花生种质资源品质的近红外分析与评价

李长生 石素华 孙金波 厉广辉 赵传志 王兴军 赵术珍

摘要：本研究利用近红外光谱分析技术对291份花生种质资源的含油量、蛋白质含量、脂肪酸含量、氨基酸含量等多个品质性状进行了分析。结果表明，不同花生种质资源的粗脂肪含量变幅为44.54%～61.17%；油酸含量变幅为29.75%～85.79%；蛋白质含量平均为21.78%，最高为31.24%；总氨基酸含量平均为19.28%。利用主成分分析技术，将18个品质性状综合成5个主成分因子，分别为蛋白质因子、不饱和脂肪酸因子、脯氨酸组氨酸负因子、苏氨酸负因子及粗脂肪因子，这5个因子反映了原始数据信息量的87.648%，可用于花生品质的综合评价。该结果可为新品种选育中的亲本选择提供有价值的参考，也可为发掘特异材料或特异基因、开展相关的遗传研究提供基础材料。

关键词：花生；品质性状；近红外光谱技术；主成分分析

中图分类号：S565.202.4文献标识号：A文章编号：1001-4942（2018）06-0154-05

Abstract The contents of oil， protein， fatty acids and amino acids of 291 peanut varieties were analyzed using near infra-red spectroscopy in this study. The results showed that the oil content ranged from 44.54%～61.17%； the oleic acid content was from 29.75%～85.79%； the mean and the highest protein content was 21.78% and 31.24%， respectively； the mean content of total amino acids was 19.28%. Principal component analysis indicated that 18 quality traits were integrated into five principal component factors including protein factor， unsaturated fatty acid factor， proline and histidine negative factors， threonine negative factor and crude fat factor. These five factors represented 87.648% of the original data， which could be used for evaluating peanut quality. These results provided important informations for parental selection in breeding program， and laid foundations for exploring special materials or genes to conduct relevant genetics research.

Keywords Peanut；Quality characters； Near infrared spectroscopy； Principal component analysis

花生（Arachis hypogaea L.）是我国重要的油料作物和经济作物。据统计，2016年花生播种面积470 多万公顷，产量1 700 多万吨，在国民经济中占有重要地位。花生种质资源是开展花生育种和遗传改良研究的重要物质基础，对种质资源进行评价是合理利用资源的前提和依据[1，2]。姜慧芳等[3]对收集到的6 390份花生种质资源开展了以农艺性状、抗病性、品质性状为基础的全面系统鉴定评价，为培育抗病、高产等新品種提供了有效信息。近年来，花生生产由单纯追求产量向产量、品质、效益并重的方向转变。花生的用途也以榨油为主逐渐向食用型、营养保健型以及加工专用型等多元化方向发展，因此，对花生种质资源品质的评价是进行花生多元化品种选育的依据。花生除富含脂肪酸外，还含有大量的蛋白质和人体必需的氨基酸[4，5]，以及碳水化合物、多种维生素、微量元素，也含有白藜芦醇等具有重要保健作用的植物活性物质 [6-8]，对这些优良性状的评价是进行品质育种的基础。本研究对来自不同地区的291份花生种质资源的荚果和种仁形态和品质性状作较为系统的研究与评价，以期找出一些具有特殊优良性状的资源，为新品种选育提供优异亲本，也为发掘特异材料或特异基因、开展相关的遗传研究提供基础材料。

1 材料与方法

1.1 试验材料

供试材料选用本实验室保存的291份花生种质资源，其中，包括国内各地育成品种、农家种以及国外品种。

1.2 仪器设备和品质指标

试验中采用的近红外光谱分析仪为波通公司DA7250型近红外成分测定仪，外部与计算机联机。该仪器配有数据采集及数据分析软件，提供的数据基线涉及花生四类品质指标，分别为粗脂肪、蛋白质、脂肪酸（油酸、亚油酸、棕榈酸、硬脂酸、花生酸、山嵛酸、24烷酸）和氨基酸（总氨基酸、苏氨酸、缬氨酸、异亮氨酸、亮氨酸、苯丙氨酸、赖氨酸、组氨酸、脯氨酸）共18个性状。

1.3 分析方法

所有供试材料于2017年5月2日种植在山东省农业科学院济阳试验基地，适时收获晒干后将荚果存放在干燥的种子库，2018年3月人工剥壳后利用DA7250近红外光谱分析仪进行相关品质测定。测试时，每个品种选取具有代表性的完整无损饱满种子装满样品杯（圆形，直径75 mm），并保持待测种子样品表面的相对平整。为消除样品的不均匀性，减小误差，每个样品重复测定2次。

1.4 数据分析

用Microsoft Excel计算花生资源品质性状的最大值、最小值、平均值、标准差、变异系数。采用SPSS 19.0软件进行主成分分析。

2 结果与分析

2.1 花生种质资源荚果和种仁形态特征

为满足花生产业多元化发展以及机械化收获的需要，对种质资源荚果和种仁形态的评价显得非常重要。一方面，将获得的优异资源直接应用于生产，另一方面，为新品种选育提供优良亲本。如油用花生要求大果（百果质量160～180 g）、种仁大而饱满、出仁率高等；食用花生要求荚果为普通型中果、大果，果腰浅，无喙或短喙，果皮硬度和厚度中等；烘烤花生要求种皮最佳为粉红色，果形细长，果皮相对较厚硬[9]。本研究对291份花生资源的荚果类型、种皮颜色等性状进行了统计，建立了相应的数据库，部分种质荚果和种仁性状见表1。

2.2 近红外品质分析

2.2.1 含油量 由表2可见，291份花生资源的粗脂肪含量平均为54.33%，不同资源间差异较小，变异系数仅为3.99%。具体来看，如表3所示，高于55.0%的68份资源，占总资源的23.37%，其中高于58.0%的有8份，含油量最高为61.17%，是来源于河南的品种；而低于50.0%的资源有8份（表4），占总数的2.75%；含油量最低为44.54%，来自美国品种。

2.2.2 蛋白质含量 测定结果显示，不同种质蛋白质含量的均值为21.78%，变幅为13.91%～31.24%，变异系数14.21%。其中，12个品种蛋白质含量超过27%（表5），蛋白质含量最高为31.24%。从表5中可以看出，这12个品种主要来自中国南部地区。收集的山东省59个品种中，仅255号蛋白质含量最高，为28.56%。

2.2.3 脂肪酸含量 如表2所示，不同种质资源平均油酸含量为51.90%，变幅在29.75%～85.79%之间；亚油酸含量的平均值为28.14%，变幅在1.56%～45.35%之间；不同种质资源间油酸和亚油酸含量的差异较大，变异系数分别为30.10%和30.45%。测定的5个饱和脂肪酸中，棕榈酸含量相对较高，均值9.63%，变幅在3.31%～12.20%之间；硬脂酸含量平均2.06%，变异系数27.29%；花生酸和24碳烷酸含量较低，均值分别为1.13%和1.22%；山嵛酸含量在1.59%～3.01%之间，变异系数10.80%。

2.2.4 氨基酸含量 所有样品的总氨基酸含量平均值为19.28%（表2），变幅在12.96%～27.69%之间，变异系数14.97%，资源间差异较小。测定的8种氨基酸中亮氨酸含量较高，均值为1.38%，变幅在0.94%～1.94%之间；组氨酸含量最低，均值为0.61%，变幅在0.45%～0.88%之间。

2.3 花生品质性状的主成分分析

本研究对供试花生种质样品的主成分分析结果（表6）表明，前5个主成分特征值都大于1，累计贡献率87.648%，表明利用这5个主成分可以较好地代替18个品质性状对花生资源进行评价。主成分1反映了原始数据信息量的43.239%，其中蛋白质、亮氨酸、苯丙氨酸的贡献率都超过了0.9，称为蛋白质因子。主成分2的贡献率为21.211%，其中以油酸和亚油酸的特征向量绝对值较大，因而称为不饱和脂肪酸因子；主成分3以脯氨酸、组氨酸的贡献率相对较大，且呈负相关，称其为脯氨酸组氨酸负因子；主成分4中起决定作用的是苏氨酸，其贡献率为-0.795，称其为苏氨酸负因子；主成分5主要由粗脂肪含量决定，称之为粗脂肪因子。从对主成分的分析可以看出，主成分1的分值越大，蛋白质含量越高，相应的花生营养价值越高；而主成分5的分值较大，其对应的粗脂肪含量也较高，这类品种一般用于油用品种选育和榨油。因而，在筛选专用型花生品种时，主成分1和主成分5可以作为一种综合评价的指标，而主成分2的分值越大油酸含量越高，亚油酸含量越低，可以作为筛选高油酸品质的指标。

3 小结

近红外光谱分析技术通过测定波长700～2 500 nm范围内的光谱吸收，对有机成分及含量进行检测[11]。其优点主要有以下几方面：①适用范围广；②高效、快速、便捷；③所测样品不需要进行提前处理；④无破损等。该技术在芝麻、大麦、玉米、谷子、水稻、大豆和向日葵中都得到广泛应用[12-17]。近几年，随着花生杂交育种目标的多元化，花生品质的重要性越来越凸显。但是常规的分析测定都是单纯针对某一个特定的品质性状进行测定，这存在很多弊端如分析速度慢、准确性不高、需要大量化学试剂和试验材料、费时费力等，而近红外光谱分析技术可以满足对花生杂交亲本以及后代品質指标快速高效地分析评价要求，能加快育种进程，提高育种效率。目前，该技术在花生中的应用也越来越普遍[18-20]。

本研究利用近红外光谱分析技术对实验室保存的291份种质资源的粗脂肪、蛋白质、脂肪酸、氨基酸等品质指标含量进行了测定。结果表明，不同花生种质资源的粗脂肪含量变幅为44.54%～61.17%；油酸含量变幅为29.75%～85.79%；蛋白质含量平均为21.78%，最高为31.24%；总氨基酸含量平均为19.28%。利用主成分分析技术，将18个品质性状综合成5个主成分因子，分别为蛋白质因子、不饱和脂肪酸因子、脯氨酸组氨酸负因子、苏氨酸负因子及粗脂肪因子，这5个因子反映了原始数据信息量的87.648%，可用于花生品质的综合评价。该结果可为新品种选育中的亲本选择提供有价值的参考，也可为发掘特异材料或特异基因、开展相关的遗传研究提供基础材料。另外，获得了高油、高蛋白、低油、高油酸等性状优异的种质资源，并对其荚果和种仁特点进行了评价，为种质资源的有效利用提供了基础数据。

参 考 文 献：

[1] 江建华，倪皖莉，管叔琪，等.126 份花生品种主要农艺性状遗传多样性分析[J].中国农学通报，2014，30（3）：117-123.

[2] 唐榮华，高国庆，韩柱强.花生种质资源数据库建立及应用研究[J].中国油料作物学报，2001，23（2）：70-72.

[3] 姜慧芳，段乃雄，任小平，等. 花生种质资源的性状鉴定及综合评价进展[J]. 花生科技，1999（增刊）：144-147.

[4] Krishna T G，Pawar S E，Mitra R. Variation and inheritance of the arachin polypeptides of groundnut （Arachis hypogaea L.）[J]. Theoretical and Applied Genetics，1986，73（1）：82-87.

[5] Kaya C， Hamamci C， Baysal A，et al. Methyl ester of peanut （Arachis hypogea L.） seed oil as a potential feedstock for biodiesel production[J]. Renewable Energy，2009，34（5）：1257-1260.

[6] Gorayeb T C C，Casciatori F P， Bianchi V L D，et al. HACCP plan proposal for a typical Brazilian peanut processing company[J]. Food Control，2009，20（7）：671-676.

[7] 林茂，吕建伟，马天进，等. 花生挥发性风味物质研究进展[J]. 食品研究与开发，2013，34（12）：106-110.

[8] 万书波，封海胜，王秀贞. 花生营养成分综合评价与产业化发展战略研究[J]. 花生学报， 2004（2）：1-6.

[9] 秦利，韩锁义，刘华. 我国食用花生研究现状[J]. 江苏农业科学，2015，43（11）：4-7.

[10]唐启义，冯明光.实用统计分析及其DPS处理系统[M].北京：科学出版社，2002.

[11]Lim J，Kim G，Mo C，et al. Application of near infrared reflectance spectroscopy for rapid and non-destructive discrimination of hulled barley，naked barley， and wheat contaminated with fusarium[J]. Sensors，2018，18（1）：113.

[12]Kim K S，Park S H，Choung M G. Nondestructive determination of lignans and lignan glycosides in sesame seeds by near infrared reflectance spectroscopy[J]. J. Agric. Food Chem.，2006，54（13）：4544-4550.

[13]Ringsted T，Ramsay J，Jespersen B M，et al. Long wavelength near-infrared transmission spectroscopy of barley seeds using a supercontinuum laser： Prediction of mixed-linkage beta-glucan content[J]. Anal. Chim. Acta，2017，986：101-108.

[14]An D， Cui Y J， Liu X，et al. Effects of varieties， producing areas， ears， and ear positions of single maize kernels on near-infrared spectra for identification and traceability[J]. PLoS One，2016，11（9）：e0161489.

[15]Fox G，Manley M. Applications of single kernel conventional and hyperspectral imaging near infrared spectroscopy in cereals[J]. J. Sci. Food Agric.，2014，94（2）：174-179.

[16]Hacisalihoglu G，Gustin J，Louisma J，et al. Enhanced single seed trait predictions in soybean （Glycine max） and robust calibration model transfer with near-infrared reflectance spectroscopy[J]. J. Agric. Food Chem.，2016，64（5）：1079-1086.

[17]Fassio A，Cozzolino D. Non-destructive prediction of chemical composition in sunflower seeds by near infrared spectroscopy[J]. Ind. Crops Prod.，2004，20（3）：321-329.

[18]Wang C T，Yu S L，Zhang S W，et al. Novel protocol to identify true hybrids in normal oleate×high oleate crosses in peanut[J]. Electronic J. Biotech.，2010，13（5）：18-19.

[19]Oh K，Choung M， Pae S，et al. Determination of seed lipid and protein contents in perilla and peanut by near-infrared reflectance spectroscopy[J]. Korean J. of Crop Sci.，2000，45：339-342.

[20]Zheng T T，Sun T F，Cao Z H，et al. Quality analysis of peanut seed by visible/near-infrared spectra[J].Spectroscopy and Spectral Analysis，2015，35（3）：622-625.