拉曼光谱法定量分析山茶油中脂肪酸

郝 勇1,2，孙旭东1，耿 响3

(1.华东交通大学机电工程学院，江西 南昌 330013；2. 江苏恒顺醋业股份有限公司，江苏 镇江 212143；

3.江西出入境检验检疫局，江西 南昌 330038)

摘 要：利用拉曼光谱对山茶油中两种脂肪酸(棕榈酸和十四烷酸)进行快速定量分析。配制70个山茶油样本用于拉曼光谱的采集，分别采用原始光谱、小波导数光谱和矢量归一化光谱，结合连续投影算法(SPA)建立山茶油中棕榈酸和十四烷酸的偏最小二乘(PLS) 定量分析模型。结果表明：拉曼光谱经标准正态变量(SSNV)预处理，结合SPA方法可以实现模型的优化，模型的预测精度得到提高，建模变量得到精简，棕榈酸模型的预测相关系数(Rp)和预测均方根误差(RMSEP)分别由0.917和2.191优化为0.981和1.078，建模变量由4000精简为44；十四烷酸模型的Rp和RMSEP分别由0.940和0.058优化为0.969和0.047，建模变量简化为43。该研究为山茶油中脂肪酸的定量分析提供了一种快速分析方法。

关键词：山茶油；拉曼光谱；棕榈酸；十四烷酸；连续投影算法

Quantitative Determination of Fatty Acids in Camellia Oil by Using Raman Spectroscopy

HAO Yong1,2，SUN Xu-dong1，GENG Xiang3

(1. College of Mechanical and Electronical Engineering, East China Jiaotong University, Nanchang 330013, China；

2. Jiangsu Hengshun Vinegar Industry Co. Ltd., Zhenjiang 212143, China；

3. Jiangxi Entry-Exit Inspection and Quarantine Bureau, Nanchang 330038, China)

Abstract：Raman spectroscopy (RS) was applied for the rapid quantitative determination of fatty acids (palmitic acid and tetradecanoic acid). Totally 70 camellia oil samples were prepared and subjected to Raman spectral analysis. Raw spectra, wavelet derivative (WD) spectra and standard normal variate (SNV) spectra combined with successive projections algorithm (SPA) were adopted to optimize partial least square (PLS) models for quantitative analysis of fatty acids. The results showed that standard normal variate (SNV) and SPA could be used for the optimization of PLS models of fatty acids. The precision of the models was improved, and modeling variables were simplified. The correlation coefficient of prediction (Rp) and root mean square error of prediction (RMSEP) for the palmitic acid model were optimized from 0.917 and 2.191 to 0.981 and 1.078, and the modeling variables were reduced from 4000 to 44. For the tetradecanoic acid model, the Rp and RMSEP were optimized from 0.940 and 0.058 to 0.969 and 0.047, and the modeling variables were 43. This study can provide a rapid method for the analysis of fatty acids in camellia oil.

Key words：camellia oil；Raman spectroscopy；palmitic acid；tetradecanoic acid；successive projection algorithm

中图分类号：O655 文献标志码：A 文章编号：1002-6630(2013)18-0137-04

doi:10.7506/spkx1002-6630-201318027

山茶系山茶科山茶属植物，是我国特有的一种含油率较高的多年生木本油料作物，它与油棕、橄榄、椰子并誉为世界四大木本食用油源树种。山茶油，又名茶油、油茶籽油、茶籽油，是由油茶籽加工提炼而得到的一种高品位、高营养价值的食用植物油，易被人体消化吸收，能降低胆固醇，抑制和预防冠心病、高血压等心脑血管疾病，是一种纯天然的绿色保健食品[1-2]。山茶油中含有丰富的脂肪酸，包括棕榈酸、十四烷酸、硬脂酸、花生酸、油酸和亚油酸等[3]。膳食中摄入饱和脂肪酸越多，血清总胆固醇水平越高，心血管疾病的发病率越高；摄入一定数量的单不饱和脂肪酸却反而可以降低血清总胆固醇水平，同时饱和脂肪酸能够在很大程度上促进婴儿对能量和钙的吸收，大幅度减少钙质的流失，提高婴儿骨骼矿物质的密度[4]。因此，对山茶油中脂肪酸的定量分析非常重要。棕榈酸和十四烷酸是山茶油中常见的两种饱和脂肪酸，通过测定其在山茶油中的质量分数，可以为不同需求人群的山茶油摄入量提供参考。

目前，山茶油成分的测定主要采用化学分析方法，如液相色谱法、气相色谱法以及气相色谱-质谱联用等[5-6]，这些分析方法的操作步骤繁琐、需要化学试剂进行试样的制备等缺点。拉曼光谱是一种分子散射光谱，利用物质的特征拉曼光谱可实现对其结构、成分、浓度等的检测。目前拉曼光谱的分析主要还是利用典型物质的光谱或标准谱图对未知光谱实现比较、鉴别和定性分析[7-9]。由于标准谱库建立的难度和光谱数据处理与分析的复杂性，多组分混合物样品拉曼光谱的定量分析到目前为止还存在很多困难[10]。

本实验采用拉曼光谱和偏最小二乘(partial least square，PLS)的多元校正方法对山茶油中的棕榈酸和十四烷酸进行定量分析，并采用不同的光谱预处理方法[11]和连续投影的变量筛选方法[12-14]对定量模型进行优化，以期为山茶油中脂肪酸的定量测定提供一种快速、高效和无损的分析方法。

1 材料与方法

1.1 材料与试剂

山茶油(浸提和压榨)样品由江西某茶油生产企业提供；棕榈油、菜籽油 市购。实验样品由不同质量分数的棕榈油和菜籽油掺入山茶油中配制而成。

1.2 仪器与设备

6890N-5975B气相色谱-质谱仪 美国Agilent公司；SENTERRA激光共焦显微拉曼光谱仪 德国布鲁克光学仪器公司。

1.3 方法

1.3.1 拉曼光谱仪器参数条件

Olympus BX51光学显微镜；光谱采集软件为OPUS 6.5。测量的波数精度1cm－1；光谱采集时选择的激光功率100mW；积分时间1s；光谱扫描范围90～3500cm－1；温度控制在23～25℃。

1.3.2 样品的制备及脂肪酸质量分数的测定

表 1 山茶油样品的配制信息

Table 1 Blending of camellia oil with different proportions of palm oil or rapeseed oil

为了获得不同质量分数的棕榈酸和十四烷酸的山茶油，分别在浸提山茶油和压榨山茶油中掺入不同体积分数的棕榈油和菜籽油，配制70个样本，样品的配制均在室温条件下进行。将70个实验样品按照个数比近似2:1的比例进行校正集和验证集的划分，46个为校正样品，24个为验证样品。划分时采用Kennard-Stone算法[15]，使得校正集的样品信息包含验证集样品的信息。样品的配制信息如表1所示。将配制好的掺杂茶油每份30g至于烧杯中，充分搅拌后密封备用。

气相色谱条件：DB-5ms弹性石英毛细管色谱柱(30m×0.25mm，0.25μm)；载气为高纯氦气，纯度99.995%；程序升温：120℃保持2min，以8℃/min升至260℃，保持10min；柱前压47kPa；分流比1:80；进样口温度280℃；接口温度250℃；进样量0.1μL。质谱条件：电子电离(electron ionization，EI)源；电子能量70eV；四极杆温度150℃；离子源温度230℃[16]。两种脂肪酸质量分数的统计信息如表2所示。

表 2 山茶油脂肪酸质量分数统计信息

Table 2 Statistical information of fatty acid contents in camellia oil samples

1.3.3 模型的建立和评价

采用PLS建立光谱模型，模型的评价指标包括交叉验证均方根误差(root mean square error of cross validation，RMSECV)、预测相关系数(correlation coefficient，Rp)、预测均方根误差(root mean square error of prediction，RMSEP)。Matlab R2010a用于光谱数据预处理和偏最小二乘模型的建立。其中Rp越大，RMSECV/RMSEP越小，模型的预测能力越好。

2 结果与分析

2.1 光谱预处理方法的选择

图 1 山茶油样品的原始拉曼光谱图(a)及截取后的谱图(b)

Fig.1 Raw and selected Raman spectra of camellia oil samples

从图1a可以看出，原始光谱在拉曼位移大于2100～2800cm－1之后包含了大量的无用信息，虽然在2850、2880、2950、3015cm－1处存在拉曼响应，但由于在这些波数处光谱存在重叠，信噪比较大[17-18]，因此，本实验对原始光谱进行截取，选择拉曼位移范围为90～2089cm－1的光谱进行建模分析，每条拉曼光谱包含4000个数据点。截取后的谱图如图1b所示。

表 3 不同预处理方法的建模结果比较

Table 3 Comparison of modeling results obtained with different preprocessing methods

图 2 校正集中两种脂肪酸含量与不同拉曼位移处光谱峰强的相关性图

Fig.2 Correlation coefficient between Raman spectral shift intensity and the contents of two fatty acids for calibration dataset

样品的拉曼光谱除包含样品自身的组分信息外，还包含电噪音、样品背景和杂散光等无用信息。虽然原始光谱图经截取后光谱质量有所提高，然而包含在光谱中的无用信息仍无法消除。本实验分别采用小波导数(wavelet derivative，WD)和标准正态变量变换(standard normal variate，SNV)两种预处理方法对原始光谱进行有效信息提取，并对原始光谱和预处理后的光谱进行PLS建模，结果如表3所示。从表3可知，对于山茶油的光谱经SNV预处理后，两种脂肪酸都得到了最好的预测结果。对于棕榈酸，模型的Rp由原始光谱的0.917提高为0.976，对于十四烷酸，模型的Rp由原始光谱的0.940提高为0.967；同时两种脂肪酸的RMSECV和RMSEP都得到了降低。采用拉曼光谱进行组分的定量分析时，传统的计量方法采用线性回归。由于茶油的拉曼吸收峰较丰富，很难选择某一峰位作为茶油的特征峰。图2反映了46个校正样品不同拉曼位移处拉曼峰强和两种脂肪酸含量之间的相关性(也就是两个向量间的相关性)，茶油中棕榈酸和十四烷酸含量由气相色谱-质谱仪测定出，峰强值从仪器中直接读出。从图2可知，棕榈酸在1460cm－1处，样品的吸收峰与棕榈酸含量的相关性最好，达到0.670；十四烷酸在1483.5cm－1处的相关性最好，为0.600，分别以1460cm－1和1483.5cm－1作为两种脂肪酸的特征吸收峰建立线性回归模型，并采用建立的模型对测试集样品进行预测，结果如表3所示。从表3可知，采用单一吸收峰建立线性回归模型的预测精度比PLS方法建立的模型预测精度低，主要原因是PLS方法充分考虑了各个吸收峰对模型的贡献，同时该方法具有降噪和基线校正的作用。

2.2 SPA方法用于建模变量的优选

SPA变量优选方法能够有效剔除众多波长变量间的共线性影响，降低模型的复杂度，提高建模的速度和效率，以其简便、快速的特点得到越来越多的应用，在多种样品波长选取中得到了很好的效果。采用SPA方法对经SNV预处理后的拉曼光谱进行建模变量的优选，并对选择后的变量进行PLS建模。优选的建模变量数目与模型的预测结果如表4所示。由表4可知，对于两种脂肪酸的拉曼光谱，经SPA方法变量优选后，建模变量得到明显减小，分别由4000减少至44和43个，模型的RMSEP都得到了减小，Rp得到了进一步的提高。选出的波数点分别涵盖了文献中报道的脂肪酸特征拉曼吸收峰[17-18]。

表 4 变量优选前后棕榈酸和十四烷酸模型的预测结果比较

Table 4 Comparison of modeling results for palmitic acid and tetradecanoic acid with and without optimization of variables

图 3 棕榈酸质量分数的参考值和预测值的相关关系图

Fig.3 Consistency between the reference and predicted contents for palmitic acid

图 4 十四烷酸质量分数的参考值和预测值的相关关系图

Fig.4 Consistency between the reference and predicted contents for tetradecanoic acid

分别对验证集样品的棕榈酸和十四烷酸质量分数的气相色谱-质谱测定值和拉曼光谱模型的预测值进行拟合，结果如图3、4所示。由图3、4可知，对于两种脂肪酸质量分数的相关关系图，拟合效果较好，表明所建立的模型可靠性较好，校正和验证集样本中两种脂肪酸质量分数的分布较为合理。

3 结 论

采用拉曼光谱对山茶油中棕榈酸和十四烷酸质量分数进行快速定量分析，不同的光谱预处理方法和基于SPA的变量优选方法用于光谱模型的优化。结果表明，山茶油的拉曼光谱经SNV预处理后，采用SPA-PLS对两种脂肪酸进行建模分析，模型的预测精度都得到了明显提高，建模变量得到极大地缩减。拉曼光谱结合化学计量学方法有望为山茶油中脂肪酸的定量分析提供了一种快速、高效和无损的方法。

参考文献：

[1] 王亚萍, 方学智, 聂明, 等. 几种抗氧化剂对山茶油的氧化抑制作用研究[J]. 中国油脂, 2010, 35(1): 47-50.

[2] WANG Li, FRANK S C, WANG Xiaoru, et al. Feasibility study of quantifying and discriminating soybean oil adulteration in camellia oils by attenuated total reflectance MIR and fiber optic diffuse reflectance NIR[J]. Food Chemistry, 2006, 95(3): 529-536.

[3] ALAM Z. Triacylglycerols composition, oxidation and oxidation compounds in camelliaoil using liquid chromatography-mass spectrometry[J]. Chemistry and Physics of Lipids, 2012, 165(5): 608.

[4] JUNG E, LEE J, BAEK J, et al. Effect of Camellia japonicaoil on human type Ⅰ procollagen production and skin barrier function[J]. Journal of Ethnopharmacology, 2007, 112(1): 127-131.

[5] 严晓丽, 徐昕. 气相色谱法鉴别掺假山茶油定性及定量研究[J]. 食品工程, 2011(2): 47-49.

[6] 龙奇志, 黄永辉, 钟海雁, 等. 茶油挥发性成分的固相微萃取-气相色谱-质谱分析[J]. 中国食品学报, 2009, 9(3): 187-194.

[7] DAS R S, AGRAWAL Y K. Raman spectroscopy: recent advancements, techniques and applications[J]. Vibrational Spectroscopy, 2011, 57(2): 163-176.

[8] ZHU Guangyong, ZHU Xian, FAN Qi, et al. Raman spectra of amino acids and their aqueous solutions[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2011, 78(3): 1187-1195.

[9] SHIH C J, LUPOI J S, SMITH E A. Raman spectroscopy measurements of glucose and xylose in hydrolysate: role of corn stover pretreatment and enzyme composition[J]. Bioresource Technology, 2011, 102(8): 5169-5176.

[10] WANG Qi, LONERGAN S M, YU Chenxu. Rapid determination of pork sensory quality using Raman spectroscopy[J]. Meat Science, 2012, 91(3): 232-239.

[11] HUANG Zhuangrong, SHA Sha, RONG Zhengqin, et al. Feasibility study of near infrared spectroscopy with variable selection for non-destructive determination of quality parameters in shell-intact cottonseed[J]. Industrial Crops and Products, 2013, 43: 654-660.

[12] PAIVA H M, SOARES S F C, GALVAO R K H, et al. A graphical user interface for variable selection employing the successive projections algorithm[J]. Chemometrics and Intelligent Laboratory Systems, 2012, 118(15): 260-266.

[13] PONTES M J C, GALVAO R K H, ARAUJO M C U, et al. The successive projections algorithm for spectral variable selection in classification problems[J]. Chemometrics and Intelligent Laboratory Systems, 2005, 78(1): 11-18.

[14] MAHDI G V, SEYED S M, MARIA L R M, et al. Screening analysis of beer ageing using near infrared spectroscopy and the successive projections algorithm for variable selection[J]. Talanta, 2012, 89(1): 286-291.

[15] ROBERTO K H G, MARIO C U A, GLEDSON E J, et al. A method for calibration and validation subset partitioning[J]. Talanta, 2005, 67(4): 736-740.

[16] MANZANO E L R, RODRIGUEZ S, NAVAS N, et al. Study of the GC-MS determination of the palmitic-stearic acid ratio for the characterisation of drying oil in painting[J]. Talanta, 2011, 84(4): 1148-1154.

[17] MUIK B, LENDL B, MOLINA-DIAZ A, et al. Direct monitoring of lipid oxidation in edible oils by Fourier transform Raman spectroscopy[J]. Chemistry and Physics of Lipids, 2005, 134(2): 173-182.

[18] EI-ABASSY R M, DONFACK P, MATERNY A. Assessment of conventional and microwave heating induced degradation of carotenoids in olive oil by VIS Raman spectroscopy and classical methods[J]. Fodd Research International, 2010, 43(3): 694-700.