摘要本文基于固相微萃取和氣相色譜質譜 (SPME-GC/MS) 非靶向測定蜂蜜中揮發性組分，結合化學計量學方法建立了不同植物來源蜂蜜判別和預測的方法。利用 SPME-GC/MS對來自四種植物來源（包括洋槐蜜、椴樹蜜、荊條蜜和油菜蜜）的 87 個真實蜂蜜樣品中的全譜揮發性化合物進行非靶向分析。通過主成分分析 (PCA) 對樣品進行質量控制。然后，建立基于偏最小二乘判別分析 (PLS-DA)、樸素貝葉斯 (NB) 和誤差反向傳播人工神經網絡 (BP-ANN) 的樣品分類預測模型。模型的準確率為 100%，這表明不同植物來源蜂蜜可以準確分類。此外，還通過另外一組獨立的 20 個真實蜂蜜樣品，對模型的可靠性和實用性進行了驗證。所有 20 個樣品均得到準確分類。最后，對椴樹蜜的特征揮發性化合物進行初步鑒定。這表明，本研究建立的不同植物來源蜂蜜判別方法是準確、可靠的，同時有助于尋找蜂蜜中的特征化合物。

前言蜂蜜以其營養和藥用特性成為了受歡迎的天然產物之一。蜂蜜的植物來源和產地受到消費者的日益關注。蜂蜜的價格通常與其植物來源/產地有關。因此，很有必要開發一種快速強大的方法來鑒定不同來源的蜂蜜。GC/MS 在識別和定量分析復雜樣品中的有機化合物方面具有優勢，與固相微萃取 (SPME) 的組合可用于分析蜂蜜中的揮發性化合物[1]。本應用簡報介紹了最近發表的一項關于非靶向揮發性化合物圖譜的研究[2]，該研究結合使用 SPME 和 GC/MS 與化學計量學方法，對中國蜂蜜的植物來源進行分類。該研究開發出一種基于非特異性揮發性化合物指紋圖譜和多變量分析分類并預測蜂蜜植物來源的方法。應用 SPME-GC/MS在全掃描模式下非靶向采集蜂蜜的全譜揮發性化合物數據。使用各種過濾參數進行多變量優化。然后，建立基于偏最小二乘判別分析 (PLS-DA)、樸素貝葉斯 (NB) 和誤差反向傳播人工神經網絡 (BP-ANN) 的預測模型。最后，對于具有顯著性差異的化合物進行了初步確認。

材料與方法蜂蜜樣品87 個真實蜂蜜樣品，包括 19 個洋槐(Robiniapseudoacacia L.) 蜜樣品、22 個椴樹 (Tilia amurensis Rupr.) 蜜樣品、22 個荊條 (Vitexnegundo var.heterophyllaRehd.) 蜜樣品和 24 個油菜(Brassica campestris L.) 蜜樣品，分別采集自中國北京、吉林、河北和陜西。從養蜂人處直接采集 500 g 以上的各種蜂蜜樣品，并保存在 4 °C 的冰箱中待分析。

化學品己烷（MS 級）購自 Fisher Scientific（中國上海）。正己烷購自 Sigma-Aldrich，并采用一系列烷烴 (C8H18–C25H52) 計算保留指數。利用癸酸甲酯 (Sigma-Aldrich) 作為內標。實驗用水產自 Milli-Q 水純化系統 (Millipore, Bedford, MA, USA)。

固相微萃取使用 CTC 自動進樣系統和 2 cm 涂有50/30 µm 二乙烯苯/Carboxen/聚二甲基硅氧烷 (DVB/CAR/PDMS) 的纖維頭（部件號 SU57348U）運行 SPME 程序。分析前，將纖維置于氣相色譜進樣口中，在 270 °C 下老化 1 小時。SPME 條件如下：將 3 g 蜂蜜放入包含 1.5 mL 去離子水和 0.5 g 氯化鈉的 20 mL 頂空螺紋口樣品瓶（部件號 5183-4474）中，并用聚四氟乙烯 (PTFE)/硅橡膠隔墊（部件號 5183-4477）將樣品瓶密封。然后在 80 °C 下，將涂有 DVB/CAR/PDMS 的纖維頭置于樣品溶液的頂部空氣中暴露 30 分鐘。完成萃取步驟后，將纖維頭從樣品瓶中取出并插入氣相色譜進樣口中，在 250 °C 下進行 2 分鐘熱脫附。

數據處理和統計分析利用 Agilent MassHunter GC/MS 轉換軟件 B.07.00 版將 Agilent ChemStation 數據轉換為 MassHunter 數據。將轉換后的GC/MS 數據導入 MassHunter 未知物分析軟件（B.07.01 版）中，并根據未知物分析的優化參數進行解卷積和鑒定。將處理后的蜂蜜樣品輪廓圖導出為 cef 文件，然后導入 Agilent Mass Profiler Professional（13.0 版）中。采用化學計量學方法，例如主成分分析(PCA)、單因素方差分析 (ANOVA) 和預測模型（包括 PLS-DA、NB 和 BP-ANN）。

結果與討論數據挖掘使用 Agilent MPP 軟件進行數據過濾和化學計量學分析。對所有 cef 文件進行數據過濾。對于四組樣品，通過數據匹配總共獲得了 2734 個化合物。根據 MPP 工作流程，第一個過濾器是按標記進行過濾，該步驟用于消除不可靠的化合物。根據各個樣品是否高于閾值或達到飽和設置“存在”和“臨界”標志，以從整個數據集中過濾化合物。保留了 87 個樣品中至少 2 個樣品中可接受的化合物。第二個過濾器是按頻率過濾，根據化合物在樣品中的出現頻率對其進行過濾。在該步驟中，必須是存在的化合物才可進行該步過濾。這些過濾條件保留了每個樣品中在至少一種條件中出現的化合物。第三個過濾器是顯著性分析，根據單因素方差分析計算出的 p 值。為確保僅保留存在顯著差異的化合物，在大多數情況下，選擇的 p 值截止值為 0.05。經過三個過濾步驟，將化合物數量從 2734 減少至 114。為鑒定處理樣品和對照樣品之間的豐度比或差異超出給定倍數變化截止值或閾值的化合物，采用倍數變化分析作為最終過濾步驟。當倍數變化截止值為 2時，保留了 110 個化合物，表明一系列過濾步驟顯著減少了變量數量和數據集的維數。