陈 超,郭 妍,张 政,赵风云,2,*

(1.昆明理工大学食品安全研究院,云南昆明 650500;2.甘肃农业大学食品科学与工程学院,甘肃兰州 730070)

矿质元素含量结合化学计量学对云南3种单花种蜂蜜的花源鉴别研究

陈 超1,郭 妍1,张 政1,赵风云1,2,*

(1.昆明理工大学食品安全研究院,云南昆明 650500;2.甘肃农业大学食品科学与工程学院,甘肃兰州 730070)

为了鉴别云南地区3种单花种蜂蜜的花源,利用火焰原子吸收光谱法(F-AAS)和石墨炉原子吸收光谱法(GF-AAS)测定了云南地区3种特色春蜂蜜(苕子蜂蜜、橡胶蜂蜜和石榴蜂蜜)中K、Na、Zn、Mn、Mg、As、Fe、Cr、Ni、Ca、Cu、Pb和Cd的含量。比较发现,3种蜂蜜间的矿质元素含量差异较明显。以矿质元素含量为变量,应用PCA、PLS-DA和BP-ANN,对3种蜂蜜进行分析。PCA将13个变量降为三个主成分,三个主要组件解释了66.39%的总方差,并初步实现了不同蜂蜜的分类。在上述结果的基础上,从每种蜂蜜中随机选取30个样品,分别构建PLS-DA和BP-ANN蜂蜜鉴别模型。PLS-DA模型的训练和交叉验证分类的总正确率分别为96.7%和92.2%;BP-ANN模型的训练和交叉验证分类的总正确率分别为100%和95.6%。与PLS-DA相比,BP-ANN模型的性能较好。应用训练后的BP-ANN模型,对余下的35个蜂蜜样品进行测试,橡胶蜂蜜和石榴蜂蜜的预测精度达到100%,而苕子蜂蜜因一个样品被错误的划分到石榴蜂蜜,预测精度为90%。利用F-AAS、GF-AAS测定矿质元素含量结合化学计量学可以实现云南地区3种单花种蜂蜜的花源鉴别。

蜂蜜,矿质元素,鉴别,PCA,PLS-DA,BP-ANN

蜂蜜是由蜜蜂采集花蜜生产的天然甜味物质[1]。其主要成分是糖类、氨基酸、矿质元素等[2-3]。蜂蜜中矿质元素含量范围大约为0.1%～1%[4],主要是K、Ca、Na、Zn、Mg、Mn、Fe等[5-6]。矿质元素无法通过生物体自身产生,蜂蜜中的矿质元素来源主要与蜜源植物及蜜蜂的生存环境有关[7]。因此,蜂蜜中矿质元素含量,可以反映蜂蜜相关的蜜源植物及其地理信息[8-9]。

不同植物或地理来源的蜂蜜价格存在差异[10-12],消费者不仅关心蜂蜜掺假与否,同时也关心其植物和地理来源等信息,并且蜂蜜来源的真实性也会影响蜂蜜的贸易[13],许多国家和地区针对名优蜂蜜已建立了原产地保护、地理标识和传统特色保护制度[14]。传统检测蜂蜜植物来源和地理来源的方法主要是花粉分析,但这种分析方法效率低,且与检测者的经验有关[15-16]。近年来,光谱学技术结合化学计量学已大量用于蜂蜜分类及其原产地的鉴别研究。Alda-Garcilope等[17]应用原子吸收光谱仪测定了西班牙原产地保护产品“Miel de Granada”蜂蜜中的7种矿质元素含量,结合化学计量学方法实现了对蜂蜜产地的鉴别研究。

常见的化学计量法有主成分分析(PCA)[18]、偏最小二乘法(PLS)[19]和反向神经网络系统(BP-ANN)[20]等。Oroian[21]等应用ICP-MS结合PCA技术,实现了罗马尼亚东北部地区蜂蜜的鉴别。Chen[22]等应用NIR结合BP-ANN,建立了山西长治地区不同蜂蜜的真伪判别办法。通过测定蜂蜜中矿质元素含量,对蜂蜜蜜源植物和地理起源进行鉴别研究十分必要。

云南蜜源植物种类丰富,产出多种特色蜂蜜。阳历4～5月份为晚春时节,此时盛开的蜜粉源植物为蜜蜂春繁越夏提供食物,此时节能生产的商品蜂蜜并不多,主要有苕子蜜(Viciacraccahoney)、橡胶蜜(Heveabrasiliensishoney)、石榴蜜(Punicagranatumhoney)。本研究利用火焰原子吸收光谱法(F-AAS)和石墨炉原子吸收光谱法(GF-AAS)测定了云南多个地区的3种春蜂蜜中的13种矿质元素含量,结合PCA、PLS和BP-ANN技术,旨在探讨矿质元素含量与蜂蜜类型之间的关系。本研究的开展为云南地区特色蜂蜜的植物来源和地理标识分析提供理论依据,还可为其他地区蜂蜜溯源研究提供技术支持。

1 材料与方法

1.1 材料与仪器

蜂蜜 2015年4～5月从云南不同地区采集了125个,其中,苕子蜂蜜40个,橡胶蜂蜜45个,石榴蜂蜜40个,所有样品获得后,及时检测,备用样品置于4 ℃贮存,蜂蜜样品采集地点分布如图1所示;30% H2O2优级纯,天津市风船化学试剂科技有限公司;65% HNO3优级纯,成都市科龙化工试剂厂;各元素标准溶液 浓度为1000 μg/mL,国家有色金属及电子材料分析测试中心;NH4H2PO4分析纯,汕头市西陇化工厂有限公司;所有实验用水 均为超纯水。

图1 蜂蜜样品采集地信息Fig.1 Provenance of the honey samples in Yunnan(China)

NovAA400P火焰石墨炉原子吸收光谱仪 德国耶拿分析仪器股份公司;C21-FH2103多功能电磁炉 广东美的生活电器制造有限公司;AL204型电子天平 梅特勒-托利多仪器(上海)有限公司;UPHW-I-90T优普系列超纯水机 成都超纯科技有限公司;各元素空心阴极灯 北京有色金属研究总院。

1.2 实验方法

1.2.1 样品预处理 蜂蜜样品在40 ℃条件下,超声匀浆。称取2 g蜂蜜样品置于50 mL小烧杯中,加入8 mL HNO3(65%)和2 mL H2O2(30%),用保鲜膜覆盖,置于通风橱内过夜。次日,在电热板上加热消解,待不再产生棕色烟雾且消解液澄清透明时取下,冷却至室温后,转移至50 mL容量瓶,用超纯水稀释到刻度,摇匀,待用。试剂空白对照除不加入样品外,以相同的方式制备。

1.2.2 元素测定 参照GB/T 18932.12-2002《蜂蜜中钾、钠、钙、镁、锌、铁、铜、锰、铬、铅、镉含量的测定方法 原子吸收光谱法》中方法,利用F-AAS测定3种不同蜂蜜样品中的K、Na、Zn、Mn、Mg、As、Fe、Cr、Ni、Ca和Cu元素;利用GF-AAS测定样品中Pb和Cd元素,NH4H2PO4作为基体改进剂,仪器工作参数见GB/T 18932.12-2002。

1.3 数据分析

实验数据统计使用Office Excel 2010软件,方差分析使用SPSS 22.0软件,PCA、PLS和BP-ANN分析使用MATLAB R2010b软件。

2 结果与讨论

2.1 蜂蜜中矿质元素的含量

蜂蜜中矿质元素含量如表1所示。K是3种蜂蜜中含量最多的元素,这与先前的研究结果相一致[22-23]。苕子蜂蜜和石榴蜂蜜中K和Mg的含量显著低于橡胶蜂蜜;3种蜂蜜间Fe、Ca、Na、Cr和Ni的含量,分别存在显著性差异;苕子蜂蜜中Zn和Cu的含量显著高于石榴和橡胶蜂蜜;苕子蜂蜜和石榴蜂蜜Mn的含量显著高于橡胶蜂蜜;3种蜂蜜间Pb、Cd和As的含量无显著差异。40个苕子蜂蜜中Zn含量范围为2.78～23.01 mg/kg,45个橡胶蜂蜜中K含量为213.58～436.35 mg/kg，40个石榴蜂蜜中Fe含量为4.70～36.00 mg/kg，元素的含量范围均较宽。

由上述分析可知,不同植物来源的蜂蜜中13种矿质元素含量有明显差异。即使是同一植物来源的蜂蜜,其矿质元素含量的最小值和最大值也相差较大。因此,需要化学计量学方法来评估不同植物来源的聚类趋势。

表1 苕子蜜、橡胶蜜和石榴蜜中的矿质元素的含量Table 1 Statistics of the element contents in V. cracca honey,H. brasiliensis honey and P. granatum honey

注:表中数值表示为平均值±标准差;不同字母代表同行中的数值之间差异显著(p<0.05)。

2.2 化学计量学分析

2.2.1 PCA分析 PCA能够实现对样品分类结果的可视化,把复杂多变量的样品信息简单直观地表达出来,基本能够反映元素分布和不同蜂蜜种类之间的关系。因为不同种类蜂蜜的矿质元素含量存在差异(表1),以蜂蜜中矿质元素含量为变量对不同种类蜂蜜进行鉴别研究是可行的。

通过PCA分析,将13个变量降为三个主成分,三个主成分解释了66.39%的总方差,第一主成分(PC1)表示了33.31%,余下两个主成分分别解释了24.26%和8.82%的总方差。显然,PC1和PC2是主要成分,代表了57.57%的方差,变量的载荷图解释了每个元素与两个主要组件的关系。PC1和PC2变量的载荷图(图2a)结果表明,K、Mg、As、Fe、Ni、Cr、Ca与PC1呈正相关,而Na、Pb、Cr、Zn、Mn、Cu与PC1呈负相关。另一方面,Na、Mn、Fe、Ni、Cr与PC2呈负相关,其余均与PC2呈相关。

图2(b)代表蜂蜜样品的得分图,3种蜂蜜类型基本分离。可以看到苕子蜂蜜较为分散,且苕子蜂蜜与石榴蜂蜜之间有交联。橡胶蜂蜜和石榴蜂蜜位于得分图的右侧,与PC1正相关,这意味着这些样品中与PC1正相关的矿质元素含量较高。结合图2(a)和图2(b)可以看出,橡胶蜂蜜中K、Mg、Ca以及石榴蜂蜜中Fe、Ni的含量分别是蜂蜜样品中最高的,与表1的数据相一致。K、Mg、Ca可能是橡胶蜂蜜的潜在分辨标记,Fe、Ni、Cr可能是石榴蜂蜜的潜在分辨标记。

图2 蜂蜜样本的主成分分析Fig.2 Principal component analysis

2.2.2 分类与预测 为了更好地对蜂蜜样品进行分类和预测,从每种蜜源植物蜂蜜样品中,随机选取30个样品,构建偏最小二乘判别分析模型(PLS-DA)和反向传播人工神经网络模型(BP-ANN)。

在PCA的基础上,建立PLS-DA模型来对不同植物来源的蜂蜜进行分类和预测。该模型的识别能力,由正确分类的百分比表示。结果如表2所示,训练总正确率为96.7%,对橡胶蜂蜜分类正确率为100.0%,对苕子和石榴蜂蜜分类正确率分别为93.3%和96.7%。模型预测能力由交叉验证的正确率表示。总体预测精度为92.2%,苕子和石榴蜂蜜预测正确率分别为86.7%和90.0%,均低于训练模型。总的来说,PLS-DA模型具备一定的分类和预测能力,但精度不是很高。

表2 偏最小二乘判别分析模型训练及交叉验证结果Table 2 Model training and cross-validation results by PLS-DA model

为了进一步提高蜂蜜分类的正确率,建立了BP-ANN模型进行检验。神经网络模型包含三层,输入层和输出层各有一个神经元,隐层的神经元数目为10,学习效率和迭代次数分别为0.6和100次。对模型的训练和验证正确率进行了评估,如表3所示。训练过程中,所有蜂蜜根据其植物来源,均被正确分类。同时,对模型的鲁棒性也进行了评估,橡胶蜂蜜的交叉验证正确率为100.0%,苕子和石榴蜂蜜正确率均为93.3%。与PLS-DA比较,BP-ANN更加精准。

表3 反向传播人工神经网络模型训练及交叉验证结果Table 3 Model training and cross-validation results by BP-ANN model

2.2.3 BP-ANN模型的稳定性测试 为进一步测试BP-ANN模型的预测能力的稳定性,测试了剩下的35个蜂蜜样品。结果如表4所示,所有样品根据蜂蜜蜜源植物来源被正确地分为3类,除一个苕子蜂蜜被错误地划分到石榴蜂蜜外,其余蜂蜜样品均被正确分类,总体预测正确率为97.1%。这表明BP-ANN拥有较强的抗变换性和泛化能力,证明了BP-ANN的优越性。

表4 反向传播人工神经网络模型预测结果Table 4 Model prediction results by BP-ANN model

3 结论

应用F-AAS和GF-AAS测定云南地区3种特色蜂蜜中的13种矿质元素含量,并结合化学计量学技术进行鉴别分析。结果表明:3种蜂蜜间的矿质元素含量差异较明显。PCA分析直观反映了元素种类与蜂蜜类型间关系,并初步对不同蜂蜜实现了分类。在PCA的基础上,建立的PLS-DA和BP-ANN模型进一步提高了样品分类和预测正确率。与PLS-DA相比,BP-ANN模型的性能较好。应用训练后的BP-ANN模型对余下的蜂蜜样品进行测试,橡胶蜂蜜和石榴蜂蜜的预测精度达到100%,苕子蜂蜜的预测精度为90%。本研究的开展为云南地区特色蜂蜜的植物来源和地理标识分析提供理论依据。

[1]Tayebcherif K,Perisvicente J,Cardabroch S,et al. Use of micellar liquid chromatography to analyze oxolinic acid,flumequine,marbofloxacin and enrofloxacin in honey and validation according to the 2002/657/EC decision.[J]. Food Chemistry,2016,202:316-323.

[2]El-Arab A M E,Girgis S M,Hegazy E M,et al. Effect of dietary honey on intestinal microflora and toxicity of mycotoxins in mice[J]. Bmc Complementary & Alternative Medicine,2006,6(1):13.

[3]穆雪峰,徐响,孙丽萍. 蜂蜜中酚类物质及其抗氧化活性研究进展[J]. 食品科学,2011(21):278-282.

[4]Meli M A,Desideri D,Roselli C,et al. Radioactivity in honey of the central Italy[J]. Food Chemistry,2016,202:349-355.

[5]Kaygusuz H,Tezcan F,Bedia Erim F,et al. Characterization of Anatolian honeys based on minerals,bioactive components and principal component analysis[J]. LWT-Food Science and Technology,2016,68:273-279.

[6]Da Silva P M,Gauche C,Gonzaga L V,et al. Honey:Chemical composition,stability and authenticity[J]. Food Chemistry,2016,196:309-323.

[7]Ares A M,Valverde S,Nozal M J,et al. Development and validation of a specific method to quantify intact glucosinolates in honey by LC-MS/MS[J]. Journal of Food Composition and Analysis,2016,46:114-122.

[8]Chudzinska M,Baralkiewicz D. Application of ICP-MS method of determination of 15 elements in honey with chemometric approach for the verification of their authenticity[J]. Food & Chemical Toxicology,2011,49(11):2741-2749.

[9]Baroni M V,Arrua C,Nores M L,et al. Composition of honey from Córdoba(Argentina):Assessment of North/South provenance by chemometrics[J]. Food Chemistry,2009,114(2):727-733.

[10]Chen H. Uncertainties estimation for determination of 10 elements in Northeastern China black bee honey by ICP-MS[J]. Analytical Methods,2013,5(13):3291-3298.

[11]刘博静,孙建民,王继坤. 两产地3种蜂蜜中的10种元素比例分布[J]. 微量元素与健康研究,2009,26(5):33-34.

[12]裴高璞,史波林,赵镭. 蜂蜜质量市场动态及掺假检测方法现状分析[J]. 食品科学,2013,34(15):329-336.

[13]袁玉伟,张志恒,叶雪珠. 蜂蜜掺假鉴别技术的研究进展与对策建议[J]. 食品科学,2010(9):318-322.

[14]Luykx D M A M,Ruth S M V. An overview of analytical methods for determining the geographical origin of food products[J]. Food Chemistry,2008,107(2):897-911.

[15]Anklam E. A review of the analytical methods to determine the geographical and botanical origin of honey[J]. Food Chemistry,1999,63(4):549-562.

[16]赵风云,董霞,李建军. 蜂蜜孢粉学的研究与应用[J]. 云南农业大学学报,2007,22(2):270-274.

[17]de Alda-Garcilope C,Gallego-Picó A,Bravo-Yagüe J C,etal. Characterization of Spanish honeys with protected designation of origin “Miel de Granada” according to their mineral content[J]. Food Chemistry,2012,135(3):1785-1788.

[20]Zhao J W,Han X Y,Chen Q S. Identification of Adulterated Honey Based on Three-Dimensional Fluorescence Spectra Technology[J]. Spectroscopy & Spectral Analysis,2013,33(6):1626-1630.

[21]Oroian M,Amariei S,Leahu A,et al. Multi-Element Composition of Honey as a Suitable Tool for Its Authenticity Analysis[J]. Polish Journal of Food & Nutrition Sciences,2015,65(2):93-100.

[22]Chen L,Wang J,Ye Z,et al. Classification of Chinese honeys according to their floral origin by near infrared spectroscopy[J]. Food Chemistry,2012,135(2):338-342.

[23]Ribeiro R D O R,Mársico E T,Carneiro C D S,et al. Seasonal variation in trace and minor elements in Brazilian honey by total reflection X-ray fluorescence[J]. Environmental Monitoring & Assessment,2015,187(3):1-8.

Floral origin determination of three kinds of monofloral honey from Yunnan via chemometric analysis of mineral elements

CHEN Chao1,GUO Yan1,ZHANG Zheng1,ZHAO Feng-yun1,2,*

(1.Food Safety Institute,Kunming University of Science and Technology,Kunming 650500,China;2.College of Food Science and Engineering,Gansu Agricultural University,Lanzhou 730070,China)

In order to discriminate the floral origins of honey,the concentrations of 13 mineral elements(K,Na,Zn,Mn,Mg,As,Fe,Cr,Ni,Ca,Cu,Pb,and Cd)of three honeys(Viciacraccahoney,Heveabrasiliensishoney andPunicagranatumhoney)from Yunnan(China)were determined by flame atomic absorption spectrometry(F-AAS)or graphite furnace atomic absorption spectrometry(GF-AAS),which showed great differences among the honeys. Based on the specific mineral content,principal component analysis(PCA),partial least-squares discriminant analysis(PLS-DA)and back-propagation artificial neural network(BP-ANN)were used in classification of the three honeys. With PCA,three honey species were preliminary classified by three principal components,which were established from thirteen mineral contents. Subsequently,PLS-DA and BP-ANN classification model were constructed with 30 randomly selected samples from the three honey species. In PLS-DA,the total correct classification rates for model training and cross-validation were 96.7% and 92.2%,respectively. In BP-ANN,the total correct classification rates for model training and cross-validation were 100% and 95.6%,respectively,indicating a better performance of BP-ANN than PLS-DA. The validation of BP-ANN model was further tested by the rest 35 honey samples.H.brasiliensishoney andP.granatumhoney samples were predicted with 100% accuracy.V.craccahoney samples was predicted with 90% accuracy. These result suggested that the value of mineral content tested by F-AAS or GF-AAS with chemometric methods could be used as a potential and powerful tool for the classification of honeys from different botanical origins.

honey;mineral elements;identify;PCA;PLS-DA;BP-ANN

2016-08-12

陈超(1990-)，男，在读硕士研究生，研究方向：发酵工程，E-mail:543924510@qq.com。

*通讯作者:赵风云(1979-)，女，博士，副教授，研究方向：食品生物技术，E-mail:zhaofy@kmust.edu.cn。

国家自然科学基金地区基金(31560576)。

TS207.3

A

:1002-0306(2017)04-0090-05

10.13386/j.issn1002-0306.2017.04.009