准确鉴别和区分橙品种对食品质量控制、市场细分及产品真伪鉴别至关重要。传统方法依赖多项理化测定和感官评价，导致分析流程劳动密集且试剂消耗大。本研究评估了自制电位型电子舌(potentiometric electronic tongue, E-tongue)作为一种快速、无试剂替代方法，用于根据品种鉴别鲜榨橙汁。研究人员对五种市售相关橙品种(Baía、Dalmau、Lane Late、Navelate和Salustiana)进行了表征，采用果实形态学描述符、果汁理化参数[可溶性固形物：9.1–12.9 °Brix，可滴定酸度：0.7–0.8 g 柠檬酸·100 g-1，总固形物：最高达13.1%]及消费者感官评价，并与不经试剂、溶剂或样品前处理直接获取的电位指纹图进行比较。多元统计分析显示，基于模拟退火算法(simulated annealing algorithm)筛选出的9个形态学与理化变量建立的线性判别模型(linear discriminant model)，在重复4折交叉验证(repeated 4-fold cross-validation)下平均正确分类率为89%；而基于10个选定电位传感器建立的电子舌模型在相同验证方案下平均灵敏度为94%，稳健性更优。电位分析每个样品仅需单次5 min测定且产生极少废物。研究结果表明，电位指纹分析可作为橙品种鉴别中传统多参数分析流程的有效替代或补充方法，在大幅降低分析复杂度、时间及资源消耗的同时提供稳健的判别能力。所提出的方法代表了需在快速、重现性品种判别场景下用于食品质量评估和常规筛查的实用工具。
研究背景与目的
橙(Citrus sinensis L. Osbeck)品种身份是决定果实大小、出汁率、甜酸平衡及消费者接受度的关键因素，准确的品种鉴别对食品质量控制、市场细分和产品真伪鉴别（尤其是高端柑橘市场）具有重要意义。传统橙品种区分依赖于多项理化分析[总固形物、可溶性固形物(soluble solids, SS)、灰分、可滴定酸度(titratable acidity, TA)、色泽参数]结合训练或消费者感官评价，这些方法虽能提供组成和感知信息，但需多次湿化学测定、大量样品处理、试剂与校准液及专用实验室设施；感官评价虽直接反映消费者感知，但主观性强、耗时耗力、重现性与可扩展性有限。高分辨色谱与质谱指纹技术虽能捕获品种差异，但成本高、耗时且不适用于常规质控。电位型电子舌(potentiometric electronic tongue, E-tongue)通过交叉敏感传感器阵列与多元数据分析获取整体电化学指纹，可直接分析原始基质样品而无须前处理，适合快速食品质量评估与真伪筛查，但针对鲜榨橙汁品种级鉴别并将电位指纹与传统理化及感官方法进行系统比对的系统评价仍较缺乏。因此，本研究旨在评估自制电位型电子舌作为快速、客观、无试剂工具鉴别鲜榨橙汁品种的性能，并与传统形态学、理化及感官方法进行直接比较。该研究成果发表于《European Food Research and Technology》。
主要关键技术方法
研究人员选取葡萄牙市场四种Navel橙(Baía、Dalmau、Lane Late、Navelate)及一种西班牙甜橙(Salustiana)，每品种约30个果实。分别进行：①形态学分析（单果重量、纵横径、果皮厚度、CIELab色度及果皮颜色指数Peel Color Index, PCI）；②果汁理化分析（出汁率ηjuice 、pH、电导率、密度djuice 、SS测定以°Brix表示、TA以g柠檬酸·100 g-1 果汁计、成熟度指数SS/TA、总固形物total solids, TS、灰分）；③未训练消费者感官评价（7分喜好评定量表，含外观、内部视觉、甜/酸/余味及综合评价）；④自制电位型电子舌分析——含两圆柱阵列各20枚脂质-聚合物膜(lipid-polymeric membrane, 含3%脂质添加剂、32%增塑剂、65%聚氯乙烯PVC)的交叉敏感传感器，以Ag/AgCl双液接参比电极，采集5 min内电位信号，每品种5个独立果汁样本（每样本由5果混池制备）。数据采用单因素方差分析(one-way ANOVA)及Tukey检验、Pearson相关系数，并利用模拟退火算法(simulated annealing, SA)结合线性判别分析(Linear Discriminant Analysis, LDA)进行变量/传感器优选，模型性能通过留一法交叉验证(leave-one-out cross-validation, LOO-CV)及重复4折交叉验证(repeated 4-fold cross-validation)评估。
研究结果
外部形态学与果皮色泽(External morphology and peel color)
研究人员测量果实纵横径、果重、果皮厚度及CIELab参数并计算PCI。Baía果径最大、皮最厚(~9.0 mm)，Dalmau果实最小，Navelate皮最薄(~4.7 mm)；Baía呈较粗糙果皮及较高a* peel （橙红倾向），Dalmau b* peel 最高（黄倾向）。结论：品种间形态与果皮色泽具显著差异，与遗传及环境条件相关，并影响ηjuice （厚白皮层降低出汁率）。
果汁理化特征(Juice physicochemical characteristics)
研究人员测定ηjuice 、pH、电导率、djuice 、SS、TA、SS/TA、TS及灰分。ηjuice 为38.7%(Baía)~50.8%(Lane Late)；SS为9.1°Brix(Dalmau)~12.9°Brix(Salustiana)；TA窄幅波动(0.7~0.8 g柠檬酸·100 g-1 果汁)，SS/TA为11.4(Dalmau)~22.7(Navelate)；电导率3.4~4.1 mS·cm-1 ，灰分0.3%~1.2%。果汁色泽参数(L* juice 、a* juice 、b* juice )品种间无统计学显著差异(p>0.05)。结论：各品种形成协调的理化轮廓，SS、TA及SS/TA是感官感知与电子舌响应的化学基础，果汁颜色单独不足以有效区分品种。
感官评价(Sensory evaluation)
研究人员通过35人未训练消费者小组对外观、内部视觉（含有无籽）、甜/酸/余味喜好及综合评价评分。Baía因色泽与无籽获较高外观分；Dalmau因有籽（非常规）内部视觉评分最低；Lane Late与Navelate甜/酸/余味及综合评价最高，Dalmau最低。面板内个体差异大（误差棒宽），部分品种感官轮廓重叠。结论：感官评价可捕捉消费者感知偏好，但因主观性、变异性大及重叠限制其作为品种鉴别常规工具的适用性，需客观分析手段整合甜酸与离子成分信息。
基于理化数据的橙品种判别(Discrimination of orange cultivars using physicochemical data)
研究人员将形态+理化原始变量集经SA筛选出9个最具判别力变量（ηjuice 、djuice 、SS、灰分、TS、Dvert 、Dhor 、a* juice 、b* juice ），建立LDA模型。DF1–DF3解释95.5%、2.6%、1.5%总方差，训练集100%正确，LOO-CV 97%（仅1例误判），但更严格重复4折交叉验证平均灵敏度降至89±14%，误判分布于除Dalmau外的品种。变量贡献分析显示果形尺寸与ηjuice 贡献高，SS/djuice /TS对Lane Late与Salustiana贡献大，果汁颜色坐标贡献低。结论：传统多参数理化数据结合LDA-SA可提供一定判别力，但需多步分析且在交叉验证下稳健性有限，不适合需快速、简捷的常规品种认证。
基于电子舌的橙品种判别(Orange-cultivar discrimination using an E-tongue)
研究人员采集40通道电位信号，Pearson相关分析显示部分传感器信号与SS、TS、灰分、电导率呈|r|>0.7的线性相关（与TA、pH相关少），同组分膜传感器相关符号一致。SA从40传感器中优选10个（阵列1：S1:1、S1:6、S1:13；阵列2：S2:1、S2:2、S2:8、S2:10、S2:14、S2:16、S2:20）建LDA模型。DF1解释99.8%总方差，DF1群组重心与SS/TA呈负相关(r=-0.735，除去Navelate）。训练集与LOO-CV均为100%正确分类，重复4折交叉验证平均灵敏度94±12%。结论：电位型电子舌通过脂质膜与果汁中糖、有机酸及无机离子的交叉敏感静电相互作用获取整体味觉指纹，能有效捕获品种间细微甜酸平衡差异，判别准确率等于或优于传统理化LDA模型，且仅需单次5 min无试剂测定。
讨论与结论总结（翻译结论部分）
本研究表明，利用电位型电子舌可高效且稳健地实现橙汁品种鉴别，为传统理化与感官方法提供了明确替代方案。尽管常规分析方法揭示了品种依赖性趋势，但其应用需多步分析、化学试剂及主观感官评价，导致分析复杂度增加且交叉验证下稳健性受限。相比之下，电子舌通过单次快速测定将甜度、酸度及离子成分整合为整体电化学指纹，实现了准确的品种判别。即便在此方法学简化下，电位法显示出等同或优于基于筛选理化参数模型的分类准确率。此外，该方法符合绿色分析化学(Green Analytical Chemistry)原则——分析过程无需试剂或溶剂、产生极少废物且每样品5分钟内给出结果。综上，本工作表明电位指纹分析可在降低分析负担的同时为橙品种鉴别提供适用信息，支持其作为柑橘产业常规质量控制与真伪评估的实用绿色工具。未来工作将扩展样本量并评估生产方式、成熟度及季节/年度变化的影响，以进一步验证和提升所提出电子舌方法的预测能力。
打赏
