湖北中醫藥大學劉艷菊教授團隊在《Talanta》雜志（IF=6.1）上發表題為“A novel chromatographic-sensory-spectral method combined with multivariate algorithms for the identification of differently processed Trionycis Carapax”，文章提出結合多變量算法的新型色譜-感官-光譜法鑒別不同加工程度鱉甲。研究構建多技術分析框架，明確表面顏色參數（a背面、b正/背面）、粉末顏色參數（b*、L*）為關鍵區分指標，電子鼻可區分生品與加工品，近紅外光譜結合歸一化預處理能有效區分加工度，BP神經網絡模型鑒別率達91.7%，揭示了加工中氨基酸動態變化與美拉德反應、蛋白質水解的關聯，為鱉甲加工質量控制及中醫藥保健食品數字化轉型提供參考。
圖解摘要
一、研究背景與意義
鱉甲（Trionycis Carapax）作為常用保健食品原料，其加工程度直接決定品質。傳統加工依賴經驗判斷，缺乏定量標準，且單一分析技術難以全面表征加工過程中的多維質量變化，導致產品批次差異大、質量不穩定，嚴重制約了其標準化生產與在保健食品中的應用。
此前研究多采用單一分析工具，無法全面評估鱉甲在炮制和制備過程中的多維質量變化。鑒于此，本研究將食品化學領域成熟的多模態分析框架引入中醫藥保健食品加工體系，以鱉甲為研究模型，旨在構建結合多種技術的綜合分析框架，實現對不同加工程度鱉甲的精準鑒別，為鱉甲制備工藝優化提供理論依據，同時為傳統經驗型質量控制向數據驅動型轉變提供技術支持，對推動中醫藥保健食品生產現代化和標準化具有重要意義。
二、實驗材料與方法
樣品：采購自湖北、安徽、江蘇的10批次中華鱉，制備得到40個鱉甲樣品，包括凈鱉甲和醋制鱉甲（分為欠制、適中、過制三個等級）。
cNose電子鼻系統（上海保圣實業發展有限公司，中國）由10個用于樣品分析的金屬氧化物傳感器組成。每個樣品（4 g）置于20 mL頂空玻璃瓶中，在25 ℃下平衡6 h。測試條件如下：清洗時間為120 s，流速為6 L/min，等待時間為5 s，測試時間為60 s，流速為1 L/min。每個樣品重復分析三次。響應值表示為G/Go比，該比值表示樣品氣體與純空氣之間的電阻率比。每個傳感器的平均響應值用作該樣品的數據。
三、實驗結果與討論
研究發現，鱉甲的加工程度變化會影響其氨基酸組成、顏色和近紅外光譜特征。通過HPLC分析，隨著加工程度增加，賴氨酸含量下降，丙氨酸與色氨酸含量上升，PCA與OPLS-DA模型篩選出8個氨基酸差異指標。E-eye分析表明，鱉甲表面及粉末的L*、E值下降，a值上升，b值先升后降，OPLS-DA模型確定了顏色差異的主要指標。NIR光譜分析顯示，經過預處理的光譜能有效區分不同加工程度鱉甲。
電子鼻（E-nose）分析
圖中A為不同加工程度鱉甲電子鼻氣味響應值雷達圖，其中響應值最高的是S8（短鏈烷烴），其次是S6（有機氣體、苯酮類、醛類、芳香族化合物），最后是 S5（氮化物、氨），說明鱉甲中的主要揮發性成分為短鏈烷烴、有機氣體、苯酮類、醛類、芳香族化合物、氮化物和氨。柱狀圖B、C、G、I表明鱉甲及加工品對傳感器1、2、6、8的響應值存在明顯差異，說明烷烴、煙熏味、醇類、醛類、短鏈烷烴、有機氣體、苯酮類、醛類、芳香族化合物是造成生鱉甲與加工品氣味差異的成分。生鱉甲各傳感器響應多高于加工品；氣味雷達圖表現出傳感器1、2、6、8可區分生品與加工品。通過OPLS-DA分離生品與加工品的趨勢略好。
多模態數據分析進一步揭示了鱉甲外觀與內在成分之間的動態關聯，且基于這些數據構建的BP神經網絡判別模型，測試集總準確率達91.7%，可精準識別不同加工程度的鱉甲。
