中华绒螯蟹（Eriocheir sinensis），又名河蟹、大闸蟹，方蟹科，绒螯蟹属。因其独特的风味和富含多种矿质元素[1]，成为中国水产品的一大支柱产业。中华绒螯蟹广泛养殖于在长江、黄河、辽河等水系中，并以长江水系为主[2]。2017年在中国的养殖年产量已达75万 t，养殖产量超过1万 t的6 个省份江苏、湖北、安徽、辽宁、江西和山东占总产量的93%，其中位于辽河水系的辽宁占7%，黄河水系的山东占2%[3]。目前，受国家地理标志产品保护认证和保护的中华绒螯蟹产地品牌已有二十多个，如阳澄湖、固城湖、梁子湖、盘锦等，可以对各知名品牌螃蟹起到很大的保护作用。但是，在中华绒螯蟹编码系统的实际应用中，常会因标签的丢失、标签信息不完全、甚至虚假标签等原因造成信息链的缺失或中断，导致类似于阳澄湖“洗澡蟹”等的问题屡禁不止。因此，需要研究更多更具客观性、独立性的方法，有效显示大闸蟹产品自身特质的产地差异性，进而有助于鉴别其真正的产地来源信息，对相关正常而公正的市场秩序进行有效监督。
目前，对不同和相同水系产地之间中华绒螯蟹的差异，在形态[4]、DNA[2]、脂肪酸[5]以及电子舌、 电子鼻[6-7]等方面均已经有了一些探索研究。本实验室在以前的研究[4,8-10]中利用形态学和多种矿质元素两种方法主要对来自长江水系的中华绒螯蟹进行产地判别研究，但对黄河、辽河水系的中华绒螯蟹还缺乏研究。同时，为提高产地鉴别效果，稳定同位素分析技术也需要应用于中华绒螯蟹的产地溯源研究中[11]。此外，矿质元素含量和稳定同位素比率“指纹”的结合分析甚至可提高海鳟[12]、虾[13]等水产品的产地判别准确率。
化学计量学的常用分类方法中，K-mean聚类分析、主成分分析、自组织映射（self-organizing map，SOM）等属于无监督分类模型；线性判别分析、支持向量机、软独立模型、人工神经网络等属于有监督分类模型。其中，SOM是一种竞争学习型的无监督神经网络，它提供了高维数据投影在低维空间的可视化方法，且保留了初始拓扑结构性质，可以将高维空间中相似的样本点映射到网络输出层中的邻近神经元[14]，目前水质时空分布[15-16]研究中有了较多的分析；而在模式分类也有越来越多的研究，如在森林健康等级[17]、茶叶分类[18]，火山岩岩性识别[19]，专利文本聚类[20]等。线性判别分析最早由Fisher提出，其思路是根据已知类别样品的性质，利用某种技术建立函数式，然后对未知类别的新事物进行判断，并将之归入已知类别中，是一种比较成熟并在化学计量学中应用较广的模式识别方法[21-22]，属于有监督的模式识别方法。
因此，本研究尝试用单因素方差分析及Duncan多重比较检验分析稳定同位素比和矿质元素含量的产地间差异，然后利用SOM方法将12维特征因子投射到合适的二维空间中并进行分类，同时对矿质元素和稳定同位素等产地特征因子等参数进行可视化分析，最后对中华绒螯蟹进行逐步判别分析，并筛选出用于建立判别模型的矿质元素和稳定同位素，以期进一步完善中华绒螯蟹的产地判溯源模型。
1 材料与方法
1.1 材料与试剂
辽宁省盘锦蟹样于2016年11月采自大洼县大闸蟹蟹-稻共作养殖区；辽宁省营口蟹样于2015年11月采自营口市蟹-稻共作养殖区；山东省东营蟹样于2016年5月采自东营市垦利区永安镇黄河口大闸蟹市场，均为符合农业部2008年农产品地理标志公告第1119号规定，捕捞自黄河口自然水域的野生黄河口大闸蟹。参考GB/T 19957ü 2005《地理标志产品 阳澄湖大闸蟹》[23] 所的原产蟹定义（即至少从扣蟹养到成蟹保持同一水域），以上3 地蟹样均为相应产地的原产大闸蟹，蟹龄至少2 龄。
浓硝酸（质量分数65%，优级纯） 德国Merck公司； 稳定同位素标样：IAEA600咖啡因 国际原子能机构；锡箔杯 美国Thermo Fisher Scientific公司；内标Li、Sc、Ge、Y、In、Bi（优级纯）、环境标样（Part#5183ü 4682） 美国Agilent公司；NRC DOLT-5鲨鱼肝微量元素标准物质 加拿大国家研究委员会。
1.2 仪器与设备
电子天平 瑞士Mettler Toledo公司；稳定同位素质 谱仪 美国Thermo Fisher Scientific公司；ETHOS A T260微波消解仪 意大利Milestone公司；7500ce电感耦合等离子质谱（inductively coupled plasma mass spectrometry，ICP-MS）仪 美国Agilent公司；电热恒温鼓风干燥箱 上海一恒科学仪器有限公司；FA32048电子天平 上海精科天美科学仪器有限公司；超纯水（电阻率18.2 MΩg cm/25 ℃）机 美国Millipore公司；玛瑙研钵 上海国药集团化学试剂有限公司；电子干 燥机 日本AS ONE公司。
1.3 方法
1.3.1 样品前处理
对各产地的样本（N＝20），测定规格大小，选取雌雄各10 只中华绒螯蟹运回实验室，以封口袋单只收纳后统一放置于鱼苗袋内，保存于－20 ℃冰箱中。参照 专利[24]方法进行样本的前处理，统一使用整体第3步足（同时含蟹壳和蟹肉）作为元素测量的试样[8-11]。体长体宽和第3步足的测定参考堵南山[25]的论述。具体操作为首先剪取完整的单只第3步足，用超纯水清洗6 遍，然后在电热恒温鼓风干燥箱中以80 ℃烘干24 h至质量恒定，最后用玛瑙研钵碾磨成粉末状干样，置于干燥器中保存待用。螃蟹的基本信息见表1。
表 1 中华绒螯蟹样本基本信息
Table 1 Biological traits of Eriocheir sinensis
产地 样本量 体质量/g 体长/mm 体宽/mm 第3步足湿质量/g 含水率/%东营 20 75.2f 9.4 50.2f 2.1 56.8f 2.7 2.76f 0.45 55f 2盘锦 20 115.1f 29.7 57.4f 3.8 64.1f 4.0 4.08f 0.93 57f 2营口 20 105.8f 16.6 52.2f 9.8 60.4f 7.4 3.87f 0.51 59f 2
1.3.2 稳定同位素测定
称取0.2 mg样品放入锡箔杯中，通过稳定同位素质谱仪，进行检测。质谱仪条件为燃烧炉温度980 ℃、还原炉温度50 ℃、载气He流量100 mL/min。依据国际纯粹与应用化学联合会（International Union of Pure and Applied Chemistry，IUPAC）指导[26]，稳定同位素比率计算如下：
式中：E代表稳定同位素，R为重同位素与轻同位素丰度比，即13C/12C和15N/14N。δ13C的相对标准为Vienna Pee Dee Belemnite standard（VPDB），δ15N的相对标准是空气中N2。测定时，δ13C和δ15N的10 次重复测定 精度低于0.0 6‰。分析过程中，每2 0 样品穿插一个实验室标样IAEA600咖啡因进行质量控制。为了校正数据，如果数值不在标样咖啡因（δ1 3CV P D B， （－27.771f 0.043）‰；δ15Nair，（1.0f 0.2）‰）的范围内，参考气会被重新标定。
1.3.3 矿质元素测定
称取（0.1f 0.005）g干样置于消解管中，加入5 mL硝酸，进行微波消解，然后定容至100 mL待测。用7500ce电ICP-MS测定10 种矿质元素（Na、Mg、Al、K、Ca、Mn、Cu、Zn、Sr、Ba）的浓度。用外标法进行定量分析，以环境标样为标准样品，用内标元素Li、Sc、Ge、Y、In、Bi保证仪器的稳定性。标准样品分析中元素的线性相关性均高于0.999，相对标准差小于5%。利用元素标准添加回收法测定上述各种元素的回收率均在97%～120%之间。同时，标样（NRC DOLT-5鲨鱼肝微量元素标准物质）对Na、Mg、K、Ca、Cu、Zn等元素测定的回收率在75%～120%之间。
1.4 多元统计分析
采用软件MATLAB 9.0中利用SOM Toolbox2.0工具包进行SOM分析，数据处理与分析参照[15]；在SPSS 20.0软件对3 个产地中华绒螯蟹稳定同位素比和矿质元素含量进行单因素方差分析和Duncan多重比较检验，判别分析前数据的预处理利用SPSS 20.0软件对稳定同位素和矿质元素进行Z-score标准化[10]，并将归一化的结果进行逐步判别分析。
2 结果与分析
2.1 稳定同位素和矿质元素产地差异分析
本研究对3 个产地中华绒螯蟹第3步足样本利用IRMS进行了碳、氮稳定同位素比的测定，在所有螃蟹样品中δ15N结果范围是1.7‰～14.6‰，δ13C范围 是－22.9‰～－14.0‰。不同产地稳定同位素比δ13C和δ15N的均值和标准差见表2。在单因素方差分析中，δ13C和δ15N均差异极显著（P＜0.001）。从研究结果可以看出东营样本同时具有最低的δ13C和δ15N，盘锦的螃蟹δ15N值较高，营口的螃蟹δ13C值最高。通过单因素方差分析，在3 个产地间，δ13C和δ15N均差异极显 著（P＜0.001），Duncan多重比较显示δ13C在不同水系的产地间差异显著（P＜0.05），来自同一水系的盘锦和营口螃蟹的δ13C差异不显著（P＞0.05），但显著高于东营（P＜0.05），而δ15N在3 个产地间均差异显 著（P＜0.05)，且盘锦＞营口＞东营。
同时，研究中还利用ICPMS分析了Na、Mg、Al、K、Ca、Mn、Cu、Zn、Sr、Ba 10 种矿质元素的含量（表2）。由于选取完整的第3步足作为样本，螃蟹的外骨骼占比较大，Ca元素含量最高。通过单因素方差分析，在3 产地间Na、Al、Zn、Sr、Ba均差异极显著 （P＜0.01），K、Mg差异显著（P＜0.05），Ca、Mn、Cu差异不显著（P＞0.05）。Duncan多重比较显示，东营Na元素显著低于盘锦和营口（P＜0.05），盘锦和营口之间差异不显著（P＞0.05）。Zn、Sr、Ba元素产地间的差异明显，其中东营的Zn是盘锦和营口的1.5～2 倍，Sr是盘锦和营口的2 倍，Ba元素含量也达到了盘锦和营口的3 倍左右，而Zn、Sr、Ba在营口和盘锦间差异不明显，但是Mg、Al、Mn在盘锦和营口之间差异极显著。
表 2 不同产地中华绒螯蟹稳定同位素比和矿质元素含量（干质量）
Table 2 Multi-stable isotope ratios and mineral element concentrations (on a dry mass basis) in third pereiopod of E. sinensis from different geographic origin
注：*.差异显著（P＜0.05）；**.差异极显著（P＜0.01）；***.差异极显著（P＜0.001）。不同字母表示差异显著（P＜0.05）。
项目 东营 盘锦 营口稳定同位素δ13C/‰*** －21.0f 1.5b －18.5f 2.2a －17.9f 1.5a δ15N/‰*** 5.0f 2.2c 9.2f 2.6a 6.8f 1.0b矿质元素Na含量/（mg/kg）*** 6 117f 596b 7 713f 715a 7 275f 1 133a Mg含量/（mg/kg）* 8 427f 1 591a 7 556f 930b 8 480f 718a Al含量/（mg/kg）** 38f 12a 35.9f 10.4a 25f 12b K含量/（mg/kg）* 5 133f 518a 4 816f 317b 4 838f 501b Ca含量/（mg/kg） 153 579f 6 383a 148 497f 11 236a 153 151f 8 522a Mn含量/（mg/kg） 93f 136ab 137.3f 79.2a 68f 30b Cu含量/（mg/kg） 19f 11a 21.3f 11.4a 16f 8a Zn含量/（mg/kg）*** 122f 24a 81.7f 18.9b 67f 28b Sr含量/（mg/kg）*** 2 435f 892a 1 031.9f 178.6b 1 071f 195b Ba含量/（mg/kg）*** 767f 207a 232.5f 145.9b 248f 277b
2.2 自组织神经网络分析
图 1 螃蟹样本的SOM聚类分布图
Fig. 1 Cluster distribution of self-organizing mapping of E. sinensis from different geographic origins
a.稳定同位素；b.矿质元素；c.稳定同位素和矿质元素。I、II、III、IV代表样本聚类的类别。DY、PJ和YK分别代表东营、盘锦和营口，大写字母后数字表示样本号。
利用2 种稳定同位素和1 0 种矿质元素，并运用自组织神经网络对中华绒螯蟹进行聚类分 析（图1）。本研究中网络大小选择按量化误差（quantization error，QE）和拓扑误差（topographic error，TE）最小的原则[27]，40（8h 5） 个神经元大小（响应3 个产地样本60 个样品）可得到最好的网络训练效果，QE和TE值分别为0.436、0.017。
在SOM分析时，常用聚类算法评价指标（Davies-Bouldin index，DBI）指数的最小值确定聚类数[28]。稳定同位素SOM分析的最小DBI指数为0.865 6，聚类组为4；矿质元素SOM分析的最小DBI指数为0.841 9，聚类组为2；结合稳定同位素和矿质元素SOM分析的最小DBI指数为0.851 6，聚类组为2 类。通过调整聚类数，SOM分析了从聚类数为4 类到2 类的情况（图1）。仅利用稳定同位素同位素则是将大部分东营样本（图1a、I、IV）和少部分营口和盘锦样本（图1a、I、II）分为一大类，无法将两水系聚为2 类（图1a）。结合稳定同位素比和矿质元素或仅利用元素可以将黄河水系的东营样本单独聚为一类（图1b、c），将辽河水系的盘锦和营口两个产地样品聚为一类。仅矿质元素则是将东营分为3 类（图1b、II、III、IV），再与辽河水系两个产地的样本（图1b、I）进一步聚类；结合稳定同位素比和矿质元素，东营被分为2 类（图1c，I、II），同时有大部分盘锦样本被区分出来（图1c、III）。结合稳定同位素和矿质元素其分类效果优于仅使用矿质元素，仅用同位素效果明显地差于仅用元素或结合稳定同位素和矿质元素。
图 2 参数可视化分析
Fig. 2 Visual analysis of component planes
a.稳定同位素比和矿质元素含量在神经元上的可视化；b.产地聚类组及其各产地相应的蟹样本数。A～J分别为Na、Mg、Al、K、Ca、Mn、Cu、Zn、Sr、Ba，数据单位为mg/kg；K、L分别为δ13C、δ15N，数据单位为‰。
为了直观地展示12 种成分在3 个不同产地间的分布规律，采用SOM聚类分析对这些产地差异因子进行了分析。通过不同样品12 个参数在神经元上的响应图，可泛化、可视化各聚类组的时空变化，利用这12 种成分的分布将产地分为4 组。而且，可进一步观察不同产地的螃蟹样品参数信息，如图2a所示，图中颜色越接近红色表示相对含量越高，颜色越接近蓝色表示相对含量越低。显然，矿质元素和稳定同位素在4个螃蟹分布组别上可被进一步识别，如Zn、Sr、Ba等元素具有相似特征，在东营分布区域（图2b、I、II）元素含量明显高于盘锦和营口，Na元素则相反。其他元素分布特征各不相同，δ13C第III类中明显高于其他区域，Mg在I和II分界处较高，在IV中则比较低。Al在I、II、III均有重叠。
2.3 线性判别分析
采用线性判别分析法对δ13C和δ15N建立判别模型如 表3所示，显示其判别准确率为66.7%，说明此两个因子能一定程度的区分3 个产地，但是较多的误判样本，交叉验证正确率仅为65.0%，东营和营口以及盘锦和营口均有较多的误判。而本研究矿质元素分析的10 个元素结合线性判别分析，可以得到95.0%的正确率，然而，其交叉验证的总体正确率仅为85.0%，说明线性判别模型的稳定还需进一步提高。在结合稳定同位素和矿质元素之后，线性判别模型的正确率可以达到96.7%，交叉验证的正确也提高到91.7%，模型的初始正确率和交叉验证正确率均得到了提高。
表 3 不同产地中华绒螯蟹稳定同位素和矿质元素的线性判别分析Table 3 Linear discriminant analysis by stable isotope or/and trace
element profiles of E. sinensis from different geographic origins
方法 产地 预测组（初始验证/交叉验证） 正确率/%（初始验证/交叉验证）东营 盘锦 营口稳定同位素东营 13/13 1/1 6/6 65.0/65.0盘锦 1/1 11/10 8/9 55.0/50.0营口 2/2 2/2 16/16 80.0/80.0总计 66.7/65.0矿质元素东营 18/17 0/0 2/3 90.0/85.0盘锦 0/0 20/18 0/2 100/90.0营口 0/2 1/2 19/16 95.0/80.0总计 95.0/85.0稳定同位素和矿质元素东营 20/19 0/0 0/1 100/95.0盘锦 0/0 19/18 1/2 95.0/90.0营口 0/1 1/1 19/18 95.0/90.0总计 96.7/91.7
图 3 线性判别分析
Fig. 3 Linear discriminant analysis
a.仅矿质元素线性判别分析的函数得分；b.结合稳定同位素和矿质元素线性判别分析的函数得分。
仅利用矿质元素通过逐步判别分析，可以筛选出Na、Al、K、Zn、Sr、Ba 6 种矿质元素用于建立判别函数，得到的函数1的方差贡献率是82.2%，函数2的方差贡献率是17.8%。利用函数1和函数2作散点图（图3a）。在结合矿质元素与同位素进行线性判别分析中，通过逐步判别分析，筛选出δ13C、δ15N、K、Zn、Ba 5 个因子用于建立判别函数。函数1的方差贡献率是84.3%，函数2的方差贡献率是15.7%。利用函数1和函数2作散点图（图3b）。图3显示，仅利用矿质元素或结合矿质元素与同位素的产地区分效果均十分明显，仅个别样品交叉，各产地内样本基本被完全区分。
3 讨 论
由于δ13C和δ15N稳定同位素差异的来源主要饲料种类的影响[29]，C同位素组成与动物饲料种类密切相关可以表征饲料中C3、C4植物所占的比例，N稳定同位素与动物的营养级以及土壤中氮和氮肥的使用有关。本研究中，螃蟹样品δ15N结果范围为1.7‰～14.6‰，δ13C范围为－22.9‰～－14.0‰，Duncan多重比较显示来自同一水系盘锦和营口螃蟹的δ13C差异不显著（P＞0.05），与东营之间差异显著（P＜0.05），而δ15N在3 个产地间均差异显著（P＜0.05），样品间比值的差异可以显示出生活在不同环境中的螃蟹对稳定同位素分馏效应的差异。在曾文涛[30]研究中，δ13C和δ15N与中华绒螯蟹食物和生活环境密切相关，其同位素组成的产地差异可能与中华绒螯蟹食物的不同有关，因为野生中华绒螯蟹能捕获的食物随生活环境变化而有所改变，而人工养殖的中华绒螯蟹则长期食用池塘中固有生存的小型杂食鱼类、人工饲料以及昆虫，说明了δ13C和δ15N的值与中华绒螯蟹食物和生活环境相关程度非常高。环境中土壤、水、饲料、废弃物以及空气中的矿质元素组成和含量都有其各自的 特征[31]，而环境中的痕量元素在动物体中不断累积，造成不同地域来源的动物体内元素含量有较大差异[32]。同时人为因素也具有很大影响，不同配合饲料、添加剂、肥料以及工农业废弃物等会增加或者掩盖不同产地的元素差异性。本研究中，通过单因素方差分析，Na、Al、Zn、Sr、Ba均差异极显著（P＜0.01），K、Mg差异显著（P＜0.05），可应用于产地溯源研究。Zn、Sr、Ba元素产地间的差异明显可以用于区分东营，但是盘锦和营口差异不显著。而Mg、Al、Mn在盘锦和营口之间差异极显著，可以用于区分盘锦和营口。
SOM分析已广泛用于水质时空分布和模式分类等领域[15-20]，利用其可视化功能，可直观探讨时空格局变化，弥补传统分类的不足。同时，SOM提供了高维数据投影在低维空间的可视化方法，且保留了初始拓扑结构性质[14]。另外，还可进一步分析样品的空间距离远近。在构建分类模式时，神经元的合适聚类（反映样品聚类）影响分类模式的分辨能力，如果神经元数量太多，则容易造成过拟合，如果太少，则无法发现一些重要的 差异[33]。Vesanto等[34]提议最佳的神经元数量接近 5
（n为样品数量），本实验样品数量为60，因此神经元的数量应该接近38。网络神经元的大小更重要的方法是按QE和TE最小的原则[27]，网络越大时，因神经元越多，其对输入样品的分辨能力越强，QE变小，而TE则不同，其反映的是当不同样品输入时，所构建的SOM网络保持拓扑结构的能力，最终本研究选择的神经元大小为40（8h 5）。SOM常用DBI指数的最小值确定 聚类数[28]，而结合稳定同位素和元素分析时，最小DBI指数为0.851 6，最优分类为2 类，可以将黄河水系样品和辽河水系样品区分为两类。稳定同位素比和元素含量在神经元上的可视化将Duncan多重比较中Na、Al、Zn、Sr、Ba、K、Mg显著性差异结果在不同类别图上表现出来。可视化分析可以很好地展示成分的产地间差异，张悦等[35]通过不同产地香茶关键香气成分热图对各种成分进行了可视化显示，同时进行了层次聚类，分析了各产 地香气成分的差异及其相关性。本研究表明SOM的分类和可视化分析，在中华绒螯蟹的产地溯源中将具有较好的应用潜力。
稳定同位素与矿质元素均是可以用于水产品产地溯源的方法[21-22]。C、N稳定同位素比还未应用于中华绒螯蟹的产地溯源中，但在其他水产品的应用中，如Sant’Ana等[36]运用IRMS技术对人工养殖和野生的巴西淡水鲶鱼进行区分结果发现随着季节变化δ13C比δ15N有更好的溯源效果，通过结合C、N同位素的二维图像分析可提高溯源正确率。本实验对中华绒螯蟹δ13C和δ15N的结果进行判别分析，显示其判别准确率为66.7%，说明此两个因子能一定程度的区分3 个产地，但是存在较多的误判样本；交叉验证准确率仅为65.0%，说明并不能仅靠这两个因子做中华绒螯蟹的产地溯源，需要分析更多地稳定同位素或者与其他溯源方法结合。元素在中华绒螯蟹的产地溯源中具有较好的效果，有研究人员[8-10]对长江水系与其他不同湖泊所产的中华绒螯蟹群体的第3步足当做试样利用电感耦合等离子质谱仪测定了21 种元素的含量，均利用了本研究中的10 种元素进行产地判别分析，结果显示中华绒螯蟹第3步足元素含量和分布的不同湖泊间差异极为显著，同时初步建立了的判别公式对产中华绒螯蟹进行了判别，判别准确率80%～100%。本实验研究结果显示，单独利用元素指纹对3 个产地进行判别分析，其综合判别率达到95%，证明使用第3步足的元素分析能较大程度对黄河以及辽河水系不同养殖环境下中华绒螯蟹进行产地区分。然而，其交叉验证的正确率仅为85%，说明线性判别模型的稳定性还需进一步提高。研究结合稳定同位素和矿质元素之后，线性判别模型的正确率可以达到96.7%，交叉验证的正确也提高到91.7%，模型的正确率和稳定性均得到了提高。同时，线性判别分析可以对产地判别因子进行筛选，Curtis等[12]利用线性判别分析筛选了海鲑鱼耳石结构中的δ13C和δ18O同位素比值和7 个矿质元素（Ba、B、Mn、K、Rb、Na、Sr）进行研究，表明耳石化学可能是区分野生斑点海鲑鱼产卵场的有力工具。Ortea等[13]借助线性判别分析分析了δ13C、δ18N、As、Cd、Pb、P、S 7 个变量，实现了虾的最佳判别，作者指出δ13C、δ18N、As、Cd、Pb、P、S等元素的结合分析可作为产地溯源指标。本研究仅利用元素通过逐步判别分析，筛选出Na、Al、K、Zn、Sr、Ba 6 种矿质元素用于建立判别函数。同时，通过对两种稳定同位素和10 种矿质元素的逐步判别分析，仅利用δ13C、δ15N、K、Zn、Ba建立的判别函数可以得到交叉验证正确率91.7%的产地判别效果，这些矿质元素或稳定同位素比的单因素方差分析在产地间均差异显著（P＜0.05）或差异极显著（P＜0.01），并且在SOM的可视化分析中，这些元素在不同分类区域中差异明显。
4 结 论
通过对黄河和辽河3 个产地的中华绒螯蟹进行稳定同位素比和矿质元素分析，结合化学计量学对中华绒螯蟹进行产地鉴别。结果表明：通过单因素方差分析及Duncan多重比较检验，3 个产地间Na、Mg、Al、K、Zn、Sr、Ba 7 个矿质元素以及δ13C和δ15N 2 个稳定同位素比在产地间有显著差异，而Ca、Mn、Cu 3 个元素差异不明显。而在SOM神经网络聚类分析中，单独利用元素或结合稳定同位素和矿质元素的最佳聚类效果均可将黄河口东营聚为一类，辽河的盘锦和营口的样本聚为另一类，同时可视化分析展示了稳定同位素比和矿质元素在产地间的差异性分布，研究表明SOM的无监督分类和可视化分析，在中华绒螯蟹的产地鉴别中将具有较好的应用前景。逐步判别分析分别对稳定同位素、矿质元素以及结合稳定同位素和元素进行分析，仅利用矿质元素通过逐步判别分析，筛选出Na、Al、K、Zn、Sr、Ba 6 种矿质元素用于建立判别函数可以区分3 个产地，正确率达到95%，而结合稳定同位素和矿质元素筛选出δ13C、δ15N、K、Zn、Ba 5 个因子用于建立的判别函数具有更高的产地判别正确率，正确率达到96.7%，因此单利用元素或稳定同位素和矿质元素均可以进行中华绒螯蟹的产地鉴别，且稳定同位素和矿质元素的结合具有更高的产地鉴别潜力。本研究结果对黄河和辽河水系乃至全国的中华绒螯蟹地理标志产品保护和“洗澡蟹”等的鉴别方面将可提供重要的参考依据和理论支撑。
[1] CHEN D, ZHANG M, SHRESTHA S. Compositional characteristics and nutritional quality of Chinese mitten crab (Eriocheir sinensis)[J]. Food Chemistry, 2007, 103: 1343-1349. DOI:10.1016/j.foodchem.2006.10.047.
[2] ZHANG C, LI Q Q, WU X G, et al. Genetic diversity and genetic structure of farmed and wild Chinese mitten crab (Eriocheir sinensis) populations from three major basins by mitochondrial DNA COI and Cyt b gene sequences[J]. Mitochondrial DNA Part A, 2017: 1-9. DOI:10.1080/24701394.2017.1404048.
[3] 农业农村部渔业渔政管理局, 全国水产技术推广总站, 中国水产学会. 中国渔业统计年鉴[M]. 北京: 中国农业出版社, 2018: 24-34.
[4] 郑朝臣, 姜涛, 骆仁军, 等. 不同产地中华绒螯蟹形态差异的地标点法分析[J]. 水产学报, 2017, 41(12): 1896-1907. DOI:10.11964/jfc.20170210715.
[5] 朱清顺, 柏如发. 不同湖泊养殖中华绒螯蟹脂肪酸组成比较分析[J]. 中国农学通报, 2007, 23(7): 602-607. DOI:10.3969/j.issn.1000-6850.2007.07.134.
[6] 顾赛麒, 王锡昌, 张晶晶, 等. 电子鼻在中华绒螯蟹产地鉴别及等级评定上的应用[J]. 中国水产科学, 2014, 21(1): 108-117. DOI:10.3724/SP.J.1118.2014.00108.
[7] 张晶晶, 顾赛麒, 丁玉庭, 等. 电子舌在中华绒螯蟹产地鉴别及等级评定的应用[J]. 食品科学, 2015, 36(4): 141-146. DOI:10.7506/spkx1002-6630-201504027.
[8] 杨文斌, 苏彦平, 刘洪波, 等. 长江水系3 个湖泊中华绒蟹形态及元素“指纹”特征[J]. 中国水产科学, 2012, 19(1): 84-93. DOI:10.3724/SP.J.1118.2012.00084.
[9] 杨健, 邱楚雯, 苏彦平, 等. 不同水域条件下中华绒螯蟹的形态和元素分布[J]. 江苏农业科学, 2013, 41(3): 187-191. DOI:10.3969/j.issn.1002-1302.2013.03.074.
[10] 赵鉴, 苏彦平, 刘洪波, 等. 不同/相同水系中华绒螯蟹元素“指纹”的产地差异性[J]. 核农学报, 2014, 28(7): 1253-1260. DOI:10.11869/j.issn.100-8551.2014.07.1253.
[11] LUO R J, JIANG T, CHEN X B, et al. Determination of geographic origin of Chinese mitten crab (Eriocheir sinensis) using integrated stable isotope and multi-element analyses[J]. Food Chemistry, 2019, 274: 1-7. DOI:10.1016/j.foodchem.2018.08.104.
[12] CURTIS J M, STUNZ G W, OVERATH R D, et al. Otolith chemistry can discriminate signatures of hatchery-reared and wild spotted seatrout[J]. Fisheries Research, 2014, 153: 31-40. DOI:10.1016/j.fishres.2013.12.013.
[13] ORTEA I, GALLARDO J M. Investigation of production method, geographical origin and species authentication in commercially relevant shrimps using stable isotope ratio and/or multielement analyses combined with chemometrics: an exploratory analysis[J]. Food Chemistry, 2015, 170(1): 145-153. DOI:10.1016/j.foodchem.2014.08.049.
[14] KOHONEN T. Self-organizing maps[M]. 3rd ed. Berlin: Springer. 2001: 111-116.
[15] 朱艺峰, 施慧雄, 金成法, 等. 象山港海域水质时空格局的自组织特征映射神经网络识别[J]. 环境科学学报, 2012, 32(5): 1236-1246. DOI:CNKI:SUN:HJXX.0.2012-05-031.
[16] LI T, SUN G H, YANG C P, et al. Using self-organizing map for coastal water quality classification: towards a better understanding of patterns and processes[J]. Science of the Total Environment, 2018, 628/629: 1446-1459. DOI:10.1016/j.scitotenv.2018.02.163.
[17] 施明辉, 赵翠薇, 郭志华, 等. 基于SOM神经网络的白河林业局森林健康分等评价[J]. 生态学杂志, 2011, 30(6): 1295-1303.
[18] 章文军, 许禄. 自组织特征映射神经网络: 用于茶叶分类[J]. 计算机与应用化学, 2000, 17(1): 85-87. DOI:10.1007/s11769-000-0013-x.
[19] 张莹, 潘保芝. 基于主成分分析的SOM神经网络在火山岩岩性识别中的应用[J]. 测井技术, 2009, 33(6): 550-554. DOI:10.3969/j.issn.1004-1338.2009.06.011.
[20] 曲军伟, 乔晓东, 桂婕. 自组织映射在专利文本聚类中的应用研究[J]. 数字图书馆论坛, 2010(9): 13-19. DOI:10.3772/j.issn.1673-2286.2010.09.004.
[21] LI L, BOYD C E, SUN Z. Authentication of fishery and aquaculture products by multi-element and stable isotope analysis[J]. Food Chemistry, 2016, 194: 1238-1244. DOI:10.1016/j.foodchem.2015.08.123.
[22] 郭小溪, 刘源, 许长华, 等. 水产品产地溯源技术研究进展[J]. 食品科学, 2015, 36(13): 294-298. DOI:10.7506/spkx1002-6630-201513054.
[23] 国家质量监督检验检疫总局, 国家标准化管理委员会. 地理标志产品 阳澄湖大闸蟹: GB/T 19957ü 2005[S]. 北京: 中国标准出版社, 2005.
[24] 杨健, 刘洪波, 徐跑. 一种判别不同产地中华绒螯蟹的方法: ZL 201010220154.3 [P/OL]. 2010. http://cprs.patentstar.com.cn/Search/Detail?ANE=9DFB2BBA2BAA9FHD9FFC7DEA9DEA9HBB5EBA6AFA9FBC8BDA.
[25] 堵南山. 甲壳动物学: 下册[M]. 北京: 科学出版社, 1993: 690.
[26] MURRAY K K, BOYD R K, EBERLIN M N, et al. Definitions of terms relating to mass spectrometry (IUPAC, recommendations 2013)[J]. Pure and Applied Chemistry, 2013, 85(7): 1515-1609. DOI:10.1515/ci-2013-0516.
[27] TSAI W P, HUANG S P, CHENG S T, et al. A data-mining framework for exploring the multi-relation between fish species and water quality through self-organizing map[J]. Science of the Total Environment, 2017, 579: 474-483. DOI:10.1016/j.scitotenv.2016.11.071.
[28] CEREGHINO R, SANTOUL F, COMPIN A, et al. Using self organizing maps to investigate spatial patterns of non-native species[J]. Biological Conservation, 2005, 125(4): 459-465. DOI:10.1016/j.biocon.2005.04.018.
[29] MOLKENTIN J, MEISEL H, LEHMANN I, et al. Identification of organically farmed Atlantic salmon by analysis of stable isotopes and fatty acids[J]. European Food Research and Technology, 2007, 224(5): 535-543. DOI:10.1007/s00217-006-0314-0.
[30] 曾文涛. 中华绒螯蟹生长、饵料来源及营养生态位的研究[D]. 北京: 中国科学院研究生院, 2010: 47-61.
[31] FRANK B M, GREMAUD G, HADORN R, et al. Geographic origin of meat-elements of an analytical approach to its authentication[J]. European Food Research and Technology, 2005, 221: 493-503. DOI:10.1007/s00217-005-1158-8.
[32] KIM K W, THORNTON I. Influence of Ordovacian uraniferous black shales on the trace element composition of soils and food crops[J]. Applied Geochemistry, 1993, 8(8): 249-255. DOI:10.1016/S0883-2927(09)80045-0.
[33] CEREGHINO R, PARK Y S. Review of the self-organizing map (SOM) approach in water resources: commentary[J]. Environmental Modelling and Software 2009, 24: 945-947. DOI:10.1016/j.envsoft.2009.01.008.
[34] VESANTO J, ALHONIEMI E. Clustering of the self-organizing map[J]. IEEE Transactions on Neural Network, 2000, 11(3): 586-600. DOI:10.1109/72.846731.
[35] 张悦, 朱荫, 叶火香, 等. 不同产地香茶的主要化学成分含量的差异分析[J]. 食品科学, 2017, 38(22): 184-191. DOI:10.7506/spkx1002-6630-201722028.
[36] SANT’ANA L S, DUCATTI C, RAMIRES D G. Seasonal variations in chemical composition and stable isotopes of farmed and wild Brazilian freshwater fish[J]. Food Chemistry, 2010, 122(1): 74-77. DOI:10.1016/j.foodchem.2010.02.016.