近紅外光譜法快速檢測藜麥蛋白含量

張晉 曹曉寧 田翔 劉思辰 秦慧彬 喬治軍

摘要?[目的]建立一種藜麥粗蛋白含量快速、無損、簡便的測定方法，為藜麥的資源評價和品質育種提供技術支持。[方法]以100份藜麥種質資源為材料，其中80%為校正集，20%為驗證集，掃描得到藜麥近紅外原始光譜，利用OPUS/QUAN T5.5光譜定量分析軟件建立藜麥蛋白質含量的快速檢測模型。[結果]采用一階導數+矢量歸一化光譜方法進行預處理，結合化學方法測定數據建立藜麥粗蛋白近紅外定量模型，校正和預測效果最好，藜麥粗蛋白近紅外定量模型的交叉驗證決定系數為0.918 2，外部驗證決定系數為0.915 1。[結論]基于近紅外光譜法（NIRS）測定藜麥籽粒的蛋白含量是完全可行的。

關鍵詞?藜麥;蛋白;含量;近紅外光譜技術

中圖分類號?TS210.7?文獻標識碼?A

文章編號?0517-6611（2021）09-0175-02

doi：10.3969/j.issn.0517-6611.2021.09.047

Abstract?[Objectives]In order to provide technical support for quinoa resource evaluation and quality breeding，and establish a fast，non-destructive，and simple method for determining quinoa protein content.[Method]A total of 100 quinoa varieties were selected，which 80% were used as the modeling set and 20% were used as the verification set.We collected 100 the near infrared spectra of quinoa，the OPUS/QUAN T5.5 software were used to preprocess the original near-infrared spectra data after scanning，and established the quantitative prediction model of quinoa kernel protein content.[Result]Through the preprocessing of first derivative and vector normalization spectral method，and set up the near infrared quantitative model of quinoa protein combining with the data of chemical method，whose calibration and prediction effect was best.Cross validation decision coefficient and external validation decision coefficient of protein by near infrared quantitative model were 0.918 2 and 0.915 1.[Conclusion]It is completely feasible to determine the protein content of quinoa grains based on near-infrared spectroscopy （NIRS）.

Key words?Quinoa;Protein;Content;Near infrared spectroscopy

藜麥（Chenopodium quinoa Willd.）原產于南美洲安第斯山地區，有 5 000～7 000 年種植歷史[1-3]，具有耐寒、抗旱耐逆、耐鹽堿等特性[4]。由于其營養的均衡性[5]，被聯合國糧農組織（ FAO） 推薦為適宜人類食用的“全營養食品”，在國內受到了越來越多的關注[6-10]。藜麥籽粒蛋白質含量高[11]，溶解性好，容易被人體吸收利用，屬于優質蛋白質[12]，富含多種氨基酸，尤其是植物蛋白中所缺乏的賴氨酸、色氨酸等[12-13]。因此蛋白質含量作為評價藜麥品質的重要指標，對藜麥資源評價、育種材料的篩選具有重要作用。蛋白質含量的測定一般使用凱式定氮法、高效液相色譜法[14]，這些方法步驟煩瑣、速度慢、費用高、周期長，不適宜批量對藜麥資源品質評價、育種過程中早代材料的快速、無損檢測。因此建立一種快速無損檢測藜麥蛋白含量的模型和方法，對藜麥種質資源評價鑒定具有重要意義，同時將極大地推進育種進程，提高種質資源的利用效率。

近紅外光譜分析技術是近年來發展快速、最引人注目的光譜分析技術[15]，具有適合多組分測定、分析速度快、測定過程無污染、操作簡便、成本低等優點[16]，已成為品質分析的重要手段和發展方向[17]，在玉米、大豆、花生、谷子等作物中均廣泛應用[18-21]。目前關于藜麥籽粒蛋白含量近紅外研究較少，曹曉寧等[22-24]建立了基于近紅外光譜法快速檢測藜麥脂肪、纖維和淀粉的模型，石振興等[25]建立了基于藜麥粉的粗蛋白、粗脂肪和淀粉含量近紅外預測模型，均未對藜麥籽粒蛋白含量的近紅外模型進行研究。該研究基于藜麥籽粒蛋白質含量的真實值，利用MPA型傅立葉變換近紅外光譜儀和OPUS建模軟件，建立藜麥蛋白質近紅外光譜分析模型，為藜麥品質育種與資源評價提供技術支持。

1?材料與方法

1.1?試材?以中國農業科學院作物科學研究所外引室以及山西農業大學農業基因資源研究中心提供的100 份藜麥品種（系）為試驗材料。試驗所需試劑為無水乙醇、硼酸、氫氧化鈉、溴甲酚綠、濃硫酸、甲基紅、硫酸銅和硫酸鉀。

1.2?儀器

分析天平;電熱恒溫鼓風干燥箱;旋風磨（Foss Cyclotec1093）; MPA傅立葉變換近紅外光譜儀（德國Bruke公司）;FOSS消化爐（2012 型）;FOSS全自動凱氏定氮儀（8400 型）。

1.3?試驗方法

1.3.1?粗蛋白測定。根據GB 5511—2008，利用凱氏定氮儀計算粗蛋白含量進行藜麥籽粒蛋白含量的測定，每份樣品稱取2份，每份0.5 g，準確至0.001 g。

1.3.2?近紅外光譜的采集。

將藜麥樣品室溫下放置7 d，平衡水分，并去除雜質。將近紅外光譜儀器開機預熱30 min，開始性能測試和白板參比，把樣品裝入樣品杯（容積25 cm3 ），每次裝樣以容積的2/3最佳，并將藜麥籽粒表面刮平。利用近紅外光譜儀采取藜麥樣品的漫反射光譜掃描光程進行優化和選擇，每樣品掃描2次并取平均值，工作譜區為4 000～12 000 cm-1。

1.3.3?近紅外數學模型的建立。

采用光譜定量分析軟件和DPS 軟件，并利用軟件中的自動優化功能，篩選建模的最佳光譜預處理方法、譜區范圍和主因子數。將藜麥樣品數據分為2組：校正集（80%用于建立近紅外模型）和驗證集（20%用于檢驗所建模型的精度）。為找到最優建模方法，內部驗證采用校正樣品集進行，利用建模之外的樣品對模型進行外部檢驗，來確定最優模型。

2?結果與分析

2.1?藜麥原始光譜圖與化學值?從圖1可以看出，在光譜波段10 000～4 000 cm-1藜麥存在多個吸收峰，其變化趨勢一致但是不重合，說明該光譜圖質量較高，待測樣品的前處理能夠達到試驗要求;同時樣品品質的多樣性豐富，近紅外光譜圖能夠覆蓋較大范圍，可用于快速檢測模型的建立。

對藜麥樣品蛋白含量進行分析，結果發現（表1），藜麥粗蛋白含量是12.92%～15.62%，平均值為14.63%，數據變幅較寬，適合建立近紅外分析模型。

2.2?蛋白模型的建立

利用軟件中的自動優化功能，發現采用一階導數+矢量歸一化法進行光譜預處理方法建立的蛋白含量校正模型的校正效果最好，交叉驗證決定系數為0.918 2，標準誤（RMSECV） 為0.155（圖2），說明通過此種方法建立的快速檢測模型是可行的，可應用于大批量藜麥籽粒蛋白含量的快速檢測。

2.3?藜麥蛋白模型外部檢驗

利用驗證集的20份藜麥樣品對該研究所建模型質量（預測效果）進行評價，結果發現，該模型的外部驗證決定系數為 0.915 1，預測標準誤為0.224，由此可見預測值與實際值之間沒有顯著差異，說明近紅外光譜儀測定的藜麥蛋白質含量的結果是可靠的。

3?討論與結論

近紅外光譜分析技術在應用中的準確性受到多種因素的影響[26]。建標樣品的數量和質量是建立快速檢測模型的基礎，直接影響到結果的準確性。蔣煥煜等[27]研究發現溫度對模型精度有一定的影響，樣品的溫度在10 和20 ℃下模型的精度較高。王京宇等[28]研究發現水分含量也會影響利用近紅外測定蛋白質含量結果的準確性。樣品粒度的變化可以對散射系數和吸光度產生影響，進而影響整個圖譜發生變化[29]。胡新中等[30]研究發現蛋白質含量與顆粒度、灰分含量和顆粒度呈顯著正相關。待測樣品的處理和使用及預處理方法的不同也會影響近紅外光譜分析結果的準確性[31]。該研究利用MPA傅立葉變換近紅外光譜儀對100份藜麥籽粒樣本進行光譜掃描，通過光譜定量分析軟件進行光譜預處理、數學方法運算及回歸統計分析，建立了藜麥完整籽粒蛋白含量預測模型，決定系數較高、誤差小、可靠性較好，但今后的工作中仍需補充藜麥資源種類和數量，對模型進行校正和優化[32]，保證模型的準確性和穩定性。基于此方法建標的藜麥樣本是完整的、籽粒無破損，滿足了快速、無損檢測要求，為藜麥品質的評價指標如氨基酸含量的快速檢測奠定了基礎。

參考文獻

[1] FAO.Quinoa：An ancient crop to contribute to world food security[R].Rome，Italy：Food and Agriculture Organization，2011.

[2] IQBAL M J，REDDY O U K，EL-ZIK K M，et al.A genetic bottleneck in the ‘envolution under domestication of upland cotton Gossypium hirsutum L.examined using DNA fingerprinting[J].Theoretical and appliede genetics，2001，103（4）：547-554.

[3] 王晨靜，趙習武，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.

[4] JACOBSEN S E，MUJICA A，JENSEN C R.The resistance of quinoa （Chenopodium quinoa Willd.） to adverse abiotic factors[J].Food reviews international，2003，19（1/2）：99-109.

[5] REPO-CARRASCO R，ESPINOZA C，JACOBSEN S E.Nutritional value and use of the Andean crops quinoa （Chenopodium quinoa） and kaiwa （Chenopodium pallidicaule）[J].Food reviews international，2003，19（1/2）：179-189.

[6] 周海濤，劉浩，么楊，等.藜麥在張家口地區試種的表現與評價[J].植物遺傳資源學報，2014，15（1）：222-227.

[7] 王艷青，李勇軍，李春花，等.藜麥主要農藝性狀與單株產量的相關和通徑分析[J].作物雜志，2019（6）：156-161.

[8] 董艷輝，王育川，溫鑫，等.藜麥育種技術研究進展[J].中國種業，2020（1）：8-13.

[9] 梅麗，郭自軍，王立臣，等.15份藜麥資源在北京地區的生態適應性評價[J].中國農業大學學報，2019，24（9）：27-36.

[10] 李佶愷，王建麗，尚晨，等.不同藜麥材料在哈爾濱地區的適應性研究[J].草業學報，2019，28（9）：202-208.

[11] 石振興，楊修仕，么楊，等.60 份國內外藜麥材料子粒的品質性狀分析[J].植物遺傳資源學報，2017，18（1）：88-93.

[12] VEGA-GLVEZ A，MIRANDA M，VERGARA J，et al.Nutrition facts and functional potential of quinoa （Chenopodium quinoa Willd.），an ancient Andean grain：A review[J].Journal of the science of food and agriculture，2010，90（15）：2541-2547.

[13] RUALES J，NAIR B M.Nutritional quality of the protein in quinoa （Chenopodium?quinoa Willd.） seeds[J].Plant foods for human nutrition，1992，42（1）：1-11.

[14] WRIGHT K H，PIKE O A，FAIRBANKS D J，et al.Composition of Atriplex hortensis，sweet and bitter Chenopodium quinoa seeds[J].Journal of food science，2002，67（4）：1383-1385.

[15] 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.

[16] 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，2013：1-6.

[17] 嚴衍祿.近紅外光譜分析基礎與應用[M].北京：中國輕工業出版社，2005：1-20.

[18] 于翠紅，樊翠芹，張麗，等.玉米子粒粗蛋白近紅外模型的建立[J].河北農業科學，2019，23（6）：101-105.

[19] 李建國，薛曉夢，張照華，等.單粒花生主要脂肪酸含量近紅外預測模型的建立及其應用[J].作物學報，2019，45（12）：1891-1898.

[20] 王翠秀，曹見飛，顧振飛，等.基于近紅外光譜大豆蛋白質、脂肪快速無損檢測模型的優化構建[J].大豆科學，2019，38（6）：968-976.

[21] 田翔，劉思辰，王海崗，等.近紅外漫反射光譜法快速檢測谷子蛋白質和淀粉含量[J].食品科學，2017，38（16）：140-144.

[22] 曹曉寧，田翔，趙小娟，等.基于近紅外光譜法的藜麥脂肪含量快速檢測[J].湖北農業科學，2016，55（18）：4796-4798.

[23] 曹曉寧，田翔，王君杰，等.基于近紅外光譜法快速檢測藜麥纖維含量[J].安徽農業科學，2016，44（15）：17-19.

[24] 曹曉寧，田翔，趙小娟，等.基于近紅外光譜法快速檢測藜麥淀粉含量[J].江蘇農業科學，2017，45（4）：147-149.

[25] 石振興，朱瑩瑩，楊修仕，等.藜麥粉末中主要營養成分近紅外預測模型的建立及驗證[J].糧食與油脂，2017，30（12）：55-57.

[26] 胡超，白史且，張玉，等.近紅外光譜技術（NIRS）及其在牧草品質檢測中的應用[J].草業與畜牧，2013（4）：40-46.

[27] 蔣煥煜，謝麗娟，彭永石，等.溫度對葉片近紅外光譜的影響[J].光譜學與光譜分析，2008，28（7）：1510-1513.

[28] 王京宇，鄭家豐.水分含量對近紅外測定蛋白質結果的影響[J].糧食與飼料工業，2001（10）：48-49.

[29] 趙麗麗，趙龍蓮，李軍會，等.傅里葉變換近紅外光譜儀掃描條件對數學模型預測精度的影響[J].光譜學與光譜分析，2004，24（1）：41-44.

[30] 胡新中，魏益民，張國權，等.近紅外谷物品質分析儀工作穩定性研究[J].糧食與飼料工業，2001（6）：46-47.

[31] 劉建學，吳守一，方如明.大米直鏈淀粉含量的近紅外光譜分析[J].農業工程學報，2000，16（3）：94-96.

[32] 于海燕，應義斌，劉燕德.農產品品質近紅外光譜分析結果影響因素研究綜述[J].農業工程學報，2005，21（11）：160-163.