利用近紅外光譜快速檢測大青山山羊肉脂肪與蛋白質(zhì)含量

車天宇，楊 峰，謝遇春，米 璐，馬麗娜，郭俊濤，蘇 馨，王志新，劉志紅，李金泉

（內(nèi)蒙古農(nóng)業(yè)大學動物科學學院，內(nèi)蒙古自治區(qū)動物遺傳育種與繁殖重點實驗室，農(nóng)業(yè)農(nóng)村部肉羊遺傳育種重點實驗室，內(nèi)蒙古自治區(qū)山羊遺傳育種工程技術(shù)研究中心，內(nèi)蒙古呼和浩特 010018）

內(nèi)蒙古大青山位于內(nèi)蒙古包頭市、呼和浩特市、烏蘭察布以北，坐落在土默特左旗陰山山脈的主要段落，是陰山山地生物多樣性最集中的區(qū)域[1]。大青山山羊以豐富的野生植被為主要的營養(yǎng)來源，其肉質(zhì)細嫩、味美多汁、高蛋白、低脂肪、低膽固醇，富含多種人體必需氨基酸和微量元素，是天然的綠色健康食品，不僅符合當代大眾的口味，更能夠滿足養(yǎng)生保健的需求[2]。

羊肉是我國主要的食用肉種類之一，與豬肉相比，羊肉具有脂肪與膽固醇含量較低、蛋白質(zhì)含量較高、更容易被消化等特點[3-5]。近年來，消費者對于羊肉的需求逐漸從價格轉(zhuǎn)向質(zhì)量，羊肉消費量逐年上升[6]。為獲取更大的利益，供應(yīng)商往往會進行胴體分割，對不同的部位制定不同的價格[7]。然而，對于不同部位羊肉品質(zhì)的分級并不明確，只能依靠經(jīng)驗及市場口碑。而常規(guī)的實驗室肉質(zhì)檢查方式不僅耗時長，效率低，而且會損壞樣品，很難在屠宰加工流水線上進行應(yīng)用。因此，需要一種能夠在流水線上應(yīng)用的快速、準確的羊肉品質(zhì)檢測手段。

近紅外光譜分析技術(shù)是一種已經(jīng)較為成熟的、在產(chǎn)品生產(chǎn)過程中對物質(zhì)成分進行定量的物理檢測方式，這種技術(shù)不僅耗時短，精確度較高，而且不會對樣品造成破壞[8]，是一種較為理想的羊肉品質(zhì)檢測方式。但目前這種方式在國內(nèi)鮮有報道。劉曉琳等[9]利用偏最小二乘法針對樣本中的蛋白質(zhì)和脂肪含量進行了建模，其中蛋白質(zhì)含量最優(yōu)模型相關(guān)系數(shù)為0.931 2，脂肪含量最優(yōu)模型相關(guān)系數(shù)為0.915 7。王培培等[10]針對采集小尾寒羊、烏珠穆沁羊、灘×寒雜交羊等綿羊品種的蛋白質(zhì)、脂肪、水分含量建立了近紅外光譜預測模型，其樣品水分含量近紅外光譜校正決定系數(shù)為0.94，驗證決定系數(shù)是0.86；蛋白質(zhì)含量近紅外光譜預測模型的校正決定系數(shù)為0.90，驗證決定系數(shù)為0.72；脂肪含量近紅外光譜校正決定系數(shù)0.81，驗證決定系數(shù)0.64，證明近紅外在綿羊肉化學成分預測上具有較好的效果。本研究在利用近紅外光譜分析技術(shù)的基礎(chǔ)上，對不同年齡、不同部位的羊肉蛋白質(zhì)、總脂肪含量進行分析；建立近紅外預測模型，旨在實現(xiàn)羊肉中蛋白質(zhì)、總脂肪2 種成分含量的快速檢測，為實現(xiàn)肉品質(zhì)分級奠定基礎(chǔ)。

1 材料與方法

1.1 試驗儀器 賽默-飛世爾科技 Antaris?II FT-NIR分析儀；BUCHI K-360 全自動凱氏定氮儀；海能SOX-406 脂肪測定儀。

1.2 試劑 石油醚（福晨（天津）化學試劑有限公司），30～60℃沸程；滴定酸（廣州凱爾化工科技有限公司），H+濃度為0.1 mol/L；其他試劑均為國產(chǎn)分析純。

1.3 試驗材料 大青山地區(qū)18、30、42 月齡的山羊各20 只，采集臂三頭?。≦）、股二頭肌（H）以及背最長?。˙）的樣品，共180 塊肌肉樣本。去除表面上的筋膜以及脂肪，快速放入液氮，帶回實驗室放入-80℃冰箱保存?zhèn)溆谩?/p>

1.4 蛋白質(zhì)及脂肪含量測定 脂肪含量按照肉與肉制品總脂肪含量的測定（GB 5009.6-2016）進行測量[11]，蛋白質(zhì)含量按照肉與肉制品中氮含量測定（GB 5009.5-2016）進行測量[12]。

1.5 近紅外光譜掃描取 取5～10 g 樣本，采用不銹鋼刀將解凍后的樣本切碎成肉糜狀，置于Antaris?II FTNIR 分析儀（thermo）樣品杯中，設(shè)置掃描分辨率為16 cm-1，增益為8x，掃描250 次。每個樣本掃描3 次，保存平均光譜。

1.6 統(tǒng)計分析 用SPSS 對不同年齡、不同部位的肌肉樣本的蛋白質(zhì)及總脂肪含量數(shù)據(jù)進行方差分析。利用TQ Analysis 軟件分析光譜特征并對光譜進行前處理消除環(huán)境影響并突出可能與定量信息相關(guān)的波段，并利用波段信息進行關(guān)聯(lián)建模。

1.7 光譜處理 在TQ Analysis 中選擇合適的方法對掃描的光譜進行處理。一般而言，首先選擇預處理方法如多元散射校正（MSC）或者標準正態(tài)量變換（SNV）的方法，消除由于環(huán)境造成的光譜之間的差異；隨后選擇對全光譜求一階導數(shù)或者二階導數(shù)以放大光譜中的特征信息，并選擇利用S-G 方法或者Norris 方法平滑光譜中的噪音。

2 結(jié)果

圖1 不同年齡與不同部位肌肉中蛋白質(zhì)與總脂肪含量變化

2.1 大青山山羊肉蛋白質(zhì)與總脂肪的定量分析 如圖1所示，不同年齡組之間蛋白質(zhì)含量沒有顯著差異，而不同年齡組間肌肉中總脂肪含量差異顯著且隨著年齡上升肌肉中總脂肪含量增加。不同部位間，臂三頭肌與背最長肌間中蛋白質(zhì)與總脂肪含量沒有顯著差異，而股二頭肌與背最長肌中蛋白質(zhì)與總脂肪含量差異顯著，均為背最長肌高于股二頭肌。

2.2 羊肉近紅外光譜分析 基于180 個樣品掃描結(jié)果發(fā)現(xiàn)（圖2），樣品之間光譜相對集中，光譜的各個部分變化趨勢基本一致。其中1 200、1 450、1 950 nm 處出現(xiàn)了明顯的吸收峰，而這3 個波長分別是C—H 的二級倍頻吸收、O—H 伸縮振動的一級倍頻和震動組合頻以及N—H 伸縮振動的一級倍頻。而在1 700 nm 左右的波長處可以看見較小的吸收峰，這是C—H 的一級倍頻吸收。

圖2 180 個樣本的近紅外光譜掃描結(jié)果

2.3 偏最小二乘法建模 近紅外光譜采集過程中往往受到多種因素的影響導致光譜基線漂移以及噪音，因此在建模之前往往需要對光譜進行平滑、求導、校正等預處理。對不同的預處理方法進行組合建模，從中選擇交叉驗證均方根誤差（RMSECV）值最小且相關(guān)系數(shù)較高的模型作為建模結(jié)果。建模結(jié)果中均方根誤差（RMSEC）值越小，表明模型回歸程度越好，通常RMSECV 高于RMSEC 值，故認為RMSECV 值較低的模型建模效果較好（表1）。

如圖3 所示，總脂肪含量近紅外光譜預測模型RMSEC 值為0.668，交叉驗證后，得到其RMSECV 值為0.697，其相關(guān)系數(shù)為0.951 6。蛋白質(zhì)含量近紅外光譜預測模型結(jié)果RMSEC 值為0.503，交叉驗證后得到其RMSECV 值為0.580，相關(guān)系數(shù)為0.919 6。

2.4 模型的驗證 選擇未參加建模的樣本（30 個）中，不同年齡不同部位的樣本各3 個，共27 個。掃描其光譜，帶入總脂肪含量預測模型與蛋白質(zhì)含量預測模型中。如圖4、5 所示，可以看出預測值與真實值之間差異較小，變化趨勢一致。分別計算脂肪含量驗證結(jié)果和蛋白質(zhì)含量驗證結(jié)果的RPD 值?？傊掘炞C結(jié)果的RPD 值為3.23，蛋白質(zhì)含量驗證結(jié)果的RPD 值為3.71。通過計算驗證集的RPD 值可以判斷模型的預測效果。RPD為驗證集標準偏差與預測標準偏差的比值。在濃度范圍相同的前提下，RPD 越大，準確性越高。一般而言，當驗證集決定系數(shù)為0.9 時，RPD 值約等于2.3；若驗證集決定系數(shù)為0.98，則RPD 約等于5.0。

表1 不同預處理方法建立近紅外預測模型

3 討 論

圖3 肌肉中總脂肪與蛋白質(zhì)含量建模及驗證結(jié)果

圖4 脂肪預測模型的驗證結(jié)果

圖5 蛋白質(zhì)預測模型的驗證結(jié)果

不同年齡階段的大青山山羊肉中蛋白質(zhì)含量較為穩(wěn)定，而總脂肪含量會隨著年齡增長顯著增加。師帥等[13]研究發(fā)現(xiàn)，20 月齡柯爾克孜羊后腿骨骼肌中蛋白質(zhì)與脂肪含量均顯著高于7 月齡。徐小春[14]在研究舍飼飼養(yǎng)條件下中衛(wèi)山羊成年羊羊肉中粗脂肪和粗蛋白質(zhì)含量極顯著高于幼齡羊。丁武[15]研究發(fā)現(xiàn)，隨月齡增加，雜交羊中粗脂肪、粗蛋白質(zhì)呈極顯著增加趨勢。說明年齡是影響肌肉中蛋白質(zhì)與脂肪含量的重要因素。

張?zhí)苽サ萚16]在分析崗巴羊的營養(yǎng)價值時發(fā)現(xiàn)，在3、4、5 歲年齡組中，背部肌肉樣本中含有的粗脂肪含量均顯著高于腿部肌肉中粗脂肪含量。王莉梅等[17]在分析烏珠穆沁羊的不同部位間營養(yǎng)價值差異時發(fā)現(xiàn)，烏珠穆沁羊背最長肌中蛋白含量總體優(yōu)于肱三頭肌和股二頭肌。表明不同部位肌肉之間營養(yǎng)價值存在差異，從蛋白質(zhì)及總脂肪含量來看，背最長肌的營養(yǎng)價值高于臂三頭肌和股二頭肌。

花錦等[18]在利用近紅外光譜對鮮肉中脂肪含量建立定量預測模型時發(fā)現(xiàn)，豬肉、牛肉、羊肉近紅外光譜吸光度變化趨勢一致，均在1 450 nm（6 900 cm-1）及1 990 nm（5 110 cm-1）處存在峰值。郭麗麗等[19]在基于近紅外技術(shù)測定不同鮮肉中揮發(fā)性鹽基氮含量的研究中得到了相同結(jié)論。從以上結(jié)果來看，1 450、2 000 nm附近可能是肉類特有的吸收峰。

對不同預處理方法的建模結(jié)果進行比較發(fā)現(xiàn)，對光譜進行MSC（多元散射矯正）[20]，SNV（歸一化）[21]等預處理，發(fā)現(xiàn)模型的精確程度沒有顯著提高。這可能與樣本的預處理方式有關(guān)。Guy 等[22]在利用近紅外光譜預測脂肪酸含量是在測定成分含量數(shù)據(jù)時，粉末狀樣本的建模效果（RMSECV=0.29～0.98）優(yōu)于完整樣本（RMSECV=0.05～0.53）。Barbin 等[23]在建立雞肉肉質(zhì)指標近紅外光譜預測結(jié)果時發(fā)現(xiàn)磨碎完整樣本與磨碎樣本的的建模結(jié)果相差不大，如針對光澤度進行建模時完整樣本和磨碎樣本的RMSECV 值分別為0.46 和0.48，甚至優(yōu)于磨碎樣本，如針對pH 進行建模時，完整樣本與磨碎樣本的RMSECV 值分別為0.50 和0.72。說明樣本前處理對于建模結(jié)果具有重要影響，在衡量樣本中化學成分時，磨碎樣本往往能夠取得更好的結(jié)果[24]。

Liao 等[25]在利用近紅外對完整豬肉樣本中蛋白質(zhì)、肌內(nèi)脂肪和水分含量的建模結(jié)果為水分、蛋白質(zhì)、脂肪的RPD 值分別為2.01、1.74、1.77。Prieto 等[26]利用近紅外預測研磨后的牛肉中水分、蛋白和肌內(nèi)脂肪的RPD 值分別是2.13、2.10、2.01。本試驗結(jié)果較其更佳。

4 結(jié) 論

利用近紅外光譜對大青山山羊肉中蛋白質(zhì)與總脂肪含量建立定量預測模型，其中蛋白質(zhì)預測模型RMSEC值為0.503，交叉驗證后RMSECV 值為0.58；脂肪預測模型RMSEC 值為0.668，交叉驗證后RMSECV 值為0.697。說明模型回歸效果較好，同時較為穩(wěn)定。選擇不同年齡不同部位樣本作為驗證集對模型進行校驗，蛋白質(zhì)預測模型的RPD 值為3.71，總脂肪含量預測模型RPD 值為3.23。本研究為羊肉品質(zhì)的分析測定提供了一種快速簡便的檢測方法，為進一步進行肉品質(zhì)分級奠定基礎(chǔ)。