青岛啤酒股份有限公司 啤酒生物发酵工程国家重点实验室的陈华磊、杨朝霞、王成红等人利用HS-SPME-GC-MS技术检测啤酒中7 种有爽口性相关的关键风味物质，与品评结果一同转化为数学矩阵，并利用PLS-DA方法对其进行建模分析，建立一种快速简便的啤酒爽口性判定方法。
1、模型选择
前3 个主成分对应特征值累计贡献率为77.9%，可表征相关风味成分的大部分信息。不同样品组间区分还不够明显，存在重叠现象；但多数样本在95%的置信区间内，说明搜集的样本本身质量稳定、分布均匀、模型稳健，且实验操作过程也没有引入较大误差。因此，这些数据可用于进一步的PSL-DA。由于同时使用了X变量与Class分组变量，因此使组间差异明显改善，较主成分分析能够更好区分不同组间的样本。
2、模型建立
DA（1）、DA（2）、DA（3）、DA（4）分别表示4 组类别变量Y在载荷图中的位置，Y附近的X变量对此类别有更高的辨别能力。图中显示辛酸乙酯、癸酸乙酯及乙酸异戊酯等酯类化合物为DA（1）与DA（2）的特征敏感特征变量；而DA（3）的敏感特征变量为辛酸、癸酸与香叶烯。
3、模型验证
Q2为累计交叉有效性，其值越大表示模型的预测能力越好；R2为累计方差值，表示有多少原始数据被用来建立新的PLS-DA判别模型，其值大则表示模型的解释能力强。左侧的R2和Q2值均低于最右边的R2和Q2值，且Q2回归线的截距均为负值，说明所构建的4 个PLS-DA判别模型均没有出现过拟合的现象，且都有较好预测能力，都能用于各自类别的判别分析。
4、模型预测
27 个样本作为验证集，使用已建立的PLS-DA模型进行判别。不同啤酒样品的爽口性预测均方根误差在0.183～0.523之间，未知样品的预测识别率为74.07%，说明所建立的PLS-DA模型能很好地预测和评价未知样品爽口性。
结 论
目前PLS-DA建模方法非常成熟，已应用到啤酒分析的各个方面，其方法简单、快捷，解释能力强。本研究采用HS-SPME-GC-MS技术结合PLS-DA建立相应的数学模型并对啤酒爽口性进行判别，其结果能够很好地判别啤酒爽口性的程度。通过外部测试集验证，该模型具有较强的预测能力，校正集均方根误差与预测均方根误差参数均具有较好的预测精度，可满足判断不同啤酒样品爽口性的需求。
由于影响啤酒口感的因素众多，除本实验涉及的几种风味物质外，成品酒中的离子及蛋白的组成，丙三醇、残糖和苦味物质的含量分布及饮用时的酒体温度等因素均会不同程度地影响啤酒爽口性，因此要更加准确地判别啤酒爽口性，进一步提高模型的准确性及精度，还需在更大范围内建立相应的数学模型。
