栀子果的多维品质分析：基于近红外技术与电子眼数据融合的快速定性识别与定量预测方法

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Multidimensional quality profiling of Gardenia fructus: Rapid qualitative identification and quantitative prediction method based on near-infrared and electronic eye data fusion

　　摘要
栀子果实（GF）是保健品、茶叶和天然色素的关键原料，但目前缺乏全面的质量评估方法。因此，本研究开发了一种综合质量控制方法，结合了颜色特征、光谱指纹、活性成分含量和生物活性，揭示了来自不同产地和加工方法的GF在多维度上的显著差异。为了实现快速的追溯性和预测能力，本文整合了电子眼（E-eye）和近红外（NIR）技术来获取单个和融合信号特征，并使用了三种智能算法（随机森林、径向基函数和粒子群优化反向传播神经网络）进行建模和分析。仅利用颜色或光谱特征就可以准确分类GF的加工方法，而引入的特征级融合策略则能够完全区分不同来源的GF，准确率达到100%。在预测栀子苷、ゲニピン、ゲニチオビオシド、イソクロロゲニック酸C和クロシンI的含量以及GF对TNF-α和IL-6的生物活性方面，光谱特征的表现优于颜色特征，数据融合显著提高了预测效果，相关统计指标（RPD值）均大于3，R2值接近1。本研究为GF的非破坏性、高效评估和标准化控制提供了创新解决方案。

引言
栀子果实（GF）是茜草科栀子（Gardenia jasminoides Ellis）的干燥成熟果实。作为一种广泛使用的食品添加剂或营养补充剂，GF常被添加到茶叶或保健产品中，并因其强大的抗氧化和抗炎特性而显示出对神经系统、心血管系统和消化系统的保护作用[1][2]。迄今为止，已从GF中分离出超过150种化合物，其中最著名的是二萜类色素、环烯醚萜苷类和有机酸酯，包括クロシンI、ゲニピシド和イソクロロゲニック酸C[3]。栀子黄是一种罕见的可食用天然水溶性黄色色素，由类似クロシン的化合物组成，被视为高价值的天然添加剂，广泛应用于大米和面粉制品等多种食品中。这种色素不仅赋予食品诱人的黄色外观，还通过抗氧化作用延长了产品的保质期，提升了产品的感官质量和稳定性[4]。栀子衍生的环烯醚萜苷与不同氨基酸相互作用可产生栀子蓝/红色色素，在化妆品和营养保健品配方中发挥着重要作用[5]。此外，富含不饱和脂肪酸、甾醇、角鲨烯、生育酚和クロシン的GF油因其健康益处而成为制备功能性食用油的受欢迎选择[6]。
GF主要分布在亚洲和北美，主要生产基地位于中国河南省和江西省。然而，受地理和气候因素的影响，不同地区的GF在化学组成上存在差异，导致市场上产品质量不稳定。通常，GF会在大约150°C的温度下翻炒，直到表面颜色从鲜红色变为深黄色，从而制成炒栀子（CGF）。这种加工方法被广泛认为能有效提高GF的抗氧化活性，其效果主要归因于其中クロシン中糖苷键的水解（裂解），释放出活性更高的苷元[7]。值得注意的是，在翻炒过程中可能还会发生焦糖化和美拉德反应，生成棕色色素，同时原始的黄色クロシン色素会经历热降解[8]。这些变化共同导致了GF在翻炒过程中的颜色改变。此外，加工温度和时间的不同会调节生物活性成分的动态转化，从而影响最终产品的质量。因此，随着对GF来源和加工方法追溯要求的日益严格，其质量控制的重要性日益凸显。目前，传统的感官评价和成分定量是评估GF质量的常用方法。前者主要关注颜色特征，这与GF的成熟度和加工程度密切相关，但这种方法依赖于检验员的经验判断，无法提供可测量的数字结果。同时，现行的质量标准过度依赖ゲニピシ德这种单一成分，无法反映GF复杂的化学构成，无法完全解释由不同地理来源和加工方法引起的质量变化[9][10]。更重要的是，化学组成的差异可能会直接影响GF的生物活性[11][12][13]。近年来，生物评价逐渐成为有效的质量评估工具，通过整合多种成分和多靶点的整体活性模式来评估食品的功能性。尽管GF的生物活性已有充分记录，但尚未建立适用于常规质量控制的快速、高通量生物评估方法。
传统的实验室技术由于程序复杂且耗时，无法满足高通量样品鉴定的需求。如今，快速的非破坏性检测技术（如傅里叶变换近红外（FT-NIR）和电子眼（E-eye）因其显著优势而成为样品追溯和含量预测的研究热点[14][15]。FT-NIR可以通过识别10,000–4000 cm?1范围内的官能团（CH、OH、NH）来分析食品中的化合物组成[16]。结合化学计量学，它已成为能够进行样品追踪和含量预测的分析平台。电子眼通过模拟人眼视觉系统，可以捕捉和量化样品的颜色值[17]。在常用的颜色量化模型中，L*a*b*色彩空间因其广泛的色域覆盖范围和设备独立性而备受青睐，适用于需要高精度的分析应用；HSV空间在图形设计和图像编辑软件中也被广泛应用，它们是感知上均匀的颜色模型，与人类视觉系统的色彩感知高度一致[18][19]。相比之下，尽管RGB空间在数字媒体和显示设备中广泛使用，但其缺乏感知上的均匀性，对色调、饱和度和亮度的控制不够直观，难以准确表示人类所感知的颜色[20]。在GF快速检测领域，只有FT-NIR技术表现出验证真伪和预测关键成分浓度的实际效用[14][21]。然而，定量预测未能充分考虑GF中的有机酸酯，对其他成分的预测准确性也不理想。这种局限性可能源于GF中多种クロシン和环烯醚萜苷之间的分子结构和发色团的相似性，导致它们的NIR光谱有严重重叠。因此，光谱信号与各个成分之间的非线性混合关系复杂，传统的线性模型（如PLS-DA）无法有效处理。遗憾的是，电子眼技术尚未应用于GF的追溯研究，也未对三种色彩空间（L*a*b*、HSV和RGB）进行系统的比较分析以预测食品质量。鉴于单一信号数据不足以反映食品的复杂多维质量属性，多源数据融合成为研究重点，例如在山药和人参的地理来源鉴定以及红茶加工过程中的水分监测中，多光谱融合技术已经显示出有效性[22][23][24]。然而，数据融合在GF研究中的应用仍待探索。至关重要的是，目前尚无有效的方法来追溯GF的来源和加工方法，而这些因素对其质量有很大影响。FT-NIR可以通过官能团振动检测到分子结构的变化（如糖苷键的裂解），而电子眼则直接量化颜色参数，捕捉色素降解和新色素生成所带来的视觉变化。因此，NIR和电子眼分别从“分子结构”和“表观颜色”的角度提供了互补信息，它们的结合有助于更全面地表征来源和加工方法对GF质量的影响。此外，生物活性预测仍是一个重要的未解决挑战。

本研究首次系统研究了不同颜色模型对GF质量的影响，对三类特征成分和抗炎生物活性进行了定量分析，最终建立了一个结合“颜色-成分-活性”的新型质量控制体系，提高了GF质量标准的科学价值和实际应用价值。同时提出了一种整合FT-NIRS和电子眼的中级数据融合策略，并结合三种智能算法，创新地实现了对GF来源和加工方法的快速区分以及成分含量和生物活性的预测。

样本和试剂
从中国的河南省（GF-HN）和江西省（GF-JX）获取了多批GF样本，其中部分样本进一步加工成炒栀子（CGF，见表S1）。ゲニピシド、ゲニピン、ゲニチオビオシド、イソクロロゲニック酸C和クロシンI购自成都瑞帆生物科技有限公司（中国成都），每种标准的纯度均超过98%。甲酸（HPLC级）购自ACS（美国），甲醇（分析级）和乙腈（HPLC级）购自CNW（德国）。水

三种色彩空间中的颜色值分析
为了数字化表征颜色，使用L*a*b*空间测量了所有GF样本的果皮和粉末的颜色。果皮的L*值（0[黑色]～100[白色]）范围为31.22–44.11，表现出中等亮度并略带偏暗；a*值（?120[绿色]～120[红色]）范围为16.22–26.22，呈现红色调；b*值（?120[蓝色]～120[黄色]）范围为14.62–38.94，表现出黄色调（图1A）。

结论
本研究从四个关键方面（颜色、化学组成、生物活性和NIR光谱特征）对GF进行了全面的质量评估。结果发现，来自不同产地和加工方法的GF样本在化学成分和生物活性方面存在显著差异。通过PCA以及RF、RBF和PSOBPNN算法分析颜色和光谱特征，发现果皮颜色对加工条件的敏感性更高。

作者贡献声明
张思瑶：撰写——原始草稿、方法学、可视化；刘慧心：调查、正式分析、数据管理；周雅倩：软件、概念化、验证；陈丹妮：调查、数据管理；彭桂林：数据管理；张轩：监督、项目管理；刘勋：概念化；尹芳洲：撰写——审稿与编辑、监督、方法学。

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成果。

致谢
本研究得到了中国国家自然科学基金（项目编号82274096）的支持。

作者单位：南京中医药大学药学院，南京210023，中国