近紅外光譜測定小麥粉常規營養成分的模型優化

高慧宇 王國棟 趙佳 王竹

摘 要：目的：應用近紅外光譜（NIR）結合偏最小二乘法（PLS）建立小麥粉常規營養成分蛋白質、水分和脂肪的含量預測模型，并選擇最佳模型。方法：收集117份小麥粉樣品的近紅外光譜，化學法測定蛋白質、水分和脂肪的含量，利用主成分分析（PCA）隨機分組，81份樣品用于構建模型、36份樣品用作驗證模型的預測能力。探討波長范圍和光譜預處理方法對所建模型預測能力的影響。結果：3個營養成分預測能力最好的模型分別是：對于蛋白質，預處理采用矢量歸一化（SNV），波長選取7 505.9～5 446.2 cm-1和4 605.4～4 242.8 cm-1，預測模型的RPD值是7.02;對于水分，無預處理，波長選擇全譜12 800～3 960 cm-1，模型的RPD值是6.83;對于脂肪，無預處理，波長在9 000～4 000 cm-1，模型的RPD值是5.06。結論：近紅外光譜法可以實現對小麥粉常規營養成分的快速預測，通過選擇波長范圍和光譜預處理方法可以顯著提高模型的預測能力。

關鍵詞：近紅外光譜;小麥;蛋白質;脂肪;營養成分

小麥粉是世界范圍內生產和消費量巨大的主食原料，富含人體所需的各種營養物質和微量元素。隨著人民生活水平的提高，小麥營養和健康品質研究不斷深入，小麥品種的改良成為世界主要作物的重要研究方向和育種目標[1]。受品種、產地和遺傳等因素的影響，小麥粉中營養成分的含量水平有很大差異[2]。小麥粉中營養成分的水平直接反映了小麥的品質高低，對小麥的生產、加工、儲存和后續小麥產品的營養價值、口感等都有很大影響。因此，能快速測定小麥粉中營養成分，特別是常規營養成分（如蛋白質、水分、脂肪等）的含量，對于小麥品種營養評估、品種改良等有很重要的意義。

近紅外光譜（NIR）是快速檢測領域里應用很廣的技術，相比傳統化學方法測定營養成分含量，具有操作簡單、無需破壞樣品、預測準確等優點[3-5]。已有的研究，利用近紅外光譜檢測營養成分，包括蛋白質、水分、脂肪[4，6-8]，涉及到的基質包括奶粉、大豆粉、玉米粉、小麥粉等。之前研究的重點是證明近紅外光譜可以代替濕化學方法檢測一些營養成分的含量水平，對于樣品的納入和預測模型的選擇沒有系統的研究對比。本研究旨在檢測小麥粉中常規營養成分如蛋白質、水分和脂肪的含量，而且根據樣品所含營養成分的含量水平分別收集三種加工程度的小麥粉樣品，包括麥芯粉、特一粉和全麥粉來構建預測模型;分別從波長和光譜預處理方法等方面探討了不同因素對于模型預測能力的影響，選擇最優模型對未知樣品進行預測。

1 材料與方法

1.1 樣品處理和光譜收集

試驗用樣品是在小麥主產區（陜西和黑龍江）采集13個品種，每種3個批次的小麥樣品，每種小麥樣品按照不同加工程度制成全麥粉，特一粉和麥芯粉，共收集117（13×3×3）份小麥粉樣品。其中，全麥粉按照 LS/T 3244—2015全麥粉國家行業標準[9]制作，特一粉和麥芯粉按照 GB 1355—1986小麥粉國家標準[10]制作。得到的小麥粉樣品分裝，編號，于-40 ℃的冰箱保存備用。

近紅外光譜的采集用德國Bruker公司的MPA型傅立葉近紅外光譜分析儀（掃描范圍 12 500～3 300 cm-1，分辨率 16 cm-1），取不少于樣品杯1/3體積的小麥粉樣品，用積分球漫反射模式掃描得到小麥粉的近紅外吸收光譜圖，每個樣品重復裝樣掃描2次。

1.2 標準分析方法

本研究中小麥樣品的蛋白質[11]、水分[12]、脂肪[13]含量分別按照各自現行有效的國標方法測定得到，各指標的數據表示符合國標要求。

1.3 NIR數學模型的建立

本研究利用Bruker公司OPUS軟件的Quant 2方法，以偏最小二乘法（PLS）分別建立小麥粉的蛋白質、水分和脂肪的近紅外定標模型。光譜預處理是為了消除由于樣品差異對光程的多重干擾或減少光譜峰重疊和消除基線漂移[14]。本研究討論的光譜預處理方法有矢量歸一化（SNV）、多元散射校正（MSC）、一階導數（1st）、二階導數（2nd）以及幾種疊加的光譜預處理方法（如 SNV +1st，MSC +1st）。利用主成分分析（PCA）隨機選取30%（36個）樣品光譜作為驗證集光譜，其余70%（81個）光譜為校正集光譜。用內部檢驗（交叉檢驗）建立校正集模型，外部檢驗（檢驗集檢驗）驗證校正集模型的可靠性。

1.4 模型預測能力評價

交叉驗證決定系數（R2）和交叉驗證均方差（RMSECV）評價定標模型的優越性，R2越大，RMSECV越小，代表模型的預測能力越好。外部檢驗是驗證集樣品對于定標模型預測性能的評價，通過決定系數（r2）和外部檢驗均方差（RMSEP）來判定定標模型的預測性能。RPD值（RPD=SD/SEP）的大小也可以評價定標模型的定標效果和預測精度，其中SD為外部驗證集樣品的成分含量的標準偏差;SEP為驗證集標準差，RPD值越大表明模型的預測能力越好。一般情況，RPD>3表明模型定標效果良好，預測精度高，可用于實際檢測;2.5<RPD<3表明模型可用于成分的粗略檢測，預測精度有待提高;RPD<2.5則表明模型難以對樣品成分進行分析[4]。

2 結果與分析

2.1 小麥粉樣品蛋白質、水分和脂肪的含量分布范圍

利用主成分分析（PCA）將117份小麥粉樣品的光譜在近紅外全譜區（12 800～3 600 cm-1）進行隨機分組，其中70%（81份）作為校正集，用來構建預測模型，剩余30%（36份）作為驗證集，用來驗證模型的的好壞。如表1所示，3個成分的含量范圍比較寬，而且驗證集范圍落在校正集范圍之內，表明了樣品選擇和分組是合理的。本研究選擇了不同品種的3個不同加工程度的小麥粉樣品（麥芯粉、特一粉和全麥粉）充分考慮到了品種和加工程度對蛋白質、水分和灰分含量的影響，盡可能在校正集中納入多的樣品，以提高模型的預測能力。

2.2 PLS模型的建立和最優模型的選擇

波長和預處理方法的選擇，是影響PLS模型預測能力的重要因素，本研究通過分別選取3種波段和7種預處理方法建立了蛋白質、水分和脂肪的PLS模型進行比較，選擇成分的最佳預測模型。表2、表3和表4分別是建立的蛋白質、水分和脂肪的PLS模型的統計數據。對于譜區的選擇，每個成分都選擇了近紅外全譜（12 800～3 960 cm-1）和（9 000～4 000 cm-1）這兩個譜區，其中選擇9 000～4 000 cm-1是因為該譜區包含了小麥粉近紅外光譜的全部波峰波谷信息，第三譜區（比如蛋白質選7 505.9～5 446.2 cm-1和4 605.4～4 242.8 cm-1疊加）選擇的是不同成分在相應波段所建模型效果較好的。從上述3個成分的PLS模型數據可以看出，通過波段和預處理方法的選擇，可以顯著提高模型的預測能力，用戶可以根據具體需求選擇最佳預測模型實現相應成分的檢測。其中，蛋白質模型的RPD值從4.34提高到7.02;水分模型的RPD值從5.86提高到6.83;脂肪模型的RPD值從3.36提高到5.06。通過比較，3個成分預測能力最好的模型分別是：對于蛋白質，預處理采用SNV，波長在7 505.9～5 446.2 cm-1和4 605.4～4 242.8 cm-1，預測模型的r2、RMSEP和RPD分別是0.977 9、0.206、7.02;對于水分，無預處理，波長選擇全譜12 800～3 960 cm-1模型的r2、RMSEP和RPD分別是0.977 4、0.354、6.83;對于脂肪，無預處理，波長在9 000～4 000 cm-1，模型的r2、RMSEP和RPD分別是0.957 8、0.080 2、5.06。附圖直觀地顯示出幾個成分測定值和預測值有很高的相關性，預測結果精確度高。

3 討論

以往利用近紅外光譜測定常規營養成分的研究大多是關于可行性的探討，涉及到的基質有小麥[2，15]、玉米[8]和奶粉[3，7]等，也有關于預處理方法選擇對近紅外光譜檢測效果影響的研究[16-17]。本研究建模樣品選擇了3種不同加工程度的小麥粉（麥芯粉、特一粉、全麥粉），確保模型所能預測成分的含量范圍足夠廣;通過波長和預處理方法的選擇，比較各模型的預測能力（r2、RMSEP和RPD值的大小）分別得到蛋白質、水分和脂肪預測效果最佳的模型。通過不同因素條件的選擇，模型的預測能力均得到很大的提高（其中蛋白質模型RPD值提高到7.02）。比較各成分最佳模型選取的波長區域，蛋白質在7 505.9～5 446.2 cm-1和4 605.4～4 242.8 cm-1，水分在12 800～3 960 cm-1，脂肪則選取9 000～4 000 cm-1，對近紅外光譜的吸收特性進行分析，產生這樣的差異是因為在建模過程中，蛋白質校正模型所選取的光譜譜帶為 N-H鍵1倍頻、2倍頻吸收帶，而水分和脂肪主要選擇 O-H和 C-H鍵為特征的吸收帶[7]。而這些吸收帶又不是水和脂肪的專屬，所以后兩者選取譜區比較寬泛。對于預處理方法，蛋白質預測模型利用了SNV，水分和脂肪模型無光譜預處理，這說明幾個因素的疊加并不一定提高模型的預測能力，可能找到合適的波長范圍，無需進行光譜預處理也能得到較好的預測模型，反之亦然。

本研究中蛋白質、水分和脂肪的最佳近紅外模型的驗證集決定系數（r2）均在0.95以上，RPD值分別是7.02、6.83、5.06，相比之前的研究[3，8]模型的預測準確度得到顯著提高，可以實現對小麥粉蛋白質、水分和脂肪的準確測量。然而，本研究的建模樣品量不是很大，所包含的小麥品種并不全面，模型驗證未使用外部驗證等，可能是限制模型應用的幾個因素。希望隨著工作的持續進行，近紅外預測模型可以不斷優化升級以符合現實測定需求，提高工作效率。

參考文獻

[1]張勇，郝元峰，張艷，等.小麥營養和健康品質研究進展[J].中國農業科學，2016，49（22）：4284-4298.

[2]李軍濤，楊文軍，陳義強，等.近紅外反射光譜技術快速測定小麥中必需氨基酸含量的研究[J].中國畜牧雜志，2014，50（9）：50-55.

[3]葉世著，彭黔榮，劉娜，等.近紅外光譜技術在奶粉檢測中的應用進展[J].中國乳品工業，2015，43（1）：24-26、58.

[4]高慧宇，王國棟，門建華，等.利用近紅外反射光譜測定豆種蛋白質、水分和灰分含量[J].衛生研究，2017，46（3）：461-466、471.

[5]徐璐璐，毛曉東，孫來軍.不同近紅外模型在小麥濕面筋快速檢測中的應用研究[J].農產品質量與安全，2012（z1）：62-65.

[6]何云，張亮，武小姣，等.苜蓿干草常規營養成分含量近紅外預測模型的建立[J].動物營養學報，2019，31（10）：4684-4690.

[7]張中衛，溫志渝，曾甜玲，等.微型近紅外光纖光譜儀用于奶粉中蛋白質脂肪的定量檢測研究[J].光譜學與光譜分析，2013，33（7）：1796-1800.

[8]林家永.近紅外光譜分析技術在玉米品質分析中的研究進展[J].中國糧油學報，2010，25（4）：108-115.

[9]國家糧食局.中華人民共和國糧食行業標準 LS/T 3244—2015 全麥粉[S].2015.

[10]國家標準局. GB 1355—1986中華人民共和國國家標準小麥粉[S].1986.

[11]中華人民共和國衛生和計劃生育委員會，國家食品藥品監督管理總局. GB 5009.5—2016食品安全國家標準 食品中蛋白質的測定[S].2016.

[12]中華人民共和國衛生和計劃生育委員會.GB 5009.3—2016食品安全國家標準 食品中水分的測定[S].2016.

[13]中華人民共和國衛生和計劃生育委員會，國家食品藥品監督管理總局.食品安全國家標準 食品中脂肪的測定GB 5009.6—2016[S].2016.

[14]高慧宇，王竹，張雪松，等.近紅外光譜法快速鑒別轉基因大豆模型優化[J].中國食品衛生雜志，2020，32（3）：244-249.

[15]吳靜珠，劉倩，陳巖，等.高光譜技術檢測單籽粒小麥粗蛋白含量探索[J].紅外與激光工程，2016，45（z1）：127-131.

[16]王賦騰，孫曉榮，劉翠玲，等.光譜預處理對便攜式近紅外光譜儀快速檢測小麥粉灰分含量的影響[J].食品工業科技，2017，38（10）：58-61、66.

[17]王偉明，董大明，鄭文剛，等.梨果糖濃度近紅外漫反射光譜檢測的預處理方法研究[J].光譜學與光譜分析，2013，33（2）：359-362.

Model Optimization for Determination of Common Nutritional Components in Wheat Flour Using Near Infrared Spectroscopy

GAO Hui-yu，WANG Guo-dong，ZHAO Jia，WANG Zhu

（National Institute for Nutrition and Health，Chinese Center for Disease Control and Prevention/Key Laboratory of Trace Element Nutrition of National Health Commission，Beijing 100050，China）

Abstract：【Objective】 Near-infrared（NIR）spectroscopy and partial least squares（PLS）were applied to determine the content of the common nutritional components in wheat flour samples.The rapid prediction models for protein，moisture and fat were established，and the optimal model was selected.【Method】 NIR spectra and analytical measurements of protein，moisture and fat were collected from 117 wheat flour samples.Partial least-squares（PLS）regression models were developed with principal components analysis（PCA）to assign 81 wheat flour samples to the calibration data set and 36 accessions to the validation set.The effects of wavelength range and spectral pretreatment methods on the predictive ability of the model were discussed.【Result】 The best predictive models for protein，moisture and fat in wheat flour samples were achieved.For protein，the best predictive model possessed 7.02 RPD value in validation sets at 7 505.9～5 446.2 cm-1 and 4 605.4～4 242.8 cm-1 using standard normal variate（SNV）.For moisture and fat，the best predictive NIR models were obtained without pretreatment，at full spectra 12 800～3 960 cm-1 and 9 000～4 000 cm-1，with the PRD value 6.83 and 5.06，respectively.【Conclusion】 NIR spectroscopy can realized the rapid prediction of the common nutritional components of wheat flour samples.By selecting wavelength range and spectral pretreatment method，the predictive model can be significantly improved.

Keywords：Near-infrared Spectroscopy;wheat;protein;fat;nutritional component

基金項目：國家自然科學基金“全谷物對過激炎癥的預防作用及適宜標志物篩選”（項目編號：81673169）。

作者簡介：高慧宇（1985— ），女，助理研究員，研究方向：營養與食品衛生學。

通信作者：王 竹（1970— ），女，研究員，研究方向：營養與食品衛生學。