楊天偉，李 濤，李杰慶，張 雪，王元忠，劉鴻高*

1. 云南農(nóng)業(yè)大學(xué)農(nóng)學(xué)與生物技術(shù)學(xué)院，云南 昆明 650201

2. 云南省農(nóng)業(yè)科學(xué)院藥用植物研究所，云南 昆明 650200

3. 玉溪師范學(xué)院資源環(huán)境學(xué)院，云南 玉溪 653100

4. 云南技師學(xué)院，云南 安寧 650300

不同年份和產(chǎn)地美味牛肝菌的紅外光譜鑒別研究

楊天偉1, 2，李 濤3，李杰慶1，張 雪4，王元忠2*，劉鴻高1*

1. 云南農(nóng)業(yè)大學(xué)農(nóng)學(xué)與生物技術(shù)學(xué)院，云南 昆明 650201

2. 云南省農(nóng)業(yè)科學(xué)院藥用植物研究所，云南 昆明 650200

3. 玉溪師范學(xué)院資源環(huán)境學(xué)院，云南 玉溪 653100

4. 云南技師學(xué)院，云南 安寧 650300

采用傅里葉變換紅外光譜技術(shù)結(jié)合多元統(tǒng)計分析建立快速鑒別不同年份、不同產(chǎn)地美味牛肝菌的方法。采集2011年—2014年云南26個不同地區(qū)152個美味牛肝菌樣品的紅外光譜，使用正交信號校正(orthogonal signal correction，OSC)、微波壓縮(wavelet compression)方法對原始光譜進行優(yōu)化處理，OSCW校正前后的光譜數(shù)據(jù)進行偏最小二乘判別分析(partial least squares discriminant analysis，PLS-DA)，比較光譜預(yù)處理前后PLS-DA的分類效果。將152個美味牛肝菌隨機分為訓(xùn)練集(120個)和驗證集(32個)，建立OSCW校正前后的PLS分類預(yù)測模型。結(jié)果顯示，經(jīng)OSCW處理后的PLS-DA分類效果明顯優(yōu)于處理前的結(jié)果，主成分得分圖能準確區(qū)分不同年份、不同產(chǎn)地美味牛肝菌樣品，表明OSCW處理能有效濾除光譜中的噪音及與因變量無關(guān)的干擾信息，提高光譜分析的準確性和計算速率。OSCW處理前PLS模型訓(xùn)練集的R2和RMSEE分別為0.790 1和21.246 5，驗證集的R2和RMSEP分別為0.922 5和14.429 2； OSCW預(yù)處理后訓(xùn)練集的R2和RMSEE分別為0.852 3和17.238 1，驗證集的R2和RMSEP分別為0.845 4和20.87，表明OSCW預(yù)處理提高了訓(xùn)練集的預(yù)測效果，但OSCW-PLS出現(xiàn)了過擬合現(xiàn)象降低驗證集的預(yù)測能力，因此，OSCW不適宜與PLS結(jié)合建立模型。OSCW結(jié)合PLS-DA能濾除光譜中大量的干擾信息，準確區(qū)分不同年份、不同產(chǎn)地美味牛肝菌樣品，為野生食用菌的鑒別分類提供可靠依據(jù)。

紅外光譜； 正交信號校正-微波壓縮； 偏最小二乘判別分析； 美味牛肝菌； 鑒別

引 言

牛肝菌是世界性著名食用菌，味道鮮美，營養(yǎng)豐富，日益受到消費者親睞，具有重要的經(jīng)濟價值、食藥用價值和生態(tài)價值[1, 2]。美味牛肝菌又名白牛肝菌、大腳菇，富含蛋白質(zhì)、氨基酸、多糖、礦質(zhì)元素、維生素等，經(jīng)常食用可以增強人體免疫力，具有清熱除煩，養(yǎng)血補虛，抗氧化，抗病毒等藥用功效，是極具開發(fā)應(yīng)用價值的野生食用菌之一[3-6]。云南豐富的森林資源和多樣的氣候條件，孕育了豐富的野生食用菌，其中美味牛肝菌產(chǎn)量高、分布廣，受氣候條件和生長環(huán)境影響，不同產(chǎn)地美味牛肝菌的營養(yǎng)成分、化學(xué)成分的積累和藥效成分不盡相同[7]。

傳統(tǒng)食用牛肝菌鑒別主要根據(jù)外表特征，生長特性，孢子的顯微結(jié)構(gòu)，菌肉、菌管的顏色和變色反應(yīng)等進行分類[8]。然而不同種類間形態(tài)相似性大，如茶褐牛肝菌(Boletusbrunneissimus)和深褐牛肝菌(Boletusobscureumbrinus)； 同種牛肝菌在不同生長環(huán)境及不同生長階段存在大量的表形差異，如美味牛肝菌菌蓋顏色有灰白色、淡褐色、黃褐色、紅褐色或深褐色，菌管有乳白色、淡褐色，偶爾成黃綠色，其顏色變化較大，不易準確鑒別[9]； 此外新鮮牛肝菌子實體水分含量高，多數(shù)加工成干片保存和出售，導(dǎo)致以假充真，以次充好的現(xiàn)象時有發(fā)生[10]，難以進行質(zhì)量控制和市場管理。目前對食用菌的鑒別研究主要有光譜技術(shù)和分子生物學(xué)方法； 周在進等[8, 11]應(yīng)用紅外光譜結(jié)合分層抽樣、聚類分析等方法研究了不同產(chǎn)地、種類食用菌的鑒別方法； 孫素琴等[12]用紅外光譜法鑒別了不同廠家生產(chǎn)的36種靈芝產(chǎn)品； 本課題組采用紫外光譜結(jié)合化學(xué)計量學(xué)方法對牛肝菌不同部位和產(chǎn)地進行了鑒別研究[13]，但紫外光譜法受提起溶劑、提起時間等影響較大，單一溶劑提取難以全面反映樣品的整體信息。魏海龍等[14]設(shè)計5對ITS引物并對ITS區(qū)段進行PCR擴增，實現(xiàn)牛肝菌屬卷邊組Boletussect.Appendiculati物種的識別； Wu等[2]測定了牛肝菌屬4個基因片段的DNA系列，結(jié)合牛肝菌形態(tài)特征及孢子的顯微結(jié)構(gòu)，建立了牛肝菌科分子發(fā)育系統(tǒng)框架； Mello等[15]根據(jù)ITS片段設(shè)計引物，對美味牛肝菌、銅色牛肝菌(BoletusaereusBull.)等進行了分子鑒別； Lian等[16]應(yīng)用ITS設(shè)計引物辨別了美味牛肝菌和其他蘑菇； 分子生物學(xué)法儀器操作復(fù)雜，價格昂貴，推廣應(yīng)用具有局限性。

傅里葉變換紅外光譜具有快速、簡便、樣品用量少、非破壞性等優(yōu)點； 能有效反映出成分復(fù)雜物質(zhì)體系的組分特征，實現(xiàn)對樣品多組分、多指標分析，是一種綜合的質(zhì)量控制和物種鑒別方法[17-18]，已被廣泛應(yīng)用于農(nóng)業(yè)[19]、食品[20]、中藥[21]等行業(yè)的定性、定量分析。本文采集了2011年—2014年云南26個不同地區(qū)152個美味牛肝菌子實體的紅外光譜信息，采用正交信號校正(orthogonal signal correction)、微波壓縮(wavelet compression)法對光譜進行預(yù)處理，預(yù)處理前后的光譜數(shù)據(jù)進行PLS-DA分析； 結(jié)果顯示OSCW處理后能夠很好的區(qū)分不同年份及不同產(chǎn)地美味牛肝菌樣品，表明OSC能濾除大量與分類變量無關(guān)的干擾信息，同時對光譜進行微波壓縮處理可以在極少量信息丟失的前提下提高光譜分析速率，為快速鑒別不同年份、不同產(chǎn)地美味牛肝菌提供輔助方法。

1 實驗部分

1.1 儀器

Frontier型傅里葉變換紅外光譜儀(美國Perkin Elmer公司，采用DTGS檢測器，光譜分辨率為4 cm-1)； YP-2型壓片機(上海市山岳科學(xué)儀器有限公司)； FW-100型高速粉碎機(天津市華鑫儀器廠)； 80目標準篩盤(浙江上虞市道墟五四儀器廠)。

1.2 材料

2011年—2014年采自云南26個不同產(chǎn)地的152個美味牛肝菌子實體，均由云南農(nóng)業(yè)大學(xué)劉鴻高教授鑒定為美味牛肝菌BoletusedulisBull，來源見表1。

表1 樣品信息

1.3 樣品處理及光譜采集

樣品采集后清洗干凈，50 ℃烘干，粉碎，過80目篩，備用。稱取樣品粉末(1.5±0.2)mg，KBr粉末(100±0.2)mg，放入瑪瑙研缽充分混合磨成細粉，壓片； 儀器預(yù)熱1 h后測定光譜，設(shè)定累加掃描次數(shù)為16次，光譜掃描范圍4 000～400 cm-1。重復(fù)稱取7份樣品1，分別壓片、測定，考察方法重現(xiàn)性； 取一片樣品1重復(fù)測定7次考察方法精密度； 取一片樣品1，分別在0，10，20，30，40，50，60 min(每次測完立即放到紅外線燈下以免吸潮)時測定紅外光譜，考察穩(wěn)定性； 其余樣品重復(fù)測定3次，取平均光譜； 掃描時均已扣除CO2和水的干擾。

1.4 光譜預(yù)處理

常見的光譜預(yù)處理方法主要有平滑，求導(dǎo)，標準正態(tài)變量(standard normal variate，SNV)，多元散射校正(multiplicative scatter correction，MSC)，純凈分析信號/處理(net analyte signal/processing，NAS/P)，正交信號校正(orthogonal signal correction，OSC)等方法。其中正交信號校正(OSC)運用數(shù)學(xué)上正交的方法有效濾除自變量X中與因變量Y無關(guān)的信息，增強自變量、因變量間的相關(guān)性，提高主成分解釋能力和光譜分析的針對性，對OSC處理后的X變量進行微波壓縮以提高運算速度和效率[22-24]。152個美味牛肝菌子實體樣品紅外光譜見圖1； 原始光譜經(jīng)過正交信號校正-微波壓縮(OSCW)處理后結(jié)果見圖2。

1.5 光譜數(shù)據(jù)處理

采用偏最小二乘判別分析法(PLS-DA)，對OSCW處理前后的光譜數(shù)據(jù)進行分析比較。152個美味牛肝菌樣品隨機抽取32個作為驗證集，其余120個作為訓(xùn)練集，結(jié)合PLS建立模型。根據(jù)相關(guān)系數(shù)(R2)、校正均方根誤差(RMSEE)和預(yù)測均方根誤差(RMSEP)評價模型可行性，其計算見式(1)—(式3)； 當R2越接近1，RMSEP和RMSEE越小且RMSEP≤RMSEE時認為所建模型預(yù)測效果最佳。

圖1 美味牛肝菌的紅外光譜

圖2 正交信號校正-微波壓縮預(yù)處理后美味牛肝菌的紅外光譜

(1)

(2)

(3)

2 結(jié)果與討論

2.1 方法學(xué)考察

1.3中用于重現(xiàn)性、精密度、穩(wěn)定性考察的光譜信息分

別計算平均光譜，通過Omnic8.2軟件的光譜檢索功能，以三個平均光譜分別建立重現(xiàn)性、精密度、穩(wěn)定性的光譜數(shù)據(jù)庫：C1，J1和W1。 將方法學(xué)考察的原始光譜作為未知樣品，分別在相應(yīng)的光譜數(shù)據(jù)庫進行檢索，系統(tǒng)自動計算出能反映樣品親密程度的匹配分值，分值越大匹配程度越高，方法越可靠[19]。結(jié)果顯示重現(xiàn)性的匹配值在99.32～99.99之間，RSD為0.26%； 精密度的匹配值在99.93～99.99之間，RSD為0.25%； 穩(wěn)定性的匹配值介于99.14～99.85之間，RSD為0.366%； 表明該方法穩(wěn)定、可行。

2.2 美味牛肝菌紅外光譜特征分析

2.3 OSCW預(yù)處理

為了增強光譜分析的準確性和針對性，消除與采集年份、產(chǎn)地?zé)o關(guān)的信息，對原始光譜進行正交信號校正-微波壓縮(OSCW)處理，結(jié)果見圖2和表2。由圖2可以看出經(jīng)過OSCW處理后光譜曲線變得緊湊，表明已消除大量干擾信息，保留了有用信息。表2為OSCW的參數(shù)和結(jié)果，由表2可知OSC計算出的兩個新組分之間角度為90°具有正交性，第二個組分計算后的剩余平方和(remaining sum of squares，RSS)為13.92%，表明與年份、產(chǎn)地?zé)o關(guān)的86.08%信息已從X變量母集中移除。通過正交微波(orthogonal Wavelet)對X變量母集進行壓縮以提高運算速率，選用多貝西(daubechies)小波函數(shù)和離散小波變換法(discrete wavelet transform)進行壓縮，壓縮水平為8，此時能解釋98%的原始光譜信息。

表2 正交信號校正-微波壓縮總結(jié)

Note: AD: angle in degrees; RSS: remaining sum of squares; EV: EigenValue: WF: wavelet function; WO: wavelet order; CM: compression method; ER: energy retained; DWT: discrete wavelet transform

2.4 PLS-DA分析

2.4.1 不同年份美味牛肝菌PLS-DA分析

設(shè)光譜數(shù)據(jù)為自變量X，不同采集年份的分類為因變量Y，對OSCW處理前后的光譜信號進行PLS-DA分析，結(jié)果見圖3和圖4。圖3為決定主成分數(shù)的R2Y和Q2值。R2Y表示所提取主成分能解釋Y變量的比例，Q2表示主成分能預(yù)測Y變量的比例，一般認為R2Y和Q2應(yīng)大于0.5且越接近1越好[24]。圖4為OSCW處理前后主成分t1和t2的得分圖。

由圖3(a)可知OSCW處理前一共提取了8個主成分，其R2Y和Q2分別為0.764和0.528表明這8個主成分能夠解釋和預(yù)測76.4%和52.8%的Y變量，R2Y和Q2均遠小于1； 圖4(a)可以看出采于不同年份美味牛肝菌樣品不能區(qū)分開，表明OSCW處理前PLS-DA分析效果較差。由圖3(b)可知OSCW處理后提取了6個主成分，R2Y和Q2分別為0.893和0.752，主成分的累積解釋水平和預(yù)測水平都大幅度提高。由前2個主成分得分圖4(b)可以看出，不同年份美味牛肝菌樣品能夠很好的區(qū)分開，表明不同年份美味牛肝菌對化學(xué)成分的積累情況不同，這可能與氣候變化有關(guān)，如2014年云南的降水量較其他年份更充沛。結(jié)果顯示紅外光譜經(jīng)OSCW預(yù)處理后濾除了大量的干擾信息，PLS-DA分類效果變好。OSCW結(jié)合PLS-DA適用于不同年份美味牛肝菌的鑒別分析。

圖3 OSCW處理前后的主成分數(shù)及R2Y，Q2值

圖4 不同年份美味牛肝菌OSCW處理前后主成分得分圖

2.4.2 不同產(chǎn)地美味牛肝菌PLS-DA分析

以2012年采集的不同產(chǎn)地美味牛肝菌光譜數(shù)據(jù)為自變量，產(chǎn)地分類為因變量，比較原始光譜與正交信號-微波壓縮(OSCW)處理后的PLS-DA分析結(jié)果。圖5為11個不同產(chǎn)地美味牛肝菌PLS-DA的前3個主成分三維得分圖。由原始光譜PLS-DA的前3個主成分得分圖5(a)可知不同產(chǎn)地美味牛肝菌樣品不能夠很好地區(qū)分開。圖5(b)顯示了OSCW預(yù)處理后PLS-DA的前3個主成分得分圖，由圖可知2012年采自11個不同產(chǎn)地的樣品除了2個樣品聚類有誤外，其余樣品均能按不同產(chǎn)地正確分類，表明正交信號-微波壓縮濾除了大量干擾信息，保留與美味牛肝菌產(chǎn)地有關(guān)的信息，產(chǎn)地分類效果提高，結(jié)果令人滿意。

2.5 PLS建模分析

基于美味牛肝菌紅外光譜數(shù)據(jù)建立PLS預(yù)測模型，結(jié)果見圖6和圖7。由圖6可知OSCW預(yù)處理前(a)和OSCW處理后(b)訓(xùn)練集樣本的觀測值與預(yù)測值之間的相關(guān)系數(shù)r分別為0.790 1和0.852 3，校正均方根誤差RMSEE分別為21.246 5和17.238 1； 表明OSCW處理可以明顯提高模型訓(xùn)練集的預(yù)測率。

圖7可知OSCW預(yù)處理前(a)和OSCW處理后(b)驗證集樣本的觀測值與預(yù)測值之間的相關(guān)系數(shù)R2分別為0.922 5和0.845 4，預(yù)測均方根誤差RMSEP分別為14.429 2和20.87。結(jié)合圖6可知OSCW處理前模型的RMSEPRMSEE，且驗證集R2還略小于訓(xùn)練集R2，表明美味牛肝菌紅外光譜信息經(jīng)OSCW處理后，出現(xiàn)過擬合現(xiàn)象，訓(xùn)練集能被很好的識別，但驗證集正確識別率降低，提示OSCW處理后的光譜數(shù)據(jù)不適宜結(jié)合PLS建立預(yù)測模型，這與張嫻等的研究結(jié)果相符。

圖5 不同產(chǎn)地美味牛肝菌OSCW處理前后主成分得分圖

圖6 OSCW預(yù)處理前后訓(xùn)練集的PLS模型預(yù)測結(jié)果

圖7 OSCW預(yù)處理前后驗證集的PLS模型預(yù)測結(jié)果

3 結(jié) 論

采集不同年份、不同產(chǎn)地美味牛肝菌樣品的紅外光譜，用Omnic8.2軟件的光譜檢索功能考察方法的重現(xiàn)性、精密度和穩(wěn)定性，顯示該方法穩(wěn)定、可靠。應(yīng)用正交信號校正-微波壓縮(OSCW)方法處理光譜，對OSCW處理前后的美味牛肝菌光譜數(shù)據(jù)進行PLS-DA分析，結(jié)果顯示OSCW處理后PLS-DA對美味牛肝菌不同年份及不同產(chǎn)地的分類效果明顯優(yōu)于光譜預(yù)處理前的效果，表明OSC能夠濾除大量與分類變量無關(guān)的干擾信息，在確保極少量信息丟失的前提下對數(shù)據(jù)進行微波壓縮明顯提高了光譜分析的計算速率。

152個美味牛肝菌光譜數(shù)據(jù)分為訓(xùn)練集和驗證集，分別以O(shè)SCW處理前后的光譜數(shù)據(jù)，建立PLS分類預(yù)測模型，以相關(guān)系數(shù)r、校正均方根誤差RMSEE和預(yù)測均方根誤差RMSEP評價模型預(yù)測效果。結(jié)果顯示OSCW處理前訓(xùn)練集的r小于預(yù)處理后，而RMSEE大于預(yù)處理后，表明OSCW處理能夠提高模型訓(xùn)練集的預(yù)測效果； OSCW預(yù)處理后模型的RMSEP>RMSEE，r小于光譜預(yù)處理前的數(shù)值，表明OSCW處理后光譜出現(xiàn)過擬合現(xiàn)象，降低了模型驗證集的預(yù)測能力。

紅外光譜數(shù)據(jù)通過OSCW處理能夠濾除光譜矩陣中的噪音信號及與因變量無關(guān)的干擾信息，提高光譜分析的針對性和計算速率，但OSCW-PLS會出現(xiàn)過擬合現(xiàn)象，不適宜建立分類預(yù)測模型。OSCW與PLS-DA結(jié)合區(qū)分不同年份、不同產(chǎn)地美味牛肝菌樣品，結(jié)果令人滿意，為食用菌的快速鑒別分類和質(zhì)量控制提供行之有效的方法，具有實際推廣價值。

[1] Wang X M, Zhang J, Wu L H, et al. Food Chemistry, 2014, 151: 279.

[2] Wu G, Feng B, Xu J P, et al. Fungal Diversity, 2014, 69: 93.

[3] DENG Bai-wan, CHEN Wen-qiang, LI Xin-sheng(鄧百萬, 陳文強, 李新生). Food Science(食品科學(xué)), 2005, 25(11): 255.

[4] Kalac P. Food Chemistry, 2009, 113(1): 9.

[5] ZHOU Ling-xian, YIN Jian-zhong(周玲仙, 殷建忠). Edible Fungus(食用菌), 2008, (4): 61.

[6] Luo Aoxue, Luo Aoshuang, Huang Jiandong, et al. Molecules, 2012, 17(7): 8079.

[7] LI Shu-hong, ZHAO Yong-chang, YU Fu-qiang, et al(李樹紅, 趙永昌, 于富強, 等). Edible Fungi of China(中國食用菌), 2011, 30(5): 34.

[8] ZHOU Zai-jin, LIU Gang, REN Xian-pei(周在進, 劉 剛, 任先培). Laser and Infrared(激光與紅外). 2010, 40(9): 970.

[9] DAI Yu-cheng, TOLGOR Bau, CUI Bao-kai, et al(戴玉成, 圖力古爾, 催寶凱, 等). Illustrations of Medicinal Fungi in China(中國藥用真菌圖志). Harbin: Northeast Forestry University Press(哈爾濱: 東北林業(yè)大學(xué)出版社), 2013. 74.

[10] WANG Xiang-hua, LIU Pei-gui, YU Fu-qiang(王向華, 劉培貴, 于富強). Color atlas of wild commercial mushrooms in Yunnan(云南野生商品蘑菇圖鑒). Kunming: Yunnan Science and Technology Press(昆明: 云南科技出版社), 2004. 125.

[11] ZHOU Zai-jin, LIU Gang, REN Xian-pei(周在進, 劉 剛, 任先培). Laser and Infrared(激光與紅外), 2009, 39(11): 1158.

[12] SUN Su-qin, DU De-guo, LIANG Xi-yun, et al(孫素琴, 杜德國, 梁曦云, 等). Chinese Journal of Analytical Chemistry(分析化學(xué)), 2001, 29(3): 309.

[13] YANG Tian-wei, CUI Bao-kai, ZHANG Ji, et al(楊天偉, 崔寶凱, 張 霽, 等). Mycosystema(菌物學(xué)報), 2014, 33(2): 262.

[14] WEI Hai-long, LI Hai-bo, WANG Li-ling, et al(魏海龍, 李海波, 王麗玲, 等). Mycosystema(菌物學(xué)報), 2014, 33(2): 242.

[15] Mello A, Ghignone S, Vizzini A, et al. Journal of Biotechnology, 2006, 121(3): 318.

[16] Lian B, Zang J P, Hou W G, et al. Electronic Journal of Biotechnology, 2008, 11(3): 102.

[17] ZHOU Ye, ZHANG Qing-wei, LI Pei-fu, et al(周 曄, 張慶偉, 李佩孚, 等). Chinese Journal of Traditional Chinese Medicine(中國中藥雜志), 2013, 38(019): 3309.

[18] Alexandrakis D, Downey G, Scannell A G M. Food and Bioprocess Technology, 2012, 5(1): 338.

[19] REN Xian-pei, LIU Gang, ZHOU Zai-jin, et al(任先培, 劉 剛, 周在進, 等). Laser and Infrared(激光與紅外), 2009, 39(9): 944.

[20] Tarantilis P A, Troianou V E, Pappas C S, et al. Food Chemistry, 2008, 111(1): 192.

[21] Sun S Q, Chen J B, Zhou Q, et al. Planta Medica, 2010, 76(17): 1987.

[22] Wold S, Antti H, Lindgren F, et al. Chemometrics and Intelligent Laboratory Systems, 1998, 44: 175.

[23] Bylesj? M, Rantalainen M, Cloarec O, et al. Journal of Chemometrics, 2006, 20(8-10): 341.

[24] LI Si-hai, PAN Xin-bo, REN Zhen, et al(李四海, 潘新波, 任 真, 等). Chinese Journal of Experimental Traditional Medical Formulae(中國實驗方劑學(xué)雜志), 2013, 19(12): 132.

(Received Sep. 13, 2014; accepted Dec. 25, 2014)

*Corresponding author

Study on the Discrimination ofBoletusEdulisfrom Different Years and Origins with FTIR

YANG Tian-wei1, 2, LI Tao3, LI Jie-qing1, ZHANG Xue4, WANG Yuan-zhong2*，LIU Hong-gao1*

1. College of Agronomy and Biotechnology, Yunnan Agricultural University, Kunming 650201, China

2. Institute of Medicinal Plants, Yunnan Academy of Agricultural Sciences, Kunming 650200, China

3. College of Resources and Environment, Yuxi Normal University, Yuxi 653100, China

4. Yunnan Technician College, Anning 650300, China

In order to establish a rapid method for discriminatingBoletusedulismushroom, Fourier transform infrared spectroscopy combined with multivariate statistical analysis were used to studyB.eduliswhich were collected from different origins and different years. The original infrared spectra of all the 152B.edulissamples collected from 2011 to 2014 and 26 different areas of Yunnan Province were optimized with orthogonal signal correction and wavelet compression (OSCW) method. The spectral data that before and after being preprocessed with OSCW were analyzed with partial least squares discriminant analysis (PLS-DA). The classification results of PLS-DA were compared. Then the 152B.edulissamples were randomly divided into a training set (120) and a validation set (32) to establish the PLS classification prediction model. The results showed that, after OSCW processing, the classification result of PLS-DA was significantly better than the other one which was not processed by OSCW. Principal component score plot can accurately distinguishB.edulissamples collected from different years and different origins. It indicated that OSCW can effectively eliminate the noise of spectra and reduce the unrelated interference information about the dependent variables to improve the accuracy and calculation speed of spectral analysis. Before OSCW preprocessed, theR2and RMSEE of PLS model of the training set were 0.790 1 and 21.246 5 respectively whileR2and RMSEP of the model of validation set were 0.922 5 and 14.429 2. After OSCW pretreatment,R2and RMSEE of the training set were 0.852 3 and 17.238 1 whileR2and RMSEP of validation set were 0.845 4 and 20.87. It suggested that OSCW could improve the predictive effect of the training set, but the over-fitting of OSCW-PLS may reduce the predictive ability of validation set. Therefore, it was unsuitable to establish a model with OSCW combined with PLS. In a conclusion, OSCW combined with PLS-DA can eliminate a large amount of spectrum interference information. This method could accurately distinguishB.edulissamples collected from different years and different origins. It could provide a reliable basis for the discrimination and classification of wild edible fungi.

Infrared spectroscopy; OSCW; PLS-DA;Boletusedulis; Discrimination

2014-09-13，

2014-12-25

國家自然科學(xué)基金項目(31260496，31160409，31460538)和云南省自然科學(xué)基金項目(2011FB053，2011FZ195)資助

楊天偉，1989年生，云南農(nóng)業(yè)大學(xué)農(nóng)學(xué)與生物技術(shù)學(xué)院碩士研究生 e-mail: yangtianweizj@126.com *通訊聯(lián)系人 e-mail: boletus@126.com; honggaoliu@126.com

TS201.2

A

10.3964/j.issn.1000-0593(2016)07-2117-07