4.3 統計學分析
采用
SIEVE 軟件對組分進行提取、過濾（P-Value ＜ 0.05）及統計學分析。不同品牌組和不同等級組分別得到 486 個和1246
個化合物。通過 SIMCA 軟件對上述化合物的 PCA 分析表明，在這兩個分析組中 3
種香型的白酒均能較好的分開，聚類趨勢明顯，無明顯離群組分且與其他組別有較明顯差異（圖 3）
采用 SIEVE
軟件找出所得化合物中ratio差別較大，且在XIC圖中有明確色譜峰的化合物，作為潛在標志物，如圖 4 所示（以化合物 S1
示例）。最終在兩個分析組中分別確定的標志物見表 5 和表 6。其中有 5 個化合物為兩個分析組的共有標志物。以這 5 個共有標志物為指標，采用
SIMCA
軟件進行正交校正偏最小二乘法判別分析（OPLS-DA），最大化地凸顯模型內部不同組別之間的差異。分析結果表明三種香型的白酒可以得到良好的區分（圖
5）。
4.4 建模與預判
以此 OPLS-DA 分析的模型對已知另一典型濃香型白酒樣品（沱牌曲酒，50°）進行預判分析，來考察選取的5個標志物對3種香型白酒的鑒別能力。結果表明，測試樣品可以很好的和濃香型樣品聚合在一起，和另外兩種組能很好的區分，判斷結果正確（圖 6）。
4.5 標志物鑒定
根據標志物的精確質量數、同位素分布和二級碎片離子等信息，采用 Xcalibur 軟件、MassFrontier 軟件和 ChemSpider 網絡數據庫進行了鑒定和確證，鑒定結果見表 7。
5. 結論
本實驗展示了基于組學的分析方法在食品種類鑒別中的工作流程。結果表明
Orbitrap 高分辨質譜技術結合組學分析軟件SIEVE 及統計學分析軟件
SIMCA，可以有效地鑒別濃香、醬香和清香三種香型的白酒。在實驗中鑒定到了 5
個共有標志物，其中包括濃香型白酒被廣為認知的特征成分己酸乙酯，與既有研究一致，也表明所選標志物具有極高的可信度。通過對已知樣本的預判測試，顯示出所建立模型可以很好的用于三種香型白酒的區分。標志物未在清香型白酒中發現，能與清香型白酒本身就分
3 種亞型有關。另外，通過樣本量的增加，所建立的模型進行樣品預測的準確度可能會進一步提高。后續還可采用該流程和方法對 12
種白酒香型中的其他香型和不同年份的白酒樣品進行分析和比較。利用本文建立的這一套工作流程，可以推廣到食品組學研究領域更廣范圍的品種鑒別、產地溯源、質量控制等各個研究方向。
參考文獻
[1] 周圍，等。名優白酒質量指紋專家鑒別系統。分析化學，2006年4月，第32卷，735-740。
[2] 柳軍，等。應用GC-O分析比較兼香型和濃香型白酒中的香氣化合物。釀酒，2008年5月35卷，103-107。
[3] 王永維，等。基于電子舌的白酒檢測與區分研究。包裝與食品機械，2009年第27卷第5期，57-61。
