CN112255344B - 一种超高效液相色谱串联质谱鉴别不同年份白酒的方法 - Google Patents
一种超高效液相色谱串联质谱鉴别不同年份白酒的方法 Download PDFInfo
- Publication number
- CN112255344B CN112255344B CN202011120881.2A CN202011120881A CN112255344B CN 112255344 B CN112255344 B CN 112255344B CN 202011120881 A CN202011120881 A CN 202011120881A CN 112255344 B CN112255344 B CN 112255344B
- Authority
- CN
- China
- Prior art keywords
- white spirit
- mobile phase
- different years
- identified
- liquid chromatography
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/26—Conditioning of the fluid carrier; Flow patterns
- G01N30/28—Control of physical parameters of the fluid carrier
- G01N30/34—Control of physical parameters of the fluid carrier of fluid composition, e.g. gradient
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
- G01N30/8679—Target compound analysis, i.e. whereby a limited number of peaks is analysed
Abstract
本发明一种超高效液相色谱串联质谱鉴别不同年份白酒的方法,先将待鉴别的白酒过滤后分别在超高效液相色谱‑四极杆静电场轨道离子阱质谱中测定,再将数据收集后进行背景漂移校正,峰提取,峰对齐后识别化合物,结果数据集进行偏最小二乘法‑判别分析,以变量重要性值大于1为标准进行筛选,获得待鉴别的不同年份白酒的特征化合物,然后特征化合物作为人工神经网络的输入层,待鉴别白酒的不同年份作为人工神经网络的输出层,依次进行人工神经网络训练、验证和测试,得到人工神经网络鉴别模型,最后得到待鉴别白酒中变量重要性值大于1的特征化合物,然后将它们输入到人工神经网络鉴别模型中得到的输出层为该待鉴别白酒的年份。
Description
技术领域
本发明涉及酒类鉴别技术领域,具体为一种超高效液相色谱串联质谱鉴别不同年份白酒的方法。
背景技术
年份酒因其独特的香气滋味而广受消费者喜爱。目前年份酒的鉴别主要是基于偏最小二乘法-判别分析和逐步线性判别分析等化学计量方法筛选出的重要特征物质,来建立不同年份鉴别的神经网络分析模型,因此,因此完整、准确地筛选出不同年份酒中变化明显的差异物质是完成年份酒鉴别的关键步骤。
白酒是一个复杂体系,其中乙醇和水占总体积的98%左右,剩余的不到2%的酯、酸、酮和芳香物质等微量成分决定着白酒的典型风格与质量,一般需要一定的前处理对白酒成分进行分析,如顶空固相微萃取(HS-SPME)、搅拌吸附萃取(SBSE)、超临界流体萃取(SFE)等,但不论何种前处理方式,都难以获得白酒中所有有机小分子信息。当前,人们对白酒的检测方法主要有气相色谱法(GC)、气相-质谱联用法(GC-MS)法、电子鼻法等,检测到的成分都是以挥发性成分为主的化合物,忽略了有机酸、氨基酸等不易挥发性化合物对不同年份酒分类的影响。
超高效液相色谱以其高分离度,高灵敏度和容易与高分辨质谱联用的特点常用于复杂样本分析,对酒样可直接经过0.22um薄膜过滤后直接进行分析,无需样品前处理。与GC相比,超高效液相色谱可覆盖白酒中80%的有机物质。此外,基于高分辨静电场轨道离子阱质谱的可变的数据非依赖采集(Variable Data Independent Acquisition,简写为vDIA),结合传统多反应监测定向采集和非定向数据依赖采集等优势,无需提前指定目标离子,无需优化方法,通量无上限,无偏获得所有质量范围内离子的信息,不会造成低丰度碎片离子的损失,并且循环时间固定,扫描时间均匀,数据易回溯,定量准确度非常高,非常适合白酒等复杂基质的分析。
因此,为保护消费者合法权益,结合上述分析,开发一种稳定、可靠的不同年份酒鉴别方法很有必要。
发明内容
针对现有技术中存在的不足,本发明提供了一种超高效液相色谱串联质谱鉴别不同年份白酒的方法,准确、可靠,弥补了传统检测仪器无法完整覆盖不同年份酒中所有小分子化合物的缺陷,无需样品前处理,采用可变的数据非依赖采集技术进行数据采集,检测灵敏度高,利用偏最小二乘-判别分析筛选出重要特征物质,建立不同年份鉴定神经网络模型,为年份酒鉴别提供强有力保障。
本发明具体技术方案如下:
一种超高效液相色谱串联质谱鉴别不同年份白酒的方法,包括如下步骤:
步骤1,将待鉴别的不同年份白酒用薄膜过滤后分别在超高效液相色谱-四极杆静电场轨道离子阱质谱中进行测定,其中超高效液相色谱选取C18非极性柱和HILIC极性柱对待鉴别的白酒中不同极性分子进行正交采集,其余条件如下;
四极杆静电场轨道离子阱质谱采用两级扫描方式,二级扫描方式为可变的数据非依赖采集,扫描时间为0~15min;分辨率采用17500FWHM,分为两个质量扫描片段:m/z=100-500设定为第一个扫描,隔离窗口范围设为20-25Da,相应循环计数设定为16-20,m/z=500-1000设为第二个扫描,隔离窗口范围设为50-100Da,相应循环计数设定为5-10;
步骤2,将步骤1得到的原始数据收集后,先进行背景漂移校正,之后进行峰提取,然后将得到的峰对齐后识别化合物,得到的结果数据集进行偏最小二乘法-判别分析,并以变量重要性值大于1为标准进行筛选,获得待鉴别的不同年份白酒的特征化合物;
步骤3,将步骤2得到的特征化合物作为人工神经网络的输入层,待鉴别白酒的不同年份作为人工神经网络的输出层,依次进行人工神经网络训练、验证和测试,得到人工神经网络鉴别模型;
步骤4,将待鉴别的白酒按照步骤1~步骤2的过程得到该白酒中变量重要性值大于1的特征化合物,然后将这些特征化合物输入到人工神经网络鉴别模型中得到的输出层为该待鉴别白酒的年份。
优选的,步骤1中HILIC极性柱中流动相A为甲酸、甲酸铵、乙腈和水组成的混合溶液,流动相B为甲酸、甲酸铵和水组成的混合溶液;C18非极性柱中流动相A为甲酸、甲酸铵和甲醇组成的混合溶液,流动相B为甲酸、甲酸铵和水组成的混合溶液;HILIC极性柱和C18非极性柱的柱温箱温度均为34-36℃,流速均为0.28-0.32mL/min;
进一步,HILIC极性柱的流动相A中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为8mM,乙腈占混合溶液总体积的95%,流动相B中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM;流动相梯度洗脱程序为:0-1min内,流动相A的体积比例由0线性增加至100%,1-2min内,流动相A的体积比例由100%线性减小至98%,2-6min内,流动相A的体积比例由98%线性减小至95%,6-8min内,流动相A的体积比例由95%线性减小至90%,8-13min内,流动相A的体积比例由90%线性减小至75%,13-13.1min内,流动相A的体积比例由75%线性增加至100%,13.1-15min内,流动相A的体积比例保持100%;
C18非极性柱的流动相A中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM,流动相B中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM;流动相梯度洗脱程序为:0-1min内,流动相A的体积比例由0线性增加至20%,1-7min内,流动相A的体积比例由20%线性增加至100%,7-12min内,流动相A的体积比例保持100%,12.1-13min内,流动相A的体积比例由100%线性减小至20%,13-15min内,流动相A的体积比例保持20%。
优选的,步骤1中四极杆静电场轨道离子阱质谱的离子源为电喷雾离子源,质量分析器为静电场轨道离子阱,一级扫描方式为全扫扫描模式,分辨率设定为70000FWHM,自动增益控制的目标值定为10×106,容许的质量误差范围为5ppm,最大注入时间为250ms,动态背景扣除的时间设定为10.0s。
优选的,步骤1中可变的数据非依赖采集中自动增益控制的目标值设定为50×105,最大注入时间为120ms。
优选的,步骤1中两个质量扫描片段中的碰撞能量分别为17.5eV、35.0eV和52.5eV,喷雾电压为+3.5KV/-3.2KV;四极杆静电场轨道离子阱质谱的辅助气加热温度为345-355℃,毛细管温度为315-325℃;透镜电压为54-56V。
优选的,步骤1得到的原始数据由软件Trace Finder 4.1General Quan收集,之后导入软件Compound Discoverer 2.1中进行背景漂移校正和峰提取。
优选的,步骤2使用数据库mzCloud ChemSpider识别化合物,得到的结果数据集使用Excel导出为*.csv文件,之后依次进行Sum标准化、对数变换和帕累托缩放,再进行偏最小二乘法-判别分析。
优选的,步骤2以满足假设检验概率值小于0.05的条件下,以变量重要性值大于1为标准筛选待鉴别的不同年份白酒的特征化合物。
优选的,步骤3以占总样品数70%的酒样作训练集,占总样品数15%的酒样作验证集,占总样品数15%的酒样作测试集,在人工神经网络训练、验证和测试过程中,不断计算训练误差和验证误差,当训练误差降低而验证误差升高时停止训练,得到人工神经网络鉴别模型。
相对于现有技术,本发明具有以下优点:
本发明一种超高效液相色谱串联质谱鉴别不同年份白酒的方法,先利用C18非极性柱和HILIC极性柱对待鉴别的不同年份白酒中不同极性分子进行分离,用可变的数据非依赖采集进行数据采集,以最大化酒样中有机小分子响应并获得较全的不同年份酒差异特征分子,之后对原始数据收集后,先进行背景漂移校正,之后进行峰提取,然后将得到的峰对齐后识别化合物,得到的结果数据集进行化学计量学分析处理,以变量重要性值大于1为标准筛选,获得待鉴别的不同年份白酒的特征化合物,进而构建人工神经网络鉴别模型,最后得到待鉴别的白酒中变量重要性值大于1的特征化合物,然后将这些特征化合物输入到人工神经网络鉴别模型中得到的输出层为该待鉴别白酒的年份,最终实现不同年份白酒的精准识别。本发明利用超高效液相色谱串联质谱和神经网络分析,以不同年份白酒作为模式白酒,建立了无需样品前处理的酒类识别方法,较之于其他年份酒鉴别方法具有以下优点:第一,不同年份酒样无需样品前处理,可直接过薄膜过滤后上机检测,操作简单、省时;第二,选取C18非极性柱和HILIC极性柱对白酒中不同极性分子进行正交采集,弥补单一色谱柱只对某类化合物保留性较好的缺陷;第三,静电场轨道离子阱质谱采取可变的数据非依赖采集进行数据采集,无需提前指定目标离子,无需优化方法,通量无上限。本发明建立了一种分析速度快、不依赖人工经验、可靠,准确的鉴别不同年份的凤香型白酒的方法,该方法操作简单、省时、省力,检测灵敏度高,为年份酒鉴定提供新思路。
附图说明
图1为本发明所述不同年份凤香型白酒的鉴别方法的流程图。
图2为本发明不同年份白酒的神经网络模型的预测结果图。
具体实施方式
下面通过具体实施例对本发明原理及优势进行解释和说明,以便本领域技术人员更好理解本发明。下面说明仅是示例性的,并不对其内容进行限定。
本发明一种超高效液相色谱串联质谱无需样品前处理的不同年份白酒的鉴别方法,如图1所示,以凤香型白酒进行说明。
1.仪器
UltiMate 3000系列液相色谱-Q Exactive质谱仪(美国Thermo公司)、Vortex-6型旋涡混合器(海门市其林贝尔仪器制造有限公司)、BCD-193MT冰箱(安徽康佳同创电器有限公司)、BSA224S型电子天平(北京赛多利斯仪器系统有限公司)、PH-070A型恒温干燥箱(上海慧泰仪器制造有限公司)、Milli-Q超纯水器(美国Millipore公司)
2.样品
酒精度数为65的0年、3年、6年、9年、11年、14年、17年、19年的8种不同年份的凤香型白酒,各取样6份,总计48份。
3.试剂
乙腈、甲酸和甲酸铵(美国Fisher公司、色谱纯)
具体分析包括以下步骤:
1)采用超高效液相色谱-四极杆静电场轨道离子阱质谱仪对不同年份酒样进行测定;
具体步骤为:
取不同年份酒,无需样品前处理,经0.22um薄膜过滤后,上机测定。
超高效液相色谱-四极杆静电场轨道离子阱质谱测定条件为:
HILIC色谱柱为GOLD HILIC,50×2.1mm 1.9μm(柱长、内径和固定相涂层液膜厚度);流动相A为甲酸、甲酸铵、乙腈和水组成的混合溶液,其中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为8mM,乙腈占混合溶液总体积的95%,流动相B为甲酸、甲酸铵和水组成的混合溶液,其中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM;流动相梯度洗脱程序为:0-1min内,流动相A的体积比例由0线性增加至100%,1-2min内,流动相A的体积比例由100%线性减小至98%,2-6min内,流动相A的体积比例由98%线性减小至95%,6-8min内,流动相A的体积比例由95%线性减小至90%,8-13min内,流动相A的体积比例由90%线性减小至75%,13-13.1min内,流动相A的体积比例由75%线性增加至100%,13.1-15min内,流动相A的体积比例保持100%;柱温箱:34-36℃;进样量:5μL;流速:0.28-0.32mL/min。
C18色谱柱为Hypersil GOLD,50×2.1mm 1.9μm(柱长、内径和固定相涂层液膜厚度);流动相A为甲酸、甲酸铵和甲醇组成的混合溶液,其中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM,流动相B为甲酸、甲酸铵和水组成的混合溶液,其中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM;流动相梯度洗脱程序为:0-1min内,流动相A的体积比例由0线性增加至20%,1-7min内,流动相A的体积比例由20%线性增加至100%,7-12min内,流动相A的体积比例保持100%,12.1-13min内,流动相A的体积比例由100%线性减小至20%,13-15min内,流动相A的体积比例保持20%;柱温箱:34-36℃;进样量:5μL;流速:0.28-0.32mL/min。
HILIC色谱柱和C18色谱柱依次进行进样分析,没有前后顺序之分。
质谱条件为:离子源:电喷雾(ESI)离子源;质量分析器:静电场轨道离子阱;一级扫描方式:全扫扫描模式下,分辨率设定为70000FWHM,自动增益控制的目标值定为10×106,容许的质量误差范围为5ppm,最大注入时间为250ms,动态背景扣除的时间设定为10.0s。
二级扫描方式为可变的数据非依赖采集(英文名称为Variable DataIndependent Acquisition,简写为vDIA),参数设定为:扫描时间为0~15min;自动增益控制的目标值设定为50×105,最大注入时间为120ms;属于核心参数的分辨率采用17500FWHM,分为两个质量扫描片段:其中m/z=100-500设定为第一个vDIA扫描,隔离窗口范围设为20-25Da,相应循环计数设定为16-20,即16-20个扫描段,m/z=500-1000设为第二个vDIA扫描,隔离窗口范围设为50-100Da,相应循环计数设定为5-10,碰撞能量分别为17.5eV;35.0eV;52.5eV。喷雾电压:+3.5KV/-3.2KV;鞘气压力:35psi;辅助N2压力:10bar;辅助气加热温度:345-355℃;毛细管温度:315-325℃;透镜电压:54-56V。
2)将测定结果进行鉴别方法建立,对不同年份酒经超高效液相色谱-四极杆静电场轨道离子阱质谱测定后得到的原始数据进行处理,通过MetaboAnalyst 4.0对获得的所有响应小分子进行化学计量学分析,筛选、确证变量重要性(变量重要性简写为VIP)值大于1的特征化合物。
数据处理具体步骤为:
原始数据文件由Trace Finder 4.1General Quan(由Thermo Fisher Scientific即赛默飞世尔公司开发)收集,然后导入Compound Discoverer 2.1(由Thermo FisherScientific公司开发)先进行背景漂移校正,之后峰提取完成后进行峰对齐,同时使用数据库mzCloud ChemSpider识别化合物,得到的结果数据集使用Excel导出为*.csv文件,通过MetaboAnalyst 4.0进行化学计量学分析处理。
化学计量学分析处理的具体步骤为:
在化学计量学分析之前,所有*.csv文件需经过数据标准化处理,即依次进行Sum标准化、对数变换和帕累托缩放,之后进行偏最小二乘法-判别分析。偏最小二乘法-判别分析(PLS-DA)是一种监督模式识别方法,是一种基于降维的多维向量分析技术,基于PLS-DA的VIP值反映每个变量对分类的贡献程度,值越大,对其分类影响也就越大,在满足假设检验概率值小于0.05的条件下,以VIP值大于1为标准筛选,可获得不同年份酒的特征化合物。
3)利用MATLAB2019a(由美国MathWorks公司开发)建立人工神经网络鉴别模型,完成不同年份酒的鉴别。
人工神经网络分析步骤为:
以PLS-DA分析筛选出的特征化合物作人工神经网络的输入层,酒样的不同年份作人工神经网络的输出层,进行网络训练,构建人工神经网络鉴别模型,具体以占70%的酒样作训练集,占15%的酒样作验证集,占15%的酒样作测试集;本发明有48个样品,70%的酒样为训练集,正常计算应该是33.6个样品为训练集,但此时本领域的技术人员一般都会取整数34,这样验证集和测试集分别是7个。在人工神经网络训练过程中,不断计算训练误差和验证误差,如果训练误差降低而验证误差升高,即停止训练。
训练集是来训练人工神经网络鉴别模型,验证集是来优化人工神经网络鉴别模型的参数,测试集是用来确保该模型的泛化能力,即保证该模型的实际应用性。
4)将待鉴别的白酒按照上述过程得到该白酒中变量重要性值大于1的特征化合物,然后将这些特征化合物输入到人工神经网络鉴别模型中得到的输出层为该待鉴别白酒的年份。
原始数据经处理和PLS-DA分析确证后获得74种特征化合物,然后将其作为人工神经网络的输入层,不同年份酒样作为人工神经网络的输出层,构建人工神经网络鉴别模型。并以70%的酒样作训练集,15%的酒样作验证集,15%的酒样作测试集。在网络训练过程中,不断计算训练误差和验证误差,如果训练误差降低而验证误差升高,即停止训练。人工神经网络鉴别模型对样本的预测年份结果见图2,从图2中可以看出,所有酒样均能正确鉴别,准确率达100%,以下做具体说明。
预测年份指将目标年份酒样输入人工神经网络鉴别模型分析后获得的年份,目标年份指该酒样的真实年份,获得的年份结果有可能与目标年份一样,有可能与目标年份不一样,分别以第一行和第二列为例说明。
第一行:第一行第一个框“6,12.5%”中第一个数字“6”代表预测白酒年份为“0”且目标年份为“0”的酒样数为6个,第二个数字“12.5%”代表预测年份为“0”且目标年份为“0”的白酒数占总体年份白酒数的百分比(6/48=0.125);第二个框“0,0%”中第一个数字“0”代表预测白酒年份为“0”且目标年份为“3”的酒样数为0个,第二个数字“0%”代表预测年份为“0”且目标年份为“3”的白酒数占总体年份白酒数的百分比(0/48=0);第三个至第八个框的含义以此类推;第九个框“100%,0%”中第一个数字“100%”表示:在所有目标年份中,预测年份为“0”的分类准确率(6/6=100%),第二个数字“0%”代表分类错误率(0/6=0%)。
第二列:第二列第二个框“6,12.5%”中第一个数字“6”代表预测白酒年份为“3”且目标年份为“3”的酒样数为6个,第二个数字“12.5%”代表预测年份为“3”且目标年份为“3”的白酒数占总体年份白酒数的百分比(6/48=0.125);第二列第一个框“0,0%”中第一个数字“0”代表预测白酒年份为“0”且目标年份为“3”的酒样数为0个,第二个数字“0%”代表预测年份为“0”且目标年份为“3”的白酒数占总体年份白酒数的百分比(0/48=0);第二列第三个至第八个框的含义以此类推;第九个框“100%,0%”中第一个数字“100%”表示:在所有预测年份中,目标年份为“3”的年份白酒分类准确率(6/6=100%),第二个数字“0%”代表分类错误率(0/6=0%)。
Claims (8)
1.一种超高效液相色谱串联质谱鉴别不同年份白酒的方法,其特征在于,包括如下步骤:
步骤1,将待鉴别的不同年份白酒用薄膜过滤后分别在超高效液相色谱-四极杆静电场轨道离子阱质谱中进行测定,其中超高效液相色谱选取C18非极性柱和HILIC极性柱对待鉴别的白酒中不同极性分子进行正交采集,HILIC极性柱中流动相A为甲酸、甲酸铵、乙腈和水组成的混合溶液,流动相B为甲酸、甲酸铵和水组成的混合溶液;C18非极性柱中流动相A为甲酸、甲酸铵和甲醇组成的混合溶液,流动相B为甲酸、甲酸铵和水组成的混合溶液;HILIC极性柱和C18非极性柱的柱温箱温度均为34-36℃,流速均为0.28-0.32mL/min,HILIC极性柱的流动相A中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为8mM,乙腈占混合溶液总体积的95%,流动相B中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM;流动相梯度洗脱程序为:0-1min内,流动相A的体积比例由0线性增加至100%,1-2min内,流动相A的体积比例由100%线性减小至98%,2-6min内,流动相A的体积比例由98%线性减小至95%,6-8min内,流动相A的体积比例由95%线性减小至90%,8-13min内,流动相A的体积比例由90%线性减小至75%,13-13.1min内,流动相A的体积比例由75%线性增加至100%,13.1-15min内,流动相A的体积比例保持100%;C18非极性柱的流动相A中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM,流动相B中甲酸占混合溶液总体积的0.1%,甲酸铵的浓度为4mM;流动相梯度洗脱程序为:0-1min内,流动相A的体积比例由0线性增加至20%,1-7min内,流动相A的体积比例由20%线性增加至100%,7-12min内,流动相A的体积比例保持100%,12.1-13min内,流动相A的体积比例由100%线性减小至20%,13-15min内,流动相A的体积比例保持20%,其余条件如下;
四极杆静电场轨道离子阱质谱采用两级扫描方式,二级扫描方式为可变的数据非依赖采集,扫描时间为0~15min;分辨率采用17500FWHM,分为两个质量扫描片段:m/z=100-500设定为第一个扫描,隔离窗口范围设为20-25Da,相应循环计数设定为16-20,m/z=500-1000设为第二个扫描,隔离窗口范围设为50-100Da,相应循环计数设定为5-10;
步骤2,将步骤1得到的原始数据收集后,先进行背景漂移校正,之后进行峰提取,然后将得到的峰对齐后识别化合物,得到的结果数据集进行偏最小二乘法-判别分析,并以变量重要性值大于1为标准进行筛选,获得待鉴别的不同年份白酒的特征化合物;
步骤3,将步骤2得到的特征化合物作为人工神经网络的输入层,待鉴别白酒的不同年份作为人工神经网络的输出层,依次进行人工神经网络训练、验证和测试,得到人工神经网络鉴别模型;
步骤4,将待鉴别的白酒按照步骤1~步骤2的过程得到该白酒中变量重要性值大于1的特征化合物,然后将这些特征化合物输入到人工神经网络鉴别模型中得到的输出层为该待鉴别白酒的年份。
2.根据权利要求1所述的超高效液相色谱串联质谱鉴别不同年份白酒的方法,其特征在于,步骤1中四极杆静电场轨道离子阱质谱的离子源为电喷雾离子源,质量分析器为静电场轨道离子阱,一级扫描方式为全扫描模式,分辨率设定为70000FWHM,自动增益控制的目标值定为10×106,容许的质量误差范围为5ppm,最大注入时间为250ms,动态背景扣除的时间设定为10.0s。
3.根据权利要求1所述的超高效液相色谱串联质谱鉴别不同年份白酒的方法,其特征在于,步骤1中可变的数据非依赖采集中自动增益控制的目标值设定为50×105,最大注入时间为120ms。
4.根据权利要求1所述的超高效液相色谱串联质谱鉴别不同年份白酒的方法,其特征在于,步骤1中两个质量扫描片段中的碰撞能量分别为17.5eV、35.0eV和52.5eV,喷雾电压为+3.5KV/-3.2KV;四极杆静电场轨道离子阱质谱的辅助气加热温度为345-355℃,毛细管温度为315-325℃;透镜电压为54-56V。
5.根据权利要求1所述的超高效液相色谱串联质谱鉴别不同年份白酒的方法,其特征在于,步骤1得到的原始数据由软件Trace Finder 4.1General Quan收集,之后导入软件Compound Discoverer 2.1中进行背景漂移校正和峰提取。
6.根据权利要求1所述的超高效液相色谱串联质谱鉴别不同年份白酒的方法,其特征在于,步骤2使用数据库mzCloud ChemSpider识别化合物,得到的结果数据集使用Excel导出为*.csv文件,之后依次进行Sum标准化、对数变换和帕累托缩放,再进行偏最小二乘法-判别分析。
7.根据权利要求1所述的超高效液相色谱串联质谱鉴别不同年份白酒的方法,其特征在于,步骤2以满足假设检验概率值小于0.05的条件下,以变量重要性值大于1为标准筛选待鉴别的不同年份白酒的特征化合物。
8.根据权利要求1所述的超高效液相色谱串联质谱鉴别不同年份白酒的方法,其特征在于,步骤3以占总样品数70%的酒样作训练集,占总样品数15%的酒样作验证集,占总样品数15%的酒样作测试集,在人工神经网络训练、验证和测试过程中,不断计算训练误差和验证误差,当训练误差降低而验证误差升高时停止训练,得到人工神经网络鉴别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011120881.2A CN112255344B (zh) | 2020-10-19 | 2020-10-19 | 一种超高效液相色谱串联质谱鉴别不同年份白酒的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011120881.2A CN112255344B (zh) | 2020-10-19 | 2020-10-19 | 一种超高效液相色谱串联质谱鉴别不同年份白酒的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112255344A CN112255344A (zh) | 2021-01-22 |
CN112255344B true CN112255344B (zh) | 2022-10-28 |
Family
ID=74244996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011120881.2A Active CN112255344B (zh) | 2020-10-19 | 2020-10-19 | 一种超高效液相色谱串联质谱鉴别不同年份白酒的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112255344B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113533549B (zh) * | 2021-01-28 | 2023-05-12 | 岛津企业管理(中国)有限公司 | 白酒口味物质鉴定分析系统 |
CN113092570A (zh) * | 2021-03-29 | 2021-07-09 | 西华大学 | 一种基于原位直接质谱快速量质摘酒的方法 |
CN114878730B (zh) * | 2022-06-16 | 2023-08-15 | 陕西科技大学 | 一种集固相微萃取和原位质谱的羊乳掺假检测装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2761296A1 (en) * | 2011-09-28 | 2014-08-06 | Waters Technologies Corporation | Rapid fluorescence tagging of glycans and other biomolecules with enhanced ms signals |
WO2016151499A1 (en) * | 2015-03-25 | 2016-09-29 | Novartis Ag | Formylated n-heterocyclic derivatives as fgfr4 inhibitors |
CN106483241A (zh) * | 2016-10-28 | 2017-03-08 | 陕西科技大学 | 葡萄酒中色素的超高效液相色谱‑四级杆静电场轨道离子阱质谱筛查方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020165847A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社島津製作所 | 食品の品質判定方法、及び、食品品質判定装置 |
-
2020
- 2020-10-19 CN CN202011120881.2A patent/CN112255344B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2761296A1 (en) * | 2011-09-28 | 2014-08-06 | Waters Technologies Corporation | Rapid fluorescence tagging of glycans and other biomolecules with enhanced ms signals |
WO2016151499A1 (en) * | 2015-03-25 | 2016-09-29 | Novartis Ag | Formylated n-heterocyclic derivatives as fgfr4 inhibitors |
CN106483241A (zh) * | 2016-10-28 | 2017-03-08 | 陕西科技大学 | 葡萄酒中色素的超高效液相色谱‑四级杆静电场轨道离子阱质谱筛查方法 |
Non-Patent Citations (5)
Title |
---|
Evaluation of Italian wine by the electronic tongue: recognition, quantitative analysis and correlation with human sensory perception;A.Legin等;《Analytica Chimica Acta》;20030507;第484卷(第1期);33-44 * |
HILIC-MS FOR METABOLOMICS: AN ATTRACTIVE AND COMPLEMENTARY APPROACH TO RPLC-MS;Dao-Quan Tang等;《Mass Spectrometry Reviews》;20141003;574-600 * |
Multivariate classification of rice wines according to ageing time and brand based on amino acid profiles;Fei Shen等;《Food Chemistry》;20110430;第129卷;565-569 * |
三维荧光光谱结合平行因子及神经网络对清香型白酒的年份鉴别;朱焯炜等;《光谱学与光谱学分析》;20150930;第35卷(第9期);2573-2577 * |
基于微量组分的白酒基酒分类鉴别与模式识别研究;陈飞;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20190415;B024-457 * |
Also Published As
Publication number | Publication date |
---|---|
CN112255344A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112255344B (zh) | 一种超高效液相色谱串联质谱鉴别不同年份白酒的方法 | |
US10665329B2 (en) | High-resolution mass spectrometer and methods for determining the isotopic anatomy of organic and volatile molecules | |
CN108389772B (zh) | 基于高分辨率ms1的量化 | |
US20150008310A1 (en) | Pulsed Mass Calibration in Time-of-Flight Mass Spectrometry | |
Rubert et al. | Metabolic fingerprinting based on high-resolution tandem mass spectrometry: a reliable tool for wine authentication? | |
CN105122051B (zh) | 分析系统 | |
CN103235057B (zh) | 一种利用气相色谱-质谱不解析化合物鉴别白酒原产地的方法 | |
CN105301163A (zh) | 一种测定生物体代谢产物的靶向代谢组学分析方法 | |
WO2019102798A1 (en) | Data acquisition method in a mass spectrometer | |
CN109870536B (zh) | 一种基于液相色谱-质谱联用的高覆盖脂质组学分析方法 | |
CN105981130A (zh) | 质谱分析装置及质谱分析方法 | |
WO2022262132A1 (zh) | 一种样品未知成分的液质联用非靶向分析方法 | |
CN108982729A (zh) | 用于提取质量迹线的系统和方法 | |
CN109632860A (zh) | 一种解析混合物中单体化合物结构的方法 | |
Yu et al. | A chemometric-assisted method based on gas chromatography–mass spectrometry for metabolic profiling analysis | |
CN111487353B (zh) | 高含量泽兰黄酮-4’,7-双葡萄糖苷作为玫瑰蜂花粉特征性标志物的应用 | |
Zhang et al. | Differentiating Westlake Longjing tea from the first‐and second‐grade producing regions using ultra high performance liquid chromatography with quadrupole time‐of‐flight mass spectrometry‐based untargeted metabolomics in combination with chemometrics | |
CN112601958B (zh) | 质量校正 | |
Kim et al. | Exploring novel secondary metabolites from natural products using pre-processed mass spectral data | |
JP2020102453A (ja) | イオンビーム変動を補償する質量分析計 | |
EP4078600B1 (en) | Method and system for the identification of compounds in complex biological or environmental samples | |
Wen et al. | Direct infusion electrospray ionization-ion mobility-mass spectrometry for rapid metabolite marker discovery of medicinal Phellodendron Bark | |
JP2000065797A (ja) | クロマトグラフ質量分析装置の検量線作成方法 | |
CN107014936A (zh) | 尿液中褪黑素硫酸盐的检测方法 | |
Wang | LC-MS in plant metabolomics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |