电子鼻结合气相色谱-质谱法对宁夏小尾寒羊肉中鸭肉掺假的快速检测

王 綪,李 璐,王佳奕,张 娟,王远一飞,丁 武*

(西北农林科技大学食品科学与工程学院,陕西 杨凌 712100)

摘 要:以宁夏小尾寒羊为研究对象,将熟化的鸭肉按照不同比例掺入到羊肉中制作成掺假肉样,利用电子鼻和气相色谱-质谱法对肉样进行快速检测。通过电子鼻对肉样挥发性成分的响应,利用Fisher线性判别分析,线性回归拟合分析等进行定性定量判别和模型的建立。同时利用固相微萃取结合气相色谱-质谱联用仪对样品进行检测。结果表明,Fisher线性判别分析能区分不同样品,线性回归拟合分析相关系数高达0.965,利用Fisher线性判别分析预测掺假正确率为98.2%。气相色谱-质谱法共检测到26 种挥发性化合物,3-环庚烯-1-酮、3-甲基丁醛等被认为在区分不同样品中起重要作用。利用电子鼻和气相色谱-质谱法数据建立偏最小二乘模型回归方程的决定系数均高于0.950。得到传感器S1、S3、S5、S6、S8和S9的响应值与气相色谱-质谱结果具有较高的相关性。

关键词:羊肉;鸭肉;电子鼻;气相色谱-质谱法;多元分析方法

Abstract: A rapid method to detect mutton adulterated with duck by electronic nose combined with gas chromatgraphymass spectrometry (GC-MS) was proposed and validated by applying it on adulterated samples of Ningxia small-tailed han sheep meat with different amounts of cooked meat added. The electronic nose responses to the volatile components of meat samples were used to establish qalitative and quantitative models through Fisher linear discriminant analysis(FLDA) and linear regression analysis. Meanwhile, solid phase microextraction coupled with GC-MS was used to detect the volatile compounds. The results showed that different proportions of adulteration could be distinguished by FLDA with an accuracy rate of 98.2%. The correlation coeffi cient from linear regression analysis was as high as 0.965. A total of 26 volatile compounds were detected by GC-MS, including 3-cyclohepten-1-one and 3-methyl butyraldehyde, which played a signifi cant role in the discrimination of different adulterated samples. The partial least squares regression models established based on the electronic nose and GC-MS data exhibited a determination coeffi cient of greater than 0.950. There was a high correlation between the response values of sensors S1, S3, S5, S6, S8 and S9 and the GC-MS data.

Key words: mutton; duck; electronic nose; gas chromatography-mass spectrometry (GC-MS); multivariate analysis method DOI∶10.7506/spkx1002-6630-201720032

羊肉因其脂肪和胆固醇含量低,蛋白质、氨基酸、钙、钾等矿物质含量高而倍受消费者的青睐[1]。在肉制品生产量和销售量很高的中国,羊肉居民肉品消费中占有很大比例,为市场带来了较高的经济效益。宁夏小尾寒羊是我国的地方优良品种,具有产肉性能好、繁殖率高等优点[2],是我国西北地区主要的羊肉制品来源。但是,市场上存在将羊膘与鸡肉、鸭肉混合或仅添加羊肉粉等香精处理后冒充宁夏小尾寒羊羊肉进行销售。这种现象严重干扰了正常的市场竞争,损害了消费的身体健康,影响了广大穆斯林群众的消费。如何实现快速且准确地鉴别羊肉掺假是我国动物源性食品安全研究的关键问题,因此,研究快速检测羊肉中其他肉类的掺假的方法极为重要。

目前,肉制品掺假的安全检测主要集中在聚合酶链式反应法[3-5]、气相色谱法和液相色谱法[6-8]、近红外光谱法[9-11]、酶联免疫吸附法[12-15]等。与此同时,电子鼻作为一种基于生物嗅觉模式建立起来的检测系统,有着操作简单、快速的特点,但其无法对样品中各组分进行准确定量[16-17],而气相色谱-质谱(gas chromatography-mass spectrometry,GC-MS)法有准确定性、定量的特点,两者结合起来使用,极大地发挥了仪器的优势[18],在肉品掺假检测等方面起到了很好的作用。Hansen等[19]用电子鼻结合GC-MS法鉴别了肉类加工中的原材料,结果表明方差偏最小二乘回归法和主成分分析法可以用于分析电子鼻结合GC-MS检验的数据结果。Nurjuliana等[20]用同样的方法检测了清真肉及肉制品的真实性时,得出该种方法可以准确鉴定清真原料肉和香肠中是否含有猪肉。由此说明,不同掺假物质的挥发性成分是可以被电子鼻和GC-MS检测出来的,并且GC-MS还可准确对其定量,这为电子鼻结合GC-MS检测不同程度掺假羊肉提供了依据。目前,鉴于鸭肉有价格便宜、与羊肉口感相似等特点,许多商家有在羊肉中掺入鸭肉进行销售的行为[21],本实验以这种掺假羊肉为研究对象,采用电子鼻结合固相微萃取-GC-MS(solid phase microextraction-GC-MS,SPME-GC-MS)联用仪检测不同比例的鸭肉掺假羊肉样品,通过电子鼻传感器对肉品挥发性成分的响应,利用Fisher线性判别分析(Fisher linear discriminant analysis,FLDA)、线性回归拟合分析等方法对结果进行定性定量分析。并在数据选择上,利用稳健马氏距离法剔除异常值[22],duplex法对训练集和验证集进行划分[23]

1 材料与方法

1.1 材料与试剂

宁夏小尾寒羊羊肉后腿肉、山东优质鸭腿肉 杨陵农贸市场;实验开始前于4 ℃冰箱保存,肉样均为现用现买,最大程度保持新鲜。

甲醇、邻二氯苯(均为色谱纯) 上海阿拉丁公司。

1.2 仪器与设备

PEN3电子鼻 德国Airsense公司;7890-5975C GC-MS联用仪 美国Agilent公司;手动SPME进样器、固定装置、75 μm碳分子筛/聚二甲基硅氧烷(carboxen/polydimethylsiloxane,CAR/PDMS)萃取头 上海安谱实验科技股份有限公司;水浴锅 山海赫田科学仪器有限公司;杰博士MG-1220绞肉机 佛山金宜美电器有限公司;进样瓶(带PTFE密封垫片) 美国Hach公司。PEN3电子鼻性能与参数见表1。

表1 PEN3电子鼻传感器名称及性能描述
Table 1 Sensors and their performance used in electronic nose (PEN3)

1.3 方法

1.3.1 羊肉掺假鸭肉样品的制备

将生鲜羊肉和鸭肉分别绞碎,按照0%、10%、30%、50%、70%、100%的比例将鸭肉掺入羊肉中制成掺假肉样,再次搅拌使其充分混匀。取10 g肉样于50 mL进样瓶内,保鲜膜封口,置于90 ℃水浴熟制1 h[24]。熟制标准为无红血丝。在实验开始前置于4 ℃冰箱密封保存备用。每个处理10 个平行。

1.3.2 电子鼻检测

取10 g肉样与50 mL电子鼻进样瓶内密封,上机前于50 ℃水浴锅保温30 min,室温平衡30 min。保证所有样品24 h内测量完成,以最大程度降低样品之间的其他差异。每个处理10 个平行,每隔10 d重复实验,重复4 次。

经预实验对相关参数优化后,设置电子鼻实验参数为:样品准备5 s;检测时间60 s;测量计数1 s;自动调零时间10 s;清洗时间300 s;内部流量400 mL/min;进样流量400 mL/min。

1.3.3 SPME-GC-MS检测

1.3.3.1 内标物溶液的配制

称取5.55 mg的邻二氯苯,用甲醇定容至100 mL,配制成0.055 5 μg/μL的邻二氯苯-甲醇溶液。作为内标物溶液进行后续分析。

1.3.3.2 SPME提取挥发性成分

将SPME萃取头置于GC-MS进样口进行老化后,于装有10 g掺假肉样的50 mL进样瓶中加入2 μL内标物溶液后,迅速盖上带有PTFE密封垫片的瓶盖,置于50 ℃水浴锅预热10 min。插入SPME萃取头吸附30 min,然后取下萃取头在GC-MS进样口于260 ℃解吸5 min。每个掺假肉样制作3 个平行。

1.3.3.3 GC-MS检测

整个模式采用不分流进样,利用分化毛细管柱(30 m×250 μm,0.25 μm)进行挥发性化合物的分离。GC相关参数经预实验优化后设定条件:升温程序:起始温度40 ℃,保持3 min,以8 ℃/min升温到80 ℃,然后以10 ℃/min升温到200 ℃。总计时长20 min。MS条件:电子电离源;电子能量70 eV;离子源温度230 ℃;四极杆温度150 ℃;质量扫描范围m/z 35~400。

1.4 数据处理

采用基于最小协方差估计的稳健马氏距离异常值检测方法剔除异常值[22]。对数据进行线性判别分析(linear discriminant analysis,LD A),线性回归拟合分析等。建立FLDA,验证模型正确率。GC-MS检测挥发性成分的定性分析采用计算机谱库(NIST)进行检索确定。

FLDA分析采用SPSS 20软件处理;线性回归拟合分析和偏最小二乘(partial least squares,PLS)分析采用Minitab处理;异常值检测,训练集及验证集划分采用Matlab R 2010a处理。

2 结果与分析

2.1 电子鼻数据分析

2.1.1 电子鼻传感器响应信号分析

图1 电子鼻对羊肉掺假鸭肉的响应
Fig. 1 Electronic nose sensor responses to volatile components of mutton adulterated with duck

若有挥发性物质检出,则传感器响应曲线向上或向下偏离1,若没有则在1附近区域平稳。响应曲线图能够反映出每个电子鼻传感器对挥发性物质的响应情况,以此显示待测样品在哪些传感器中有较高响应值。图1为以50%的一个掺假肉样为例绘制而成。进样后,电子鼻的10 个传感器响应值逐渐偏离基线,然后趋于平稳并在55 s后多数传感器达到稳定状态,故选取56~59 s平均响应值作为特征值。如图1所示,肉样最高响应值达到8以上,说明肉样的挥发性成分浓度较高。其他传感器变化不大,而S7和S2急剧增加,这意味着掺假肉样中的硫化物和氮氧化合物含量较高。对于羊肉和鸭肉,烃类和醇类有助于提高肉品的整体风味。含硫含氮含氧化合物对肉品风味贡献必不可少,有研究得出熟制羊肉中二硫化碳、二甲基硫醚及2-乙酰基-2-噻唑啉等含硫含氮化合物在含量上比生鲜羊肉高很多[25]。水煮鸭肉中出现2-戊基呋喃、二甲基三硫化合物等[26]。诸如此类物质的变化可能导致熟制肉样S7和S2传感器检测到的响应值急剧增加,由此说明电子鼻能较好反映出掺假肉样的总体挥发性成分信息。

图2 电子鼻对羊肉掺假鸭肉响应雷达图
Fig. 2 Radar plots of the responses of the sensors to mutton adulterated with duck

除了响应曲线,雷达图能够较好地反映出在区分不同样品中起着主要作用的传感器。如图2所示,S2和S7对于不同样品的响应有十分显著的差异,其他传感器变化不大。并且响应最高值接近10。分析原因可能是肉品熟化后产生高浓度的挥发性风味物质,并且种类相对集中。

2.1.2 LDA结果

图3 掺假肉样异常值检测
Fig. 3 Outlier diagnosis plots for mutton adulterated with duck

本研究有6 组样品,每个样品做40 个平行。按照稳健马氏距离剔除异常值方法,每个样品剔除8 个异常值。图3为以一个样品为例剔除异常值方法。在40 个平行样品中1、16、18、21、22、29、33、40号样品为异常值被剔除。用相同方法分别对240 个样品进行处理,剩余192 个供分析。LDA是统计模式识别方法之一,其目的是从高维特征空间中抽取最具鉴别能力的低维特征,当样本数据在该低维特征上投影后,不同类别的样本尽可能分开,而相同类别的样本则尽可能的聚集[27]。通过将高维点向低维点的投影来提取特征值,将空间划分为若干个子空间。

图4 羊肉掺假鸭肉线性分析二维图(A)和三维图(B)
Fig. 4 Two-dimensional (A) and three-dimensional graphs (B) of LDA for mutton adulterated with duck

如图4A所示,LD1方差贡献率为76.5%,LD2贡献率为18.2%,总贡献率为94.7%。除去50%和70%样品分布区域有部分重叠外,其他样品可以被区分开。并且随着鸭肉含量的增加,各样品分布区域在第1主成分上离原始样品距离越来越远,呈现规律性分布,因此电子鼻能够更好地区分不同掺假比例的肉样。为了达到更加明显的区分效果,绘制LDA三维图,如图4B所示。三维图LD1贡献率为76.5%,LD2为18.2%,LD3为3.7%,总贡献率为98.4%。同样的只有50%、70%掺假肉样样本点间有部分重叠,其他样品区分良好。并且三维图同一样品点分布更加集中,使得不同样品间区分更加明显。

2.1.3 线性回归拟合分析

如图5所示,散点图从左至右分别为掺假比例0%、10%、30%、50%、70%、100%的肉样。所有样品实际值和预测值都比较接近,说明电子鼻能够对掺假肉样做出较为准确的预测,并且预测最低检测掺假比例可达到10%。

以预测掺假比例为因变量,10 个传感器响应值为自变量,得出图5相应的回归方程为:y=0.895+0.048x1-0.0871x2-3.66x3+0.0414x4+2.54x5-1.89x6+0.0597x7+2.98x8-1.38x9+0.222x10。该回归模型的决定系数为0.966,调整决定系数为0.965,回归拟合度高。表明羊肉掺假样品实际值与预测值拟合良好,回归模型预测可靠程度较高。

图5 掺假肉样回归模型图
Fig. 5 Good agreement between regression model predicted and actual data

2.1.4 FLDA预测模型的建立

预测模型的建立就是为了利用大部分数据建立的模型来对小部分数据做出正确的预测。因此模型建立所选取的有代表性的数据很重要,称为训练集。本研究利用一种计算机识别方法duplex方法,来划分训练集和验证集。使用这种方法分别将2 种掺假肉样都划分为训练集135 个,验证集57 个,划分结果见表2。

表2 掺假肉样分组结果
Table 2 Grouping of adulterated meat samples

用数字1~6分别代表掺假比例为0%、10%、30%、50%、70%、100%的羊肉掺假鸭肉肉样。利用SPSS软件,将训练集135 个样本数据作为FLDA模型的变量输入,上述6 个样品作为判别输出。由此提取出5 个维度的判别函数。

将训练集和验证集样本代入分类函数中,就可以得到最终的分类正确率,如表3所示,训练集回判正确率达到99.3%,交叉验证正确率达到95.6%,验证集预测正确率达到98.2%。所有样品中只有50%和70%掺假比例的2组样品中存在互相错判的情况。掺假肉样的各项回判正确率均高于95%,说明该模型适用性好,可以作为一种有效的分析工具应用到羊肉掺假鸭肉的电子鼻检测中。

表3 FLDA分类结果
Table 3 Results of FLDA classifi cation

2.2 SPME-GC-MS检测结果

由表4可知,从6 种羊肉掺假鸭肉样品中共检测到26 种挥发性化合物,分别为烷烃类(5)、酮类(5)、醛类(9)、醇类(5)、硫化物类(1)和含氮化合物(1)。利用方差分析对挥发性化合物的含量进行分析。在所有样品均含有的挥发性化合物中,大多数均在含量上有着显著差异。表明不同比例的羊肉掺假鸭肉所释放出来的挥发性化合物在含量上随掺假比例的不同而呈现出较大差异。其中化合物:巯基乙烷、3-甲基丁醛、3-环庚烯-1-酮、2,3-辛二酮、辛醛、2-辛烯-1-醇、吲哚、2-环己烯-1-醇,在区分不同掺假样品上有着最重要的影响。因为在不同样品中含量有着明显的区别,甚至很多化合物在一种或几种样品中含有,在其他样品中未被检测到。明显可以看到在检测到的化合物中,己醛含量较高,吲哚和2-环己烯-1-醇含量较低。另外,除了几种在鸭肉中含量较高的化合物外,其他化合物的含量均随着羊肉含量的减少而减少,分析原因是羊肉香气更浓郁,含有的挥发性化合物含量比鸭肉高。

表4 利用GC-MS从6 个掺假肉样中检测到的挥发性化合物含量
Table 4 Relative contents of the volatile compounds detected in six meat samples by GC-MS

注:同行不同小写字母表示差异显著(最小显著性差异法,P<0.05);—.未检出。

检测出的烃类,如戊烷、2-甲基-3-乙基-1,3-己二烯、辛烷,在鸭肉中时长出现,尤其是煮熟的鸭肉中[28],但这几种物质在鸭肉和羊肉中都有,其存在并不能很大程度上反映出不同样品之间的区别。如表4所示,在羊肉含量较大的样本中没有巯基乙烷、3-甲基丁醛和吲哚的存在,但是它们出现在鸭肉含量很高的样品中。有研究表明,3-甲基丁醛是鸭肉中主要含有物质[25],吲哚也是在鸭肉中检测到的化合物,但是它并不来自鸭肉本身,而是鸭肉在熟化的过程中产生的反应产物。随着鸭肉含量的增多,逐渐出现吲哚。诸如这类物质也在羊肉掺假鸭肉的不同样品的区分中起着重要的作用。还有一类化合物,如3-环庚烯-1-酮、2-辛烯-1-醇、2-环己烯-1-醇,它们在羊肉中含有较高水平的含量,并在纯鸭肉中消失。在这些物质中3-环庚烯-1-酮被认为是羊肉中存在的主要的物质,然而,它们在鸭肉中也有较少量存在[28]。尽管这类物质在样品中的含量很少,但它们的存在对区分不同掺假比例的羊肉样品有着巨大的贡献。很多其他的物质在羊肉和鸭肉样品中均检测到,例如2-戊基呋喃也曾在鸭肉中被检测到[29]。3-羟基丁酮是鸭肉中主要含有的化合物,但是在羊肉中也存在[30]

2.3 电子鼻与GC-MS实验结果相关关系

为了探究GC-MS与电子鼻数据的相关性,利用PLS建立2 种仪器数据的数学模型,利用模型中决定系数R2的大小来判断2 种仪器在测定上的相关性。为了便于数据处理的方便,把利用GC-MS得到26 种挥发性化合物进行高一级种属的划分。总共划分为4 大类物质:烃类、酮类、醛类和醇类,并将各种化合物的含量按照划分种属进行合并,如表5所示。这样的划分使数据具有代表性,并且更利于清晰PLS模型的建立。

表5 GC-MS挥发性化合物含量
Table 5 Relative contents of four classes of volatile compounds based on GC-MS data

根据PLS模型的原理,以电子鼻10根传感器数据为自变量,以从GC-MS得到的4 大类化合物的含量为因变量来建立模型,决定系数R2数值越高,证明2 种仪器得到的数据相关性越高,模型可靠性和适用性越高。4 个回归方程和决定系数值R2分别为0.950、0.955、0.966、0.959。

图6 电子鼻和GC-MS挥发性物质实际值与预测值的PLS模型结果
Fig. 6 Good agreement between actual and PLS predicted contents of volatile compounds based on E-nose and GC-MS data

回归方程y1、y2、y3、y4分别代表烃类、酮类、醛类和醇类的含量,x1~x10代表电子鼻10 个传感器的响应值,以此建立4 个回归方程。如图6所示,PLS模型反映了烃类、酮类、醛类和醇类4 大类物质的实际含量与模型的预测含量之间的关系。可以看到4 个方程的R2均大于0.950,表明PLS模型实际值和预测值表现良好。说明GC-MS与电子鼻实验数据在区分羊肉掺假鸭肉方面具有高度的相关性。在第1个回归方程中,S1、S5、S6、S8和S9的系数绝对值较高,说明烃类的含量受这几个传感器的影响较大,其他方程同理。总的来说,电子鼻传感器S1、S3、S5、S6、S8和S9的响应值对GC-MS检测到的4 种挥发性化合物大类的预测含量影响较大。根据表1,这些传感器对芳香类物质、氨、烷烃类、甲烷、乙醇和含硫化合物敏感,与GC-MS检测的4 大类物质部分保持一致。通过GC-MS检测出的具体挥发性化合物以及其与电子鼻传感器响应值的关系,电子鼻实验的准确性和可靠性更加能够得以体现。

3 结 论

利用duplex方法划分训练集和验证集,使样本数据更具代表性,实验结果更加可靠;FLDA二维图样本区分良好;线性回归模型预测可靠程度很高,说明电子鼻技术在羊肉掺假鸭肉的定性定量判别中应用可行;在FLDA模型中,预测正确率高达98.2%。验证了电子鼻技术应用于羊肉掺假鸭肉研究的可行性。SPME-GC-MS共得到26 种挥发性化合物,其中巯基乙烷、3-甲基丁醛、3-环庚烯-1-酮等8 种物质因其在不同样品中含量差异较大,被认为是区分不同样品的重要化合物。GC-MS与电子鼻数据结果建立的PLS模型决定系数均大于0.950,具有很好的相关性。表明电子鼻和GC-MS结果可以相互验证。

肉类掺假比例的设定还可以进一步细化,并探究电子鼻技术在羊肉掺假鸭肉快速检测中的精确度。模型的建立相对单一,除去宁夏小尾寒羊,可以进一步考察不同产地,不同品种的羊肉和鸭肉掺假模型的建立,增大样本量;另外,与单纯利用电子鼻分析相比,电子鼻与GC-MS、液相色谱-质谱联用仪等的结合应当被推广研究,以细化到具体的挥发性物质在电子鼻识别响应中的作用。

参考文献:

[1] TIAN H L, ZHAN P, LI W G, et al. Contribution to the aroma characteristics of mutton process fl avor from oxidized suet evaluated by descriptive sensory analysis, gas chromatography, and electronic nose through partial least squares regression[J]. European Journal of Lipid Science and Technology, 2014, 116(11)∶ 1522-1533.DOI∶10.1002/ejlt.201300473.

[2] 庞其艳, 胡皋, 邓国维. 小尾寒羊在宁夏川区生产性能与适应性研究[J]. 宁夏农林科技, 1996(5)∶ 41-44.

[3] CALVO J H, ZARAGOZA P, OSTA R. A quick and more sensitive method to identify pork in processed and unprocessed food by PCR amplification of a new specific DNA fragment[J]. Journal of American Society of Animal Science, 2001, 79(8)∶ 2108-2112.DOI∶10.2527/2001.7982108x.

[4] 史艳宇, 刘金华, 王莹, 等. 聚合酶链式反应快速检测畜肉食品中鸭源性成分[J]. 食品科学, 2014, 35(10)∶ 163-165. DOI∶10.7506/spkx1002-6630-201410030.

[5] KARABASANAVAR N S, SINGH S P, KUMAR D, et al.Development and application of highly specifi c PCR for detection of chicken (Gallus gallus) meat adulteration[J]. European Food Research and Technology, 2013, 236(1)∶ 129-134. DOI∶10.1007/s00217-012-1868-7.

[6] VON BARGEN C, BROCKMEYER J, HUMPF H U. Meat authentication∶ a new HPLC-MS/MS based method for the fast and sensitive detection of horse and pork in highly processed food[J].Journal of Agricultural and Food Chemistry, 2014, 62(39)∶ 9428-9435.DOI∶10.1021/jf503468t.

[7] 张颖颖, 赵文涛, 李慧晨, 等. 液相色谱串联质谱对掺假牛肉的鉴别及定量研究[J]. 现代食品科技, 2017, 33(2)∶ 230-237. DOI∶10.13982/j.mfst.1673-9078.2017.2.035.

[8] 李莹莹, 张颖颖, 丁小军, 等. 液相色谱-串联质谱法对羊肉中鸭肉掺假的鉴别[J]. 食品科学, 2016, 37(6)∶ 204-209. DOI∶10.7506/spkx1002-6630-201606037.

[9] 杨志敏, 丁武. 近红外光谱技术快速鉴别原料肉掺假的可行性研究[J]. 肉类研究, 2011, 25(2)∶ 25-28. DOI∶10.3969/j.issn.1001-8123.2011.02.007.

[10] 张玉华, 孟一, 姜沛宏, 等. 近红外技术对不同动物来源肉掺假的检测[J]. 食品工业科技, 2015, 36(3)∶ 316-319; 334. DOI∶10.13386/j.issn1002-0306.2015.03.058.

[11] SAHAR A, DUFOUR É. Use of Fourier transform-infrared spectroscopy to predict spoilage bacteria on aerobically stored chicken breast fillets[J]. LWT-Food Science and Technology, 2014, 56(2)∶315-320. DOI∶10.1016/j.lwt.2013.12.009.

[12] 林桢. 酶联免疫技术及其在肉品安全快速检测中的应用[J]. 食品安全导刊, 2013(3)∶ 76-77. DOI∶10.16043/j.cnki.cfs.2013.03.022.

[13] KOTOURA S, MURAKAMI-YAMAGUCHI Y, NAKAMURA M,et al. A sandwich ELISA for the determination of beef meat content in processed foods[J]. Food Science and Technology Research, 2009,15(6)∶ 613-618. DOI∶10.3136/fstr.15.613.

[14] KOTOURA S, MURAKAMI-YAMAGUCHI Y, KIZU K, et al.Establishment of a sandwich ELISA for the determination of beef content in processed foods by using monoclonal antibodies to myoglobin[J]. Food and Agricultural Immunology, 2012, 23(3)∶ 289-301. DOI∶10.1080/09540105.2011.624176.

[15] KREUZ G, ZAGON J, BROLL H, et al. Immunological detection of osteocalcin in meat and bone meal∶ a novel heat stable marker for the investigation of illegal feed adulteration[J]. Food Additives and Contaminants, 2012, 29(5)∶ 1-11. DOI∶10.1080/19440049.2011.645219.

[16] TIAN X J, WANG J, CUI S Q. Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors[J].Journal of Food Engineering, 2013, 119(4)∶ 744-749. DOI∶10.1016/j.jfoodeng.2013.07.004.

[17] 田晓静, 王俊, 崔绍庆. 电子鼻快速检测区分羊肉中的掺杂鸡肉[J]. 现代食品科技, 2013, 29(12)∶ 2997-3001. DOI∶10.13982/j.mfst.1673-9078.2013.12.038.

[18] 杜锋, 雷鸣. 电子鼻及其在食品工业中的应用[J]. 食品科学, 2003,24(5)∶ 161-163. DOI∶10.3321/j.issn∶1002-6630.2003.05.041.

[19] HANSEN T, PETERSEN M A, BYRNE D V. Sensory based quality control utilising an electronic nose and GC-MS analyses to predict end-product quality from raw materials[J]. Meat Science, 2005, 69(4)∶621-634. DOI∶10.1016/j.meatsci.2003.11.024.

[20] NURJULIANA M, MAN Y B C, HASHIM D M, et al. Rapid identification of pork for halal authentication using the electronic nose and gas chromatography mass spectrometer with headspace analyzer[J]. Meat Science, 2011, 88(4)∶ 638-644. DOI∶10.1016/j.meatsci.2011.02.022.

[21] 黄洁. 鸭肉串加羊油变身“羊肉串”[J]. 食品安全导刊, 2014(14)∶ 29.

[22] VERBOVEN S, HUBERT M. LIBRA∶ a MATLAB library for robust analysis[J]. Chemometrics and Intelligent Laboratory Systems, 2005,75(2)∶ 127-136. DOI∶10.1016/j.chemolab.2004.06.003.

[23] HE Q P, QIN S J, WANG J. A new fault diagnosis method using fault directions in Fisher discriminant analysis[J]. AIChE Journal, 2005,51(2)∶ 555-571. DOI∶10.1002/aic.10325.

[24] 赵万余, 李爱华. 宁夏滩羊不同部位肉中挥发性风味物质分析[J]. 安徽农业科学, 2012, 40(5)∶ 2725-2727. DOI∶10.13989/j.cnki.0517-6611.2012.05.236.

[25] GRAVADOR R S, SERRA A, LUCIANO G, et al. Volatiles in raw and cooked meat from lambs fed olive cake and linseed[J]. Animal,2015, 9(4)∶ 715-722. DOI∶10.1017/S1751731114002730.

[26] 刘源, 周光宏, 徐幸莲, 等. 顶空固相微萃取气质联用检测鸭肉挥发性风味成分[J]. 江苏农业学报, 2005, 21(2)∶ 131-136.

[27] 杨春杰, 丁武, 马利杰, 等. 电子鼻技术在区分酸羊奶发酵菌种中的应用[J]. 食品科学, 2014, 35(18)∶ 267-271. DOI∶10.7506/spkx1002-6630-201418051.

[28] LIU Y, XU X L, OUYANG G F, et al. Changes in volatile compounds of traditional Chinese Nanjing water-boiled salted duck during processing[J]. Journal of Food Science, 2006, 71(4)∶ S371-S377.DOI∶10.1111/j.1750-3841.2006.00020.x.

[29] SONCIN S, CHIESA L M, CANTONI C, et al. Preliminary study of the volatile fraction in the raw meat of pork, duck and goose[J].Journal of Food Composition and Analysis, 2007, 20(5)∶ 436-439.DOI∶10.1016/j.jfca.2006.09.001.

[30] MADRUGA M S, ELMORE J S, DODSON A T, et al. Volatile fl avour profile of goat meat extracted by three widely used techniques[J].Food Chemistry, 2009, 115(3)∶ 1081-1087. DOI∶10.1016/j.foodchem.2008.12.065.

Rapid Detection of Ningxia Small-Tailed Han Sheep Meat Adulterated with Duck by Electronic Nose Combined with GC-MS

WANG Qian, LI Lu, WANG Jiayi, ZHANG Juan, WANG Yuanyifei, DING Wu*
(College of Food Science and Engineering, Northwest A&F University, Yangling 712100, China)

中图分类号:TS251.7

文献标志码:A

文章编号:1002-6630(2017)20-0222-07

引文格式:

王綪, 李璐, 王佳奕, 等. 电子鼻结合气相色谱-质谱法对宁夏小尾寒羊肉中鸭肉掺假的快速检测[J]. 食品科学, 2017,

38(20)∶ 222-228. DOI∶10.7506/spkx1002-6630-201720032. http∶//www.spkx.net.cn

WANG Qian, LI Lu, WANG Jiayi, et al. Rapid detection of Ningxia small-tailed han sheep meat adulterated with duck by electronic nose combined with GC-MS[J]. Food Science, 2017, 38(20)∶ 222-228. (in Chinese with English abstract)DOI∶10.7506/spkx1002-6630-201720032. http∶//www.spkx.net.cn

收稿日期:2017-01-17

基金项目:“十三五”国家重点研发计划重点专项(2016YFD0401500)

作者简介:王綪(1992—),女,博士研究生,研究方向为食品生物技术。E-mail:wangqian9209@hotmail.com

*通信作者:丁武(1971—),男,教授,博士,研究方向为畜产食品深加工与安全控制。E-mail:dingwu10142000@hotmail.com