紫外-可見光譜法定量檢測牛奶菌群總數的研究

陳 鑫，周 真,2*，楊 旭，郭抗抗,2，李迪星

(1.哈爾濱理工大學 測控技術與通信工程學院，黑龍江 哈爾濱 150080；2.測控技術與儀器黑龍江省高校重點實驗室，黑龍江 哈爾濱 150080；3.哈爾濱電工儀表研究所，黑龍江 哈爾濱 150028)

紫外-可見光譜法定量檢測牛奶菌群總數的研究

陳 鑫1，周 真1,2*，楊 旭1，郭抗抗1,2，李迪星3

(1.哈爾濱理工大學 測控技術與通信工程學院，黑龍江 哈爾濱 150080；2.測控技術與儀器黑龍江省高校重點實驗室，黑龍江 哈爾濱 150080；3.哈爾濱電工儀表研究所，黑龍江 哈爾濱 150028)

針對平板計數、ATP生物發光等傳統牛奶菌群總數檢測方法耗時長，現有光譜技術操作復雜等問題，將紫外-可見光譜法結合化學計量學應用于牛奶中菌群總數的定量分析，并采用優化的偏最小二乘法建立牛奶菌群總數的定量模型。以等時間段(0，2，4，…，20 h) 32 ℃恒溫下培養的牛奶為研究對象，探究光譜與牛奶菌群總數之間的定量關系。采用連續投影算法選出19個特征波數；再利用偏最小二乘模型建立基于特征波與菌群總數的模型關系；優化后的模型具有更高的相關系數(Rp優=0.978，Rp原=0.968)和更小的均方根誤差(RMSE優=0.265，RMSE原=0.324)。該研究采用紫外-可見光譜檢測細菌總數的方法為快速檢測牛奶菌群數量提供了新思路。

紫外-可見光譜；牛奶菌群；連續投影算法；偏最小二乘

乳及乳制品已成為人們日常飲食中密不可分的一部分，與此同時，人們越來越關心乳及乳制品的品質。近期牛奶細菌含量超標引發的安全事件頻發，檢測牛奶中細菌含量仍是重中之重。牛奶中菌群總數的檢測方法包括平板計數法、ATP生物發光、免疫測定、聚合酶鏈反應和核酸探測等[1]，但這些方法大多存在用時較長，操作復雜，不能進行快速采集和檢測，所需的生物學試劑比較昂貴等缺點。因此需要一種快速、簡便的檢測方法來確保牛奶的品質。

近年來，光譜法因測量時間短等特點成為牛奶中細菌及營養成分檢測的熱點方法，常用的方法有生物熒光光譜法[2]、拉曼光譜法[3]、傅立葉變換紅外光譜法[4]等，上述方法均能快速檢出牛奶中菌群的總數，但生物熒光光譜和拉曼光譜在測量過程中需添加反應試劑，而傅立葉變換紅外光譜操作復雜；同時上述方法檢測儀器較為昂貴。光與細胞結構和化學成分等直接作用可產生紫外-可見透射光譜(200～400 nm)，通過光譜分析可以反演得到細胞形態和組成的相關信息，且該光譜測量技術具有無需反應試劑、無損傷、測量過程相對簡便等優點[5-6]。已有一些學者采用該技術在微生物領域開展了相關研究。Smith等[7]利用紫外-可見光譜對4種具有臨床意義的病原微生物進行種類鑒別，方法具有較高的準確度和精確度；Serebrennikova等[8]利用紫外-可見光譜對瘧原蟲的3個生長階段加以研究，建立的模型可以準確地體現瘧原蟲各階段的生長性質；王久悅等[9]利用紫外-可見光譜對水體中常見細菌微生物進行了定性菌類鑒別，但紫外-可見光譜法應用于牛奶細菌含量的定量分析鮮見報道。偏最小二乘(PLS)算法可以同時實現回歸建模、數據結構簡化以及兩組變量間的相關分析，具有較高的預報穩定性，所得到的模型參數與實際問題的經驗規律較一致；能較高效地在多變量小樣本中最大限度地提取信息，廣泛應用于分析化學中多元數據回歸校正。但為得到預測能力較高的模型，在建模過程中需大量光譜數據，因而存在建模數據冗余的問題。連續投影算法(Successive projections algorithm,SPA)在光譜多元定量和定性分析中應用廣泛，能在嚴重重疊的光譜信息中剔除冗余復雜的光譜信息，進而剔除各種非目標因素對光譜的影響，減小建模變量，提高模型校正速度和建模效率。

本研究將紫外-可見光譜技術與化學計量學方法結合應用于牛奶中細菌含量的定量檢測。采用SPA優選特征波數，再利用PLS模型建立基于特征波與細菌總數的模型關系，采用優化的PLS建立牛奶細菌含量的定量模型，對紫外-光譜法結合化學計量學應用于牛奶中細菌的檢測進行了初步探究。

1 實驗部分

1.1 樣品制備

隨機選取同批次的新鮮完達山袋裝牛奶，容量為250 mL/袋，消毒方式為巴氏消毒，貯存期限為4 ℃下7 d。將上述1 000 mL品牌牛奶放置于1 500 mL密閉、殺菌后的容器瓶中，在恒溫水浴箱中(32±1) ℃條件下恒溫培養；等時間間隔(0，2，4，…，20 h)采集樣品用于光譜檢測；重復上述實驗過程連續7 d。

1.2 儀器與試劑

TU-1900型紫外-可見分光光度計(波長準確度為±0.3 nm，安捷倫科技有限公司)；BS1200型電子天平(精度0.001 g，北京賽多利斯儀器系統有限公司)；恒溫水浴培養箱(溫差為±1 ℃)；FINNPIPETTE F2型移液器(精度±0.1 mL，賽默飛世爾科技公司)。實驗用水為無菌去離子水；無水乙醇(分析純)；生理鹽水：濃度為0.9%；平板計數瓊脂：參照GB/T 4789.2-2010[10]，SN/T 0168-2015標準方法[11]配制，主要成分為胰蛋白胨5 g/L，酵母浸粉2.5 g/L，葡萄糖1 g/L，瓊脂15 g/L，pH值7.0±0.2。

1.3 牛奶中菌落總數(Total viable counts，TVC)的計算

牛奶細菌含量參照GB/T4789.2-2010方法測定。實驗步驟如下：

稱取平板計數瓊脂23.5 g，加入1 000 mL蒸餾水中，加熱煮沸溶解，121 ℃高溫滅菌15 min后備用。將文中“1.1”所述的各個時間點(0，2，…，20 h)的牛奶樣品進行稀釋，經多次實驗，此品牌牛奶最佳稀釋度為104～107倍。使用移液器取1 mL各稀釋倍數的牛奶滴入一次性培養皿(直徑為90 mm)中，并與已滅菌的20 mL平板計數瓊脂混合均勻，靜置。待瓊脂凝固后翻轉放入恒溫培養箱中，37 ℃培養48 h，每個稀釋倍數制備3個培養皿。待菌群培養完成后進行平板菌落計數，該菌群數量為1 mL牛奶的菌群總數，且僅考慮菌落數目在30～300之間的培養皿。每毫升菌落數目的計算公式如下：

式中：∑c為所有適宜范圍內的平板的菌落數之和(在30～300之間)。n1為第一稀釋度的菌落總數，n2為第二稀釋度的菌落總數，d為第一稀釋度的稀釋因子。

1.4 光譜數據采集

紫外-可見分光光度計開機預熱20 min后，運行UVwin5光譜數據采集軟件，進行儀器初始化。

樣品光譜掃描：利用紫外-可見分光光度計對牛奶樣品進行透射光譜掃描，掃描范圍為200～400 nm，波長準確度為±0.3 nm，波長重復性為0.1 nm，樣品池采用直徑為1 cm石英比色皿。每份樣品以等時間間隔從1 L牛奶樣品中取出5 mL滴入石英玻璃皿中，以0.9%生理鹽水作為參比，掃描次數50次，為減小光譜數據的測量誤差，每個時間點的樣品測量5次，取平均值用于模型的建立。在測量下一時間點的樣品前，石英比色皿需用去離子水淋洗干凈，靜置5 min晾干后再滴入牛奶樣品。

2 結果與討論

2.1 菌落總數以及牛奶品質變化趨勢

本實驗考察了20 h內的菌群總數對數(lgTVC)變化趨勢，結果顯示，新鮮完達山巴氏消毒牛奶的lgTVC值大多在3.02左右。在32 ℃恒溫培養20 h后，最終lgTVC值達到8.08。結果表明，牛奶中的菌群總量呈螺旋增長，長時間培養后，菌群數量呈規律性增加。

在實驗過程中，0 h新鮮牛奶顏色呈乳白色，色澤正常，無刺鼻異味，質地均勻。隨著時間的增長，牛奶中菌群總數呈螺旋式上升，細菌的代謝會產生揮發性酯、酮、醛、脂肪酸、氨和胺的復雜混合物等，當牛奶樣品中微生物數量達到108cfu/mL時，會顯現出氣味微苦、顏色微黃等特征；隨著細菌數目的增加，感官變化程度加深。

2.2 紫外-可見光譜

具有代表性的牛奶的紫外-可見光譜如圖1所示。從圖1中可以觀察到，0、4、8、20 h的牛奶在同一波長下不同時刻的光譜數據變化趨勢相同；由于細菌的內部結構核酸、吡啶二羧酸、色素在①部分(200～250 nm)較為敏感，在②部分(250～360 nm)吸收逐漸變弱，在③部分(360～400 nm)細菌代謝產生的有機物的吸收優勢逐漸明顯，因此①部分呈總體上升趨勢，②部分為波動下降趨勢，③部分呈現緩慢波動上升趨勢；但隨著時間的增加，牛奶中菌落數目的增加或者減少，映射為牛奶菌群紫外-可見光譜吸光度的增大或者減小。

圖1 未稀釋牛奶的原始光譜圖Fig.1 Raw spectrum of undiluted milk

2.3 SPA變量選取法提取特征波長

貢獻點波長的選擇是建立穩定的數學模型的基礎，為了進一步簡化模型，本文采用SPA算法選取特征波長。SPA算法是一種使矢量空間共線性最小化的前向變量選擇算法，其優勢在于提取全波段的幾個特征波長，能夠消除原始光譜矩陣中的冗余信息，可用于光譜特征波長的篩選[12-14]。

連續投影算法SPA步驟如下：

步驟0：在第1次迭代前(n=1)，任選光譜矩陣Xcal的1列j，將建模集的第j列值賦給xj，j=1，…，J；

步驟1：將未選入的列向量位置的集合記為S。S={j，1≤j≤J，j{k(0),…,k(n-1)}}；

步驟2：分別計算xj對剩下列向量的投影Pxj=xj-(xjTxk(n-1))xk(n-1)(xk(n-1))Txk(n-1))-1，j∈S，P為投影算子；

步驟3：記k(n)=argmax(‖Pxj‖，j∈S)；

步驟4：記xj=Pxj，j∈S；

步驟5：令n=n+1，如果n

最后，得到的波長是{k(n)；n=0,…,N-1}。

原始波長數由401個經過SPA算法變為19個波長，而且被選擇的這19個波長按頻率由高到低順序排列(圖2)，標記部分為篩選得到的19個特征波長，分別為243.5、254.0、385.0、263.5、238.0、305.0、301.5、270.5、239.0、392.5、399.5、261.0、271.0、287.5、227.5、236.5、279.0、390.5、325.5 nm。采用連續投影算法后，建模變量數量大幅減少，極大地簡化了模型的建立過程。圖3為連續投影算法結合多元線性回歸得到的結果，運算過程中取得最小RMSE值的波長數量為最優特征波長數。將選出的19個特征波長繼續導入PLS模型建模，以便進行下一步分析。

圖2 SPA算法優選的特征波在光譜中位置Fig.2 Spectrum position of the characteristic wave optimized with SPA algorithm

圖3 SPA算法優選的特征波數Fig.3 Characteristic wave number optimized with SPA algorithm

2.4牛奶菌群總數與光譜數據定量模型的建立

牛奶中微生物總量的定量模型的建立采用偏最小二乘(PLS)建模法[15-16]。采用偏最小二乘監督學習算法的目的是構建一個將輸入與目標正確相關聯的模型，其中在校準階段，輸入和輸出已知。PLS模型利用各個時間點培養的牛奶的紫外-可見光譜數據來預測lgTVC值。在校準過程中，采用SPXY算法[17-18]將紫外-可見光譜數值和已知lgTVC值分為預測集和校正集。SPXY算法是在Kennard-Stone算法的基礎上發展而來的常用的樣本劃分方法，是一種基于統計基礎的樣本集選擇方法，用光譜-理化值共生距離作為依據以保證最大程度表征樣本分布。該算法在樣本間距離的計算時，將光譜數據變量x和化學測量值變量y同時考慮在內，p和q兩樣本間距離dxy(p，q)能有效地覆蓋光譜數據x的多維向量空間和化學測量值y空間，使所篩選出的變量對于某一種特定成分的校正集樣品更具有代表性和適用性，從而提高模型的預測能力和傳遞能力。然后采用SPA算法優選特征波段，優選過的光譜特征波段再次建立PLS模型。

分析牛奶的原始光譜的PLS模型表明，當模型建立使用3個主成分因子時，模型具有較好的線性程度和預測能力(Rp原=0.968，RMSE原=0.324)，結果如圖4A所示。圖中表明估計的TVC值與已知的TVC值具有較高的相關性(即估計值和實際值接近此圖上的y=x直線)。

原始光譜全波段建立的PLS模型雖具有較好的預測能力和線性度，但在模型建立過程中，由于光譜數據較多，建模過程較為繁瑣；所以采用SPA算法優選特征波段，該算法能夠以少量具有代表意義的數據建立更精準的模型，優選出的特征光譜波段和TVC值再次建立PLS模型，模型結果如圖4B所示。優化后的模型具有更高的線性度(Rp優=0.978)和更好的預測能力(RMSE優=0.265)。總體來說，PLS模型在菌數值高于1×106cfu/mL(圖1)時能得出較精確的預測結果。Nicolaou等[19]采用傅立葉紅外光譜檢測牛奶的腐敗程度，結果表明細菌含量在高于106cfu/mL時PLS模型具有較好的預測。本研究結論與此基本一致，驗證了紫外-可見光譜結合化學計量學對于牛奶菌群含量測量的可行性。表1為原始光譜建模和特征波數建模參數的對比結果。

表1 原始光譜建模和特征波數建模參數對比Table 1 Comparison of original spectral modeling and characteristic wave number modeling parameters

3 結 論

本文將紫外-可見光譜分析技術結合化學計量學應用于定量分析牛奶中細菌的含量，檢測時間僅30 s，且操作過程簡單。利用優化的PLS建立牛奶菌群含量的預測模型，優化后的模型具有更好的穩定性和預測能力(Rp優=0.978，Rp原=0.968；RMSE優=0.265，RMSE原=0.324)。研究結果表明，紫外-可見光譜技術與化學計量學方法的結合為檢測牛奶細菌含量提供了一種新的可能。

[1] Liu N,Su F W.J.HenanUniv.Technol.:Nat.Sci.Ed. (劉娜，蘇豐薇.河南工業大學學報：自然科學版)，2013,34(1):73-76.

[2] Yu X Y,Zhang Y J,Yin G F,Xiao X,Zhao N J,Duan J B,Shi C Y,Fang L.ActaOptic.Sin.(余曉婭，張玉鈞，殷高方，肖雪，趙南京，段靜波，石朝毅，方麗.光學學報)，2014,34(9):294-299.

[3] Chen X M,Lei H Y,Hu Y L,Li G K.J.Instrum.Anal.(陳小曼，雷皓宇，胡玉玲，李攻科.分析測試學報)，2016,35(10):1343-1346.

[4] Huang F T,Ou Q H,Liu G,Guo J,Sheng H J .Spectrosc.Spect.Anal.(黃方田，歐全宏，劉剛，郭杰，盛紅佼.光譜學與光譜分析)，2016，(Z1):48-49.

[5] Hou D B,Zhang J,Chen L,Huang P J,Zhang G X.Spectrosc.Spect.Anal.(侯迪波，張堅，陳泠，黃平捷，張光新.光譜學與光譜分析)，2013,33(7):1839-1844.

[6] Han Z Z,Liu J,Liu K W,Wan J H.Opt.Technol.(韓仲志，劉杰，劉康煒，萬劍華.光學技術)，2016,42(4):337-341.

[7] Alupoaei C E，Garcia-Rubio L H.Chem.Eng.Comm.,2005,192:198.

[8] Serebrennikova Y M,Patel J,Garcia-Rubio L H.Appl.Opt.,2010,49(2):180.

[9] Wang J Y,Zhao N J,Duan J B,Fang L,Meng D S,Yang R F,Xiao X,Liu J G,Liu W Q.Spectrosc.Spect.Anal.(王久悅，趙南京，段靜波，方麗，孟德碩，楊瑞芳，肖雪，劉建國，劉文清.光譜學與光譜分析)，2015，(9):2634-2638.

[10] GB 4789.2-2010.Microbiological Examination of Food:Determination of Total Number of Colonies.National Standards of the People’s Republic of China (食品微生物學檢驗:菌落總數測定.中華人民共和國國家標準).

[11] SN/T 0168-2015.Method of Counting Total Number of Colony in Import and Export Food.National Standards of the People’s Republic of China (進出口食品中菌落總數計數方法.中華人民共和國國家標準).

[12] Cheng J H,Sun D W,Pu H B.FoodChem.,2016,197(Pt A):855.

[15] Feng Y Z,Elmasry G,Sun D W.FoodChem.,2013,138(2/3):1829-1836.

[16] Ohsowski B M,Dunfield K E,Klironomos J N,Hart M M.Botany-Botanique,2016,94(7):501-508.

[18] Zhu X,Shan Y,Li G Y,Huang A M,Zhang Z Y.Spectrochim.Acta,PartA,2009,74(2):344-348.

[19] Nicolaou N,Goodacre R.Analyst,2008,133(10):1424-1431.

Rapid Determination of Milk Bacteria by UV-Vis Spectroscopy

CHEN Xin1,ZHOU Zhen1,2*,YANG Xu1,GUO Kang-kang1,2,LI Di-xing3

(1.College of Measurement-Control Technology & Communications Engineering,Harbin University of Science & Technology,Harbin 150080,China; 2.The Higher Educational Key Laboratory for Measuring & Control Technology and Instrumentations of Heilongjiang Province,Harbin 150080,China；3.Harbin Research Institute of Electrical Instruments,Harbin 150028,China)

To solve the time-consuming problem of traditional detective methods,such as total viable counts and ATP bioluminescence technique,and the complicated operations of the existing spectrum techniques,a method for the quantitative analysis of the total number of bacteria in milk by UV-Vis spectroscopy combined with chemometrics,followed by application of the optimized partial least squares to set up the model of the total amount of milk bacteria.With the milk cultured in the same time period(0，2，4，…，20 h) as target,the quantitative relationship between the spectrum and the total number of milk bacteria was explored.The successive projections algorithm was applied to select 19 characteristic waves,and then the partial least squares model was used to establish the model relationship between the characteristic waves and the total number of milk flora.The correlation coefficientRof 0.978 in the optimized model was higher than that of 0.968 in primitive model,and the root mean square error(RMSE) of 0.265 in the optimized model was lower than that of 0.324 in the primitive model.The proposed method provided a new idea and direction for the rapid detection of the number of milk flora.

UV-Vis spectra；milk bacteria；successive projections algorithm；partial least squares

O433.1

：A

：1004-4957(2017)09-1109-05

2017-05-02；

：2017-06-21

黑龍江省教育廳科學研究項目(11551315)

*

：周 真,博士,教授,研究方向:生物信息檢測、可靠性技術研究，Tel:0451-86392318，E-mail:zhzh49@126.com

10.3969/j.issn.1004-4957.2017.09.009