基于衰减全反射–中红外光谱（ATR–MIR Spectroscopy）结合化学计量学方法无标记检测土耳其穆特（Mut, Mersin）地区特级初榨橄榄油中的掺假

《Food Analytical Methods》：Label-Free Detection of Adulteration in Extra Virgin Olive Oils from the Mut (Mersin) Region Using ATR–MIR Spectroscopy Integrated with Chemometric Approaches

　　

本研究探讨采用中红外（MIR）光谱结合化学计量学对产自穆特（Mersin地区的穆特产区）特级初榨橄榄油（Extra Virgin Olive Oil, VOO）进行无标记（label-free）掺假分析。研究人员共评估了301份未掺假及掺入橄榄果渣油（Pomace Oil, PO）和利维拉橄榄油（Riviera Olive Oil, ROO）的VOO样品。MIR数据经选取特征谱区后，采用无监督与有监督多元统计分析处理，包括线性判别分析（Linear Discriminant Analysis, LDA）、软独立建模类类比法（Soft Independent Modeling of Class Analogies, SIMCA）、层次聚类分析（Hierarchical Cluster Analysis, HCA）、主成分分析（Principal Component Analysis, PCA）及偏最小二乘回归（Partial Least Squares Regression, PLS-R）。SIMCA模型对不同油类表现出优异的分组识别能力；PLS-R图谱显示理想的预测性能（R2> 0.9992），校准与验证集的预测参数分别为0.4894%–2.7660%和0.8906%–3.3628%。因此，本研究建立的MIR方法与化学计量学模型可用于未知油样中低至＜0.49%掺假物的定量检测。

利用ATR–MIR光谱结合化学计量学方法无标记检测穆特（Mersin）地区特级初榨橄榄油掺假的研究解读

该研究发表于《Food Analytical Methods》。特级初榨橄榄油（Extra Virgin Olive Oil, VOO）因富含生物活性成分且具有显著的健康益处而具有较高的市场价值，这使其极易被低价油品（如橄榄果渣油Pomace Oil, PO、精炼利维拉橄榄油Riviera Olive Oil, ROO、葵花籽油等）掺假，损害消费者利益并带来健康风险。传统色谱与质谱方法虽准确但耗时、需化学试剂且破坏样品。衰减全反射–傅里叶变换中红外光谱（Attenuated Total Reflection–Mid-Infrared Spectroscopy, ATR–MIR）具备快速、无损、无需前处理及试剂的优点，结合化学计量学（Chemometrics）可有效解析复杂光谱差异以鉴别和定量掺假，但目前尚缺乏针对土耳其穆特（Mut, Mersin）地区VOO的系统研究。为此，研究人员采集当地VOO及多种掺假模拟样本，采集ATR–MIR全谱（4000–650 cm^?1），并运用主成分分析（PCA）、层次聚类分析（HCA）、线性判别分析（LDA）、SIMCA分类及偏最小二乘回归（PLS-R）等多元统计方法构建定性与定量模型，旨在实现该地区VOO真伪鉴别及掺假物含量精准预测。

主要关键技术方法：

研究人员收集土耳其穆特地区2019与2020年产Ayval?k和Gemlik品种VOO纯样（n=60），购入市售其他植物油（初榨橄榄油OO、葵花籽油SFO、榛子油HNO、大豆油SBO、棉籽油CSO各n=5）及掺假用PO（n=3）、精炼Riviera橄榄油ROO（n=3）。以4种VOO为基底，按0%、1%、2%、5%、10%、20%、30%、40%、50%（w/w）比例分别与3种PO和3种ROO混合制备掺假样本（n=216），合计301份。使用配备ZnSe晶体的PerkinElmer Spectrum 100 FT–IR仪采集ATR–MIR光谱（分辨率4 cm^?1，累加64次扫描，4000–650 cm^?1），每份三重复。光谱经一阶Savitzky–Golay平滑及标准正态变量变换（Standard Normal Variate, SNV）预处理，分别在全谱区、官能团区（4000–1500 cm^?1）及指纹区（1500–650 cm^?1）利用The Unscrambler X软件建立PCA、HCA、LDA、SIMCA及PLS-R（留一法交叉验证）模型进行定性与定量分析。

研究结果：

ATR?MIR Data

原始MIR光谱在1746 cm^?1（酯羰基C=O伸缩振动）、1654 cm^?1（顺式双取代烯烃C–H面内弯曲）、1460–1377 cm^?1（CH₂/CH₃弯曲）及723 cm^?1（亚甲基面外摇摆及顺式烯烃）等处显示典型油脂吸收峰。尽管不同油品原始光谱肉眼难以区分，但掺假引起特征区透射率强度微小变化，为后续多元分析提供判别依据。

Chemometrics — PCA（主成分分析）

研究人员对60份VOO及85份各类食用油全谱MIR数据进行均值中心化PCA。两个采收年度VOO在前两主成分（PC1=95%，PC2=2%，累计97%）得分图上明显分离，表明年度气候等因素致脂肪酸组成差异可被全谱区PCA捕获；指纹区与官能团区PCA分离效果次之。对含七类油品（2019–VOO、2020–VOO、OO、CSO、SBO、SFO、HNO）的85份样本PCA显示PC1解释81%方差，不同植物源油品形成各自聚类，其中初榨橄榄油与榛子油因光谱相似性聚于相近象限，而棉籽、大豆、葵花籽油聚于另一象限，证实ATR–MIR结合PCA可有效区分油种及产地年份。

Chemometrics — HCA（层次聚类分析）

基于全谱区MIR数据采用Ward联接法的HCA树状图显示，2019–VOO、2020–VOO及各商业油类均按类别形成独立簇，相对距离证实ATR–MIR光谱能实现不同油类的有效分组。

Chemometrics — LDA（线性判别分析）

研究人员建立线性与二次LDA模型对VOO与其他五类食用油进行分类，线性LDA在校准与交叉验证中总体正确分类率达97.74%，得分图显示VOO与其他植物油界限清晰，表明LDA可有效判别VOO免受其他低价油混淆。

Chemometrics — SIMCA（软独立建模类类比法）

以95%置信水平对各油类分别建立SIMCA模型，Cooman图显示2019–VOO与2020–VOO及其他油类在指纹区（1500–650 cm^?1）及全谱区均呈现良好类间距离，仅同产区不同年份VOO略有重叠，灵敏度与特异性均优于对照，证明SIMCA对穆特地区VOO具强认证鉴别力。

Chemometrics — PLS-R（偏最小二乘回归）

针对216份VOO–PO与VOO–ROO掺假系列样本建立PLS-R定量模型（校准集162份，验证集54份）。最佳模型R²> 0.9992，校准均方根误差（Root Mean Square Error of Calibration, RMSEC）为0.4894%–2.7660%，交叉验证均方根误差（Root Mean Square Error of Cross Validation, RMSECV）为0.8906%–3.3628%，斜率与截距接近理想值1和0，表明ATR–MIR结合PLS-R可高精度定量预测掺假比例。

结论（Discussion & Conclusion）：

研究人员得出结论，基于ATR–MIR光谱联用PCA、HCA、LDA、SIMCA等化学计量学模式可实现土耳其穆特地区VOO与其他植物油及不同年度VOO的有效分类与鉴别；建立的PLS-R定量模型能在未知混合油样中检测出低于0.49%的掺假物（果渣油或精炼利维拉橄榄油）。该方法无需化学试剂、数分钟内完成检测且对操作者要求低，克服了传统分析方法的局限性，为VOO产地保护与掺假监管提供了快速、经济、可靠的无损筛查手段。