒花品种的方法需要对不同品种的啤酒花分别建立基于主要挥发性成分的组成和含量的PCA和CSA模型标准，对需要判别品种的待测啤酒花样品与多个品种的啤酒花的PCA和CSA模型标准分别进行对照，以最终判别待测啤酒花的品种归属；该判断方法准确、可靠，需要的样品数量少，分析时间短。

本发明所取得的有益效果是：

本发明采用的方法准确、可靠，需要的样品量少，分离度高，分析时间短，对啤酒花品种的判别非常适宜。中国是亚洲最大的啤酒花种植国，也是世界主要的啤酒花产销国，又是全球第一大啤酒生产国，啤酒花品种差异和质量好坏是影响啤酒质量的关键因素，因此对品种啤酒花品种的严格管控，可为提升中国啤酒花和啤酒行业在国际市场的地位和影响力，推动我国啤酒花和啤酒产业的发展起到积极的作用。

本发明所采用的方法容易推广，不同品种的啤酒花只需一次建立基于主要挥发性成分的组成和含量确定PCA和CSA模型标准，即可实现长期对该品种的啤酒花产品品种和品质的监控，具有很好的应用前景，且该方法也可拓展于其他要求较高的农作物产品的市场管控中。

附图说明

图1为三个品种的啤酒花标准样品的PCA模型图。

图2为基于图1对市购啤酒花的PCA图。

具体实施方式

下面采用具体实施例的方式具体解释本发明，但本发明不局限于实施例。

实施例1

于啤酒花采收季节，采集10个青岛大花、10个马可波罗、10个札一标准啤酒花样品，种植地分布在新疆兵团222团、奇台农场、军户农场，每批次酒花样品取两份，每份25g进行包装，采用真空-充氮-真空方式进行处理后，置于冰箱-18℃冷冻保藏。上述的啤酒花样品在采收后的一个月内进行分析。具体分析条件如下：将上述冷冻的三个品种啤酒花样品取出，室温放置1h后粉碎，准确称取2.0000g粉碎的啤酒花样品，置于20mL顶空瓶中，以聚四氟乙烯密封，在45℃的水浴下温育20min，随后将活性炭/聚二甲基硅烷涂层的萃取头（技术规格为CAR/PDMS，75 μm，1 cm）的固相微萃取纤维头悬于顶空瓶上部平衡40分钟，取出后进行气相色谱-质谱分析。其中色谱条件为：氦气作为载气，恒定流速为0.8mL/min，采用无分流进样模式，进样口温度为250°C；柱温箱起始温度为45°C，保持3分钟；然后以10°C/min速率升温至100°C；再以5°C/min的速率升温至190°C；最后以10°C/min升至230°C，保持4分钟；进样口和传输线温度均为240°C。质谱条件为：质谱在70eV电子电离模式（EI⁺）下运行，扫描范围为质荷比33~453，离子源温度为200°C，发射电流为200μA，检测器电压为350V。定性采用NIST和Wiley质谱数据库结合C6~C26的正构烷烃计算保留指数（RI）完成，并逐个完成10个测定样品的主要挥发性成分的分析。所获得青岛大花、马可波罗、札一啤酒花的主要挥发性成分的组成和含量范围见表1。

实施例2

采用PCA法，将获得的酒花样品挥发性成分进行主成分分析，附图1为青岛大花标准啤酒花（标记为○）、马可波罗标准啤酒花（标记为□）、札一标准啤酒花（标记为△）的PCA模型，图中能够直观有效地观察到三个品种的啤酒花的成分分布的差异，很方便判别啤酒花品种。

实施例3

采用CSA法，将获得的酒花样品挥发性成分进行余弦相似度分析，表2为以青岛大花标准啤酒花样品为基准构建的CSA模型，结果显示，青岛大花标准啤酒花样品（记为TF1-TF10）的相似度均大于0.900，说明模型建立有效；马可波罗标准啤酒花样品（记为MP1-MP10）和札一标准啤酒花样品（记为SA1-SA10）与以青岛大花标准啤酒花样品建立的CSA模型标准对照，所有样本的相似度均小于0.900，说明马可波罗啤酒花和札一啤酒花与青岛大花啤酒花存在显著性差异，判别出青岛大花啤酒花与其他两种啤酒花在品种上的差异。

实施例4

采用CSA法，将获得的酒花样品挥发性成分进行余弦相似度分析，表3为以马可波罗标准啤酒花样品为基准构建的CSA模型，结果显示，马可波罗标准啤酒花样品（记为MP1-MP10）的相似度均大于0.900，说明模型建立有效；青岛大花标准啤酒花样品（记为TF1-TF10）和札一标准啤酒花样品（记为SA1-SA10）与以马可波罗标准啤酒花样品建立的CSA模型标准对照，所有样本的相似度均小于0.900，说明青岛大花啤酒花和札一啤酒花与马可波罗啤酒花存在显著性差异，判别出马可波罗啤酒花与其他两种啤酒花在品种上的差异。

实施例5

采用CSA法，将获得的酒花样品挥发性成分进行余弦相似度分析，表4为以札一标准啤酒花样品为基准构建的CSA模型，结果显示，札一标准啤酒花样品（记为SA1-SA10）的相似度均大于0.900，说明模型建立有效；青岛大花标准啤酒花样品（记为TF1-TF10）和马可波罗标准啤酒花样品（记为MP1-MP10）与以札一标准啤酒花样品建立的CSA模型标准对照，所有样本的相似度均小于0.900，说明青岛大花啤酒花和马可波罗啤酒花与札一啤酒花存在显著性差异，判别出札一啤酒花与其他两种啤酒花在品种上的差异。

实施例6

以实施例2中的主成分分析所得的PCA模型为标准，对市购的5批次青岛大花啤酒花样品（标记为●）、市购的5批次马可波罗啤酒花样品（标记为■）和市购的5批次札一啤酒花样品（标记为▲）进行分析，所得PCA图见附图2。由附图2得出，三个品种的市购啤酒花均可分别落入其对应的标准啤酒花基于主要挥发性成分的组成和含量确定PCA模型标准范围内。

实施例7

以实施例3中的余弦相似度分析所得的基于青岛大花啤酒花的CSA模型为标准，对市购的5批次青岛大花啤酒花样品（记为TF11-TF15）、市购的5批次马可波罗啤酒花样品（记为MP11-MP15）和市购的5批次札一啤酒花样品（记为SA11-SA15）进行分析，所得CSA结果见表5。由表5得出，青岛大花市购啤酒花的余弦相似度均大于等于0.900，而马可波罗和札一啤酒花的余弦相似度均小于0.900。

实施例8

以实施例4中的余弦相似度分析所得的基于马可波罗啤酒花的CSA模型为标准，对市购的5批次青岛大花啤酒花样品（记为TF11-TF15）、市购的5批次马可波罗啤酒花样品（记为MP11-MP15）和市购的5批次札一啤酒花样品（记为SA11-SA15）进行分析，所得CSA结果见表6。由表6得出，马可波罗市购啤酒花的余弦相似度均大于等于0.900，而青岛大花和札一啤酒花的余弦相似度均小于0.900。

实施例9

以实施例5中的余弦相似度分析所得的基于札一啤酒花的CSA模型为标准，对市购的5批次青岛大花啤酒花样品（记为TF11-TF15）、市购的5批次马可波罗啤酒花样品（记为MP11-MP15）和市购的5批次札一啤酒花样品（记为SA11-SA15）进行分析，所得CSA结果见表7。由表7得出，札一市购啤酒花的余弦相似度均大于等于0.900，而青岛大花和马可波罗啤酒花的余弦相似度均小于0.900。

表1 青岛大花、马可波罗、札一啤酒花的主要挥发性成分。

表2 以青岛大花标准啤酒花样品为基准构建的CSA模型。

表3 以马可波罗标准啤酒花样品为基准构建的CSA模型。

表4 以札一标准啤酒花样品为基准构建的CSA模型。

表5 不同品种市购啤酒花样品的CSA结果（基于青岛大花标准啤酒花样品为基准构建的CSA模型标准）。

表6 不同品种市购啤酒花样品的CSA结果（基于马可波罗标准啤酒花样品为基准构建的CSA模型标准）。

表7 不同品种市购啤酒花样品的CSA结果（基于札一标准啤酒花样品为基准构建的CSA模型标准）。