點(diǎn)擊圖片查看原圖超快速氣相電子鼻檢測氣味
氣味指紋圖譜建立
將各30批八角茴香與莽草樣品的色譜圖，建立以MXT-5色譜柱采集信號為主的八角茴香與莽草樣品氣味色譜瀑布圖，結(jié)果篩選出26個分離效果較好且峰面積較大的氣味色譜峰作為主要成分進(jìn)行后續(xù)分析。詳見圖1和圖2。
圖1 八角茴香與莽草樣品氣味色譜瀑布圖
圖2 八角茴香與莽草樣品快速氣相電子鼻色譜圖對比
氣味定性分析與氣味差異標(biāo)志物研究
本研究中將檢測結(jié)果用正構(gòu)烷烴（nC6-nC16）混合對照品溶液進(jìn)行校準(zhǔn)，將RI與Arochembase數(shù)據(jù)庫信息進(jìn)行對比，根據(jù)相關(guān)指數(shù)篩選八角茴香與莽草的氣味特征成分，確定了26種可能存在的化合物、名稱、感官（氣味）描述信息。詳見表3。結(jié)果顯示，所鑒定出的化合物多為烷烴類和醇類，其次為烯烴類和酯類。
由圖1、圖2和表3可見，莽草的氣味色譜峰數(shù)量及峰面積均存在明顯差異。氣味色譜瀑布圖中，八角茴香共檢出18個峰，莽草共檢出24個峰，八角茴香與莽草的共有峰有16個，分別為α-蒎烯、1，3，5-三甲苯、正十烷、對傘花烴、5-乙基壬烷、萜品油烯、芳樟醇、樟腦、壬酸甲酯、2-癸烯醛、2，4-癸二烯醛、茴香腦、甲基丁香酚、丁烯酸辛酯、2-甲基四癸烷、甲基內(nèi)吸磷。八角茴香與莽草間的差異性主要體現(xiàn)在4-乙基辛烷、2-辛醇、氧化檸檬烯、乙酸庚酯、辛烯-8-醇、反式香芹醇、香茅醇、2-丁烯酸己酯、3-甲基十五烷、正十七烷，可作為八角茴香與莽草樣品的氣味差異標(biāo)志物。在氣味色譜峰峰面積上，八角茴香相較于莽草，對傘花烴、壬酸甲酯、2，4-癸二烯醛、茴香腦4種氣味成分的峰面積顯著提高，可能是八角茴香與莽草的氣味差異標(biāo)志物；5-乙基壬烷、2-癸烯醛2種氣味成分的峰面積分有所降低，可能是八角茴香與莽草的潛在氣味差異標(biāo)志物。
表3 八角茴香與莽草樣品中可能存在的氣味化合物與感官（氣味）描述信息
化學(xué)計量學(xué)分析
主成分分析（PCA）
將篩選出的26個色譜峰峰面積進(jìn)行PCA，結(jié)果第一主成分（PC1）的貢獻(xiàn)率為92.657%，第二主成分（PC2）的貢獻(xiàn)率為7.276%，第三主成分（PC3）的貢獻(xiàn)率為0.055%，主成分累計貢獻(xiàn)率為99.988%，該模型能顯示樣品整體的氣味信息。八角茴香與莽草樣品明顯分布于模型中的2個不同區(qū)域，表明二者氣味存在較大差異，PCA模型能快速區(qū)分八角茴香與莽草。詳見圖3。
圖3 八角茴香與莽草樣品的PCA三維圖
判別因子分析（DFA）
樣品進(jìn)行DFA分析，結(jié)果DF1的貢獻(xiàn)率為100.00%，表明DFA模型能充分反映樣品的原始信息。八角茴香與莽草樣品分布于模型中的2個不同區(qū)域，區(qū)分效果顯著，與PCA分析結(jié)果一致。詳見圖4。
圖4 八角茴香與莽草樣品的DFA圖
正交偏最小二乘法-判別分析（OPLS-DA）
建立八角茴香與莽草的OPLS-DA模型，結(jié)果顯示八角茴香與莽草樣品明顯聚為2類，可實現(xiàn)真?zhèn)螀^(qū)分，詳見圖5A；提取3個主要成分，模型解釋率參數(shù)（R2）分別為0.810，0.933，0.943，預(yù)測能力參數(shù)（Q2）分別為0.808，0.932，0.941，均高于0.5，表明模型擬合程度較好，具有較高的穩(wěn)定性和預(yù)測率，詳見圖5B；進(jìn)行200次隨機(jī)置換檢驗發(fā)現(xiàn)，R2擬合線的縱坐標(biāo)截距為0.008，Q2擬合線的縱坐標(biāo)截距為-0.137，右側(cè)主成分下的R2和Q2明顯高于左側(cè)，表明該模型可靠，且不存在過擬合現(xiàn)象，詳見圖5C。變量權(quán)重重要性排序（VIP）>1.0，表明該變量對整體模型的貢獻(xiàn)度較大，對樣本分類的影響具有統(tǒng)計學(xué)意義，可作為差異標(biāo)志物。分析26個色譜峰的VIP，共篩選出14種VIP>1.0的氣味成分。VIP>1.2且明顯高于其他成分的有茴香腦、丁烯酸辛酯、2，4-癸二烯醛，推測這3種氣味成分為鑒別八角茴香與莽草的關(guān)鍵氣味差異化合物。詳見圖5D。
圖5 八角茴香與莽草樣品的OPLS-DA模型
BP神經(jīng)網(wǎng)絡(luò)模型建立
本研究中利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步提高鑒別精度，將180組樣品（八角茴香與莽草各30批，每批平行測定3次）鑒定出的26個氣味成分峰面積數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型輸入層。為防止學(xué)習(xí)過程中出現(xiàn)局部優(yōu)化現(xiàn)象，訓(xùn)練開始前需打亂輸入層的峰面積數(shù)據(jù)順序，以排除原始數(shù)據(jù)的規(guī)律性后輸入神經(jīng)網(wǎng)絡(luò)，將八角茴香與莽草分為2類作為模型的目標(biāo)。將樣本原始數(shù)據(jù)集合隨機(jī)分為訓(xùn)練集（70%）和測試集（30%），設(shè)置10個隱藏層神經(jīng)元，采用Levenberg-Marquardt算法訓(xùn)練，以建立BP神經(jīng)網(wǎng)絡(luò)模型。
交叉熵（CE）能反映模型的性能及精度，交叉熵越小，表明預(yù)測越接近真實分布，模型的性能越好，精度越高。接收者操作特征（ROC）曲線下面積（AUC）越接近1.0，表明模型的性能越好。由圖6A可見，在迭代25次后，驗證集的CE為7.7486×10-7<1×10-6，可認(rèn)為BPANN模型的預(yù)測精度較高。由ROC曲線（圖6B）可見，訓(xùn)練集、驗證集、測試集及全集中2類樣品的AUC均為1.0，表明BP神經(jīng)網(wǎng)絡(luò)分類性能良好。
混淆矩陣是一種用來呈現(xiàn)算法性能且具有監(jiān)督學(xué)習(xí)模式的可視化矩陣。建立的模型在訓(xùn)練集和測試集的正確率見圖6C和圖6D?？梢姡?xùn)練集八角茴香與莽草各63個樣本均被正確劃分，預(yù)測準(zhǔn)確率為100.00%；測試集八角茴香與莽草各27個樣本均被正確劃分，預(yù)測準(zhǔn)確率為100.00%。測試集的準(zhǔn)確率更能說明模型的鑒別性能，上述結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)判別模型能準(zhǔn)確、快速地鑒別八角茴香與莽草。
圖6 反向傳播神經(jīng)網(wǎng)絡(luò)模型圖
來源：感官科學(xué)與評定，轉(zhuǎn)載請注明來源。
參考文獻(xiàn)：郝建威,張云飛,于小聰,等.Heracles NEO型超快速氣相電子鼻結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)法快速識別八角茴香與莽草[J].中國藥業(yè),2026,35(05):46-53.提醒：文章僅供參考，如有不當(dāng)，歡迎留言指正和交流。且讀者不應(yīng)該在缺乏具體的專業(yè)建議的情況下，擅自根據(jù)文章內(nèi)容采取行動，因此導(dǎo)致的損失，此公眾號運(yùn)營方不負(fù)責(zé)。如文章涉及侵權(quán)或不愿我平臺發(fā)布，請聯(lián)系小編。
參考文獻(xiàn)：郝建威,張云飛,于小聰,等.Heracles NEO型超快速氣相電子鼻結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)法快速識別八角茴香與莽草[J].中國藥業(yè),2026,35(05):46-53.提醒：文章僅供參考，如有不當(dāng)，歡迎留言指正和交流。且讀者不應(yīng)該在缺乏具體的專業(yè)建議的情況下，擅自根據(jù)文章內(nèi)容采取行動，因此導(dǎo)致的損失，此公眾號運(yùn)營方不負(fù)責(zé)。如文章涉及侵權(quán)或不愿我平臺發(fā)布，請聯(lián)系小編。