米糠粗蛋白、粗脂肪以及粗纖維含量的近紅外預(yù)測模型的建立

王 濤， 翟 晨， 白術(shù)群， 蓋華偉，謝云峰， 錢承敬， 王 亮

(新疆大學(xué)生命科學(xué)與技術(shù)學(xué)院1，烏魯木齊 830046)(中糧營養(yǎng)健康研究院；營養(yǎng)健康與食品安全北京市重點實驗室2，北京 102209)(中糧糧谷控股有限公司大米部副產(chǎn)物綜合利用部3，北京 100020)

水稻是世界人口，尤其是亞洲人口的主要營養(yǎng)來源[1]。全球水稻產(chǎn)量估計約為6.8億噸，相當于小麥產(chǎn)量。稻谷從地里收割后，要經(jīng)過一個碾磨過程，機械地去除谷殼和麩皮，留下精米(68%～70%)，即大米谷殼(20%)、米糠(5%～10%)和米胚芽(2%)。大米主要以拋光的白色顆粒形式食用[2-5]。米糠是糙米的外層，是大米加工的副產(chǎn)品，是碳水化合物、蛋白質(zhì)、脂類、不溶性纖維、維生素和礦物質(zhì)的良好來源，是小麥粉的良好替代品[6-9]。此外，米糠是多種抗氧化化合物的極好來源，如多酚、生育酚、生育三烯酚和谷維素，可防止引起組織和DNA 損傷的細胞氧化反應(yīng)[10-16]。我國米糠產(chǎn)量居世界第一位，但一般用來當作飼料，或者直接丟棄，造成了這一寶貴資源極大的浪費。由于米糠本身的不穩(wěn)定性，加之目前對于蛋白、脂肪以及纖維等營養(yǎng)指標的測定多采用經(jīng)典的化學(xué)分析手段，這些傳統(tǒng)的分析技術(shù)比較成熟，同時也具備較高的準確度，但其往往需要專用分析設(shè)備，存在耗時長、成本高、人為誤差大、破壞樣品、污染環(huán)境且對檢測人員要求高等一系列缺點。因此若能建立一種快速、準確測定米糠中蛋白、脂肪和纖維等營養(yǎng)指標的方法會為加大米糠的綜合利用、更好地發(fā)揮其營養(yǎng)價值奠定堅實的基礎(chǔ)。

近紅外光譜技術(shù)是一種快速無損檢測物質(zhì)含量和鑒別物質(zhì)的現(xiàn)代分子光譜分析技術(shù)，近紅外區(qū)域是指波長在780～2 526 nm范圍內(nèi)的電磁波，是最早發(fā)現(xiàn)的非可見光區(qū)域。近紅外光譜(NIRS)分析技術(shù)是20世紀80年代后期發(fā)展起來的，具有快速、無污染、樣品不需預(yù)處理和同時檢測多個組分等優(yōu)點，目前已經(jīng)在農(nóng)作物品質(zhì)育種、農(nóng)牧產(chǎn)品質(zhì)量分析、食品加工和品質(zhì)檢測等領(lǐng)域中廣泛應(yīng)用[17-19]。近紅外光譜技術(shù)是一種間接的定性及定量分析技術(shù)，通過建立的預(yù)測模型來測定未知樣品的成分，能在幾十秒甚至幾秒內(nèi)，僅通過對樣品的一次近紅外光譜的簡單采集，就能同時測定一個樣品的幾種甚至幾十種物質(zhì)或濃度數(shù)據(jù)。因此若能利用近紅外光譜技術(shù)建立一個快速預(yù)測模型來預(yù)測米糠中的各項營養(yǎng)指標，便能夠更大程度地避免其營養(yǎng)成分的損失，加大應(yīng)用范圍。李杰等[20]利用近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法開發(fā)了不同品種綠茶的快速無損鑒別方法。路輝等[21]利用近紅外光譜技術(shù)實現(xiàn)了對大米中直鏈淀粉、蛋白質(zhì)、脂肪、水分含量同時快速無損的檢測。 陳依晴等[22]利用近紅外光譜技術(shù)實現(xiàn)了中藥產(chǎn)地、真?zhèn)舞b別、質(zhì)量控制以及輔料生產(chǎn)過程的實時監(jiān)測。通過研究表明，利用近紅外光譜技術(shù)建立一個快速預(yù)測模型來預(yù)測米糠中的各項營養(yǎng)指標的模型是可行的。

本研究選用分別來自南北方共200個米糠樣品(100個粳米米糠、100個秈米米糠)，經(jīng)過理化數(shù)據(jù)檢測、近紅外參數(shù)優(yōu)化、光譜信息采集、光譜數(shù)據(jù)預(yù)處理、模型建立及模型優(yōu)化等步驟，最終建立粳米米糠、秈米米糠及總米糠的粗蛋白、粗脂肪、粗纖維預(yù)測模型，所建立的模型決定系數(shù)R2均大于90%，且所建模型的預(yù)測值與國標方法測定值間的相對偏差范圍均在±5%以內(nèi)，說明模型具有良好的預(yù)測效果。該實驗的順利進行為米糠產(chǎn)品的各項營養(yǎng)品質(zhì)指標的檢測建立了一種快速高效準確的方法，將大大提高米糠產(chǎn)品的應(yīng)用價值。

1 材料與方法

1.1 材料與試劑

實驗所用米糠分別來自南北方七家工廠，分為粳米米糠和秈米米糠兩種；硼酸、氫氧化鈉、硫酸、硫酸銨、蔗糖、無水硫酸銅、硫酸鉀、鹽酸、甲基紅、溴甲酚綠、石油醚、無水硫酸鈉、金剛砂、丙酮、氫氧化鉀、正辛醇：分析純。

1.2 儀器與設(shè)備

傅里葉近紅外光譜儀(MPA Ⅱ)，Milli-Q 超純水系統(tǒng)(Milli-Q Reference)，分析天平(XS205)，凱氏定氮儀(K9840)，索式提取器，精密鼓風干燥箱(BPG-9070A)，馬弗爐(SX2-8-10N)。

1.3 實驗方法

1.3.1 近紅外光譜分析儀測量參數(shù)優(yōu)化

1.3.1.1 是否采用樣品旋轉(zhuǎn)裝置不同近紅外光譜儀器配置不同，有些光譜儀沒有配置樣品旋轉(zhuǎn)裝置，針對樣品旋轉(zhuǎn)裝置是否必需，設(shè)計以下實驗進行探討。采集樣品旋轉(zhuǎn)狀態(tài)下的5個樣品的光譜信息圖及樣品固定不動狀態(tài)下的同樣樣品的5個光譜信息圖，分別計算標準差，比較標準差的大小。

1.3.1.2 掃描次數(shù)的優(yōu)化

在采集樣品光譜時，平均技術(shù)是一種常用的有效方法，它能提高光譜的信噪比，即對需要測定的樣品，進行多次掃描，經(jīng)過多次疊加求平均，可消減與信號無關(guān)的噪聲。掃描次數(shù)的適度增加對提高信噪比有一定的幫助，從而改善分析結(jié)果。但并不是采用掃描次數(shù)越多結(jié)果越好，這是因為：首先，掃描樣品所消耗的時間會隨著掃描次數(shù)的增加而增加，并且隨著掃描次數(shù)的增加，導(dǎo)致操作效率的降低：另外，通過利用增加掃描次數(shù)來達到消減噪聲的目的，只是在次數(shù)相對較少的時候才有較為明顯的作用，而次數(shù)越多反而效果越不明顯，所以，采集樣品的近紅外光譜時存在最佳掃描次數(shù)。

為確定本實驗中的樣品的最佳掃描次數(shù)，在掃描次數(shù)分別為16、32、64以及128 Scans的情況下，每個掃描次數(shù)下對樣品反復(fù)掃描5遍，并對每個掃描次數(shù)下的5條光譜分別求標準差。

1.3.1.3 裝樣厚度的確定

采集米糠樣品光譜時，樣品的裝樣厚度對光譜有一定的影響，裝樣太薄無法保證光譜所含信息的全面，裝樣過厚則光程變化較大，所以為確定采集樣品光譜時的適當厚度，選擇了4個樣品進行試驗，分別在飼料樣品的裝樣厚度為1、2、3、4、5、6 mm時進行光譜采集。

1.3.2 米糠營養(yǎng)指標的測定

采用GB/T 6432—2018 7.2中的方法測定米糠中粗蛋白的含量，采用GB/T 6433—2006中的方法測定米糠中的粗脂肪的含量，采用GB/T 6434—2006中的方法測定米糠中的粗纖維的含量，重復(fù)測量3次取平均值。

1.3.3 模型的構(gòu)建及優(yōu)化

為了消除背景干擾，采用消除常數(shù)偏移量、矢量歸一化、最大-最小歸一化、多元散射校正、一階導(dǎo)數(shù)+減去一條直線等多種光譜預(yù)處理方法對米糠的原始光譜進行處理后作為輸入變量，通過特征向量的提取與內(nèi)部交叉驗證建立化學(xué)值與近紅外光譜之間的偏最小二乘法(PLS)回歸預(yù)測模型。根據(jù)OPUS 7.0分析軟件得出的決定系數(shù)(R2)、交叉驗證均方根誤差(RMSECV)、相對分析誤差(RPD)作為評判指標，反復(fù)剔除異常樣品，最終確定最優(yōu)模型。

2 結(jié)果與討論

2.1 近紅外光譜分析儀測量參數(shù)優(yōu)化

2.1.1 是否采用樣品旋轉(zhuǎn)裝置

從圖1可以看出，樣品在固定狀態(tài)下標準差明顯大于在旋轉(zhuǎn)狀態(tài)下的標準差，說明樣品在旋轉(zhuǎn)時采集的信息更加全面，固定狀態(tài)下采集米糠樣品信息，會因為米糠的不均勻性導(dǎo)致實驗較大的誤差，因此，為了提高實驗的準確度，米糠樣品在采集時需要將樣品皿置于旋轉(zhuǎn)裝置中。

圖1 樣品旋轉(zhuǎn)及固定狀態(tài)下的標準差

2.1.2 掃描次數(shù)的優(yōu)化

圖2為樣品在3 594.8～12 489.3 cm-1范圍內(nèi)不同掃描次數(shù)下的標準差比較，從圖中可以明顯地看出當掃描次數(shù)為16及32 Scans時，標準差曲線位于最上面，即標準差較大，且不穩(wěn)定；從整體來看，掃描次數(shù)為64 Scans及128 Scans的標準差曲線隨著波數(shù)的變化而波動不大，標準差較小，且二者無明顯區(qū)別，因此，綜合考慮，本實驗選取64 Scans為最佳掃描次數(shù)。

圖2 米糠樣品在不同掃描次數(shù)下的標準差

2.1.3 裝樣厚度的確定

圖3為樣品在不同厚度下的光譜圖，樣品厚度為5 mm后，光譜達到穩(wěn)定，因此光譜采集時，裝樣厚度至少需要5 mm或者5 mm以上，太薄采集到的光譜不夠穩(wěn)定準確，因此，為了光譜采集的穩(wěn)定性和準確度，本研究采用5 mm為裝樣厚度。

圖3 樣品在不同厚度下的光譜圖

綜上可知，近紅外光譜采集參數(shù)為：采用樣品旋轉(zhuǎn)模式，掃描次數(shù)為64 Scans，裝樣厚度為5 mm。

2.2 米糠營養(yǎng)指標的測定

表1為200個米糠樣品營養(yǎng)指標的測定結(jié)果。通過比較可以看出粳米米糠的粗脂肪以及粗纖維含量略高于秈米米糠，秈米米糠的粗蛋白含量略高于粳米米糠。根據(jù)糧食行業(yè)推薦性標準LS/T 3320—2020規(guī)定米糠水分≤13%即為一級品可以看出所選米糠水分含量均可達到一級質(zhì)量標準，具有可分析性。利用SPSS 22對測定結(jié)果進行統(tǒng)計學(xué)分析得出測定結(jié)果符合正態(tài)分布，表明測定結(jié)果具有統(tǒng)計學(xué)意義，可以用于建模分析。

表1 米糠營養(yǎng)指標的測定結(jié)果

2.3 米糠營養(yǎng)指標預(yù)測模型的建立

2.3.1 粳米米糠營養(yǎng)指標預(yù)測模型的建立

2.3.2 秈米米糠營養(yǎng)指標預(yù)測模型的建立

2.3.3 總米糠營養(yǎng)指標預(yù)測模型的建立

表2 米糠粗蛋白、粗脂肪和粗纖維的最優(yōu)模型的評價指標值

2.4 模型的驗證

表3 模型的檢驗

3 結(jié)論

本研究針對粳米米糠、秈米米糠和總米糠(包括粳米和秈米)的粗蛋白、粗纖維及粗脂肪指標分別建立近紅外光譜技術(shù)快速預(yù)測模型，采用多種光譜預(yù)處理方法對米糠的原始光譜進行預(yù)處理，利用預(yù)處理后的光譜進行模型建立及優(yōu)化，所建立的模型決定系數(shù)R2均大于90%，且所建模型的預(yù)測值與國標方法測定值間的相對偏差范圍均在±5%以內(nèi)，說明模型具有良好的預(yù)測效果。該實驗的順利進行為米糠產(chǎn)品的各項營養(yǎng)品質(zhì)指標的檢測建立了一種快速高效準確的方法，將大大提高米糠產(chǎn)品的應(yīng)用價值。