米糠粗蛋白、粗脂肪以及粗纤维含量的近红外预测模型的建立

王 涛， 翟 晨， 白术群， 盖华伟，谢云峰， 钱承敬， 王 亮

(新疆大学生命科学与技术学院1，乌鲁木齐 830046)(中粮营养健康研究院；营养健康与食品安全北京市重点实验室2，北京 102209)(中粮粮谷控股有限公司大米部副产物综合利用部3，北京 100020)

水稻是世界人口，尤其是亚洲人口的主要营养来源[1]。全球水稻产量估计约为6.8亿吨，相当于小麦产量。稻谷从地里收割后，要经过一个碾磨过程，机械地去除谷壳和麸皮，留下精米(68%～70%)，即大米谷壳(20%)、米糠(5%～10%)和米胚芽(2%)。大米主要以抛光的白色颗粒形式食用[2-5]。米糠是糙米的外层，是大米加工的副产品，是碳水化合物、蛋白质、脂类、不溶性纤维、维生素和矿物质的良好来源，是小麦粉的良好替代品[6-9]。此外，米糠是多种抗氧化化合物的极好来源，如多酚、生育酚、生育三烯酚和谷维素，可防止引起组织和DNA 损伤的细胞氧化反应[10-16]。我国米糠产量居世界第一位，但一般用来当作饲料，或者直接丢弃，造成了这一宝贵资源极大的浪费。由于米糠本身的不稳定性，加之目前对于蛋白、脂肪以及纤维等营养指标的测定多采用经典的化学分析手段，这些传统的分析技术比较成熟，同时也具备较高的准确度，但其往往需要专用分析设备，存在耗时长、成本高、人为误差大、破坏样品、污染环境且对检测人员要求高等一系列缺点。因此若能建立一种快速、准确测定米糠中蛋白、脂肪和纤维等营养指标的方法会为加大米糠的综合利用、更好地发挥其营养价值奠定坚实的基础。

近红外光谱技术是一种快速无损检测物质含量和鉴别物质的现代分子光谱分析技术，近红外区域是指波长在780～2 526 nm范围内的电磁波，是最早发现的非可见光区域。近红外光谱(NIRS)分析技术是20世纪80年代后期发展起来的，具有快速、无污染、样品不需预处理和同时检测多个组分等优点，目前已经在农作物品质育种、农牧产品质量分析、食品加工和品质检测等领域中广泛应用[17-19]。近红外光谱技术是一种间接的定性及定量分析技术，通过建立的预测模型来测定未知样品的成分，能在几十秒甚至几秒内，仅通过对样品的一次近红外光谱的简单采集，就能同时测定一个样品的几种甚至几十种物质或浓度数据。因此若能利用近红外光谱技术建立一个快速预测模型来预测米糠中的各项营养指标，便能够更大程度地避免其营养成分的损失，加大应用范围。李杰等[20]利用近红外光谱技术结合化学计量学方法开发了不同品种绿茶的快速无损鉴别方法。路辉等[21]利用近红外光谱技术实现了对大米中直链淀粉、蛋白质、脂肪、水分含量同时快速无损的检测。 陈依晴等[22]利用近红外光谱技术实现了中药产地、真伪鉴别、质量控制以及辅料生产过程的实时监测。通过研究表明，利用近红外光谱技术建立一个快速预测模型来预测米糠中的各项营养指标的模型是可行的。

本研究选用分别来自南北方共200个米糠样品(100个粳米米糠、100个籼米米糠)，经过理化数据检测、近红外参数优化、光谱信息采集、光谱数据预处理、模型建立及模型优化等步骤，最终建立粳米米糠、籼米米糠及总米糠的粗蛋白、粗脂肪、粗纤维预测模型，所建立的模型决定系数R2均大于90%，且所建模型的预测值与国标方法测定值间的相对偏差范围均在±5%以内，说明模型具有良好的预测效果。该实验的顺利进行为米糠产品的各项营养品质指标的检测建立了一种快速高效准确的方法，将大大提高米糠产品的应用价值。

1 材料与方法

1.1 材料与试剂

实验所用米糠分别来自南北方七家工厂，分为粳米米糠和籼米米糠两种；硼酸、氢氧化钠、硫酸、硫酸铵、蔗糖、无水硫酸铜、硫酸钾、盐酸、甲基红、溴甲酚绿、石油醚、无水硫酸钠、金刚砂、丙酮、氢氧化钾、正辛醇：分析纯。

1.2 仪器与设备

傅里叶近红外光谱仪(MPA Ⅱ)，Milli-Q 超纯水系统(Milli-Q Reference)，分析天平(XS205)，凯氏定氮仪(K9840)，索式提取器，精密鼓风干燥箱(BPG-9070A)，马弗炉(SX2-8-10N)。

1.3 实验方法

1.3.1 近红外光谱分析仪测量参数优化

1.3.1.1 是否采用样品旋转装置不同近红外光谱仪器配置不同，有些光谱仪没有配置样品旋转装置，针对样品旋转装置是否必需，设计以下实验进行探讨。采集样品旋转状态下的5个样品的光谱信息图及样品固定不动状态下的同样样品的5个光谱信息图，分别计算标准差，比较标准差的大小。

1.3.1.2 扫描次数的优化

在采集样品光谱时，平均技术是一种常用的有效方法，它能提高光谱的信噪比，即对需要测定的样品，进行多次扫描，经过多次叠加求平均，可消减与信号无关的噪声。扫描次数的适度增加对提高信噪比有一定的帮助，从而改善分析结果。但并不是采用扫描次数越多结果越好，这是因为：首先，扫描样品所消耗的时间会随着扫描次数的增加而增加，并且随着扫描次数的增加，导致操作效率的降低：另外，通过利用增加扫描次数来达到消减噪声的目的，只是在次数相对较少的时候才有较为明显的作用，而次数越多反而效果越不明显，所以，采集样品的近红外光谱时存在最佳扫描次数。

为确定本实验中的样品的最佳扫描次数，在扫描次数分别为16、32、64以及128 Scans的情况下，每个扫描次数下对样品反复扫描5遍，并对每个扫描次数下的5条光谱分别求标准差。

1.3.1.3 装样厚度的确定

采集米糠样品光谱时，样品的装样厚度对光谱有一定的影响，装样太薄无法保证光谱所含信息的全面，装样过厚则光程变化较大，所以为确定采集样品光谱时的适当厚度，选择了4个样品进行试验，分别在饲料样品的装样厚度为1、2、3、4、5、6 mm时进行光谱采集。

1.3.2 米糠营养指标的测定

采用GB/T 6432—2018 7.2中的方法测定米糠中粗蛋白的含量，采用GB/T 6433—2006中的方法测定米糠中的粗脂肪的含量，采用GB/T 6434—2006中的方法测定米糠中的粗纤维的含量，重复测量3次取平均值。

1.3.3 模型的构建及优化

为了消除背景干扰，采用消除常数偏移量、矢量归一化、最大-最小归一化、多元散射校正、一阶导数+减去一条直线等多种光谱预处理方法对米糠的原始光谱进行处理后作为输入变量，通过特征向量的提取与内部交叉验证建立化学值与近红外光谱之间的偏最小二乘法(PLS)回归预测模型。根据OPUS 7.0分析软件得出的决定系数(R2)、交叉验证均方根误差(RMSECV)、相对分析误差(RPD)作为评判指标，反复剔除异常样品，最终确定最优模型。

2 结果与讨论

2.1 近红外光谱分析仪测量参数优化

2.1.1 是否采用样品旋转装置

从图1可以看出，样品在固定状态下标准差明显大于在旋转状态下的标准差，说明样品在旋转时采集的信息更加全面，固定状态下采集米糠样品信息，会因为米糠的不均匀性导致实验较大的误差，因此，为了提高实验的准确度，米糠样品在采集时需要将样品皿置于旋转装置中。

图1 样品旋转及固定状态下的标准差

2.1.2 扫描次数的优化

图2为样品在3 594.8～12 489.3 cm-1范围内不同扫描次数下的标准差比较，从图中可以明显地看出当扫描次数为16及32 Scans时，标准差曲线位于最上面，即标准差较大，且不稳定；从整体来看，扫描次数为64 Scans及128 Scans的标准差曲线随着波数的变化而波动不大，标准差较小，且二者无明显区别，因此，综合考虑，本实验选取64 Scans为最佳扫描次数。

图2 米糠样品在不同扫描次数下的标准差

2.1.3 装样厚度的确定

图3为样品在不同厚度下的光谱图，样品厚度为5 mm后，光谱达到稳定，因此光谱采集时，装样厚度至少需要5 mm或者5 mm以上，太薄采集到的光谱不够稳定准确，因此，为了光谱采集的稳定性和准确度，本研究采用5 mm为装样厚度。

图3 样品在不同厚度下的光谱图

综上可知，近红外光谱采集参数为：采用样品旋转模式，扫描次数为64 Scans，装样厚度为5 mm。

2.2 米糠营养指标的测定

表1为200个米糠样品营养指标的测定结果。通过比较可以看出粳米米糠的粗脂肪以及粗纤维含量略高于籼米米糠，籼米米糠的粗蛋白含量略高于粳米米糠。根据粮食行业推荐性标准LS/T 3320—2020规定米糠水分≤13%即为一级品可以看出所选米糠水分含量均可达到一级质量标准，具有可分析性。利用SPSS 22对测定结果进行统计学分析得出测定结果符合正态分布，表明测定结果具有统计学意义，可以用于建模分析。

表1 米糠营养指标的测定结果

2.3 米糠营养指标预测模型的建立

2.3.1 粳米米糠营养指标预测模型的建立

2.3.2 籼米米糠营养指标预测模型的建立

2.3.3 总米糠营养指标预测模型的建立

表2 米糠粗蛋白、粗脂肪和粗纤维的最优模型的评价指标值

2.4 模型的验证

表3 模型的检验

3 结论

本研究针对粳米米糠、籼米米糠和总米糠(包括粳米和籼米)的粗蛋白、粗纤维及粗脂肪指标分别建立近红外光谱技术快速预测模型，采用多种光谱预处理方法对米糠的原始光谱进行预处理，利用预处理后的光谱进行模型建立及优化，所建立的模型决定系数R2均大于90%，且所建模型的预测值与国标方法测定值间的相对偏差范围均在±5%以内，说明模型具有良好的预测效果。该实验的顺利进行为米糠产品的各项营养品质指标的检测建立了一种快速高效准确的方法，将大大提高米糠产品的应用价值。