不同胎次奶牛乳中乳蛋白含量的近紅外光譜定量分析

李雙紅，劉永峰，韓裕睿，趙露華，袁 爽

（陜西師范大學食品工程與營養(yǎng)科學學院，陜西西安710062）

不同胎次奶牛乳中乳蛋白含量的近紅外光譜定量分析

李雙紅，劉永峰*，韓裕睿，趙露華，袁 爽

（陜西師范大學食品工程與營養(yǎng)科學學院，陜西西安710062）

對不同胎次奶牛的牛奶樣品進行近紅外光譜掃描，并用多功能乳制品分析儀對牛奶樣品中蛋白質(zhì)的含量進行測定。利用正交實驗設(shè)計，分別采用主成分回歸法（PCR）、偏最小二乘法（PLS）、改進偏最小二乘法（MPLS）三種定量校正方法和多種光譜預處理方法建立模型，利用目標函數(shù)法對模型進行評定，結(jié)果表明：一胎、二胎奶牛乳樣中乳蛋白的最優(yōu)模型相同，其校正相關(guān)系數(shù)（R2）、定標標準差（SEC）和預測標準差（SEP）分別為：0.9626、0.0531、0.0630和0.9377、0.0810、0.1100；建立了三胎及以上奶牛乳樣中乳蛋白的最優(yōu)模型，R2、SEC和SEP分別為：0.9406、0.0461和0.0500；同時，建立了所有乳樣中乳蛋白的最優(yōu)模型，R2、SEC和SEP分別為：0.9351、0.0687和0.0790。所建模型對于快速、準確、無損、定量檢測原料奶中乳蛋白的含量是可行的，該方法為快速檢測混合原料奶中乳蛋白含量提供了理論依據(jù)。

乳蛋白，近紅外光譜，定量分析，胎次

牛乳所含營養(yǎng)成分齊全，組成比例適宜，近年來已經(jīng)成為人們飲食的重要組成部分[1]。牛乳的營養(yǎng)成分中，蛋白質(zhì)的含量是衡量牛乳質(zhì)量的核心指標之一。影響乳中的乳蛋白含量的因素很多，有奶牛胎次、品種、泌乳階段、產(chǎn)奶量、飼養(yǎng)方式等。據(jù)報道，不同胎次奶牛乳樣中乳蛋白含量明顯不同[2]。熊本海等[3]研究了中國奶牛乳成分及相關(guān)指標隨季節(jié)和胎次變化的規(guī)律。Moore等[4]研究了胎次與乳中免疫球蛋白的含量關(guān)系，發(fā)現(xiàn)奶牛三胎乳中免疫球蛋白含量高于一胎牛乳。Hagiwara等[5]研究發(fā)現(xiàn)一胎與二胎奶牛的乳鐵蛋白含量差異不顯著，而第三胎時乳鐵蛋白含量顯著下降（p＜0.05），且隨著產(chǎn)犢的增加乳鐵蛋白含量呈不斷下降趨勢。可見，對于原料奶中蛋白質(zhì)含量的測定備受廣大乳品企業(yè)關(guān)注。

目前原料乳及乳制品中的蛋白質(zhì)主要是通過傳統(tǒng)的化學方法測定，而像近紅外光譜分析方法（NIRS）這類快速、準確、無損的檢測技術(shù)應(yīng)用較少，但其現(xiàn)實意義重大[6]。NIRS利用物質(zhì)在近紅外光譜區(qū)內(nèi)的光學特性[7]，快速測定樣品成分含量。雖然國內(nèi)很多學者已將NIRS廣泛運用于牛奶中主要成分含量的測定分析[8-11]。但是，將NIRS與正交實驗設(shè)計相結(jié)合定量分析不同胎次奶牛乳中乳蛋白成分含量的研究還少見報道。因此，本研究借助近紅外光譜技術(shù)，將正交實驗設(shè)計用于研究不同的光譜預處理和定量校正過程中，分別建立不同胎次奶牛乳中乳蛋白的最優(yōu)模型，并用驗證集對模型進行驗證，旨在提高模型的穩(wěn)定性和預測能力，為快速、無損檢測原料奶中蛋白質(zhì)含量的研究奠定理論基礎(chǔ)。

1 材料與方法

1.1 材料與儀器

牛奶樣品 均取自西安綜合開發(fā)總公司畜牧開發(fā)公司奶牛場，所有牛乳樣品用離心管采集，約為15mL，共270份，放入冰盒帶回實驗室。

MilkoScan FT120型多功能乳制品分析儀、Infraxact型多功能近紅外光譜分析儀 均購自瑞典FOSS公司。

1.2 實驗方法

1.2.1 光譜采集 樣品利用多功能近紅外光譜儀對樣品進行光譜掃描。配制硅（570～1100nm）和銦鎵砷（1100～1850nm）做為檢測器，工作溫度0～40℃，測定譜區(qū)范圍570～1850nm，采樣間隔為2nm，每個樣本重復掃描3次，取平均值。保持實驗環(huán)境的溫度為20～25℃、濕度為40%～60%。采用儀器配套的化學計量軟件WinISI III來進行定標和模型的驗證。

1.2.2 乳樣中蛋白質(zhì)的實際測定 利用多功能乳制品分析儀測定乳樣中乳蛋白的實際含量。

1.2.3 異常樣本剔除及樣本集的劃分 采用馬氏距離（GH=3）方法處理[12]，將馬氏距離大于3.0的樣品被認定為異常樣品，被剔除。剩余樣本基本采用了“隔四選一”或“隔六選一”法分為定標集和驗證集。

1.2.4 定標模型建立

1.2.4.1 光譜預處理方式及定量校正方法 本實驗在建立模型之前對原始光譜進行了預處理[13]，減少了樣品的狀態(tài)、光的散射、雜散光及儀器的響應(yīng)等因素的影響。主要采用的光譜預處理方式為：散射校正（None：無散射處理，SNV+D：標準正常化+趨勢變化法散射處理，MSC：多元散射校正）、導數(shù)處理（0階導、1階導、2階導）、平滑處理和二次平滑處理。采用的定量校正方法為：主成分回歸法（principle component regression，PCR）、偏最小二乘法（partial least square， PLS）、改進偏最小二乘法（modified partial least square，MPLS）。

1.2.4.2 定標模型優(yōu)化 本實驗采用實驗優(yōu)化設(shè)計的思路，將不同的處理或參數(shù)設(shè)置設(shè)計成正交實驗[14]。將6種不同的處理設(shè)定為6個因素，每個因素取3個水平，選取L27（313）正交表中第1、2、4、8、11、13列進行實驗安排，見表1。

表1 正交實驗設(shè)計因素水平表Table.1 Factor and levels of orthogonal test

1.2.4.3 模型優(yōu)劣評價方法 本研究采用李君霞等[14]提供的目標函數(shù)法進行模型的優(yōu)劣評價。目標函數(shù)法是模型的兩個重要參數(shù)的函數(shù)（定標決定系數(shù)和交叉驗證標準差），以目標函數(shù)值f（x）=R/（1+SECV）[13]來評估模型的預測性能。

1.2.5 模型的驗證 模型建好后，本實驗用驗證集來檢驗?zāi)Ｐ秃脡?，分別用不同胎次奶牛牛奶樣品中未參與定標的驗證樣本對建好的最優(yōu)模型進行檢驗。并通過相關(guān)指標如偏差（Bias）、標準差、相關(guān)系數(shù)等來評價模型的預測準確性。

2 結(jié)果與分析

2.1 近紅外光譜采集結(jié)果

不同胎次乳樣的光譜采集結(jié)果見圖1，經(jīng)標準正常化+趨勢變化法散射處理、二階導數(shù)處理、平滑和二次平滑處理后的光譜采集結(jié)果見圖2。

2.2 樣品集的劃分結(jié)果

圖1 原料奶的近紅外光譜圖Fig.1 Near infrared spectrograms of raw milk samples

總樣品為270個，共剔除了異常樣本38個，剩余232個。其中：一胎奶牛乳樣145個，剔除異常樣本26個；二胎奶牛乳樣53個，剔除異常樣本4個；三胎及三胎以上奶牛乳樣72個，剔除異常樣本8個。樣品集經(jīng)剔除異常樣本后，結(jié)果如表2所示，可見四種不同分組中驗證集的最大值和最小值均在定標集的空間范圍內(nèi)，說明定標集和驗證集分布較為合理，均勻，具有很好的代表性。符合建立近紅外光譜分析模型的要求[15-16]。

圖2 經(jīng)標準正?；?趨勢變化法散射處理、二階導數(shù)處理、平滑和二次平滑處理后的光譜圖Fig.2 Near infrared spectrograms of raw milk samples by the processing of standard normalization and trends method scattering，the second derivative processing，smoothing and secondary smoothing

2.3 正交實驗結(jié)果

正交實驗的結(jié)果，見表3。一胎和二胎奶牛牛奶樣品的最佳因素組合均為A3B2C2D3E2F3，即定標校正方法為MPLS，散射校正為SNV+D，導數(shù)處理為1階，導數(shù)處理間隔點數(shù)為8，平滑處理間隔點數(shù)為4，二次平滑處理間隔點數(shù)為8。三胎及三胎以上奶牛樣品的最佳因素組合為A2B2C3D3E3F1，即定標校正方法為PLS，散射校正為SNV+D，導數(shù)處理為2階，導數(shù)處理間隔點數(shù)為8，平滑處理間隔點數(shù)為8，二次平滑處理間隔點數(shù)為1。所有胎次奶牛樣品的最佳因素組合為A2B2C2D1E2F3，即定標校正方法為PLS，散射校正為SNV+D，導數(shù)處理為1階，導數(shù)處理間隔點數(shù)為1，平滑處理間隔點數(shù)為4，二次平滑處理間隔點數(shù)為8。

表2 樣品分集結(jié)果Table.2 Diversity results of samples

表3 正交實驗結(jié)果Table.3 Results of orthogonal test

在各因素中，定標校正方法和散射處理方式對模型優(yōu)劣的影響較為突出。

續(xù)表

2.4 最優(yōu)模型評價指標的確定

對于正交實驗的結(jié)果，要有定量的指標來評價模型的優(yōu)劣，在WinISI III軟件得到的定標結(jié)果中，有以下相關(guān)指標：相關(guān)系數(shù)（calibration coefficient of correlations，R2）用于考察預測值與實際值之間的相關(guān)程度；定標標準差（standard error of calibration，SEC）、交叉驗證標準差（standard error of cross-validation，SECV）用于評價所建模型對內(nèi)部樣本的預測能力。從表4中結(jié)果可以看出，不同胎次奶牛牛奶樣品中參與定標的樣品的實驗室數(shù)據(jù)和近紅外預測數(shù)據(jù)之間的SEC值均比較低，分別為0.0531、0.0810、0.0461和0.0687。近紅外預測數(shù)據(jù)和實驗室標準數(shù)據(jù)間的R2值很高，分別為0.9626、0.9377、0.9406和0.9351。定標建模過程中，進行交叉驗證計算時所獲得的近紅外預測值與實驗測定值的SECV也很低，分別為0.0641、0.1116、0.0584、0.0803。定標建模過程中，進行交叉驗證計算時所得的相關(guān)系數(shù)，即模型對樣品及濃度變化所能描述出的百分數(shù)（1-VR）較高，可達0.9455、 0.8839、0.9067、0.9119，同時目標函數(shù)F最低值為87.5%，F(xiàn)值越高，模型的預測性能越好。

表4 最優(yōu)模型評價指標參數(shù)Table.4 The result of evaluation index parameters of optimal models

2.5 模型的驗證結(jié)果

用驗證集對建好的模型進行驗證來評價模型的穩(wěn)定性和預測能力，結(jié)果見表5。其評價指標有預測標準差（standard error of performance，SEP）用于評價模型對外部樣本的預測能力、相對標準差（relative standard deviation，RSD）、相對分析誤差（relative prediction deviation，RPD）。本實驗用RSD和RPD來驗證模型的穩(wěn)定性和預測能力。一般情況下，當RSD＜10%，模型可用于實際的檢測；當RPD＞3，則模型具有良好的穩(wěn)定性和較高的預測能力[17-19]。

表5 最優(yōu)模型驗證結(jié)果Table.5 Validation results of optimal models

由表5可看出，所有胎次奶牛乳中乳蛋白的R2值均達到87%以上，說明實際測定值和光譜預測值之間具有良好的線性關(guān)系。同時SEP值比較小，說明模型預測的準確性比較高，且所有胎次的RSD＜10%，RPD＞3，說明建好的模型性能良好，預測精度高。預測結(jié)果和實際測定值很接近，因此，本研究通過近紅外光譜分析技術(shù)與正交實驗設(shè)計相結(jié)合建立的模型適于所有原料奶中蛋白質(zhì)含量的測定。

所有胎次奶牛的乳中乳蛋白含量用多功能乳制品分析儀測出的真實值和近紅外光譜法預測值的線性相關(guān)圖分別如圖所示（圖3～圖6）。

圖3 一胎奶牛牛乳中乳蛋白含量實際測定值與近紅外預測值線性相關(guān)圖Fig.3 Linear correlation between actual measurements value and NIR predicted value with the milk protein content in the first parities cows

圖4 二胎奶牛牛乳中乳蛋白含量實際測定值與近紅外預測值線性相關(guān)圖Fig.4 Linear correlation between actual measurements value and NIR predicted value with the milk protein content in the second parities cows

圖5 三胎及三胎以上奶牛牛乳中乳蛋白含量實際測定值與近紅外預測值線性相關(guān)圖Fig.5 Linear correlation between actual measurements value and NIR predicted value with the milk protein content in the third and more times parities cows

圖6 所有胎次奶牛牛乳中乳蛋白含量實際測定值與近紅外預測值線性相關(guān)圖Fig.6 Linear correlation between actual measurements value and NIR predicted value with the milk protein content in all cows

3 結(jié)論與討論

近紅外光譜分析作為一種有效的分析手段，在乳成分定量分析和質(zhì)量監(jiān)測方面得到了廣泛應(yīng)用，李慶波等[20]研究了采用近紅外光譜技術(shù)檢測牛奶中主要成分含量的方法。討論采用偏最小二乘法建立校正模型過程中數(shù)字濾波預處理方法以及利用遺傳算法優(yōu)選波段。王云等[21]研究了近紅外光譜法在牛奶主要成分分析中的應(yīng)用，重點對比不同近紅外區(qū)域的檢測結(jié)果。利用偏最小二乘法建立校正模型，探討了不同光譜區(qū)域和數(shù)據(jù)預處理對模型準確性的影響。鄭麗敏等[22]采用傅里葉變換近紅外光譜法，快速測定了新疆疆岳驢奶中脂肪、蛋白質(zhì)、能量和灰分的含量。韓東海等[23]利用紅外光譜技術(shù)無損、快速、準確的實現(xiàn)了純牛奶中還原奶的鑒別和原料奶新鮮度的判別。不同胎次的奶牛的乳蛋白含量不同，而本實驗是對不同胎次奶牛乳中蛋白質(zhì)含量進行直接研究，并分別建立了最優(yōu)模型，為快速測定不同胎次奶牛的蛋白質(zhì)含量提供了方法。原料奶出售的價格在很大程度上取決于奶中乳蛋白含量的高低，因此，本實驗的研究對于原料奶按質(zhì)論價具有重要的指導意義。

本實驗利用近紅外光譜技術(shù)研究了不同胎次奶牛所產(chǎn)的牛乳中的蛋白質(zhì)的含量，結(jié)合正交實驗設(shè)計研究了基于不同的光譜預處理方式和定標校正方法建立的不同的定量分析模型，并通過目標函數(shù)值評定出了最優(yōu)模型，然后通過未參與定標的驗證集樣本對最優(yōu)模型的性能進行驗證。采用R2、SEC、SEP三個參數(shù)來評價模型的穩(wěn)定性和預測能力。最終建立了一胎、二胎、三胎及以上和所有胎次奶牛乳樣的模型，它們的預測值與實際值的相關(guān)程度較高，而且模型的預測準確性較高。因此，本研究所建模型性能良好，可以用于實際預測。

[1]吳定，高云.食品營養(yǎng)與衛(wèi)生保健[M].北京：中國計量出版社，2008（2）：146.

[2]王俊峰，王中華，梁國義，等.影響奶牛乳蛋白質(zhì)含量的因素及營養(yǎng)調(diào)控技術(shù)研究[J].飼料工業(yè)，2006（15）：48-53.

[3]熊本海，易渺，揚琴，等.中國北方荷斯坦奶牛乳成分及相關(guān)指標的季節(jié)性與胎次變化規(guī)律的研究[J].畜牧獸醫(yī)學報，2013（1）：31-37.

[4]Moore M，Tyler JW，Chigerwe M，et al.Effect of delayed colostrum collection on colostral IgG concentration in dairy cows [J].Journal of The American Veterinary Medical Association，2005，226（8）：1375-1377.

[5]Hagiwara S，Kawai K，Anri A，et al.Lactoferrin concentrations in milk from normal and subclinical mastitic cows[J].Journal of Veterinary Medical Science，2003，65（3）：319-323.

[6]張華秀，李曉寧，范偉，等.近紅外光譜技術(shù)在液態(tài)奶脂肪與蛋白質(zhì)含量檢測中的應(yīng)用[C].第十屆全國計算（機）化學學術(shù)會議論文摘要集，2009.

[7]陸婉珍，袁洪福，徐廣通，等.現(xiàn)代級紅外光譜分析技術(shù)[M].北京：中國石油化工出版社，2000.

[8]李亮，丁武.近紅外光譜技術(shù)在牛奶及其制品分析中的應(yīng)用進展[J].中國奶牛，2009，16：46-48.

[9]陸輝山，應(yīng)義斌，劉燕德.近紅外光譜技術(shù)在牛奶及乳制品分析中的應(yīng)用研究[J].農(nóng)業(yè)工程學報，2003，19：205-210.

[10]曹佳，趙武奇，魏振東.摻假羊奶原奶中植物蛋白的近紅外快速檢測[J].農(nóng)產(chǎn)品加工·學刊，2012（3）：131-133.

[11]董一威，屠振華，朱大洲，等.利用近紅外光譜快速檢測牛奶中三聚氰胺的可行性研究[J].光譜學與光譜分析，2009（11）：34-38.

[12]張華秀.近紅外光譜法快速檢測牛奶中蛋白質(zhì)與脂肪含量[D].長沙：中南大學，2010.

[13]王碩.近紅外光譜分析中牛奶模型優(yōu)化方法的初步研究[D].天津：天津大學，2005.

[14]李君霞，閔順耕，張洪亮，等.水稻糙米粗蛋白近紅外光譜定量分析模型的優(yōu)化研究[J].光譜學與光譜分析，2006（5）：833-837.

[15]谷月，趙武奇，李曉丹，等.近紅外光譜技術(shù)對液態(tài)奶制品中乳糖、脂肪及蛋白質(zhì)的定量檢測[J].寧夏大學學報：自然科學版，2012，33：377-380.

[16]Prieto N，Dugan MER，López-Campos O，et al.Near infrared reflectance spectroscopy predicts the content of polyunsaturated fatty acids and biohydrogenation products in the subcutaneous fat of beef cows fed flaxseed[J].Meat Science，2011（1）：43-51.

[17]吳靜珠，王一鳴，張小超，等.基于近紅外的奶粉品質(zhì)檢測技術(shù)研究[J].光譜學與光譜分析，2007（9）：35-38.

[18]Prieto N，Ross DW，Navajas，EA，et al.Online prediction of fatty acid profiles in crossbred Limousin and Aberdeen Angus beef cattle using near infrared reflectance spectroscopy[J]. International Journal of Animal Bioscience，2011（1）：37-42.

[19]祝詩平，王剛，楊飛，等.粉末樣品顆粒大小對花椒揮發(fā)油近紅外光譜定量預測的影響研究[J].光譜學與光譜分析，2008（4）：775-779.

[20]李慶波，徐可欣，王斌.牛奶主要成分含量近紅外光譜快速測量法[J].食品科學，2002，23（6）：121-122.

[21]王云，徐可欣，常敏.近紅外光譜技術(shù)檢測牛奶中脂肪及蛋白質(zhì)含量校正模型的建立[J].光學儀器，2006，28（3）：3-7.

[22]鄭麗敏，張錄達，郭慧媛，等.近紅外光譜波段優(yōu)化選擇在驢奶成分分析中的應(yīng)用[J].光譜學與光譜分析，2007，27（11）：2224-2227.

[23]韓東海，魯超，劉毅.純牛奶、還原奶、摻假奶、牛奶新鮮的近紅外檢測[J].中國供銷商情，2006（4）：39-41.

Quantitative analysis of milk protein content in different parities cows based on near infrared spectroscopy

LI Shuang-hong，LIU Yong-feng*，HAN Yu-rui，ZHAO Lu-hua，YUAN Shuang
（College of Food Engineering and Nutritional Science，Shaanxi Normal University，Xi’an 710062，China）

In this experiment，spectrum of different parities milk samples were scanned using near-infrared spectrometer（NIRS），and the protein content in milk samples was measured using the multifunctional analyzer of dairy.The models were established through orthogonal design and validated with principle component regression（PCR），partial least square（PLS），modified PLS and a variety of pretreatment methods.Then，the models were evaluated by the objective function method.The result showed that the first parity samples share the same optimal model with the second parity samples in the milk protein And their calibration coefficient of correlations（R2），standard error of calibration（SEC）and standard error of prediction（SEP）were 0.9626，0.0531，0.0630 and 0.9377，0.0810，0.1100，respectively.The optimal model of the milk protein of the third parity samples and more times samples were established，and the R2，SEC and SEP of the optimal model were 0.9406，0.0461，0.0500.Meanwhile，the optimal model of all milk protein samples were also established，and the R2，SEC and SEP of the optimal model were 0.9351，0.0687，0.0790.Therefore，it was suitable for using these models to detect simulately the milk protein rapidly，accurately and non-destructively.The analysis method provided the theoretical basis for detecting the milk protein quickly in mixed raw milk.

milk protein；near infrared spectroscopy；quantitative analysis；parity

TS252.1

A

1002-0306（2014）04-0060-06

2013－07－30 *通訊聯(lián)系人

李雙紅（1992-），女，大學本科，主要從事食品科學與安全方面的研究。

西安市科技計劃項目（NC1208-2）；陜西省科技攻關(guān)項目（2012NY2-17）；國家大學生創(chuàng)新性實驗計劃課題（201210781126）。