近紅外光譜測(cè)定小麥粉常規(guī)營(yíng)養(yǎng)成分的模型優(yōu)化

高慧宇 王國(guó)棟 趙佳 王竹

摘 要：目的：應(yīng)用近紅外光譜（NIR）結(jié)合偏最小二乘法（PLS）建立小麥粉常規(guī)營(yíng)養(yǎng)成分蛋白質(zhì)、水分和脂肪的含量預(yù)測(cè)模型，并選擇最佳模型。方法：收集117份小麥粉樣品的近紅外光譜，化學(xué)法測(cè)定蛋白質(zhì)、水分和脂肪的含量，利用主成分分析（PCA）隨機(jī)分組，81份樣品用于構(gòu)建模型、36份樣品用作驗(yàn)證模型的預(yù)測(cè)能力。探討波長(zhǎng)范圍和光譜預(yù)處理方法對(duì)所建模型預(yù)測(cè)能力的影響。結(jié)果：3個(gè)營(yíng)養(yǎng)成分預(yù)測(cè)能力最好的模型分別是：對(duì)于蛋白質(zhì)，預(yù)處理采用矢量歸一化（SNV），波長(zhǎng)選取7 505.9～5 446.2 cm-1和4 605.4～4 242.8 cm-1，預(yù)測(cè)模型的RPD值是7.02;對(duì)于水分，無(wú)預(yù)處理，波長(zhǎng)選擇全譜12 800～3 960 cm-1，模型的RPD值是6.83;對(duì)于脂肪，無(wú)預(yù)處理，波長(zhǎng)在9 000～4 000 cm-1，模型的RPD值是5.06。結(jié)論：近紅外光譜法可以實(shí)現(xiàn)對(duì)小麥粉常規(guī)營(yíng)養(yǎng)成分的快速預(yù)測(cè)，通過(guò)選擇波長(zhǎng)范圍和光譜預(yù)處理方法可以顯著提高模型的預(yù)測(cè)能力。

關(guān)鍵詞：近紅外光譜;小麥;蛋白質(zhì);脂肪;營(yíng)養(yǎng)成分

小麥粉是世界范圍內(nèi)生產(chǎn)和消費(fèi)量巨大的主食原料，富含人體所需的各種營(yíng)養(yǎng)物質(zhì)和微量元素。隨著人民生活水平的提高，小麥營(yíng)養(yǎng)和健康品質(zhì)研究不斷深入，小麥品種的改良成為世界主要作物的重要研究方向和育種目標(biāo)[1]。受品種、產(chǎn)地和遺傳等因素的影響，小麥粉中營(yíng)養(yǎng)成分的含量水平有很大差異[2]。小麥粉中營(yíng)養(yǎng)成分的水平直接反映了小麥的品質(zhì)高低，對(duì)小麥的生產(chǎn)、加工、儲(chǔ)存和后續(xù)小麥產(chǎn)品的營(yíng)養(yǎng)價(jià)值、口感等都有很大影響。因此，能快速測(cè)定小麥粉中營(yíng)養(yǎng)成分，特別是常規(guī)營(yíng)養(yǎng)成分（如蛋白質(zhì)、水分、脂肪等）的含量，對(duì)于小麥品種營(yíng)養(yǎng)評(píng)估、品種改良等有很重要的意義。

近紅外光譜（NIR）是快速檢測(cè)領(lǐng)域里應(yīng)用很廣的技術(shù)，相比傳統(tǒng)化學(xué)方法測(cè)定營(yíng)養(yǎng)成分含量，具有操作簡(jiǎn)單、無(wú)需破壞樣品、預(yù)測(cè)準(zhǔn)確等優(yōu)點(diǎn)[3-5]。已有的研究，利用近紅外光譜檢測(cè)營(yíng)養(yǎng)成分，包括蛋白質(zhì)、水分、脂肪[4，6-8]，涉及到的基質(zhì)包括奶粉、大豆粉、玉米粉、小麥粉等。之前研究的重點(diǎn)是證明近紅外光譜可以代替濕化學(xué)方法檢測(cè)一些營(yíng)養(yǎng)成分的含量水平，對(duì)于樣品的納入和預(yù)測(cè)模型的選擇沒(méi)有系統(tǒng)的研究對(duì)比。本研究旨在檢測(cè)小麥粉中常規(guī)營(yíng)養(yǎng)成分如蛋白質(zhì)、水分和脂肪的含量，而且根據(jù)樣品所含營(yíng)養(yǎng)成分的含量水平分別收集三種加工程度的小麥粉樣品，包括麥芯粉、特一粉和全麥粉來(lái)構(gòu)建預(yù)測(cè)模型;分別從波長(zhǎng)和光譜預(yù)處理方法等方面探討了不同因素對(duì)于模型預(yù)測(cè)能力的影響，選擇最優(yōu)模型對(duì)未知樣品進(jìn)行預(yù)測(cè)。

1 材料與方法

1.1 樣品處理和光譜收集

試驗(yàn)用樣品是在小麥主產(chǎn)區(qū)（陜西和黑龍江）采集13個(gè)品種，每種3個(gè)批次的小麥樣品，每種小麥樣品按照不同加工程度制成全麥粉，特一粉和麥芯粉，共收集117（13×3×3）份小麥粉樣品。其中，全麥粉按照 LS/T 3244—2015全麥粉國(guó)家行業(yè)標(biāo)準(zhǔn)[9]制作，特一粉和麥芯粉按照 GB 1355—1986小麥粉國(guó)家標(biāo)準(zhǔn)[10]制作。得到的小麥粉樣品分裝，編號(hào)，于-40 ℃的冰箱保存?zhèn)溆谩?/p>

近紅外光譜的采集用德國(guó)Bruker公司的MPA型傅立葉近紅外光譜分析儀（掃描范圍 12 500～3 300 cm-1，分辨率 16 cm-1），取不少于樣品杯1/3體積的小麥粉樣品，用積分球漫反射模式掃描得到小麥粉的近紅外吸收光譜圖，每個(gè)樣品重復(fù)裝樣掃描2次。

1.2 標(biāo)準(zhǔn)分析方法

本研究中小麥樣品的蛋白質(zhì)[11]、水分[12]、脂肪[13]含量分別按照各自現(xiàn)行有效的國(guó)標(biāo)方法測(cè)定得到，各指標(biāo)的數(shù)據(jù)表示符合國(guó)標(biāo)要求。

1.3 NIR數(shù)學(xué)模型的建立

本研究利用Bruker公司OPUS軟件的Quant 2方法，以偏最小二乘法（PLS）分別建立小麥粉的蛋白質(zhì)、水分和脂肪的近紅外定標(biāo)模型。光譜預(yù)處理是為了消除由于樣品差異對(duì)光程的多重干擾或減少光譜峰重疊和消除基線漂移[14]。本研究討論的光譜預(yù)處理方法有矢量歸一化（SNV）、多元散射校正（MSC）、一階導(dǎo)數(shù)（1st）、二階導(dǎo)數(shù)（2nd）以及幾種疊加的光譜預(yù)處理方法（如 SNV +1st，MSC +1st）。利用主成分分析（PCA）隨機(jī)選取30%（36個(gè)）樣品光譜作為驗(yàn)證集光譜，其余70%（81個(gè)）光譜為校正集光譜。用內(nèi)部檢驗(yàn)（交叉檢驗(yàn)）建立校正集模型，外部檢驗(yàn)（檢驗(yàn)集檢驗(yàn)）驗(yàn)證校正集模型的可靠性。

1.4 模型預(yù)測(cè)能力評(píng)價(jià)

交叉驗(yàn)證決定系數(shù)（R2）和交叉驗(yàn)證均方差（RMSECV）評(píng)價(jià)定標(biāo)模型的優(yōu)越性，R2越大，RMSECV越小，代表模型的預(yù)測(cè)能力越好。外部檢驗(yàn)是驗(yàn)證集樣品對(duì)于定標(biāo)模型預(yù)測(cè)性能的評(píng)價(jià)，通過(guò)決定系數(shù)（r2）和外部檢驗(yàn)均方差（RMSEP）來(lái)判定定標(biāo)模型的預(yù)測(cè)性能。RPD值（RPD=SD/SEP）的大小也可以評(píng)價(jià)定標(biāo)模型的定標(biāo)效果和預(yù)測(cè)精度，其中SD為外部驗(yàn)證集樣品的成分含量的標(biāo)準(zhǔn)偏差;SEP為驗(yàn)證集標(biāo)準(zhǔn)差，RPD值越大表明模型的預(yù)測(cè)能力越好。一般情況，RPD>3表明模型定標(biāo)效果良好，預(yù)測(cè)精度高，可用于實(shí)際檢測(cè);2.5<RPD<3表明模型可用于成分的粗略檢測(cè)，預(yù)測(cè)精度有待提高;RPD<2.5則表明模型難以對(duì)樣品成分進(jìn)行分析[4]。

2 結(jié)果與分析

2.1 小麥粉樣品蛋白質(zhì)、水分和脂肪的含量分布范圍

利用主成分分析（PCA）將117份小麥粉樣品的光譜在近紅外全譜區(qū)（12 800～3 600 cm-1）進(jìn)行隨機(jī)分組，其中70%（81份）作為校正集，用來(lái)構(gòu)建預(yù)測(cè)模型，剩余30%（36份）作為驗(yàn)證集，用來(lái)驗(yàn)證模型的的好壞。如表1所示，3個(gè)成分的含量范圍比較寬，而且驗(yàn)證集范圍落在校正集范圍之內(nèi)，表明了樣品選擇和分組是合理的。本研究選擇了不同品種的3個(gè)不同加工程度的小麥粉樣品（麥芯粉、特一粉和全麥粉）充分考慮到了品種和加工程度對(duì)蛋白質(zhì)、水分和灰分含量的影響，盡可能在校正集中納入多的樣品，以提高模型的預(yù)測(cè)能力。

2.2 PLS模型的建立和最優(yōu)模型的選擇

波長(zhǎng)和預(yù)處理方法的選擇，是影響PLS模型預(yù)測(cè)能力的重要因素，本研究通過(guò)分別選取3種波段和7種預(yù)處理方法建立了蛋白質(zhì)、水分和脂肪的PLS模型進(jìn)行比較，選擇成分的最佳預(yù)測(cè)模型。表2、表3和表4分別是建立的蛋白質(zhì)、水分和脂肪的PLS模型的統(tǒng)計(jì)數(shù)據(jù)。對(duì)于譜區(qū)的選擇，每個(gè)成分都選擇了近紅外全譜（12 800～3 960 cm-1）和（9 000～4 000 cm-1）這兩個(gè)譜區(qū)，其中選擇9 000～4 000 cm-1是因?yàn)樵撟V區(qū)包含了小麥粉近紅外光譜的全部波峰波谷信息，第三譜區(qū)（比如蛋白質(zhì)選7 505.9～5 446.2 cm-1和4 605.4～4 242.8 cm-1疊加）選擇的是不同成分在相應(yīng)波段所建模型效果較好的。從上述3個(gè)成分的PLS模型數(shù)據(jù)可以看出，通過(guò)波段和預(yù)處理方法的選擇，可以顯著提高模型的預(yù)測(cè)能力，用戶可以根據(jù)具體需求選擇最佳預(yù)測(cè)模型實(shí)現(xiàn)相應(yīng)成分的檢測(cè)。其中，蛋白質(zhì)模型的RPD值從4.34提高到7.02;水分模型的RPD值從5.86提高到6.83;脂肪模型的RPD值從3.36提高到5.06。通過(guò)比較，3個(gè)成分預(yù)測(cè)能力最好的模型分別是：對(duì)于蛋白質(zhì)，預(yù)處理采用SNV，波長(zhǎng)在7 505.9～5 446.2 cm-1和4 605.4～4 242.8 cm-1，預(yù)測(cè)模型的r2、RMSEP和RPD分別是0.977 9、0.206、7.02;對(duì)于水分，無(wú)預(yù)處理，波長(zhǎng)選擇全譜12 800～3 960 cm-1模型的r2、RMSEP和RPD分別是0.977 4、0.354、6.83;對(duì)于脂肪，無(wú)預(yù)處理，波長(zhǎng)在9 000～4 000 cm-1，模型的r2、RMSEP和RPD分別是0.957 8、0.080 2、5.06。附圖直觀地顯示出幾個(gè)成分測(cè)定值和預(yù)測(cè)值有很高的相關(guān)性，預(yù)測(cè)結(jié)果精確度高。

3 討論

以往利用近紅外光譜測(cè)定常規(guī)營(yíng)養(yǎng)成分的研究大多是關(guān)于可行性的探討，涉及到的基質(zhì)有小麥[2，15]、玉米[8]和奶粉[3，7]等，也有關(guān)于預(yù)處理方法選擇對(duì)近紅外光譜檢測(cè)效果影響的研究[16-17]。本研究建模樣品選擇了3種不同加工程度的小麥粉（麥芯粉、特一粉、全麥粉），確保模型所能預(yù)測(cè)成分的含量范圍足夠廣;通過(guò)波長(zhǎng)和預(yù)處理方法的選擇，比較各模型的預(yù)測(cè)能力（r2、RMSEP和RPD值的大小）分別得到蛋白質(zhì)、水分和脂肪預(yù)測(cè)效果最佳的模型。通過(guò)不同因素條件的選擇，模型的預(yù)測(cè)能力均得到很大的提高（其中蛋白質(zhì)模型RPD值提高到7.02）。比較各成分最佳模型選取的波長(zhǎng)區(qū)域，蛋白質(zhì)在7 505.9～5 446.2 cm-1和4 605.4～4 242.8 cm-1，水分在12 800～3 960 cm-1，脂肪則選取9 000～4 000 cm-1，對(duì)近紅外光譜的吸收特性進(jìn)行分析，產(chǎn)生這樣的差異是因?yàn)樵诮＿^(guò)程中，蛋白質(zhì)校正模型所選取的光譜譜帶為 N-H鍵1倍頻、2倍頻吸收帶，而水分和脂肪主要選擇 O-H和 C-H鍵為特征的吸收帶[7]。而這些吸收帶又不是水和脂肪的專屬，所以后兩者選取譜區(qū)比較寬泛。對(duì)于預(yù)處理方法，蛋白質(zhì)預(yù)測(cè)模型利用了SNV，水分和脂肪模型無(wú)光譜預(yù)處理，這說(shuō)明幾個(gè)因素的疊加并不一定提高模型的預(yù)測(cè)能力，可能找到合適的波長(zhǎng)范圍，無(wú)需進(jìn)行光譜預(yù)處理也能得到較好的預(yù)測(cè)模型，反之亦然。

本研究中蛋白質(zhì)、水分和脂肪的最佳近紅外模型的驗(yàn)證集決定系數(shù)（r2）均在0.95以上，RPD值分別是7.02、6.83、5.06，相比之前的研究[3，8]模型的預(yù)測(cè)準(zhǔn)確度得到顯著提高，可以實(shí)現(xiàn)對(duì)小麥粉蛋白質(zhì)、水分和脂肪的準(zhǔn)確測(cè)量。然而，本研究的建模樣品量不是很大，所包含的小麥品種并不全面，模型驗(yàn)證未使用外部驗(yàn)證等，可能是限制模型應(yīng)用的幾個(gè)因素。希望隨著工作的持續(xù)進(jìn)行，近紅外預(yù)測(cè)模型可以不斷優(yōu)化升級(jí)以符合現(xiàn)實(shí)測(cè)定需求，提高工作效率。

參考文獻(xiàn)

[1]張勇，郝元峰，張艷，等.小麥營(yíng)養(yǎng)和健康品質(zhì)研究進(jìn)展[J].中國(guó)農(nóng)業(yè)科學(xué)，2016，49（22）：4284-4298.

[2]李軍濤，楊文軍，陳義強(qiáng)，等.近紅外反射光譜技術(shù)快速測(cè)定小麥中必需氨基酸含量的研究[J].中國(guó)畜牧雜志，2014，50（9）：50-55.

[3]葉世著，彭黔榮，劉娜，等.近紅外光譜技術(shù)在奶粉檢測(cè)中的應(yīng)用進(jìn)展[J].中國(guó)乳品工業(yè)，2015，43（1）：24-26、58.

[4]高慧宇，王國(guó)棟，門建華，等.利用近紅外反射光譜測(cè)定豆種蛋白質(zhì)、水分和灰分含量[J].衛(wèi)生研究，2017，46（3）：461-466、471.

[5]徐璐璐，毛曉東，孫來(lái)軍.不同近紅外模型在小麥濕面筋快速檢測(cè)中的應(yīng)用研究[J].農(nóng)產(chǎn)品質(zhì)量與安全，2012（z1）：62-65.

[6]何云，張亮，武小姣，等.苜蓿干草常規(guī)營(yíng)養(yǎng)成分含量近紅外預(yù)測(cè)模型的建立[J].動(dòng)物營(yíng)養(yǎng)學(xué)報(bào)，2019，31（10）：4684-4690.

[7]張中衛(wèi)，溫志渝，曾甜玲，等.微型近紅外光纖光譜儀用于奶粉中蛋白質(zhì)脂肪的定量檢測(cè)研究[J].光譜學(xué)與光譜分析，2013，33（7）：1796-1800.

[8]林家永.近紅外光譜分析技術(shù)在玉米品質(zhì)分析中的研究進(jìn)展[J].中國(guó)糧油學(xué)報(bào)，2010，25（4）：108-115.

[9]國(guó)家糧食局.中華人民共和國(guó)糧食行業(yè)標(biāo)準(zhǔn) LS/T 3244—2015 全麥粉[S].2015.

[10]國(guó)家標(biāo)準(zhǔn)局. GB 1355—1986中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)小麥粉[S].1986.

[11]中華人民共和國(guó)衛(wèi)生和計(jì)劃生育委員會(huì)，國(guó)家食品藥品監(jiān)督管理總局. GB 5009.5—2016食品安全國(guó)家標(biāo)準(zhǔn) 食品中蛋白質(zhì)的測(cè)定[S].2016.

[12]中華人民共和國(guó)衛(wèi)生和計(jì)劃生育委員會(huì).GB 5009.3—2016食品安全國(guó)家標(biāo)準(zhǔn) 食品中水分的測(cè)定[S].2016.

[13]中華人民共和國(guó)衛(wèi)生和計(jì)劃生育委員會(huì)，國(guó)家食品藥品監(jiān)督管理總局.食品安全國(guó)家標(biāo)準(zhǔn) 食品中脂肪的測(cè)定GB 5009.6—2016[S].2016.

[14]高慧宇，王竹，張雪松，等.近紅外光譜法快速鑒別轉(zhuǎn)基因大豆模型優(yōu)化[J].中國(guó)食品衛(wèi)生雜志，2020，32（3）：244-249.

[15]吳靜珠，劉倩，陳巖，等.高光譜技術(shù)檢測(cè)單籽粒小麥粗蛋白含量探索[J].紅外與激光工程，2016，45（z1）：127-131.

[16]王賦騰，孫曉榮，劉翠玲，等.光譜預(yù)處理對(duì)便攜式近紅外光譜儀快速檢測(cè)小麥粉灰分含量的影響[J].食品工業(yè)科技，2017，38（10）：58-61、66.

[17]王偉明，董大明，鄭文剛，等.梨果糖濃度近紅外漫反射光譜檢測(cè)的預(yù)處理方法研究[J].光譜學(xué)與光譜分析，2013，33（2）：359-362.

Model Optimization for Determination of Common Nutritional Components in Wheat Flour Using Near Infrared Spectroscopy

GAO Hui-yu，WANG Guo-dong，ZHAO Jia，WANG Zhu

（National Institute for Nutrition and Health，Chinese Center for Disease Control and Prevention/Key Laboratory of Trace Element Nutrition of National Health Commission，Beijing 100050，China）

Abstract：【Objective】 Near-infrared（NIR）spectroscopy and partial least squares（PLS）were applied to determine the content of the common nutritional components in wheat flour samples.The rapid prediction models for protein，moisture and fat were established，and the optimal model was selected.【Method】 NIR spectra and analytical measurements of protein，moisture and fat were collected from 117 wheat flour samples.Partial least-squares（PLS）regression models were developed with principal components analysis（PCA）to assign 81 wheat flour samples to the calibration data set and 36 accessions to the validation set.The effects of wavelength range and spectral pretreatment methods on the predictive ability of the model were discussed.【Result】 The best predictive models for protein，moisture and fat in wheat flour samples were achieved.For protein，the best predictive model possessed 7.02 RPD value in validation sets at 7 505.9～5 446.2 cm-1 and 4 605.4～4 242.8 cm-1 using standard normal variate（SNV）.For moisture and fat，the best predictive NIR models were obtained without pretreatment，at full spectra 12 800～3 960 cm-1 and 9 000～4 000 cm-1，with the PRD value 6.83 and 5.06，respectively.【Conclusion】 NIR spectroscopy can realized the rapid prediction of the common nutritional components of wheat flour samples.By selecting wavelength range and spectral pretreatment method，the predictive model can be significantly improved.

Keywords：Near-infrared Spectroscopy;wheat;protein;fat;nutritional component

基金項(xiàng)目：國(guó)家自然科學(xué)基金“全谷物對(duì)過(guò)激炎癥的預(yù)防作用及適宜標(biāo)志物篩選”（項(xiàng)目編號(hào)：81673169）。

作者簡(jiǎn)介：高慧宇（1985— ），女，助理研究員，研究方向：營(yíng)養(yǎng)與食品衛(wèi)生學(xué)。

通信作者：王 竹（1970— ），女，研究員，研究方向：營(yíng)養(yǎng)與食品衛(wèi)生學(xué)。