Журнал аналитической химии, 2021, T. 76, № 8, стр. 746-757

ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ

Объекты исследования. Исследовали 87 образцов натуральных сухих красных – Каберне (16), Мерло (13), Пино-нуар (11) и белых – Рислинг (15), Шардоне (17) и Совиньон Блан (15) вин российского производства, приготовленных по традиционной технологии предприятиями-изготовителями: “Фанагория”, “Имение Сикоры”, “Кубань-вино”, “Союз-вино”, “Винодельня Юбилейная”, “Саук–Дере”, “Вилла Романова”, “Кубанская лоза” и “Мильстрим Черноморские вина”. Вина были произведены из урожая 2016–2017 гг. и разлиты в бутылки из темно-зеленого стекла с завинчивающейся крышкой и хранились при температуре до 10°C. По данным производителей содержание алкоголя в винах составляло 9–13% (по объему), а кислотность 4–7 г/л. Оценка испытуемых образцов, проведенная в Северо-Кавказском федеральном научном центре садоводства, виноградарства, виноделия (СКФНЦСВВ), подтвердила соответствие этих данных заявленным характеристикам.

Сенсорный анализ. Экспериментальные исследования, связанные с сенсорным анализом, проводили в СКФНЦСВВ (Краснодар, Россия). Перед сенсорной оценкой все образцы вин кодировали случайным образом. В процедуре сенсорной оценки приняли участие 11 специалистов возрастом от 32 до 66 лет (средний возраст 50 лет; 4 женщины и 7 мужчин). Все участники-эксперты имели профессиональный опыт в виноделии и сенсорном анализе. Эксперты трижды оценивали каждый образец в течение рабочей недели. Сенсорную оценку качества вин, включающую прозрачность, цвет, запах, аромат, вкус и типичность, проводили в соответствии с известной 100-балльной рейтинговой системой Паркера [33].

Перед сенсорной оценкой образец вина (50 мл) наливали в бокал и накрывали чашкой Петри диаметром 5.7 см на 30 мин. Испытания проводили в хорошо освещенном дегустационном зале с контролируемым температурным режимом. Все образцы подавали при 16–22°С на столы с белыми салфетками. Во время сенсорной оценки экспертам было запрещено общаться. Вина подавали в прозрачных бокалах в форме тюльпанов объемом 220 мл. Интервалы между дегустацией каждого образца составляли 2 мин. Во время каждого перерыва специалисты полоскали рот водой.

Определение летучих компонентов в винах проводили методом капиллярной газовой хроматографии с пламенно-ионизационным детектированием (ГХ-ПИД) в СКФНЦСВВ по методике [34]. Оптимизированные условия анализа и рабочие параметры хроматографа приведены в табл. 1. Предварительное извлечение летучих компонентов из образцов вина во время анализа не проводили, чтобы исключить влияние растворителей. Влияние анализируемой матрицы – возможных продуктов деградации нелетучих компонентов, устраняли прямым дозированием в хроматограф пробы вина, предварительно разбавленной дистиллированной водой. Для получения градуировочных растворов применяли стандартные растворы для анализа спиртосодержащих жидкостей методом газожидкостной хроматографии, Россия. В состав стандартных растворов входили аттестованная градуировочная смесь для анализа на подлинность – комплект ГСПС и аттестованная градуировочная смесь для определения фурфурола и летучих кислот – комплект ГССФ и ГССК.

Мультиэлементный анализ. Подготовку и анализ проб вина проводили согласно рекомендациям [35, 36]. Концентрации металлов в винах определяли методом атомно-эмиссионной спектрометрии с индуктивно связанной плазмой (АЭС-ИСП). Оптимизированные условия анализа и рабочие параметры измерительного прибора приведены в табл. 1. Для построения градуировочных кривых использовали стандартные растворы металлов: ГСОРМ № 7854-2000 (Al), 7760-2000 (Ba), 8065-94 (Ca), 7784-2000 (Co), 8035-94 (Cr), 7998-93 (Cu), 8032-94 (Fe), 8092-94 (K), 7780-2000 (Li), 7190-95 (Mg), 7762-2000 (Mn), 8062-94 (Na), 7778-2000 (Pb), 7035-93 (Rb), 7145-95 (Sr), 7205-95 (Ti) и 7770-2000 (Zn). В использованных стандартных растворах концентрации Na и K составляли 10 000 мг/л, всех других металлов – 1000 мг/л.

Расчеты и статистический анализ. Сравнительный анализ влияния металлов и летучих соединений на сенсорные свойства вин проводили с помощью программы STATISTICA 10 [37]. Строили линейные и общие линейные регрессионные модели с качественным предиктором Сорт, которые описывали взаимосвязи сенсорной оценки с концентрациями металлов, летучих соединений и сортами вин. Выбор летучих соединений в винах определялся рекомендациями Международной организации виноградарства и виноделия [38].

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

В табл. 2 приведены результаты определения 17 металлов и 13 летучих соединений в 87 образцах натуральных красных (40) и белых (47) вин, использованных в построении моделей и сравнительном анализе их вклада в сенсорные свойства. Для красных вин характерны более высокие содержания металлов Ba, Co, Fe, K, Pb, Sr и летучих соединений 1-гексанола, мезо-2,3-бутандиола, R-2,3-бутандиола, уксусной кислоты, изопентанола, изобутанола и метанола, а в белых винах выше концентрации Al, Li, Na, Rb, Ti, Zn, 2-пропанола и ацетальдегида (табл. 2). Содержания Ca, Cr, Cu, Mg, Mn, 1-бутанола, 1-пропанола, этилацетата и фурфурола в красных и белых винах оказались приблизительно одинаковыми. Диапазон изменения сенсорной оценки для красных и белых вин примерно одинаков – от 80 до 90 баллов.

Линейные регрессионные модели. В регрессионном анализе среднее значение сенсорной оценки по всем 11 экспертам полагали зависимой переменной (откликом), а концентрации металлов и летучих соединений – независимыми переменными (предикторами) модели. Для удобства обозначили: ${{Y}_{i}}$ – исходные значения зависимой переменной, $\bar {Y}$ – их среднее по образцам; ${{\tilde {Y}}_{i}}$ (i = 1, …, n) – предсказанные моделью значения зависимой переменной, $\tilde {Y}$ – их среднее; n – количество образцов вин. Дополнительно, придерживаясь терминологии пакета STATISTICA [39], обозначили SS остатков = ${{\sum\nolimits_{i = 1}^n {({{{\tilde {Y}}}_{i}} - {{Y}_{i}})} }^{2}},$ SS модели = = ${{\sum\nolimits_{i = 1}^n {({{{\tilde {Y}}}_{i}} - Y)} }^{2}}.$ Сравнительный анализ вклада металлов и летучих соединений в формирование сенсорных свойств вин осуществляли исследованием вклада предикторов в отклик линейной модели. Такие исследования целесообразны, если построенная линейная модель адекватно описывает взаимосвязи отклика и предикторов. Основным показателем адекватности регрессионных моделей служит коэффициент детерминации, который принимает значения из диапазона [0, 1] и вычисляется по формуле:

Очевидно, чем меньше разброс значений остатков (SS остатков) около линии регрессии по отношению к общему разбросу значений (SS модели + SS остатков), тем адекватнее модель и точнее прогноз. Поэтому, чем ближе значение R² к 1, тем выше адекватность модели. Считают, что если R² > 0.5, то регрессионная модель пригодна для прогностических целей. Коэффициент множественной корреляции R = $\sqrt {{{R}^{2}}} $ характеризует степень взаимосвязи зависимой переменной с предикторами и вычисляется как коэффициент парной корреляции исходных значений ${{Y}_{i}}$ и прогнозных значений ${{\tilde {Y}}_{i}}$ отклика. Регрессионные модели строили методом Forward stepwise, который предусматривает автоматический выбор программой предикторов модели.

Итоги регрессионного анализа для красных вин. Регрессионную модель строили по 37 образцам красных вин, а по данным трех случайным образом выбранных образцов оценивали ее прогностические свойства. В регрессионную модель включено 13 компонентов из 30, из них 6 летучих соединений и 7 металлов (табл. 3). В информационной части табл. 3 отражены параметры адекватности модели. Дисперсионный анализ уравнения регрессии показал, что SS остатков = = 91.89; SS модели = 190.232, следовательно, R² = 1 – 91.89/ (91.89 + 190.232) = 0.674, R = $\sqrt {{{R}^{2}}} $ = = 0.821. Учитывая, что регрессионная модель описывает примерно 67% изменчивости зависимой переменной относительно среднего значения, а R близко к 1, то можно говорить о построении адекватной линейной модели, пригодной для прогнозирования сенсорной оценки. Уравнение регрессии статистически значимо, так как уровень значимости p критерия Фишера (F = 3.662) меньше 0.05 (p < 0.003). Коэффициенты уравнения регрессии для красных вин и коэффициенты, вычисленные по нормированным (стандартизованным) концентрациям компонентов, приведены в столбцах “b” и “b*”. Нормирование заключается в вычитании из исходного значения концентрации среднего и делении полученной разности на среднеквадратическое отклонение. В столбцах “t (23)” и “p-знач.” приведены значение и уровень значимости критерия Стьюдента для оценки статистической значимости вычисленных регрессионных коэффициентов. Статистически значимые коэффициенты (р < 0.05) выделены жирным шрифтом – они соответствуют металлам K, Al, Mn и летучим соединениям – мезо-2,3-бутандиолу, 1-бутанолу.

Еще одним подтверждением адекватности построенной модели является соответствие распределения остатков – разности между исходными значениями отклика ${{Y}_{i}}$ и прогнозными ${{\tilde {Y}}_{i}}$ – нор-мальному закону со средним значением, равным 0. Гистограмма остатков визуально соответствует нормальному распределению со средним значением, близким к 0 (рис. 1). Уровень значимости р критерия χ² Пирсона, приведенный в информационной части графика, принял значение 0.249, больше чем 0.05, что означает справедливость гипотезы о соответствии эмпирического распределения остатков нормальному закону.

Уравнение линейной модели, составленное по коэффициентам, отображенным в столбце “b” табл. 3, имеет вид:

где Y – отклик, определяющий прогнозные значения сенсорной оценки; Х₁, Х₂, … Х₁₃ предикторы модели, обозначающие концентрации компонентов в соответствии с их номерами в столбце “N”.

Параметры модели использовали для оценки вклада компонентов в органолептические свойства вин. С другой стороны, дополнительно проверили адекватность построенной модели на трех контрольных образцах красных вин Каберне, Мерло, Пино-нуар, которые не участвовали в построении модели, вычислив по уравнению (2) прогнозные значения сенсорной оценки. Концентрации компонентов, исходные данные сенсорной оценки и прогнозные значения трех образцов красных вин приведены в табл. 4. Близость прогнозных значений сенсорной оценки к исходным значениям оценивали через погрешность прогнозного значения: ∆ = $\left| {\frac{{Y - \tilde {Y}}}{Y}} \right|$ × 100%.

Среднее значение погрешности прогнозного значения по трем контрольным образцам красных вин составило 1.663%, что является подтверждением хороших прогностических способностей модели, а значит и ее адекватности.

Нормирование концентраций компонентов позволяет привести предикторы в построенной модели к единому безразмерному виду, при котором средние отклонения равны 1, а среднеквадратические – 0. Поэтому вклады предикторов в значения отклика оценивали по нормированным коэффициентам по принципу – чем выше значение абсолютной величины коэффициента, тем больше вклад компонента в значение отклика. Из табл. 3 следует, что наибольший вклад в сенсорную оценку дает 1-бутанол (b* = 1.289), далее мезо-2,3-бутандиол (b* = 1.105) и на 3 месте алюминий (|b*| = 0.708). Из металлов наибольший вклад после алюминия вносит калий (b* = 0.614), далее марганец (b* = 0.424). Для сравнения вкладов летучих соединений и металлов, вошедших в уравнение (2), воспользуемся средним арифметическим абсолютных значений коэффициентов в столбце “b*”. Для металлов среднее арифметическое значений коэффициентов b* составило 0.345, для летучих соединений – 0.734. Это означает, что вклад летучих соединений в сенсорную оценку по сравнению с металлами выше более чем в два раза.

Итоги регрессионного анализа для белых вин. Регрессионную модель строили по 44 образцам, а по данным трех случайным образом выбранных образцов белых вин оценивали ее прогностические свойства. В регрессионную модель включено 14 компонентов из 30, из них 7 летучих соединений и 7 металлов (табл. 5). Согласно уровню значимости p-знач. критерия Стьюдента, приведенному в последнем столбце табл. 5, предикторы в модели (3) статистически значимы для этилацетата, 1-гексанола, уксусной кислоты, 1-бутанола, метанола, Ca, Cu и Al (р < 0.05). Соответствующие строки таблицы выделены жирным шрифтом. Уравнение регрессии для белых вин оказалось еще более адекватным. Из информационной части табл. 5 следует, что регрессионная модель описывает 87% изменчивости сенсорной оценки относительно среднего значения (R² = 0.87); уравнение регрессии (3) является статистически значимым, поскольку уровень значимости F-критерия p < 0.000.

В соответствии с параметрами построенной модели в столбце “b”, линейное уравнение имеет вид:

Гистограмма распределения остатков визуально соответствует нормальному распределению (рис. 2). Уровень значимости критерия Пирсона (χ²) принял значение 0.184, поэтому справедлива гипотеза о соответствии распределения остатков нормальному закону со средним значением, равным 0.

Для белых вин также проверили адекватность построенной модели вычислением по уравне-нию (3) прогнозных значений сенсорной оценки трех контрольных образцов (Рислинг, Совиньон Блан и Шардоне), которые не участвовали в построении модели. Концентрации компонентов, исходные данные сенсорной оценки и прогнозные значения трех образцах белых вин приведены в табл. 6.

Среднее значение погрешности прогнозного значения по 3 образцам контрольных образцов белых вин составило 1.083%, что так же как и в случае с красными винами подтверждает хорошие прогностические свойства модели (3), а значит и ее адекватность.

Наибольший вклад в формирование сенсорной оценки вносит уксусная кислота (|b*| = 0.966), далее этилацетат (b* = 0.792), 1-бутанол (|b*| = = 0.549) и т.д. Из металлов наибольший вклад вносит кальций (b* = 0.341), далее медь (|b*| = = 0.230) и алюминий (|b*| = 0.224). Среднее арифметическое абсолютных значений коэффициентов в столбце “b*” для металлов и летучих соединений составило 0.152 и 0.490 соответственно. Следовательно, средний вклад летучих соединений в сенсорные характеристики белых вин оказался более чем в три раза выше по сравнению с вкладом металлов. Адекватность линейных моделей (2) и (3) делает возможным их использование для прогнозирования экспертных оценок по значениям концентраций металлов и летучих соединений.

Общие линейные модели. Помимо оценки влияния изучаемых компонентов на сенсорную оценку, представляет определенный интерес исследование вклада металлов и летучих соединений в ее вариабельность (изменчивость). Такое исследование возможно с применением общей линейной модели, построение которой предусматривает использование наряду с количественными предикторами категориальных предикторов. Параметры такой модели для красных вин с категориальным предиктором “Сорт”, приведены в табл. 7.

Приведенные в столбце “b*” значения коэффициентов показывают, что наибольший вклад в величину сенсорной оценки вин вносят летучие соединения – 1-бутанол (b* = 1.192), мезо-2,3-бутандиол (b* = 0.966). Так как средние значения абсолютных величин коэффициентов для металлов и летучих соединений составили 0.326 и 0.664, то вклад летучих соединений в сенсорную оценку в два раза выше вклада металлов. В столбце “метка для категориального предиктора” указаны названия вин, соответствующие категориальным переменным Сорт₁ и Сорт₂. Общая линейная модель для красных вин, составленная по коэффициентам столбца “b”, имеет вид:

где Y – отклик, определяющий прогнозные значения сенсорной оценки; Х₁, Х₂, …, Х₁₃ – предикторы модели, обозначающие концентрации компонентов в соответствии с их номерами в столбце N. Уравнение (4) адекватно описывает взаимосвязи сенсорной оценки с концентрациями компонентов и сортами вин (R² = 0.680 и R = 0.825). Статистически значимыми предикторами в модели являются 1-бутанол, калий и алюминий, так как р-критерий Стьюдента принимает значение меньше чем 0.05. Переменные Сорт₁, Сорт₂ в соответствии с сигма-ограниченной параметризацией закодированы так, что каждый категориальный предиктор представляется в виде совокупности одноименных двухуровневых предикторов. Так, Сорт₁ принимает два текстовых значения – Каберне, Мерло; Сорт₂ принимает также два значения – Пино-нуар, Мерло. При этом в уравнении (4) Сорт₁ принимает значение 1, если вино Каберне, в остальных случаях – 0; Сорт₂ принимает значение 1, если вино Пино-нуар, в остальных случаях – 0.

Коэффициенты детерминации и множественной корреляции общей линейной модели незначительно превосходят соответствующие коэффициенты линейной модели, поэтому добавление категориального предиктора Сорт несущественно повысило прогностические способности модели. Но общие линейные модели по сравнению с линейными моделями позволяют оценить вклад предикторов в изменчивость зависимой переменной по суммам квадратов отклонений SS одномерного критерия значимости (табл. 8). Из предикторов наибольший вклад в изменчивость сенсорной оценки вносят: металлы – калий (SS = 37.782) и алюминий (SS = 26.008), летучие соединения – 1-бутанол (SS =19.171). Усредненный вклад металлов и летучих соединений примерно одинаков, так как средние значения SS соответственно равны 11.980 и 10.756.

По аналогии построили уравнение общей линейной модели для белых вин:

Уравнение (5) адекватно описывает взаимосвязь сенсорной оценки с концентрацией компонентов и сортом вина, поскольку R² = 0.875, R = = 0.936. В соответствии с сигма-ограниченной параметризацией Сорт₁ в уравнении (5) принимает значение 1, если вино Рислинг, в других случаях – 0. Если вино Совиньон Блан, то Сорт₂ принимает значение 1, а в других случаях – 0. Наибольший вклад в сенсорную оценку внесли летучие соединения уксусная кислота (|b*| = = 1.021), затем этилацетат (b* = 0.762) и 1-бутанол (|b*| = 0.564). Как и в случае с линейной моделью, средний вклад летучих соединений в значение сенсорной оценки (0.495) примерно в три раза выше среднего вклада металлов (0.173). Все предикторы, кроме изопентанола, 1-пропанола, Al, Mg, K, Na, Sr, Сорт₁ и Сорт₂, в модели статистически значимы. Наибольший вклад в изменчивость вносят летучие соединения – уксусная кислота (SS = 42.998) и этилацетат (SS = 40.71), а из металлов – Ca (SS = 12.455). Средние значения SS для летучих соединений и металлов равны 16.616 и 4.148 соответственно. Это означает, что средний вклад летучих соединений в вариабельность сенсорной оценки значительно превышает средний вклад металлов. Учитывая, что модели (3) и (5) имеют примерно одинаковые коэффициенты детерминации и множественной корреляции, включение категориального предиктора Сорт, так же, как и для красных вин, не улучшило прогностические способности модели.

Индифферентность прогностических способностей моделей (4) и (5) к добавлению сорта вина в качестве предиктора следует из анализа средних значений сенсорных оценок для разных сортов вин. Дисперсионный анализ показал слабую дифференциацию оценок экспертов по различным сортам вин. Например, для красных вин средний балл Мерло (86.076) оказался незначительно выше, чем средний балл Пино-нуар (84.557), что, в свою очередь, было немного больше, чем средний балл для Каберне (84.060). Отличие средних значений сенсорной оценки по критерию “наименьшей значимой разности” при примерно одинаковых разбросах, представленных на диаграмме размаха стандартным отклонением, не является статистически значимым (р < 0.05) (рис. 3). Аналогичный результат получен по белым винам.

Таким образом, использование красных и белых сортов вин в качестве предикторов линейных моделей не повлияло на соотношение вклада металлов и летучих соединений в сенсорные свойства вин. Тем не менее использование общих линейных моделей позволило дополнительно оценить вклад металлов и летучих соединений в вариабельность сенсорных оценок вин.

* * *

Построенные линейные и общие линейные модели позволили оценить вклад металлов и летучих соединений в формирование сенсорных свойств вин и показали возможность прогнозирования сенсорной оценки красных и белых вин по концентрациям летучих соединений и металлов. Использование общих линейных моделей позволило дополнительно оценить вклад металлов и летучих соединений в вариабельность сенсорных оценок вин.

Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований (проект № 20-33-90046) с использованием научного оборудования ЦКП “Эколого-аналитический центр” Кубанского госуниверситета.