汤海青 顾晓俊 陈祖满 范梦漩

(1浙江医药高等专科学校食品学院，浙江 宁波 315100；2宁波海关技术中心，浙江 宁波 315012)

调味料酒(简称料酒)是以发酵酒、蒸馏酒或食用酒精成分为主体，添加食用盐(可加入植物香辛料)，配制加工而成的液体调味品[1]。作为中国传统的调味品，料酒主要用于肉类、海鲜和蛋等动物源性食品原料的烹调过程，配合其他调味料，达到去腥、增香和解腻的效果，是调味品行业重要品类之一[2-4]。目前，市场上有3种料酒产品工艺:一是用黄酒添加食盐和香辛料制成的“酿造料酒”；二是用黄酒和酒精共同添加制成的料酒；三是使用酒精加入香精、味精、食盐、色素制成的料酒。后两者属于“配制料酒”，均可达到行业标准《SB/T 10416-2007 调味料酒》[1]的质量要求。配制料酒无论在原料、工艺、生产周期和成本，还是在酒性醇香和烹饪效果等方面，都与酿造料酒存在着很大的差别[5]。使用同一质量指标，不仅拉低了料酒行业品质，而且导致质价不符、以次充好等状况的频发[6]。因此，亟需开发可以有效区分和判别酿造料酒和配制料酒的方法，发展料酒掺伪鉴别的技术手段。

为规范酿造料酒的生产，近期发布的团体标准《T/CBJ 8101-2019谷物酿造料酒》[7]和《T/ZZB 0527-2018酿造料酒》[8]在现有行业标准基础上，参照黄酒国家标准，增加了对发酵主要香气成分(β-苯乙醇)的质量要求。但由于料酒成分复杂，很难通过单一成分的分析对料酒品质进行分析和鉴定[9]。因此，光谱、色谱或电子感官等技术结合化学计量学的分析方法，被开发应用于料酒的测量和鉴定，如陈燕清等[10]利用可见-近红外光谱结合偏最小二乘等判别模型鉴别区分品牌料酒；李茜云等[11]利用气相色谱-质谱(gas chromatography-mass spectrometer，GC-MS)指纹图谱结合聚类分析对料酒品牌进行鉴别和分类。电子舌(electronic tongue，ET)作为一种智能感官分析技术，可利用多传感阵列感测液体样品的特征相应信号，通过信号模式识别处理及专家系统学习识别，对样品进行定性或定量分析[12-14]。近年来，ET 在食品行业已得到越来越广泛的应用，在调味品和饮料酒领域也得到了一定拓展。如利用多频脉冲型电子舌对黄酒的产地进行判别区分[15]；利用电位型电子舌对食醋的口感进行评价并建立总酸和食盐指标对酸感和咸感的相关性[16]等，但针对料酒的工艺区分及电子舌结合化学计量法的定量分析鲜有报道。因此，本试验针对不同生产工艺的料酒进行测定，使用Astree和Unscrambler 软件分别对传感器阵列信号进行采集和处理，并应用多种统计分析方法，探讨电子舌技术在料酒工艺类型判别、理化指标快速检测等多方面应用的可行性，以期为应用电子舌检测料酒品质提供理论支持。

1 材料与方法

1.1 材料与试剂

料酒，购自宁波超市，产地为江浙地区。共54个批次，包括发酵类(生产配料:大米、小麦、水、食盐、香辛料)30个和配制类[生产配料:黄酒和(或)食用酒精，水、食盐、香辛料]24个。将全部样品随机排序编号，36个样品用于建模，18个用于检验。校准液:0.01 mol·L-1HCl、0.01 mol·L-1NaCl和0.01 mol·L-1谷氨酸钠，法国Alpha M.O.S 公司。其他试剂均为国产分析纯，水为超纯水。

1.2 主要仪器与设备

Astree 电子舌[由自动进样器、传感器阵列和数据采集分析系统组成，其中传感器阵列包括7个电化学传感器(SRS、GPS、STS、UMS、SPS、SWS和BRS)，以Ag/AgCl 电极作为参比电极]，法国Alpha M.O.S 公司；907 全自动电位滴定仪，瑞士万通公司；DMA 4500M密度计，奥地利安东帕公司；UDK149 蒸馏仪，意大利威尔浦公司。

1.3 试验方法

1.3.1 理化指标测定 参考SB/T 10416-2007[1]，分别测定料酒样品中的总酸、氨基酸态氮、酒精度和食盐指标。

1.3.2 电子舌分析

1.3.2.1 电子舌活化、校准和诊断 在自动进样器的相应位置上分别放置浓度均为0.01 mol·L-1的HCl溶液、NaCl溶液和谷氨酸钠溶液，依次运行电子舌活化、校准和诊断等程序，待传感器阵列信号满足系统稳定性和重复性后，进行样品测试。

1.3.2.2 电子舌测试 摇匀样品，取85 mL 倒入样品杯，置于自动进样器，每个样品间隔放置10%乙醇溶液进行清洗。每个样品重复测定6次，单次测定时间为120 s，取各传感器信号强度在100～120 s 间的响应值作为多元统计分析的原始数据。

1.3.3 多元统计分析

1.3.3.1 主成分分析法(principal component analysis，PCA) 使用PCA 对不同生产方式的料酒的差异性进行区分，在保留原始变量主要信息的前提下，将多维电子舌信息进行数据转换和降维，用较少的综合指标分别代表存在于各个变量中的各类信息，考察主成分贡献率和样品在得分图中的分布情况[17]。

1.3.3.2 簇类独立软模式法(soft independent modeling of class analogy，SIMCA) SIMCA是类建模技术中最常用的方法之一，通过在PCA 基础上对训练集中每个类别分别建模，根据未知样品与训练集中某一类的相似性，将其与训练集中某一类进行归类。各类间的距离越大，分类效果越好[18]。实施过程:对配制料酒和酿造料酒分别建立PCA模型后，使用SIMCA建立配制料酒和酿造料酒的的标准判别模型，考察模型距离、区分能力(discriminating power，DP)等指标，并依据该模型对未参与建模的样品进行生产类型的识别检验。

1.3.3.3 偏最小二乘法(partial least squares，PLS) 使用PLS 对电子舌传感器信号强度数据与行标法理化指标结果进行拟合比较，建立理化指标的预测模型，采用校正集交互验证决定系数(determination coefficient of calibration，)、验证集交互验证决定系数(determination coefficient of validation，)、校正均方根误差(root mean square error of calibration set，RMSEC)、预测均方根误差(root mean square error of prediction set，RMSEP)、验证集标准偏差与预测标准偏差的比值(ratio of standard deviation of the validation set to standard error of prediction，RPD)对模型进行评价[19-20]，并使用未参与建模的样品进行外部检验。

1.4 数据处理与分析

采用Unscrambler 9.7(CAMO 公司，挪威)和Origin 2018(OriginLab 公司，美国)对数据进行显著性检验、多元统计分析和制图。

2 结果与分析

2.1 电子舌味觉对比分析

在室温条件下，采集全部54份料酒样品的传感器信号，用雷达图表示(图1)。图中坐标轴刻度表示味觉单位，说明7种传感器均对料酒有较好的响应。所有料酒样品的传感器响应轮廓大致相似，但在信号强度上存在差异。其中，SPS(复合味1)、STS(咸味)、SRS(酸味)和BRS(苦味)传感器上的强度较大，SWS(甜味)、UMS(鲜味)和GPS(复合味2)传感器上的强度较小。

对各传感器的响应信号值做单因素方差分析，均存在明显差异，说明电子舌可以将样品风味明显的区别开。其中，UMS和SRS 传感器上的信号强度差别最大，说明料酒样品在鲜味和酸味传感器上贡献的差异较大。特别是UMS 信号值，部分样品的贡献＜0，说明这部分样品中没有鲜味贡献物。

图1 料酒的味觉雷达图Fig.1 Radar chart of taste of cooking wines

2.2 主成分分析

对36份建模样品的电子舌传感器数据进行主成分分析，得到主成分分析的二维图，剔除2个异常值后，结果如图2所示。PC1 轴对应的第一主成分可以反映样品原本信息的62.4%；PC2 轴对应的第二主成分反映样品原本信息的33.2%。2个主成分的累计方差贡献率达到95.6%，说明PCA 分析的前2个主成分能够反映原始数据的绝大部分信息。PCA的得分图以散点的形式代表样品之间的距离，每个点之间的距离代表不同样品差异性的大小。距离越近，说明滋味的相似程度越高；距离较远则反之[21-22]。由图2可知，配制料酒集中在中间区域，有明显的聚类，而发酵料酒分布在周围，较为分散，说明两类料酒在味觉特征存在一定的差异，电子舌可以将不同生产方式的料酒进行很好的区分，可进一步应用SIMCA 对待检验料酒样品进行区别分析。PCA的载荷图以箭头的形式代表各个传感器信号变量分别在PC1和PC2的占比，PC1 主要涵盖UMS的信息(r=0.955)，主要表示料酒的鲜味特征；PC2 主要涵盖SRS的信息(r=0.960)，表示料酒的酸味特征；剩余传感器信号则分布于其他主成分中。

2.3 生产工艺判别模型

在PCA 分析的基础上对料酒样品进行SIMCA 建模。参与建模的配制料酒样品集和酿造料酒样品集之间的欧氏距离为266.9，说明两类之间的距离较远，SIMCA 分类效果较好。考察传感器变量对两类样品的区分能力(图3)，可见各个传感器的区分能力均大于5，各变量的区分能力是足够的[23-24]。其中，UMS传感器的区分能力远高于其他传感器，其次是SRS、STS、BRS和GPS，而SPS和SWS的区分能力较弱。

图2 PCA 得分图和载荷图Fig.2 Score plot and loading plot of PCA

将未参与建模的样品与两类样品的PCA模型进行比较，得到SIMCA模型的Cooman 图(图4)。结果表明，在显著性水平α=0.05的条件下，图4的左上部分为酿造料酒区域，右下部分为配制料酒区域，未参与建模的样品分别与2个模型比较，根据相似性分配到不同的区域中。对于未参与建模的样品，配制料酒和酿造料酒的识别率均达到100%。

图3 各传感器对两类料酒的区分能力Fig.3 Discrimination power of each sensor on two types of cooking wines

2.4 理化指标拟合模型

图4 SIMCA模型的Cooman 图Fig.4 Cooman’s plot of SIMCA model

采用PLS 法对电子舌传感器信号强度数据和行标法理化指标结果进行多元统计分析，选取内部交叉验证的化学计量法，建立料酒各理化指标的定量分析检测模型。模型的因子数等建模条件和检验结果见表1和图5。总酸、氨基酸态氮和食盐指标的决定系数大于95%，说明回归方程的拟合度高，预测浓度值接近测量值；RMSEC 与RMSEP值接近且数值较小，说明模型的稳定性较好；RPD值均大于3，说明模型的定标效果良好，预测精度高。酒精度指标的验证集交互验证决定系数小于90%，RMSEC 与RMSEP值相差较大，RPD值小于3，说明回归方程的拟合度一般，模型的稳定性较弱[25]。虽然可以对酒精度进行定量分析，但是定标效果和预测精度不及总酸、氨基酸态氮和食盐指标。

表1 PLS 建模条件和检验结果Table1 Modeling conditions and inspection results of PLS model

使用PLS-内部交叉验证所得模型，对预测集(18份未参与建模的料酒样本)的总酸、氨基酸态氮、酒精度和食盐的含量进行预测。将预测值与化学值进行t检验，显著水平α=0.05，查间临界值表[26]，t(0.05，18)为2.110，总酸、氨基酸态氮、酒精度和食盐的t检验结果分别为0.056、0.075、0.323、0.412，均小于2.110，表明电子舌法与标准方法不存在显著差异，进一步说明所建立的模型具有较好的预测能力，可以达到常规分析的精度要求。

3 讨论

一般来说，酿造料酒中的水溶性呈味物质包括游离氨基酸和大分子多肽为主的含氮化合物(鲜味物质)，乳酸和醋酸为主的有机酸(酸味物质)，葡萄糖为主的糖类物质(甜味物质)，乙醇和其他多元醇(醇类风味物质)，调配加入的食用盐(咸味物质)和香辛料(芳香、辛辣味物质)[27]等。如本研究中雷达图所示，上述滋味成分在电子舌传感器上的综合贡献，可以直接反映出料酒样品在各传感器的响应差异以及味觉特征的总体评价。

为区分酿造料酒和配制料酒，本研究针对滋味成分在电子舌传感器上的响应，使用PCA和SIMCA模型来区分酿造料酒和配制料酒。酿造料酒以陈酿3～5年的黄酒为基酒，配以花椒、八角等香辛料，工艺复杂，生产周期长，口感浓郁醇厚；而配制料酒的含醇类物质单一，不含有机酸、还原糖或人工添加，工艺简单，口感寡淡。因此，酿造料酒中有效功能成分，如游离氨基酸、有机酸和醇类物质，在种类和含量上均比配制料酒更加丰富[28-29]。

图5 PLS模型拟合图Fig.5 Fitting diagram of PLS model

在PCA模型中，前2个主成分主要代表了UMS和SRS 传感器的信号，说明酿造料酒和配制料酒中鲜味贡献物和酸味贡献物的差别是区分两类工艺的主要成分，与雷达图中显示的传感器信号值差别的趋势一致，也与两类料酒实际成分的差别趋势一致。料酒中的鲜味贡献物主要为氨基酸，酸味贡献物主要为乳酸和乙酸[27]。经Pearson 相关性分析可知，UMS 传感器强度与4个理化指标均有相关性，其中总酸呈极显著相关(P= 0.005)、氨基酸态氮呈显著相关(P=0.014)、酒精度呈显著相关(P=0.022)、食盐呈极显著相关(P＜0.001)，SRS 传感器强度与样品中总酸呈极显著相关(P＜0.001)。李英等[15]使用SA 402B 电子舌检测料酒，发现鲜味传感器与总酸呈极显著负相关，与氨基酸态氮无相关性；酸味传感器与总酸呈极显著正相关。这与本研究结果相似，但在氨基酸态氮对鲜味传感器的相关性上存在差异，可能是由于使用了不同的电子舌品牌型号和样品集。

本研究结果表明，在SIMCA模型中，全部传感器均参与了酿造料酒和配制料酒PCA模型的建立，从而获得了整体的滋味信息。各传感器均表现出良好的区分能力(＞5)，特别是UMS 传感器，区分能力远高于其他传感器。通过计算检验样品与两类料酒PCA模型的距离，进行判别分析，识别率为100%。在相关报道中，对于料酒的模式识别研究，主要集中于品牌或产区的区分[11，15]。董颖娜[27]直接对理化指标进行聚类分析，将料酒按品质分为三类，但未从工艺类型进行识别。可见，本研究应用电子舌结合SIMCA模型，对两类生产工艺的料酒进行明显区分，方法直观、可验证，是对料酒进行模式识别的一次有效尝试，也为料酒工艺类型鉴别及掺伪提供了理论和实践基础。

电子舌分析技术无需样品前处理，检测速度快。本试验对料酒中4个主要理化指标和电子舌数据分别进行PLS 建模，各指标浓度为总酸0.1～3.4 g·L-1、氨基酸态氮0～0.29 g·L-1、酒精度7.5～12.6%vol、食盐0.2～12.7 g·L-1，该浓度范围基本涵盖各料酒标准，有一定的样本代表性。通过分析发现，除酒精度外，总酸、氨基酸态氮和食盐的定标结果和预测精度均良好，有一定的实用性。外部检验也说明两种分析方法是一致的，检测结果无显著差异，说明本研究的电子舌分析方法具有对料酒进行批量检测的应用潜力。鲁小利等[30]使用Astree 电子舌结合BP 神经网络对黄酒的理化指标进行定量分析(训练集16个样品，预测集8个样品)，发现对氨基酸态氮的预测效果良好，而总酸、pH和总糖的效果不理想。可见样品性质和数量、指标浓度区间、检测方法和统计方法等都可能对拟合和预测的效果产生影响。

4 结论

电子舌技术结合多元统计方法，可以在滋味特征的总体评价基础上，进行料酒品质的分析和归类。通过PCA 可以对两类生产工艺的产品——酿造料酒和配制料酒进行明显的聚类，前2个主成分的累计方差贡献率为95.6%。通过SIMCA 可进一步做出明确的类型判别，两类工艺的料酒样品识别率达到100%。通过PLS 可以对料酒的主要理化指标，如总酸、氨基酸态氮和食盐的含量，进行准确的预测。本研究结果为应用电子舌技术研究分析料酒中的味感特征提供了理论基础，也为进一步研究料酒工艺分型提供了一种新的辅助手段。今后研究可增加不同地区和品牌的料酒样品，进一步验证和提高模型的准确性和可扩充性。