基于近紅外光譜技術構建民勤羊肉養分含量檢測模型

梁靜,趙祥民,李璐璐,康景,唐德富,劉佳,郭怡文,楊濤,郝生燕*,竇曉利,宋淑珍

1(甘肅省農業科學院畜草與綠色農業研究所,甘肅 蘭州,730070) 2(甘肅農業大學 動物科學技術學院, 甘肅 蘭州,730070) 3(瑪曲縣農畜產品質量安全檢測檢驗中心,甘肅 臨夏,747399)4(瑪曲縣農業農村局,甘肅 臨夏,747399)

為提高特色產品的質量,促進區域經濟發展和對外貿易,國家在“十四五”計劃中明確規定了要建設優勢農產品帶和特色農產品優勢區,發展地理標志產品。民勤羊肉(全生長期在產地范圍內的活體羊)因其獨特風味被列入《地理標志產品保護規定》(2005年7月15日頒發)[1-2]。但到目前為止,我國對肉質品質的標準和方法評價還不全面,許多不法商販偽造或冒用地理標志產品的標志以獲取高額利潤。不僅損害消費者以及養殖場利益,還導致肉類行業肉品價格失調,擾亂肉類市場秩序。但傳統的肉質分析過程較為繁瑣,檢測成本高,耗時長且損害樣品。而近紅外光譜技術作為分析化學領域發展迅速的綠色分析技術之一,具有操作簡單、快速、無損、準確率高的特點,可實現肉品品質快速測定,是肉類行業重要檢測技術之一,具有良好應用前景[3]。迄今為止,近紅外光譜技術在農業[4]、醫學[5]、食品[6]等領域已廣泛應用。

近年來,人們應用近紅外光譜技術在肉品品質的預測方面有著諸多研究報道[7-9]。BAILES等[10]應用近紅外光譜技術預測了凍干牛羊肉整體的肌內脂肪和蛋白質含量。QIN等[11]應用近紅外光譜技術(950～1 650 nm)結合一階導數建立鴨肉肌內脂肪含量的偏最小二乘法模型。燕昌江[12]應用近紅外光譜技術分別成功預測了豬肉和雞肉中脂肪、蛋白、水分的含量。前人的研究結果證實了其技術在實際生產應用中的可行性和巨大發展潛力。但是大部分準確度較高的肉品品質的預測中,肉品涵蓋的品種以及部位比較單一,對羊肉脂肪酸含量的預測研究較少,對民勤羊肉這種地理標志產品品質預測的研究報道幾乎沒有。因此,本試驗應用近紅外光譜技術結合化學計量學法預測民勤羊肉不同部位肌肉脂肪、蛋白質、脂肪酸的含量,旨在為定量檢測民勤羊肉營養成分含量提供理論依據以及為民勤羊肉的營養特性和產品價值提供技術支持。

1 材料與方法

1.1 材料與試劑

試驗所用樣品于2021年7月在甘肅省武威市民勤縣民勤中天羊業有限公司屠宰場采集,共采集羊只90頭,包括30只湖羊、30只湖寒雜種、30只寒蒙雜種。采樣部位為背最長肌肉、前腿肉、后腿肉,每份肉采集1.5 kg左右,用不銹鋼刀剔除肉樣表面大塊的脂肪后裝入自封袋后編號,共計得到269份新鮮肉樣。

氫氧化鉀(分析純)、無水甲醇(色譜純)、濃硫酸、正己烷(色譜純)、硫酸鉀(分析純)、硫酸銅(分析純)、石油醚。

1.2 儀器與設備

XDS-RCA近紅外光譜分析儀,丹麥FOSS公司;QSJ-C03M1絞肉機,佛山小熊廚房電器有限公司;HH-6電熱恒溫水浴鍋,北京科偉永興儀器有限公司;SC-3610低速離心機,安徽中科中佳科學儀器有限公司;AL104分析天平,上海梅特勒-托利多儀器有限公司;GC-2010plus氣相色譜儀,日本島津公司;AOC-20自動進樣器,日本島津公司;FID氫火焰離子化檢測器,日本島津公司;DHG-9070A電熱恒溫鼓風干燥箱,上海齊欣科學儀器有限公司;XT151全自動脂肪分析儀,美國ANKOMTechnology;KT8400全自動凱氏定氮儀,福斯華(北京)科貿有限公司。

1.3 實驗方法

1.3.1 樣品制備

1.3.2 近紅外光譜采集及光譜數據提取

XDS近紅外光譜儀檢測參數:掃描范圍全波段掃描,掃描次數32次,掃描分辨率<8 nm。儀器參數:光源為鹵鎢燈,主機光譜400～2 500 nm,反射方式為漫反射。

試驗樣品掃描前,儀器開機預熱30 min,待儀器自檢完成后裝樣進行全光譜掃描,裝樣時保證樣品杯底部無氣泡,每份樣品掃描3次,取平均值,光譜數據采樣間隔點2 nm,269個樣本共得到269條平均光譜。利用winISI III軟件將光譜轉換為吸光度值作為樣本的光譜數據,得到羊肉269×1 050的光譜數據集。

1.3.3 近紅外光譜數據預處理

為降低溫度、濕度、樣品平整度等對近紅外光譜采集時的影響,最大程度消除光譜出現的基線漂移、噪聲等,本試驗在利用近紅外光譜技術對民勤羊肉肌肉中脂肪、蛋白質、主要脂肪酸含量建立定量分析模型時,利用一階導數和二階導數對光譜數據進行數學轉換,在原始光譜、一階導數、二階導數(second derivative, 2ndDer)的基礎上再進行7種預處理,分別為無處理(none)、標準正態變量校正和去趨勢化(SNV and DT)、標準正態變量校正(standard normal variable correction, SNV)、去趨勢化(detrend, DT)、標準化多元散射校正(standard multiplicative scatter correction, S-MSC)、加權多元散射校正(weighted standard multiplicative scatter correction, W-MSC)、逆多元散射校正(inverse standard multiplicative scatter correction, I-MSC)。

1.3.4 定標模型的建立與驗證

本試驗使用winISI Ⅲ分析軟件,將原始光譜數據按照4∶1的比例分為定標集(80%)和驗證集(20%),定標集用于定標模型的構建,驗證集用來驗證模型的預測能力。利用改良偏最小二乘法(modified partial least squared, MPLS)、偏最小二乘法(partial least squared, PLS)、主成分回歸分析法(principal component regression, PCR)3種回歸方法,結合1.3.3中的預處理進行羊肉肌肉中營養成分含量的定標模型的建立與驗證,具體處理方法見表1。

表1 模型處理方法Table 1 Model processing method

結合定標決定系數(RSQ)、交叉檢驗決定系數(1-VR)、定標標準誤差(square error correction, SEC)、交叉檢驗標準誤差(square error cross validation, SECV)、預測標準偏差(square error prediction, SEP)、相對分析誤差(residual predictive deviation,RSP, RPD=SD/SEP)評估定標模型的性能。定標模型預測精度標準:RSQ>0.95和RPD>4(最好);0.90≤RSQ≤0.95和3≤RPD≤4(好);0.8≤RSQ<0.90和2.25≤RPD<3(較好);0.7≤RSQ<0.8和1.75≤RPD<2.25(合格);RSQ<0.7和RPD<1.75(不合格),表明模型不可靠[13]。

通過觀察兩種機型的RCS特點，可以發現高RCS區域對應的散射角存在一個共性，即鏡像散射特性：目標以x軸正方向平飛，設從目標到接收機的雷達視線的反向延長線通過一個以x軸為圓心，平行于zoy平面的單位圓，則位于單位圓上任意一點的輻射源對應的目標RCS均較高。如圖6所示，將該單位圓上部分角度連線，與目標高RCS區域完全吻合。根據該特性，在已知從目標到接收機方位角、俯仰角時，可以簡單計算出何種角度的輻射源所提供的信號更可能被接收機檢測。在圖7通過仿真驗證了該鏡像散射特性，鏡像散射角的連線與高RCS區域完全吻合。

1.3.5 肌肉中粗脂肪的測定

按照GB 5000.6—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。

1.3.6 肌肉中粗蛋白的測定

按照GB 5000.5—2016《食品安全國家標準 食品中蛋白質的測定》標準中的凱氏定氮法進行測定。

1.3.7 肌肉中脂肪酸的測定

樣品制備流程如圖1所示;色譜條件如表2所示;標準曲線如圖2所示。

圖1 樣品制備流程圖Fig.1 Sample preparation flowchart

圖2 脂肪酸標準品圖譜Fig.2 Standard fatty acid atlas

表2 色譜條件Table 2 Chromatographic conditions

2 結果與分析

2.1 羊肉樣品近紅外光譜圖

XDS近紅外光譜分析儀得到的民勤羊肉樣品的光譜圖以及光譜處理圖如圖3所示。由于組成樣品化學官能團在近紅外區有特異的吸收峰,其吸光度與樣品中營養成分含量的高低相關[12],圖3中在400～2 500 nm全波段光譜范圍內,光譜在不同波長處出現吸收峰,未經處理的光譜在780～2 500 nm顯示出強烈的光譜吸收峰。在980、1 440、1 960 nm處有較強的吸收峰,主要是由于水的吸收。在1 650 nm和2 310 nm處的吸收峰與脂肪和脂肪酸中C—H鍵的拉伸振動有關[14]。經過處理的光譜,吸收峰更加明顯,峰數有所增加,是因為原始光譜在經1 stDer和2ndDer處理后,光譜分辨率被提高所致。

a-近紅外光譜圖原始光譜;b-1 stDer處理;c-2ndDer處理圖3 民勤羊肉近紅外光譜原始光譜、1 stDer處理、2ndDer處理Fig.3 Near infrared spectroscopy spectra of Minqin lamb original spectrum, 1 stDer treatment, 2ndDer

2.2 近紅外光譜技術對羊肉營養成分含量的預測

2.2.1 化學法測定羊肉營養成分含量的結果

利用化學方法測定民勤羊肉肌肉中脂肪、蛋白質、脂肪酸含量的結果見表3,脂肪和蛋白質含量均值分別為3%和21.23%。羊肉肌肉中檢測到脂肪酸共28種,其中肉豆蔻酸、棕櫚酸、十七烷酸、硬脂酸、二十三酸、棕櫚油酸、反油酸、油酸、亞油酸的含量相對較高,其平均值分別為1.18%～3.47%、15.81%～28.41%、0.65%～2.95%、8.90%～15.15%、1.07%～7.33%、0.32%～2.94%、0.29%～6.01%、30.97%～46.84%、1.78%～16.66%之間,其他脂肪酸含量的平均值均在1%以下?？傮w來看,飽和脂肪酸含量均值為43.23%;單不飽和脂肪酸含量均值為46.83%;多不飽和脂肪酸含量均值為9.93%。

表3 化學法測定羊肉營養成分含量的結果Table 3 The results of chemical method for determination of lamb nutrient content

2.2.2 近紅外光譜技術對羊肉營養成分含量的預測

利用近紅外光譜技術對民勤羊肉肌肉中脂肪、蛋白、主要脂肪酸的含量進行定量分析。采用MPLS、PLS、PCR三種回歸方法建模的結果見表4,對比3種回歸方法結果篩選出最佳模型。結果顯示,除硬脂酸最佳建模方法為PLS外,其余指標模型最佳建模方法均為MPLS,證實其MPLS回歸方法的優越性。

2.2.3 化學法與近紅外光譜技術對羊肉肌肉營養成分含量測定比較

化學法測定羊肉肌肉中脂肪、蛋白、主要脂肪酸結果以在2.2.1中詳細敘述,由表5可知,用近紅外光譜技術預測羊肉肌肉營養成分時,脂肪含量均值為3.09%;蛋白含量均值為21.20%;肉豆蔻酸含量均值為2.26%;棕櫚酸含量均值為22.97%;硬脂酸含量均值為11.85%;油酸含量均值為39.75%;亞油酸含量均值為8.49%;飽和脂肪酸含量均值為43.26%;單不飽和脂肪酸含量均值為49.93%;多不飽和脂肪酸含量均值為9.83%。

表5 化學法與近紅外光譜技術對羊肉肌肉營養成分含量測定比較Table 5 Comparison of chemical method and near-infrared spectroscopy for determination of lamb muscle nutrients

從以上的結果可以看出,2種方法測定的指標中,平均值和相對標準偏差的值都很相近,其中,2種方法測得的指標的平均值差值變化范圍在0.01%～0.1%,相對標準誤差差值變化范圍在0～0.09,說明這幾種指標的平均值準確性高,代表性強。而從標準差來看,兩種方法測定的值差異較大,近紅外光譜法對幾種指標測得的值的范圍較化學法更小,說明用近紅外光譜法測定的指標含量在樣品中各變數差異較小,相對集中的分布于均值的兩側,測定出的指標含量比化學法準確性高。

2.2.4 化學法與近紅外光譜技術對羊肉營養成分含量預測的相關性比較

對2.2.2選出的10種最優定標模型進行外部驗證,結果見表6和圖4。脂肪、蛋白、單不飽和脂肪酸模型的外部驗證結果中,RSQ值均在0.9以上,分別為0.936、0.916、0.911,RPD分別為3.843、4.229、4.299,其中蛋白與單不飽和脂肪酸模型的RPD均大于4,脂肪模型的RPD大于3且小于4,蛋白、單不飽和脂肪酸的定標模型精度很好,脂肪定標模型次之。棕櫚酸、油酸、亞油酸、飽和脂肪酸、多不飽和脂肪酸外部驗證結果中,RSQ值在0.8以上,分別為0.806、0.843、0.883、0.852、0.895,RPD分別為2.898、3.036、3.524、3.430、3.795,其中,油酸、亞油酸、飽和脂肪酸、多不飽和脂肪酸定標模型RPD均大于3,小于4,棕櫚酸定標模型的RPD大于2.25,小于3,表明油酸、亞油酸、飽和脂肪酸、多不飽和脂肪酸的定標模型精度比較好,而棕櫚酸的定標模型的精度只達到合格。肉豆蔻酸和硬脂酸定標模型的驗證結果中,RSQ值均小于0.7,分別為0.323和0.561,RPD分別為1.479和1.788,二者定標模型不可靠。

圖4 羊肉肌肉營養成分相關性檢驗Fig.4 Correlation test of lamb muscle nutritional components

表6 化學法與近紅外光譜技術對羊肉營養成分含量預測的相關性比較Table 6 Correlation comparison between chemical method and near-infrared spectroscopy for prediction of lamb nutrient content

3 討論

肉品的化學組成對肉的營養和食用品質有很大影響,肉品中水分、脂肪、蛋白的含量會一定程度上影響肉的風味、嫩度和多汁性[15]。應用近紅外反射光譜技術對肉品中的脂肪、蛋白質和水分的研究最早開始于20世紀70—80年代[16]。為后續近紅外光譜技術預測肉品品質的研究奠定了基礎。COZZOLINO等[17]應用可見近紅外光譜技術預測了羊(51只)的不同部位肌肉水分、蛋白和肌內脂肪含量,模型相關系數分別為0.76、0.83、0.73,模型預測效果一般。本試驗研究結果與COZZOLINO等[17]研究結果一致,應用近紅外光譜技術結合PCR、PLS、MPLS三種回歸方法,預測了羊肉(90只)不同部位肌肉中脂肪和蛋白質含量。其中采用MPLS回歸方法所建模型效果最佳,脂肪和蛋白模型外部驗證RSQ分別為0.936和0.916,認為是由于MPLS在PLS的基礎上對光譜數據進一步優化,提升了模型精度。

影響肉品品質及營養價值的因素除脂肪、蛋白、水分這些主要組分外,還有脂肪中脂肪酸的種類和含量。本試驗中肌肉脂肪酸定量分析模型的結果表明,油酸、亞油酸、飽和脂肪酸、多不飽和脂肪酸的定標模型精度比較好,而棕櫚酸的定標模型的精度只達到合格。肉豆蔻酸和硬脂酸定標模型預測結果不可靠。與GUY等[18]和王彩霞[19]的研究結果一致。GUY等[18]應用近紅外光譜技術預測了羊肉背最長肌脂肪酸含量,證實了近紅外光譜技術預測羊肉的可行性。王彩霞[19]利用近紅外高光譜成像技術分別對油酸、棕櫚酸、硬脂酸和亞油酸含量的全波段光譜數據進行預處理及建模分析。其中油酸、棕櫚酸、硬脂酸、亞油酸含量定量模型校正集相關系數分別為0.835 1、0.901 7、0.816 2、0.576 7,預測集相關系數分別為0.867 9、0.863 3、0.757 4、0.414 4。全波段光譜數據對油酸、棕櫚酸和硬脂酸含量的預測結果較好,但對亞油酸含量預測效果不佳。而本試驗中,使用全波段光譜數據對油酸和亞油酸含量的預測結果比較好,對棕櫚酸和硬脂酸含量預測效果不佳,造成二者結果不同原因可能有:(1)試驗所選用的羊肉品種不同,其化學組成稍有差異就會影響采集的近紅外光譜,對含量相對較多的油酸、亞油酸、棕櫚酸等檢測結果尚可, 但對其他含量較少的脂肪酸檢測結果較差,主要因為含量較少的脂肪酸在近紅外光譜中,其碳氫基團倍頻和合頻的吸收強度較弱造成的。(2)脂肪酸在化學實測過程中,操作過程復雜繁瑣,某些含量較低的脂肪酸可能會產生一定的誤差,導致化學實測值與近紅外預測值相關性變差,模型預測精度下降?？傮w來說,應用近紅外光譜技術預測肉品中的主要脂肪酸含量是可行的,但含量較少的脂肪酸的預測模型精度還有待進一步提升。

4 結論

應用近紅外光譜技術結合化學計量學法對羊肉肌肉中脂肪、蛋白質含量有很好的預測能力;對脂肪酸中單不飽和脂肪酸有很好預測能力;對棕櫚酸、油酸、亞油酸、飽和脂肪酸、多不飽和脂肪酸等部分脂肪酸有較好的預測能力。