近紅外光譜法快速測定海產(chǎn)品處理過程中牛磺酸含量的研究

張慧恩，金依楠，季成子，朱碧云

（浙江萬里學院，浙江寧波　315000）

近紅外光譜法快速測定海產(chǎn)品處理過程中牛磺酸含量的研究

張慧恩，金依楠，季成子，朱碧云

（浙江萬里學院，浙江寧波315000）

利用近紅外光譜分析技術，建立快速檢測水產(chǎn)品下腳料提取過程中牛磺酸含量的方法。利用氨基酸分析儀測定樣品中牛磺酸含量，采用一階導數(shù)對原始光譜進行處理，采用偏最小二乘法建立校正模型，并預測樣品中牛磺酸含量。所建模型回歸系數(shù)（R2）為99.12%，交叉檢驗均方根為0.086；經(jīng)驗證，預測值與參考值的回歸系數(shù)（R2）為99.9%，預測誤差均方根為0.040，模型預測值與氨基酸分析儀測定值之間沒有顯著差異。因此，近紅外光譜分析法可以檢測水產(chǎn)品下腳料提取過程中牛磺酸含量。

近紅外光譜分析；牛磺酸；快速檢測

0　引言

牛磺酸是一種含硫的非蛋白質結構氨基酸，在生物體內以游離形式存在。研究表明，牛磺酸具有促進大腦發(fā)育、增強視力、調節(jié)神經(jīng)組織的興奮性、增加心肌收縮力、促進脂類物質的消化等作用［1］。因此，被廣泛應用于保健食品和醫(yī)藥領域。牛磺酸廣泛存在于海產(chǎn)品中，尤其在貝類、甲殼類海產(chǎn)品中牛磺酸含量豐富。目前，從海產(chǎn)品或其加工廢料中分離提取是天然牛磺酸的主要來源。在提取過程中牛磺酸的測定、檢測多采用酸堿滴定法、薄層色譜法、高效液相色譜法等，這些方法均存在操作繁瑣、耗時、準確性不高的缺點，不能滿足生產(chǎn)過程中在線、快速測定與實時監(jiān)控的要求［2］。

近紅外光譜分析技術是近年來發(fā)展較快速的一種物理檢測技術［3］。近紅外光譜指紅外光譜區(qū)到可見光譜區(qū)之間的電磁波，通常將近紅外光譜區(qū)的范圍定義為780～2526 nm（12 820～3 959 cm-1），光譜信息主要來源于分子內部振動的倍頻與合頻，光譜能夠反映分子中C-H，N-H，O-H基團的倍頻和合頻振動吸收，其化學信息量相當豐富。而且，近紅外光譜能反映樣品的化學全貌，通過化學計量學方法使近紅外圖譜與相關物質含量之間形成一定的映射關系，從而實現(xiàn)快速檢測。近紅外光譜法適用于各類物質的測定，使用場合十分廣泛，目前已用于非破壞性測定、原位分析、在線分析、活體分析等方面［4-5］。該技術的優(yōu)點剛好可以彌補以往測定牛磺酸方法的不足之處，為快速檢測牛磺酸提供一種新方法。

1　材料與方法

1.1樣品的采集

牛磺酸的提取過程：水提取（如貝殼類蒸煮液、內臟、裙邊等）→過濾→多級膜分離→濃縮→調節(jié)濾液質量濃度→離子交換樹脂吸附→洗脫→洗脫質量液濃縮→結晶→干燥。

采集提取工藝中各階段提取液為樣品，每個樣品分成2份，1份樣品測近紅外光譜，另1份樣品在氨基酸分析儀（日立L-8900型）上測定樣品中牛磺酸含量。其中，水提取液34份，過濾液52份，濃縮液61份，調節(jié)質量濃度后的濾液47份，洗脫液57份，洗脫濃縮液42份。

1.2近紅外光譜的采集

樣品用孔徑0.45 μm濾膜過濾后，再進行光譜采集。近紅外光譜儀（布魯克MPA）采集光譜。

儀器工作參數(shù)設定：采集模式為液體透射方式，光譜采集范圍4 000～12 500 cm-1，分辨率8 cm-1，掃描次數(shù)32次，溫度30℃。儀器使用前，預熱30 min，每個樣品光譜采集3次，以減少儀器波動和裝樣對光譜掃描的干擾，保證數(shù)據(jù)的準確性。

1.3建立牛磺酸近紅外預測模型

利用OPUS 6.5軟件對采集得到的293個近紅外光譜數(shù)據(jù)進行定量分析，定量分析采用偏最小二乘法建立回歸模型。回歸模型的評價指標有回歸系數(shù)（R2）、交叉檢驗均方根（RMSECV）和預測誤差均方根（RMSEP），其計算公式如下：

式中：m——樣品數(shù)；

Yi——第i個樣品參考值（氨基酸分析儀測定）；

Y?i——校正模型預測的結果；

Yˉi——樣品的平均值。

式中：Y?cvi——校正模型交叉驗證的預測結果；

m——校正集樣品數(shù)；

n——用于檢驗模型的驗證集樣品數(shù)。RMSECV和RMSEP都表示近紅外測定值與真值間的擬合程度。

2　結果分析

2.1樣品中牛磺酸含量

樣品中牛磺酸含量的測定，利用氨基酸自動分析儀進行測定［6］。293個樣品的牛磺酸含量分布在0.58～5.04 mg/mL，平均值2.01 mg/mL。

校正集樣品的近紅外吸收光譜見圖1。

圖1　校正集樣品的近紅外吸收光譜

由圖1可知，可見原始光譜圖重疊嚴重，不同含量樣品的近紅外光譜非常接近，必須對光譜進行適當?shù)那疤幚恚构庾V在一定區(qū)間內的差異增大，通過這些差異可以建立數(shù)學模型來確定近紅外光譜和牛磺酸含量的關系。

2.2近紅外光譜的預處理

通過比較無光譜預處理、最小-最大歸一化、消除常量偏移、矢量歸一化、多元散射校正，以及一階和二階導數(shù)等前處理，建立其對模型的回歸系數(shù)（R2）和RMSECV的影響。

不同光譜預處理方法對校正模型的回歸系數(shù)和交叉檢驗均方根的影響見表1。

表1　不同光譜預處理方法對校正模型的回歸系數(shù)和交叉檢驗均方根的影響

由表1可知，這7種光譜預處理方法對樣品中牛磺酸的校正模型處理效果不同，其中采用一階導數(shù)進行處理所得模型的R2最大，而RMSECV的值最小。R2反映模型的擬合能力，R2越接近100%，模型擬合性越高。因此，試驗中采用的是一階導數(shù)對原始光譜進行預處理。采用一階導數(shù)進行預處理，OPUS 6.5軟件自動優(yōu)化后，對應的最佳光譜范圍為9 493.5～7 698.4 cm-1。

校正集參考值與預測值關系見圖2，一階導數(shù)處理后的近紅外光譜見圖3。

圖2　校正集參考值與預測值關系

圖3　一階導數(shù)處理后的近紅外光譜

圖3是原始圖譜經(jīng)過一階導數(shù)處理后的圖譜，經(jīng)過處理后圖譜在8 800～8 600 cm-1范圍內樣品之間有較為明顯的差異，圖中已標示。這些差異是由樣品中所含牛磺酸質量濃度不同引起的，是具體化學值與譜圖建立起聯(lián)系的關鍵。

2.3預測模型的驗證

對預測模型的驗證一般采用性質與建模的校正集性質相似，但未參與建模的樣品，通過比較這些未參與建模樣品的化學值與預測值的差異來判別預測模型的準確性。試驗選取20個樣品應用預測模型進行預測，所得預測值與氨基酸分析儀測定的分析值進行比較。

校正模型的外部驗證見表3。

近紅外模型預測值與參考值的回歸系數(shù)（R2）99.9%，預測誤差均方根（RMSEP）為0.040，RMSEP反映模型的預測準確性，RMSEP越小，準確性越高；并對預測值和儀器測定值進行t檢驗（SPSS 19.0），結果判斷2組測定結果之間不存在顯著差異（p＞0.05）。說明這2種方法得到的結果沒有差異，近紅外預測模型有很好的預測能力，與氨基酸分析儀測定的結果一致。

3　結論

天然牛磺酸具有廣泛的生理藥理活性，能調節(jié)機體的糖類和脂類代謝，提高機體免疫力。牛磺酸作為一種新型的營養(yǎng)強化劑已得到廣泛應用，但在天然牛磺酸的檢測中存在著檢測方法復雜、樣品前處理繁瑣、檢測時間長等缺點。將近紅外光譜技術應用到天然牛磺酸的提取過程中，可以實現(xiàn)快速、實時、高效地檢測。運用OPUS 6.5分析軟件對原始光譜進行一階導數(shù)處理，選取范圍為9 493.5～7 698.4 cm-1的光譜，利用偏最小二乘法建模，預測模型回歸系數(shù)（R2=99.12%），該模型用于實際樣品的檢測，所得結果與傳統(tǒng)化學法檢測結果不存在顯著差異。與傳統(tǒng)化學法相比，該方法快速、環(huán)保、便捷，可用于牛磺酸提取過程中的快速檢測。

表3　校正模型的外部驗證

［1］張磊，楊程，侯志成.牛磺酸的生理作用 ［J］.武警醫(yī)學院學報，1999，11（1）：54-56.

［2］劉亞風，袁萍，祝偉霞，等.牛磺酸檢測技術研究進展 ［J］.中國衛(wèi)生檢驗雜志，2010，20（7）：1 831-1 833.

［3］石吉勇，鄒小波，趙杰文，等.黃瓜葉片葉綠素含量近紅外光譜無損檢測 ［J］.農(nóng)業(yè)機械學報，2011，42（5）：178-182．

［4］趙麗麗，張錄達，宋忠祥，等.近紅外光譜定量檢測腌臘肉制品品質的研究 ［J］.光譜學與光譜分析，2007，27（1）：46-49.

［5］張建新，李慧.傅立葉變換近紅外光譜法測定豆腐干中總酸、蛋白質和水分含量 ［J］.食品與發(fā)酵工業(yè)，2008，34（1）：124-128.

［6］王洪建，周興起，馮志強，等.氨基酸自動分析儀測定食品中牛磺酸的方法建立 ［J］.現(xiàn)代食品科技，2012，28（3）：348-350.◇

Rapid Determination of Taurine in Seafood Processing by Near Infrared Spectroscopy

ZHANG Huien，JIN Yi'nan，JI Chengzi，ZHU Biyun
（Zhejiang Wanli University，Ningbo，Zhejiang 315000，China）

A fast method of determination of taurine in seafood processing is established.The concentration of taurine is determined by amino acid analyzer，first derivative processing is applied in original spectral data.A quantitive model is established by partial least squares（PLS） regression algorithm to predict the taurine content in sample.The determination of coefficient（R2） is 99.12%，root mean square error of cross validation is 0.086.The determination of coefficient（R2）between the predicted value and the reference value is 99.9%，root mean square error of cross validation is 0.040.There is no significant difference between the predicted value and the reference value near infrared spectroscopy can quickly and exactly detect taurine in seafood processing

near infrared spectroscopy；taurine；rapid detection

TS202

A

10.16693/j.cnki.1671-9646（X）.2016.01.037

2015-10-19

國家級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目（201410876017）；浙江省生物工程“重中之重”學科項目（ZS2015013）；浙江省教育廳項目（Y201328766）。

張慧恩（1981— ），男，碩士，講師，研究方向為食品檢測。