森林食品

摘要：本论文以我国特属茶油为研究对象,系统地评价了茶油品质。采用核磁共振（NMR）技术与主成分分析（PCA）、正交偏最小二乘判别分析（OPLS-DA）以及偏最小二乘（PLS）等功能强大的化学计量学方法相结合,以氧化稳定性、氧化程度、储存历史、营养品质、掺伪程度等为评价指标,最终建立了一个基于NMR技术的茶油品质快速分析模型及技术体系。主体研究内容及结果如下:

（1）对江西产地茶油的理化品质进行了分析,包括酸值、紫外吸光度、诱导时间、14种脂肪酸、α-生育酚、多酚、角鲨烯和4种甾醇。所有茶油酸值与脂肪酸组成均在国标范围内,其中主要脂肪酸有油酸（C18:1）、亚油酸（C18:2）以及棕榈酸（C16:0）,含量分别为79.59%、7.99%和8.54%。除了甘油三酯,茶油中还存在一些微量化合物,如角鲨烯、甾醇、α-生育酚和多酚。角鲨烯和甾醇作为茶油中非皂化物含量最大的一部分,可作为区分不同植物油的特征指标。其中角鲨烯在橄榄油中含量最高（4536.31 mg/kg）,β-谷甾醇在玉米油中含量最高（5181.92 mg/kg）,菜籽甾醇和菜油甾醇在菜籽油中含量中最高,分别为4696.86mg/kg和704.57mg/kg,而豆甾醇在大豆油中含量最高（405.98 mg/kg）。作为一种天然的抗氧化剂,α-生育酚对提高茶油的氧化稳定性有着重要的作用。此外,基于温度与油脂货架寿命系数的关系,利用诱导时间外推出实验中茶油以及调和茶油的预期货架寿命分别为2个月以及4个月,与实际贮藏时间相符。由于本实验所选油样大多为精炼油,多酚含量低于LST6119-2007中的检测限。

（2）建立了1H NMR以及α-生育酚结合PLS对茶油氧化稳定性的预测模型。采用未经预处理（NO）、自标度化（UV）、pareto标度化（Par）以及中值标度化（Ctr）等四种不同的方法对原始数据进行预处理,建立PLS模型,基于最小交叉验证均方根误差（RMSECV）值选取最佳主因子数。其中UV作为前处理方法时,R2最高,且训练集均方根误差（RMSEE）和预测集均方根误差（RMSEP）值最小,模型最好。此外,根据PLS模型中VIP（variable importance in the projection）值得分图筛选出了6个VIP（29）1的变量,且基于筛选出的4个输入变量建立的PLS模型预测能力较佳。

（3）基于1H NMR对茶油氧化程度进行了检测。结果表明氧化产物信号（10-8 ppm）、不饱和脂肪酸（USFA）信号（5.42-5.29 ppm）和单不饱和脂肪酸（MUSA）信号（2.79-2.70 ppm）可作为茶油氧化的特征信号。随着储存时间的延长,植物油中氧化产物信号逐渐增强,而不饱和脂肪酸信号强度逐渐降低。且在氧化过程中不同脂肪酸变化具有很大差异,氧化顺序为多不饱和脂肪酸（PUFA）（29）单不饱和脂肪酸（MUSA）（29）饱和脂肪酸（SFA）。

（4）建立了NMR结合动力学方程对茶油货架期的预测模型。通过31P NMR和1H NMR均能检测到不同植物油中的1,2-甘油二酯（1,2-DGs）和1,3-甘油二酯（1,3-DGs）。结合动力学分析可知,随着储存时间的延长,毛茶油和特级初榨橄榄油的D值（1,2-DGs/总DGs）呈规律性减小。31P NMR结合动力学方程能准确预测茶油货架期,其动力学方程的相关系数（R2）达到0.97782。同样,1H NMR结合动力学方程也能达到类似的预测效果,其R2为0.96223。

（5）建立了1H NMR结合PLS对茶油营养品质指标的预测模型。基于最小RMSECV值选取最佳主因子数,分析了四种不同的预处理方法（NO、UV、Par和Ctr）对PLS模型的影响。基于R2、RMSEE、RMSEP值等指标可以看出:C18:2、TFA、MUFA和PUFA的最佳预处理方法为NO,此时RMSEP值最低;UV作为预处理方法可以使C16:0和SFA预测模型较好;C18:0和C18:3含量预测模型中,通过Par预处理方法,可以使RMSEE和RMSEP值最小;C18:1和USFA在Ctr标度化方法下模型较好,此时R2较高,RMSEE和RMSEP值最小。在甾醇含量预测模型中,菜籽甾醇、菜油甾醇模型、豆甾醇和β-谷甾醇的最佳预处理方法分别为Par、NO、UV和Par。此外,基于VIP值进一步分析了输入变量个数对模型的影响。筛选部分变量虽能简化PLS模型,但R2值降低,RMSEE和RMSEP值增大,模型效果变差,说明基于1H NMR谱图挑选出的15个变量对PLS模型都有着重要的影响。但是在预测α-生育酚含量时,R2最高只有0.5945,PLS模型还有待改善。

（6）建立了1H NMR结合化学计量学方法对茶油掺假的预测模型。通过1H NMR指纹图谱可以看出茶油、玉米油、葵花籽油以及菜籽油的在主要成分甘油三酯以及微量成分甘油二酯、角鲨烯和甾醇信号强度上的差异。当将15个挑选出来的1H NMR信号作为输入变量时,纯茶油和掺伪茶油在PCA得分图上有较好的区分,但由于掺伪油的差异较小,PCA对掺伪茶油的识别较差。然而这些差异可以通过OPLS-DA反映出来,且该模型对掺伪油的判别准确率达到90%以上。除此之外,进一步应用PLS预测掺伪量。通过VIP得分图筛选出少于6个潜在的重要变量,将其作为输入变量得到的PLS模型R2（29）0.99,RMSEE和RMSEP接近于0,显示出更高的准确性。并且经过10个样品的外部检验进一步证实了该方法的快速和准确性。