基于LC-MS和UV–Vis-NIR光谱技术以及多元算法，对不同地区紫苏叶片中的黄酮类化合物进行了研究

《Microchemical Journal》：A study of flavonoids in Perilla leaves from different areas based on LC-MS and UV–Vis-NIR spectroscopy with multivariate algorithms

基于UV-Vis-NIR光谱与多元算法结合，本研究建立了预测14种黄酮oids含量的高效模型，证实不同产地 Perilla叶中黄酮含量存在显著差异，MSC-CARS-ANN模型的相关系数达0.83，为现场检测提供新方法。

　　

魏全增|于明焕|安淼怡|李瑞

中国许昌市许昌大学食品与药学院，461000

摘要

本文采用多元算法结合紫外-可见-近红外（UV–Vis-NIR）光谱技术，快速且经济高效地预测了紫苏叶片中14种黄酮类化合物的含量。通过对来自中国七个不同地区的35份紫苏叶片样本进行液相色谱-质谱分析，并使用UV–Vis-NIR光谱仪进行测量，研究了这些样本中的黄酮类化合物。分析了黄酮类化合物含量与UV–Vis-NIR光谱数据之间的相关性。结果表明，不同地区的紫苏叶片中黄酮类化合物的含量存在显著差异。14种黄酮类化合物的含量与UV–Vis-NIR光谱数据呈现弱线性相关。然而，多重散射校正（MSC）-竞争性自适应加权采样（CARS）-人工神经网络（ANN）模型在黄酮类化合物含量预测方面表现出优异的性能，其决定系数最低可达0.83。因此，该方法利用UV–Vis-NIR光谱技术为快速、低成本地预测紫苏叶片中黄酮类化合物含量提供了一种有效途径，适用于紫苏加工企业的现场检测。

引言

Perilla frutescens L. 是属于Lamiaceae科Perilla属的一年生草本植物[28]，在中国是一种具有药用和食用价值的植物。紫苏叶片具有辛辣、温热的味道，并具有多种药理活性，如抗菌[11]、抗炎[16]、降血糖[13][33]和抗氧化[3]作用。此外，紫苏叶片可以减少鱼腥味并提升食物风味，可以新鲜食用或作为烹饪调料使用。紫苏叶片还被加工成调味油和酱料。随着人们对生活质量要求的提高，农产品的质量受到了越来越多的关注。在影响农产品质量的因素中，产地起着重要作用。土壤环境、当地气候、地形和水质等自然因素的地域差异会直接影响植物的生长发育，包括风味、颜色和口感等感官属性。许多地理标志农产品，如泰国Hom Mali大米、法国波尔多红酒、托斯卡纳橄榄油和哈密蜜瓜，因其产地优势而受到消费者的广泛欢迎。因此，产地对农产品质量具有重要影响。尽管已有大量研究探讨了紫苏叶片中的黄酮类化合物[12][25][27]，但关于不同地理区域黄酮类化合物分布的系统研究仍然有限。现代药理学研究表明，紫苏叶片品质的差异主要归因于其丰富的黄酮类成分[9]。因此，保持紫苏产品的稳定性对加工企业至关重要。那么，不同地区紫苏叶片中黄酮类化合物的含量是否存在差异？紫苏加工企业的一线工作人员如何能够快速且低成本地测定其中各种黄酮类化合物的含量？解决这些问题对于确保紫苏叶片质量的一致性至关重要。

黄酮类化合物的主要提取方法包括水-乙醇提取[5][6][13]、超声提取[14]和微波辅助提取[29]等。目前，液相色谱-质谱（LC-MS）被广泛用于食品中黄酮类化合物的分析，如大米[13]、艾草[5]和鞑靼荞麦[31]，因为它能够实现黄酮类化合物的准确定性和定量[2]。然而，LC-MS耗时较长、成本较高且技术要求较高，不适合工业一线人员使用，也无法在从农民手中采购紫苏叶片时立即应用。因此，开发一种快速且经济高效的紫苏叶片黄酮类化合物测定方法至关重要。对于现场检测人员来说，该方法应易于操作，所需专业知识少、操作简单且检测时间短。

紫外-可见-近红外（UV–Vis-NIR）光谱（200–1000 nm）具有快速、简单和成本低廉的优势，已成功应用于食品分析，如测定咖啡中的水分含量[15]和检测牛奶和水牛奶中的甲醛掺假[20]。然而，紫苏叶片中黄酮类化合物的UV–Vis-NIR光谱往往存在显著的重叠，导致数据矩阵维度较高且变量众多。因此，处理和解释这些复杂的数据对于准确测定黄酮类化合物含量至关重要[1][26]。这些数据不仅包含丰富的化学信息，还包含背景信号、仪器噪声和未知干扰的响应。此外，UV–Vis-NIR光谱获得的数据是一维的，传统方法仅限于单个化合物的定量检测。由于多种成分的同时存在，光谱重叠现象普遍发生，使得单个成分的定量分析变得困难。近年来，UV–Vis-NIR光谱因其高灵敏度和低检测限而成为一种有前景的分析方法。例如，结合偏最小二乘（PLS）算法的UV–Vis-NIR光谱已被用于分析昆布中的游离氨基酸含量[18]；同样，将UV–Vis-NIR光谱与机器学习技术结合也有助于检测多种类型的蜂蜜[1]。尽管如此，UV–Vis-NIR光谱在全面检测黄酮类化合物含量方面的应用尚未得到充分发展。预计结合PLS、支持向量机（SVM）和人工神经网络（ANN）等算法可以快速预测黄酮类化合物含量，通过捕捉复杂的光谱模式实现这一目标。然而，这些算法尚未在紫苏叶片黄酮类化合物含量测定中进行过对比研究，这限制了UV–Vis-NIR光谱模型的实际应用。此外，利用UV–Vis-NIR光谱同时预测紫苏叶片中的多种黄酮类化合物的方法也尚未得到充分探索。

本研究旨在开发一种经济高效且快速的UV–Vis-NIR光谱方法，适用于一线工作人员快速预测紫苏叶片中的黄酮类化合物含量。首先，利用LC-MS鉴定紫苏叶片提取物中的14种黄酮类化合物；其次，使用光谱仪测量紫苏叶片的UV–Vis-NIR光谱；最后，比较并选择了多种光谱预处理方法（包括一阶导数（FD）、二阶导数（SD）、多重散射校正（MSC）和标准正态变量（SNV）。接着，比较了竞争性自适应加权采样（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）和变量组合群体分析（VCPA）等特征波长选择方法。随后利用选定的特征波长和LC-MS数据构建并比较了PLS、SVM和ANN模型。最终，所构建的预测模型能够使一线工作人员快速且低成本地测定不同地区紫苏叶片中的黄酮类化合物含量。

材料与试剂

表儿茶素、表没食子儿茶素、没食子素、染料木素、金丝桃素、飞燕草素、柚皮素、橙皮素、木犀草素、普瑞兰、芸香苷、槲皮素、芹菜素、木犀草素和二氧甲基芸香素（色谱级）购自上海麦克林生化科技有限公司。95%乙醇溶液和甲醇（色谱级）购自天津奥普盛化工有限公司。紫苏叶片（Perilla frutescens (L.) Britt.，双面紫色紫苏）采集自中国的七个地区：

LC-MS条件优化

在优化的LC-MS条件下分离并检测到了14种黄酮类化合物。在5 V加速电压下获得的优化产物离子见表1。每种化合物中，选择丰度最高的离子作为定量离子，丰度第二高的离子作为定性离子。所有14种黄酮类化合物的洗脱时间均在5分钟内完成。色谱洗脱顺序和保留时间如下：普瑞兰

结论

本研究利用LC-MS分析了来自不同地区的紫苏叶片提取物中的黄酮类化合物含量，并应用了UV–Vis-NIR光谱技术，比较了多种预处理方法（包括FD、SD、SNV和MSC）。选择金丝桃素作为目标化合物，并比较了CARS、SPA、UVE和VCPA等特征波长选择算法。同时评估了PLS、SVM和ANN模型的优点和局限性。

CRediT作者贡献声明

魏全增：撰写 – 审稿与编辑、项目管理、概念构思。于明焕：数据可视化。安淼怡：数据可视化。李瑞：初稿撰写。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了河南省自然科学基金（项目编号252300421431）的资助。