芝麻子粒脂肪酸主要组分的近红外光谱模型建立及特征分析

袁青丽，苗红梅，马琴，琚铭，张欣童，张海洋

（河南省特色油料作物基因组学重点实验室/河南省农业科学院芝麻研究中心，河南 郑州 450002）

芝麻是我国重要的特色优质油料作物，其子粒含有丰富的不饱和脂肪酸（如油酸和亚油酸）以及木酚素等抗氧化物质，素有“油料皇后”之称[1～3]。芝麻属于小子粒作物，采用传统的子粒品质分析方法往往需要耗费较多的子粒样本，且测定成本高、周期长。为实现快速、精准地评价芝麻子粒样本的含油量和脂肪酸主要组分等品质性状，加快芝麻品质遗传育种研究进程，建立适于芝麻子粒的无破损、快速精准检测技术方法十分必要。

近红外光谱（near-infrared reflectance spectroscopy，NIRS）技术是20 世纪80 年代后期发展起来的一项无损物理分析技术[4，5]。有机化学物质在780～2 526 nm 光谱范围内的吸收特性表明，不同的物质在NIRS 区会产生不同的光谱。利用NIRS 技术可实现对样品一种或多种组分的定性和定量分析[6]，目前该技术已在芝麻[7～10]、大豆[11]和油菜[12]等油料作物子粒品质（含油量、蛋白质含量、含水量等）检测上得到了广泛应用。在种子脂肪酸组分测定方面，何小三等[13]建立了茶油脂肪酸近红外模型，各脂肪酸含量Q 值均＞0.6，能够用于茶油样品品质的快速测定。李建国等[14]建立了单粒花生脂肪酸近红外模型，为花生高油酸的筛选提供了很大帮助。王铎等[15]应用NIRS 技术测定了大豆脂肪酸含量，误差范围控制在1.5%左右。在芝麻子粒品质和脂肪酸组成成分分析方面，Sato 等[16]最早采用近NIRS 技术测定了芝麻脂肪酸主要组分，并对近红外光学图谱测定和化学法测定数据进行了多线性回归分析和比较，结果显示，利用NIRS 技术可以快速测定脂肪酸含量，但是粒色对定标模型的准确性影响较大。前期我们利用NIRS 仪器对黄白和黑褐芝麻子粒的水分、油分和蛋白质含量分别建立了定标模型，并用于芝麻品质性状遗传分析。本研究采用NIRS 法，拟进一步进行芝麻子粒脂肪酸组分的快速鉴定。

为建立精准测定芝麻脂肪酸组分含量的NIRS 技术方法，本研究选用116 份代表性黄白芝麻种质材料，采用改进偏最小偏二乘法技术（MPLS），开展了黄白芝麻子粒油酸、亚油酸、棕榈酸及硬脂酸含量的定标决定系数（RSQ）、标准偏差（SEC）、交互决定系数（RSQV）和交互标准偏差（SECV）等参数比较分析，将气相色谱法测定值与NIRS 法预测值拟合，建立了精准的芝麻油酸、亚油酸、棕榈酸和硬脂酸含量的NIRS 模型。同时，利用构建的芝麻主要脂肪酸组分NIRS 模型，开展了芝麻不同种质中主要脂肪酸组分的变化范围及其关系分析，以期为今后加快芝麻子粒品质特性分析和遗传育种相关研究提供技术支持。

1 材料与方法

1.1 试验材料

参试芝麻种质为116 份代表性黄白芝麻，来自13 个国家，其中中国99份、印度2份、缅甸2份、墨西哥2份、美国1 份、乌干达1 份、越南1 份、日本1 份、希腊2份、委内瑞拉2 份、土耳其1 份、尼日尔1 份、巴拉圭1份。其粒色涉及白、黄等色，L 值（代表暗亮度）、a 值（代表绿红度）、b 值（代表蓝黄度） 分别为42.03～67.83、4.02～11.32 和16.82～28.12。均由河南省农业科学院芝麻研究中心种质资源库保存并提供。

1.2 试验方法

1.2.1 子粒脂肪酸组分测定

1.2.1.1 气相色谱法（国标法）。（1）油分提取。各芝麻种质样本均取成熟子粒10 g 左右，研磨粉碎，采用传统索氏抽提法提取油分。（2）脂肪酸组分测定。参考刘晓颖等[17]的方法，采用气相色谱法检测脂肪酸的主要组成及其含量。气相色谱条件：色谱柱为HP-88 毛细管柱（100 mm×0.25 mm×0.25 μm）；进样口温度为250 ℃；检测器温度为280 ℃；空气流速为450 mL/min，H2流速为40 mL/min；N2流速为2 mL/min；分流比设定为100 ∶1。升温程序：初始温度为180 ℃，以4 ℃/min 升至220 ℃，再以1 ℃/min升温至240 ℃。进样量1 μL。

1.2.1.2 NIRS 法。将待测芝麻子粒样品直接倒入取样杯中轻轻压实，盖上金属反射板，使用NIRS 仪（法国肖邦Spectra Star XT）进行扫描。扫描参数条件：温度范围为10～30 ℃，扫描湿度范围为30%～70%；波长分辨率：1 nm；扫描次数：12 次。光谱散射前处理方法：标准正态变换（SNV）+去趋势矫正（detrend）+一阶导数（1stderivative）。每份样品重复测定3 次，计算平均吸收光谱作为试验数据。

1.2.2 NIRS 检测模型外部验证 为进一步验证定标模型的可靠性，随机选取芝麻种质20 份，采用已建好的定标模型进行NIRS 检测。同时，采用气相色谱法（国标法）测定上述样本的脂肪酸组分。以气相色谱法测定结果为标准，利用NIRS 检测结果对建好的定标模型进行验证。

1.2.3 数据处理与分析 利用Execl、SPSS 和Origin 8.0 软件进行数据处理与分析。

2 结果与分析

2.1 芝麻种质子粒的脂肪酸组成及其含量（国标法）

检测结果（表1）显示，芝麻子粒的脂肪酸组分包括油酸、亚油酸、棕榈酸、硬脂酸、棕榈油酸、花生酸和亚麻酸，含量分布分别为35.05%～51.79%、31.58%～47.77%、7.17%～11.26%、4.35%～7.26%、0.07%～0.89%、0.45%～0.85%和0.21%～0.54%，平均含量依次为43.87%、40.94%、8.61%、5.45%、0.11%、0.61%和0.29%。表明芝麻子粒脂肪酸的主要组分是油酸、亚油酸、棕榈酸和硬脂酸，棕榈油酸、花生酸和亚麻酸含量均相对较低。

表1 试验芝麻种质子粒的脂肪酸组分及其含量Table 1 The fatty acid compositions and contents in sesame germplasm tested

根据GB 4882—85，偏度系数=0 时，数据符合标准正态分布，其中偏度系数为正数时属于左偏，反之为右偏；偏度系数＞1 时，数据不符合正态分布。4 种主要脂肪酸组分的偏度系数值为-0.43～0.76，数据均符合正态分布；棕榈油酸、亚麻酸含量的偏度系数分别为6.35 和1.90，二者数据均不符合正态分布。

图2 不同芝麻种质亚油酸含量的分布Fig.2 Distribution of linoleic acid content in different sesame germplasm

图3 不同芝麻种质棕榈酸含量的分布Fig.3 Distribution of palmitic acid content in different sesame germplasm

图4 不同芝麻种质硬脂酸含量的分布Fig.4 Distribution of stearic acid content in different sesame germplasm

对116 份样本的油酸、亚油酸、棕榈酸和硬脂酸含量分布变化进行分析，结果（图1～4）显示，油酸和亚油酸含量的峰值分别在44.0%和42.0%左右，棕榈酸和硬脂酸含量的峰值则集中在8.5%和5.5%左右；且4 种主要脂肪酸组分在116 份样本中均表现出了明显的梯度变化，符合标准正态分布特征。

图1 不同芝麻种质油酸含量的分布Fig.1 Distribution of oleic acid content in different sesame germplasm

2.2 芝麻种质子粒的NIRS 分析

扫描结果（图5）显示，在光波800～2 600 nm 范围内，不同芝麻种质子粒样品形成的NIRS 曲线趋势相同，体现了材料的同质性；但不同种质子粒样品的吸光度峰值并不完全一样，说明不同样本间脂肪酸组分存在差异。

图5 不同芝麻种质子粒近红外吸收光谱图Fig.5 NIRS spectra of different sesame germplasm

2.3 NIRS 检测模型内部交叉验证

为进一步分析光谱曲线及吸光度峰值与子粒脂肪酸组分含量的关系，采用Unity Scientific program 软件，使用标准正态变换（SNV）+去趋势矫正（detrend）+一阶导数（1st derivative）光谱处理和改进偏最小偏二乘法技术（MPLS）数据处理对样本的原始光谱图进行分析，建立了芝麻子粒油酸、亚油酸、棕榈酸和硬脂酸的定标模型。根据理想模型衡量原则[18]，RSQ 和RSQV越接近于1、SEC/SECV 越小，模型越理想。

定标结果（表2）显示，油酸、亚油酸、棕榈酸和硬脂酸的RSQ、SEC、RSQV、SECV、SEC/SECV 分别为0.780～0.986、0.169～0.462、0.562～0.941、0.288～0.713 和0.578～0.728，差异均较大，其中，亚油酸含量的RSQ 和RSQV 最高，SEC/SECV 最小，所建模型相关性最好；油酸含量的RSQ 和RSQV 分别为0.981和0.919，均接近于1，所建模型相关性较好；棕榈酸、硬脂酸的RSQ 和RSQV 均相对较低，SEC/SECV分别为0.587 和0.727，所建模型相关性相对较差。

表2 NIRS 定标模型参数分析Table 2 Parameter analysis of NIRS calibration model

2.4 NIRS 检测模型外部验证

随机选取芝麻种质20 份，分别采用已建好的定标模型进行NIRS 检测。同时，采用气相色谱法（国标法）测定上述样本的4 种主要脂肪酸组分。以气相色谱法测定结果为标准，利用NIRS 检测结果对建好的定标模型进行验证。

检测结果（表3）显示，2 种方法的芝麻种质油酸、亚油酸、棕榈酸和硬脂酸含量绝对误差范围分别为-1.18%～1.49%、-0.78%～3.10%、-0.49%～0.61%和-1.75%～-1.01%。验证样品中，油酸和亚油酸含量较为均匀地分布在回归线两侧（表6 和7），外部验证决定系数R2分别为0.948 0 和0.936 8，表明NIRS 检测数据准确地预测了样本子粒的油酸和亚油酸含量；硬脂酸含量和棕榈酸含量外部验证系数R2分别为0.458 0 和0.662 8，样品数据较为分散（表8 和9），表明这2 个指标的NIRS 预测值与国标法测定值相关性相对较差。

表3 气相色谱法与NIRS 法测定的脂肪酸含量比较Table 3 Comparison of fatty acid content between GC-MS and NIRS （%）

图6 气相色谱法与NIRS 法芝麻种质油酸含量测定结果的相关分析Fig.6 Correlation analysis of oleic acid content in sesame germplasm between GC-MS and NIRS

图7 气相色谱法与NIRS 法芝麻种质亚油酸含量测定结果的相关分析Fig.7 Correlation analysis of linoleic acid content in sesame germplasm between GC-MS and NIRS

图8 气相色谱法与NIRS 法芝麻种质棕榈酸含量测定结果的相关分析Fig.8 Correlation analysis of palimtic acid content in sesame germplasm between GC-MS and NIRS

图9 气相色谱法与NIRS 法芝麻种质硬脂酸含量测定结果的相关分析Fig.9 Correlation analysis of stearic acid content in sesame germplasm between GC-MS and NIRS

3 结果与讨论

NIRS 技术分析速度快、效率高，当前已广泛应用于农牧、食品、石油、化工等领域[19，20]。在芝麻[21]、大豆[22]、花生[23]、油菜[12]、亚麻籽[24]、向日葵[25]等油料作物的油分和蛋白质等品质指标检测方面均有所应用，为育种工作提供了较好的数据支持[26，27]。

芝麻子粒中的脂肪酸主要组分为油酸和亚油酸，占脂肪酸总量的70%以上；其次是硬脂酸和棕榈酸；棕榈油酸、亚麻酸和花生酸含量相对较少[28]。为了准确检测芝麻子粒的脂肪酸主要组分，本研究选择来自13 个国家的116 份代表性黄白芝麻种质的成熟子粒进行了NIRS 检测和模型分析，与已有研究[8，29]相比，所用材料来源广（来自13 个国家）、数量多（116份）、粒色范围宽（L 值42.03～67.83）[30]，为后期模型应用奠定了基础。本研究采用传统索氏抽提法提取子粒油分，应用气相色谱法检测脂肪酸组分及其含量，结果显示，116 份黄白芝麻子粒中，脂肪酸的主要组分为油酸、亚油酸、棕榈酸和硬脂酸，含量分布范围分别为35.05%～51.79%、31.58%～47.77%、7.17%～11.26%和4.35%～7.26%，各指标最高值与最低值差别均较大。表明本研究所用试验样本代表性强，有利于构建可靠的检测模型。芝麻子粒中的油酸、亚油酸、棕榈酸和硬脂酸含量较高，而棕榈油酸、花生酸和亚麻酸含量（均＜1%）相对较低，因此，在进行NIRS 模型构建和评价时针对4 个主要组分进行。

本研究结果显示，在构建的NIRS 模型中，芝麻亚油酸、油酸、棕榈酸和硬脂酸含量的RSQ 分别为0.986、0.981、0.898 和0.780。尤其亚油酸和油酸含量的NIRS 模型能够很好地反映出不同样本中2 个脂肪酸组分的真实含量，其中亚油酸含量的RSQV（0.941） 最高、SEC/SECV （0.577） 最小，所建模型相关性最好。棕榈酸和硬脂酸的RSQV 分别为0.748和0.562，SEC/SECV 分别为0.587 和0.727，所建模型相关性较油酸和亚油酸略差，这可能与芝麻子粒中硬脂酸（4.35%～7.26%）和棕榈酸含量（7.17%～11.26%）较低以及含量在子粒不同部位分布不均匀[31]有关。

选择20 份芝麻种质样本，对基于116 份样本建立的NIRS 模型进行外部验证，结果显示，样本中4种主要脂肪酸组分含量的预测值与国标法测定值的绝对误差均控制在1.50%以内，表明采用NIRS 模型能够快速、准确地预测黄白芝麻子粒的主要脂肪酸组成含量。此方法快速提高了脂肪酸含量的测定效率，也为脂肪酸含量高、中、低水平的筛选提供了帮助。