薰衣草油分析與鑒定（從花到精油）

Carly Burleson，Joseph Bonvallet

關鍵詞：薰衣草油，精油，摻假，化學計量學，MZ5，ATR，MWIR

摘要

精油在許多文化中用于醫學和健康目的已有數千年的歷史，其用途包括從芳香療法，家庭清潔到整體醫學。 精油通過從植物材料中提取所需的組分來生產，這是一種昂貴且耗費勞力的過程。 因此也常常存在人為摻假的情況。 有些公司選擇添加其他化學品來稀釋精油并拓寬純精油的使用范圍。 有些公司會將稀釋的精油標記為“混合物”，但很多時候制造商都不會這樣做，從而使消費者有時購買的精油不夠純。

用于稀釋的常用添加劑是脂肪油，醇，表面活性劑，乳化劑以及其他類似的成分。 精油的認證不僅對于生產者的質量要求控制很嚴格，而且對于消費者保護^[1]也很重要。 隨著精油，家庭療法和整體醫學變得越來越流行，摻假產品也越來越普遍。無論是用于局部外敷還是內服，摻假精油都會對使用者造成傷害，特別是當它會引起皮疹或過敏反應。 本應用簡報的重點是使用衰減全反射紅外光譜儀Ocean MZ5檢測薰衣草精油的摻假。 薰衣草油是最暢銷的油之一，也是最容易被摻假的^[2]。  Ocean MZ5專注于指紋區域（?1500-500cm-1），為每種化合物^[3]提供獨特的光譜。 將該波段與化學計量學（多變量的有力工具，統計分析和數據轉換）相結合使用，從而提供更大的分析能力。 該測試結果顯示：甜杏仁油中薰衣草的檢出限（LOD）為6.74％，薰衣草油中甜杏仁的檢出限為7.66％。

中紅外ATR光譜儀 Ocean MZ5

背景

精油具有多種用途和健康益處，薰衣草油是精油中的流行選擇。 古羅馬人和埃及人會使用薰衣草作為香水，沐浴和烹飪。 薰衣草油的使用者和制造商聲稱它可以緩解焦慮，舒緩睡眠，減少皮膚瑕疵和刺激，并提供香味和風味效應[4]。  Lavandula angustifolia（以前稱為L. officinalis）被稱為“真正的薰衣草”，是薰衣草精油的首選。 許多人聲稱“真正的薰衣草”具有最多的藥用特性，并且與其他品種相比香味更甜。 它最初被稱為英國薰衣草，因為它是17世紀英國的薰衣草油工業的基石。

在這項研究中，Ocean MZ5與化學計量學（多元分析方法）一起使用。 不是使用單一峰來產生校準曲線，而化學計量學則是使用通過典型的吸光度測量分析獲取的整個光譜。 使用這種類型的分析的幾個原因可能是因為樣品的復雜性，光譜可能具有基線變化，并且在整個光譜中需考慮更多細微差別。 化學計量學可以通過預處理轉化和多變量統計分析，使光譜中的小差異變得更加明顯。 它允許用戶量化，分類或區分樣本。 量化表明某個物質在樣本中有多少，分類給出樣本的身份，差異則表示樣本是否與標準相當。 本實驗中使用的兩種常用化學計量分析方法是主成分分析（PCA）和偏最小二乘回歸（PLS）。

化學計量學通過采用一套訓練集來創建模型和測試集來驗證此模型。 當測試集不可用時，將使用交叉驗證（使用從原始數據集中獲取的光譜測試模型）來驗證模型。 當涉及復雜的樣品時，傳統的光譜分析可能會失敗，化學計量學反而會發揮價值。 在樣品的測量中，一個峰可能不能定義一個樣品，但是我們可以使用整個光譜。 從光譜中提取的信息以一種獨立的、正交的、因子(也稱為主成分)的方式被提取出來，以解釋數據中最大的變化。 每個因素都有一個負載，取決于最重要或有影響的數據位于光譜上什么位置。 從這個加載中確定一個分數，而這個分數則為每個加載的貢獻。 這發生在每個光譜上，因此每個光譜都有一個歸因于每個負載的分數。

實驗

Nature's Truth 100％純薰衣草精油（Lavandula angustifolia，以前的L. officinalis）用Nature's Truth 100％Pure甜杏仁油（一種脂肪油）稀釋。事先使用GC-MS驗證Nature's Truth的油純度。 使用微量移液管在5mL小瓶中制備溶液，以20％的增量在甜杏仁油中生成一系列0％-100％的薰衣草油。 為校準組制作了兩組6個樣本，并且將5個樣本的測試組投影到模型上。

表1.甜杏仁油中薰衣草的校準組和濃度（v / v）

使用Ocean MZ5分析12個校準樣品和5個測試樣品。 使用標準設備設置：8Hz脈率，100％光強度，40次預熱掃描，每次測量400次掃描。 每個校準樣品測量100次，每個測試樣品測量30次。

將每個樣品移液到MZ5晶體的表面以覆蓋。 最初，進行30次空氣背景測量，然后進行100次樣品測量。 然后擦拭樣品并用異丙醇（IPA）清潔晶體，對所有樣品重復該過程。 使用空氣背景測量值與樣品測量值來計算每個樣品的吸光度。

結果與討論

最初，繪制薰衣草油/甜杏仁油溶液的吸光度譜圖，以查看譜圖中是否存在明顯差異，或者是否立即明顯需要進行一些預處理。

圖1.薰衣草油中的甜杏仁油吸光度。插圖： PCA分析的積分顯示數據聚集性較差

通過目視檢查，光譜似乎具有取決于濃度的差異，如圖1所示。為了確定數據的分離和聚類是否可行，執行主成分分析（PCA），如圖1插圖所示。  PCA是用于確定數據分組的常用方法。 盡管每種濃度都是彼此分開的，但它們并不緊密聚集。 相同濃度的組應該聚集在一起，而不是像它們那樣分成兩組。 實驗參數，濃度或任何其他變量沒有變化，所以這可能是由于基線在幾天內進行測量而發生變化。

為了解釋基線漂移，對譜圖執行標準正態變量（SNV）轉換，以研究是否可以實現已經分離的數據的進一步聚類。  SNV是一種常用于許多紅外光譜的預處理，用于調整這些效應。 將SNV單獨應用于每個光譜，其中計算所有數據點的平均值和標準偏差，然后從平均值中減去光譜的每個數據點并除以標準偏差。 在此之后，光譜被集中并縮放，如圖2所示。SNV變換后數據聚集在一起，如圖2插圖所示。

圖2. SNV轉化后的吸收光譜，插圖。  在SNV轉化后PCV分數分布

在進行PCA分析后，創建了偏最小二乘回歸（PLS）模型來量化數據。 該模型使用SNV轉換后的數據進行訓練，與PCA分析一樣，數據具有良好的聚類，如下圖3所示。

圖3.在甜杏仁油中濃度范圍為0-100％蓄意草的PLS模型的校準分數圖

PLS模型最初估計為7個影響因子，最終發現其中1因子解釋方差最佳。 通過擴展到第二個因子，只有0.1905％的增益解釋了方差。 其他因子則不會改進模型。

表2. 解釋PLS模型因子方差

數據的交叉驗證獲得0.9964高R2值和2.0359％（v / v）的交叉驗證的均方根誤差（RMSECV），如圖4所示。然后，我們將該模型用于預測測試樣品組的薰衣草含量。

LOD通過使用公式確定：。其中  是標準偏差，m是校準曲線的斜率。 該模型的檢測限在下文中以薰衣草在甜杏仁油和甜杏仁在薰衣草油中呈現，其通過改變模型是否用薰衣草或甜杏仁油作為代表組分進行訓練來完成。

表3. PLS模型的LOD

圖4.校準模型和內部驗證模型的預測與參考校準曲線

模型中的測試樣本回歸線性度R2值為0.9893，RMSEP（預測）為3.0874％，如圖5所示。盡管RMSEP約為3％，但與實際和預測的偏差數值范圍僅有1 - 2.5％。

圖5.用于預測的測試樣本集的PLS校準模型的預測值與參考值

結論

使用Ocean MZ5進行ATR-IR光譜指紋區域光譜獲取，可以區分由于每種化合物的獨特波帶而對應的不同化合物。 加上化學計量學分析和光譜轉換，不同化合物之間的差異和相同化合物之間的相似性變得更加明顯，如本研究所示。 該應用顯示，甜杏仁油中薰衣草的檢出限（LOD）為6.74％，薰衣草中甜杏仁油的檢出限為7.66％。

參考

1. Bounaas, K., et al. “Essential Oil Counterfeit Identification through Middle Infrared Spectroscopy.” Microchemical Journal, vol. 139, 2 Mar. 2018, pp. 347–356

2. Ke, Boren, and Young Dg. “Detecting Essential Oil Adulteration.” Journal of Environmental Analytical Chemistry, vol. 02, no. 02, 16 Feb. 2015, doi:10.4172/2380-2391.1000132.

3. The Fingerprint Region of an Infra-Red Spectrum. Jim Clark, 2000, www.chemguide.co.uk/analysis/ir/fingerprint.html.

4. “Lavender Oil Uses and Benefits.” DōTERRA Essential Oils, DōTERRA, 11 Dec. 2017, www.doterra.com/US/en/blog/spotlight-lavender-oil.