近紅外光譜分析技術在植物蛋白飲料定量分析中的應用

王瓊雅,夏君霞,吳鎮君,陳紅光,王俊轉,李子文,李宗朋,買書魁,王 健*

(1.中國食品發酵工業研究院,北京 100015;2.東北農業大學工程學院 管理科學工程系,黑龍江 哈爾濱 150030;3.河北養元智匯飲品股份有限公司,河北 衡水 053000;4.紅牛維他命飲料有限公司,北京 100015)

近紅外光譜分析技術在植物蛋白飲料定量分析中的應用

王瓊雅1,2,夏君霞3,吳鎮君4,陳紅光2,王俊轉3,李子文1,李宗朋1,買書魁1,2,王 健1*

(1.中國食品發酵工業研究院,北京 100015;2.東北農業大學工程學院 管理科學工程系,黑龍江 哈爾濱 150030;3.河北養元智匯飲品股份有限公司,河北 衡水 053000;4.紅牛維他命飲料有限公司,北京 100015)

利用近紅外光譜分析技術對植物蛋白飲料中脂肪和可溶性固形物含量進行定量分析。采用向后間隔偏最小二乘法(BiPLS)、組合間隔偏最小二乘法(SiPLS)、遺傳偏最小二乘法(GA-PLS)、競爭性自適應重加權法(CARS)優選波段,并結合偏最小二乘法(PLS)建立植物蛋白飲料中脂肪和可溶性固形物的定量分析模型。結果表明,4種方法對模型均有優化效果,可提高模型的穩定性和精準性,其中GA-BiPLS、GA-SiPLS優化效果最為明顯,脂肪、可溶性固形物的決定系數R2分別達到了0.984、0.97和0.988、0.990,預測標準均方差(RMSEP)分別為0.026、0.030和0.170、0.155,相對分析誤差(RPD)分別為8.077、7.000和9.112、10.000。表明近紅外光譜技術作為一種快速、便捷的檢測手段,適用于植物蛋白飲料品質的快速檢測分析。

植物蛋白飲料;近紅外光譜分析技術;定量分析;波段篩選

植物蛋白飲料是以植物的果核或種子為主料,經過原料處理、浸泡、磨漿、過濾、均質和殺菌等工序,調配制成的植物蛋白飲品[1]。因其風味獨特且含有豐富的營養,深受廣大消費者的喜愛[2]。植物蛋白飲料中含有豐富的脂肪和可溶性固形物(包括維生素、礦物質及多糖等),這兩項評價指標在很大程度上影響飲料的營養價值以及口感和香味[3]。近年來部分企業為謀求利益,在生產過程中偷工減料,達不到國家的相關標準[4],而現有的檢測方法大多是化學分析,不僅費時費力,且耗時較長,不能滿足生產企業以及監管部門的即時性現場檢測的迫切需求。

近幾年,近紅外光譜分析技術作為一種快速、準確、無損的檢測技術手段[5],受到越來越多人的重視,一些學者也將其用于飲料的研究當中。谷如祥等[6]通過遺傳算法結合支持向量機模型對蘋果飲料中原果汁含量快速測定,并取得了較好的結果。艾施榮等[7]運用近紅外光譜技術成功地對3種茶飲料(龍井茶、烏龍茶和鐵觀音)進行檢測。唐長波[8]應用近紅外光譜法測定了40個果汁飲料中富馬酸含量,模型取得了較高的準確度。以上研究均體現出近紅外光譜分析技術在飲料行業品質控制及成分分析中的巨大潛力,但對于植物蛋白飲料重要指標的快速分析尚處于空白階段,尤其在模型優化方面目前更是鮮見報道。

本研究擬采用近紅外光譜技術檢測植物蛋白飲料中的脂肪和可溶性固形物,運用向后間隔偏最小二乘法(backwardintervalpartialleastsquares,BiPLS)、組合間隔偏最小二乘法(synergy interval partial least squares,SiPLS)、遺傳算法(genetic algorithms,GA)和競爭性自適應重加權算法(competitiveadaptivereweightedsampling,CARS)對植物蛋白飲料中的光譜波段進行篩選,分別建立偏最小二乘(partialleastsquares,PLS)法模型并進行驗證。分析比較4種波段篩選方法對植物蛋白飲料脂肪和可溶性固形物模型預測結果的影響,獲取預測精度及魯棒性最優的模型,以期為植物蛋白飲料品質的快速檢測提供一定的參考依據。

1 材料與方法

1.1 材料與試劑

植物蛋白飲料樣本(266個):市售;無水乙醚、石油醚(均為分析純):天津市致遠化學試劑有限公司。

1.2 儀器與設備

BuchiN-500傅里葉變換近紅外光譜儀:瑞士步琦有限公司;WYT-32手持折光儀:江蘇同君儀器科技有限公司;HH-6恒溫水浴鍋:上海谷寧儀器有限公司;ML204萬分之一電子分析天平:梅特勒-托利多國際貿易(上海)有限公司;500 mL索氏抽提器:上海魅宇儀器設備有限公司。

1.3 方法

1.3.1 校正集和驗證集的劃分

總之，本研究使用WGCNA構建加權共表達網絡，篩選得到與腎透明細胞癌進展相關的6個樞紐基因(TOP2A、CDK1、CDC20、KIF11、CCNB2、BUB1)并對其進行初步驗證，同時發現樞紐基因可能通過細胞周期相關通路來影響腎透明細胞癌進展及預后。

實驗采用Kennard-Stone(K-S)法[9]進行樣本集的劃分。在剔除個別異常點的基礎上,保留264個樣本數據,其中隨機選取66個樣本作為獨立測試集不參與數據建模。將剩下的198個樣本數據按照2∶1的比例進行驗證集和校正集的劃分,最終選擇132個樣本作為校正集,66個樣本作為驗證集。脂肪和可溶性固形物含量的校正集與驗證集的統計值如表1所示。

表1 校正集與驗證集的統計結果Table 1 Statistical results of calibration set and validation set

1.3.2 光譜預處理的方法

采用透反射的方式掃描樣本,采集樣本的光譜數據。為了減少光譜中的不確定信息,提高光譜可靠性,采用標準正態變量變換(standardized normal variate,SNV)對光譜數據進行預處理,消除散射及顆粒大小造成的光譜改變,提高實驗模型的穩健型。光譜光源為鹵鎢燈,檢測器為溫控InGaAs,配有高性能測量杯和反射蓋,光譜范圍為4 000～10 000 cm-1,分辨率為8 cm-1,掃描次數為32次,利用配套軟件NIR Ware Operator采集植物蛋白飲料樣本的近紅外光譜信息。

1.3.3 特征波段的選擇方法

為剔除光譜數據中的無效信息,提高數學模型分析的準確度和有效性,本實驗分別采用BiPLS[10-11]、SiPLS[12]、GA[13-15]以及CARS[16-17]4種方法對全光譜進行有效信息變量的篩選,再結合偏最小二乘法(PLS)建立優化模型。

1.3.4 樣品中脂肪和可溶性固形物的檢測方法

植物蛋白飲料中脂肪含量根據GB 5009.6—2016《食品安全國家標準食品中脂肪的測定》中的方法,采用索氏抽提法測定;可溶性固形物含量根據GB/T 12143—2008《飲料通用分析方法》中折光計法,利用手持折光儀進行測定。

1.3.5 數據分析軟件

BiPLS、SiPLS、GA、CARS等算法在MATLAB中運行,光譜預處理、偏最小二乘算法在UnscramberX10.3光譜分析軟件中完成。采用決定系數(R2)、預測標準均方差(rootmean squre error of prediction,RMSEP)、相對分析誤差(relative percent deviation,RPD)分析與評價模型的穩定性和精準性。R2越接近1,RPD＞3時[18],則表明所建立的模型越穩定,預測效果越好。

2 結果與分析

2.1.1 向后間隔偏最小二乘法對光譜波段的篩選

將整個光譜分割成k個等寬子區間,k取10～30,間隔為5,運用向后間隔偏最小二乘法(BiPLS)篩選波段,并結合偏最小二乘法(PLS)建立模型,結果如表2所示。

表2 BiPLS對光譜波段的優選結果Table 2 Optimization results of spectra waveband selected by BiPLS

續表

由表2可知,當k=25時,脂肪的模型最好;當k=15時,可溶性固形物的模型最好,所選波段分別為[14、16、9、21、3、8、2]、[6、15、7、2]。交互驗證均方根誤差(rootmeansquare errorofcrossvalidation,RMSECV)分別為0.032、0.116,分別篩選出420、400個變量,占全譜28%、26.7%。

2.1.2 組合間隔偏最小二乘法對光譜波段的篩選

表3 SiPLS對光譜波段的優選結果Table 3 Optimization results of spectra waveband selected by SiPLS

將整個光譜均勻分割為k個子區間,然后選其中的n個區間進行組合建模。當預測模型最優時,其對應的n個子區間作為最佳建模區間。試驗中k取10～30,間隔為5,n為1～4,運用組合間隔偏偏最小二乘法(BiPLS)篩選波段,并結合偏最小二乘法(PLS)建立模型,結果如表3所示。

由表3可知,當k為20、n為2時,脂肪的RMSECV值最小,為0.035;當k為25、n為3時,可溶性固形物的RMSECV值最小,為0.109。所選波段分別為[2、7]、[1、2、5],分別篩選出150、181個變量,占全譜10%、12%。

2.1.3 CARS選取特征波長

圖1 CARS對光譜波段的優選結果Fig.1 Optimization results of spectra waveband selected by CARS

實驗運用競爭性自適應重加權算法(CARS)對變量進行多次篩選,并結合PLS建立模型。篩選結果如圖1所示(運行次數為150)。圖1(a)、(b)中第一條曲線呈指數函數下降,表示隨著運行次數的增加,選擇變量個數由快到慢的遞減,提高了函數篩選變量的效率;第二條曲線為交互驗證均方根誤差(RMSECV)的變化趨勢圖,從圖中可以看出殘差圖的變化趨勢為先下降后上升,當采樣次數為105次和50次時,RMSECV值最小,這表明光譜中的無關信息被剔除,進一步采樣將剔除與脂肪和可溶性固形物含量相關的關鍵變量,導致RMSECV的值增大;第三條曲線表示回歸系數的變化趨勢,其中的“*”表示殘差的最低點,與前兩條曲線相對應[19-21]。由圖1可知,經CARS法對脂肪和可溶性固形物分別篩選出62、50個變量,占全譜的4.1%、3.3%。

2.1.4 遺傳算法選取特征波長

采用遺傳算法(GA)分別對BiPLS和SiPLS挑選后的光譜波段進一步進行篩選。控制參數設定為:種群數30,變異概率Pm=0.01,交叉概率Pc=0.5,最大因子數為10,遺傳迭代次數100次。

運行結束后,根據變量在迭代過程中的入選頻率,按照從高到低的方式逐一選擇特征波長參與建模,當RMSECV值最小時,所選變量為最優建模變量。GA-BiPLS對脂肪、可溶性固形物含量篩選結果如圖2(a)、圖2(b)所示,GA-SiPLS對脂肪、可溶性固形物含量篩選結果如圖2(c)、圖2(d)所示。圖中顯示了每個波長入選頻率,根據入選頻率選取變量并建立模型,對比分析模型效果。當選擇入選頻率分別大于2、2、4、3時模型最好,此時分別選擇了152、114、137和109個波長變量,占全光譜的10.1%、7.6%、9.1%、和7.3%。

圖2 GA法篩選變量的頻次圖Fig.2 Frequency graph of variables selected by GA

2.2 模型的建立與評價

基于上述4種方法篩選的光譜變量,分別建立脂肪和可溶性固形物含量的全光譜-PLS、BiPLS、SiPLS、GA-BiPLS、GA-SiPLS、CARS定量分析模型,并給出其主成分數、決定系數R2、預測標準均方差(RMSEP)、相對分析誤差(RPD)等評價指標。由表4可知,與全光譜-PLS相比,經篩選后的光譜變量數均減少(篩選出的特征變量如圖3所示),模型的決定系數(R2)增大,預測標準均方差(RMSEP)減小,主成分數減少,說明波段篩選能夠有效地提高模型的穩定性和準確性。

表4 脂肪和可溶性固形物的不同PLS模型性能評價結果Table 4 Evaluation results of different PLS models performances of fat and soluble solid

比較4種波段優化方法,對于可溶性固形物而言,相比于全光譜-PLS,BiPLS和SiPLS減少了建模變量數,且模型的決定系數R2達到0.981、0.983,RMSEP為0.205和0.202。對于脂肪而言,CARS方法篩選后的建模結果比BiPLS和SiPLS更為理想,建模變量數少,且模型的決定系數R2達到0.972,RMSEP為0.035。但采用GA-BiPLS、GA-SiPLS方法篩選波段后建立的模型效果更優,GA-BiPLS、GA-SiPLS方法是在BiPLS和SiPLS方法的基礎上進一步篩選變量,消除了相鄰變量之間可能存在的共線性,在減輕模型復雜程度的同時保留了關鍵變量,使模型具有較好的預測性和穩定性,脂肪模型的決定系數R2達到0.984、0.979,RMSEP為0.026和0.030,可溶性固形物模型的決定系數R2達到0.988、0.990,RMSEP為0.170和0.155。

將4種方法篩選出的變量標示在全光譜圖中,結果如圖3所示。由圖3可知,GA-BiPLS、GA-SiPLS方法篩選后的特征波段范圍和O-H、C-H、C=O分子結構的伸縮振動和倍頻吸收的位置相對應。4 264 cm-1和4 329 cm-1附近區域為脂肪的CH2伸縮振動和彎曲振動的合頻;4 283～4 386 cm-1處為糖的C-H伸縮和CH2變形振動的組合頻;5 666 cm-1和5 764 cm-1處是CH2伸縮振動的一倍頻吸收,主要由脂肪中不飽和脂肪酸伸縮振動引起。而在6 870 cm-1處的吸收峰與水中的O-H伸縮振動的一級倍頻有關,在篩選優質波段時被剔除[22]。因此,綜合分析認為,本實驗中GA-BiPLS、GA-SiPLS方法對植物蛋白飲料脂肪和可溶性固形物進行定量分析時,能夠在剔除無關變量的同時保留信噪比較高的變量,使模型效果較優。

2.3 模型檢驗

將66個獨立預測樣本分別帶入GA-BiPLS、GA-SiPLS模型當中,對模型的精準性和穩定性進行驗證,結果如圖4所示。由圖4可知,植物蛋白飲料中脂肪、可溶性固形物含量的實測值與預測值呈對角線分布,經成對t檢驗分析,各項指標預測值和實測值并無較大差異。經驗證,GA-BiPLS和GA-SiPLS方法所建模型,脂肪的R2分別達到0.971、0.966,RMSEP分別為0.036、0.039,可溶性固形物的R2分別達到0.974、0.984,RMSEP分別為0.243、0.202,說明GA-BiPLS、GA-SiPLS模型的預測效果較為準確。

圖4 GA模型實測值與預測值的分布Fig.4 Distribution of measured values and predicted values of GA model

3 結論

本研究采用BiPLS、SiPLS、GA-PLS、CARS方法篩選特征波段,并結合偏最小二乘法(PLS)建立模型,結果表明,4種波段篩選方法所建模型均取得較好效果,說明近紅外光譜分析技術適用于植物蛋白飲料脂肪和可溶性固形物的定量分析,同時也說明變量篩選能夠有效的使模型得到優化。采用GA-BiPLS、GA-SiPLS方法篩選波段后建立的模型效果優于其他方法,在剔除無關信息的同時保留植物蛋白飲料可溶性固形物和脂肪相關信息,提高了模型的穩定性和精準性。同時,遺傳算法篩選出的波長與可溶性固形物和脂肪在近紅外區域的特征吸收區域相對應,實現了優化建模波段的目標,說明該方法適用于植物蛋白飲料的定量分析,也為近紅外光譜分析技術在植物蛋白飲料可溶性固形物和脂肪的檢測方向研究提供了一定的參考依據。

[1]李驪璇.植物蛋白飲料穩定性的相關研究[J].農業工程,2011,1(3):58-60.

[2]趙 艷.植物蛋白飲料穩定性的研究進展[J].飲料工業,2009,12(1):5-9.

[3]吳曉菊,楊清香,李春香,等.核桃巴旦木植物蛋白飲料的研制[J].食品研究與開發,2011,32(4):98-100.

[4]高玉麗,左愛東,杜江美.復合植物蛋白飲料穩定性影響因素分析[J].飲料工業,2017,20(2):51-54.

[5]王 會,陸建良.近紅外光譜法快速測定含乳飲料中增稠劑含量[J].食品研究與開發,2016,37(24):132-134.

[6]谷如祥,趙武奇,石珂心,等.近紅外光譜測定蘋果飲料中原果汁含量[J].食品工業科技,2013,34(20):75-77.

[7]艾施榮,吳瑞梅,吳 燕.基于BP神經網絡近紅外光譜鑒別茶飲料的研究[J].安徽農業科學,2010,38(14):7658-7659.

[8]唐長波.近紅外光譜法快速檢測蘋果濃縮汁中的富馬酸[D].咸陽:西北農林科技大學,2007.

[9]KONG F,LIANG Z,LUAN D,et al.A glutathione(GSH)-responsive near-infrared(NIR)theranostic prodrug for cancer therapy and imaging[J].Anal Chem,2016,88(12)：6450-6456.

[10]瞿芳芳,任 東,侯金健,等.基于向前和向后間隔偏最小二乘的特征光譜選擇方法[J].光譜學與光譜分析,2016,36(2):593-598.

[11]ZOU X,ZHAO J,LI Y.Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of'Fuji'apple based on BiPLS and FiPLS models[J].Vib Spectrosc,2007,44(2)：220-227.

[12]LI T H,SHI G Y,WEI J M,et al.Prediction of lycopene content in late mature tomato based on NIR spectroscopy and SiPLS[J].Int J Appl Math Stats,2013,48(18)：172-180.

[13]王冰玉,孫威江,黃 艷,等.基于遺傳算法的安溪鐵觀音品質快速評價研究[J].光譜學與光譜分析,2017,37(4):1100-1104.

[14]LIN H,ZHAO J,SUN L,et al.Freshness measurement of eggs using near infrared(NIR)spectroscopy and multivariate data analysis[J].Innov Food Sci Emerg Technol,2011,12(2)：182-186.

[15]李子文,熊雅婷,王 健,等.遺傳算法聯合LS-SVM的蘋果原醋成分定量分析[J].中國釀造,2016,35(1):120-124.

[16]TONG P J,DU Y P,ZHENG K Y,et al.Improvement of NIR model by fractional order Savitzky-Golayderivation(FOSGD)coupled with wavelength selection[J]. Chemometr Intell Lab Syst,2015,143：40-48.

[17]秦修遠,翟媛媛,李曉云,等.可見-近紅外光譜結合CARS優化模型預測棕櫚油碘值[J].分析試驗室,2017(7):790-793.

[18]SUNDARAM J,MANI S,KANDALA C V K,et al.Application of NIR reflectance spectroscopy on rapid determination of moisture content of wood pellets[J].Am J Anal Chem,2015,6(12)：923-932.

[19]賈柳君,王 健,張海紅,等.基于FT-NIR的葡萄酒發酵過程中揮發酸的定量分析[J].中國釀造,2016,35(10):166-170.

[20]JIANG H,ZHANG H,CHEN Q S,et al.Identification of solid state fermentation degree with FT-NIR spectroscopy：Comparison of wavelength variable selection methods of CARS and SCARS[J].Spectrochim Acta Part A,2015,149：1-7.

[21]劉燕德,姜小剛,熊松盛,等.基于CARS算法的臍橙果園土壤有機質近紅外檢測[J].中國農機化學報,2016,37(2):240-244.

[22]WORKMAN J J,WEYER L.褚小立,許育鵬,田高友,譯.近紅外光譜解析實用指南[M].北京:化學工業出版社,2009:48-65.

WANG Qiongya1,2,XIA Junxia3,WU Zhenjun4,CHEN Hongguang2,WANG Junzhuan3,LI Ziwen1,LI Zongpeng1,MAI Shukui2,WANG Jian1*
(1.China National Research Institute of Food&Fermentation Industries,Beijing 100015,China;2.Department of Management Science and Engineering,College of Engineering,Northeast Agricultural University,Harbin 150030,China;3.Hebei Yangyuan Zhihui Beverage Co.,Ltd.,Hengshui 053000;4.RedBull Vitamin Drink Co.,Ltd.,Beijing 100015,China)

TS275.4

0254-5071(2017)11-0143-06

10.11882/j.issn.0254-5071.2017.11.031

2017-09-06

國家自然科學基金項目(31671937)

王瓊雅(1992-),女,碩士研究生,研究方向為農產品無損檢測。

*通訊作者:王 健(1973-),男,教授級高級工程師,博士,研究方向為農產品無損檢測。