气相色谱质谱分析不同蜂蜜的植物来源

摘要本文基于固相微萃取和气相色谱质谱 (SPME-GC/MS) 非靶向测定蜂蜜中挥发性组分，结合化学计量学方法建立了不同植物来源蜂蜜判别和预测的方法。利用 SPME-GC/MS对来自四种植物来源（包括洋槐蜜、椴树蜜、荆条蜜和油菜蜜）的 87 个真实蜂蜜样品中的全谱挥发性化合物进行非靶向分析。通过主成分分析 (PCA) 对样品进行质量控制。然后，建立基于偏最小二乘判别分析 (PLS-DA)、朴素贝叶斯 (NB) 和误差反向传播人工神经网络 (BP-ANN) 的样品分类预测模型。模型的准确率为 100%，这表明不同植物来源蜂蜜可以准确分类。此外，还通过另外一组独立的 20 个真实蜂蜜样品，对模型的可靠性和实用性进行了验证。所有 20 个样品均得到准确分类。最后，对椴树蜜的特征挥发性化合物进行初步鉴定。这表明，本研究建立的不同植物来源蜂蜜判别方法是准确、可靠的，同时有助于寻找蜂蜜中的特征化合物。

前言蜂蜜以其营养和药用特性成为了受欢迎的天然产物之一。蜂蜜的植物来源和产地受到消费者的日益关注。蜂蜜的价格通常与其植物来源/产地有关。因此，很有必要开发一种快速强大的方法来鉴定不同来源的蜂蜜。GC/MS 在识别和定量分析复杂样品中的有机化合物方面具有优势，与固相微萃取 (SPME) 的组合可用于分析蜂蜜中的挥发性化合物[1]。本应用简报介绍了最近发表的一项关于非靶向挥发性化合物图谱的研究[2]，该研究结合使用 SPME 和 GC/MS 与化学计量学方法，对中国蜂蜜的植物来源进行分类。该研究开发出一种基于非特异性挥发性化合物指纹图谱和多变量分析分类并预测蜂蜜植物来源的方法。应用 SPME-GC/MS在全扫描模式下非靶向采集蜂蜜的全谱挥发性化合物数据。使用各种过滤参数进行多变量优化。然后，建立基于偏最小二乘判别分析 (PLS-DA)、朴素贝叶斯 (NB) 和误差反向传播人工神经网络 (BP-ANN) 的预测模型。最后，对于具有显著性差异的化合物进行了初步确认。

材料与方法蜂蜜样品87 个真实蜂蜜样品，包括 19 个洋槐(Robiniapseudoacacia L.) 蜜样品、22 个椴树 (Tilia amurensis Rupr.) 蜜样品、22 个荆条 (Vitexnegundo var.heterophyllaRehd.) 蜜样品和 24 个油菜(Brassica campestris L.) 蜜样品，分别采集自中国北京、吉林、河北和陕西。从养蜂人处直接采集 500 g 以上的各种蜂蜜样品，并保存在 4 °C 的冰箱中待分析。

化学品己烷（MS 级）购自 Fisher Scientific（中国上海）。正己烷购自 Sigma-Aldrich，并采用一系列烷烃 (C8H18–C25H52) 计算保留指数。利用癸酸甲酯 (Sigma-Aldrich) 作为内标。实验用水产自 Milli-Q 水纯化系统 (Millipore, Bedford, MA, USA)。

固相微萃取使用 CTC 自动进样系统和 2 cm 涂有50/30 µm 二乙烯苯/Carboxen/聚二甲基硅氧烷 (DVB/CAR/PDMS) 的纤维头（部件号 SU57348U）运行 SPME 程序。分析前，将纤维置于气相色谱进样口中，在 270 °C 下老化 1 小时。SPME 条件如下：将 3 g 蜂蜜放入包含 1.5 mL 去离子水和 0.5 g 氯化钠的 20 mL 顶空螺纹口样品瓶（部件号 5183-4474）中，并用聚四氟乙烯 (PTFE)/硅橡胶隔垫（部件号 5183-4477）将样品瓶密封。然后在 80 °C 下，将涂有 DVB/CAR/PDMS 的纤维头置于样品溶液的顶部空气中暴露 30 分钟。完成萃取步骤后，将纤维头从样品瓶中取出并插入气相色谱进样口中，在 250 °C 下进行 2 分钟热脱附。

数据处理和统计分析利用 Agilent MassHunter GC/MS 转换软件 B.07.00 版将 Agilent ChemStation 数据转换为 MassHunter 数据。将转换后的GC/MS 数据导入 MassHunter 未知物分析软件（B.07.01 版）中，并根据未知物分析的优化参数进行解卷积和鉴定。将处理后的蜂蜜样品轮廓图导出为 cef 文件，然后导入 Agilent Mass Profiler Professional（13.0 版）中。采用化学计量学方法，例如主成分分析(PCA)、单因素方差分析 (ANOVA) 和预测模型（包括 PLS-DA、NB 和 BP-ANN）。

结果与讨论数据挖掘使用 Agilent MPP 软件进行数据过滤和化学计量学分析。对所有 cef 文件进行数据过滤。对于四组样品，通过数据匹配总共获得了 2734 个化合物。根据 MPP 工作流程，第一个过滤器是按标记进行过滤，该步骤用于消除不可靠的化合物。根据各个样品是否高于阈值或达到饱和设置“存在”和“临界”标志，以从整个数据集中过滤化合物。保留了 87 个样品中至少 2 个样品中可接受的化合物。第二个过滤器是按频率过滤，根据化合物在样品中的出现频率对其进行过滤。在该步骤中，必须是存在的化合物才可进行该步过滤。这些过滤条件保留了每个样品中在至少一种条件中出现的化合物。第三个过滤器是显著性分析，根据单因素方差分析计算出的 p 值。为确保仅保留存在显著差异的化合物，在大多数情况下，选择的 p 值截止值为 0.05。经过三个过滤步骤，将化合物数量从 2734 减少至 114。为鉴定处理样品和对照样品之间的丰度比或差异超出给定倍数变化截止值或阈值的化合物，采用倍数变化分析作为最终过滤步骤。当倍数变化截止值为 2时，保留了 110 个化合物，表明一系列过滤步骤显著减少了变量数量和数据集的维数。