基于GC-MS与智能传感器联用的藜麦、苋菜和小麦混合粉分类鉴定新方法及其在食品真实性保障中的应用

为解决高价值伪谷物粉掺假问题，研究人员通过GC-MS和电子鼻(E-nose)技术分析藜麦、苋菜与小麦粉的挥发性有机物(VOCs)，发现24种特征化合物（如柠檬烯、α-蒎烯等），建立PLS模型(R2CV=0.94-0.95)，实现混合物准确鉴别(89.7%)，为食品真实性检测提供快速无损新方案。

　　

随着健康饮食理念的普及，藜麦（Chenopodium quinoa Willd.）和苋菜（Amaranthus spp.）因其高蛋白、无麸质等特性成为传统谷物的热门替代品。然而，这些高价值伪谷物（pseudocereal）粉常面临掺假风险，尤其是与廉价小麦粉混合时，亟需开发快速准确的鉴别技术。传统检测方法如近红外光谱（NIR）虽有效但成本较高，而基于挥发性有机物（VOCs）的鉴别研究尚不充分。

针对这一挑战，研究人员开展了一项创新研究，通过气相色谱-质谱联用（GC-MS）和电子鼻（E-nose）技术，系统分析了藜麦、苋菜和小麦粉的挥发性特征。研究发现伪谷物粉富含柠檬烯（limonene，1502.7 μg/g）、α-蒎烯（1R-α-pinene）和β-蒎烯（L-β-pinene）等特征性萜烯类物质，而小麦粉则以己醛（hexanal，1107.6 μg/g）等氧化标志物为主。通过主成分分析（PCA），这些差异被成功转化为可区分的香气指纹图谱，PC1和PC2累计解释率达90.52%。

研究团队采用包含8个金属氧化物半导体传感器（MQ2-MQ135）的电子鼻装置，对纯粉及不同比例混合物（如藜麦:小麦50:50、苋菜:小麦20:80等）进行检测。结果显示，电子鼻对纯粉的鉴别准确率达89.7%，并能有效区分含10%伪谷物的混合样品。通过偏最小二乘（PLS）建模，传感器数据与关键VOCs浓度呈现强相关性（R²CV=0.94-0.95），验证了该技术定量分析的可靠性。

主要技术方法
研究采用GC-MS鉴定挥发性成分，结合固相微萃取（SPME）前处理；电子鼻系统通过传感器阵列捕获香气信号；运用PCA和PLS等化学计量学方法建立鉴别模型。所有样品（含2个藜麦品种、2个苋菜品种及小麦粉）均经标准化研磨和4℃保存，确保数据可比性。

关键研究结果

1. 挥发性物质特征分析：发现24种VOCs，伪谷物粉的萜烯含量（458.4-2343.0 μg/g）显著高于小麦粉（134.5 μg/g），而小麦粉的醛类（1226.0 μg/g）和醇类（1161.2 μg/g）更丰富。
2. 电子鼻鉴别效能：PCA模型对纯粉的区分度达89.68%（PC1 74.65%+PC2 15.03%），三重混合物鉴别总方差解释率90.2%。
3. 混合比例检测：可识别含5%苋菜粉或12.5%藜麦粉的混合物，PLS模型预测萜烯浓度的RMSEP低至0.57。

研究意义
该研究首次将电子鼻技术应用于伪谷物粉鉴别，开发出低成本（无需试剂）、快速（单次检测<30分钟）的现场检测方案。通过建立VOCs-传感器响应关联模型，为食品真实性监管提供了新工具，尤其适合生产线质量控制。未来可通过扩大样本量和优化传感器组合，进一步提升该技术在复杂食品基质中的适用性。论文成果发表于《Journal of Agriculture and Food Research》，为保障高价值农产品供应链诚信提供了重要技术支撑。