基于不同近紅外建模軟件定量分析新鮮羊肉營養(yǎng)成分

康景,姚海博,梁婷,唐德富,年芳,2*

1(甘肅農(nóng)業(yè)大學(xué) 動物科學(xué)技術(shù)學(xué)院,甘肅 蘭州,730070)2(甘肅農(nóng)業(yè)大學(xué) 理學(xué)院,甘肅 蘭州,730070)

隨著居民生活水平的提高,人們在注重肉制品口感風(fēng)味的同時,也越來越重視其營養(yǎng)價值及質(zhì)量安全。羊肉肉質(zhì)鮮美細膩,營養(yǎng)價值高,是可食用肉品中重要的紅肉來源,因具有“低脂、低膽固醇、高蛋白”的特點受到廣大消費者的喜愛與青睞[1]。一般而言,羊肉營養(yǎng)價值的高低及品質(zhì)的優(yōu)劣取決于其中所含營養(yǎng)物質(zhì)的多少,如:水分、蛋白質(zhì)、脂肪、揮發(fā)性脂肪酸等,這些物質(zhì)的含量會影響羊肉的營養(yǎng)價值、感官品質(zhì)及口感風(fēng)味[2]。因此,準確檢測出羊肉各營養(yǎng)成分的含量是肉品檢測行業(yè)中一項重要的工作。傳統(tǒng)的檢測方法如:干燥法(水分)、凱氏定氮法(粗蛋白)、索氏抽提法(粗脂肪)、炭化灼燒法(粗灰分)等,不僅費時耗力,難以實現(xiàn)大量樣品的快速檢測,并且還會產(chǎn)生大量的實驗室廢棄物,容易對環(huán)境造成污染和破壞。因此,提出一種方便快捷的檢測方法將對肉品檢測行業(yè)及科研工作領(lǐng)域產(chǎn)生重要意義。近紅外光譜(near-infrared reflectance spectroscopy, NIRS)檢測技術(shù)作為21世紀以來日趨成熟的檢測技術(shù),具有快速、高效、無損、環(huán)保的特點,且在制備樣品簡單的同時又可評估多種肉制品的特性,因此在肉品檢測領(lǐng)域具有十分廣闊的應(yīng)用前景[3]。

NIRS檢測技術(shù)是近年來發(fā)展最為迅速的光譜分析檢測技術(shù)之一,根據(jù)其對不同待測樣品中有機含氫基團的倍頻及合頻的吸收,掃描得到不同的近紅外光譜,可即時反映被測樣品化學(xué)組分及物理特性等信息[4]。目前,NIRS技術(shù)已在農(nóng)業(yè)、牧業(yè)、食品、化工和制藥等各個領(lǐng)域均取得了顯著進展[5],在肉類檢測行業(yè)也有多方面的報道,如摻假檢測[6]、品質(zhì)評價[7]、分級評定[8]、化學(xué)成分分析[9]、品種鑒別[10]及產(chǎn)地溯源[11]等,這為肉品檢測及加工行業(yè)提供了一種快速高效的測定方法和手段。本研究利用NIRS技術(shù),應(yīng)用WINISI III與Foss Calibrator 2種定標軟件對新鮮羊肉中的6種營養(yǎng)成分[水分(moisture,MT)、粗脂肪(ether extract,EE)、粗蛋白(crude pro- tein,CP)、葡萄糖(glucose,Glu)、粗灰分(crude ash,Ash)及總磷(phosphorus,P)]進行定量建模,探究其可行性,以期對羊肉營養(yǎng)價值進行快速、準確地評定。

1 材料與方法

1.1 樣品采集與制備

于2019年12月至2020年10月在甘肅省武威市民勤縣中天羊業(yè)有限公司采集樣品共203份,包括湖羊后腿樣品98份、灘羊背最長肌55份、澳×湖雜交羊(澳洲美利奴羊×湖羊)后腿樣品12份、杜泊羊后腿樣品38份。試驗羊只飼養(yǎng)于甘肅省武威市民勤縣中天羊業(yè)股份有限公司養(yǎng)殖場,按國際標準方法進行屠宰。采集的樣品真空包裝,保存以備近紅外光譜儀掃描和化學(xué)分析使用。羊肉樣品進行近紅外光譜采集前,需將樣品進行預(yù)處理。具體處理方法如下:剔除肉塊表面的筋膜和脂肪后放入絞肉機絞碎成肉糜,再將磨碎后的肉糜放入樣品杯,壓實待測。

1.2 儀器與設(shè)備

AL104型分析天平,上海梅特勒-托利多儀器有限公司;DHG-9070A型電熱恒溫鼓風(fēng)干燥箱,上海齊欣科學(xué)儀器有限公司;KT8400型全自動凱氏定氮儀,福斯華(北京)科貿(mào)有限公司;TM-3012P型陶瓷纖維馬弗爐,北京盈安美誠科學(xué)儀器有限公司;XT151型自動脂肪分析儀,美國ANKOM公司。

1.3 實驗方法

1.3.1 羊肉營養(yǎng)成分測定

MT含量按GB 5009.3—2016《食品安全國家標準 食品中水分的測定》標準中的干燥法進行測定;EE含量按GB 5009.6—2016《食品安全國家標準 食品中脂肪的測定》標準中的抽提法進行測定;CP含量按GB 5009.5—2016《食品安全國家標準食品中蛋白質(zhì)的測定》標準中的凱氏定氮法進行測定;Glu含量按葡萄糖氧化酶法使用Glu試劑盒(南京建成生物研究所,A154-1-1)測定;Ash含量按GB 5009.4—2016《食品安全國家標準 食品中灰分的測定》標準中的灼燒法進行測定;P含量按GB 5009.87—2016《食品安全國家標準 食品中磷的測定》標準中的釩鉬黃-分光光度法進行測定。

1.3.2 羊肉近紅外分析

1.3.2.1 羊肉NIRS圖的采集

使用FoodScan TM2近紅外分析儀(FOSS,丹麥)掃描樣品進行光譜采集,收集光譜范圍為400～1 100 nm,數(shù)據(jù)間隔為0.5 nm,測樣方式為透射,儀器類型為光柵掃描型,儀器工作時環(huán)境溫度要求為20～25 ℃左右。將經(jīng)過預(yù)處理后的樣本肉糜裝入樣品杯中,每個樣品均需重復(fù)裝樣3次,并掃描3次。圖1為203份羊肉樣品的原始光譜圖,取自每份樣品掃描3次之后的平均光譜。由圖1可看出每份樣品的光譜信息趨勢基本一致,但略有不同。圖2與圖3分別為原始光譜經(jīng)過一階導(dǎo)數(shù)處理與二階導(dǎo)數(shù)處理后的光譜圖,由圖2和圖3可看出原始光譜經(jīng)過導(dǎo)數(shù)處理(一階導(dǎo)數(shù)、二階導(dǎo)數(shù))之后特征譜峰均增多,這是由于導(dǎo)數(shù)處理具有消除光譜中冗余的背景信息以及提高分辨率的作用[12]。

圖1 203份羊肉樣品原始光譜圖Fig.1 The original near infrared spectrum of 203 mutton samples

圖2 203份羊肉樣品一階導(dǎo)數(shù)處理光譜圖Fig.2 First derivative of near infrared spectrum of 203 mutton samples

圖3 203份羊肉樣品二階導(dǎo)數(shù)處理光譜圖Fig.3 Second derivative of near infrared spectrum of 203 mutton samples

1.3.2.2 兩種定標軟件建模參數(shù)及建模過程的異同

采用WINISI III軟件建立定標模型時,以改良偏最小二乘法(modified partial least squared,MPLS)為回歸方法,將NIRS結(jié)合化學(xué)實測值建立定標模型,而利用Foss Calibrator軟件建立定標模型時,是以偏最小二乘法(partial least squared,PLS)為回歸方法,將NIRS結(jié)合化學(xué)實測值建立定標模型。實際上,PLS與MPLS都是采用主成分分析定標建模的回歸技術(shù),MPLS是在PLS的基礎(chǔ)上進行改進和擴展的一種算法,相比于PLS,MPLS在每次循環(huán)運算后會對數(shù)據(jù)進行歸一化處理,并且會對殘余變量進行殘余變量標準化處理,可達到二次優(yōu)化的效果。2個建模軟件劃分樣品時均按4∶1劃分為定標集(N≈160)與驗證集(N≈40)。WINISI III定標軟件剔除異常值時由全局距離(global distance, GH≥3)和“T”值(T>2.5)自動剔除,而Foss Calibrator定標軟件需要在軟件判別出異常值后再手動進行剔除。為消除與光譜信息無關(guān)的干擾因素(如:噪聲、環(huán)境溫度與濕度、雜散光等)導(dǎo)致光譜基線發(fā)生漂移,WINISI III軟件建模時采用0階微分(導(dǎo)數(shù)0,間隔0,平滑1,平滑1)、1階微分(導(dǎo)數(shù)1,間隔4,平滑4,平滑1)、2階微分(導(dǎo)數(shù)2,間隔4,平滑4,平滑1)共3種導(dǎo)數(shù)處理方式與7種散射校正方法(None、SNV and Detrend、SND only、Detrend only、Standard MSC、Weighted MSC、Inverse MSC)相結(jié)合,共計21種方式對原始光譜進行處理。Foss Calibrator軟件建立的校正模型僅采用SNV only方法處理原始光譜。使用WINISI III軟件建立的定標模型,其定標結(jié)果根據(jù)定標標準誤差(standard error of calibration,SEC)、交互驗證標準誤差(standard error of cross validation,SECV)、交互驗證決定系數(shù)(1 minus the variance ration,1-VR)選擇出最優(yōu)的處理組合,當(dāng)定標集的SEC與SECV越小、1-VR越接近于1時,證明模型越可靠。Foss Calibrator軟件建立的定標模型,其結(jié)果由定標分析誤差[root mean square error of calibration,RMSEP(cal)]、交互驗證分析誤差[root mean square error of cross-verification,RMSEP(cross)]決定,RMSEP(cal)與RMSEP(cross)越小,證明模型效果越好。定標模型建立后,還需選擇部分獨立樣本作為驗證集(N≈40)進一步驗證模型的優(yōu)劣。使用WINISI III軟件建模的外部驗證結(jié)果需要根據(jù)預(yù)測決定系數(shù)(coefficient of determination for validation,RSQ)與外部驗證相對分析誤差(ratio of performance to deviation for validation,RPD)進一步驗證模型的穩(wěn)健性,只有經(jīng)過驗證的模型才能準確對未知樣品進行評估。當(dāng)RSQ越接近于1,RPD(ratio of stand- ard deviation of the validation set to standard error of prediction,RPD=SDv/SEP)越大時,證明該模型的可靠性越好。當(dāng)0.26≤RSQ≤0.49,表明所建立的預(yù)測模型效果差,不可在實際生產(chǎn)中應(yīng)用;當(dāng)0.50≤RSQ≤0.64,表明所建立的模型預(yù)測效果一般,不能準確預(yù)測樣本的化學(xué)組分及物理性質(zhì),但可用于大量樣本的粗略篩選;當(dāng)0.66≤RSQ≤0.81,表明所建立的模型具有良好的預(yù)測能力,可在實際生產(chǎn)中應(yīng)用;當(dāng)0.83≤RSQ≤0.90,表明所建立的模型預(yù)測能力很好,可在某些領(lǐng)域中達到精確預(yù)測的效果[13]。Foss Calibrator軟件的驗證結(jié)果需要根據(jù)驗證分析誤差[root mean square error of validation,RMSEP(val)]、決定系數(shù)R2、RPD進一步驗證模型的穩(wěn)健性,當(dāng)RMAEP越小;R2越接近于1、RPD越大時、證明模型的效果越好。

2 結(jié)果與分析

2.1 羊肉各營養(yǎng)成分實驗室分析

表1為采用WINISI III軟件定標的各營養(yǎng)成分化學(xué)實測值。由表1可知,羊肉定標集MT、EE、CP、Glu、Ash、P的含量范圍分別為68.78%～76.67%、2.11%～7.81%、21.52%～26.03%、0.15%～2.97%、1.44%～3.13%、0.93%～1.37%,平均含量分別為:72.63%、3.54%、23.55%、0.96%、1.88%、1.12%。驗證集MT、EE、CP、Glu、Ash、P的含量范圍分別為67.25%～75.97%、1.92%～7.43%、20.92%～25.95%、0.17%～2.72%、1.49%～2.47%、0.90%～1.32%,平均含量分別為72.69%、3.60%、23.59%、0.96%、1.86%、1.12%。

表2為采用Foss Calibrator軟件定標的各營養(yǎng)成分化學(xué)實測值。由表2可知,MT、EE、CP、Glu、Ash、P的含量范圍分別為67.25%～76.61%、1.92%～7.81%、20.92%～26.03%、0.17%～2.49%、1.10%～2.20%、0.90%～1.37%,平均含量分別為:72.63%、3.60%、23.54%、0.93%、1.35%、1.12%。

表1 羊肉樣品定標集和驗證集各營養(yǎng)成分含量(WINISI III)Table 1 Nutritional component contents of calibration and validation set of mutton samples(WINISI III)

表2 羊肉樣品定標集和驗證集各營養(yǎng)成分含量(Foss Calibrator)Table 2 Nutritional component contents of calibration and validation set of mutton samples(Foss Calibrator)

2.2 羊肉各營養(yǎng)成分定標模型的建立及評價

使用WINISI III與Foss Calibrator定標軟件分別建立羊肉6種營養(yǎng)成分的NIRS模型,并對模型的可靠性進行比較。

WINISI III軟件定標及驗證結(jié)果如表3所示。由表3可知,WINISI III軟件以MPLS為回歸方法,對羊肉6種營養(yǎng)成分以3種導(dǎo)數(shù)結(jié)合7種去散射方法,共計21種方式分別對光譜進行處理。舍棄400～800 nm 可見光區(qū)后,最終選擇在波段780～1 100 nm處定標(近紅外短波區(qū))。以最小的SECV與最大的1-VR為篩選標準,選擇出最優(yōu)的處理組合。由表3可知,MT、EE、CP、Glu、Ash、P的最優(yōu)組合分別為None與2,4,4,1、Standard MSC與2,4,4,1、SNV only與1,4,4,1、Standard MSC與1,4,4,1、Standard MSC與0,0,1,1、SNV and Detrend與2,4,4,1。各營養(yǎng)成分所對應(yīng)的SECV和1-VR值分別如下:MT為0.54與0.86、EE為0.29與0.91、CP為0.30與0.82、Glu為0.17與0.57、Ash為0.10與0.58、P為0.04與0.44。校正模型建立后,選擇獨立的樣品作為驗證集(N≈40)對各營養(yǎng)成分的模型進行驗證。MT、EE、CP、Glu、Ash、P這6種營養(yǎng)成分的最優(yōu)模型外部驗證RSQ和RPD分別為0.83與2.47、0.90與3.60、0.81與2.79、0.54與3.05、0.54與1.91、0.45與1.80。

Foss Calibrator軟件定標及驗證結(jié)果如表4所示。由表4可知,Foss Calibrator軟件以PLS為回歸方法,采用標準正常化方法SNV only對光譜進行預(yù)處理,舍棄400～800 nm可見光區(qū)后,最終選擇在波段800～1 099.5 nm處定標(近紅外短波區(qū))。各營養(yǎng)成分所對應(yīng)的RMSEP(cal)和RMSEP(cross)分別為0.537與0.631、0.301與0.326、0.353與0.468、0.16 0與0.127、0.159與0.179、0.087與0.086。校正模型建立后,選擇獨立的樣品作為驗證集(N≈40)對各營養(yǎng)成分的模型進行驗證。MT、EE、CP、Glu、Ash、P這6種營養(yǎng)成分的RMSEP(val)和R2分別為0.628與0.84、0.310與0.87、0.352與0.83、0.177與0.53、0.154與0.51、0.091與0.33。

表3 羊肉樣品各個營養(yǎng)成分的定標模型及外部驗證結(jié)果(WINISI III)Table 3 NIRS calibration models and external validation results for nutrition components of mutton samples(WINISI III)

表4 羊肉樣品各個營養(yǎng)成分的定標模型及驗證結(jié)果(Foss Calibrator)Table 4 NIR calibration models and external validation results for nutrition components of mutton samples(Foss Calibrator)

2.3 羊肉各營養(yǎng)成分的化學(xué)實測值與預(yù)測值的相關(guān)性

采用WINISI III軟件定標的羊肉各營養(yǎng)成分化學(xué)測定值和預(yù)測值之間的相關(guān)性如圖4所示。由圖4可知,MT、EE、CP化學(xué)分析值和預(yù)測值的相關(guān)性較好,RSQ分別為0.83、0.90、0.81;Glu和Ash化學(xué)測定值和預(yù)測值的相關(guān)性一般,RSQ均為0.54;P化學(xué)測定值和預(yù)測值的相關(guān)性較差,RSQ為0.45。

采用Foss Calibrator軟件定標的羊肉各營養(yǎng)成分化學(xué)測定值和預(yù)測值之間的相關(guān)性如圖5所示。由圖5可知,MT、EE、CP化學(xué)測定值和預(yù)測值的相關(guān)性較好,R2分別為0.84、0.87、0.83;Glu和Ash化學(xué)測定值和預(yù)測值的相關(guān)性一般,R2分別為0.53、0.51;P化學(xué)測定值和預(yù)測值的相關(guān)性較差,R2僅為0.33。

a-MT;b-EE;c-CP;d-Glu;e-Ash;f-P圖4 MT、EE、CP、Glu、Ash、P含量預(yù)測值與實測值的相關(guān)性(WINISI III)Fig.4 Correlation between predicted value and actual value of MT, EE, CP, Glu, Ash, P contents(WINISI III)

a-MT;b-EE;c-CP;d-Glu;e-Ash;f-P圖5 MT、EE、CP、Glu、Ash、P含量預(yù)測值與實測值的相關(guān)性(Foss Calibrator)Fig.5 Correlation between predicted value and actual value of MT, EE, CP, Glu, Ash, P contents(Foss Calibrator)

3 討論

近20年來,國內(nèi)外大量學(xué)者利用近紅外光譜技術(shù)準確、快速地預(yù)測了各類動物肉中的營養(yǎng)成分。如:GIARETTA等[14]利用NIRS技術(shù)對新鮮羊肉與冷凍干燥羊肉的化學(xué)成分(MT、Fat、CP、Ash)進行了分析,結(jié)果表明，除Ash預(yù)測模型精度較低外(R2=0.60)，其余各模型精度均較高(R2：0.89～0.97),可在實際檢測過程中應(yīng)用。 TEIXEIRA 等[15]利用NIR技術(shù)成功建立了山羊背最長肌中MT、Fat、CP、Ash的預(yù)測模型(R2≥0.83)。這些研究所建立的定標模型可以快速準確地預(yù)測羊肉營養(yǎng)成分,這對于快速高效評估羊肉品質(zhì)具有重要意義。

本試驗所建立的羊肉6種營養(yǎng)成分的定標模型中EE的模型最佳,這與PULLANAGARI等[16]對羊肉中的研究結(jié)果一致。不同研究者對MT建立的NIRS模型的準確度存在較大差異,本研究建立的MT預(yù)測模型較好,與KAMRUZZAMAN等[17]在羊肉中的研究結(jié)果一致。但BR?NDUM等[18]在豬肉中的研究結(jié)果較差,這是由于鮮肉中的水分含量易隨環(huán)境和時間的改變而發(fā)生較大變化,MT的建模結(jié)果較差可能與掃描肉樣和測定水分是否即時、實驗室測定的準確程度等有很大關(guān)系。CP的預(yù)測效果也較好,僅次于MT,這與趙文英等[19]在豬、牛、羊肉中的研究結(jié)論均一致,但也有研究學(xué)者對CP建立的NIRS預(yù)測模型結(jié)果顯示較差,如RIPOLL等[20]對均質(zhì)羊肉CP的預(yù)測校正決定系數(shù)只達到0.11。分析原因,可能與化學(xué)實測的準確度及建模方法有關(guān),RIPOLL等采用的是主成分回歸法進行建模,這與本研究及其他學(xué)者采用的MPLS及PLS建模方式存在較大差異。Glu與Ash的模型效果一般,不能替代常規(guī)化學(xué)檢測方法,但可用于大量樣品的粗略篩選和分析。這與GIARETTA等[14]與PRIETO等[21]對牛肉中研究結(jié)果一致,這是由于Ash作為肉品經(jīng)高溫灼燒后殘留的無機鹽和氧化物,近紅外光不能與其相互作用,雖可通過檢測與無機物相結(jié)合的有機物或螯合物的成分,使掃描到的NIRS圖有所變化,進而獲得灰分或無機物的含量[22-23],但在使用傳統(tǒng)方法炭化灼燒時會有部分無氮浸出物損失溢出,這使得光譜信息并不能與化學(xué)實測含量準確匹配,因此,這種間接建立的模型預(yù)測效果一般。P的NIRS定標模型的結(jié)果較差,不能在實際生產(chǎn)中應(yīng)用,這是由于P屬于礦物質(zhì)元素,不含氫基團,其在NIRS區(qū)內(nèi)無吸收,與NIRS反映的有機物結(jié)構(gòu)結(jié)合較差[24],無法建立較為準確的近紅外預(yù)測模型。

4 結(jié)論

本研究利用NIRS技術(shù)建立了新鮮羊肉6種營養(yǎng)成分(MT、EE、CP、Glu、Ash、P)的預(yù)測模型,使用WI- NISI III(MPLS)與Foss Calibrator(PLS)2個定標軟件對其分別定標,2個定標結(jié)果均顯示:MT、EE、CP的預(yù)測模型效果很好,可應(yīng)用于實際生產(chǎn)中精確預(yù)測;Glu、Ash的預(yù)測模型效果一般,不能完全替代常規(guī)分析,但可用于大量樣品的粗略篩選和分析,模型還需進一步優(yōu)化;P的預(yù)測模型效果較差,不能在實際生產(chǎn)中應(yīng)用。

通過比較WINISI III與Foss Calibrator定標軟件在建立NIRS模型中的過程及結(jié)果可知,2種建模軟件各有優(yōu)缺點,WINISI III軟件關(guān)于定標及驗證的評價指標更加全面完善,但操作相對繁瑣;而Foss Calibrator軟件關(guān)于定標及驗證的評價指標較少,但操作簡單易學(xué)。如上所述,更加建議采用WINISI III軟件及MPLS回歸方法建立NIRS定量模型。