不同部位駝肉營養成分檢測與近紅外光譜快速預測模型建立

吳丹丹，劉玥如，何靜,2，明亮,2，吉日木圖,2*

1(內蒙古農業大學 乳品生物技術與工程教育部重點實驗室，內蒙古 呼和浩特，010018)2(內蒙古駱駝研究院，內蒙古 巴丹吉林，737300)

隨著中國人口數量的增加和經濟日益飛速發展，人們對肉品質的需求也不斷上升，食用的肉制品種類也越來越多樣化。在非洲、阿拉伯國家、蒙古、中國西北補等地區駱駝肉深受人們喜愛。根據糧農組織的統計數據，世界上伊斯蘭國家駝肉數量約占肉類生產總量的8%[1-3]。駱駝肉色澤鮮艷且無膻味，還具有高水分、高蛋白、低脂肪、低膽固醇等特點[4]，是許多亞洲和非洲國家人們最理想的肉食來源[5]。現如今，肉類的食用品質特性受到性別、不同年齡、不同部位、營養狀況等諸多因素的影響[6]。因此，常采用pH值、揮發性鹽基氮、水分含量、失水率、色差、質構、持水力等指標檢驗肉類品質。其中肉制品水分含量直接關系到成品的適口性、新鮮度、多汁性、口感、風味等食用品質[7-8]，決定了肉品的質量和貨架期，是肉品加工貯藏中的重要衛生、營養指標[9]。

近紅外光譜技術是一種利用光譜學來檢測物質成分的技術[10]，因其快速、準確、高效無污染[11]等優點被廣泛應用于食品檢測中。近年來，近紅外光譜技術在食品行業發揮了巨大的作用。趙鉅陽等[12]在對凍藏豬肉在近紅外光譜應用中的快速無損檢測的研究中表明，利用近紅外光譜技術建立新鮮肉和長期凍藏豬肉的預測模型，可以較好地判別新鮮豬肉與凍藏豬肉，達到了快速無損檢測豬肉新鮮度的目的。謝安國[13]研究了不同形態豬肉近紅外光譜的特征及蛋白和水分在豬肉光譜中的意義，更深入地了解光譜在各波段的生物學意義。PRIETO等[14]利用近紅外光譜，預測了牛肉樣品的成分，結果表明近紅外光譜技術在肉制品的檢測研究中具有很大的潛力。

目前，由于駱駝地域性較強,分布不廣泛，所以對駱駝肉的研究并不算多，已有人對駱駝肉的營養成分以及肉制品進行了初步研究，但利用近紅外光譜技術預測駱駝肉品質特性的研究還未見報道。因此，本研究利用近紅外技術對阿拉善雙峰駝不同部位肉基本營養成分進行檢測，并建立預測模型，以期提供一種快速預測駝肉品質的模型。

1 材料與方法

1.1 材料

選取3～5歲齡阿拉善雙峰駝胴體的辣椒條、駱駝霖、大黃瓜條、腹肉、腱子肉、里脊、米龍、上腦、臀肉、外脊、胸肉、小黃瓜條、眼肉等13個部位肉樣，各部位肉切割成3 cm×2 cm×1 cm(長×寬×高)大約20 g的塊狀，標記后置于-20 ℃的冰箱進行保存，每個部位平行30個樣品。13個不同部位的分布具體見表1。

表1 不同部位駝肉的名稱Table 1 The names of different parts of camel

1.2 儀器與設備

Frontier近紅外光譜分析儀，鉑金埃爾默企業管理(上海)有限公司；DHG/50 Hz電熱鼓風干燥箱，上海一恒科學儀器有限公司；Kjeltec 8100凱氏定氮儀、Soxtec TM2050脂肪測定儀，丹麥FOSS公司；EX224ZH電子天平，奧豪斯儀器(常州)有限公司；5810R高速冷凍離心機，Eppendorf公司。

1.3 實驗方法

1.3.1 不同部位駝肉營養品質的測定

參照GB 5009.3—2016《食品中水分的測定》中的直接干燥法測定不同部位駝肉中的水分含量。

參照GB 5009.5—2016《食品中蛋白質的測定》中的凱氏定氮法測定不同部位駝肉中的蛋白質含量。

參照GB 5009.6—2016《食品中脂肪含量的方法測定》中的索氏抽提法測定不同部位駝肉中的脂肪含量。

1.3.2 采集近紅外光譜

將樣品從-20 ℃環境中取出，置于4 ℃冰箱中解凍12 h，使用絞肉機絞碎成肉糜，將制成的肉糜放入樣品杯中，表面刮平使內部氣泡流出。設定近紅外光譜儀的參數為：分辨率8 cm-1，波數范圍4 000～1 000 cm-1。每個樣品重復掃描3次，取3次掃描的平均值作為每個樣品的光譜。

1.3.3 光譜預處理與建模

對上述13個部位肉分別進行光譜掃描，共獲得390份駝肉近紅外原始光譜。將390個光譜數據以7∶3 的比例分為校正集和預測集[15]。用濾波平滑法(savitzky-golay，S-G)進行平滑濾波，可以提高光譜的平滑性，并降低噪音的干擾；標準正態變量轉換法(standard normal variate，SNV)可以消除由樣本顆粒大小、表面散射等對漫反射的影響；多元散射校正(multiplication scatter correction，MSC)主要的目的是消除由顆粒分布不均勻和顆粒大小引起的散射現象[16]。采用導數(derivative，Der)可以消除基線漂移或背景引起的干擾，區分出重疊峰，提高分辨率和靈敏度[17-18]。因此本研究選用S-G、一階導數(1stDer)、二階導數(2ndDer)、SNV、MSC等方法進行光譜預處理，采用偏最小二乘判別分析法(partial least square-discrimination analysis，PLS-DA)建立模型。以校正集決定系數Rc2、預測集決定系數Rp2、校正均方根誤差(root mean square error of calibration，RMSEC)以及預測均方根誤差(root mean square error of prediction，RMSEP)作為評價模型好壞。決定系數越接近于1，RMSEC和RMSEP越接近0時，表明預處理方法越好，模型的預測能力越高[19]。

1.4 統計分析

本實驗數據用WPS Excel 2010錄入，用IBM-SPSS Statistics 24.0對不同部位駝肉營養成分化學真值進行差異顯著性分析。利用“The Unscrambler X 10.4”軟件對13個不同部位駝肉的營養成分進行建模，并驗證。

2 結果與分析

2.1 駱駝不同部位肉樣營養成分測定結果

表2為雙峰駝不同部位肉樣的營養成分測定結果。由表2可知，駱駝肉中的含水量豐富，各部位均在70%以上，水分是評價肉品質的一個重要指標，辣椒條、駱駝霖、大黃瓜條、腹肉、腱子肉、里脊、米龍、上腦、臀肉、小黃瓜條、眼肉水分含量差異不顯著(P>0.05)，辣椒條、駱駝霖、大黃瓜條、腱子肉、眼肉均顯著高于外脊和胸肉(P<0.05)；大黃瓜條、腹肉、腱子肉、里脊、米龍、臀肉、胸肉蛋白質含量差異不顯著(P>0.05)，駱駝霖和上腦的蛋白質含量均顯著高于外脊、上腦、眼肉(P<0.05)；腹肉和外脊、胸肉脂肪含量差異不顯著(P>0.05)，外脊脂肪含量顯著高于其他部位(P<0.05)。

2.2 駱駝不同部位肉樣的近紅外光譜特征

13個不同部位駝肉樣的原始光譜如圖1所示。根據2.1的實驗結果可知，外脊部位脂肪含量較多，因此由圖1可以看出外脊部位的光譜曲線均分布在最下方，與其他部位肉樣的光譜曲線不一致，其余不同部位的駝肉樣光譜曲線的變化基本處于一致。掃描圖譜基本重合，說明光譜較為穩定，重復性較好。為進一步強化光譜特征，本研究對13個不同部位駝肉樣的數據取了平均值(圖2)，可以明顯看出13個不同部位駝肉樣的平均光譜較好地區分開來，因此采用近紅外光譜技術可有效鑒別不同部位駝肉。

圖1 不同部位駝肉樣的390個原始光譜Fig.1 390 original spectra of different parts of camel meat

圖2 不同部位駝肉樣的平均光譜Fig.2 Average spectra of different parts of camel meat

光譜在8 400、6 800、5 100 cm-1附近產生了明顯的吸收峰，在4 200、5 700 cm-1光譜附近的噪音較大。6 900 cm-1處的寬帶主要是由水引起的，是氫氧拉伸振動的第一泛音，5 000 cm-1處的吸收帶主要與蛋白質有關，與脂肪含量相對應的吸收帶主要出現在8 350、5 800～5 700和5 300～5 260 cm-1處[20-21]。

2.3 駱駝不同部位肉樣的近紅外光譜數據主成分分析

圖3對13個不同部位駝肉樣品原始光譜數據進行了主成分分析。如圖3所示，利用樣本的前2個主成分得分作圖，獲得PC1和PC2，當整個的樣品集全部由PC1和PC2表示時，13個不同部位駝肉樣品中外脊部位(WJ)呈現明顯不同的分布特征。除個別部位如外脊、眼肉、小黃瓜條、臀肉等有區別于其他部位之外，其余樣品均聚集在中間。

圖3 不同部位駝肉樣光譜的主成分分析圖Fig.3 Principal component analysis diagram of spectra of different parts of camel meat

2.4 駱駝不同部位肉樣營養成分預處理與PLS-DA模型的建立

光譜采集過程中，無論人為操作多么精確，還是會無法避免一些客觀因素產生系統誤差影響近紅外定量分析模型的信息，例如樣品不均勻或受污染、樣品受到其他組分的干擾、光譜采集不準確、光譜范圍的選擇不正確、光譜噪音大等而產生誤差。因此在建模前，要對原始光譜進行預處理，進而不斷優化所建立的模型。

由表3可知，營養成分不同適宜的預處理方法也有所不同，不同部位駝肉樣的水分含量模型的最佳預處理方法為MSC，模型的決定系數R2、RMSEC分別是0.745 9和0.008 5；不同部位駝肉樣的蛋白質含量模型的最佳預處理方法為SNV，模型的決定系數R2、RMSEC分別是0.660 2和0.287 9；不同部位駝肉樣的脂肪含量模型的最佳預處理方法為S-G，模型的決定系數R2、RMSEC分別是0.988 5和0.086 3。由于近紅外技術對化學指標的預測能力較強，水分、脂肪和蛋白質中的—CH和—OH基團具有強烈的近紅外吸收[22]，同時蛋白質和脂肪是肉中的主要成分，是引起光譜差異性的主要原因[23]。

表3 不同的預處理方法對建模效果的影響Table 3 The influence of different preprocessing methods on the modeling effect

2.5 駱駝不同部位肉樣營養成分模型的預測

(圖4)將劃分好的驗證集數據對建立的模型進行了驗證。由圖4可知，不同部位駝肉樣水分含量驗證集決定系數RP2、RMSEP為0.774 1、0.013 4；蛋白質含量模型的決定系數Rp2、RMSEP為0.672 5、0.276 0；脂肪含量模型模型的決定系數Rp2、RMSEP為0.996 3、0.056 7。驗證結果與校正集結果一致，說明利用近紅外光譜技術對不同部位駝肉樣的脂肪含量預測效果最好，水分含量的預測效果次之，蛋白質含量的預測效果最不理想。

a-水分含量模型的預測圖；b-蛋白質含量模型的預測圖；c-脂肪含量模型的預測圖圖4 營養成分模型驗證集的真實值與預測值的分布圖Fig.4 Distribution of true and predicted values of the nutrient content model validation set

3 結論

本研究以阿拉善雙峰駝13個不同部位肉為實驗樣品，采用近紅外光譜技術，結合PLS-DA，對駝肉中水分、蛋白質及脂肪含量進行了定性分析，建立了駝肉營養成分模型。結果表明，通過13個不同部位駝肉平均光譜不同這一特點可成功鑒別雙峰駝不同部位的肉。與水分和蛋白質含量相比，近紅外光譜技術更適合不同部位駝肉樣脂肪含量的預測，模型的決定系數Rc2值最高、RMSEC值最小，模型預測能力較好。預測的水分和蛋白質含量的PLS-DA模型的性能有待進一步提高。因此，采用近紅外光譜技術可以簡便且準確地對不同部位駝肉樣進行鑒別和營養成分的預測。