近红外光谱技术在动物营养领域中应用的研究进展

冯 豆 滕战伟 梁美娟 高腾云

(河南农业大学牧医工程学院，郑州 450002)

在饲料营养成分检测时，传统湿化学方法对每个指标的检测方法各不相同，同时测定1种饲料的几种营养成分含量需要花费1周甚至更久时间。在饲料消化率测定时，通常采用体外试验、尼龙袋法、体内消化试验，但这些方法试验过程繁琐，且对试验动物要求较高。而随着科学技术和信息技术的发展，近红外光谱(near-infrared reflectance spectroscopy，NIRS)技术被逐渐应用到饲料营养价值的评定中。

近红外光谱区自1800年被Hershel发现以来，随着相关光谱预处理方法和化学计量方法的不断改进，其快速、简便、实时检测的优点逐步凸显。目前，NIRS技术研究已经深入农业领域[1-3]，并应用于动物营养领域的研究。

1 NIRS技术简介

1.1 NIRS技术的发展

20世纪50年代NIRS技术被应用于分析农副产品成分，但由于信息技术的落后严重限制了NIRS分析仪器的发展[4]。20世纪60年代，随着NIRS技术被应用于分析谷物中的水分含量，这种新颖、高效的技术被关注，得到巨大的发展空间[5]。20世纪80年代后期，分析仪器向数字化迈进，同时随着化学计量学方法的应用，使提取光谱信息和消除背景干扰不再困难，NIRS技术在样品测定中独树一帜，突破了原有的瓶颈，改变了人们对其光谱噪声较大、分析仪器技术低下的认知。20世纪90年代，NIRS技术全面应用于工业领域[6]，更好地服务于社会并且带来了可观的经济效益，NIRS仪器的发展跨入大幅增长时代[7]。由于在定性和定量方面的良好表现，NIRS技术在食品[8-9]、农业[10-11]、医药[12]、医疗[13]等领域中的研究趋于成熟。

1.2 NIRS技术的原理

红外光是一种电磁波，波长范围位于可见光和微波区之间。波长780～2 526 nm的光谱区被美国材料检测协会(ASTM)定义为近红外光谱区。近红外光谱主要通过透射光谱(780～1 100 nm)技术和反射光谱(1 100～2 526 nm)技术获得[14]。在分子非谐振动能级跃迁时，产生近红外光谱，是分子共价化学键非谐振动的倍频和组合频。在近红外光谱测量中，主要由含R—H分子团(R为O、C、N和S)的吸收频率谐波和含氢基团X—H(C—H、N—H、O—H)的倍频和合频的重叠产生，主要吸收含氢基团的倍频和组合频[15-16]。理论上，所有能产生近红外光谱的有机物质都能进行近红外分析，且所检样品不需要被破坏，直接由其本身所产生的光谱与相应的模型数据库比对分析，即可得到预测结果。NIRS技术用于定量分析，效率比常规分析大大提高，是一种方便、快捷、无损的方式。NIRS技术同样也可以应用于定性分析，利用光谱数据模式识别的原理，依赖于已有数据库的比对，在实际生产中多用于对质量的监控[17-18]。

1.3 NIRS技术分析流程

NIRS技术的流程主要分为校正模型的建立和未知样品的预测[19]，如图1所示。

图1 NIRS技术分析流程

1.3.1 校正模型的建立

1)试验样品的采集。用于近红外模型建立的样品要具有足够的代表性，并且样本量要丰富，其化学组分需足以覆盖预测样品的所有范围。例如，建立天然植物样品模型时，要考虑到样品产地、生长季节、收获方式、贮存方式等[1]。

2)样本近红外光谱的收集。将采集的样品进行光谱收集时，要尽可能即采即扫描，注意所有样品扫描参数的一致性。

3)样品指标的测定。利用标准的分析方法分析样品的基础数据。所有样品的基础数据必须保证准确，以免对整个模型的预测成功率造成影响[21]。

4)校准模型的建立。将扫描的光谱和利用经典分析方法测得的指标导入建模软件，进行光谱的预处理和化学计量学方法计算，将2部分数据进行关联，得到最初模型。

1.3.2 未知样品预测

1)光谱扫描。将未知样品处于和建模样品同样的条件下，进行光谱的收集。

2)预测。将光谱导入模型软件中，预测出样品的特定分析值。

2 NIRS技术在动物营养领域的应用

随着现代信息技术的发展，饲料样品分析方法也在不断改进，趋向于更加方便、快捷、准确，而NIRS技术能满足这些要求，在饲料鉴别和营养成分分析应用上也愈加成熟。

2.1 饲料鉴别

2.1.1 动物骨粉饲料掺假鉴别

为了牟取利益，无良商家在动物骨粉中添加其他非法动物源性饲料，难以分辨真伪，而NIRS技术可通过样品光谱信息的不同，快速鉴别掺假情况。李琼飞等[22]将猪、鸡肉粉中掺入0～48%牛、羊肉骨粉，分别建立近红外光谱模型，鉴别动物肉粉中是否掺杂反刍动物骨粉，最终得到准确率为90%的模型，为动物骨粉的鉴别提供了可靠的方法。Yang等[23]在鱼粉中掺入其他动物骨粉建立相关的近红外鉴别模型，成功区分出所有掺假的样品。动物骨粉掺假不仅影响动物生产，而且可能携带传染性病菌，危及动物健康，因此，将NIRS技术应用于动物骨粉掺假鉴别有重要意义。

2.1.2 蛋白质饲料掺假鉴别

为了提高饲料中粗蛋白质(CP)含量，有人在蛋白质饲料中掺入尿素等非法产品，增加了蛋白质饲料鉴别的困难性，而通过扫描饲料原料的光谱，利用光谱信息的不同区分掺假饲料与原饲料，能快速、准确鉴别饲料真伪。冯莉等[24]研究发现，通过NIRS技术能够准确、快速并且实时在线分析饲料中掺入尿素的含量，提高工作效率。然而孙丹丹等[25]分别建立NIRS和中红外光谱模型，对掺假豆粕进行鉴别，结果显示，NIRS模型预测集识别率为99.2%，而中红外模型达到100.0%，证明了在鉴别豆粕掺假尿素聚合物时，中红外光谱技术灵敏度高于NIRS技术。Graham等[26]利用NIRS和拉曼光谱分别建立了模型，结果证实，这2种方法都能成功快速检测出植物油掺入的其他矿物质。Haughey等[27]对比了手持和台式近红外仪鉴别禽类饲料中掺入三聚氰胺的可能性，结果发现2种仪器测定系数均达到了0.94～0.99，校正集和预测集相关系数分别达到了0.081%～0.215%和0.095%～0.288%。以上研究表明，NIRS技术在区分蛋白质饲料和掺假饲料样品时，准确率能达到94%以上，但仍需要进一步研究提升掺假饲料鉴别时相较于中红外光谱技术的灵敏度和手持式NIRS仪器的准确率。

2.1.3 霉变饲料鉴别

霉变是饲料贮藏过程中值得关注的问题，将NIRS技术应用于快速鉴定霉变饲料对于动物生产具有重要意义。张强[28]构建了稻谷中霉菌和霉菌毒素快速检测的近红外光谱模型，成功定性和定量识别了稻谷中霉菌和霉菌毒素含量，并且设计了便携式分析仪，提供了一种全新、便捷的稻谷贮藏霉菌和霉菌毒素实时监测方法。Fernández-Ibaez等[29]运用NIRS技术，研究建立了玉米和小麦2种谷物中黄曲霉毒素B1含量的鉴定模型。关于NIRS技术应用于饲料原料霉变的鉴别，NIRS技术表现出良好的应用前景，但相关研究仅限于黄曲霉毒素，且鉴别准确度相对偏低，应深究其原因，扩大NIRS技术的应用范围。

2.2 饲料营养成分预测

2.2.1 常规营养成分预测

评价饲料营养价值，检测其中常规营养成分的含量是方法之一。对于NIRS技术应用于饲料中常规营养成分的预测，虽然已有相关国家标准，但国内外学者对其应用于具体原料中的检测效果依然进行了研究。在粗饲料预测模型中，预测CP、粗纤维(CF)、中性洗涤纤维(NDF)、干物质(DM)含量的效果最好。王旭峰等[30]建立了快速分析饲料中CF含量的模型，验证集与预测值之间的决定系数为0.940 2，标准分析误差为0.153 6%。聂志东等[31]建立了全国紫花苜蓿的干草营养指标检测NIRS模型，对于苜蓿干草的CP、粗灰分、NDF、ADF、酸性洗涤木质素(ADL)含量和干物质体外消化率(IVDMD)各项指标的交互验证系数、交互验证均方根、外部验证相关系数分别为0.953 88～0.990 19、0.345%～1.980%、0.963～0.990。薛祝林等[32]利用改进偏最小二乘法，建立了苜蓿草捆近红外预测模型，发现相对饲喂价值(RFV)和NDF、ADF、CP含量能准确预测，而半纤维素含量、IVDMD交叉验证分析误差较高，只能用于粗略分析。任卫波等[33]利用近红外指纹光谱技术，对20个耐盐性和敏盐性苜蓿进行分类鉴别，发现品种鉴别准确率达100%，表现指数达85.7%。薛丰等[34]利用NIRS技术建立了分析压片玉米的CP、NDF、ADF、粗脂肪(EE)含量的模型，发现除ADF含量外，其余成分含量都能准确预测。王燕妮等[35]将NIRS技术运用于植物源性饲料原料的研究，建立了菜籽粕、豆粕等8种饲料原料CP、EE、CF含量的分析模型，其中，CP含量的预测准确率最高，EE、CF含量也能满足分析需求。刘会影等[36]证明了NIRS技术在玉米秸秆纤维素和半纤维素检测中的可行性，为提高秸秆资源利用率提供了新型、快速、准确的方法。刘贤等[37]成功建立了秸秆青贮饲料的CP、DM、粗灰分、ADF、NDF、ADL、乳酸、乙酸、丙酸、丁酸、氨态氮(NH3-N)含量和pH分析模型，结果表明，乳酸、乙酸、丙酸、丁酸相关系数小于0.08，其他指标多高于此。孙晓荣等[38]利用NIRS技术和聚类分析法，成功鉴别了不同种类淀粉，并发现利用12 500～4 000 cm-1光谱范围扫描样品，样品分类准确率达100%。杨莉等[39]建立了预测乳清粉中CP、EE、粗灰分含量的NIRS模型，决定系数分别为0.977、0.938、0.988。Khaleduzzamana等[40]运用NIRS技术分析蛋鸡混合饲粮的营养成分，发现CP、EE、磷含量预测值和实际分析值之间的相关系数(R2)>0.9，CF、钙含量的R2>0.8。Hetta等[41]运用NIRS技术和近红外高光谱成像技术结合偏最小二乘法建立模型，预测饲用玉米的营养成分、形态特征及农艺性状，结果发现，CP、淀粉、水溶性碳水化合物含量和玉米果穗比例具有稳定的预测性。Bagchi等[42]建立了预测糙米和米糠经济和营养成分的近红外模型，发现改进偏最小二乘法是预测糙米的籽粒蛋白质、淀粉，米糠CP、原油、DM、粗灰分、CF含量的最适处理方法。Chen等[43]用NIRS技术建立了分析谷子营养成分的模型，结果发现碳水化合物、CP、EE含量的校正集的相关系数分别为0.94、0.92、0.70，预测集标准偏差分别为0.28、0.40、0.17。姜训鹏等[44]建立了大豆皮、小麦麸、甜菜粕等6种饲料样品不同饲料原料NDF和ADF含量近红外模型，其中ADF、NDF含量模型的验证集决定系数分别为0.985、0.963，预测标准误差分别为1.82、1.63。刘玲玲等[45]利用基于光栅技术的近红外检测系统，建立了小麦品质近红外检测模型，证明了NIRS技术对小麦品质有良好的预测性、稳定性和重复性。车畅[46]将NIRS技术运用于豆粕CP含量预测的可行性进行了研究，发现预测集的预测值具有可靠性。综上所述，偏最小二乘法适用于饲料常规营养成分检测的NIRS模型建立，不同饲料原料应用不同的光谱预处理方法才能达到最理想的预测效果。

2.2.2 氨基酸含量预测

饲料中氨基酸含量的预测，通常采用离子色谱转移法，该方法对仪器要求较高，且需要转换计算，而NIRS技术快速、方便，与传统方法相比发挥了较好的效果。李守学等[47]研究发现，运用不同物理状态下的L-赖氨酸硫酸盐的近红外光谱和化学计量学方法进行模型建立，验证集决定系数为0.952，对我国氨基酸盐快速分析具有重要意义。黄庄荣[48]建立了整粒棉籽营养成分的近红外分析模型，发现17种氨基酸具有较好的预测精度和稳定性。李楠[49]同样建立了大豆CP、天冬氨酸、谷氨酸、丝氨酸、甘氨酸、酪氨酸、苯丙氨酸、异亮氨酸、色氨酸含量的NIRS分析模型，证明了应用于大豆氨基酸和CP含量快速检测的可行性。李军涛[50]指出，运用NIRS技术快速检测玉米中氨基酸含量，除了色氨酸外，能预测14种氨基酸的含量，且其模型可靠性优于CP含量预测模型。由此可见，NIRS技术对氨基酸含量快速检测意义重大。

2.2.3 不同模型之间的转移

NIRS技术建模过程中受限于不同的仪器类型，不同模型之间通常转移困难，经过不同的计算方法矫正后能提高不同来源模型之间的适用性。丁柯等[51]为了探究不同近红外仪器光谱之间的兼容性，采用3种不同的光谱转移和校正方法，对预测饲料中CP含量的模型在3台不同仪器之间进行转移研究，结果显示，除蛋白粉在3种方法下无法进行模型间转移外，玉米、酒糟、鱼粉、菜籽粕都能进行良好的预测，极大拓宽了模型的适用性。刘贤等[52]探究了秸秆饲料NIRS模型在不同仪器之间的转移效果，运用了不用预处理方法的正交信号校正，结果显示，只有全局中心化预处理后的模型可以实现仪器之间的兼容。因此，为了实现和推广NIRS技术应用于动物生产，需要进一步提高模型之间的转移效果。

2.3 饲料营养成分消化率测定

2.3.1 反刍动物饲料消化率测定

将反刍动物粪便近红外光谱建立模型，可利用NIRS技术分析奶牛饲料营养成分的消化率。Johnson等[53]利用粪便近红外光谱模型，预测肉牛饲粮营养成分特点、消化率和干物质采食量(DMI)，结果发现CP含量(R2=0.90)预测集和验证集的R2大于中性洗涤纤维(R2=0.85)，预测的DMI的R2为0.67～0.69，对于试验期平均DMI和粪便收集期的DMI，R2分别为0.76和0.73。Decruyenaerea等[54]发现运用粪便NIRS模型，能快速、简便地预测放牧奶牛干草体内DM消化率和DMI。Decruyenaerea等[55]运用相同的方法成功预测了反刍动物DM消化率，而饲料的自由采食量不能预测。Lyonsa等[56]建立NIRS校正模型，准确预测了绵羊粪便粗灰分和NDF、ADF、木质素含量和饲料灰分采食量、DM消化率，DM、氮含量和DMI、总能、总能摄入量、总能消化率不能被预测。Decruyenaere等[57]建立粪便和饲料NIRS模型，准确预测了放牧反刍动物有机物质消化率和有机物质自由采食量。Mehtiö等[58]建立不同泌乳时期奶牛粪便NIRS模型，成功预测了饲粮消化率。Hassoun等[59]发现将聚乙二醇作为粪便标记物，运用NIRS技术能预测放牧牛的DMI。Jancewicz等[60]建立了饲喂65种不同饲粮的牛粪便NIRS模型，成功预测了粪便营养成分(淀粉、有机物、氮、NDF、ADF、ADL)含量，但不能运用于EE含量的预测。Villamuelas等[61]采用NIRS技术成功预测了饲养牛粪便中DM、有机物、CP的含量及总能和其消化率，但对于氮和ADF含量未能成功预测。所以，对于运用反刍动物粪便建立NIRS模型，预测营养物质消化率是可行的，但是对DMI、GE消化率预测效果不佳，仍然需要进行动物试验。

2.3.2 单胃动物饲料消化率测定

利用NIRS技术预测饲料消化率，不仅应用于反刍动物，在水产及单胃动物上也有所应用。Schiborra等[62]证明了NIRS技术能够运用于预测猪饲粮和粪便的营养成分含量，但是不能预测有机物和CP消化率。Zhou等[63]建立了运用NIRS技术预测玉米干酒糟及其可溶物(DDGS)中猪可消化能和大多数氨基酸含量的快速检测方法。Glecross等[64]证明了应用NIRS技术预测澳洲肺鱼饲料中可消化蛋白质和能值的可能性。李玉鹏等[65]验证了运用NIRS技术预测棉籽粕营养成分和蛋公鸡代谢能的可行性。Li等[66]发现NIRS技术能准确检测育肥猪玉米饲料的消化能。

3 小 结

NIRS技术应用于动物营养领域具有“包容性”和“时效性”等优点：1)NIRS技术能在2～3 min测定出已有模型中的所有指标，效率高。2)利用NIRS技术测定样品指标含量可以不依赖于任何化学试剂，减少化学试剂的使用，经济环保。3)在测定饲料样品时，NIRS技术无需对样品进行过多的预处理，可以做到无损检测。4)信息技术与NIRS技术相结合，实时检测，在线上传，品质监控已经可以实现。当然，NIRS技术想要进一步推广和使用，需要克服一些缺点：1)在检测样品前期，需要收集大量样品进行模型的建立，工作量比较大。2)模型分析精度依赖于建模时数据的准确性及样品的覆盖度，如果模型建立不准确则无法进行后续分析。3)NIRS技术灵敏度只达到千分之一，含量低的成分无法进行分析。4)厂家仪器不同所建模型不同，模型之间的转移问题需要进行深入研究。