Органолептические свойства вин формируются как летучими, так и нелетучими компонентами, которые, взаимодействуя друг с другом, определяют их ароматические и вкусовые характеристики [1]. Летучие компоненты по большей части формируют ароматические, нелетучие вкусовые свойства [2]. Вкусовые характеристики вин в большей степени определяются содержанием титруемых кислот, свободных аминокислот, минеральной составляющей, а также фенольным комплексом [3, 4].
Титруемые кислоты совместно с уксусной кислотой формируют кислый оттенок вкуса, тогда как минеральные компоненты и аминокислоты способны проявлять уникальные вкусовые характеристики (паслена, померанца, экзотических фруктов, смородины, ореховые и т.д.) [5]. Большое внимание исследователей уделяется изучению содержания минеральных компонентов и азотсодержащих соединений в винах [6]. Аминокислоты, прежде всего незаменимые, определяют пищевую ценность белка. В соке винограда идентифицированы аминокислоты нейтральные, серосодержащие, двухосновные, основные, ароматические, гетероциклические. Белок и пептиды, содержащиеся в вине, определяют важные характеристики качества вина - от аромата и полноты вкуса до обеспечения пенообразования для игристых вин [7]. В процессе выдержки вина пептиды подвержены гидролизу под действием естественной кислотности вина и ферментов, и это приводит к увеличению массовой концентрации свободных аминокислот. Содержание свободных аминокислот в винах тесно связано с их качеством, технологией и, как итог, натуральностью. Концентрация пролина составляет 60-70% от общей суммы аминокислот в вине, что объясняется особенностями метаболизма дрожжей [8].
Минеральная составляющая виноградного вина формируется за счет катионов калия, натрия, магния и кальция, немаловажное значение для качества вина и его дегустационной оценки имеет содержание аммония, продукта деструкции аминокислот, пептидов и других азотистых веществ [9]. Содержание катионов в вине регламентировано и выражается количеством и щелочностью золы, а сам параметр рассматривают как интегральный показатель его натуральности [10].
На содержание макрокатионов и их соотношения существенное влияние оказывают природно-климатические условия места произрастания винограда. Содержание калия, натрия, магния, кальция - основных элементов, ответственных за розливостойкость впоследствии получаемого вина, регулируют в результате брожения виноградного сусла, когда в осадок вместе с дрожжами поступают соли винной кислоты с последующей обработкой холодом в естественных условиях или с помощью холодильных установок [11].
Аналитическая проверка содержания компонентов вин включает методическую проверку и дегустационную оценку их качества. Низкокачественное вино или его фальсификацию при определенных условиях можно установить инструментальным способом, а с органолептической оценкой они существенно дополняют друг друга [12]. Контроль минеральных веществ позволяет установить факт разбавления вина водой, что проявляется в ухудшении вкуса, изменении баланса анионно-катионного состава. При проведении вкусовой оценки в России повышенное внимание уделяется дегустационной оценке, что находит отражение в соответствующих национальных стандартах [13].
Предпринятые ранее попытки установления взаимосвязи между содержанием свободных аминокислот и подлинностью вин весьма противоречивы [14, 15].
Цель данной работы - установление корреляции между содержанием нелетучих веществ в винах и дегустационной (вкусовой) оценкой качества вин методами математической статистики.
Материал и методы
В рамках проведенных исследований анализировали 150 образцов натуральных виноградных вин российского производства, полученных по традиционным технологиям из сортов Vitis Vinifera, прямых гибридов, включая купажные и экспериментальные вина.
Определение компонентов вин проводили электрофоретически с использованием системы капиллярного электрофореза типа "Капель": фотометрический детектор (254 нм); кварцевый капилляр с внешним полиимидным покрытием (внутренний диаметр 75х10-6 м, эффективная длина - 0,5 м; водное термостатирование) [16]. Экспериментальные данные обрабатывали с помощью программного обеспечения "Мультихром для Windows, версия 1.5" (ООО "Амперсенд", Москва).
Для приготовления растворов и калибровок использовали стандартные образцы растворов катионов калия МСО 0019:1998, аммония МСО 0017:1998, натрия МСО 0018:1998, магния МСО 0085:1999, кальция МСО 0020:1998; аминокислоты - треонин ("Диа-М"), пролин ("Диа-М"), аргинин ("Sigma"), винную кислоту х.ч. ("Вектон"), бензимидазол ("Sigma"), 18-краунэфир-6 ("Sigma"), β-циклодекстрин, Н3РО4, HCl, NaOH и Na2B4O7 x 10 Н2О х.ч. ("Вектон").
Статистическое моделирование взаимосвязи дегустационной оценки вин и содержания в них основных катионов (аммония, калия, натрия, магния, кальция), свободных аминокислот (пролина, треонина, аргинина), учет степени влияния на аромат и аналитическую оценку в заданных границах соответствия качества осуществляли в среде пакета Statistica [17].
Параллельно с аналитической проверкой качества вин представительной группой специалистов была проведена дегустационная оценка вин по 100-балльной системе. В качестве исходных критериев было принято относить вино к уровню высокого качества, если дегустационная оценка превышала 80 баллов, среднего качества - в случаях оценки в пределах 70-80 баллов и низкого качества - при оценке менее 70 баллов.
Результаты и обсуждение
С учетом результатов анализа изученных образцов вин пробы были разделены на 3 равные группы по 50 образцов. 1-я группа преимущественно состояла из вин высокого качества (36 проб высокого качества, 14 -среднего), 2-я группа преимущественно состояла из вин среднего качества (44 пробы среднего качества, 6 проб -низкого), 3-я группа преимущественно состояла из вин низкого качества (41 проба низкого качества, 9 проб -среднего). Принцип формирования групп был обусловлен необходимостью установления (статистического обнаружения) зависимостей дегустационной оценки вин от количественного содержания в них выбранных компонентов с учетом качества анализируемых образцов.
Для 1-й группы были определены массовые концентрации катионов аммония (СAm), калия (Ск), натрия (CNa), магния (CMg), кальция (CCa), аминокислот - аргинина (CArg), пролина (CPr), треонина (CTrn); для 2-й группы -концентрации CMg, CCa, CArg, CPr, CTrn, так как значения CAm, Ck, CNa были типичными для изучаемых натуральных вин; для 3-й группы - концентрации CArg, CPr, CTrn, так как значения CNa, CMg, CCa, CAm, Ck, CNa были также типичными для рассматриваемых вин.
Для анализа содержания катионов и свободных аминокислот в исследуемых группах вин были вычислены описательные статистики (табл. 1). Наибольшая концентрация во всех группах вин у пролина, наименьшая у аргинина.
)
Представительность используемой статистической модели взаимосвязи зависимой переменной от совокупности независимых переменных определяется силой корреляционных связей. В нашем случае зависимая переменная - дегустационная оценка, а независимые -концентрации нелетучих веществ в вине.
В табл. 2 представлены значения коэффициентов корреляции содержаний компонентов в пробах вин с их дегустационной оценкой 1, 2, 3-й групп соответственно.
Принято считать [7], что в случаях, когда |r|≤ 0,25, корреляция слабая, если 0,25<|r|≤ 0,75 - корреляция умеренная, |r|>0,75 - корреляция сильная. Вполне обоснованной можно считать интерпретацию только статистически значимых корреляций.
Положительная корреляция показывает, что с увеличением концентрации данного вещества дегустационная оценка возрастает, отрицательная корреляция, наоборот, с увеличением содержания данного вещества дегустационная оценка убывает.
Из табл. 2 следует, что для 2-й и 3-й групп построение регрессионных моделей по данным дегустационной оценки для изученных групп вин является малоперспективным, так как корреляции либо слабые статистически незначимые, либо умеренные статистически значимые. В то же время построение регрессионных моделей отдельно для вин высокого (1-я группа), среднего (2-я группа) и низкого качества (3-я группа) не представляет практического интереса в силу специфичности моделей.
В табл. 3 сведены данные корреляционного анализа содержаний компонентов с дегустационной оценкой для объединенных групп вин, в которой отображены коэффициенты корреляции для вин высокого и среднего качества (1-я и 2-я группы) и вин качества широкого спектра (1, 2, 3-я группы). Как видно, все корреляции сильные, статистически значимые, при этом наибольшая стохастическая связь у дегустационной оценки с концентрацией пролина. Возможно, это связано с тем, что во всех трех группах концентрация пролина значительно преобладает над концентрациями остальных нелетучих веществ (см. табл. 1). По-видимому, существенный рост коэффициентов корреляции связан с увеличением изменчивости содержаний анализируемых веществ из-за объединения групп вин различного качества с дифференцированными дегустационными оценками.
Данные табл. 3 свидетельствуют о наличии сильных корреляционных связей содержания нелетучих веществ в винах с их дегустационной оценкой, что обосновывает построение статистических моделей, описывающих характер их взаимосвязи. В табл. 4 для объединенных 1-й и 2-й групп (100 образцов вин) отображены итоговые результаты множественной линейной регрессии посредством пошаговой процедуры с включением. В терминологии регрессионного анализа дегустационная оценка выступает как зависимая переменная (отклик), нелетучие компоненты - независимые переменные (предикторы).
)
Коэффициенты множественной корреляции R=0,91 и детерминации R2=0,83 имеют значения, близкие к 1. Это означает, что построено вполне адекватное уравнение регрессии, описывающее примерно 83% изменчивости отклика дегустационная оценка (уравнение считается адекватным, если описывает более 50% изменчивости отклика). С учетом того что уровень значимости критерия Фишера (F-критерий) р<0,05, можно утверждать, что построено статистически значимоеуравнение. В регрессионную модель не включены переменные кальций, магний, так как их присутствие в модели не является определяющим.
Регрессионные коэффициенты BETA оцениваются по нормированным (стандартизованным) данным, имеющим выборочное среднее, равное 0, и стандартное отклонение, равное 1. Нормирование (стандартизация) переменной состоит в вычитании из ее значений среднего и делении на среднеквадратическое отклонение. По стандартизованным коэффициентам можно сравнить вклады каждого предиктора в предсказание отклика. Так, в отклик дегустационная оценка наибольший статистически значимый вклад вносит предиктор пролин (BETA=1,513), а наименьший - аргинин (BETA=-0,258). Причем вклад пролина в предсказание дегустационной оценки соответственно в 4 и 6 раз превосходит вклады треонина и аргинина. Отрицательный знак коэффициентов означает, что увеличение значений соответствующих предикторов влечет уменьшение дегустационной оценки. Положительный знак, - что увеличение значений предикторов влечет возрастание оценки. Таким образом, чем выше содержание пролина и ниже концентрации треонина и аргинина, тем выше вкусовые качества вина и, соответственно, выше дегустационная оценка. Коэффициенты уравнения регрессии расположены в столбце В табл. 4. Согласно f-критерию Стьюдента параметры в модели, за исключением коэффициента при предикторе аргинин, статистически значимы (последний столбец, р<0,05). В соответствии со значениями коэффициентов регрессии и ранее принятыми обозначениями переменных (предикторов) уравнение линейной множественной регрессии для 1-й и 2-й групп примет вид:
Est = 65,806 + 0,035CPr - 0,092CTm - 0,132CArg, (1)
где Est - обозначение дегустационной оценки.
Дополнительным подтверждением адекватности построенной модели является сходство распределения остатков нормальному закону, со средним значением, равным 0. Остатки представляют собою разность между эмпирическими (заданными) значениями дегустационной оценки и значениями, вычисленными по модели регрессии. Уровень значимости р=0,467 критерия χ2 (Пирсона), значительно превышающий 0,05, является статистическим обоснованием соответствия распределения остатков нормальному закону.
Итоговые результаты построения множественной линейной регрессии посредством пошаговой процедуры с включением для объединенных 1, 2 и 3-й групп (150 проб вин) отображены в табл. 5, из которой следует, что, как и в первом случае, построено вполне адекватное статистически значимое уравнение регрессии, описывающее примерно 81% изменчивости отклика дегустационная оценка. В регрессионную модель не включена переменная аргинин, так как ее присутствие в модели избыточно. Статистически значимыми параметрами в модели являются свободный член и коэффициент при предикторе пролин. Следует обратить внимание, что вклад пролина значительно (примерно в 10 раз) превышает вклад треонина в прогноз дегустационной оценки.
Из последнего столбца табл. 5 следует, что в соответствии с критерием Стьюдента параметры модели - свободный член и коэффициент при предикторе пролин -статистически значимы (р<0,05). С учетом значений коэффициентов регрессии и ранее принятых обозначений предикторов уравнение линейной множественной регрессии для 1, 2 и 3-й групп примет вид:
Est = 67,793 + 0,023CPr - 0,037CTm. (2)
Дополнительным подтверждением адекватности построенной модели является соответствие распределения остатков нормальному закону со средним значением, равным 0. Уровень значимости р=0,949 критерия χ2 имеет значение, близкое к 1.
Посредством пошаговой процедуры с исключением для 1, 2 и 3-й групп вин удалось построить альтернативную нелинейную множественную модель регрессии -квадратичное уравнение (табл. 6). Степень адекватности модели несколько увеличилась, так как коэффициент детерминации R2=0,816 принял значение, большее чем R2=0,811 (см. табл. 5). Распределение остатков также соответствует нормальному закону - уровень значимости р=0,759 критерия х2 имеет значение, близкое к 1. Как и в двух предыдущих случаях, в данную модель не включена переменная аргинин.
)
Уравнение квадратичной регрессии примет вид:
Est = 70,85447- 0,12738CTrn + 0,00004C2Pr.. (3)
Уравнение (1) целесообразно использовать для предсказания дегустационной оценки вин преимущественно высокого и среднего качества, так как оно построено по группам вин высокого и среднего качества. Уравнения (2) и (3) являются более универсальными и могут быть использованы для предсказания дегустационной оценки вин произвольного качества. Однако следует учитывать, что эти уравнения получены при количестве проб вин, равном 150, из них 36 - это пробы вин высокого качества, 75 - среднего качества, 39 - низкого, поэтому наиболее точно будут вычислены прогнозные значения дегустационной оценки для вин среднего качества, менее точно для вин высокого и низкого качества.
Построенные статистические модели прогнозирования дегустационной оценки вкуса вин были апробированы посредством небольшого вычислительного эксперимента. По моделям (2) и (3) модулями Множественная регрессия и Множественная нелинейная регрессия программы Statistica были вычислены прогнозные значения дегустационной оценки для трех проб вин высокого, среднего и низкого качества (табл. 7).
Из табл. 7 видно, что по всем трем пробам вин для квадратичной модели (уравнение 3) ошибка прогноза меньше, чем для линейной модели (уравнение 2), средние ошибки прогноза составили соответственно 3,9 и 2,5%.
Можно заключить, что на вкусовые качества вин наряду с содержащимися в них ароматическими (летучими) веществами также влияют нелетучие вещества -минеральные вещества и вещества органического происхождения - аминокислоты. При этом нелетучие вещества, как и ароматические летучие компоненты, вносят вклад в органолептическую и вкусовую оценку качества вин и участвуют в формировании итоговой оценки, определяемой экспертами.
Построены адекватные статистические модели, способные предсказывать дегустационную оценку, т.е. определять качество вин по содержанию в них компонентов, формирующих вкусовые качества. Важна не только возможность прогнозировать дегустационную оценку, но и то, что выявлены основные факторы, влияющие на вкусовые качества вин, а следовательно, и на дегустационную оценку. Это нелетучие вещества - аминокислоты, перечисленные по степени убывания их влияния на вкусовые особенности вин: пролин, треонин, аргинин. При этом дегустационные оценки отражают содержание основных аминокислот в винах, т.е. эксперты в целом правильно улавливают изменчивость концентрации аминокислот в винах при их дегустации.
Литература
1. Jackson R.S. Wine Tasting: A Professional Handbook. Elsevier, 2002.
2. Solomon G.E. Psychology of novice and expert wine talk // Am. J. Psychol. 1990. Vol. 73. P. 495-517.
3. Ribereau-Gayon P., Dubourdieu D., Doneche B., Lonvaud A. Handbook of Enology. Vol. 2. Chichester, England : John Wiley and Sons, 2006. 438 p.
4. Дуборасова Т.Ю. Сенсорный анализ продуктов. Дегустация вина. М. : Дашков и К, 2009. 184 с.
5. Шольц Е.П., Пономарев С.В. Технология переработки винограда. М. : Агропромиздат, 1990. 447 с.
6. Wine Chemistry and Biochemistry / eds A. Moreno-Annosi, M. Polo. New York : Springer, 2009. 735 p.
7. Jackson R.S. Wine Science. Principles and Application. Academic Press, 2008. 789 p.
8. Родопуло А.К. Основы биохимии виноделия. М.: Легк. и пищ. пром-сть, 1983. 240 с.
9. HuidobroM. F., Simal-Lozano, J. Rapid capillary zone electropho-resis method for the determination of metal cations in beverages // Talanta. 2006. Vol. 68. P. 1143-1147.
10. Панасюк А.Л. и др. Показатели "зола и ее щелочность" в системе критериев подлинности столовых вин // Виноделие и виноградарство. 2011. № 1. С. 20-21.
11. Якуба Ю.Ф. Применение капиллярного электрофореза для определения катионов в винах специальных технологий // Заводская лаборатория. Диагностика материалов. 2006. Т. 72, № 4. С. 11-15.
12. Якуба Ю.Ф., Каунова А.А., Темердашев З.А., Титаренко В.О. и др. Виноградные вина, проблемы оценки их качества и региональной принадлежности // Аналитика и контроль. 2014. Т. 18, № 4. С. 345-372.
13. Якуба Ю.Ф., Ложникова М.С. Совершенствование аналитического контроля винодельческой продукции // Аналитика и контроль. 2011. Т. 15, № 3. С. 309-312.
14. Herbert P., Barros P., Alves A. Detection of port wine imitation by discriminant analysis using free amino acids profiles // Am. J. Enol. Vitic. 2000. Vol. 51, N 3. P. 262-268.
15. Меньшов В.А., Гагарин М.А., Яковлев П.В. Проблемы контроля качества и идентификации продукции виноделия методами математической статистики // Виноград и вино России. 1997. № 2. С. 14-20.
16. Якуба Ю.Ф. Прямое определение основных аминокислот вина // Заводская лаборатория. Диагностика материалов. 2010. Т. 76, № 4. С. 12-14.
17. Халафян А.А. Statistica 6. Математическая статистика с элементами теории вероятностей. М. : Бином, 2010. 491 с.