近紅外漫反射光譜法快速檢測谷子蛋白質和淀粉含量

田 翔，劉思辰，王海崗，秦慧彬，喬治軍*

近紅外漫反射光譜法快速檢測谷子蛋白質和淀粉含量

田 翔1,2,3，劉思辰1,2,3，王海崗1,2,3，秦慧彬1,2,3，喬治軍2,3,*

（1.山西省農業科學院農作物品種資源研究所，山西 太原 030031；2.農業部黃土高原作物基因與種質創制重點實驗室，山西 太原 030031；3.雜糧種質資源發掘與遺傳改良山西省重點實驗室，山西 太原 030031）

建立近紅外漫反射光譜法測定谷子中的蛋白質和淀粉含量，提供一種快速、簡便、無損的分析方法進行谷子品種資源鑒定和篩選。以191 份山西核心谷子種質為材料，采用近紅外漫反射光譜法建立谷子蛋白質和淀粉含量的快速檢測模型。結果表明，采用一階導數+矢量歸一化光譜預處理，分別建立谷子蛋白質和淀粉含量的校正模型，模型的校正決定系數（R2cal）分別為0.977 0和0.907 3，交叉驗證均方根誤差分別為0.203%和0.466%，外部驗證決定系數（R2val）分別為0.989 6和0.977 2，預測均方根誤差分別為0.225%和0.368%。對于谷子蛋白質和淀粉的預測，化學法和近紅外儀器法測定間無顯著差異，近紅外測定結果是準確可靠的。說明采用近紅外漫反射光譜分析技術能夠滿足對谷子蛋白質和淀粉含量的檢測。

谷子；近紅外漫反射光譜；蛋白質；淀粉

谷子起源于黃河流域，是我國古老的栽培作物，在我國北方居民生活中占有重要的地位，其淀粉、蛋白質、脂肪、維生素及硒等微量元素營養物質含量豐富，可平衡膳食促進人體健康[1]。早在《本草綱目》中有記載，谷子“治反胃熱痢，消渴口感，益丹田，補虛損，開腸胃”。谷子中蛋白質含量一般為8%～12%，蛋白質含量是評價營養價值高低的重要方面，對谷子蛋白質含量的測定就成為谷子種質資源鑒定以及選育優良谷子品種和改良谷子品質的重要項目之一[2-3]。目前測定谷子中蛋白質和淀粉含量主要使用凱氏定氮法和旋光法，這些化學法可靠性高，但測定步驟繁瑣、費用高，故不適宜對樣品進行批量分析和無損檢測[4]。在谷子品質育種過程中，需要對大量種質資源、突變體、雜交后代材料快速鑒定和篩選，且無損檢測以便種子更新和繁殖。研究組利用MPA型傅里葉變換近紅外光譜儀建立了谷子中蛋白質和淀粉含量的檢測模型[5]，為谷子品種資源品質評價提供一種快速、簡便、無損的分析方法。

近紅外漫反射光譜[6]是利用有機物在近紅外光譜區的特征振動吸收信息而快速測定樣品中多種化學成分含量，如蛋白質、脂肪、糖類等。與常用的化學分析方法不同，近紅外光譜分析法是一種間接分析技術，是用統計的方法在樣品待測屬性值與近紅外光譜數據之間建立一個關聯模型（或稱校正模型），之后通過驗證完成模型的建立，利用近紅外光譜儀器測得的樣品光譜數據即可通過軟件模型預測被測組分含量，近紅外法具有操作簡單、分析速度快、無損傷、環保等特點。近紅外漫反射光譜技術對小麥、大豆、玉米等大宗作物品質分析的報道較多，在小宗雜糧品質分析上應用很少[7]。在蔬菜的營養品質評價方面，王多加等[8]用近紅外光譜法非破壞性檢測了西紅柿、草莓、南瓜中蔗糖、葡萄糖、果糖、檸檬酸、蘋果酸等營養成分，結果都表明近紅外光譜分析法可滿足實際應用所需的測定精度。張帆等[9]利用近紅外光譜檢測西瓜干粉中纖維素和可溶性糖。本實驗依據谷子蛋白質和淀粉含量的真實值建立近紅外光譜分析模型，利用該模型快速定量檢測谷子品質。為建立谷子常規品質近紅外光譜分析模型，首先用化學測定方法測定了170 份谷子蛋白質和淀粉的含量，利用德國Bruke公司生產的MPA型傅里葉變換近紅外光譜儀和OPUS建模軟件，建立谷子蛋白質近紅外光譜分析模型，并用21 份驗證集進行預測，此法為谷子育種與品質分析提供一種方便有效的分析方法[10]。

1 材料與方法

1.1 材料、試劑與儀器

供試的191 份谷子資源由山西省農業科學院農作物品種資源研究所育種專家提供，其粒形多樣，產地不同，色澤分黃、白、紅、綠、黑和灰色，因此該模型品質特性具有廣泛的代表性。170 個樣品作為建立濃度定標方程的定標樣品。21 個樣品做為驗證集。

DHG-9140AS電熱鼓風干燥箱 寧波東南儀器有限公司；8400型全自動凱氏定氮儀 丹麥福斯公司；MPA型傅里葉變換近紅外光譜儀 德國Bruke公司；AP-300旋光儀 日本奧拓公司。

1.2 方法

1.2.1 谷子蛋白質含量測定

參考GB/T 5511—2008《谷物和豆類氮含量測定和粗蛋白質含量計算 凱氏法》，實驗室利用全自動凱氏定氮儀進行測定，每個校正樣品集谷子脫殼磨碎，稱取0.5 g試樣2 份置于250 mL消化管，再加入消化片5 g，然后加入12 mL濃硫酸，輕輕搖動消化管，使試樣被硫酸濕潤。將消化管放入420 ℃的消化爐上，約90 min樣品消化至透明藍綠色液體，取出冷卻至室溫。把消化管放入全自動凱氏定氮儀，設定分析程序后儀器依次進行自動蒸餾、滴定、結果計算和清洗。結果為蛋白質含量（%），蛋白系數6.25。兩次測定的相對誤差小于1%。

1.2.2 谷子淀粉含量測定

參照GB 5006—1985《谷物籽粒粗淀粉測定法》，重復稱取同一個脫殼磨粉的谷子樣品兩份，每份2.5 g，放在250 mL錐形瓶中，加入氯化鈣-乙酸溶液高溫水解25 min，迅速冷卻，再加入1 mL 30%硫酸鋅溶液和1 mL 15%亞鐵氰化鉀溶液沉淀蛋白，過濾后，在室溫（20±1）℃條件下進行旋光度測定，取2 次讀數平均值，計算淀粉含量，2 個平行測定結果的相對誤差不得大于1.0%[11]。

1.2.3 近紅外漫反射光譜采集與光譜分析

利用MPA傅里葉變換近紅外光譜儀，以鍍金的漫反射體作參比，樣品杯為容積25 cm3的圓柱形石英杯，每次裝樣滿2/3為宜。掃描光譜區選用3 594.9～12 790.3 cm-1，分辨率采用16 cm-1，每隔2 nm采集反射強度，重復對樣品進行近紅外光譜掃描采集64 次后形成一條反射光譜儲存[12]。每份樣品掃描2 次取平均值，并將反射光譜信息轉換成吸光度儲存[13]，使用OPUS建模軟件對光譜進行優化處理、數學分析和回歸統計。如圖1所示，校正集合中170 份谷子近紅外掃描圖譜區域范圍較寬，選擇的谷子差異性明顯，有利于建模。先用谷子校正樣品集建立校正模型，并做內部交叉驗證，再將驗正樣品集進行外部驗證，根據交叉驗證決定系數（R2cv）、交叉驗證均方根誤差（root mean square errors of cross-validation，RMSECV）、外部驗證決定系數（R2val）、預測均方根誤差（root mean square errors of prediction，RMSEP）等指標確定最優模型[14]。對于同一樣品集所構建的回歸方程而言，校正決定系數R2cal越大，近紅外分析結果與化學分析結果越吻合，可信度越高；交叉驗證決定系數R2cv越大，RMSECV越低，定標建模過程中進行交叉驗證時得到的近紅外預測值與化學分析值越接近，定標模型的準確度越高[15-16]。

圖1 谷子近紅外漫反射光譜掃描圖譜Fig. 1 Near infrared spectra of foxtail millet samples

2 結果與分析

2.1 樣品的化學分析結果

由表1可知，構建定標模型的谷子資源蛋白質含量范圍為9.82%～16.63%，平均值為13.05%，高于玉米、接近小麥。谷子淀粉含量范圍為70.13%～82.15%，平均值為76.27%。其中蛋白質含量高于谷子一級優質米鑒定標準12.5%以上的優異資源有91 份，高于16.00%的優異資源共計10 份。經對比發現種皮的顏色與蛋白含量無顯著相關性，高蛋白含量的谷子普遍粒形中等偏大。谷子顏色、形態和大小各不同[17]，數據變幅較大，建立的模型有較好的適用性。通過對上述谷子種質資源的鑒定評價發現，谷子種質資源具有豐富的遺傳多樣性[18]。

表1 191 份山西谷子樣品中蛋白及淀粉含量Table 1 Contents of crude protein and starch in 191 foxtail millet samples from Shanxi province

2.2 近紅外定標模型的建立

本實驗利用MPA傅里葉變換近紅外光譜儀，通過OPUS/QUANT軟件中的自動優化功能，分別對谷子蛋白和淀粉建模的最佳光譜預處理方法進行篩選，得到對原始近紅外漫反射圖譜的數學預處理方式均為一階導數+矢量歸一化法，譜區范圍均選擇3 594.9～12 790.3 cm-1，通過對谷子蛋白和淀粉建標模型的交叉驗證，比較RMSECV和主因子數等參數，確定最優校正模型[19]。

2.3 定標模型的驗證

2.3.1 內部交叉驗證

根據樣品的近紅外的特征，利用軟件的自動驗證功能，軟件每次在170 份建標谷子樣品中隨機選取2 份樣品作為檢驗樣品，用其余的谷子樣品（168 份）建立定標模型，并對檢驗樣品做預測，自動重復至所有樣品均被作過檢驗樣品[20]。谷子蛋白質和淀粉含量的交叉檢驗結果如圖2所示，其R2cal分別為0.977 0和0.907 3，RMSECV分別為0.203%和0.466%。

圖2 蛋白質含量（A）和淀粉含量（B）預測值與真實值的相關關系Fig. 2 Relationship between the predicted values and chemically measured values of crude protein (A) and starch content (B) for test set

2.3.2 外部驗證

近紅外模型外部驗證就是采用未參加模型建立的、化學成分已知的驗證集樣品對所建模型的實際預測效果進行評價[21-22]。如圖3所示，研究用21 份獨立于建模的谷子樣品對上述谷子蛋白質和淀粉模型分別檢驗，結果蛋白質和淀粉的R2val分別為0.989 6和0.977 2， RMSEP分別為0.225%和0.368%，斜率分別為1.010和0.913，蛋白含量預測值與真實值間絕對誤差小于0.28%，淀粉含量預測值與真實值間絕對誤差小于0.35%。對于谷子蛋白質和淀粉的預測，化學法和近紅外儀器法測定間無顯著差異，近紅外漫反射光譜測定結果是準確可靠的。說明采用近紅外漫反射光譜分析技術能夠滿足對谷子常規品質成分的檢測。

圖3 谷子蛋白質含量（A）和淀粉含量（B）真實值與近紅外預測值線性相關關系Fig. 3 Linear correlation between actually measured values and NIRS predicted values of protein (A) and starch content (B) in foxtail millet

研究選用山西省191 份谷子種質資源，利用MPA傅里葉變換近紅外光譜儀，通過近紅外分析技術，借助于近紅外定標軟件，分析譜區為3 594.9～12 790.3 cm-1，采用一階導數+矢量歸一化光譜預處理[23-24]，初步建立谷子蛋白質和淀粉含量的預測模型。谷子蛋白和淀粉定標模型外部檢驗決定系數達0.97以上、誤差在0.368%以下，在谷子資源品質育種中能夠滿足大批量品種的快速、無損檢測要求，有效地提高谷子品質育種效率，為谷子蛋白和淀粉含量分析鑒定提供了一種新的、有效的技術手段。通過對上述谷子蛋白質和淀粉含量評價鑒定，篩選出高蛋白和高淀粉含量的優異資源30 份，今后可利用初步建立的谷子品質預測模型快速檢測更多的谷子資源，為育種和生產服務[25-27]。

3 討 論

采用MPA傅里葉變換近紅外光譜儀對191 份谷子種子樣本進行光譜掃描，利用光譜定量分析軟件進行光譜預處理、數學方法運算及回歸統計分析，得到了谷子蛋白質和淀粉的近紅外定標模型。由于建標的谷子樣本是完整帶殼的，也不會因脫殼造成水分或營養流失，而且經掃描后谷子籽粒不會破損，因此該模型既滿足了谷子品質育種中的資源的快速檢測要求，也是一種無損檢測的方法。不僅為谷子品質育種及資源評價提供有益的參考，而且對加快谷子品種資源研究，提供了十分方便的測試手段[28]。

本實驗使用定標樣品較少，對我國的復雜多樣、品種繁多的谷子種質來說，不具備普遍代表性，另外谷子外殼的顏色、化學真值的準確度和谷子的純度、谷子建標資源數量都是影響模型的準確度的重要因素。今后工作中需不斷補充新的谷子進行模型補充矯正和升級優化，進一步保持模型的穩定性和提高模型的準確性。

今后可利用傅里葉變換近紅外漫反射技術測定物質成分具有無損、快速、準確的特點，探索其在谷子品質測定方面的廣泛的應用，如纖維素、脂肪、氨基酸等化學成分的定量研究[29-30]。

[1] 劉三才, 朱志華, 李為喜, 等. 谷子品種資源微量元素硒和蛋白質含量的測定與評價[J]. 中國農業科學, 2009, 42(11): 3812-3818. DOI:10.3864/j.issn.0578-1752.2009.11.007.

[2] 賀微仙, 王文真, 王會龍. 我國北方谷子資源蛋白質含量研究初報[J].作物品種資源, 1985(3): 19-21.

[3] 王星玉. 山西省谷子品種資源的品質研究[J]. 作物品種資源, 1985(3): 22-23.

[4] 朱志華, 李為喜, 劉方, 等. 谷子種質資源品質性狀的鑒定與評價[J]. 雜糧作物, 2004, 24(6): 329-331. DOI:10.3969/ j.issn.2095-0896.2004.06.007.

[5] 李偉, 肖愛平, 冷鵑. 近紅外光譜技術及其在農作物中的應用[J].中國農學通報, 2009, 25(3): 56-59.

[6] 褚小立, 袁洪福, 陸婉珍. 近年來我國近紅外光譜分析技術的研究與應用進展[J]. 分析儀器, 2006(2): 1-10. DOI:10.3969/j.issn.1001-232X.2006.02.001.

[7] KAyS S E, BARTON F E, WINDHAM W R. Predicting protein content by near infrared reflectance spectroscopy in diverse cereal food products[J]. Journal of Near Infrared Spectroscopy, 2000, 8(1): 2147-2158. DOI:10.1255/jnirs.262.

[8] 王多加, 周向陽, 金同銘, 等. 近紅外光譜檢測技術在農業和食品分析上的應用[J]. 光譜學與光譜分析, 2004(4): 447-450.

[9] 張帆, 王倩, 馬智宏, 等. 西瓜可溶性糖和纖維素含量的近紅外光譜測定[J]. 食品科學, 2007, 28(1): 258-261.

[10] 麻慧芳, 楊成元, 史關燕, 等. 我國谷子種質資源保存研究綜述[J]. 甘肅農業科技, 2015(3): 57-60. DOI:10.3969/ j.issn.1001-1463.2015.03.020.

[11] 田翔, 沈群, 喬治軍, 等. 近紅外光譜分析技術在糜子品質檢測中的應用[J]. 中國糧油學報, 2016, 31(9): 131-135.

[12] 潘威, 馬文廣, 鄭昀曄. 等. 用近紅外光譜無損測定煙草種子淀粉含量[J]. 煙草科技, 2017, 50(2): 15-21. DOI:10.16135/ j.issn1002-0861.2016.0254.

[13] SOHN M, BARTON F E, MCCLUNG A M, et al. Near-infrared spectroscopy for determination of protein and amylose in rice flour through use of derivatives[J]. Cereal Chemistry, 2004, 81(3): 341-344.

[14] LIU F, HE y, SUN G M. Determination of protein content of Auricularia auricular using near infrared spectroscopy combined with linear and nonlinear calibrations[J]. Journal of Agricultural & Food Chemistry, 2009, 57(11): 4520-4527.

[15] 沈廣輝, 劉賢, 張月敬, 等. 基于在線近紅外光譜快速檢測玉米籽粒主要品質參數的研究[J]. 中國畜牧雜志, 2017, 53(1): 105-109. DOI:10.19556/j.0258-7033.2017-01-105.

[16] 張麗君, 劉龍龍, 馬名川, 等. 燕麥蛋白質近紅外定量模型的創建及其在育種中的應用[J]. 安徽農業科學, 2017, 45(8): 10-13; 20. DOI:10.13989/j.cnki.0517-6611.2017.08.004.

[17] 孫加梅, 王雪梅, 王東建, 等. 谷子種質資源遺傳多樣性研究[J]. 山東農業科學, 2013, 45(3): 33-37. DOI:10.3969/j.issn.1001-4942.2013.03.009.

[18] 韓熹, 嚴紅兵, 盧福潔, 等. 基于國產近紅外谷物分析儀的大豆中粗蛋白與粗脂肪含量的檢測研究[J]. 現代科學儀器, 2009(2): 119-121.

[19] 王衛東, 谷運紅, 秦廣雍, 等. 近紅外漫反射光譜法測定整粒小麥單株蛋白質含量[J]. 光譜學與光譜分析, 2007, 27(4): 697-701. DOI:10.3321/j.issn:1000-0593.2007.04.019.

[20] 蒙秋霞, 牛宇, 張麗珍, 等. 近紅外透射光譜技術測定黍稷蛋白含量的研究[J]. 中國農業通報, 2011, 27(33): 243-247.

[21] 俞法明, 陸艷婷, 嚴文潮, 等. 用近紅外光譜技術快速測定秈稻品種的蛋白質含量[J]. 中國糧油學報, 2009, 24(5): 134-138.

[22] JANA K, JAN M. Content and quality of protein in proso millet (Panicum miliaceum L.) varieties[J]. Plant Foods for Human Nutrition, 2006, 61(1): 45-49. DOI:10.1007/s11130-006-0013-9.

[23] 吳建國, 石春海, 張海珍, 等. 應用近紅外反射光譜法整粒測定小樣品油菜籽含油量的研究[J]. 作物學報, 2002, 28(3): 421-425. DOI:10.3321/j.issn:0496-3490.2002.03.027.

[24] 孫群, 李軍會, 王建華, 等. 烏拉爾甘草單粒種子硬實特性的近紅外光譜分析[J]. 光譜學與光譜分析, 2009, 29(10): 2669-2672. DOI:10.3964/j.issn.1000-0593(2009)10-2669-04.

[25] 劉建學, 張衛衛, 韓四海, 等. 白酒基酒中己酸、乙酸的近紅外快速檢測[J]. 食品科學, 2016, 37(4): 181-185. DOI:10.7506/spkx1002-6630-201604032.

[26] 申瑞玲, 邵舒, 董吉林, 等. 山西省不同品種谷子淀粉理化性質的比較[J]. 糧食與飼料工業, 2015(2): 20-24. DOI:10.7633/ j.issn.1003-6202.2015.02.006.

[27] 王右軍, 朱大洲, 屠振華, 等. CCD短波近紅外光譜快速檢測牛奶中摻假物質的研究[J]. 食品科學, 2009, 30(6): 135-138. DOI:10.3321/ j.issn:1002-6630.2009.06.028.

[28] 胡潤文, 夏俊芳. 臍橙總糖近紅外光譜模型傳遞研究[J]. 食品科學, 2012, 33(3): 28-32.

[29] 高文淑, 景茂, 嚴衍祿. 付里葉變換近紅外漫反射光譜法測定谷子、玉米中多種氨基酸含量[J]. 北京農業大學學報, 1990(增刊2): 88-93.

[30] 高文淑, 張錄達, 王萬軍. 應用付里葉變換近紅外漫反射光譜法測定谷子中的粗脂肪含量[J]. 北京農業大學學報, 1990(增刊2): 94-97.

Application of Near Infrared Diffuse Reflectance Spectroscopy in Rapid Detection of Crude Protein and Starch in Foxtail Millet

TIAN Xiang1,2,3, LIU Sichen1,2,3, WANG Haigang1,2,3, QIN Huibin1,2,3, QIAO Zhijun2,3,*
(1. Institute of Crop Germplasm Resources, Shanxi Academy of Agricultural Sciences, Taiyuan 030031, China; 2. Key Laboratory of Crop Gene Resources & Germplasm Enhancement on Loess Plateau, Ministry of Agriculture, Taiyuan 030031, China; 3. Shanxi Key Laboratory of Genetic Resources and Genetic Improvement of Minor Crops, Taiyuan 030031, China)

This study aimed to establish a near infrared (NIR) diffuse reflectance spectrometry method for measuring the contents of crude protein and starch in foxtail millet for providing a fast, simple and non-destructive analytical method for the identification and screening of foxtail millet germplasm resources. For this purpose, a total of 191 samples of a foxtail millet core collection in Shanxi province were measured using NIR diffuse reflectance spectroscopy. The results showed that with the spectral preprocessing method of first derivative + vector normalization, calibration models were established to predict the contents of crude protein and starch in foxtail millet. The corresponding coefficients of determination for calibration (R2cal) were 0.977 0 and 0.907 3, and the root mean square errors of cross-validation (RMSECV) were 0.203% and 0.466%, the coefficients of determination for external validation (R2val) were 0.989 6 and 0.977 2, and the root mean square errors of prediction (RMSEP) were 0.225% and 0.368%, respectively. For the detection of crude protein and starch foxtail millet, no significant differences were seen between chemical analysis and NIR measurement, but the results obtained with NIR measurement were more accurate and reliable. NIR diffuse reflectance spectrometry technology can be useful for the detection of crude protein and starch in foxtail millet.

foxtail millet; near infrared (NIR) diffuse reflectance spectrometry; crude protein; starch

10.7506/spkx1002-6630-201716022

S515

A

1002-6630（2017）16-0140-05

2016-06-22

國家谷子高粱產業技術體系谷子糜子生理崗位項目（CARS-06-13.5-A16）；國家農作物種質資源平臺山西作物子平臺項目（NICGR2016-02）；山西省農作物種質資源鑒定評價研究項目（2017ZZCX-17）；山西省省級財政支農專項（2016ZYZX41）

田翔（1982—），女，助理研究員，碩士，研究方向為農作物品質分析。E-mail：704193015@qq.com

*通信作者：喬治軍（1964—），男，研究員，學士，研究方向為糜子栽培和資源。E-mail：nkypzs@126.com.cn

田翔, 劉思辰, 王海崗, 等. 近紅外漫反射光譜法快速檢測谷子蛋白質和淀粉含量[J]. 食品科學, 2017, 38(16): 140-144. DOI:10.7506/spkx1002-6630-201716022. http://www.spkx.net.cn

TIAN Xiang, LIU Sichen, WANG Haigang, et al. Application of near infrared diffuse reflectance spectroscopy in rapid detection of crude protein and starch in foxtail millet[J]. Food Science, 2017, 38(16): 140-144. (in Chinese with English abstract)

10.7506/spkx1002-6630-201716022. http://www.spkx.net.cn