秦正龍，馮長(zhǎng)君

（1.江蘇師范大學(xué) 化學(xué)與材料科學(xué)學(xué)院，江蘇 徐州 221116；2.徐州工程學(xué)院 化學(xué)化工學(xué)院，江蘇 徐州 221008）

山楂又稱紅果、仙果、山里果、山里紅等，是薔薇科山楂屬植物山楂或山里果的成熟果實(shí)[1-2]，在我國(guó)的云南、山東、貴州、東北、太行山南部及燕山山脈等地廣泛種植[3]，與北美、智利形成三大世界山楂種植中心[4]，山楂資源十分豐富。但是，由于其口感酸澀，故鮮食量很少，而傳統(tǒng)的加工品種也不多，僅有山楂醬、山楂糕、山楂罐頭及山楂果脯等，產(chǎn)品附加值低[5-6]。果酒因其口感細(xì)膩、營(yíng)養(yǎng)豐富、清亮透明、果香濃郁且酒精度低、節(jié)約糧食、保健價(jià)值高，是未來(lái)釀酒企業(yè)的發(fā)展方向。因此，以山楂為原料加工成果酒，既解決了山楂貯藏保鮮問(wèn)題，又提升了附加值[7-8]，促進(jìn)區(qū)域經(jīng)濟(jì)發(fā)展。目前，對(duì)山楂果酒的研究主要集中在分離、鑒定、檢測(cè)及工藝等方面[9-12]，對(duì)其香氣組分性質(zhì)的研究則較少。神經(jīng)網(wǎng)絡(luò)是模擬人腦網(wǎng)絡(luò)結(jié)構(gòu)的一種信息功能處理系統(tǒng)，該方法結(jié)構(gòu)簡(jiǎn)單、自適應(yīng)及自學(xué)習(xí)能力強(qiáng)，可以構(gòu)建高質(zhì)的非線性模型，在藥物、環(huán)境及食品等領(lǐng)域應(yīng)用廣泛[13-16]，但利用神經(jīng)網(wǎng)絡(luò)方法研究山楂果酒香氣成分鮮見(jiàn)報(bào)道。為此本研究采用神經(jīng)網(wǎng)絡(luò)方法中的誤差逆?zhèn)鞑ザ鄬忧梆伨W(wǎng)絡(luò)算法，建立香氣成分色譜保留時(shí)間與其分子結(jié)構(gòu)之間的神經(jīng)網(wǎng)絡(luò)模型并對(duì)其進(jìn)行預(yù)測(cè)，為快速檢測(cè)山楂果酒的風(fēng)味成分，提高果酒品質(zhì)提供一定依據(jù)。

1 材料與方法

1.1 材料與試劑

山楂紅酒中48種香氣成分的色譜保留時(shí)間（retention time，RT）：取自參考文獻(xiàn)[9]。

1.2 儀器與設(shè)備

Agilent 7890A-5975C氣相色譜-質(zhì)譜聯(lián)用儀（gas chromatography-mass spectrometry，GC-MS）：美國(guó)安捷倫公司；DH6000AH型電熱恒溫培養(yǎng)箱：天津市泰斯特儀器有限公司。

1.3 方法

1.3.1 分子結(jié)構(gòu)表征

拓?fù)渲笖?shù)是對(duì)分子圖的某種矩陣通過(guò)數(shù)學(xué)計(jì)算而獲得的，是圖的一種不變量，可揭示化合物分子的結(jié)構(gòu)特征。只要拓?fù)渲笖?shù)蘊(yùn)含了影響色譜保留時(shí)間的本質(zhì)因素，那么，兩者之間必然具有良好的相關(guān)性。

分子價(jià)連接性指數(shù)（mXtV）[17]定義成鍵的非氫原子i的特征值（δiv）為：

示和非氫原子i成鍵的氫原子數(shù)。

分子價(jià)連接性指數(shù)（mXtV）的計(jì)算公式為：

式中：m為指數(shù)的階數(shù)；t為子圖的類(lèi)型，有鏈、星、環(huán)、星-鏈等4種子圖，依次記作p、c、ch及pc。

電拓?fù)錉顟B(tài)指數(shù)（Ei）[18]包含兩個(gè)方面，一方面是原子的本征值，它是由每個(gè)非氫原子類(lèi)型i的原子結(jié)構(gòu)和拓?fù)洵h(huán)境共同決定，以“Hi”表示；另一方面是原子本征值的增量，它是由其他非氫原子擾動(dòng)所產(chǎn)生的，以“ΔHi”表示。定義電拓?fù)錉顟B(tài)指數(shù)（Ei）為：

式中：j為原子類(lèi)型i的個(gè)數(shù)。

1.3.2 兩類(lèi)拓?fù)鋮?shù)的計(jì)算

采用Chemoffice 2005繪圖軟件，畫(huà)出文獻(xiàn)[9]中山楂紅酒48種揮發(fā)性香味化合物分子的結(jié)構(gòu)圖，然后在MATLAB軟件中，使用張婷等[19]報(bào)道的方法編寫(xiě)計(jì)算程序，運(yùn)算得分子價(jià)連接性指數(shù)（mXtV）及電拓?fù)錉顟B(tài)指數(shù)（Ei）（見(jiàn)表1，限于篇幅，表中只列出了相關(guān)的6種）。

表1 山楂紅酒香氣成分的結(jié)構(gòu)參數(shù)及色譜保留時(shí)間Table 1 Structural parameters and chromatographic retention time of aroma compounds in hawthorn red wine

續(xù)表

1.3.3 實(shí)驗(yàn)方法

將上述計(jì)算得到的山楂紅酒中48種香氣成分的兩類(lèi)指數(shù)用Minitab最佳變量子集回歸，分析篩選與香氣成分色譜保留時(shí)間相關(guān)性最優(yōu)的變量集，并以Kubinyi函數(shù)（Kubinyi function，Kf）[20-21]作為判據(jù)，Kf值越大，模型的穩(wěn)定性、預(yù)測(cè)能力就越強(qiáng)。

2 結(jié)果與分析

2.1 多元回歸模型的確定

由表2可見(jiàn)，模型中隨著變量數(shù)目的增多，R、R2和R2adj持續(xù)增大，S逐漸減小，但五元模型后，其數(shù)值變化均很小，且Kf在五元模型處出現(xiàn)最大值，說(shuō)明該模型的質(zhì)量最好。所以本實(shí)驗(yàn)選用4XpV、E12、1XpV、E1、0XpV為最佳變量組合。

表2 保留時(shí)間與mXtV、Ei的回歸結(jié)果Table 2 Regression results of mXtV,nEiand retention time

將山楂紅酒中48種揮發(fā)性香味化合物的色譜保留時(shí)間（RT）與上述優(yōu)化篩選得到的5參數(shù)最佳變量組合4XpV、E12、1XpV、E1、0XpV進(jìn)行多元線性回歸，得到的模型為：

用模型（4）給出的預(yù)測(cè)值與實(shí)驗(yàn)值基本吻合（預(yù)測(cè)值1，見(jiàn)表1）。

2.2 模型（1）的質(zhì)量檢驗(yàn)

為了檢驗(yàn)?zāi)Ｐ停?）的穩(wěn)定性及預(yù)測(cè)能力，采用Jackknifed檢驗(yàn)法進(jìn)行檢驗(yàn)，即每次從48個(gè)山楂紅酒香氣成分中剔除1個(gè)，用余下的47個(gè)組分建模，依次建立48個(gè)方程，得到48個(gè)相關(guān)系數(shù)，其平均值為0.979，與模型（4）的相關(guān)系數(shù)完全吻合。根據(jù)一般的統(tǒng)計(jì)標(biāo)準(zhǔn)，所建模型的R2＞0.8，說(shuō)明所建模型具有良好的預(yù)測(cè)能力。模型（4）的R2為0.958，另外，模型（4）的Kf最大，說(shuō)明該模型的預(yù)測(cè)能力最好，穩(wěn)定性最佳。為了進(jìn)一步檢驗(yàn)?zāi)Ｐ停?）的質(zhì)量，將48個(gè)香氣化合物分成兩個(gè)集，即訓(xùn)練集和測(cè)試集。隨機(jī)剔去序號(hào)為4、13、22、29和41共5個(gè)化合物，并作為測(cè)試集，剩余的43個(gè)化合物為訓(xùn)練集，按上述方法建立的模型為：

由模型（5）給出的序號(hào)為4、13、22、29、41五個(gè)化合物色譜保留時(shí)間的預(yù)測(cè)值分別為12.031、13.427、29.008、33.295、46.198，與模型（4）給出的預(yù)測(cè)值、實(shí)驗(yàn)值較好吻合，而且模型（5）和模型（4）十分相似：①兩個(gè)模型中對(duì)應(yīng)的各項(xiàng)，其數(shù)值非常接近；②兩個(gè)模型的R、R2、R2adj、F、S等質(zhì)量指標(biāo)也十分接近?？梢?jiàn)模型（4）是相關(guān)性、穩(wěn)定性俱佳的模型。

為了判斷模型是否存在離域點(diǎn)，將山楂紅酒中48種揮發(fā)性香味化合物的Jackknifed相關(guān)系數(shù)作雷達(dá)圖（圖1），以0.970為圓心，間距為0.002，48個(gè)Jackknife 相關(guān)系數(shù)圍繞原始模型（4）的相關(guān)系數(shù)（0.979）上下波動(dòng)，且波動(dòng)范圍很小，Jackknife的相關(guān)系數(shù)全都處在0.977～0.982 之間，表明模型（4）沒(méi)有異常的離域點(diǎn)。

圖1 相關(guān)系數(shù)的雷達(dá)圖Fig.1 Radar chart of correlation coefficients

2.3 建立神經(jīng)網(wǎng)絡(luò)模型

為了使模型的預(yù)測(cè)精準(zhǔn)度進(jìn)一步提高，使用誤差反向傳播方法的三層網(wǎng)絡(luò)結(jié)構(gòu)，以前述最好的多元回歸模型中的5種分子結(jié)構(gòu)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入層單元，揮發(fā)性香味成分的色譜保留時(shí)間作為輸出層單元，最佳隱蔽層的單元數(shù)按照許祿等[22]提出規(guī)則，經(jīng)計(jì)算并優(yōu)化得5。因此，網(wǎng)絡(luò)結(jié)構(gòu)為5∶5∶1。為了避免發(fā)生過(guò)擬合，把山楂紅酒中48種揮發(fā)性香味物質(zhì)劃分為3個(gè)集，1組5個(gè)數(shù)據(jù)，其中的第1、3、4個(gè)數(shù)據(jù)即為訓(xùn)練集，其相關(guān)系數(shù)為0.997，每組的第2個(gè)、第5個(gè)數(shù)據(jù)則分別為測(cè)試集和驗(yàn)證集，它們的相關(guān)系數(shù)分別是0.999、0.999，總相關(guān)系數(shù)是0.998。由神經(jīng)網(wǎng)絡(luò)法得到的預(yù)測(cè)值見(jiàn)表1（預(yù)測(cè)值2），預(yù)測(cè)值與實(shí)驗(yàn)值頗為吻合，平均相對(duì)誤差為3.31%。多元回歸法與神經(jīng)網(wǎng)絡(luò)法實(shí)驗(yàn)值和預(yù)測(cè)值的關(guān)系見(jiàn)圖2。由圖2可知，神經(jīng)網(wǎng)絡(luò)法更優(yōu)。

圖2 兩種方法預(yù)測(cè)值與計(jì)算值的關(guān)系Fig.2 Relationship between experimental and predicted values of the two methods

2.4 結(jié)果分析

在氣相色譜分析中，影響色譜保留時(shí)間的因素很多，如果其他條件恒定下，那么色譜保留時(shí)間的長(zhǎng)短決定于化合物分子和固定相之間的相互作用，相互之間的作用力越大，則色譜保留時(shí)間就越長(zhǎng)。相互之間的作用力主要包含取向力、誘導(dǎo)力及色散力。分子價(jià)連接性指數(shù)把化合物結(jié)構(gòu)圖中各種子結(jié)構(gòu)碎片進(jìn)行加權(quán)計(jì)算，對(duì)于3個(gè)以上非氫原子組成的分子，即可產(chǎn)生鏈、簇、星和環(huán)等許多片段結(jié)構(gòu)，能表征分子的大小、形狀、分枝、表面積等，較好地揭示了色散力的強(qiáng)弱。電拓?fù)錉顟B(tài)指數(shù)反映了化合物分子中成鍵原子的價(jià)態(tài)信息、固有特征、電子狀態(tài)、拓?fù)洵h(huán)境及電性作用等，其數(shù)值大小較好地揭示了取向力、誘導(dǎo)力的強(qiáng)弱。因此，與神經(jīng)網(wǎng)絡(luò)方法結(jié)合，相關(guān)系數(shù)由原來(lái)的0.979提高到了0.998，預(yù)測(cè)能力大幅度提升。

3 結(jié)論

通過(guò)Minitab優(yōu)化篩選的5 個(gè)分子結(jié)構(gòu)參數(shù)與山楂紅酒中48種香氣成分色譜保留時(shí)間之間建立的定量構(gòu)效關(guān)系模型，經(jīng)檢驗(yàn)不存在異常的離域值，具有良好的穩(wěn)定性和較強(qiáng)的預(yù)測(cè)能力。神經(jīng)網(wǎng)絡(luò)法比多元回歸分析法的預(yù)測(cè)準(zhǔn)確度和糾錯(cuò)能力都更好，訓(xùn)練集的相關(guān)系數(shù)為0.997，測(cè)試集的相關(guān)系數(shù)是0.999，驗(yàn)證集的相關(guān)系數(shù)是0.999，總的相關(guān)系數(shù)為0.998，平均相對(duì)誤差為3.31%，計(jì)算值與實(shí)驗(yàn)值很好吻合。

山楂果酒酸甜適口，酒體清爽優(yōu)雅，不但有很高的營(yíng)養(yǎng)價(jià)值，而且還有獨(dú)特的保健及藥理功能。近年來(lái)，人們的生活水平和質(zhì)量不斷提升，對(duì)天然食品的保健功能也更加重視。本研究結(jié)果為探索色譜分離條件，研究色譜保留機(jī)制提供有益的理論參考，對(duì)山楂果酒香氣成分的結(jié)構(gòu)表征、質(zhì)量檢驗(yàn)及藥用價(jià)值的開(kāi)發(fā)等，具有一定的實(shí)際意義。