近紅外光譜法測(cè)定麥芽中的β-葡聚糖

周青梅，郭立蕓，林智平

(北京燕京啤酒股份有限公司，北京，101300)

近10年來(lái)，近紅外分析技術(shù)已應(yīng)用于啤酒制麥行業(yè)，對(duì)大麥粗蛋白、水分進(jìn)行分析，獲得較好的研究結(jié)果。但是采用近紅外分析技術(shù)在測(cè)定麥芽β-葡聚糖含量，快速了解胚乳細(xì)胞壁溶解狀況的研究尚未見(jiàn)報(bào)道。麥芽中的β-葡聚糖是反應(yīng)麥芽溶解狀況的重要指標(biāo)，成品麥芽中β-葡聚糖含量高，說(shuō)明麥芽細(xì)胞壁分解不完全，會(huì)影響淀粉和蛋白質(zhì)的分解，使麥汁組成不合理，導(dǎo)致發(fā)酵時(shí)酵母營(yíng)養(yǎng)不良，過(guò)濾困難，β-葡聚糖沉淀等問(wèn)題［1］。另一方面，適量的β-葡聚糖存在是構(gòu)成啤酒酒體和泡沫的主要成分。與傳統(tǒng)分析技術(shù)相比，近紅外分析具有無(wú)損檢測(cè)，分析效率高，分析速度快，分析成本低，重現(xiàn)性好，樣品測(cè)量一般不需預(yù)處理，光譜測(cè)量方便，適合于現(xiàn)場(chǎng)檢測(cè)(如大批量抽檢)和在線(xiàn)分析等獨(dú)特優(yōu)勢(shì)［2］。本文研究利用近紅外光譜技術(shù)，采用對(duì)不同的數(shù)學(xué)處理方法、散射校正法和統(tǒng)計(jì)方法等建模條件進(jìn)行分析比較分析，尋找合理的建模條件，建立麥芽β-葡聚糖的近紅外分析模型，實(shí)現(xiàn)快速檢測(cè)。

1 材料與方法

1.1 主要材料

所用樣品來(lái)自燕京啤酒制麥車(chē)間產(chǎn)的麥芽樣品，共選取160個(gè)樣品，其中100個(gè)用于定標(biāo)集，60個(gè)用于預(yù)測(cè)集。選用 Baudin、Scarlett、Gairnder、Schooner、國(guó)麥內(nèi)蒙古大麥、國(guó)麥甘啤4號(hào)等6個(gè)品種的麥芽。

將樣品分為2份，1份用酶法測(cè)定β-葡聚糖含量的手工值，另1份用近紅外光譜采集，建立檢測(cè)模型。

1.2 主要試劑及配制

磷酸鈉緩沖液(20 mmol/L，pH 6.5):900 mL蒸餾水溶解3.12 g NaH2PO4·2H2O，用100 mmol/L NaOH(4 g/L)調(diào)節(jié)pH到6.5，定容至1 L，4℃保存，穩(wěn)定2個(gè)月。

醋酸鈉緩沖液(50 mmol/L，pH 4.0):將2.9 mL冰醋酸加入900 mL蒸餾水，用1 mol/L NaOH調(diào)節(jié)pH到4.0，然后定容至1L，加入0.2g疊氮化鈉，4℃保存，穩(wěn)定2個(gè)月。

β-葡聚糖測(cè)定試劑盒:購(gòu)于Megazyme公司。

1.3 主要儀器

分光光度計(jì)，UNICO公司7200型;控溫水浴鍋(1028S型)，美國(guó)Bioetechnology公司;近紅外谷物分析儀，F(xiàn)OSS公司生產(chǎn)的1241，配套 IFT3.2、WinISIⅢ，1.50V、ODIN等化學(xué)計(jì)量軟件。

1.4 酶法測(cè)定β-葡聚糖

參照AOAC方法995.16。

1.5 近紅外定標(biāo)模型的建立與檢測(cè)

1.5.1 光譜收集與光譜分析

收集有代表性的樣品，進(jìn)行近紅外掃描及光譜分析，近紅外掃描采用Foss公司生產(chǎn)的Infratec 1241近紅外谷物分析儀進(jìn)行樣品掃描，樣品要重復(fù)裝樣掃描2次［3］，保存光譜，同一樣品2次掃描使用相同的樣品名，掃描溫度控制在20～25℃，收集樣品的吸收波長(zhǎng)為850～1048 nm。將樣品倒入進(jìn)樣口，然后按分析鍵，每個(gè)定標(biāo)樣品掃描2次，每次掃描設(shè)置5個(gè)子樣品，所得每一樣品吸收光譜即為10個(gè)子樣的平均吸收光譜。

1.5.2 近紅外檢測(cè)模型的建立

在進(jìn)行光譜分析時(shí)，先采用數(shù)學(xué)處理和光譜預(yù)處理兩類(lèi)方法來(lái)濾除噪音，以提高光譜的精細(xì)度。前者主要有導(dǎo)數(shù)和平滑處理兩種方法［4］，其中導(dǎo)數(shù)處理可提高光譜的分辨率及減小基線(xiàn)漂移，而平滑處理則可以去掉高頻噪音對(duì)光譜信號(hào)的干擾，本試驗(yàn)選取“0.0.1”(依次為導(dǎo)數(shù)處理、數(shù)據(jù)間隔點(diǎn)、平滑處理間隔點(diǎn))、“1.2.2”、“1.4.4”3 種方式。后者則采用不作散射校正、標(biāo)準(zhǔn)正?；幚怼⑷ド⑸涮幚?、標(biāo)準(zhǔn)正常化+散射處理、多元散射校正、加權(quán)多元散射校正、反向多元散射校正等7種方法進(jìn)行光譜散射處理?；貧w方法主要采用WINISIⅢ，V1.50軟件提供的改進(jìn)偏最小二乘法、偏最小二乘法和主成分分析3種回歸算法與3種數(shù)學(xué)處理和7種光譜處理方式進(jìn)行組合分析，從而選取最優(yōu)的方式來(lái)建立應(yīng)用模型。

本研究采用全波段進(jìn)行回歸分析構(gòu)建回歸方程，因此，用一些重要參數(shù)來(lái)衡量回歸方程優(yōu)劣，這些參數(shù)主要包括定標(biāo)標(biāo)準(zhǔn)差(SEC)，定標(biāo)相關(guān)系數(shù)(RSQ)，交叉驗(yàn)證誤差(SECV)，交叉驗(yàn)證相關(guān)系數(shù)(1-VR)。SEC是通過(guò)建立的定標(biāo)模型對(duì)定標(biāo)樣品集進(jìn)行預(yù)測(cè)所獲得的化學(xué)分析值和近紅外分析值的標(biāo)準(zhǔn)差;SECV是定標(biāo)建模過(guò)程中，進(jìn)行交叉驗(yàn)證時(shí)所獲得的近紅外預(yù)測(cè)值與化學(xué)分析值的標(biāo)準(zhǔn)差，通過(guò)SECV可以大致評(píng)估定標(biāo)模型的預(yù)測(cè)準(zhǔn)確度;RSQ即定標(biāo)模型對(duì)定標(biāo)樣品變異所描述的百分率;1-VR是定標(biāo)建模過(guò)程中進(jìn)行交互驗(yàn)證時(shí)所得到的相關(guān)系數(shù)，即模型對(duì)樣品集濃度變化所能描述出的百分率。構(gòu)建回歸方程時(shí)，相應(yīng)各類(lèi)標(biāo)準(zhǔn)差越小越好，決定系數(shù)越大越好。

1.5.3 近紅外模型的應(yīng)用

定標(biāo)模型建立后，選用一批有代表性的樣品(未用于建立定標(biāo)模型)對(duì)所建立模型進(jìn)行檢驗(yàn)［5］，用預(yù)測(cè)集樣品進(jìn)行預(yù)測(cè)，以酶法測(cè)定結(jié)果為縱坐標(biāo)，近紅外預(yù)測(cè)結(jié)果為橫坐標(biāo)，用一元線(xiàn)性回歸法評(píng)價(jià)模型的準(zhǔn)確性和適用性。

2 結(jié)果與討論

2.1 定標(biāo)樣品的代表性

利用酶法測(cè)定了收集的100個(gè)定標(biāo)集樣品，其分析結(jié)果統(tǒng)計(jì)列于表1中所示。

從表1可以看出，用于近紅外方法建模的麥芽樣品中的β-葡聚糖含量范圍比較廣，其值已經(jīng)基本覆蓋了代表麥芽中β-葡聚糖含量的高、中、低等各級(jí)水平，因此說(shuō)明收集的定標(biāo)集樣品具有很好的代表性。

2.2 光譜收集與光譜分析

近紅外儀掃描所得麥芽近紅外原始光譜圖見(jiàn)圖1，麥芽中β-葡聚糖在近紅外區(qū)吸收譜帶圖見(jiàn)圖2。

圖1 麥芽定標(biāo)樣品的吸收光譜Fig.1 The absorlution spectrum of calibration malt samples

圖2 麥芽中β-葡聚糖在近紅外區(qū)吸收光譜帶Fig.2 The absorption spectrum of β-glucan in malt by NIR

從圖1中可見(jiàn)，所有光譜排列整齊有序，沒(méi)有異常的樣品光譜，且不同麥芽的吸收峰的大小不同，所以可以用近紅外光譜技術(shù)對(duì)麥芽的有關(guān)成分進(jìn)行定量，且從圖2可以看出，麥芽β-葡聚糖在不同波長(zhǎng)處吸收強(qiáng)度有很大差異，其中在波長(zhǎng)886 nm、906 nm、934 nm、960 nm、1018 nm等幾處都有較明顯的吸收，可用近紅外光譜與麥芽β-葡聚糖建立對(duì)應(yīng)關(guān)系后，預(yù)測(cè)麥芽的β-葡聚糖含量。

2.3 定標(biāo)方式的選擇

2.3.1 不同回歸方法的定標(biāo)模型結(jié)果

近紅外光譜中采用不同回歸方法對(duì)定標(biāo)效果的影響見(jiàn)表2所示。

由表2可知，不同回歸分析方法對(duì)定標(biāo)效果有一定的影響，PLS的定標(biāo)效果好于MPLS和PCR。在用偏最小二乘法建立定標(biāo)模型時(shí)，其難點(diǎn)是如何確定建立模型所使用的主成分?jǐn)?shù)目。如果建立模型使用的主成分過(guò)少，就難以反映出未知樣品被測(cè)組分的光譜變化，預(yù)測(cè)精度隨之下降，出現(xiàn)不充分?jǐn)M合(underfit)的現(xiàn)象;反之，如果建立模型使用的主成分過(guò)多，就會(huì)將代表噪音的主成分加入模型之中，使模型預(yù)測(cè)能力下降，導(dǎo)致過(guò)擬合(overfit)。目前，常用交叉驗(yàn)證法來(lái)處理。本試驗(yàn)利用WINISIⅢ，V1.50軟件自帶的交叉驗(yàn)證(Crossing Validation)功能處理后，剔除異常樣品，確定其定標(biāo)集樣本為93個(gè)，主成分?jǐn)?shù)為12。

表2 近紅外光譜分析β-葡聚糖時(shí)不同回歸方法對(duì)定標(biāo)效果的影響Table 2 Effections of different regression methods onβ-glucan Tcalibration by NIR analysis in malt

2.3.2 不同散射校正的定標(biāo)模型結(jié)果

定標(biāo)樣品經(jīng)光譜散射校正后，對(duì)麥芽β-葡聚糖定標(biāo)模型有一定的影響，各種散射校正對(duì)麥芽β-葡聚糖的定標(biāo)模型的影響見(jiàn)表3。從表3中可看出不作散射處理能達(dá)到較高的RSQ和1-VR且SEC和SECV也最低，所以不作散射處理的光譜定標(biāo)效果最好，說(shuō)明在建立麥芽β-葡聚糖模型時(shí)。來(lái)自光散射的噪音信息較弱，無(wú)需對(duì)光譜進(jìn)行散射處理。

表3 近紅外光譜分析β-葡聚糖時(shí)不同散射校正對(duì)定標(biāo)效果的影響Table 3 Effections of different scatter correction on nβ-glucan Tcalibration by NIR spectrum analysis in malt

2.3.3 不同數(shù)學(xué)處理的定標(biāo)模型結(jié)果

在WINISIⅢ，V1.50分析軟件中，將數(shù)學(xué)處理方法置于一個(gè)窗口中，可同時(shí)設(shè)置所需的處理方法。通過(guò)對(duì)“導(dǎo)數(shù)階數(shù)、導(dǎo)數(shù)處理的數(shù)據(jù)間隔點(diǎn)、平滑處理的數(shù)據(jù)間隔點(diǎn)”不同組合處理樣品光譜，得到β-葡聚糖的近紅外模型結(jié)果見(jiàn)表4。

表4 不同數(shù)學(xué)處理對(duì)麥芽β-葡聚糖定標(biāo)效果的影響Table 4 Effections of different mathematical analysis on β-glucan calibration in malt

不同數(shù)學(xué)組合處理對(duì)定標(biāo)的效果不是很明顯，但通過(guò)不同組合的測(cè)試結(jié)果可看出“1.4.4”(1階導(dǎo)數(shù)以減少光譜中噪音等因素的影響、數(shù)據(jù)間隔點(diǎn)取4、平滑處理間隔點(diǎn)取4)得到的效果更好。

2.3.4 近紅外模型的建立

結(jié)合表2、3、4通過(guò)對(duì)數(shù)學(xué)處理方法、散射校正和統(tǒng)計(jì)方法進(jìn)行對(duì)比分析，最后選擇偏最小二乘法、不作散射校正、數(shù)學(xué)處理采用“1.4.4”等條件建立定標(biāo)模型。其定標(biāo)模型各參數(shù)如表5所示。

表5 麥芽β-葡聚糖的近紅外定標(biāo)系數(shù)Table 5 The calibration coefficient of β-glucan in malt by NIR spectrum analysis

從表5可看出該定標(biāo)模型的SEC為0.05、SECV為0.06、1-VR 為0.8275、RSQ 為0.856，有較低的各類(lèi)標(biāo)準(zhǔn)差和較高的相關(guān)系數(shù)。內(nèi)部驗(yàn)證相關(guān)圖見(jiàn)圖3。樣品比較均勻地分布在中心線(xiàn)兩側(cè)，說(shuō)明近紅外法的測(cè)定結(jié)果與實(shí)驗(yàn)室酶法實(shí)際測(cè)定值趨勢(shì)一致，整體分布情況良好。

圖3 麥芽β-葡聚糖的近紅外定標(biāo)內(nèi)部驗(yàn)證相關(guān)圖Fig.3 The cross validation correlation of β-glucan in malt by NIR spectrum analysis

2.4 近紅外測(cè)試的適用性和準(zhǔn)確性

對(duì)預(yù)測(cè)集的60個(gè)麥芽樣品利用酶法測(cè)定其β-葡聚糖含量，并用建立的近紅外檢測(cè)模型進(jìn)行預(yù)測(cè)，用一元線(xiàn)性回歸得到測(cè)定麥芽中β-葡聚糖含量的近紅外法預(yù)測(cè)值與酶法測(cè)定值之間的相關(guān)性，結(jié)果示于圖4。從圖4可以看出，近紅外模型對(duì)麥芽中β-葡聚糖含量的預(yù)測(cè)值與酶法測(cè)定結(jié)果的R2為0.827，可區(qū)分出麥芽中β-葡聚糖含量的高、中、低各水平，可用于生產(chǎn)過(guò)程中麥芽β-葡聚糖的分級(jí)控制，初步了解麥芽中β-葡聚糖含量，判斷麥芽細(xì)胞壁的分解狀況有著良好的應(yīng)用前景。

圖4 酶法測(cè)定結(jié)果與近紅外測(cè)定結(jié)果的相關(guān)性Fig.4 The correlation of β-glucan between Enzymatic detection and NIR spectum analysis

3 結(jié)論

通過(guò)對(duì)數(shù)學(xué)處理方法、散射校正和統(tǒng)計(jì)方法進(jìn)行對(duì)比分析，選擇偏最小二乘法、不作散射校正、數(shù)學(xué)處理采用“1.4.4”等條件建立了定標(biāo)模型。該定標(biāo)模型的 SEC 為 0.05、SECV 為 0.06、1-VR 為 0.8275、RSQ為0.856。有較低的各類(lèi)標(biāo)準(zhǔn)差和較高的相關(guān)系數(shù)。說(shuō)明建立的模型具有較好的穩(wěn)定性和較高的準(zhǔn)確度。

在對(duì)60個(gè)麥芽樣品分別利用酶法進(jìn)行實(shí)際測(cè)定的基礎(chǔ)上，再利用近紅外光譜技術(shù)進(jìn)行預(yù)測(cè)，結(jié)果發(fā)現(xiàn)酶法測(cè)定值與近紅外預(yù)測(cè)值之間的 R2達(dá)到0.827，一般情況下，近紅外法與標(biāo)準(zhǔn)方法的相關(guān)性達(dá)到0.8表明近紅外法可代替標(biāo)準(zhǔn)方法用于分級(jí)控制。說(shuō)明本研究中建議的近紅外光譜法能夠?qū)溠恐械摩?葡聚糖含量進(jìn)行預(yù)測(cè)，有利于在生產(chǎn)過(guò)程中對(duì)麥芽β-葡聚糖的分級(jí)控制。

［1］王志堅(jiān).β-葡聚糖對(duì)啤酒釀造的影響及控制［J］.中國(guó)啤酒，2004(2):24－25.

［2］Blanco M，Villaroya I.NIR spectroscopy:A rapid-response analytical tool［J］.Trends in Anal Chem，2002，21(4):240－250.

［3］LU Wang-zhen，YUAN Hong-fu，XU Guang-tong，et al.Modern Analysis Technique of Near-infrated Spectrum［M］.Beijing:China Petrochemical Press，2000.

［4］劉輝軍，呂進(jìn)，張維剛，等.茶葉中茶多酚含量的近紅外光譜檢測(cè)模型研究［J］.紅外技術(shù)，2007，29(7):429－432.

［5］周學(xué)秋.建立穩(wěn)定、可靠、使用近紅外定量分析模型的方法探討［J］.第九屆全國(guó)計(jì)算機(jī)化學(xué)學(xué)術(shù)會(huì)議論文摘要集，2007.