研究背景
酿造白酒是我国的一种特有酒类，以其古老的酿造工艺和独特的风味、口感闻名世界，是世界七大蒸馏酒之一。根据香型不同，酿造白酒可以分为：浓香型、清香型、酱香型和芝麻香型等多种类型。其中酱香型白酒以其口味醇厚，余味悠长等特点深受广大消费者喜爱，其中最具代表性的为茅台酒。酱香型酿造白酒品质与其窖藏年份有着重要的联系。窖藏年份越久，酿造白酒中的辣味成分减少，酒味渐趋平和、绵柔，酒香较为醇厚、芬芳。自20世纪90年代“年份酒”概念被引入中国白酒市场后，经过窖藏后的“年份酒”更得消费者亲睐，价格也相对较高。由于我国缺少关于酿造白酒年份鉴别的准则典籍和法律法规，导致目前“年份酒”市场较为混乱，以次充好、掺假等问题严重侵犯了消费者的合法利益。目前，对于白酒的检测方式一般分为人工评定和理化指标检测两种。其中，人工评定法易受外界环境和个人主观意识影响，且对评定人员的专业素质要求较高。理化指标检测一般是利用气相色谱质谱、高效液相色谱等技术测定其中的某些成分，对实验条件和环境以及实验仪器的要求较高，且样品需要预先进行复杂的前处理实验，较为繁琐。荧光光谱技术可以通过多个样本建立矩阵实现样本的检测，但前期工作需要人工寻找光谱特征量，预测准确性和客观性有待进一步提高，也无法给出具体的化合物定性信息。因此，急需发展一种酿造酒年份快速检测的技术来规范化年份酒市场。
气相色谱离子迁移谱(gas chromatography-ion mobility spectroscopy, GC-IMS)作为一种新兴的检测技术，是一种利用气相色谱（gas chromatography , GC）结合离子迁移谱（ion mobility spectroscopy , IMS）对样品中的挥发性成分进行快速检测的技术。该技术是基于复杂化合物组分经过气相色谱柱的初步分离后，离子化化合物在特定的电场中通过固定的距离（漂移管）所需的漂移时间不同来实现的。目前，该项技术在油类、蜂蜜、油等食品掺假以及发酵物检测等多个领域已有广泛应用。然而，在酱香型白酒年份快速区分领域应用较为少见。
赵恒强团队采用GC-IMS技术对酱香型白酒（茅台）的不同年份样品（包含老熟样本）进行了初步分析，并通过LAV软件快速生成指纹图谱，结合主成分分析（principal component analysis , PCA）和主成分-聚类分析（principal component analysis-cluster analysis, PCA-CA）等计量学统计分析方法进行区分研究，对所含挥发性成分进行部分鉴别，为酿造白酒年份区分提供一种新方法、新技术。
1 GC-IMS 条件优化
GC-IMS分析方法是一种将GC分析和IMS分析相结合的二维分析方法，包含样品富集进样、GC分离和IMS分离等过程。合适的实验条件将大大加快实验效率和目标物的分离度，提高定性准确率。本研究分别从以下三部分对实验条件进行优化：
样品孵育过程是一个样品中VOCs 的富集过程，孵育温度和孵育时间均为该过程中的重要指标。在前期类似研究文献基础上，本研究采用单因素实验考察了孵育条件对酱香型白酒GC-IMS分析的影响。优化过程中保持孵育时间为10 min条件下，考察了40、60 ℃两个不同孵育温度为唯一变量对样品的影响，见图1A，见图1B。结果表明，60 ℃下孵育10 min 可得到较多的VOCs信息。气体洗脱程序是GC分析过程中的重要因素，需要进行合适的优化。影响化合物在GC柱上保留的主要因素是载气流速（EPC2）。根据气相色谱的特点，增加EPC2会缩短化合物的保留时间。因此，本研究中对比了EPC2的初始值为2和10 mL/min对化合物保留情况的影响，见图1C，见图1D，最终确定2 mL/min为最佳初始值。IMS检测作为样品的二次分离分析过程，主要影响因素为迁移管温度（T1）。T1的值越高，离子的活性越高，迁移时间越短，得到的化合物信息越少。因此，结合已有文献，T1为45 ℃即可得到足够的化合物信息。
2 VOCs定性分析
将处理好的样品60 ℃孵育10 min 后，直接进行顶空进样分析，30 min后得到样品的挥发性组分图谱，见图2。谱图纵坐标为气相保留时间（ retention time of GC），横坐标为离子迁移时间（drift time），整个图谱中横坐标1.0位置为RIP（即反应离子峰，drift time约为8.04 ms）。RIP两侧的每一个点代表一种挥发性有机物，颜色深浅代表化合物的浓度高低，颜色越浅表示浓度较低，颜色越深则表示浓度越高，整个谱图上的点即代表了样品中检测到的所有VOCs。
本研究中的12个样本均为同一类型白酒样本，含有的化合物种类相似度较高，图2以样品3-3为例对其中的部分化合物进行定性分析。本部分利用GCxIMS Library Search软件，通过内置的NIST 2014气相保留指数数据库与IMS迁移时间数据库对其中的53个峰进行了定性分析，化合物编号与图2中的峰号一一对应，其中部分物质含有单体、二聚体两个峰，具体VOCs信息见表2。
3 指纹图谱对比分析
为了更直观的对比不同年份酒样中VOCs成分的差异，本研究选取图中的化合物峰作为待分析的点，通过LAV软件的Gallery Plot插件生成VOCs指纹图谱，见图3。
由图3可以看出：三组样品的成分之间有较大差异，每组样品组份内部之间的差异较小。图中用括号标注出了其中四处有明显差异的区域（A、B、C、D）：其中，A区域中的这些化合物在3号组（2年酒样）中含量较高，而2号组（5年酒样）和1号组（10年酒样）中接近零点，说明这些化合物随着贮藏年份的增加逐渐减少，其中包含α-蒎烯（α-Pinene），丁酸(Butanoic acid)，异丙醇（Isopropyl alcohol）三个已鉴别成分；另外同年份酒样中该部分化合物变化不明显，说明老熟工艺对这部分化合物影响较小。B区域中的这些化合物在3个组份中均能检测到，但2号组（5年酒样）中含量最高，说明这部分化合物随着贮藏年份的增加含量先增加后减少，这些化合物可能稳定性较差，其中包含2,3-丁二酮(2,3-butanedione)，乙酸丙酯(Propyl acetate)，苯甲醛（Benzaldehyde）和癸醛（decanal）四个已鉴别成分，C区域中的这些化合物在1号组（10年酒样）中含量较高，而2号组（5年酒样）和3号组（2年酒样）中含量较低且3号组较2号组中的含量更低，说明这些化合物随着贮藏年份的增加逐渐累积且年份越长含量越高，其中包含乙酸异丁酯(Isobutyl acetate)，2,6-二甲基-4-庚酮（2,6-dimethyl-4-heptanone），3-辛酮(3-Octanone)和1-戊醇(1-Pentanol)等已知化合物；另外同年份酒样中该部分化合物变化不明显，说明老熟工艺对这部分化合物的影响较小。D区域中的这些化合物在3号组（2年酒样）中含量最高，1号组（10年酒样）中含量次之，2号组（5年酒样）中含量最低，说明这部分化合物随着贮藏年份的增加含量先减少后增加，这些化合物可能是内部物质分解或者是合成的产物，其中以已知化合物辛醛（Octanal）为代表。另外，可以看出同一年份不同老熟状态的白酒样本中随着老熟工艺的加深部分化合物含量会呈现或增高或降低的变化，说明老熟工艺会对白酒成分的变化造成一定影响,但从C和D两个区域看来不同老熟处理的十年酒样本中成分变化较小，说明老熟工艺对十年酒的影响较弱。多项研究表明，新酿酒中除水和乙醇外约含2.0%的风味成分，其所含的风味成分随着贮藏时间的增加呈“酸增酯减”的大体趋势，经两年贮藏后，大部分高含量成分如乙酸乙酯，乳酸乙酯，正丙醇，乙酸丙酯，正丁醇等含量已趋于稳定，因此，本研究中虽在样本中鉴别出其中的一些成分但对于贮藏时间长于两年后的酒样的区分贡献不大，故生成区分的指纹图谱中并未选用此类成分的峰。由图2结合已鉴别成分可以看出，随着贮藏年份的增加，许多醛酮类成分含量也在逐渐增加，醛类和酮类物质是香味的协调成分，有的醛类物质有较强的刺激性，可增大酒劲并衬托香气。图中对贮藏年份2年及以上白酒的年份区分具有较大贡献的未知化合物有待于进一步鉴别研究。
4 PCA分析
PCA分析可以实现数据的降维和规律性分析。通过对大量数据的矩阵分析，对特征向量进行标准化，从而减少数据维数，消除数据冗余，陆伦维等已通过主成分分析方法对不等级的酱香型白酒实现了判别分析。为了更加直观的对比各组分之间的差异，本研究利用LAV软件的PCA分析插件对三组酒样的12个样品进行主成分分析，相关矩阵的特征值等信息如表3所示。表3中显示了6个特征主成分信息，其中前2个主成分的累积方差贡献率高达90%以上，即前2个主成分即可解释90%以上的数据信息，故选取前2个主成分进行样品的进一步区分具有较强的可靠性。
PC1和PC2两个数据集的总得分高达94%，即可以解释总变异的94%，以主成分PC1为横坐标，PC2为纵坐标建立样本的二维得分图谱，结果见图4。由图4可知，每个样品组组内在图谱中的分类较为明显，组间分布较远，达到了较好的区分效果。
5 PCA-CA分析
主成分分析消除了指标间相关性对结果的影响并对样本进行了简单的区分，但并不能明确的显示样品间的聚类差异。因此，本研究中将PCA分析与CA分析相结合，这样既避免指标间相关性对结果的影响，避免指标的取舍问题，降低计算量，同时又可以快速简单地将分类结果用树状图表示出来，增强结果的可读性。由图5可以看出，自然陈酿年份的影响占据了绝对优势，样本明确的分为3类：第一类（10年酒）中，随着老熟工艺的应用，样品间的距离越来越远；第二类（5年酒）中，2-3号样本距离其余样品最远，原因可能是对于第二类样本来说，老熟处理工艺的影响较大；第三类（2年酒）中，3-0（原酒）与3-1号样本为一小组聚类，3-2号样本与3-3号样本为一小组聚类，说明这两小组组内样本间差异较小，而且聚类规律并未随着老熟工艺的进行而产生规律性变动，可能是新酒稳定性差的原因。另外，第一类与第二类样本间的距离较近，第三类样本与其余样本相聚最远可能是由于第三类中的白酒样本年份较新，样品较不稳定。随着贮藏年份的增加，白酒中的物质渐趋平衡稳定，因此第二类与第三类样本的距离较近。
6 结论
本研究首次将GC-IMS技术和PCA-CA数据处理方法相结合，并进一步详细研究其在酱香型酿造白酒年份快速鉴别中的应用，实现不同年份酿造白酒的快速区分。研究发现GC-IMS技术可以快速、准确的对白酒中的挥发性有机物进行鉴别，结合仪器自带软件形成VOCs指纹图谱进行初步的白酒样本中化合物差异性对比。PCA-CA数据处理方法消除了GC-IMS产生的大量的挥发性有机物指标间相关性对结果的影响，避免指标的取舍问题，降低数据维度和计算量，同时又可以快速简单地将分类结果和远近关系用树状图表示出来，增强结果的可读性。然而，受样本数量较少和样本分散程度不均匀等问题的约束该方法仍有很大的提高空间，后续应进一步提升和优化。
版权声明
本公众号推送文章仅为学术交流使用，‘原创’为原创编译之标记，不表示本平台对文本主张版权。作者团队或单位如需使用编译文本，可联系编辑开放白名单。凡是注明“转载”的稿件，均已注明直接来源，如需使用，请联系版权人。如有侵权，请联系我们，我们会尽快删除。
