《Food Chemistry》：Multichannel chemical fingerprinting and exploratory chemometric analysis for Taiwanese tea traceability
编辑推荐：
•
UV-ECD-MS 提供了互补的多通道茶叶指纹图谱。
•
PCA 显示了与品种和地区相关的变化模式。
•
PLS-DA 和 RF 评估了茶叶的差异化趋势。
•
儿茶素和氨基酸相关的信号有助于聚类分析。
引言
茶叶是全球消费最广泛的饮
- •
UV-ECD-MS 提供了互补的多通道茶叶指纹图谱。
- •
PCA 显示了与品种和地区相关的变化模式。
- •
PLS-DA 和 RF 评估了茶叶的差异化趋势。
- •
儿茶素和氨基酸相关的信号有助于聚类分析。
引言
茶叶是全球消费最广泛的饮料之一，含有多种初级和次级代谢物，包括氨基酸、多酚、生物碱和黄酮类化合物，这些成分决定了茶叶的感官品质和消费者的偏好（Da Silva Pinto, 2013; Fang et al., 2021; Higdon & Frei, 2003）。这些代谢物的组成因品种、海拔、气候、土壤、农业实践和加工条件而异，为研究品种和地区间的差异提供了潜在的化学基础（Hu et al., 2023; Lee et al., 2019; Lu et al., 2023）。
传统上，茶叶的质量和来源是通过感官评估来判定的。然而，现代的加工和混合技术可能会掩盖与品种或来源相关的特征，并可能使高质量的地区茶叶被低成本替代品所取代（Hao et al., 2024; Li & Wang, 2020; Liang et al., 2024; Zhao et al., 2022）。因此，需要客观且可重复的分析方法来进行茶叶的特征分析、鉴定和追溯。
分析化学的进步扩展了可用于食品和茶叶追溯的工具范围。同位素比率质谱（IRMS）和电感耦合等离子体质谱（ICP-MS）等技术分别提供了同位素和元素特征，而色谱平台则能够更直接地分析有机成分。然而，单个色谱检测器只能捕捉到复杂茶叶化学成分的不同维度（Cengiz et al., 2017; Daglia et al., 2014; Gu et al., 2025; Luykx & van Ruth, 2008; Shuai et al., 2022; Yue et al., 2019）。
传统的 HPLC-UV 可以可靠地分析具有紫外吸收性的多酚，但其响应程度取决于化合物的发色性质，对于吸收弱或重叠的成分可能辨识度较低。相比之下，ECD 对电活性化合物（特别是具有氧化还原活性的多酚类成分如儿茶素）具有选择性和互补的响应。高分辨率 LC–MS 进一步提供了准确的分子质量和碎片信息。因此，将 UV、ECD 和高分辨率 MS 结合使用可以在一个统一的化学计量框架内提供互补的光学、电化学和分子信息。
同时，包括近红外光谱、高光谱成像、计算机视觉、电子鼻、电子舌和芯片实验室平台在内的快速分析技术已经出现，用于高通量甚至现场的食物质量筛查（Chen et al., 2025; Ferreira et al., 2026; Kanaga Raj et al., 2023; Xia et al., 2024）。这些方法在速度和操作简便性方面具有优势，但通常依赖于间接的光谱或传感器响应模式，需要可靠的校准模型，这可能会限制分子层面的解释。相比之下，基于 LC–MS 的分析方法提供了更详细的分子信息，并已被用于表征与品种和地理来源相关的茶叶代谢物（Fang et al., 2019; Navratilova et al., 2019; Su et al., 2019）。因此，快速筛查技术适用于常规分类，而色谱-质谱方法特别适用于详细的化学表征和以标记为导向的解释。
最近的发展表明，食品追溯正在向集成分析和数字框架发展，其中分子或光谱检测与人工智能（AI）、物联网（IoT）和区块链技术相结合，以提高鉴定能力、数据整合和供应链透明度（Kirubakaran et al., 2026; Liu et al., 2025; Rossi et al., 2025）。在这种背景下，化学解析的指纹图谱可以为新兴的数据驱动型追溯系统提供互补的分析信息。
在这项研究中，采用多通道化学指纹图谱策略，结合 HPLC-UV、ECD 和 ESI-Orbitrap-MS/MS 来表征台湾乌龙茶。利用互补的检测器响应来分析具有紫外吸收性的化合物、电活性成分以及质谱特征。PCA 和层次聚类热图用于探索性分析化学变化，而 PLS-DA 和 RF 分类用于评估有监督的差异模式并识别与茶叶组别区分相关的分析变量。分析了来自嘉义、南投和宜兰的茶叶样本，以研究品种和地区相关的化学变化。本研究的目的不是建立一个确定的鉴定模型，而是评估将互补的分析信号与化学计量方法结合用于相对相似的台湾乌龙茶的探索性表征的可行性。
章节摘录
试剂和化学品
从 Sigma-Aldrich（美国密苏里州圣路易斯）购买了含有甘氨酸以及丙氨酸、精氨酸、天冬酰胺、天冬氨酸、半胱氨酸、谷氨酸、谷氨酰胺、组氨酸、异亮氨酸、亮氨酸、赖氨酸、甲硫氨酸、苯丙氨酸、脯氨酸、丝氨酸、苏氨酸、色氨酸、酪氨酸和缬氨酸的 L-异构体的氨基酸标准混合物（AAS18）。每种氨基酸的浓度为 2.5 μmol/mL，溶解在 0.1 N HCl 中，除了 L-半胱氨酸（1.25 μmol/mL）。L-茶氨酸（≥98%）也来自同一供应商。
分析
多通道色谱和质谱分析
用于表征台湾乌龙茶的集成分析工作流程结合了 HPLC-UV、ECD 和 HPLC-ESI-MS/MS（图 1）。这种多通道框架提供了对具有紫外吸收性的化合物、电活性成分和准确分子质量的互补表征，从而生成了用于后续化学计量分析的集成化学指纹图谱数据集。
图 2 展示了代表性的多通道分析谱图。HPLC-UV 色谱在 280 nm 处进行监测
组别相关的化学特征
集成多通道分析显示了不同台湾乌龙茶组之间的化学差异。高山乌龙茶与多种儿茶素和多酚相关特征更为显著，而 TTES No. 12 以及低海拔乌龙茶则更多地表现出与氨基酸相关的特征。这些模式在多种化学计量分析中都有观察到，为解释组别间的差异提供了化学依据
结论
本研究证明了将 HPLC-UV、电化学检测、高分辨率 ESI-Orbitrap-MS/MS 和基于 HILIC 的氨基酸分析相结合，用于台湾乌龙茶的多通道化学表征的可行性。ECD 对电活性儿茶素和多酚相关成分提供了选择性的响应，为紫外和质谱信息提供了电化学维度。探索性的化学计量分析揭示了组别间的变化
手稿制备过程中生成式 AI 和 AI 辅助技术的声明
在撰写本稿时，作者使用了 ChatGPT（OpenAI）、Gemini（Google）和 Grammarly 来帮助语言润色、语法校正、手稿组织和提高写作清晰度。作者随后审查并修改了所有 AI 辅助的内容，并验证了科学内容和解释的准确性。作者对手稿的内容负全部责任。
CRediT 作者贡献声明
Hung-Yu Pan： 写作 – 审稿与编辑、初稿撰写、可视化、项目管理、形式化分析、数据管理。Ya-Chi Feng： 验证、调查、形式化分析、数据管理。Min-Heng Lai： 验证、调查、形式化分析、数据管理。Kuo-Lung Ku： 写作 – 审稿与编辑、监督、资源管理、项目管理、方法学、资金获取、概念化。
伦理声明
作者声明本研究未涉及人类参与者、人类数据、人类组织或动物。因此，不需要伦理批准和知情同意。
资助
本研究得到了台湾国家科学技术委员会（NSTC）的支持（资助编号：MOST 106-3114-B-415-001）。
van den Berg, Hoefsloot, Westerhuis, Smilde 和 van der Werf, 2006
Dogan 和 Birant, 2021
Fu, Zhang, Zhou 等, 2018
Gromski, Xu, Kotze 等, 2014
Hastie, Tibshirani 和 Friedman, 2009
Hong 等, 2021
Kodama 等, 2007
Lee, Lee, Chung 等, 2015
Li 等, 2025
Sun 和 Xia, 2024
Szymańska, 2018
Wang, Provan 和 Helliwell, 2003
Wen, Ren, Zhang 等, 2020
Wilkinson 和 Friendly, 2009
Yener, Sanchez-Lopez, Granitto 等, 2016
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
作者衷心感谢台湾国家科学技术委员会（资助编号：MOST 106-3114-B-415-001）提供的财政支持。作者还感谢台湾农业部的茶叶研究站在本研究过程中提供的茶叶样本和技术协助。作者 also 感谢匿名审稿人的建设性评论和建议，这些都有助于
Hung-Yu Pan|Ya-Chi Feng|Min-Heng Lai|Kuo-Lung Ku
