基于近紅外光譜法快速檢測藜麥纖維含量

曹曉寧，田 翔，王君杰，劉思辰，穆志新，陸 平，陶 梅，喬治軍*

(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資源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；4.中國農業科學院作物科學研究所，北京 100081)

?

基于近紅外光譜法快速檢測藜麥纖維含量

曹曉寧1，2，3，田 翔1，2，3，王君杰1，2，3，劉思辰1，2，3，穆志新1，2，3，陸 平4，陶 梅4，喬治軍1，2，3*

(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資源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；4.中國農業科學院作物科學研究所，北京 100081)

摘要[目的]探索一種快速測定完整藜麥籽粒纖維含量的方法。[方法]采集100個藜麥樣品的近紅外光譜，運用近紅外光譜分析技術建立數學模型并進行預測。[結果]在10 000～4 000 cm-1波長范圍內，運用一階導數+矢量歸一化光譜方法進行預處理，結合化學方法所得數據建立藜麥粗纖維近紅外定量模型，校正和預測效果最佳，所得的粗纖維近紅外定量模型的交叉驗證決定系數為0.884 8，外部驗證決定系數為0.876 1。[結論]以完整藜麥籽粒為樣品所建立的纖維NITS模型可用于藜麥纖維含量的快速檢測。

關鍵詞藜麥；纖維；近紅外光譜技術

AbstractChenopodiumquinoaWilld.; Fiber; Near infrared spectroscopy

藜麥(ChenopodiumquinoaWilld.)又名昆諾阿藜、南美藜等，是一種原產于南美洲安第斯山地區的1年生藜科草本植物，已有5 000多年的種植歷史[1-2]。藜麥含有豐富的蛋白質、脂肪、淀粉、纖維素等，具有很高的營養價值，被古印加人稱為“糧食之母”[3]。Ruales等[4]研究認為藜麥總膳食纖維含量為13.4%，其中2.4%為可溶性纖維，而11.0%為難溶性纖維。這2種纖維素對調節血糖水平、降低膽固醇含量和保護心臟都有非常重要的作用。同時，由于煮熟的藜麥籽粒體積增大3～4倍，而且藜麥富含的膳食纖維吸水能力強，攝食后具有飽腹感，有助于減肥[5]。目前，纖維含量的研究已引起了廣泛的關注，測量纖維含量有很多成熟的方法。Lee等[6]利用膳食纖維酶重量分析方法測定纖維含量；Lisa等[7]運用氣相色譜法來測定纖維的含量。這些測定纖維含量的方法存在步驟繁瑣、測定速度慢、成本高、籽粒破損等問題。因此，亟需一種快速、準確、適宜于大批量藜麥纖維檢測的方法。

近紅外光譜技術是一種在線快速無損檢測物質含量和鑒別物質的現代光譜分析技術，具有高效、無污染等獨特的分析優點[8]。在近紅外光譜區內(780～2 500 nm)，利用有機化學物質的光學特性快速估測樣品中的1項或多項化學成分含量，在國內外已成為分析農作物品質的重要手段，且取得了一定的成績[9-11]。利用近紅外反射光譜進行藜麥完整子粒的纖維測量，可以克服化學方法對藜麥籽粒破壞、周期長的缺點，對藜麥資源的快速檢測及品質育種工作有重要的實踐意義。筆者采用化學測定方法測定了100份藜麥水分和纖維的含量，然后將其分為定標集和驗證集，建立了纖維近紅外光譜快速檢測預處理模型，旨在為藜麥品質的快速檢測、優異藜麥種質資源的快速檢測與利用、藜麥育種奠定了基礎。

1材料與方法

1.1材料

1.1.1試驗材料。供試的100 份藜麥品種(系)由中國農業科學院作物科學研究所以及山西省農業科學院農作物品種資源研究所提供。

1.1.2試劑。供試試劑為濃硫酸、氫氧化鈉、鹽酸及正辛醇，均為分析純。

1.1.3儀器。BSA124S分析天平為Sartorius公司產品；Cyclotec1093旋風磨為丹麥Foss公司產品；電熱恒溫鼓風干燥箱為寧波東南儀器有限公司產品；MPA傅里葉變換近紅外光譜儀為德國Bruke公司產品；FD1530MCN馬弗爐為飛世爾實驗器材(上海)有限公司產品；纖維素儀為丹麥Foss公司產品。

1.2方法

1.2.1藜麥水分和纖維測定方法。

1.2.1.1水分測定。采用GB5497-85定溫定時烘干法，用已烘至恒重的鋁盒分別稱取藜麥粉末3 g(準確至0.000 1 g)左右，攤平，重復3次，將烘箱溫度調到130 ℃， 烘40 min后取出放干燥器內冷卻至恒重，計算藜麥中水分含量。

1.2.1.2粗纖維測定。參考GB6193-85，重復稱取同一樣品2份，每份1 g(準確至0.001 0 g)。利用纖維素儀測定粗纖維百分含量。

1.2.2近紅外光譜采集。為了獲得最佳模型建立及預測效果，將收集的藜麥樣品于室溫下放置7 d左右，平衡水分，同時去除每一樣品中的雜質及外形明顯不同的籽粒(一類脫殼，另一類脫殼后磨粉過60目篩)。將近紅外光譜儀器預熱30 min，進行性能測試和白板參比后開始測定樣品。工作譜區選用12 000～4 000 cm-1，每份樣品均掃描2次，對光譜用Bruker公司OPUS 5.5 近紅外處理軟件得到平均光譜，然后在 OPUS 建模軟件上計算分析試驗數據。

1.2.3近紅外數學模型的建立。采用Bruker公司OPUS/QUAN T5.5光譜定量分析軟件和DPS 軟件，進行光譜數據預處理、剔除異常樣品以及回歸統計分析。根據徐廣通等[12]對建模數據的要求，將100個藜麥樣品數據進行分組，其中80%用于建立近紅外模型，為校正集；20%用于檢驗所建模型的精度，為驗證集。為尋找各模型的最優建模方法，選用不同的建模方法建立藜麥主要成分定量模型，先用校正樣品集進行內部驗證，最后通過隨機選取的建模之外樣品對模型進行外部檢驗，考察模型的適應性和精度，即根據校正決定系數(R2cal)，校正標準誤(RMSEE)、交叉驗證決定系數(R2cv)、交叉驗證標準誤(RMSECV)、外部驗證決定系數(R2val)、預測標準誤(RMSEP)等指標確定最優模型。

2 結果與分析

2.1藜麥原始光譜與化學值100個藜麥樣品的原始光譜圖譜(圖1)顯示，藜麥在光譜波段范圍10 000～4 000 cm-1內存在多個吸收峰，其變化趨勢一致但是不重合。由表1可知，粗纖維含量為2.43%～5.42%，平均值為3.13%。

圖1　藜麥樣品近紅外光譜Fig.1　Near infrared spectroscopy of quinoa samples

2.2藜麥纖維模型的建立結果表明，采用一階導數+矢量歸一化光譜預處理，建立水分和纖維含量的校正模型，校正效果最佳。水分含量其交叉驗證決定系數為90.37，交叉驗證標準誤為0.142(圖2)。纖維含量其交叉驗證決定系數為88.48，交叉驗證標準誤為0.154(圖3)。

2.3藜麥纖維模型外部檢驗采用未參加模型建立的完全獨立的、化學成分已知的驗證集樣品對所建模型的質量或實際預測效果進行評價。水分含量模型的外部驗證決定系數為 0.885 6，預測標準誤為0.232，模型的預測值與真實值之間不存在顯著性差異。纖維含量模型的外部驗證決定系數為0.876 1，預測標準誤為0.187，模型的預測值與真實值之間不存在顯著性差異。2種方法測試蛋白含量的結果均無顯著差異，說明近紅外品質分析儀測定結果是準確可靠的。

表1校正集和驗證集樣品中纖維含量分布

Table 1Distribution of fiber content in calibration set and validation set samples

類別Type統計參數Statisticalparameter蛋白含量Proteincontent∥%校正集Calibrationset平均值3.13最小值2.43最大值5.42驗證集Validationset平均值2.96最小值2.48最大值5.23

圖2　藜麥水分含量交叉檢驗模型Fig.2　Cross check model of quinoa miosture content

圖3　藜麥纖維交叉檢驗模型Fig.3　Cross check model of quinoa fiber

3討論

試驗中纖維含量測定常用的方法是用纖維儀，試驗周期較長，操作繁瑣，該研究發現近紅外測定結果與藜麥材料化學測試值比較無顯著差異，所以結果是可靠的；近紅外分析方法作為一種新的分析檢測方法，具有分析速度快、多組分同時測定、樣品不需預處理、非破壞性分析、低成本和操作簡單等優點，受到越來越多育種工作者的青睞。該研究選用100個普通藜麥樣品，通過NIRS分析技術初步建立的藜麥完整籽粒水分含量和纖維含量預測模型，決定系數較高、誤差小，在藜麥品質育種中的早代材料篩選上是可行的，為藜麥資源的鑒定利用和品質育種提供了一種新的有效的技術手段，能大大提高資源利用和育種效率，能夠滿足大批量品種的快速、無損檢測要求，為藜麥品質育種提供了一種新的有效的技術手段，具有潛在的應用價值。

由于藜麥屬于國外引種資源，目前的育種、栽培等研究工作剛剛起步。該研究所用材料具有一定的代表性，但資源樣品中纖維含量的變化范圍不夠寬泛，同時在模型建立過程中，通過對部分資源纖維含量的異常值進行剔除，在資源數量本就不夠充足的情況下影響快速檢測模型的準確性，因此，在后續工作中通過增加藜麥資源數量，擴大藜麥纖維含量檢測模型覆蓋的范圍，并對快速檢測模型作進一步優化，提高其準確性和利用效率。

參考文獻

[1] JACOBSEN S E.The worldwide potential for quinoa(ChenopodiumquinoaWilld.)[J].Food reviews international，2003，19：167-177.

[2] 王晨靜，習武，陸國權，等.藜麥特性及開發利用研究進展[J].浙江農林大學學報，2014，31(2)：296-301.

[3] 王黎明，馬寧，李頌，等.藜麥的營養價值及其應用前景[J].食品工業科技，2014，35(1)：381-385.

[4] RUALES J，NAIR B M.Effect of processing on in vitro digestibility of protein and starch in quinoa seeds[J].International journal of food science & technology，1994，29：449-456.

[5] ALAN B.Quinoa，an ancient crop to contribute to world food security[R].37th FAO Conference，2011.

[6] LEE S，PROSKY L，DE VRIES J.Determination of total，soluble and insoluble dietary fiber in foods-enzymatic-gravimetric method，mes-tris buffer collaborative study[J].Journal of AOAC international，1992，75：395-416.

[7] LAMOTHE L M，SRICHUWONG S，REUHS B L，et al.Quinoa(ChenopodiumquinoaW.)and amaranth(AmaranthuscaudatusL.)provide dietary fibres high in pectic substances and xyloglucans[J].Food chemistry，2015，167：490-496.

[8] 嚴衍祿，趙龍蓮，李軍會，等.現代近紅外光譜分析的信息處理技術[J].光譜學與光譜分析，2000，20(6)：777-780.

[9] 嚴衍祿，趙龍蓮，韓東海，等.近紅外光譜分析基礎與應用[M].北京：中國輕工業出版社，2005.

[10] 嚴衍祿，陳斌，朱大洲，等.近紅外光譜分析的原理技術與應用[M].北京：中國輕工業出版社，2013.

[11] DELWICHE S R，HRUSCHKA W R.Protein content of bulk wheat from near-infrared reflectance of individual kernels[J].Cereal chemistry，2000，77：86-89.

[12] 徐廣通，袁洪福，陸婉珍.近紅外光譜儀器概況與進展[J].現代科學儀器，1997(3)：9-11.

基金項目山西省農作物種質資源收集與整理(2016zzcx-17)；農業部作物種質資源保護與利用專項(2015NWB030-07)；科技部、財政部國家科技基礎條件平臺課題(NICGR2015-026)。

作者簡介曹曉寧(1985- )，男，山西臨猗人，助理研究員，博士，從事作物資源利用及抗逆生理研究。*通訊作者，研究員，從事資源利用及栽培技術研究。

收稿日期2016-04-03

中圖分類號O657.33

文獻標識碼A

文章編號0517-6611(2016)15-017-03

Rapid Detection on Quinoa Fiber Based on the Near Infrared Spectroscopy

CAO Xiao-ning1,2,3, TIAN Xiang1,2,3,WANG Jun-jie1,2,3, QIAO Zhi-jun1,2,3*et al

(1. Institute of Crop Germplasm Resources, Shanxi Academy of Agricultural Sciences, Taiyuan, Shanxi 030031; 2. Key Laboratory of Crop Gene Resources and Genetic Improvement of Germplasm Enhancement on Loess Plateau, Ministry of Agriculture, Taiyuan, Shanxi 030031; 3. Shanxi Key Laboratory of Genetic Resources and Genetic Improvement of Minor Crops, Taiyuan, Shanxi 030031)

Abstract[Objective] To explore a rapid determination method for fiber content in grains of quinoa. [Method] Near infrared spectra of 100 quinoa samples were collected. The predicted models for quantitative analysis of fiber contents in the grains was built using near infrared transmittance spectroscopy (NITS). [Result] In the wavelength range of 10 000 - 4 000 cm-1, we set up near infrared quantitative model of quinoa crude fiber via first derivative + vector normalization preprocessing and combining with the data from chemical methods. Meanwhile, calibration and prediction effect were the best, and then the cross validation decision coefficient (R2cv) and external validation decision coefficient (R2val) of fiber by near infrared quantitative model were 0.884 8 and 0.876 1, respectively. [Conclusion] The model of NITS about complete grains quinoa fiber can be available for fast detecting quinoa fiber content.