欢迎您访问葡藤匠心网！
关注微信公众号：葡藤匠心、葡萄酒学报
获取更多信息
Food Chem：两种分析技术的结合改进了按葡萄园、地区和年份划分的葡萄酒分类
发布时间：
2025-10-12
来源：
葡萄研究
两种分析技术的结合改进了按葡萄园、地区和年份划分的葡萄酒分类
期刊：Food Chemistry（9.8）
发表日期：2021年
研究摘要
本研究以源自同一接穗克隆（黑皮诺667）的15款黑皮诺葡萄酒为对象，评估葡萄园、产区和年份这三个关键参数。这些葡萄酒产自美国太平洋沿岸8个产区，涵盖2015和2016两个年份。研究将非靶向一维氢核磁共振（1D ¹H NMR）分析与靶向肽基差异传感阵列相结合，成功提升了黑皮诺葡萄酒的分类效果。其中，NMR光谱用于分析葡萄酒的化学指纹，而肽基传感阵列通过表征酚类物质谱，模拟味觉、嗅觉和口感。对NMR与差异传感阵列组合数据集进行多变量和单变量统计分析后，可依据与生长产区、葡萄园及年份相关的独特代谢特征，对基因相同的黑皮诺葡萄酒进行分类。
研究背景
葡萄种植与葡萄酒酿造是有数千年历史的传统产业，酿酒师长期改进相关工具与技术。多数农产品需特定气候、土壤条件保障产量，而葡萄藤种植条件更广泛，以调控风味、提升产品价值。葡萄酒酿造含葡萄浆果生长、发酵、陈酿三阶段，各阶段细微差异造就其复杂性，形成独特化学指纹。
葡萄酒复杂性源于葡萄化学成分，红葡萄酒口感与多酚类化合物相关，这类物质是葡萄皮籽中类黄酮及非类黄酮低聚物，部分成分与苦味、抗氧化性相关，且会随浆果发育反应，关联红葡萄酒年份标记。葡萄酒化学特征、代谢物组成受种植方式、环境影响，果实成熟度也与生长季气候相关。黑皮诺等品种适宜凉爽地区，温暖气候下种植难，年度微气候变化还会影响其化学成分。
发酵依赖果实健康及糖分、氨基酸，果实成熟时积累的香气、风味物质会在发酵中释放并反应，反应受温度、时长影响；陈酿阶段，橡木桶会改变葡萄酒代谢组成，桶的年份与品质也会影响香气。
葡萄酒的经济与文化价值使其化学指纹研究受关注，已采用测序、核磁共振（NMR）等技术，1D ¹H NMR可在少预处理下表征葡萄酒成分，代谢组学结合NMR与化学计量学能区分葡萄酒。PCA、PLS-DA等多变量技术及RF、ROC曲线等单变量技术也常被用于葡萄酒分类。
差异传感（DS）技术可模拟味觉、嗅觉与口感，能区分葡萄酒品种等，肽基传感器可与酚类结合产生颜色变化。非靶向NMR与靶向DS技术互补，本研究假设二者结合可精准分类美国太平洋沿岸特定产区、葡萄园、年份的黑皮诺葡萄酒，且量化产地与生长条件影响对应对未来气候变化有意义。
图1. 黑皮诺组合葡萄酒分类示意图
研究材料与方法
1. 葡萄园种植地
2. 酿酒
3. 差分传感方法
4. 肽阵列和处理
5. 传感阵列批量校正
6. 核磁共振样品制备
7. 核磁共振数据收集和处理
8. 多变量数据分析
9. 单变量分析
10. ROC特征频率选择的单因素分析
研究结果
1. 组合分析技术实现葡萄酒多维度分类
研究将非靶向一维氢核磁共振（1D¹H NMR）与靶向肽基差异传感（DS）阵列结合，对15个葡萄园、8个美国葡萄种植区（AVA）及2个年份的黑皮诺葡萄酒分类。NMR分析化学指纹（仅检测丰度＞1μM代谢物），DS阵列通过酚类物质谱模拟感官特征，结合多变量与单变量统计分析识别分类关键特征。
图2. 美国太平洋沿岸黑皮诺葡萄酒的人口统计数据
2. 多变量分析揭示葡萄园与年份差异
黑皮诺葡萄的遗传共性受藤龄与环境影响，主成分分析（PCA）捕捉数据差异，分别构建NMR、DS阵列及年份数据的PCA模型，再组合构建多块主成分分析（MB-PCA）模型。NMR数据需12个成分解释复杂度，故基于前4个成分构建主成分判别分析（PCA-LDA）模型；DS阵列二维PCA图即可展示变异。
图3. 葡萄园多变量得分图
PCA-LDA得分图能精准分类不同产区葡萄酒，树状图节点p值体现差异显著性。2015与2016年份聚类模式差异显著，如OR2葡萄酒在2015年与其他差异最大，2016年则与SRH1聚类；部分葡萄酒组合在不同年份统计显著性相反。NMR群体内变异小、群体间变异大，DS阵列则相反，MB-PCA融合二者优势，助力葡萄园分类。
3. 产区分析体现地理与管理复杂性
AVA产区分类较葡萄园更复杂，如俄罗斯河谷（RRV）产区内RRV1与RRV3聚类，RRV2特征独特致模型构建困难，剔除后才得到有效模型。NMR的PCA-LDA图显示产区分离效果佳（部分节点p值为0），但部分产区存在子聚类，暗示产区内化学特征不统一。
图4. AVA区域多变量分数图
年份对产区聚类影响显著，如2015年RRV差异最大，2016年则与其他产区聚类；2016年AS差异最大，2015年与SMV聚类。虽单个葡萄园代谢特征更显著，但仍能实现产区分类，且DS阵列单独无法区分多数产区。
4. 单变量分析验证组合技术优势
单变量分析针对NMR分箱数据与DS阵列吸光度数据，随机森林（RF）分析显示，NMR、DS阵列的葡萄园分类准确率分别为0.94±0.10、0.88±0.13，组合后达0.98±0.05（p<0.05）；产区分类中，组合数据集准确率0.98±0.04，显著高于DS阵列（p=0.0002）。如2015年SRH产区，组合数据将分类准确率从63%提升至88%。
表1. 黑皮诺葡萄酒单变量分析总结
受试者工作特征（ROC）曲线基于组合数据构建，葡萄园与产区分类平均AUC均为0.96±0.04，特征使用比例随年份变化（如SNC2葡萄园2015年NMR:DS为20:80，2016年为80:20）。ROC曲线还识别出关键特征，DS传感器选择频率均匀，NMR特征差异显著，且支链氨基酸、糖醇等可能是重要分类指标，但部分代谢物归属受限于数据。
图5. ROC曲线分析和特征选择频率
5. 年份分析凸显微气候影响
PCA（及PCA-LDA）模型显示2015与2016年份差异显著，无法构建统一多变量模型。RF分析中，两年份分类准确率分别为97.4%、100%；ROC曲线（25个特征）区分年份的AUC为0.88，且2015年糖类、糖醇等多数代谢物含量低于2016年，证实年份可高准确率分类。
研究意义
本研究以美国太平洋沿岸8个葡萄酒产区15个葡萄园的黑皮诺葡萄酒为对象，分析其代谢特征以实现葡萄园、产区及年份维度的分类。
以往研究虽采用核磁共振（NMR）、气相色谱-质谱（GC-MS）及各类传感器等技术区分葡萄酒，也通过技术组合鉴别特定产区的葡萄酒品种，但对相同黑皮诺克隆在不同地理区域种植的葡萄酒，缺乏结合多种分析技术提升分类准确率的关注。
推荐下载
