下载文档原格式
植物学通报 ２００４， ２１ （５）： ６３１￣６３７ＣｈｉｎｅｓｅＢｕｌｌｅｔｉｎｏｆＢｏｔａｎｙ专题介绍果实香气形成及其影响因素①乜兰春② 孙建设 黄瑞虹（河北农业大学园艺学院 保定 ０７１００１）摘要 综述了苹果（Ｍａｌｕｓ ｄｏｍｅｓｔｉｃａ Ｂｏｒｋｈ．）、草莓（Ｆｒａｇａｒｉａ ａｎａｎａｓｓａ Ｄｕｃｈ．）、香蕉（Ｍｕｓａ ｐａｒａｄｉｓｉａｃａ）、甜瓜（Ｃｕｃｕｍｉｓ ｍｅｌｏｎ Ｌ．）和番茄（Ｌｙｃｏｐｅｒｓｉｃｏｎ ｅｓｃｕｌｅｎｔｕｍ Ｌ．）等果实香气的化学成分、主要合成途径及其影响因素。
果实的香气物质主要包括酯类、醇类、酮类、醛类、萜类和挥发性酚类物质等，这些物质主要由脂肪酸、氨基酸和次生代谢产生。
品种、成熟度、乙烯、环境和栽培措施（光照、砧木、套袋和灌溉等）以及采后贮藏条件均影响果实香气的形成。
关键词 果实，香气成分，酯类物质，合成，影响因素Ｔｈｅ Ｂｉｏｓｙｎｔｈｅｓｉｓ ａｎｄ Ａｆｆｅｃｔｉｎｇ Ｆａｃｔｏｒｓ ｏｆ Ａｒｏｍａ ｉｎ Ｓｏｍｅ ＦｒｕｉｔｓＮＩＥ Ｌａｎ－Ｃｈｕｎ② ＳＵＮ Ｊｉａｎ－Ｓｈｅ ＨＵＡＮＧ Ｒｕｉ－Ｈｏｎｇ（Ｈｏｒｔｉｃｕｌｔｕｒｅ Ｃｏｌｌｅｇｅ， Ａｇｒｉｃｕｌｔｕｒｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｈｅｂｅｉ， Ｈｅｂｅｉ ０７１００１）Ａｂｓｔｒａｃｔ Ｔｈｅ ｓｙｎｔｈｅｓｉｓ ｐａｔｈｗａｙ ａｎｄ ａｆｆｅｃｔｉｎｇ ｆａｃｔｏｒｓ ｏｆ ａｒｏｍａ ｃｏｍｐｏｕｎｄｓ ｉｎ ｓｏｍｅ ｆｒｕｉｔｓ ｉｎｃｌｕｄ－ｉｎｇ ａｐｐｌｅ， ｓｔｒａｗｂｅｒｒｙ， ｂａｎａｎａ ａｎｄ ｔｏｍａｔｏ， ｗｅｒｅ ｒｅｖｉｅｗｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｔｈｅ ｍａｉｎ ａｒｏｍａ ｃｏｍｐｏｕｎｄｓｃｏｖｅｒｅｄ ｅｓｔｅｒｓ， ａｌｃｏｈｏｌｓ， ａｌｄｅｈｙｄｅｓ， ｋｅｔｏｎｅｓ， ｔｅｒｐｅｎｅｓ ａｎｄ ｖｏｌａｔｉｌｅ ｐｈｅｎｏｌｓ． Ｔｈｅｙ ａｒｅ ｓｙｎｔｈｅｓｉｚｅｄｆｒｏｍ ｆａｔｔｙ ａｃｉｄｓ， ａｍｉｎｏ ａｃｉｄｓ ａｎｄ ｓｅｃｏｎｄａｒｙ ｍｅｔａｂｏｌｉｓｍ ａｎｄ ａｆｆｅｃｔｅｄ ｂｙ ｖａｒｉｅｔｙ， ｍａｔｕｒｅ ｄｅｇｒｅｅ，ｅｔｈｙｌｅｎｅ， ｅｎｖｉｒｏｎｍｅｎｔａｌ ａｎｄ ａｇｒｏｎｏｍｉｃ ｆａｃｔｏｒｓ ｓｕｃｈ ａｓ ｌｉｇｈｔ， ｓｔｏｃｋｓ， ｂａｇｇｉｎｇ， ｉｒｒｉｇａｔｉｏｎ， ａｎｄｐｏｓｔｈａｒｖｅｓｔ ｃｏｎｄｉｔｉｏｎｓ．Ｋｅｙ ｗｏｒｄｓ Ｆｒｕｉｔ， Ａｒｏｍａ ｃｏｍｐｏｎｅｎｔｓ， Ｅｓｔｅｒｓ， Ｂｉｏｓｙｎｔｈｅｓｉｓ， Ａｆｆｅｃｔｉｎｇ ｆａｃｔｏｒｓ许多果实具有香气，怡人的香气是果品吸引消费者和增强市场竞争力的重要因素之一。
文章编号：1671-9646（2019）06a-0074-03摘要：从红枣多酚的含量和组成、提取分离技术、抗氧化活性3个方面对红枣多酚的研究进展进行阐述，为红枣多酚开发与进一步研究提供参考依据。
关键词：红枣多酚；组成；提取分离；抗氧化活性；开发中图分类号：TS264.4文献标志码：A doi：10.16693/ki.1671-9646（X）.2019.06.022（Lushi Country Food and Drug Inspection Institute in He'nan Province，Sanmenxia，He'nan472200，China）The research development on the contents and component，the extraction and separation technics and its antioxidant activity of jujube polyphenols were reviewed.This review could provide some reference for the furtherstudy of jujubepolyphenols.jujube polyphenols；component；extraction and purification；antioxidant activity；develop红枣多酚的研究进展朱怡霖，付倩（河南省卢氏县食品药品检验所，河南三门峡472200）收稿日期：2018-12-26作者简介：朱怡霖（1991—），女，硕士，研究方向为食品生物技术及功能性食品。
红枣（Ziziphus jujube），又名大枣、干枣、枣子，是属于被子植物门、双子叶植物纲、鼠李目、鼠李科、枣属的植物枣树（Ziziphus jujuba Mill）的果实。
在著名的农学专著《齐民要术》中枣居42种果品之首。
气相色谱质谱质谱联用中反吹系统烟草香味成分气相色谱质谱（GC-MS）联用技术是一种常用的分析方法，可以用于烟草香味成分的研究。
本文将就气相色谱质谱联用中的反吹系统和烟草香味成分进行详细介绍。
首先，我们需要了解反吹系统在GC-MS联用中的作用。
反吹系统是一种用于清洗分离柱残留物的装置，它通过引入高压气体将分离柱内的杂质吹出来，从而减少进样口及质谱中的污染物，确保样品分离和质谱的稳定性。
在气相色谱质谱联用进行烟草香味成分分析时，样品需要经过一系列的处理步骤。
首先，将待测样品加入溶剂中制备成溶液，然后使用自动进样仪将溶液进样到气相色谱仪中。
在GC分离过程中，样品中的各种成分根据它们的挥发性和亲水性的不同，以不同的速度在柱子中进行分离。
分离的物质逐一通过检测器并生成电信号，这些信号可用于构建色谱峰。
在气相色谱过程结束后，进样口和色谱柱中可能会残留一些杂质，这些杂质如果进入到质谱仪中会干扰质谱信号的正常检测。
因此，需要采用反吹系统对进样口和色谱柱进行清洗。
反吹系统一般采用高压气体，如纯氮气等，将残留物吹出，从而保证下一个样品的进样质量。
通过反吹系统的清洗处理，可以减少杂质的干扰，提高质谱仪的稳定性和重复性。
烟草香味成分的分析需要对烟草样品中的挥发性组分进行检测。
在分析过程中，可以使用不同的柱子和质谱仪参数进行优化，以获得最好的分离效果和质谱信号。
烟草香味成分的挥发性较高，因此在GC分离过程中可以采用较高的温度和较长的分离时间，以保证分离效果。
通过GC-MS联用技术，可以对烟草香味成分进行定性和定量分析。
通过质谱仪可以识别样品中各种化学物质的分子结构和相对含量。
烟草香味成分的分析可以为烟草工业的产品开发和烟草品质的评估提供重要的依据。
综上所述，气相色谱质谱联用中的反吹系统是保证样品分离和质谱信号稳定性的重要组成部分。
烟草香味成分的分析需要对样品进行适当的处理，并优化GC和MS的实验条件，以获得最好的分析结果。
这次作业感觉很陌生，查了一大堆资料都没看懂，所以写了个大概。
MOE是世界领先计算机辅助药物设计综合平台MOE集可视化、模拟和应用开发于一体，通过蛋白质结构与功能分析、药效团模型、小分子库设计与筛选、定量构效关系分析以及分子对接等核心模块全方位支持药物设计。
而定量结构活性关系OSAR这是用于指导新药设计的一种方法。
是通过一定的数学模型对活性化合物的结构特征与生物大分子。
已经成为化学计量学研究的一个十分重要的分支如今，已经发展为基于一些生物活性和某些物化或结构属性之间的关系的预测技术，在理论和计算化学、环境化学、药物化学以及生命科学等领域中得到广泛的应用。
借助分子的理化性质参数或结构参数，以数学和统计学手段定量研究有机小分子与生物大分子相互作用、有机小分子在生物体内吸收、分布、代谢、排泄等生理相关性质的方法。
分子相似性研究可通过一些参数性质活性参数活性参数是构成二维定量构效关系的要素之一，人们根据研究的体系选择不同的活性参数，常见的活性参数有：半数有效量、半数有效浓度、半数抑菌浓度、半数致死量、最小抑菌浓度等，所有活性参数均必须采用物质的量作为计量单位，以便消除分子量的影响，从而真实地反应分子水平的生理活性。
为了获得较好的数学模型，活性参数在二维定量构效关系中一般取负对数后进行统计分析。
结构参数结构参数是构成定量构效关系的另一大要素，常见的结构参数有：疏水参数、电性参数、立体参数、几何参数、拓扑参数、理化性质参数以及纯粹的结构参数等疏水参数：药物在体内吸收和分布的过程与其疏水性密切相关，因而疏水性是影响药物生理活性的一个重要性质，在二维定量构效关系中采用的疏水参数最常见的是脂水分配系数，其定义为分子在正辛醇与水中分配的比例，对于分子母环上的取代基，脂水分配系数的对数值具有加和性，可以通过简单的代数计算获得某一取代结构的疏水参数。
电性参数：二维定量构效关系中的电性参数直接继承了哈密顿公式和塔夫托公式中的电性参数的定义，用以表征取代基团对分子整体电子分配的影响，其数值对于取代基也具有加和性。
化学系论文题目：酯类分子结构与色谱保留指数的相关性定量研究论文作者：费莎专业：有机化学学号：20130913002指导教师：韩海洪（教授）酯类分子结构与色谱保留指数的相关性定量研究费莎（青海师范大学，化学系，青海，西宁，810008）摘要：通过计算50种有机酯化合物分子结构的拓扑指数，拓扑指数（m Q）、定位基参数（Sox）与酯类物质在两种固定相上的气相色谱保留指数值（IR）进行分析。
多元线性回归将它与气相色谱保留指数进行关联分析, 表明所建定量结构保留关系（QSRR）模型具有良好的稳定性和预测能力，较好地揭示了酯类物质在不同固定相上气相色谱保留指数的变化规律。
关键词:酯；酯分子结构；气相色谱保留指数；相关性1引言：化合物色谱保留指数（RI）是其分子微观结构的宏观反映,也是色谱分析中进行定分析最有利用价值的数据。
而定量结构-色谱保留相关(quantitative structure-retention relationship, QSRR)法的研究对预测化合物RI、探索色谱保留机制以及选择色谱分离条件是非常有效的途径之一。
近年来,国内外许多学者分别运用多种方法在研究方面做了大量的工作,并取得了许多非常有意义的结果。
Q SPR 研究的基本依据是化合物的性质与其结构之间的相关性, 所以, 只要对化合物的结构进行有效的描述, 则可在这种描述与化合物的性质之间建立起相关的数学模型, 并用之对未知化合物的性质进行预测和预报。
该方法的关键是提取能够反映化合物分子结构的特征变量。
根据所建立QSRR模型, 可以预测新物质的RI 值, 提供其有用的结构信息, 解释色谱分配机理等。
在QSRR研究中,拓扑指数法发挥重要作用Randic M最早将分子连接性指数用于醇类气相色谱保留指数的研究。
随后许多学者相继建立了烃及其衍生物的拓扑QSRR 模型。
拓扑指数是自分子隐氢图衍生出来的表征分子结构的某种特征的不变量。
由于某一个拓扑指数反映分子结构的信息量是有限的, 因而自Wiener H提出第一个拓扑指数以来, 迄今已有400余种问世。
几种红枣中生物活性物质环磷酸腺苷的含量分析作者：赵堂郝凤霞杨敏丽来源：《湖北农业科学》2011年第23期摘要：红枣（Ｚｉｚｙｐｈｕｓｊｕｊｕｂａ）中含有丰富的生物活性物质环磷酸腺苷，以宁夏几种特色红枣（灵武长枣、同心圆枣和中宁圆枣）为研究对象，采用索氏提取法提取、高效液相色谱测定其中的环磷酸腺苷，并与山东大枣、陕北滩枣进行比较，结果发现，红枣中环磷酸腺苷的含量由高到低依次为：灵武长枣（３３５．７μｇ／ｇ）、中宁圆枣（１６９．０μｇ／ｇ）、山东大枣（１６８．２μｇ／ｇ）、陕北滩枣（１４０．８μｇ／ｇ）、同心圆枣（１３９．５μｇ／ｇ），研究结果为红枣优良品种选育及进一步深加工等提供一定的参考。
关键词：红枣（Ｚｉｚｙｐｈｕｓｊｕｊｕｂａ）；环磷酸腺苷；提取；高效液相色谱中图分类号：Ｓ６６５．１；Ｏ６５７．７＋２文献标识码：Ａ文章编号：0439－８114（２０11）23－4955-03ＡｎａｌｙｓｉｓｏｆｔｈｅＣｏｎｔｅｎｔｏｆＢｉｏａｃｔｉｖｅＣｏｍｐｏｕｎｄｏｆｃＡＭＰｆｒｏｍＳｅｖｅｒａｌ Types of ＪｕｊｕｂｅｓＺＨＡＯＴａｎｇａ，ＨＡＯＦｅｎｇ－ｘｉａｂ，ＹＡＮＧＭｉｎ－ｌｉｂ（ａ．ＣｏｌｌｅｇｅｏｆＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ；ｂ．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＥｎｅｒｇｙＳｏｕｒｃｅｓａｎｄＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＮｉｎｇｘｉａＵｎｉｖｅｒｓｉｔｙ，Ｙｉｎｃｈｕａｎ７５００２１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｊｕｊｕｂｅ was ｒｉｃｈｉｎｂｉｏａｃｔｉｖｅｃｏｍｐｏｕｎｄｏｆｃＡＭＰ． SｅｖｅｒａｌＮｉｎｇｘｉａｊｕｊｕｂｅｓ（Ｌｉｎｇｗｕｌｏｎｇｊｕｊｕｂｅ，ＴｏｎｇｘｉｎｒｏｕｎｄｊｕｊｕｂｅａｎｄＺｈｏｎｇｎｉｎｇｒｏｕｎｄｊｕｊｕｂｅ） were selected as the study objects．ＴｈｅｅｘｔｒａｃｔｉｏｎｗａｓｐｅｒｆｏｒｍｅｄｂｙｔｈｅＳｏｘｈｌｅｔｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄａｎｄｔｈｅｃｏｎｔｅｎｔｏｆｃＡＭＰｗａｓｄｅｔｅｒｍｉｎｅｄｂｙＨＰＬＣ．ＣｏｍｐａｒｅｄｗｉｔｈＳｈａｎｄｏｎｇｂｉｇｊｕｊｕｂｅａｎｄＳｈａｎｂｅｉｊｕｊｕｂｅ，ｔｈｅｒｅｓｕｌｔｓｈｏｗｅｄｔｈａｔｔｈｅｃｏｎｔｅｎｔｏｆｃＡＭＰｆｏｒｄｉｆｆｅｒｅｎｔｋｉｎｄｓｏｆｊｕｊｕｂｅｗａｓａｓｆｏｌｌｏｗｓ：Ｌｉｎｇｗｕｌｏｎｇｊｕｊｕｂｅ（３３５．７μｇ／ｇ）＞Ｚｈｏｎｇｎｉｎｇｒｏｕｎｄｊｕｊｕｂｅ（１６９．０μｇ／ｇ）＞Ｓｈａｎｄｏｎｇｂｉｇｊｕｊｕｂｅ（１６８．２μｇ／ｇ）＞Ｓｈａｎｂｅｉｊｕｊｕｂｅ（１４０．８μｇ／ｇ）＞Ｔｏｎｇｘｉｎｒｏｕｎｄｊｕｊｕｂｅ（１３９．５μｇ／ｇ）．Ｔｈｅｒｅｓｕｌｔｍａｙｂｅｂｅｎｅｆｉｃｉａｌｔｏｑｕａｌｉｔｙｖａｒｉｅｔｙｓｅｌｅｃｔｉｏｎａｎｄｆｕｒｔｈｅｒｐｒｏｃｅｓｓｉｎｇｒｅｓｅａｒｃｈ．Ｋｅｙｗｏｒｄｓ： jｕｊｕｂｅ；ｃＡＭＰ；ｅｘｔｒａｃｔｉｏｎ；ＨＰＬＣ红枣（ＺｉｚｙｐｈｕｓｊｕｊｕｂａＭｉｌｌ．）又名中华大枣、大枣和华枣，是鼠李科枣属植物枣树的果实［１］。
检测分析—----------------------------------------------------------------------------------161-—D01：10.12161/j.issn.l005-6521.2021.04.027GC-MS测定不同采收期酸枣仁中脂肪汕成分马东来叫李新蕊U司明东U温子帅U郑玉光U邱峰23(1.河北中医学院河北省中药制技术创新中心，河北050200；2.天津中医药大学中药学院,天津300193)摘要：利用气相色谱-质谱联用(gJK chromatography-mass spectrometry*GC-MS)技术分析经甲酯化的不同采收期酸枣仁的脂肪油成分组成及相对质量分数的变化。
结果表明：3个时期酸枣仁的脂肪油成分总含量增加，经过GC-MS 分析共检测出29种脂肪油成分，包括不饱和脂肪酸类、饱和脂肪酸类、碳氢化合物和醇类化合物这4大类组分。
3个时期酸枣仁中均有其特殊的脂肪油成分，同时各时期也有相同的脂肪油成分，其中亚油酸甲酯(33.01%〜34.27%)和油酸甲酯(43.66%〜45.43%)为各个时期中的主要脂肪油物质。
关键词：酸枣仁;脂肪油t气相色谱-质谱联用技术(GC-MS);采收期t亚油酸甲酯Analysis of Fatty Oil of Different Harvesting Stage in Ziziphi Spinosae Semen by GC-MSMA Dong-lai1'2,LI Xin-rui1,SI Ming-dong1,WEN Zi-shuai1,ZHENG Yu-guang1,QIU Feng2*(1.Traditional Chinese Medicine Processing Technology Innovation Center of Hebei Province,Hebei Universityof Chinese Medicine,Shijiazhuang050200,Hebei,China;2.School of Chinese Materia Medica,TianjinUniversity of Traditional Chinese Medicine,Tianjin300193,China) Abstract:Using gas chromatography-mass spectrometry(GC-MS)technology to investigate the fatty oil compositions and relative mass fraction of ziziphi spinosae semen in different harvest periods after methyl esterification.The results showed that the total content of fatty oils in ziziphi spinosae semen increased in three periods.A total of29fatty oils were detected by GC-MS analysis,including unsaturated fatty acids,saturated fatty acids,hydrocarbons and alcohol.In three periods,the ziziphi spinosae semen had its special fatty oil component,and the same fatty oils were found in all parts.Among them,methyl linoleate(33.01%-34.27%) and methyl oleate(43.66%-45.43%)were the main volatile substances in each part.Key words:ziziphi spinosae semen;fatty oil;gas chromatography-mass spectrometry(GC-MS);harvesting stage;methyl linoleate引文格式：马东来，李新蕊，司明东，等.GC-MS测定不同采收期酸枣仁中脂肪油成分[几食品研究与开发,2021,42(4):161-164.MA Donglai,LI Xinrui,SI Mingdong,et al.Analysis of Fatty Oil of Different Harvesting Stage in Ziziphi Spinosae Semen by GC-MS[J].Food Research and Development,2021,42(4):161-164.基金项目:河北省重点研发计划项目(19276414D)；河北省属高校基本科研业务项目(YXZ201901,、JTZ2020009);河北省高等学校科学技术研究项目(QN2018065)；河北省中医药管理局科研计划项目(No.2018105)；河北省现代农业技术体系中药材创新团队项目(HBCT2018060205)；河北中医学院研究生创新资助项目(XCXZZSS2020003)作者简介:马东来(1979—),男(汉)，副教授，博士，研究方向：中药质量控制及其药效物质基础研究。
BP网络用于枣香味成分的定量结构色谱保留关系研究摘要：采用误差反传前向人工神经网络（bp-ann）建立了63种大枣香味成分的结构与色谱保留之间的定量关系模型（qsrr）。
以63种大枣香味成分的分子电性距离矢量为输入参数，色谱保留时间为输出参数，采用内外双重验证法分析该模型的稳定性和外部预测能力。
所构建网络模型的相关系数为0.998 9，交叉检验相关系数为0.998 9，标准偏差为0.959，残差绝对值低于3.844，应用于外部预测集，外部预测集相关系数为0.998 9；而多元线性回归（mlr）法模型的相关系数为0.981 9，交叉检验相关系数为0.982 0，标准偏差为3.697、残差绝对值低于9.264，外部预测集相关系数为0.986 1。
结果表明，ann模型的拟合效果明显优于mlr模型。
关键词：大枣；香气成分；定量结构色谱保留关系（qsrr）；人工神经网络（ann）中图分类号：tp29；o657.7 文献标识码：a 文章编号：0439-8114（2013）08-1927-04大枣营养丰富，是天然的药食同源食品，具有较高保健和药用功效[1]。
随着人们对枣营养价值认识的深入，枣的深加工产品种类日益丰富[2-4]，其中，具有独特香味的枣油、枣酊逐渐应用于食品、保健品、化妆品、烟草等行业[4]。
但目前这些研究工作主要集中于香气成分提取、加工工艺、抗氧化性等方面[1，5]，而对香味成分的分子结构与其性质之间的相关关系研究报道较少。
目前，用于定量结构色谱保留关系（quantitativestructure-chromatography retention relationship，qsrr）建模的线性方法，主要包括多元线性回归法（multiple linear regressions，mlr）[6]、偏最小二乘（partial least squares，pls）法等[7-9]。
但因为分子结构与色谱保留关系之间的复杂性，线性建模方法逐渐显示其不足，而非线性方法在建模当中受到青睐。
其中，人工神经网络方法（artificial neural network，ann）因其独特的结构与功能，对高度非线性问题具有较好的拟合能力，因此在qsrr研究中颇受关注[10，11]。
本试验采用人工神经网络方法构建大枣香味成分的定量结构色谱保留关系模型，对预测大枣香味成分色谱保留值、选择香味成分分离条件等具有重要意义，为进一步了解大枣的香味特征、对大枣进行深加工和开发应用、香气成分分离条件的选择等提供理论依据。
1 材料与方法1.1 数据来源网络的训练集和预测集由63种大枣的香味成分与其色谱保留时间组成，数据引自文献[6]，输入参数分别是分子电性距离矢量m11、m12、m13、m22、m23、m33（共6个），输出参数为大枣香味成分一定条件下在色谱柱（ultra2柱，50 m×320 μm×0.17 μm）中的保留指数。
1.2 建模方法采用3层bp网络对63种大枣香味成分的结构与保留时间进行建模，bp网络来自于matlab工具箱。
1.3 bp网络模型的检验在qsrr研究中，模型的稳健性和实用性的检验非常重要。
模型的稳健性检验采用交互检验（cross validation，cv），而模型的实用性通过外部预测能力衡量。
为保障模型的可靠性和外部预测能力，本试验将63种大枣香味成分的保留时间按由小到大排序，每间隔5个样本选择1个，共12个作为外部预测集，其他51个作为训练集。
采用ann和mlr分别进行建模，模型有效性通过r（相关系数——包含训练集和外部预测集）、rcv （loo法交互检验相关系数）、s（标准偏差）、rext（外部预测集相关系数）、sext（外部预测集标准偏差）等判别。
2 结果与讨论2.1 qsqr模型的建立采用bp网络构建63种大枣香味成分的定量结构与色谱保留之间的关系。
所用3层神经网络结构及参数通过反复数据试验优化，最终确定结构及参数如下：网络拓扑结构为6 × 6 × 1，输入层、隐含层和输出层传递函数均为logsig函数，学习目标函数为0.000 2，学习速度为0.1，迭代次数10 000次。
网络拓扑结构的输入节点数由分子结构参数决定（通过回归分析统计方法优选6个指数，即节点数为6），隐含层节点数分别设为3、4、5、6，由数据处理试验优选为6，输出为色谱保留时间（维数为1）。
logsig函数为bp-ann常用的3种传递函数之一，能够将输入、输出限制在0～1之间，比较符合数据处理的需求。
学习目标函数分别设定为0.000 000 08、0.000 2、0.000 1，最终选择0.000 2，当实际输出与理论输出的误差达到此数值时，网络停止学习。
学习速率快慢也由数据处理试验确定，学习速率过高将引起网络的振荡，导致数据结果不太稳定；而太小则需要更多的学习预测时间。
迭代次数由能够达到学习目标函数的学习次数确定，10 000次能够满足要求。
63种大枣香味成分结构与色谱保留的bp-ann、mlr结果见表1。
由表1可见，bp-ann模型的预测值与试验值的绝对误差分布在-3.844～2.220之间，而mlr预测值与试验值绝对误差分布在-9.264～7.796之间，bp-ann模型训练集的预测值、外部集的预测值、留一交叉检验的预测值更接近于试验值，其绝对误差（残差）明显小于mlr预测值。
由图1可明显看出，bp网络qsrr模型与mlr 模型得到的预测值与试验值的残差基本在y轴等于0的直线上下分布，残差绝对值低于3.844，频率分布接近于正态，接近于0的较多，误差大的较少。
而mlr法得到的结果离散性更强，残差值高达-9.264。
由此可见，用神经网络研究大枣香味成分与色谱保留之间的关系结果更好，拟合能力明显优于多元线性回归法。
2.2 qsqr模型的检验ann模型和mlr模型的相关系数（r）、标准偏差（s）、留一交互检验相关系数（rcv）、外部预测集相关系数rtrst分别见表2、图2和图3。
bp-ann模型的预测值与试验值相关系数r为0.998 9、训练集留一交叉检验的相关系数rcv为0.998 9，模型稳健性良好；当将其应用于外部预测集时，外部预测集的预测值与试验值的相关系数rext为0.998 9，说明模型外推能力很强；统计分析结果sext 为0.985，显著性系数低于0.000 1，结合残差散点图可知，模型无显著性差异。
而mlr法的r为0.981 9、rext为0.986 1、sext 为3.724，显然不及bp-ann模型。
由此可知，bp-ann模型的稳定性和外推能力都明显优于mlr模型。
3 结论采用bp-ann对大枣香味成分与色谱保留之间的定量构效关系进行建模，取得了较好的预测结果，相关系数r为0.998 9、rcv为0.998 9、rext为0.998 9，模型的稳健性和实用性均较好；残差绝对值分布在-3.844～2.220，频率直方图基本符合正态分布，且统计分析的sext为0.985，显著性系数小于0.000 1，说明模型无显著性差异。
这对预测枣香味成分色谱保留值、选择香味成分分离条件等具有重要意义。
并且可为进一步了解大枣香味成分特征、对大枣深加工和开发应用、实现香气成分分离条件的选择等提供一定的理论依据。
参考文献：[1] 胡芳，赵智慧，刘孟军.金丝小枣类黄酮提取最佳条件及抗氧化研究[j].中国食品学报，2012，12（4）：77-83.[2] 张军和，师玉忠，杜朝曦.红枣糯米酒的研制[j]. 食品与机械，2012，28（2）：210-212.[3] 李侠，彭丹，张春晖，等.红枣酒发酵动力学研究[j].中国酿造，2012，31（1）：190-193.[4] 张峻松，贾春晓，毛多斌，等.生物技术制备天然枣香料的香味化合物分析[j].精细化工，2003，20（2）：82-84.[5] 凌圣宝，向进乐，李志西，等.拐枣醋饮加工工艺及其抗氧化活性分析[j]. 食品工业科技，2012，33（15）：254-257，262.[6] 吴菊花，张生万，张婵娟，等.枣香味成分的结构表征及其色谱保留值的预测[j].山西大学学报（自然科学版），2010，33（3）：425-429.[7] ghavami r， faham s. qsrr models for kova‘ts’ retention indices of a variety of volatile organic compounds on polar and apolar gc stationary phases using molecular connectivity indexes[j]. chromatographia，2010，72（9-10）：893-903. [8] noorizadeh h， farmany a. qsrr models to predict retention indices of cyclic compounds of essential oils[j]. chromatographia， 2010，72（5-6）：563-569.[9] noorizadeh h， noorizadeh m. qsrr-based estimation of the retention time of opiate and sedative drugs by comprehensive two-dimensional gas chromatography[j]. medicinal chemistry research，2012，21（8）：1997-2005. [10] garkani-nejad z. use of self-training artificial neural networks in a qsrr study of a diverse set of organic compounds[j]. chromatographia，2009，70（5-6）：869-874.[11] nemecek p， mocak j， lehotay j， et al. prediction of hplc retention factor of potential antituberculotics by qsrr[j]. journal of liquid chromatography & related technologies，2011，34（3）：168-181.。
