基于近红外光谱法快速检测藜麦纤维含量

曹晓宁，田 翔，王君杰，刘思辰，穆志新，陆 平，陶 梅，乔治军*

(1.山西省农业科学院农作物品种资源研究所，山西太原 030031；2.农业部黄土高原作物基因资源与种质创制重点实验室，山西太原 030031；3.杂粮种质资源发掘与遗传改良山西省重点实验室，山西太原 030031；4.中国农业科学院作物科学研究所，北京 100081)



基于近红外光谱法快速检测藜麦纤维含量

曹晓宁1，2，3，田 翔1，2，3，王君杰1，2，3，刘思辰1，2，3，穆志新1，2，3，陆 平4，陶 梅4，乔治军1，2，3*

(1.山西省农业科学院农作物品种资源研究所，山西太原 030031；2.农业部黄土高原作物基因资源与种质创制重点实验室，山西太原 030031；3.杂粮种质资源发掘与遗传改良山西省重点实验室，山西太原 030031；4.中国农业科学院作物科学研究所，北京 100081)

摘要[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法。[方法]采集100个藜麦样品的近红外光谱，运用近红外光谱分析技术建立数学模型并进行预测。[结果]在10 000～4 000 cm-1波长范围内，运用一阶导数+矢量归一化光谱方法进行预处理，结合化学方法所得数据建立藜麦粗纤维近红外定量模型，校正和预测效果最佳，所得的粗纤维近红外定量模型的交叉验证决定系数为0.884 8，外部验证决定系数为0.876 1。[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测。

关键词藜麦；纤维；近红外光谱技术

AbstractChenopodiumquinoaWilld.; Fiber; Near infrared spectroscopy

藜麦(ChenopodiumquinoaWilld.)又名昆诺阿藜、南美藜等，是一种原产于南美洲安第斯山地区的1年生藜科草本植物，已有5 000多年的种植历史[1-2]。藜麦含有丰富的蛋白质、脂肪、淀粉、纤维素等，具有很高的营养价值，被古印加人称为“粮食之母”[3]。Ruales等[4]研究认为藜麦总膳食纤维含量为13.4%，其中2.4%为可溶性纤维，而11.0%为难溶性纤维。这2种纤维素对调节血糖水平、降低胆固醇含量和保护心脏都有非常重要的作用。同时，由于煮熟的藜麦籽粒体积增大3～4倍，而且藜麦富含的膳食纤维吸水能力强，摄食后具有饱腹感，有助于减肥[5]。目前，纤维含量的研究已引起了广泛的关注，测量纤维含量有很多成熟的方法。Lee等[6]利用膳食纤维酶重量分析方法测定纤维含量；Lisa等[7]运用气相色谱法来测定纤维的含量。这些测定纤维含量的方法存在步骤繁琐、测定速度慢、成本高、籽粒破损等问题。因此，亟需一种快速、准确、适宜于大批量藜麦纤维检测的方法。

近红外光谱技术是一种在线快速无损检测物质含量和鉴别物质的现代光谱分析技术，具有高效、无污染等独特的分析优点[8]。在近红外光谱区内(780～2 500 nm)，利用有机化学物质的光学特性快速估测样品中的1项或多项化学成分含量，在国内外已成为分析农作物品质的重要手段，且取得了一定的成绩[9-11]。利用近红外反射光谱进行藜麦完整子粒的纤维测量，可以克服化学方法对藜麦籽粒破坏、周期长的缺点，对藜麦资源的快速检测及品质育种工作有重要的实践意义。笔者采用化学测定方法测定了100份藜麦水分和纤维的含量，然后将其分为定标集和验证集，建立了纤维近红外光谱快速检测预处理模型，旨在为藜麦品质的快速检测、优异藜麦种质资源的快速检测与利用、藜麦育种奠定了基础。

1材料与方法

1.1材料

1.1.1试验材料。供试的100 份藜麦品种(系)由中国农业科学院作物科学研究所以及山西省农业科学院农作物品种资源研究所提供。

1.1.2试剂。供试试剂为浓硫酸、氢氧化钠、盐酸及正辛醇，均为分析纯。

1.1.3仪器。BSA124S分析天平为Sartorius公司产品；Cyclotec1093旋风磨为丹麦Foss公司产品；电热恒温鼓风干燥箱为宁波东南仪器有限公司产品；MPA傅里叶变换近红外光谱仪为德国Bruke公司产品；FD1530MCN马弗炉为飞世尔实验器材(上海)有限公司产品；纤维素仪为丹麦Foss公司产品。

1.2方法

1.2.1藜麦水分和纤维测定方法。

1.2.1.1水分测定。采用GB5497-85定温定时烘干法，用已烘至恒重的铝盒分别称取藜麦粉末3 g(准确至0.000 1 g)左右，摊平，重复3次，将烘箱温度调到130 ℃， 烘40 min后取出放干燥器内冷却至恒重，计算藜麦中水分含量。

1.2.1.2粗纤维测定。参考GB6193-85，重复称取同一样品2份，每份1 g(准确至0.001 0 g)。利用纤维素仪测定粗纤维百分含量。

1.2.2近红外光谱采集。为了获得最佳模型建立及预测效果，将收集的藜麦样品于室温下放置7 d左右，平衡水分，同时去除每一样品中的杂质及外形明显不同的籽粒(一类脱壳，另一类脱壳后磨粉过60目筛)。将近红外光谱仪器预热30 min，进行性能测试和白板参比后开始测定样品。工作谱区选用12 000～4 000 cm-1，每份样品均扫描2次，对光谱用Bruker公司OPUS 5.5 近红外处理软件得到平均光谱，然后在 OPUS 建模软件上计算分析试验数据。

1.2.3近红外数学模型的建立。采用Bruker公司OPUS/QUAN T5.5光谱定量分析软件和DPS 软件，进行光谱数据预处理、剔除异常样品以及回归统计分析。根据徐广通等[12]对建模数据的要求，将100个藜麦样品数据进行分组，其中80%用于建立近红外模型，为校正集；20%用于检验所建模型的精度，为验证集。为寻找各模型的最优建模方法，选用不同的建模方法建立藜麦主要成分定量模型，先用校正样品集进行内部验证，最后通过随机选取的建模之外样品对模型进行外部检验，考察模型的适应性和精度，即根据校正决定系数(R2cal)，校正标准误(RMSEE)、交叉验证决定系数(R2cv)、交叉验证标准误(RMSECV)、外部验证决定系数(R2val)、预测标准误(RMSEP)等指标确定最优模型。

2 结果与分析

2.1藜麦原始光谱与化学值100个藜麦样品的原始光谱图谱(图1)显示，藜麦在光谱波段范围10 000～4 000 cm-1内存在多个吸收峰，其变化趋势一致但是不重合。由表1可知，粗纤维含量为2.43%～5.42%，平均值为3.13%。

图1　藜麦样品近红外光谱Fig.1　Near infrared spectroscopy of quinoa samples

2.2藜麦纤维模型的建立结果表明，采用一阶导数+矢量归一化光谱预处理，建立水分和纤维含量的校正模型，校正效果最佳。水分含量其交叉验证决定系数为90.37，交叉验证标准误为0.142(图2)。纤维含量其交叉验证决定系数为88.48，交叉验证标准误为0.154(图3)。

2.3藜麦纤维模型外部检验采用未参加模型建立的完全独立的、化学成分已知的验证集样品对所建模型的质量或实际预测效果进行评价。水分含量模型的外部验证决定系数为 0.885 6，预测标准误为0.232，模型的预测值与真实值之间不存在显著性差异。纤维含量模型的外部验证决定系数为0.876 1，预测标准误为0.187，模型的预测值与真实值之间不存在显著性差异。2种方法测试蛋白含量的结果均无显著差异，说明近红外品质分析仪测定结果是准确可靠的。

表1校正集和验证集样品中纤维含量分布

Table 1Distribution of fiber content in calibration set and validation set samples

类别Type统计参数Statisticalparameter蛋白含量Proteincontent∥%校正集Calibrationset平均值3.13最小值2.43最大值5.42验证集Validationset平均值2.96最小值2.48最大值5.23

图2　藜麦水分含量交叉检验模型Fig.2　Cross check model of quinoa miosture content

图3　藜麦纤维交叉检验模型Fig.3　Cross check model of quinoa fiber

3讨论

试验中纤维含量测定常用的方法是用纤维仪，试验周期较长，操作繁琐，该研究发现近红外测定结果与藜麦材料化学测试值比较无显著差异，所以结果是可靠的；近红外分析方法作为一种新的分析检测方法，具有分析速度快、多组分同时测定、样品不需预处理、非破坏性分析、低成本和操作简单等优点，受到越来越多育种工作者的青睐。该研究选用100个普通藜麦样品，通过NIRS分析技术初步建立的藜麦完整籽粒水分含量和纤维含量预测模型，决定系数较高、误差小，在藜麦品质育种中的早代材料筛选上是可行的，为藜麦资源的鉴定利用和品质育种提供了一种新的有效的技术手段，能大大提高资源利用和育种效率，能够满足大批量品种的快速、无损检测要求，为藜麦品质育种提供了一种新的有效的技术手段，具有潜在的应用价值。

由于藜麦属于国外引种资源，目前的育种、栽培等研究工作刚刚起步。该研究所用材料具有一定的代表性，但资源样品中纤维含量的变化范围不够宽泛，同时在模型建立过程中，通过对部分资源纤维含量的异常值进行剔除，在资源数量本就不够充足的情况下影响快速检测模型的准确性，因此，在后续工作中通过增加藜麦资源数量，扩大藜麦纤维含量检测模型覆盖的范围，并对快速检测模型作进一步优化，提高其准确性和利用效率。

参考文献

[1] JACOBSEN S E.The worldwide potential for quinoa(ChenopodiumquinoaWilld.)[J].Food reviews international，2003，19：167-177.

[2] 王晨静，习武，陆国权，等.藜麦特性及开发利用研究进展[J].浙江农林大学学报，2014，31(2)：296-301.

[3] 王黎明，马宁，李颂，等.藜麦的营养价值及其应用前景[J].食品工业科技，2014，35(1)：381-385.

[4] RUALES J，NAIR B M.Effect of processing on in vitro digestibility of protein and starch in quinoa seeds[J].International journal of food science & technology，1994，29：449-456.

[5] ALAN B.Quinoa，an ancient crop to contribute to world food security[R].37th FAO Conference，2011.

[6] LEE S，PROSKY L，DE VRIES J.Determination of total，soluble and insoluble dietary fiber in foods-enzymatic-gravimetric method，mes-tris buffer collaborative study[J].Journal of AOAC international，1992，75：395-416.

[7] LAMOTHE L M，SRICHUWONG S，REUHS B L，et al.Quinoa(ChenopodiumquinoaW.)and amaranth(AmaranthuscaudatusL.)provide dietary fibres high in pectic substances and xyloglucans[J].Food chemistry，2015，167：490-496.

[8] 严衍禄，赵龙莲，李军会，等.现代近红外光谱分析的信息处理技术[J].光谱学与光谱分析，2000，20(6)：777-780.

[9] 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.

[10] 严衍禄，陈斌，朱大洲，等.近红外光谱分析的原理技术与应用[M].北京：中国轻工业出版社，2013.

[11] DELWICHE S R，HRUSCHKA W R.Protein content of bulk wheat from near-infrared reflectance of individual kernels[J].Cereal chemistry，2000，77：86-89.

[12] 徐广通，袁洪福，陆婉珍.近红外光谱仪器概况与进展[J].现代科学仪器，1997(3)：9-11.

基金项目山西省农作物种质资源收集与整理(2016zzcx-17)；农业部作物种质资源保护与利用专项(2015NWB030-07)；科技部、财政部国家科技基础条件平台课题(NICGR2015-026)。

作者简介曹晓宁(1985- )，男，山西临猗人，助理研究员，博士，从事作物资源利用及抗逆生理研究。*通讯作者，研究员，从事资源利用及栽培技术研究。

收稿日期2016-04-03

中图分类号O657.33

文献标识码A

文章编号0517-6611(2016)15-017-03

Rapid Detection on Quinoa Fiber Based on the Near Infrared Spectroscopy

CAO Xiao-ning1,2,3, TIAN Xiang1,2,3,WANG Jun-jie1,2,3, QIAO Zhi-jun1,2,3*et al

(1. Institute of Crop Germplasm Resources, Shanxi Academy of Agricultural Sciences, Taiyuan, Shanxi 030031; 2. Key Laboratory of Crop Gene Resources and Genetic Improvement of Germplasm Enhancement on Loess Plateau, Ministry of Agriculture, Taiyuan, Shanxi 030031; 3. Shanxi Key Laboratory of Genetic Resources and Genetic Improvement of Minor Crops, Taiyuan, Shanxi 030031)

Abstract[Objective] To explore a rapid determination method for fiber content in grains of quinoa. [Method] Near infrared spectra of 100 quinoa samples were collected. The predicted models for quantitative analysis of fiber contents in the grains was built using near infrared transmittance spectroscopy (NITS). [Result] In the wavelength range of 10 000 - 4 000 cm-1, we set up near infrared quantitative model of quinoa crude fiber via first derivative + vector normalization preprocessing and combining with the data from chemical methods. Meanwhile, calibration and prediction effect were the best, and then the cross validation decision coefficient (R2cv) and external validation decision coefficient (R2val) of fiber by near infrared quantitative model were 0.884 8 and 0.876 1, respectively. [Conclusion] The model of NITS about complete grains quinoa fiber can be available for fast detecting quinoa fiber content.