牛肉中蛋白质、脂肪检测方案

智能文字提取功能测试中

食品科技-分析检测Science and Technology of Food Industry 食品m科技分析检测1-Vol.34，No.03，2013 两种近红外光谱分辨率预测牛肉营养成分的比较研究 刘晓晔'，汤晓艳*，孙宝忠，王敏，毛雪飞1，吴 伟 (1.中国农业科学院农业质量标准与检测技术研究所/农业部农产品质量安全重点实验室，北京 100081；2.中国农业科学院北京畜牧兽医研究所，北京100193) 摘 要：应用近红外光谱技术在不同光谱分辨率下分析了同一批牛肉样本的蛋白质、脂肪和水分含量。样品取自16头西门塔尔杂交牛的14个部位，宰后成熟48h，绞成肉糜状后分别于不同分辨率1.6和10.0nm条件下进行近红外光谱扫描和化学成分测定。应用 The Unscrambler 建模软件，采用偏最小二乘回归技术( PLSR)，通过交互验证程序建立近红外数学模型，得到不同分辨率1.6和10.0nm 条件下蛋白质的校正集相关系数R分别为0.94和0.93，交互验证标准差(RMSECV)分别为0.49和0.54；脂肪R分别为0.93和0.92，RMSECV 分别为0.64和0.76；水分R分别为0.87和0.81，RMSECV分别为1.18和1.26。研究结果表明，高光谱分辨率下的蛋白质、脂肪和水分模型精度要略优于低光谱分辨率所建模型。 关键词：近红外光谱，预测，蛋白质，脂肪，水分 Comparative study on the prediction of beef nutrientsby near infrared spectroscopy under two resolutions LIU Xiao-ye ，TANG Xiao-yan，SUN Bao-zhong'，WANG Min ，MAO Xue-fei ，WU Wei (1.Institute of Quality Standards & Testing Technology for Agriculture-Products， Chinese Academy of Agricultural Science/ Key Laboratory of Agriculture food Safety and Quality， Ministry of Agriculture，P.R.China，Beijing 100081，China；2.Institute of Animal Science for Agriculture-Products， Chinese Academy of Agricultural Science，Beijing 100193，China) Abstract： The protein，fat and moisture of the beef samples under two resolutions were analyzed using near infraredspectroscopy.The samples were obtained from 14 parts of 16 Simmental crossbred cattle.After 48h postmortemaging，these samples would be homogenized and scanned.Immediately after scanning under 1.6 and 10.0nm bynear infrared spectroscopy(NIR) ，the samples were analyzed for protein， fat and moisture. The models were set upby partial least squares regression( PLSR) using the Unscrambler software. The results of nutrient contents testedby cross-validation under two resolutions of 1.6 and 10.0nm showed R of 0.94 and 0.93，RMSECV of 0.49 and 0.54(protein)； R of 0.93 and 0.92， RMSECV of 0.64 and 0.76(fat)； R of 0.87 and 0.81， RMSECV of 1.18 and 1.26(moisture)，respectively.The above research results demonstrated that for the models of protein，fat and moisture，the higher resolution provide slightly better results than the lower resolution. Key words： near infrared spectroscopy； prediction； protein； fat； moisture 中图分类号：TS251.7 文献标识码：A 文章编号：1002-0306(2013) 03-0302-04 近红外光谱作为一种快速、简便、无损的分析技术，在多个行业中成功地应用于检测产品的各项指标，比如农产品、石油产品、药品及乳产品等均可用近红外光谱技术作定性或定量分析。在应用近红外光谱进行测量建模时应该考虑光谱的测量范围、分辨率、扫描累加次数及测量方式等。对某些样品， ( 收稿日期：2012-08-13 *通讯联系人 ) ( 作者简介：刘晓晔(1986-)，女，硕士研究生，研究方向：畜产品质量安全。 ) ( 基金项目：国 家 公益性(农业)行业科技专项(201303083，200903012)；国际科技合作专项(2012DFA31140)；农业部“948”重点项 目(2011-G5) 。 ) 一定范围内改变测量分辨率或许基本不改变光谱的性质(信噪比和峰的数量，位置等)，对于某些样品，光谱质量与分辨率还是相关的。 Sato 等研究不同密度的聚乙烯丸和薄膜的近红外光谱发现，分析模型的相关系数和交互验证标准差与光谱分辨率关系很小。王一兵等通过研究不同分辨率对多组分混合物中乙酰氨基苯酚和乙水杨胺的定量分析模型的影响，发现随着分辨率下降，定量分析模型的预测能力呈现不同程度的下降趋势。近年来，近红外光谱技术已经被用于肉类质量参数的测定，尤其是营养成分(蛋白质、脂肪和水分)的测定。如 Kestens 和Liao 等人4-5对猪肉营养成分的测定， Prevolnik 等人对牛肉营养成分的测定，Viljoen 等人”对羊肉营 养成分的测定，McDevitt 和刘炜等人18-9对鸡肉营养成分的测定，栾东磊和王小燕等人110-11对大黄鱼和带鱼肉营养成分的测定，及Ortiz-Somovilla’等人对肉类制品香肠营养成分的测定，都获得了很好的预测效果。但对于光谱分辨率对肉品成分测定模型的影响尚未有研究报道。本论文以牛肉为介质，以其中的蛋白质、脂肪和水分含量为测定对象，研究近红外光谱分辨率与牛肉营养成分定量分析的关系，探讨近红外光谱分辨率对肉类介质参数测定模型的影响，为肉类参数测定的最佳光谱采集条件选择提供了理论依据。 1 材料与方法 1.1 材料与仪器 牛肉均取自内蒙古科尔沁牛业股份有限公司，为16头西门塔尔杂交牛(公牛10头，母牛6头)，宰后排酸48h 后，按分割部位取样，取其14个部位(板腱、脖肉、大瓜、肩肉、辣椒条、里脊、霖肉、米龙、牛腩、上脑、臀肉、外脊、小瓜和眼肉)共224个样品，每个样品重约2kg。样品在-20℃条件下储存运输，而后进行近红外光谱扫描和蛋白质、脂肪、水分含量的测定。 Spectrum 100N FT-NIR( 光谱范围833~2500nm，分辨率1.6nm) 美国PE 公司； SupNIR-1000 近红外光谱仪(光谱范围1000~1800nm、分辨率10.0nm)北京聚光科技股份有限公司；KjeltecTM2300 凯氏定氮仪、Soxtec TM2050 脂肪测定仪 丹麦Foss 公司；GM2000研磨仪 德国 Retsch 公司； BCD-238S 冰箱海尔公司。 1.2 实验方法 1.2.1 样品制备 宰后48h采集运输的牛肉样品在室温下过夜解冻，至样品完全解冻并达室温条件，随后将样品制成肉糜(GM2000 研磨仪，2000rmin川，0.20min)，得到的牛肉糜分别进行近红外光谱扫描以及蛋白质、脂肪和水分含量的测定。 1.2.2 牛肉近红外光谱扫描 将制成的肉糜装入样品池，采用漫反射扫描方式，分别在分辨率1.6nm及分辨率10nm 的条件下进行近红外光谱采集，每个样品采集三条光谱曲线，求其平均光谱建立近红外光谱定量分析模型。 1.2.3 蛋白质、脂肪和水分的测定 牛肉中蛋白质、脂肪和水分含量分别按照 GB/T9695·11-2008《肉与肉制品氮含量测定》、GB/T9695·7-2008《肉与肉制品总脂肪含量的测定》14和 GB/T 9695·15-2008《肉与肉制品水分含量测定》进行测定。 1.2.4 数据处理与分析 应用 The Unscrambler(version9.8，CAMO) 专业化学计量学软件，对不同光谱分辨率下扫描的近红外光谱信息进行分析，采用多元散射校正(MSC)、标准正态化处理(SNV)、去趋势化(De-trending)、平滑(Smoothing)和导数(Derivative) 的光谱预处理方法进行处理，来降低光谱噪声和扣除背景干扰，选择偏最小二乘回归技术(PLSR)和交互证证程序，分别建立牛肉中蛋白质、脂肪和水分含量的近红外定量分析模型。模型 的优劣用校正集相关系数(R)、校正标准差(RMSEC)、交互正证相关系数(R)、交互验证标准差(RMSECV)作为衡量指标。 2 结果与讨论 2.1 化学成分数据分析 对224个牛肉样本按照1.2.3所列国标方法进行了蛋白质、脂肪和水分的测定，统计结果见表1。表1中列出了牛肉样品中蛋白质、脂肪和水分的平均值和标准偏差，本研究采用的是不同分割部位的牛肉样本，从表1中可见，其营养成分含量变化范围较大，其中蛋白质含量范围为18.29%~23.48%，脂肪为0.20%~9.46%，水分为68.07%~88.27%。 表1 牛肉样品的蛋白质、脂肪和水分统计 Table 1 The statistics of protein，fat and moisture of beef 指标 蛋白质(%) 脂肪(%) 水分(%) 变化范围 18.29~23.48 0.20~9.46 68.07~88.27 平均值 20.91 2.26 75.23 标准偏差 1.07 1.71 2.36 2.2 光谱分析 两种不同分辨率条件下所得近红外光谱如图1~图2所示。比较图1(分辨率1.6nm)和图2(分辨率10nm)可以看出，在相同的波长范围(1000~1799nm)下，分辨率为1.6nm 时，特征吸收峰比较明显，包含的信息也比较丰富，但光谱噪音有所增加；低分辨率下获得的光谱(图2)较为光滑。 图1 分辨率1.6nm的牛肉糜原始光谱 Fig.1 Original spectroscopys of mince beefunder resolution of 1.6nm 图2 分辨率10.0nm 的牛肉糜原始光谱 Fig.2 Original spectroscopys of mince beefunder resolution of 10.0 nm 2.3 不同分辨率下模型结果分析 在相同的波段范围下，利用在分辨率为1.6和10nm下扫描的光谱，所建立的蛋白质、脂肪和水分定量分析模型结果如表2所示。相关数据分析得 表2不同分辨率下牛肉样品的蛋白质、脂肪和水分的模型比较 Table 2 The comparison of protein，fat and moisture model of beef under two resolutions 测定项目 分辨率 波长范围 校正集相关 校正标准差 交互验证集 交互验证标准差 (nm) (nm) 系数R RMSEC 相关系数R RMSECV 蛋白质 1.6 1000~1800 0.94 0.35 0.88 0.49 10.0 1000~1800 0.93 0.38 0.85 0.54 脂肪 1.6 1000~1800 0.93 0.61 0.92 0.64 10.0 1000~1800 0.92 0.56 0.85 0.76 水分 1.6 1000~1800 0.87 0.99 0.81 1.18 10.0 1000~1800 0.81 1.15 0.79 1.26 知，在相同的波段范围下，尽管两种分辨率下扫描光谱所建定量分析模型的相关系数R相差不大，但是从其交互验证标准偏差(RMSECV)的比较上可以看出，高分辨率(1.6nm)下所建立的蛋白质、脂肪和水分模型的 RMSECV 值分别为0.49、0.64和1.18，小于低分辨率(10.0nm)下蛋白质、脂肪和水分模型的RMSECV 值(0.54、0.76和1.26)，说明高分辨率下定量分析模型精度要略优于低分辨率下所建模型。图3~图5分别为牛肉蛋白质、脂肪和水分验证集真实值与预测值分布图，图3中也可以看出，图(A)高分辨率下的模型要比图(B)的模型线性关系明显，王一冰等人在做近红外光谱分辨率对定量分析的影响时指出，如果测量时分辨率过低，则不能提供足够的光谱信息，会影响定量模型的质量，笔者推断可能是因为高分辨率条件下扫描的光谱所包含信息更加丰富，更能反映出营养成分含量变化对近红外光谱的影响。 表2中模型结果显示，两种分辨率下蛋白质的近红外模型精度( RMSECV：0.49、0.54)都要优于脂肪和水分的模型( RMSECV： 0.64、0.76； RMSECV： 1.18、1.26)，从图4、图5的对比中可以看出，低脂肪含量的样品多，而高脂肪含量的样品相对较少，中间水分 图3 牛肉蛋白质模型验证集真实值与预测值分布图 Fig.3 Predicted and true value of validation with beef protein model 注：(a)：1.6nm；(b)：10.0nm。图4、图5同。 图4 牛肉脂肪模型验证集真实值与预测值分布图 Fig.4 Predicted and true valueof validation with beef fat model 图5 牛肉水分模型验证集真实值与预测值分布图 Fig.5 Predicted and true value of validationwith beef moisture model 含量的样本多，而两端低水分含量和高水分含量的样本较少，理想的建模对象应当是在整个的含量变化范围内呈现均匀分布的样品”，如图3中蛋白质的含量分布图。与蛋白质和脂肪模型相比，水分的模 型效果较差，除与样品参考值的分布有一定关系外，样品制备过程中水分的蒸发，光谱的扫描和水分的测量不在同一时间点，都会对模型结果产生不利的影响，这与 Cozzolino等人6的研究结果是一致的。 3 结论 3.1 结果表明，对于牛肉中的蛋白质、脂肪和水分来说，两种分辨率下应用近红外光谱所建定量分析模型相关系数R相差不大，高光谱分辨率(1.6nm)下所建立的近红外模型精度要略优于低光谱分辨率(10nm)下所建立模型。 3.2 证实了近红外能够作为一种替代性手段用来检测肉类中的蛋白质、脂肪和水分含量。但是对每个参数建立模型时，应注意所选取的样品要在测量范围内均匀分布，且参考值的测定应当与近红外光谱的扫描在时间点上尽可能一致。 ( 参考文献 ) ( []严衍禄，赵龙莲，韩东海，等.近红外光谱分析基础与应用[M].北京：中国轻工业出版社，2005：130. ) ( 2] SATO H ，SHIMOYAMA M，KAMIYA T，et al. Near infraredspectra of pellets and t hin films of high-density，low-density and linear low-density polyethylenes a n d p r ediction of their p h ysical properties by m ultivariate data analysis [J]. N ear Inf r aredSpectrosc，2003，11(4)：309-321. ) ( [B]王一兵，王红宇，翟宏菊，等.近红外光谱分辨率对定量分析的影响.分析化学研究简报，2006，34(5)：699-701. ) ( [4] KESTENS V， CHAROUD- GOT J， BA U A， et al . Online measurement of w a ter content in candidate re f erence ma t erials by acoustooptical tuneable filter near-infrar e d spectrometry( AOTF- NIR) u sing pork meat c alibrants controlle d []. Food Chemistry， 2008，106(4)： 1 359-1365. ) 5]LIAO Y T，FAN Y X，CHENG F.On-line prediction of fresh pork quality using visible/near-infrared reflectance spectroscopy ( [6] PREVOLNIK M，CANDEK-POTOKAR M，SKORJANC D， et al.Predicting intramuscular fa t conten t i n por k and beef by near infrared spectroscopy [ ].Journal of Near Infrared Sp e ctroscopy， 2005，13(2)： 7 7-85. ) ( [7]VILJOEN M ，HOFFMAN L C，BRAND T S.P r ediction of thechemical c omposition o f m u tton wi t h ne a r infrared reflectancespectroscopy [ ] . Small Ruminan t Research，2007，69(1-3)： 88-94. ) ( [8] MCDEVITT R M，GAVIN A J，ANDRES S，et al.The ability ofvisible and n ear infrared r eflectance spectroscopy ( NIRS) t o predict the chemical composition of ground chicken carcasses andto discriminate between carcasses f r om different g e notypes [J ] . J ournal of Near Infrared Spectroscopy，2005，1 3 (3) ： 109-1 1 7. ) ( [9]刘炜，吴昊旻，孙东东，等.近红外光谱分析技术在鲜鸡肉快速检测分析中的应用研究用.中国家禽，2009，31(2)：8-11. ) ( [10]栾东磊，王玉明，薛长湖，等.大黄鱼脂肪含量的近红外光谱快速无损检测叨.中国海洋学报，2009，39：59-62. ) ( [11] 王小燕，顾赛麒，刘源，等.近红外光谱法快速检测带鱼肉中的水分和蛋白质含量叨].食品工业科技，2012，33(5)： 317-319. ) ( [12] GAITAN-JURADO A J，ORTIZ-SOMOVILLA V，ESPANA -ESPANA F， e t a l . Quantitative a nalysis of p ork dry - c ured sausages to quality control by N IR spectroscopy [J]. M e a t Science，2008，78(4) ： 391-399. ) ( [13]杨万颖，罗美中，孟海鸥，等.GB/T9695·11.肉与肉制品氮含量测定 [S].北京：中国标准出版社，2008. ) ( [14]吴处森，贺建华，郭新东，等.GB/T9695·7.肉与肉制品总脂肪含量测定 [S].北京：中国标准出版社，2008. ) ( [15]陈泽勇，杨万颖，罗美中，等.GB/T9695·15.肉与肉制品水分含量测定[S].北京：中国标准出版社，2008. ) ( [16] COZZOLINO D，DE MATTOS D，MARTINS V. V isible/near infrared r eflectance spectroscopy f or p redicting composition a n dtracing system of production of beef muscle [ . Animal Sc i ence， 2002，74：477-484. ) 白葡萄酒怎么喝最好 在餐酒搭配时，首选的葡萄酒是同产区的葡萄酒。对于清淡无橡木桶味的干白葡萄酒来说，适合作为餐前的开胃酒。配搭生蚝等蚌壳类的海鲜冷盘。清淡的蒸鱼，或白灼的海鲜也很对味。味道稍浓一点的，可以配简单烹调的鸡胸肉或猪里脊。奶酪方面则是常带酸的山羊奶奶酪是最佳的选择。 甘甜浓厚型的白葡萄酒，可以搭配更有分量的菜色。与龙虾、甘贝、螯虾、螃蟹等做成的料理在口味上很契合；比较浓的，甚至可以配生煎鹅肝等较浓腻的前菜。加了鲜奶油酱汁的鱼或禽类也可选择这类白酒。不过，由于有橡木味，最好避免清淡的海鲜料理。 以麝香为代表的果香浓郁型干白酒，独特的风味非常适合用来搭配香气浓郁，或富含香料、口味奇特的菜肴。麝香就特别适合难配酒的芦笋。 半甜型的雷司令白酒，通常只是单喝，也可与较辛辣的印度菜、常带甜味的日本料理或甚至有甜味的中式酱料特别契合，还可以和比较有个性的酱汁搭配，像咖哩、虾酱、沙茶酱等搭配。另外，高酸度低甜度的甜品或者以水果入菜带甜味的菜色，都值得一试。 甜味重的白酒类型众多，贵腐甜酒香气丰沛，口感浓甜，通常搭配饭后甜点最为恰当，也常被用来搭配肥鹅肝或是蓝霉奶酪。葡萄结冰后榨汁酿成的冰酒，由于其酸味和甜味都很高，很适合搭配新鲜水果慕思或水果塔等。 来源：郑州日报 第◎ China Academic Journal Electronic Publishing House. All rights reserved. http：//www.cnki.net