吳曉炯，張 宇，高 揚(yáng)，張 瑋，居 雷*

1.上海煙草集團(tuán)有限責(zé)任公司技術(shù)中心，上海市浦東新區(qū)秀浦路3733號(hào) 201315

2.上海煙草集團(tuán)有限責(zé)任公司煙草質(zhì)量監(jiān)督檢測(cè)站，上海市楊浦區(qū)長(zhǎng)陽(yáng)路717號(hào) 200082

烤煙型卷煙的感官質(zhì)量除受卷煙輔材、環(huán)境等因素影響外，主要與煙葉和煙氣化學(xué)成分相關(guān)［1］。卷煙煙氣中的化學(xué)成分來源于煙葉化學(xué)成分燃燒時(shí)的熱裂解和干餾，其與卷煙感官質(zhì)量的關(guān)聯(lián)非常復(fù)雜，相關(guān)科研工作者進(jìn)行了大量的研究。其中感官質(zhì)量與煙葉化學(xué)成分的研究較多［2-7］，與煙氣化學(xué)成分的研究相對(duì)較少［8-11］。在統(tǒng)計(jì)上，樣本數(shù)多于或遠(yuǎn)多于自變量的研究有較多的線性或非線性的統(tǒng)計(jì)算法，而樣本數(shù)少于或遠(yuǎn)少于自變量的研究難度較高，一般使用PCA 主成分法［12-13］和偏最小二乘方法［14-15］。Lasso 回歸模型是一種能較好地解釋多自變量數(shù)據(jù)的統(tǒng)計(jì)方法［16］，其模型靈活可調(diào)，目前在保險(xiǎn)、生物醫(yī)藥、市場(chǎng)調(diào)研、工程技術(shù)等領(lǐng)域有廣泛的應(yīng)用［17-19］，但在煙草領(lǐng)域尚未見到相關(guān)報(bào)道。本研究中建立煙氣化學(xué)成分的Lasso 回歸模型，并分析90 個(gè)化學(xué)成分與感官評(píng)價(jià)指標(biāo)的關(guān)系，旨在為今后數(shù)字化配方設(shè)計(jì)過程中感官質(zhì)量的預(yù)測(cè)模型提供新的算法基礎(chǔ)。

1 材料與方法

1.1 樣品

依據(jù)煙葉產(chǎn)區(qū)覆蓋廣、部位齊全的原則，篩選了包括云南、湖南、福建、四川、廣東、山東、河南、遼寧、安徽、陜西、黑龍江等煙葉主產(chǎn)區(qū)的代表性煙葉以及津巴布韋地區(qū)的進(jìn)口煙葉原料，覆蓋了上、中、下不同部位。40個(gè)等級(jí)（編號(hào)為1～40）的煙葉原料（表1）均采用統(tǒng)一工藝條件、統(tǒng)一輔材，控制樣品平均吸阻在（1 100±50）Pa、平均圓周為（24.2±0.2）mm，制備成卷煙樣品，供感官評(píng)價(jià)。

表1 煙葉原料信息Tab.1 Information of flue-cured tobacco leaves

1.2 感官評(píng)價(jià)方法

感官評(píng)價(jià)指標(biāo)的設(shè)計(jì)參考GB 5606.4—2005《卷煙感官技術(shù)要求》、YC/T 497—2014《中式卷煙風(fēng)格感官評(píng)價(jià)方法》、YC/T 530—2018《烤煙煙葉質(zhì)量風(fēng)格特色感官評(píng)價(jià)方法》，從香型、香氣質(zhì)、香氣量、雜氣、勁頭、刺激、余味方面對(duì)煙葉原料進(jìn)行全面評(píng)價(jià)，其中香型分為濃香型、中間香型和清香型；香氣質(zhì)、香氣量、雜氣的評(píng)分范圍為1～9分；勁頭、刺激、余味的評(píng)分范圍為1～5 分，勁頭為程度指標(biāo)，勁頭越大，得分越高，刺激為質(zhì)量指標(biāo)，刺激越小，得分越高。為排除氣候、環(huán)境、各自狀態(tài)變化等因素，每次評(píng)吸時(shí)固定選擇7名感官質(zhì)量評(píng)價(jià)技術(shù)人員（包含1名全國(guó)評(píng)煙委員會(huì)委員）。選擇貴州-2016-C 樣品作為校準(zhǔn)樣品，使多輪次打分?jǐn)?shù)據(jù)盡量客觀一致。最終統(tǒng)計(jì)的感官評(píng)價(jià)指標(biāo)相對(duì)得分為校準(zhǔn)樣品與試驗(yàn)樣品的差值，取評(píng)價(jià)小組打分中位數(shù)形成最終得分。

1.3 煙氣化學(xué)成分檢測(cè)方法

1.3.1 材料、試劑與儀器

甲基叔丁基醚（99.8%，美國(guó)Anaqua公司）；戊酸甲酯（98%）、庚酸甲酯（98.2%）、壬酸甲酯（98%）、十三酸甲酯（98.1%）、十五酸甲酯（98%）（美國(guó)ChemService公司）。

7890B/5977A 氣質(zhì)聯(lián)用儀、DB-5MS 毛細(xì)管柱（30 m×0.32 mm×0.25 μm）、DB-WAX毛細(xì)管柱（60 m×0.32 mm ×0.25 μm）（美國(guó)Agilent公司）；RM200A轉(zhuǎn)盤式吸煙機(jī)（德國(guó)Borgwaldt KC公司）。

1.3.2 實(shí)驗(yàn)方法

樣品前處理方法：將卷煙樣品置于溫度為22 ℃、相對(duì)濕度為60%的恒溫恒濕箱中平衡48 h。

測(cè)試方法：煙氣粒相成分的測(cè)定采用中心切割二維氣相色譜-質(zhì)譜法。用劍橋?yàn)V片捕集20支卷煙的煙氣粒相物。分析條件：

一維柱：DB-5MS毛細(xì)管柱，恒流1.9 mL/min；二維柱：DB-WAX 毛細(xì)管柱，恒流1.9 mL/min；進(jìn)樣口溫度：250 ℃；進(jìn)樣量：3 μL；進(jìn)樣模式：不分流進(jìn)樣；不分流時(shí)間：1 min；吹掃流量：50 mL/min；中心切割時(shí)間：切割1（5.1～10.0 min），切割2（10.0～16.6 min），切割3（16.6～23.5 min），切割4（23.5～30.5 min）。

一維升溫程序：4段切割初始溫度均為45 ℃（保持2 min），并以6 ℃/min 的速率升溫，切割1 升至93 ℃，切割2升至132.6 ℃，切割3升至174 ℃，切割4 升至216 ℃，然后快速降溫至60 ℃（切割1、切割2）或80 ℃（切割3、切割4）。

二維升溫程序：切割1 以4 ℃/min 的速率升至180 ℃，然后以10 ℃/min的速率升至230 ℃（20 min）；切割2、切割3 皆以4 ℃/min 的速率升至230 ℃（20 min）；切割4 以4 ℃/min 的速率升至230 ℃（30 min）。GC/MS 接口溫度：240 ℃；電子能量：70 eV；EI源溫度：230 ℃；四極桿溫度：150 ℃；質(zhì)量掃描范圍：33～400 amu。采用提取離子法積分峰面積，內(nèi)標(biāo)法相對(duì)定量，得到煙氣成分的半定量結(jié)果。

1.4 數(shù)據(jù)處理與分析

1.4.1 煙氣化學(xué)成分

本研究中的煙氣化學(xué)成分主要指通過ISO標(biāo)準(zhǔn)抽吸條件下由劍橋?yàn)V片捕集的煙氣粒相成分，再通過中心切割的方法分離得到的化學(xué)成分，共計(jì)90種。由于部分化學(xué)成分間共線性顯著，保留共線性顯著因子會(huì)導(dǎo)致檢測(cè)誤差噪聲被放大從而影響化學(xué)成分與感官的顯著性關(guān)系，故通過相關(guān)性篩選保留63種化合物，見表2。

表2 煙氣化學(xué)成分列表Tab.2 List of chemical components in mainstream cigarette smoke

對(duì)表2 中煙氣粒相成分檢測(cè)結(jié)果進(jìn)行相關(guān)性分析，將相關(guān)性超過0.9 的化學(xué)成分剔除一項(xiàng)，結(jié)果見表3。表3中苯酚為保留項(xiàng)，對(duì)應(yīng)苯乙醇、對(duì)甲酚、吲哚為剔除項(xiàng)，表明苯酚、苯乙醇、對(duì)甲酚、吲哚均與該感官指標(biāo)顯著相關(guān)，僅保留苯酚。同時(shí)，由表3可知，通過官能團(tuán)進(jìn)行化合物聚類存在其統(tǒng)計(jì)上的合理性，如丁香酚和異丁香酚等價(jià)、3-甲基吡啶和3-乙基吡啶等價(jià)，但是煙氣化學(xué)成分關(guān)系復(fù)雜，官能團(tuán)不同的物質(zhì)也可能存在顯著正相關(guān)，如丙酮酸甲酯和苯乙烯等價(jià)。因此，使用統(tǒng)計(jì)上更可靠的相關(guān)性等價(jià)表方式進(jìn)行化合物聚類而非官能團(tuán)聚類更合理。其次，在數(shù)據(jù)預(yù)處理方面，本研究中參考了改進(jìn)后的評(píng)吸計(jì)分方法，所有煙氣粒相成分取值都是試驗(yàn)樣品檢測(cè)數(shù)據(jù)基于校準(zhǔn)樣品貴州-2016-C樣品檢測(cè)數(shù)據(jù)的相對(duì)比值。

表3 化學(xué)成分等價(jià)表Tab.3 Equivalence table of chemical components

1.4.2 Lasso回歸模型

式中回歸系數(shù)β、β0是待估計(jì)的參數(shù)?？梢钥吹?，Lasso回歸模型相比于經(jīng)典線性回歸模型增加了一項(xiàng)關(guān)于參數(shù)β的一階正則化項(xiàng)，增加正則化項(xiàng)后當(dāng)參數(shù)β部分取值為零時(shí)亦能降低損失函數(shù)的取值，這就代表了在超參數(shù)λ取不同值時(shí)，非零參數(shù)β部分的取值也不同，說明找到最優(yōu)超參數(shù)λ可以達(dá)成篩選參數(shù)β的目標(biāo)。一旦超參數(shù)λ確定后，損失函數(shù)就確定了篩選后因子的回歸系數(shù)，通過因子的回歸系數(shù)可得到篩選后因子與因變量的線性函數(shù)。

運(yùn)用Trevor Hastie 開發(fā)的基于R 軟件的glmnet軟件包完成統(tǒng)計(jì)分析［21］。

2 結(jié)果與分析

2.1 感官評(píng)價(jià)指標(biāo)相對(duì)得分的統(tǒng)計(jì)分析

對(duì)感官評(píng)價(jià)指標(biāo)相對(duì)得分進(jìn)行統(tǒng)計(jì)，具體數(shù)據(jù)見表4。由表4可知，所有感官評(píng)價(jià)指標(biāo)相對(duì)得分均值都小于零，說明試驗(yàn)樣品的各感官指標(biāo)得分相對(duì)于校準(zhǔn)樣品是偏高的。其中勁頭的標(biāo)準(zhǔn)差最大，說明勁頭的數(shù)據(jù)離散度較高，樣品間的差異相對(duì)較大。香型的峰度最小，說明樣品的濃、中、清風(fēng)格的比例較均衡。香型和刺激的偏度大于零，說明兩者是正向偏態(tài)的感官指標(biāo)；香氣質(zhì)、香氣量、雜氣、勁頭、余味的偏度小于零，說明這些感官指標(biāo)是負(fù)向偏態(tài)的感官指標(biāo)。

表4 感官評(píng)價(jià)指標(biāo)相對(duì)得分的統(tǒng)計(jì)分布Tab.4 Statistical data of relative scores of sensory indexes

2.2 回歸分析方法的確定

2.2.1 勁頭的Lasso回歸分析

首先對(duì)表1 中所列單料煙樣品卷煙進(jìn)行訓(xùn)練集和驗(yàn)證集拆分，拆分比例為3∶1，再對(duì)訓(xùn)練集勁頭感官相對(duì)得分的指標(biāo)與煙氣化學(xué)成分進(jìn)行Lasso回歸，采用10 折交叉檢驗(yàn)，得到超參數(shù)lnλ與均方誤差（Mean Squared Error）的關(guān)系，見圖1。由圖1 可知，圖中上方橫軸表示每個(gè)λ對(duì)應(yīng)的篩選后因子保留數(shù)，均方誤差從左往右先減小再增加，表明煙氣化學(xué)成分?jǐn)?shù)量的增加沒有增加模型的解釋度，隨后當(dāng)因子數(shù)降低到5以下時(shí)隨著因子數(shù)的減少均方誤差也隨之增加。圖1 中兩條虛線分別代表均方誤差的λ值和一個(gè)標(biāo)準(zhǔn)誤差內(nèi)λ的最大取值，這是兩種通用的超參數(shù)λ篩選方法，本研究中采用第一條虛線確定的λ值作為因子篩選依據(jù)。由圖1可知，第一條虛線對(duì)應(yīng)的橫軸中l(wèi)nλ≈-1.5，則λ≈0.2，此時(shí)因子數(shù)約為5個(gè)。

圖1 勁頭Lasso回歸超參數(shù)篩選Fig.1 Hyperparameter screening of Lasso regression for smoke strength

得到λ的取值后，根據(jù)1.4.2中的公式，可以獲得篩選后的因子及其系數(shù)，見圖2。由圖2 可知，對(duì)勁頭正向影響最大的是煙堿，其次是2，6-二甲氧基苯酚，隨后依次是丁酸、乙酰胺和3-甲基吡啶。

圖2 勁頭Lasso回歸的因子系數(shù)圖Fig.2 Factor coefficient plot of Lasso regression for smoke strength

通過因子的回歸系數(shù)可得到篩選后的因子與因變量的線性函數(shù)，據(jù)此構(gòu)建勁頭的線性模型并用驗(yàn)證集的數(shù)據(jù)進(jìn)行驗(yàn)證，驗(yàn)證決定系數(shù)R2為0.71。

由于訓(xùn)練集和驗(yàn)證集的拆分具有隨機(jī)性，隨機(jī)性顯著影響最終的λ值、篩選的因子數(shù)量、因子名稱及驗(yàn)證集的預(yù)測(cè)效果，為了確保所篩選的因子具有代表性，隨機(jī)分割10 000次樣本，即生成10 000個(gè)訓(xùn)練集和驗(yàn)證集數(shù)據(jù)集對(duì)，選擇驗(yàn)證集決定系數(shù)超過0的記入因子統(tǒng)計(jì)列表，最終選取出現(xiàn)頻次超過30%的因子，見表5。由表5 可知，10 000 次隨機(jī)樣本劃分，總計(jì)產(chǎn)生有效驗(yàn)證集8 452 個(gè)，其中煙堿的出現(xiàn)頻次最高，達(dá)到88.9%；丁酸出現(xiàn)頻次次之，為81.2%；出現(xiàn)頻次超過50%的還有乙酰胺、2，6-二甲氧基苯酚、檸檬烯和2-乙基吡啶。

表5 主要?jiǎng)蓬^因子Lasso回歸頻次表Tab.5 Lasso regression frequencies of major smoke strength factor

因子篩選完畢后，由于因子數(shù)遠(yuǎn)小于樣本數(shù)，則可以利用經(jīng)典線性逐步回歸法再次進(jìn)行因子篩選，最后進(jìn)行線性回歸分析，結(jié)果如表6所示。由表6可知，與勁頭顯著相關(guān)的指標(biāo)為4個(gè)，分別是正相關(guān)的煙堿、丁酸、2-乙基吡啶，負(fù)相關(guān)的3-甲基-2-環(huán)戊烯-1-酮，驗(yàn)證決定系數(shù)R2為0.70，總體擬合效果尚佳。

表6 勁頭線性回歸分析結(jié)果Tab.6 Results of linear regression analysis for smoke strength

通常認(rèn)為煙堿與勁頭顯著正相關(guān)［22］，酸性物質(zhì)一般不與勁頭呈正相關(guān)，但表6中數(shù)據(jù)表明丁酸也與勁頭呈正相關(guān)。周曉等［23］指出揮發(fā)酸類酸性物質(zhì)在煙氣中的整體占比很低，其主要作用是提供香味；鄧其馨等［24］指出單料煙煙氣pH 值主要由煙堿（呈堿性）貢獻(xiàn)。由此可知丁酸作為揮發(fā)酸類酸性物質(zhì)的主要作用是提供香味，并不是平衡酸堿性，故丁酸與勁頭呈正相關(guān)。李云等［25］指出質(zhì)量好的煙葉的低級(jí)脂肪酸較多，本研究更進(jìn)一步指出，煙氣勁頭較大的單料煙其低級(jí)脂肪酸尤其是丁酸也較多。

2.2.2 勁頭的主成分回歸分析

首先對(duì)所有樣本化學(xué)成分?jǐn)?shù)據(jù)進(jìn)行主成分分析（PCA），采用平行分析準(zhǔn)則保留5 個(gè)主成分，利用最大方差旋轉(zhuǎn)法（varimax）提取這5個(gè)主成分的信息并計(jì)算主成分得分，總方差解釋率為74%，基本滿足分析要求。將這5 個(gè)主成分得分作為自變量與勁頭進(jìn)行線性回歸分析，結(jié)果見表7。由表7 可知，主成分RC1通過了P＜0.05的顯著檢驗(yàn)。

表7 勁頭主成分線性回歸分析結(jié)果Tab.7 Results of principal component linear regression analysis for smoke strength

保留主成分RC1的化學(xué)成分載荷矩陣系數(shù)絕對(duì)值大于0.6的因子，見表8。由表8可知，通過主成分線性回歸法篩選得到的因子數(shù)比Lasso 回歸篩選得到的因子數(shù)多，其中，與勁頭正相關(guān)的化學(xué)成分是茄酮、丁香酚、乙酸、吡啶、3-甲基吡啶、吡咯、苯甲醇、煙堿、丁酸、3-乙基吡啶、2，6-二甲氧基苯酚；與勁頭負(fù)相關(guān)的化學(xué)成分是DDMP、2，5-二甲基苯酚、2（5H）-呋喃酮、4-環(huán)戊烯-1，3-二酮、琥珀酰亞胺。

表8 勁頭主成分RC1部分化合物的載荷矩陣系數(shù)Tab.8 Loading matrix coefficients of some chemical components in principal component RC1 for smoke strength

2.2.3 勁頭的偏最小二乘回歸分析

使用偏最小二乘回歸分析處理2.2.1節(jié)中拆分的訓(xùn)練集，采用7折交叉檢驗(yàn)，置換檢驗(yàn)采用隨機(jī)20次勁頭得分的排序，可得一個(gè)主成分的總方差解釋率為77%，基本滿足分析要求。隨后篩選VIP 值［27］大于1的化學(xué)成分作為與勁頭相關(guān)的重要化學(xué)成分，見表9。由表9可以看出，通過偏最小二乘方法篩選的化合物成分?jǐn)?shù)相對(duì)Lasso回歸法篩選的成分?jǐn)?shù)多。

表9 勁頭偏最小二乘因子篩選表Tab.9 Factor screening of partial least squares for smoke strength

最后對(duì)勁頭偏最小二乘驗(yàn)證集進(jìn)行線性回歸檢驗(yàn)，結(jié)果見表10，驗(yàn)證決定系數(shù)R2達(dá)到了0.72，RC1通過P＜0.05的顯著性檢驗(yàn)，驗(yàn)證效果較好。

表10 勁頭偏最小二乘驗(yàn)證集線性回歸檢驗(yàn)結(jié)果Tab.10 Validation results of partial least squares validation set linear regression for smoke strength

通過比較上述多種方法可知，Lasso回歸方法在處理少樣本、多自變量的數(shù)據(jù)時(shí)較為適用。主成分線性回歸只能篩選主成分，再通過主成分人工篩選載荷矩陣系數(shù)得到自變量因子，且主成分回歸分析得到的自變量因子數(shù)多于Lasso回歸方法，但主成分回歸分析的驗(yàn)證決定系數(shù)（0.64）差于Lasso 回歸方法的驗(yàn)證決定系數(shù)（0.71）。偏最小二乘回歸得到的驗(yàn)證決定系數(shù)（0.72）與Lasso回歸方法接近，但篩選后的自變量因子數(shù)較多，后續(xù)的對(duì)應(yīng)關(guān)系較難分析。綜上所述，在驗(yàn)證決定系數(shù)接近或較優(yōu)的情況下，Lasso回歸模型對(duì)于降低自變量因子維度數(shù)具有一定優(yōu)勢(shì)。

2.3 香型的Lasso回歸分析

香型的超參數(shù)lnλ與均方誤差（Mean Squared Error）的關(guān)系見圖3。由圖3可知，第一條虛線對(duì)應(yīng)的橫軸中l(wèi)nλ≈-3.5，則λ≈0.03，此時(shí)因子數(shù)約為15個(gè)。

圖3 香型Lasso回歸超參數(shù)篩選Fig.3 Hyperparameter screening of Lasso regression for flavor style

得到最佳λ后可以獲得篩選后的因子及其系數(shù)，見圖4。

圖4 香型Lasso回歸的因子系數(shù)圖Fig.4 Factor coefficient plot of Lasso regression for flavor style

最后，將得到的香型的線性模型用驗(yàn)證集的數(shù)據(jù)進(jìn)行驗(yàn)證，驗(yàn)證決定系數(shù)R2為0.76。

同樣地，隨機(jī)分割10 000 次樣本即生成10 000個(gè)訓(xùn)練集和驗(yàn)證集數(shù)據(jù)集對(duì)，選擇驗(yàn)證集決定系數(shù)超過0的記入因子統(tǒng)計(jì)列表，見表11。由表11可知，總計(jì)產(chǎn)生有效驗(yàn)證集5 729個(gè)，有效模型的出現(xiàn)概率不如勁頭高。在香型的有效模型中，所有因子出現(xiàn)概率相同（均為100%），說明香型的模型因子關(guān)系非常穩(wěn)健。

因子篩選完畢后，利用經(jīng)典線性逐步回歸法再次進(jìn)行因子篩選，最后進(jìn)行線性回歸分析，結(jié)果見表12。由表12 可知，與香型相關(guān)的顯著指標(biāo)為10 個(gè)，分別是與清香型風(fēng)格單料煙正相關(guān)的化合物尼可他因、煙堿、降茄二酮、3-羥基-β-二氫大馬酮、甲基環(huán)戊烯醇酮、2-乙基吡啶，以及與濃香型風(fēng)格單料煙正相關(guān)的化合物2-甲基吡啶、3-氧代-α-紫羅蘭醇、新植二烯、呋喃酮。香型線性回歸分析的驗(yàn)證決定系數(shù)R2為0.84，總體擬合效果尚佳。

盧樂華等［27］分析了云南清香型卷煙的香味風(fēng)格特征，指出吡啶類化合物、環(huán)戊烯酮類化合物、美拉德反應(yīng)產(chǎn)物及酸性成分對(duì)清香型卷煙風(fēng)格的形成具有重要影響，這與本研究中2-乙基吡啶、甲基環(huán)戊烯醇酮與卷煙清香型風(fēng)格顯著相關(guān)結(jié)論一致；盧樂華等［27］還指出2-甲基吡啶、新植二烯是云南清香型卷煙的特征香味成分，本研究中發(fā)現(xiàn)這些成分與濃香型香味風(fēng)格顯著性更高，即濃香型風(fēng)格卷煙中這些化合物含量更高。

2.4 其他感官指標(biāo)的回歸分析

經(jīng)過分析，其他感官指標(biāo)如香氣質(zhì)、香氣量、雜氣、余味、刺激等未找到驗(yàn)證集驗(yàn)證較好的情況，推測(cè)目前所檢測(cè)的化學(xué)成分與這些感官指標(biāo)相關(guān)性不高，這與相關(guān)文獻(xiàn)［28-29］報(bào)道的結(jié)果一致。

3 結(jié)論

（1）采用Lasso回歸方法分析了卷煙煙氣成分與各單項(xiàng)感官指標(biāo)的關(guān)系，同時(shí)比較了Lasso回歸模型與PCA 主成分線性回歸模型及偏最小二乘回歸模型，分析結(jié)果表明Lasso回歸模型對(duì)于降低自變量因子維度數(shù)具有一定優(yōu)勢(shì)。

（2）對(duì)通過Lasso回歸模型篩選的因子進(jìn)行經(jīng)典線性逐步回歸分析，結(jié)果表明感官指標(biāo)中勁頭、香型與部分化學(xué)成分呈顯著線性相關(guān)，其驗(yàn)證決定系數(shù)分別為0.70和0.84，預(yù)測(cè)準(zhǔn)確度較好，其他感官指標(biāo)與化學(xué)成分的線性相關(guān)性不高。

（3）線性回歸模型中與勁頭統(tǒng)計(jì)正相關(guān)的化合物為煙堿、丁酸、2-乙基吡啶，與勁頭統(tǒng)計(jì)負(fù)相關(guān)的化合物為3-甲基-2-環(huán)戊烯-1-酮；與清香型風(fēng)格單料煙統(tǒng)計(jì)正相關(guān)的化合物為尼可他因、煙堿、降茄二酮、3-羥基-β-二氫大馬酮、2-乙基吡啶、甲基環(huán)戊烯醇酮，與濃香型風(fēng)格單料煙統(tǒng)計(jì)正相關(guān)的化合物為2-甲基吡啶、3-氧代-α-紫羅蘭醇、新植二烯、呋喃酮。