米糠粗蛋白、粗脂肪以及粗纖維含量的近紅外預測模型的建立

王 濤， 翟 晨， 白術群， 蓋華偉，謝云峰， 錢承敬， 王 亮

(新疆大學生命科學與技術學院1，烏魯木齊 830046)(中糧營養健康研究院；營養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來源[1]。全球水稻產量估計約為6.8億噸，相當于小麥產量。稻谷從地里收割后，要經過一個碾磨過程，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，是大米加工的副產品，是碳水化合物、蛋白質、脂類、不溶性纖維、維生素和礦物質的良好來源，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[10-16]。我國米糠產量居世界第一位，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定性，加之目前對于蛋白、脂肪以及纖維等營養指標的測定多采用經典的化學分析手段，這些傳統的分析技術比較成熟，同時也具備較高的準確度，但其往往需要專用分析設備，存在耗時長、成本高、人為誤差大、破壞樣品、污染環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、脂肪和纖維等營養指標的方法會為加大米糠的綜合利用、更好地發揮其營養價值奠定堅實的基礎。

近紅外光譜技術是一種快速無損檢測物質含量和鑒別物質的現代分子光譜分析技術，近紅外區域是指波長在780～2 526 nm范圍內的電磁波，是最早發現的非可見光區域。近紅外光譜(NIRS)分析技術是20世紀80年代后期發展起來的，具有快速、無污染、樣品不需預處理和同時檢測多個組分等優點，目前已經在農作物品質育種、農牧產品質量分析、食品加工和品質檢測等領域中廣泛應用[17-19]。近紅外光譜技術是一種間接的定性及定量分析技術，通過建立的預測模型來測定未知樣品的成分，能在幾十秒甚至幾秒內，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或濃度數據。因此若能利用近紅外光譜技術建立一個快速預測模型來預測米糠中的各項營養指標，便能夠更大程度地避免其營養成分的損失，加大應用范圍。李杰等[20]利用近紅外光譜技術結合化學計量學方法開發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實現了對大米中直鏈淀粉、蛋白質、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實現了中藥產地、真偽鑒別、質量控制以及輔料生產過程的實時監測。通過研究表明，利用近紅外光譜技術建立一個快速預測模型來預測米糠中的各項營養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)，經過理化數據檢測、近紅外參數優化、光譜信息采集、光譜數據預處理、模型建立及模型優化等步驟，最終建立粳米米糠、秈米米糠及總米糠的粗蛋白、粗脂肪、粗纖維預測模型，所建立的模型決定系數R2均大于90%，且所建模型的預測值與國標方法測定值間的相對偏差范圍均在±5%以內，說明模型具有良好的預測效果。該實驗的順利進行為米糠產品的各項營養品質指標的檢測建立了一種快速高效準確的方法，將大大提高米糠產品的應用價值。

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 儀器與設備

傅里葉近紅外光譜儀(MPA Ⅱ)，Milli-Q 超純水系統(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優化

1.3.1.1 是否采用樣品旋轉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裝置，針對樣品旋轉裝置是否必需，設計以下實驗進行探討。采集樣品旋轉狀態下的5個樣品的光譜信息圖及樣品固定不動狀態下的同樣樣品的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 掃描次數的優化

在采集樣品光譜時，平均技術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，經過多次疊加求平均，可消減與信號無關的噪聲。掃描次數的適度增加對提高信噪比有一定的幫助，從而改善分析結果。但并不是采用掃描次數越多結果越好，這是因為：首先，掃描樣品所消耗的時間會隨著掃描次數的增加而增加，并且隨著掃描次數的增加，導致操作效率的降低：另外，通過利用增加掃描次數來達到消減噪聲的目的，只是在次數相對較少的時候才有較為明顯的作用，而次數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。

為確定本實驗中的樣品的最佳掃描次數，在掃描次數分別為16、32、64以及128 Scans的情況下，每個掃描次數下對樣品反復掃描5遍，并對每個掃描次數下的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，重復測量3次取平均值。

1.3.3 模型的構建及優化

為了消除背景干擾，采用消除常數偏移量、矢量歸一化、最大-最小歸一化、多元散射校正、一階導數+減去一條直線等多種光譜預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部交叉驗證建立化學值與近紅外光譜之間的偏最小二乘法(PLS)回歸預測模型。根據OPUS 7.0分析軟件得出的決定系數(R2)、交叉驗證均方根誤差(RMSECV)、相對分析誤差(RPD)作為評判指標，反復剔除異常樣品，最終確定最優模型。

2 結果與討論

2.1 近紅外光譜分析儀測量參數優化

2.1.1 是否采用樣品旋轉裝置

從圖1可以看出，樣品在固定狀態下標準差明顯大于在旋轉狀態下的標準差，說明樣品在旋轉時采集的信息更加全面，固定狀態下采集米糠樣品信息，會因為米糠的不均勻性導致實驗較大的誤差，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裝置中。

圖1 樣品旋轉及固定狀態下的標準差

2.1.2 掃描次數的優化

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

圖2 米糠樣品在不同掃描次數下的標準差

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定準確，因此，為了光譜采集的穩定性和準確度，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為：采用樣品旋轉模式，掃描次數為64 Scans，裝樣厚度為5 mm。

2.2 米糠營養指標的測定

表1為200個米糠樣品營養指標的測定結果。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。根據糧食行業推薦性標準LS/T 3320—2020規定米糠水分≤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量標準，具有可分析性。利用SPSS 22對測定結果進行統計學分析得出測定結果符合正態分布，表明測定結果具有統計學意義，可以用于建模分析。

表1 米糠營養指標的測定結果

2.3 米糠營養指標預測模型的建立

2.3.1 粳米米糠營養指標預測模型的建立

2.3.2 秈米米糠營養指標預測模型的建立

2.3.3 總米糠營養指標預測模型的建立

表2 米糠粗蛋白、粗脂肪和粗纖維的最優模型的評價指標值

2.4 模型的驗證

表3 模型的檢驗

3 結論

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快速預測模型，采用多種光譜預處理方法對米糠的原始光譜進行預處理，利用預處理后的光譜進行模型建立及優化，所建立的模型決定系數R2均大于90%，且所建模型的預測值與國標方法測定值間的相對偏差范圍均在±5%以內，說明模型具有良好的預測效果。該實驗的順利進行為米糠產品的各項營養品質指標的檢測建立了一種快速高效準確的方法，將大大提高米糠產品的應用價值。