Traceability Method of Rice Origin: Research Progress

doi:10.11924/j.issn.1000-6850.casb19040028

Abstract

Abstract:

To study the traceability method of rice origin, we reviewed the application of stable isotope techniques, near-infrared spectroscopy, mineral element analysis techniques, organic component fingerprinting techniques, Raman spectroscopy, headspace solid phase microextraction-gas chromatography-mass spectrometry (HS-SPME/GC-MS) in the geographical identification of rice. It was found that: the study of origin traceability was still relatively superficial; at present, only a few varieties with characteristics were selected for research and analysis; the established geographic identification method of rice was not universal. The future research should ensure the sufficiency of the samples, several techniques could be combined with multiple chemometric methods to improve the accuracy of the discrimination.

Key words: rice, origin traceability, analysis technology, near infrared spectroscopy, volatile matter, chemometrics

CLC Number:

TS213.3

Hu Shengying, Ren Hongbo, Zhang Jun, Meng Li. Traceability Method of Rice Origin: Research Progress[J]. Chinese Agricultural Science Bulletin, 2020, 36(14): 148-155.

Figures/Tables 1

References 58

[1]	李英, 张越杰, 聂英 . 日本大米可追溯系统建立对中国的启示[J]. 世界农业, 2017(11):40-46.
[2]	Korenaga T, Musashi M, Nakashita R , et al. Statistical analysis of rice samples for compositions of multiple light elements (H, C, N, and O) and their stable isotopes[J]. Anal. Sci, 2010,26:873-878. doi: 10.2116/analsci.26.873 URL
[3]	夏立娅 . 大米产地特征因子及溯源方法研究[D]. 河北保定:河北大学, 2013.
[4]	Yajima I, Yanai T, Nakamura M , et al. Volatile flavor compo-nents of cooked rice Kaorimai[J]. J Agr Biol Chem, 1979,43(12):2425-2429.
[5]	刘雯雯, 陈岩, 杨慧, 耿安静, 王富华 . 稳定同位素及矿物元素分析在谷物产地溯源中应用的研究进展[J]. 食品科学, 2019,40(13):340-348.
[6]	Lagad R A, Singh S K, Rai V K . Rare earth elements and ⁸⁷Sr/ ⁸⁶Sr isotopic characterization of Indian Basmati rice as potential tool for its geographical authenticity [J]. Food Chemistry, 2017,217:254-265. doi: 10.1016/j.foodchem.2016.08.094 URL
[7]	钟敏 . 用碳氮稳定同位素对大米产地溯源的研究[D]. 大连海事大学, 2013.
[8]	Korenaga T, Musashi M, Nakashita R , et al. Statistical analysis of rice samples for compositions of multiple light elements (H, C, N, and O) and their stable isotopes[J]. Analytical Sciences, 2010,26(8):873-878. doi: 10.2116/analsci.26.873 URL
[9]	Chen T, Zhao Y, Zhang W , et al. Variation of the light stable isotopes in the superior and inferior grains of rice (Oryza sativa L.) with different geographical origins[J]. Food Chemistry, 2016,209:95-98. doi: 10.1016/j.foodchem.2016.04.029 URL
[10]	Chung I M, Kim J K, Lee K J , et al. Geographic authentication of Asian rice (Oryza sativa L.) using multi-elemental and stable isotopic data combined with multivariate analysis[J]. Food Chemistry, 2018,240:840-849.
[11]	Bourdon B, Roskosz M, Hin R C . Isotope tracers of core formation[J]. Earth-Science Reviews, 2018,181:61-81. doi: 10.1016/j.earscirev.2018.04.006 URL
[12]	Caritat P D, Reimann C, Smith D B , et al. Chemical elements in the environment: Multi-element geochemical datasets from continental to national scale surveys on four continents[J]. Applied Geochemistry, 2018,89:150-159. doi: 10.1016/j.apgeochem.2017.11.010 URL
[13]	马楠, 鹿保鑫, 刘雪娇 , 等. 矿物元素指纹图谱技术及其在农产品产地溯源中的应用[J]. 现代农业科技, 2016(9):296-298.
[14]	Ariyama K, Shinozaki M, Kawasaki A . Determination ofthe geographic origin of rice by chemometrics with strontium and lead isotope ratios and multielement concentrations[J]. Journal of Agricultural & Food Chemistry, 2012,60(7):1628-1634.
[15]	黎永乐, 郑彦婕, 汤璐 , 等. 基于无机元素分析对地理标志五常大米鉴别技术的研究[J]. 光谱学与光谱分析, 2016,36(3):834-837.
[16]	宋雪健, 冷侯喜, 张爱武 , 等. 黑龙江省不同产地大米中矿物元素含量分析与比较[J]. 黑龙江八一农垦大学学报, 2016,28(3):66-70.
[17]	Kukusamude C, Kongsri S . Elemental and isotopic profiling of Thai jasmine rice (Khao Dawk Mali 105) for discrimination of geographical origins in Thung Kula Rong Hai area, Thailand[J]. Food Control, 2018,91:357-364. doi: 10.1016/j.foodcont.2018.04.018 URL
[18]	Yue Zhang, Xin Wang, Xionghui Ji , et al. Effect of a novel Ca-Si composite mineral on Cd bioavailability, transport and accumulation in paddy soil-rice system[J]. Journal of Environmental Management, 2018,10:802-811.
[19]	Li L, Wen B, Zhang X , et al. Geographical origin traceability of tea based on multi-element spatial distribution and the relationship with soil in district scale[J]. Food Control, 2018,90:18-28. doi: 10.1016/j.foodcont.2018.02.031 URL
[20]	Li G, Nunes L, Wang Y , et al. Profiling the ionome of rice and its use in discriminating geographical origins at the regional scale, China[J]. Journal of Environmental Sciences, 2013,25(1):144-154. doi: 10.1016/S1001-0742(12)60007-2 URL
[21]	Pasquini, Celio. Near Infrared Spectroscopy: a mature analytical technique with new perspectives-A review[J]. Analytica Chimica Acta, 2018,1026:8-36. doi: 10.1016/j.aca.2018.04.004 URL
[22]	Osborne B, Mertens B, Thompson M , et al. The authentication of Basmati rice using near infrared spectroscopy[J]. Journal of Near Infrared Spectroscopy, 1993,1(1):77. doi: 10.1255/jnirs.8 URL
[23]	钱丽丽, 宋雪健, 张东杰 , 等. 基于傅里叶变换近红外光谱法鉴别五常大米[J]. 食品科学, 2018,39(8):231-236.
[24]	Kim H j, Rhyu M r, Kim J m , et a1. Authentication of rice using near infrared reflectance spectroscopy[J]. Cereal chemistry, 2003,80:346-349. doi: 10.1094/CCHEM.2003.80.3.346 URL
[25]	李跑, 吴红艳, 李尚科 , 等. 近红外光谱技术结合化学计量方法用于大米的快速分析[J]. 食品研究与开发, 2018,39(19):117-124.
[26]	夏立娅 , 等. 基于近红外光谱和模式识别技术鉴别大米产地的研究. 光谱学与光谱分析, 2013,33(1):102-105.
[27]	杜梦佳, 毛波, 沈飞 , 等. 基于红外光谱指纹和挥发性组分信息融合模型鉴别大米产地来源[J]. 食品科学, 2018,39(8):243-248.
[28]	Wu Y, Luo D, Dong H , et al. Geographical origin of cereal grains based on element analyser-stable isotope ratio mass spectrometry (EA-SIRMS)[J]. Food Chemistry, 2015,174:553-557. doi: 10.1016/j.foodchem.2014.11.096 URL
[29]	Hui Chen, Zan Lin, Chao Tan . Fast discrimination of the geographical origins of notoginseng by near-infrared spectroscopy and chemometrics[J]. Journal of Pharmaceutical and Biomedical Analysis, 2018,161:239-245. doi: 10.1016/j.jpba.2018.08.052 URL
[30]	Pankin D, Kolesnikov I, Vasileva A , et al. Raman fingerprints for unambiguous identification of organotin compounds[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy, 2018,204:158.
[31]	孙娟, 张晖, 王立 , 等. 基于拉曼光谱的大米快速分类判别方法[J]. 食品与机械, 2016(1):41-45.
[32]	Hwang J, Kang S, Lee K , et al. Enhanced Raman spectroscopic discrimination of the geographical origins of rice samples via transmission spectral collection through packed grains[J]. Talanta, 2012,101(1):488-494. doi: 10.1016/j.talanta.2012.10.001 URL
[33]	Zhu L, Sun J, Wu G , et al. Identification of rice varieties and determination of their geographical origin in China using Raman spectroscopy[J]. Journal of Cereal Science, 2018,82:175-182. doi: 10.1016/j.jcs.2018.06.010 URL
[34]	田芳明 . 基于拉曼光谱与有机成分分析的大米身份识别[D]. 吉林长春:吉林大学, 2018.
[35]	黄嘉荣, 伍博迪, 詹求强 . 基于拉曼光谱和化学计量学方法判别大米分类的研究[J]. 激光生物学报, 2015,24(3):237-241.
[36]	Nazife Nur Yazgan Karacaglar, Tugba Bulat, Ali Topcu , et al. Raman spectroscopy coupled with chemometric methods for the discrimination of foreign fats and oils in cream and yogurt[J]. Journal of Food and Drug Analysis, 2019,27(1):101-110. doi: 10.1016/j.jfda.2018.06.008 URL
[37]	回瑞华, 侯冬岩, 李铁纯 , 等. 不同产地稻米油脂中脂肪酸的气相色谱-质谱分析[J]. 质谱学报, 2008,29(6):349-352.
[38]	李红, 田福林, 刘成雁 , 等. 气相色谱-串联质谱法测定不同产地大米中的角鲨烯[J]. 分析测试学报, 2011,30(10):1179-1182.
[39]	田福林, 李红, 刘成雁, 王志嘉, 任雪冬, 程光荣 . GC-MS法对不同产地大米的快速鉴定[J]. 分析测试学报, 2011,30(09):1059-1062.
[40]	李俊星, 钟玉娟, 罗剑宁 , 等. 基于电子鼻与HS-SPME/GC-MS技术的香芋南瓜果实香气物质解析[J]. 现代食品科技, 2018,34(9):244-251.
[41]	钱丽丽, 吕海峰, 鹿保鑫 , 等. 地理标志大米的仿生电子鼻分类识别[J]. 中国粮油学报, 2016,31(8):131-137.
[42]	胡志全, 王海洋, 刘友明 . 电子鼻识别大米挥发性物质的应用性研究[J]. 中国粮油学报, 2013,28(7):93.
[43]	崔琳琳, 周一鸣, 王惠 , 等. 基于GC-MS和电子鼻技术的大米挥发性风味成分分析[J]. 中国粮油学报, 2018(8):81-87.
[44]	丁云连 . 食品中痕量挥发性物质的分析检测技术[C]. 全国食品检测技术论坛, 2009.
[45]	Dora Melucci, Alessandra Bendini, Federica Tesini , et al. Rapid direct analysis to discriminate geographic origin of extra virgin olive oils by flash gas chromatography electronic nose and chemometrics[J]. Food Chemistry, 2016,204:263-273. doi: 10.1016/j.foodchem.2016.02.131 URL
[46]	刘晔, 葛丽琴, 王远兴 . 庐山云雾茶挥发性成分主成分分析及产地判别[J]. 食品科学, 2017,38(24).
[47]	江勇, 袁美兰, 赵利 , 等. 啤酒中挥发性成分的测定及产地鉴别[J]. 南昌大学学报:理科版, 2014(5):472-476.
[48]	Bryant R J, Mcclung A M . Volatile profiles of aromatic and non-aromatic rice cultivars using SPME/GC-MS[J]. Food Chemistry, 2010,124(2):501-513. doi: 10.1016/j.foodchem.2010.06.061 URL
[49]	Lupotto E, Cavagna B, Corana F , et al. Quality Evaluation and High Throughput Analysis of Aromatic Italian Rice Varieties Through HS-SPME/GC-MS Analysis[J]. Consumer Driven Cereal Innovation, 2008: 78-82.
[50]	黄亚伟, 徐晋, 王若兰 , 等. HS-SPME/GC-MS对五常大米中挥发性成分分析[J]. 食品工业, 2016(4):266-269.
[51]	刘敏, 王健健, 刘芳宏 , 等. 基于SPME-GC-MS对不同品种大米挥发性物质分析[J]. 中国酿造, 2017,36(6):170-174.
[52]	Kyu D, Phuoc N, Won S . Non-destructive profiling of volatile organic compounds using HS-SPME/GC-MS and its application for the geographical discrimination of white rice[J]. Journal of Food & Drug Analysis, 2018,26(1):260.
[53]	倪力军, 张立国 . 基础化学计量学及其应用[Z]. 上海:华东理工大学出版社, 2011.
[54]	齐安安, 周小平, 雷春妮 , 等. 化学计量学结合气质联用法对4种食用动物油判别模型的构建[J]. 分析测试学报, 2018,37(8):955-961.
[55]	张玥, 王朝辉, 张亚婷 , 等. 基于主成分分析和判别分析的大米产地溯源[J]. 中国粮油学报, 2016,31(4):1-5.
[56]	张薇薇, 张秀玲 . 基于主成分分析和聚类分析的苹果香气成分比较及品种分类研究[J]. 食品工业科技, 2018,39(17):217-224.
[57]	吴婷, 魏珊, 米丽华 , 等. 不同产地连翘的DNA指纹图谱构建与聚类分析[J]. 中草药, 2016,47(5):816-820.
[58]	M Esteki, J Simal-Gandara, Z Shahsavari , et al. A review on the application of chromatographic methods, coupled to chemometrics, for food authentication[J]. Food Control, 2018,93:165-182.

样品	样品来源（数量）	分析技术	关键变量	统计方法	产地区分效果	参考文献
大米	印度5个地区(84)	Q-ICP-MS	⁸⁷Sr/⁸⁶Sr	相关分析、配对t检验	区分部分不同国家	[6]
大米	黑龙江(3)、辽宁(3)、江苏(1)、河南(1)、湖南(1)、三亚(1)、日本(103)、美国(30)	EA-IRMS	δ¹³C、δ¹⁵N	HCA	可区分不同国家,不能有效区分不同省份	[7]
大米	五常(6)、富锦(6)	IRMS	δ¹³C、δ¹⁵N、δD、δ¹⁸O	SEM、二维分布	区分效果良好	[8]
大米	巴西中西部(12)、巴西南部(19)	DM-ICP/MS	Cd、Rb、Mg、K	SVM、RF、MLP	SVM、RF和MLP模型预测准确率分别为93.66%、93.83 %和90%	[14]
大米	五常(58)、东北(50)、南方(31)	ICP-MS、ICP-AES	Ca、Cu、Fe、K、Mg、Mn、Zn、Ni、As、Sr、Cd、Ba、Mo、Se	PCA、Fisher判别、ANN	PCA分类效果较差;Fisher判别和ANN区分五常和其他地区的平均准确识别率分别为93.5%和96.4%	[15]
大米	五常(70)、建三江(35)、查哈阳(37)、方正(30)、响水(19)	NIR	特征光谱峰	因子化法、聚类分析、PLS-DA	因子化法和聚类分析对五常地区判别正确率为100%,偏最小二乘法判别正确率为95.83%	[23]
大米	东北糙米(5)、东北米(15)、湖南糙米(5)、籼米(20)、芙蓉米(5)、泰香米(5)、京生缘香米(5)、晚米(5)、软香米(5)、贡米(5)、柬埔寨香米(5)	FTNIS	特征光谱峰	CWT、PCA	不同国家,不同产地,都能有效区分	[25]
大米	五常(15)、盘锦(20)、射阳(19)	FTIR、GC-MS	特征光谱峰	PLS-DA、ANOVA	利用方差分析筛选出特征光谱和挥发性组分,结合偏最小二乘判别分析(PLS-DA)法建立鉴别方法,准确率97.4%,对大米产地进行鉴别是可行有效的	[27]
大米	黑龙江(44)、湖南(53)、江苏(26)	RS	极性基团和键的基本振动	PCA、PLS-DA	主成分分析对不同种类、产地和品种的大米进行粗分类鉴别;偏最小二乘判别分析样本正确判别率分别为100%、100%、94.12%	[31]
大米	黑龙江(87)、江苏(60)、吉林(42)、山东(38)、河南(30)、天津(23)、安徽(14)、湖南(114)、广东(40)、广西(37)、海南(25)安徽(15)	RS	极性基团和键的基本振动	PCA、HCA、PLS-DA、SIMCA	PCA用于初步鉴定,比较了不同的建模方法,似乎可以可靠地识别水稻类型,品种和原产地,准确度在80%~100%以内	[33]
大米	五常大米(5)、泰国香米(3)、辽宁大米(3)、吉林大米(1)	GC-MS/MS	角鲨烯	RSD	五常大米的角鲨烯含量最高,其次为辽宁大米,吉林大米比辽宁大米略低,泰国香米最低	[38]
大米	印度(2)、美国(2)、泰国(2)、日本(1)	HS-SPME /GC-MS	挥发性物质		香稻品种和非香稻品种的挥发性成分差异很大,区分效果良好	[43]
大米	大粒溪香(1)、大粒香(1)、金麻粘(1)、帅优63(1)	HS-SPME /GC-MS	挥发性物质	PCA	不同品种大米风味物质PCA综合得分来看,说明不同品种间大米风味物质存在差异性,可以有效区分不同品种	[51]
大米	韩国(12)、中国(12)	HS-SPME /GC-MS	挥发性物质	t检验、SAM、PLS-DA	区分效果良好	[52]

样品	样品来源（数量）	分析技术	关键变量	统计方法	产地区分效果	参考文献
大米	印度5个地区(84)	Q-ICP-MS	⁸⁷Sr/⁸⁶Sr	相关分析、配对t检验	区分部分不同国家	[6]
大米	黑龙江(3)、辽宁(3)、江苏(1)、河南(1)、湖南(1)、三亚(1)、日本(103)、美国(30)	EA-IRMS	δ¹³C、δ¹⁵N	HCA	可区分不同国家,不能有效区分不同省份	[7]
大米	五常(6)、富锦(6)	IRMS	δ¹³C、δ¹⁵N、δD、δ¹⁸O	SEM、二维分布	区分效果良好	[8]
大米	巴西中西部(12)、巴西南部(19)	DM-ICP/MS	Cd、Rb、Mg、K	SVM、RF、MLP	SVM、RF和MLP模型预测准确率分别为93.66%、93.83 %和90%	[14]
大米	五常(58)、东北(50)、南方(31)	ICP-MS、ICP-AES	Ca、Cu、Fe、K、Mg、Mn、Zn、Ni、As、Sr、Cd、Ba、Mo、Se	PCA、Fisher判别、ANN	PCA分类效果较差;Fisher判别和ANN区分五常和其他地区的平均准确识别率分别为93.5%和96.4%	[15]
大米	五常(70)、建三江(35)、查哈阳(37)、方正(30)、响水(19)	NIR	特征光谱峰	因子化法、聚类分析、PLS-DA	因子化法和聚类分析对五常地区判别正确率为100%,偏最小二乘法判别正确率为95.83%	[23]
大米	东北糙米(5)、东北米(15)、湖南糙米(5)、籼米(20)、芙蓉米(5)、泰香米(5)、京生缘香米(5)、晚米(5)、软香米(5)、贡米(5)、柬埔寨香米(5)	FTNIS	特征光谱峰	CWT、PCA	不同国家,不同产地,都能有效区分	[25]
大米	五常(15)、盘锦(20)、射阳(19)	FTIR、GC-MS	特征光谱峰	PLS-DA、ANOVA	利用方差分析筛选出特征光谱和挥发性组分,结合偏最小二乘判别分析(PLS-DA)法建立鉴别方法,准确率97.4%,对大米产地进行鉴别是可行有效的	[27]
大米	黑龙江(44)、湖南(53)、江苏(26)	RS	极性基团和键的基本振动	PCA、PLS-DA	主成分分析对不同种类、产地和品种的大米进行粗分类鉴别;偏最小二乘判别分析样本正确判别率分别为100%、100%、94.12%	[31]
大米	黑龙江(87)、江苏(60)、吉林(42)、山东(38)、河南(30)、天津(23)、安徽(14)、湖南(114)、广东(40)、广西(37)、海南(25)安徽(15)	RS	极性基团和键的基本振动	PCA、HCA、PLS-DA、SIMCA	PCA用于初步鉴定,比较了不同的建模方法,似乎可以可靠地识别水稻类型,品种和原产地,准确度在80%~100%以内	[33]
大米	五常大米(5)、泰国香米(3)、辽宁大米(3)、吉林大米(1)	GC-MS/MS	角鲨烯	RSD	五常大米的角鲨烯含量最高,其次为辽宁大米,吉林大米比辽宁大米略低,泰国香米最低	[38]
大米	印度(2)、美国(2)、泰国(2)、日本(1)	HS-SPME /GC-MS	挥发性物质		香稻品种和非香稻品种的挥发性成分差异很大,区分效果良好	[43]
大米	大粒溪香(1)、大粒香(1)、金麻粘(1)、帅优63(1)	HS-SPME /GC-MS	挥发性物质	PCA	不同品种大米风味物质PCA综合得分来看,说明不同品种间大米风味物质存在差异性,可以有效区分不同品种	[51]
大米	韩国(12)、中国(12)	HS-SPME /GC-MS	挥发性物质	t检验、SAM、PLS-DA	区分效果良好	[52]