CN102288569A - 一种纤维生物质的快速分析方法 - Google Patents

Abstract

本发明涉及一种纤维生物质的快速分析方法。所述方法基于近红外光谱技术(NIR)，可快速分析纤维生物质化学成分。所述方法简便、快速、非破坏，可实时地检测纤维生物质材料的化学成分及其转化效率。

Description

一种纤维生物质的快速分析方法

技术领域

本发明属于纤维生物质分析与利用领域；更具体地，本发明涉及一种纤维生物质的快速分析方法。

背景技术

纤维生物质是地球上最丰富的可再生资源。近年来，随着能源、环境问题的日益凸显，纤维生物质的综合利用正受到越来越广泛的关注。由于纤维生物质成分多样，结构复杂，其分析测定技术长期制约着相关基础研究和应用技术的发展。

传统的纤维生物质分析测定方法建立在化学分析、色谱-质谱联用技术基础上，这类方法固有的程序复杂、时间长、费用高等缺点限制了其在基础研究、工农业生产领域的推广和应用。

因此，本领域迫切需要开发分析程序简单、耗时短、费用低廉的分析测定纤维生物质的方法。

发明内容

本发明的目的在于提供一种纤维生物质的快速分析方法。

在本发明的第一方面，提供一种纤维生物质的快速分析方法，所述方法包括：

(a)采集包含纤维生物质的待测样品的近红外光谱，获得光谱数据；

(b)将(a)获得的光谱数据输入数据模型，获得待测样品的化学参数(如某类化学成分含量或特征参数，具体如木质素含量，木质素组成结构，纤维素含量等)。

在一个优选例中，在400-2500nm波长范围内采集包含纤维生物质的待测样品的近红外光谱。

在另一优选例中，所述的光谱数据是近红外光谱各波长对应的漫反射光谱数据。

在另一优选例中，所述的数据模型如下建立：

(1)采集定标样品的近红外光谱，获得光谱数据；

(2)对定标样品的化学参数进行化学分析，获得化学数据；

(3)将(1)的光谱数据与(2)的化学数据进行综合，光谱定标，获得将光谱数据与化学数据相对应的数据模型。

在另一优选例中，步骤(1)中，对同一样品进行多次重复测量，以平均光谱作为该样品标准光谱。

在另一优选例中，所述的定标样品来源于不同生长地区、不同生长时间的木本植物。

在另一优选例中，步骤(1)中，对获得的光谱数据进行预处理以消除背景干扰(减少峰的波动和基线漂移)，包括(但不限于)平滑，微分，求导(如一阶和二介导数)，散点校正，SG算法。

在另一优选例中，步骤(3)中，在进行综合时，利用光谱定标软件。

在另一优选例中，步骤(3)中，在定标时，包括：将光谱数据与化学数据分别输入光谱定标软件；对该数据矩阵进行偏最小二乘法分析，从而建立光谱数据与化学数据之间的数据模型。

在另一优选例中，步骤(3)中，还包括对数据模型进行交互验证、校正或优化。

在另一优选例中，取已知化学成分的纤维生物质样品作为验证集，在与定标模型相同的条件下得到光谱数据，根据已建立的数据模型计算化学参数，经多组预测结果进行统计交互验证后，如结果达到相关标准规定的检测限时，确定该模型适用；如不能达到，则对校正模型重新进行回归计算，直到达到标准规定的检测限。

在另一优选例中，选择偏最小二乘法因子数(PLS)小于10(例如，PLS为7或8)的因子进行校正。

在另一优选例中，所述的化学参数包括(但不限于)：酸不溶木质素含量、综纤维素(Holocellulose，又称为总纤维素)含量、α-纤维素含量、S/G比值(紫丁香基木质素与愈创木基木质素的比例)、酶降解效率。

本发明的其它方面由于本文的公开内容，对本领域的技术人员而言是显而易见的。

附图说明

图1：建立数据模型的步骤流程图。

图2：一种代表性的近红外光谱图。将包含样品的样品杯置于近红外光谱仪上，对每个数据点的近红外漫反射强度值取平均值后得到一个样品的吸收光谱，然后将多个样品吸收光谱作在同一副图中。图中一共有279条光谱线，每一条线是通过平均32次扫描的结果获得的，每条线代表一个独立样品的光谱图。

图3：模型预测木质素含量结果图。纵坐标为预测值，横坐标为实际测量值。

图4：模型预测综纤维素含量结果图。纵坐标为预测值，横坐标为实际测量值。

图5：模型预测α-纤维素含量含量结果图。纵坐标为预测值，横坐标为实际测量值。

图6：模型预测木质素S/G比率结果图。纵坐标为预测值，横坐标为实际测量值。

图7：模型预测酶消化能力结果图。纵坐标为预测值，横坐标为实际测量值。

图8：通过回归模型考察化学成分同酶解效率(以一定酶解时间获得的总糖转化效率体现)之间的关系。木质素、综纤维素、α-纤维素以及木质素S/G比值同酶降解效率存在线性关系，并且其相关性系数大于0.6。

图9：通过水解速率衡量不同化学成分样品对于纤维生物质材料降解水平的影响。a为木质素含量的影响，b为综纤维素含量的影响，c为α纤维素含量的影响，d为S/G比值的影响。

图10：通过一系列的光谱预处理方法，转化过的光谱显著降低峰的漂移，并提高光谱的一致性。

具体实施方式

鉴于现有技术中测量纤维生物质过程复杂，准确性不高，耗时长等技术缺陷，本发明人经过深入的研究，首次开发了一种纤维生物质的快速分析方法。所述方法基于近红外光谱技术(NIR)，可快速分析纤维生物质化学成分，并可对其工业转化利用效率进行快速评估。

基本原理和术语

所述的近红外光谱分析技术基本原理如下：

近红外光是指介于可见光和中红外光之间的电磁波，有其独特的波长范围。近红外光谱是记录分子振动基频的倍频和合频的光谱区f11，在近红外光谱范围内，测量的信息主要是分子内部OH-、NH-、CH-官能团的倍频吸收及其伸缩振动、弯曲振动合频的吸收信息。近红外光谱是把光谱测量技术、化学计量学和计算机技术融为一体的间接分析技术，是通过校正模型建立实现对未知样本的定性或定量分析。

近红外光谱分析技术仅通过采集被测样品的红外特征光谱并与光谱定标数据库进行比较，即可完成其多项性能指标的预测。通过化学计量学方法的深入分析可以建立分析物化学成分同近红外光谱的对应关系，并在此基础上建立近红外光谱定标数据库。

如本文所用，所述的“样品”是指各种包含纤维生物质的材料，例如来源于各种树木的木材样品等。

如本文所用，所述的“定标样品(定标集样品)”是指发明中一类样品的集合。对该样品同时测定红外光谱数据和化学分析数据(化学参数)，获得一种化学参数对应红外光谱数据的定标数据(定标集数据)，并将两种数据相关联并一一对应(例如：以这些参数为依据进行偏最小二乘法分析，建立数学模型)。较佳地，所述的定标样品来源于不同生长地区、不同生长时间的木本植物；或来源于木本植物的不同组织。

如本文所用，所述的“待测样品”是指化学参数未知的样品(即：未进行光谱收集和化学成分测定的样品)，将该样品的红外光谱数据输入根据“定标样品”所获得的定标数据库(数据模型)，可以获得该样品对应的化学参数。

如本文所用，所述的“化学参数”是指代表样品某一方面特征的一种数据，可以是样品的某类化学成分含量或特征参数，即所关心的组分或性质数据。所述的化学参数例如但不限于：酸不溶木质素含量、综纤维素(Holocellulose)含量、α-纤维素含量、S/G比值或酶降解效率等等。所述的化学参数可通过近红外光谱技术获得，或通过化学测定技术获得。

如本文所用，所述的“化学分析”是指采用红外光谱技术以外的常规化学方法来检测化学参数，这些方法一般是现有技术中已经指导的，较佳地采用国际标准方法、国家标准方法、教科书或文献报导的方法。

如本文所用，所述的“数学模型”又称为数据模型，是指发明中通过优化获得的能够表征化学参数和光谱数据之间相关性的数学关系，这里主要指光谱矩阵与化学参数矩阵的相关性矩阵。在不同发明中该概念有时被称为预测模型、数学关系或者预测方程等。

如本文所用，所述的“定标数据库”包括所有定标集样品化学及光谱参数以及能够反映这些参数之间关系的数学模型，即包括定标集数据和数学模型。

数据模型的建立

通常，对应于一项所关心的木质素的化学参数(如α-纤维素含量)，需要建立一个独立的数据模型。所述的数据模型如下建立：

(1)采集定标样品的近红外光谱，获得光谱数据；

(2)对定标样品的化学参数进行化学分析，获得化学数据；

(3)将(1)的光谱数据与(2)的化学数据进行综合，光谱定标，获得将光谱数据与化学数据相对应的数据模型。

为了获得准确的数据模型，在步骤(1)中，对同一样品的光谱数据进行多次重复测量，以平均光谱作为该样品标准光谱。步骤(2)中，对同一样品的化学参数进行多次化学分析，以平均值作为化学分析的结果。

作为本发明的优选方式，步骤(1)中，对获得的光谱数据进行预处理以消除背景干扰，如减少峰的波动和基线漂移。可采取多种预处理的方法来消除背景干扰，例如包括但不限于平滑，微分，求导(如一阶和二介导数)，散点校正，SG算法。

进行光谱定标时，通常利用光谱定标软件来进行。包括：将光谱数据与化学数据分别输入光谱定标软件；对该数据矩阵进行偏最小二乘法分析，从而建立光谱数据与化学数据之间的数据模型。光谱定标软件较佳地采用FossWinISI4。

还需要对数据模型进行交互验证、校正或优化，以获得一个较为准确的、有代表性的数据库。取已知化学成分的纤维生物质样品作为验证集，在与定标模型相同的条件下得到光谱数据，根据已建立的数据模型计算化学参数，经多组预测结果进行统计交互验证后，如结果达到相关标准规定的检测限时，确定该模型适用；如不能达到，则对校正模型重新进行回归计算，直到达到标准规定的检测限。

本发明人在研究中发现，偏最小二乘法因子数(PLS)是较为关键的影响因素，一般情况下，过多的PLS因子会导致过拟合而过少的PLS因子会丢失有用的数据，可见选择正确的PLS的重要性。本发明人综合分析后，选择PLS小于10的因子进行校正；较佳地，所述的PLS为7或8。

在本发明的实施方式中，以木本植物杨树和桉树为代表性生物质样品，对其各类特征参数(如生物质组成、生物降解效率等)进行系统采集，并运用线性回归等算法对这些参数进行并行分部处理，实现了对化学成分、生物转化效率等参数的定量、定性数据测定。在操作过程中，本发明对以上述样品为代表的生物质材料进行了常量化学成分测定(Kalson木质素、综纤维素，α-纤维素)、GC-MS测定(木质素单体组成等)、以及近红外光谱测定(400-2500nm波长范围的光谱数据采集)，建立了近红外定标数据库。

待测样品的检测

在得到了数据模型(定标数据库)后，可以用于化学参数未知的样品的检测。将该待测样品的红外光谱数据输入所述的数据模型，可以获得该样品对应的化学参数。

一旦获得了数据模型，仅需要通过将化学参数未知的样品(待测样品)进行与定标样品相同条件的近红外光谱测定，获得光谱数据；即可依据该光谱数据获得该待测样品的化学参数，而无需经历繁复的化学过程(如试剂处理、称量、脱水、烘干、冷却等)。

本发明的主要优点在于：

(1)提供了一种基于近红外光谱技术快速检测上木质素化学参数的方法，所述方法简便、快速、非破坏，可实时的检测纤维生物质材料的化学成分及其转化效率。

(2)建立了一整套对各类生物质资源具有广泛适应性的快速测定技术，并通过一系列的统计学验证证明该技术能够达到植物学研究、林木育种、农作物改良和工业生物技术过程控制等领域的一般性技术标准的要求。

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件，或按照制造厂商所建议的条件。除非另外说明，否则百分比和份数按重量计算。

Ⅰ.仪器和方法

本发明人以杨树和桉树为代表，建立一种基于近红外光谱的快速化学成分和酶降解效率测定系统。

本发明使用的仪器设备：Foss XDS rapid content analyzer近红外光谱仪及配件。操作方法参见其使用说明书。

本发明使用的近红外光谱收集软件：Foss ISIscan近红外光谱仪联机控制软件。

本发明使用的数据处理软件：Foss WinISI4近红外定标软件。

本发明所涉及的化学实验方法按照中华人名共和国国家标准实施，没有中国标准的按照国际同类标准或国际相关研究机构公开发布的方法、守则实施。

采用的化学测定方法按照如下方法执行：

1)样品的预处理：见NREL，2008.Preparation of samples for compositionalanalysis.Technology Team Laboratory Analytical Procedure，National RenewableEnergy Lab。

2)木质素及糖的测定：见NREL，2008.Determination of structuralcarbohydrates and lignin in biomass.Biomass Analysis Technology TeamLaboratory Analytical Procedure，National Renewable Energy Lab。

3)综纤维素的测定：见中华人民共和国国家标准GB/T2677.10-1995造纸原料综纤维素含量的测定。

4)α-纤维素的测定：见中华人民共和国国家标准GB/T744-1989纸浆α-纤维素的测定。

5)挥发性物质的测定：见NREL，2005.Determination of extractives inbiomass.Biomass Analysis Technology Team Laboratory Analytical Procedure，National Renewable Energy Lab。

6)水解能力的测定：见NREL，2008.Enzymatic saccharification oflignocellulosic biomass.Technology Team Laboratory Analytical Procedure，National Renewable Energy Lab。

7)木质素单体构成的测定：见Robinson，A.R.，Mansfield，S.D.，2009.Rapidanalysis of poplar lignin monomer composition by a streamlined thioacidolysisprocedure and near-infrared reflectance-based prediction modeling Plant Journal，pp.706-714。

广谱数据处理

光谱数据被转化成log(1/反射强度)(即log1/R)的形式进行处理，NIR计算过程中，光谱数据经过多种方法进行了预处理，例如散点校正，Savitsky-Golay(SG)算法，一阶和二阶导数等方法来减少峰的波动和基线漂移。计算后的模型利用交互验证的方法进行评估，采用的参数包括预测误差的平方根(RMSECV)和相关性系数(R²)等。

后续实施例建立的5个预测模型都分别独立的通过交互验证结果进行了优化。另一方面，预测标准差(SEP)以及方差同预测标准差的比值SDR被用来显示对未知样品的预测效果。SDR大于3.0被认为是模型可以使用的标准，SDR在5和10之间以及更大可以实施质量控制。

Ⅱ.实施例

实施例1、建立检测木质纤维素酸不溶木质素的数据模型测定、分析过程如图1。主要如下：

1.采集定标样品的近红外光谱

取约1.5克充分干燥的粉状木材(杨树或桉树)样品置于近红外光谱仪样品杯中，使用与样品杯配套的压盖将样品压实，保证样品杯透明一侧没有可见的空隙。然后将样品杯置于近红外光谱仪上按照仪器的操作说明收集32次重复的近红外漫反射光谱，并对每个波长对应的吸收强度取平均值绘制光谱图。结果如图2所示。

2.定标样品(酸不溶木质素)的化学测定

样品的预处理：将已经收集近红外光谱的上述粉状木材样品，称取1.0克木粉置于50ml螺口试管中加入丙酮，将该试管静置48小时后更换丙酮溶剂，重复以上步骤6次。将处理过的样品通过风干使溶剂彻底挥发。

将风干后的样品加入已恒重的砂芯坩埚中并置于坩埚架上，加入72％的硫酸(直接由98％浓硫酸加水稀释获得)30ml，使样品充分浸润并分散均匀。将上述样品放置3小时，其间需要对样品进行搅拌或使用吹气泵将成块样品打碎。反应结束后将硫酸过滤除尽并用大量蒸馏水对残留的样品进行洗涤。将洗涤完毕的样品和坩埚置于烘箱中干燥并恒重。此时坩埚内的酸不溶物即为酸不溶木质素，称量这些残留物的重量后计算酸不溶木质素的含量。

3.建立、优化和检验模型

将收集到的近红外光谱各波长对应的漫反射光谱数据和化学测定数据输入光谱定标软件。对该数据矩阵进行偏最小二乘法分析，建立近红外光谱同化学测定数据之间的数学模型。

作为一个多元线性回归方法，偏最小二乘回归的主要目的是要建立一个线性模型：Y＝XB+E，其中Y是具有m个变量、n个样本点的响应矩阵(在此处为定标集中某一个化学参数)，X是具有p个变量、n个样本点的预测矩阵(在此处即为近红外光谱中不同波长点对应的吸收值矩阵)，B是回归系数矩阵，E为噪音校正模型，与Y具有相同的维数。在通常情况下，变量X和Y被标准化后再用于计算，即减去它们的平均值并除以标准偏差。

偏最小二乘回归采用得分因子作为原始预测变量线性组合的依据，所以用于建立预测模型的得分因子之间必须线性无关。例如：假如现在有一组响应变量Y(矩阵形式)和大量的预测变量X(矩阵形式)，其中有些变量严重线性相关，使用提取因子的方法从这组数据中提取因子，用于计算得分因子矩阵：T＝XW，最后再求出合适的权重矩阵W，并建立线性回归模型：Y＝TQ+E，其中Q是矩阵T的回归系数矩阵，E为误差矩阵。一旦Q计算出来后，前面的方程就等价于Y＝XB+E，其中B＝WQ，它可直接作为预测回归模型。

在建模当中，偏最小二乘回归产生了的权重矩阵W，矩阵W的列向量用于计算变量X的列向量的的得分矩阵T。不断的计算这些权重使得响应与其相应的得分因子之间的协方差达到最大。普通最小二乘回归在计算Y在T上的回归时产生矩阵Q，即矩阵Y的载荷因子(或称权重)，用于建立回归方程：Y＝TQ+E。一旦计算出Q，我们就可以得出方程：Y＝XB+E，其中B＝WQ，最终的预测模型也就建立起来了。本发明所涉及的预测模型主要数学内容即为此处计算获得的一个经过优化的回归系数矩阵。

对获得的数学模型进行交互验证，即按照某一计算方法组合使用定标集中的部分样品预测剩余的样品，以此循环，直至所有样品都经过预测验证。如交互验证显示的误差不能满足分析的要求，则需要对该数学模型进行优化，包括：对样品近红外光谱进行平滑求导等方法消除背景干扰，删除样品集中偏离中心群体较远样品点，选择不同的偏最小二乘法因子数等。

数学模型通过一下方式体现：展示预测结果和实测结果的数据列表或者作图。获得数学模型也可以以数据库的形式提供，在特定的软件环境下应用和查看。

4.未知成分样品分析

收集未知成分粉末状木材的近红外光谱(光谱扫描方法如上)，将所得的光谱数据输入上述数学模型计算，即可测得该未知样品的酸不溶性木质素含量。

作为检验的预测结果见图3。

将1组未知样品(此处为38个)按照前述的方法收集近红外光谱，将这些光谱数据带入上文所说的数学模型中进行计算，即通过回归系数矩阵对光谱数据矩阵进行转换，可以获得这些样品在模型中已有的化学参数的预测值(此处为酸不溶性木质素)。

验证：取适量的上述样品，按照标准化的测试方法对其化学参数进行测定，以预测值为纵坐标，以实际测量值为横坐标作图得图3。通过两组数据在作图中的关系可以直观的表示预测数据同实际测量数据之间的误差，从而说明预测结果是否准确，此处显示预测结果良好。

实施例2、建立检测木质纤维素综纤维素的数据模型

1.采集定标样品的近红外光谱

方法同实施例1。

2.定标样品(综纤维素)的化学测定

样品的预处理步骤见实施例1。

将丙酮处理后风干的样品取0.3克置于25毫升的反应瓶中，加入4ml水悬浮。反应瓶放入90℃的水浴中预热。向反应混合液中加入4.5ml亚氯酸钠溶液和醋酸溶液使反应体系中亚氯酸钠质量终浓度5％醋酸体积终浓度为5％。在此温度下保温1小时，反应结束后用冷水浴立即冷却，反应产物用砂芯坩埚过滤并洗涤。将砂芯坩埚干燥恒重称取综纤维素含量。

3.建立、优化和检验模型

近红外模型的建立和预测如实施例1。

作为检验的预测结果见图4。

实施例3、建立检测木质纤维素α-纤维素的数据模型

1.采集定标样品的近红外光谱

方法同实施例1。

2.定标样品(α-纤维素)的化学测定

取0.1g干燥的综纤维素(制备流程见实施例2)加入15ml反应瓶中，在室温下放置30分钟使水分平衡。加入5ml 17.5％的氢氧化钠溶液在室温下反应30分钟，再加入等体积的蒸馏水再反应30分钟。放映残留物经过砂芯坩埚过滤并用1M的醋酸溶液洗涤三次。砂芯坩埚干燥恒重后称重计算α-纤维素的含量。

3.建立、优化和检验模型

近红外模型的建立和预测如实施例1。

预测结果见图5。

实施例4、建立检测木质纤维素木质素S/G比值的数据模型

1.采集定标样品的近红外光谱

方法同实施例1。

2.定标样品的化学测定

取20mg预处理后的粉状木材样品，先进行预处理，预处理的步骤见实施例1。

加入一个2ml的反应瓶中。向其中加入新制备的二氧六环溶液(2.5％三氯化硼，10％乙硫醚)并将瓶内空气全部排空。将反应瓶密封并置于100℃4小时。反应结束后将反应瓶放入-20℃温度下5分钟结束反应。加入二十四烷作为内标并将pH调至4左右。将有机相转移并用无水硫酸钠脱水。获得的有机相用N，O-双三甲硅基乙酰胺衍生化并按照仪器说明进行气象色谱检测。

3.建立、优化和检验模型

近红外模型的建立和预测如实施例1。

预测结果见图6。

实施例5、建立检测木质纤维素酶降解效率的数据模型

1.采集定标样品的近红外光谱

方法同实施例1。

2.定标样品的化学测定

木质纤维素的酶解效率通过采用一种模拟工业化过程的酸预处理过程来检测。将1克的木质纤维素粉末样品加入20毫升的反应瓶中，并加入10ml 4％的硫酸。将反应瓶置于50℃下30min，然后将其放入灭菌锅中在121℃下处理1小时。随后通过离心法将反应混合物固液分离，将固体用水充分洗涤后重悬于pH4.8的缓冲液中。将该混合物在50℃条件下预热，然后加入60单位的纤维素酶。在水解过程中对反应混合物中的糖含量进行监控。糖的浓度按照3，5-二硝基水杨酸法检测。

3.建立、优化和检验模型

近红外模型的建立和预测如实施例1。

预测结果见图7。

实施例6、化学成分和酶解分析

根据以上实施例获得的各数据模型，共分析了279个样品的木质素、综纤维素、α-纤维素以及木质素S/G比值。表1显示的是这些样品的化学参数统计。其中木质素的含量16.06～23.84％，综纤维素的含量从72.18～80.91％，α-纤维素的含量45.48～58.48％，木质素S/G比值2.10～2.79。这些范围基本和文献报道一致。总降解效率通过酸预处理的方法检测获得。在酶解过程中，糖的含量随时间增加而增长。

表1.模型校验参数列表

本发明人通过回归模型考察了化学成分同酶解效率之间的关系。结果与此前文章的报到基本一致。木质素、综纤维素、α-纤维素以及木质素S/G比值同酶降解效率存在线性关系，并且其相关性系数大于0.6(图8)。但是有的参数同酶解效率呈正相关，而有的则呈负相关。在木质素中呈不断增长的负相关(斜率分别为-1.2，-3.96，-4.35经过1小时，8小时，72小时的降解)α-纤维素也呈负相关(斜率分别为-0.540，-1.34，-2.24经过1小时，8小时，72小时的降解)。不同的是综纤维素呈正相关(0.953，3.412，和3.78经过1小时，8小时，72小时的降解)。木质素S/G比值也观察到类似的现象。

这些结果显示高的木质素、α-纤维素含量会抑制降解，而高的综纤维素含量会促进降解。同时由于各自斜率的不同木质素和综纤维素对酶解的影响比α-纤维素大。

水解速率是衡量降解水平的另一个重要参数。对水解过程前24小时的研究证明不同化学成分样品之间差异显著。如图9a所示，木质素同酶解速率关系明显。高木质素样品在水解初期速度缓慢，而低木质素样品速度较快。综纤维素和α-纤维素及S/G比值的影响不是很显著(如图9b-d所示)。这些结果显示木质素在纤维生物质材料水解中发挥重要作用，这些结果同在木质素降低的转基因植物中得到的结果一致。木质素S/G比值同酶解的关系说明调整植物中这项参数有可能作为能源作物育种工程的靶标。这些结果显示纤维生物质化学成分同酶解效率之间存在关系。

实施例7、光谱的主成分分析

用于化学成分分析和酶解的样品收集了400-2500nm范围内的近红外漫反射光谱。如图2所示，在光谱图中279条扫描光谱中观察到明显的峰的漂移。这些误差影响了模型预测的精度。为了减少这些误差本发明人采用了一系列的光谱预处理方法。转化过的光谱显著降低了峰的漂移并提高了光谱的一致性(如图10)。

数据预处理是建立预测模型的重要步骤。本发明人使用400到2500nm全波长进行预测。PLS因子数也是进行模型预测的一项重要指标。一般情况下，过多的PLS因子会导致过拟合而过少的PLS因子会丢失有用的数据。在发明中共计算了30个PLS因子并选取了小于10的因子进行了计算。

实施例8、化学成分的定量分析

1.木质素的PLS分析

本发明人以279个光谱为对象进行数据运算，对应的化学参数采用三次测量取平均的方法。校正集中杨树的木质素含量从15.06％到23.84％桉树木质素含量从16.68％到25.42％。同时收集的光谱从400nm到2500nm。校正模型以PLS因字数7为基础，进行了一系列校正。

本发明人采用美国谷物化学家学会的标准AACCMethod39-00，1999所载明的方法为标准对模型进行了交互验证。经过一系列的校正和多个候选模型的选择，本发明人获得的最高相关性系数为0.9831最低RMSECV为0.2122。同时已知的一些芳香族化合物的特征性吸收峰1152，1417，1668，1685，2132nm也被检测出来。

2.纤维素的PLS分析

纤维素的PLS分析包括综纤维素和α-纤维素，本发明人在光谱收集和交互验证方面采用3.3.1类似的方法。在校正集中杨树综纤维素的范围为72.18％到80.91％，桉树综纤维素的范围为66.79％到78.35％；杨树中α-纤维素的范围从45.48％到58.48％，桉树中α-纤维素的范围从45.53％到58.99％。

在综纤维素的分析中，本发明人选用PLS因字数为8，获得的最高的相关性系数为0.9810，最低RMSECV为0.3433。α-纤维素的分析中，PLS因子数为8产生最高的相关性系数0.9819以及最低的RMSECV 0.5312。同时1490，1900，1930.2100，2276，2338，2482nm等一些纤维素特征性的峰也被发现。

3.S/G比值的PLS分析

杨树的木质S/G比值从2.01到2.79，桉树的木质素的S/G比值从2.20到2.81。木质素S/G比值在定标集中的范围相对较窄。本发明人采用和前述类似的方法构建了木质素S/G比值的预测模型。本发明人测试了数个不同的PLS因子数。交互验证结果最佳的模型获得的R²为0.9119，RMSECV为0.0637。从交互验证结果分析，木质素S/G比值的预测相对于其它化学参数略差，这可能是由于木质素在细胞壁网络中形成交联结构从而限制了其测定以及气相色谱测定的结果相对不稳定导致的，这一现象在之前的化学测定的文章中也有报道。

4.化学成分预测模型的独立验证及总结

为了验证预测模型在预测未知样品方面的能力，本发明人选取了38个样品作为独立验证集对模型预测结果进行了独立验证。本发明人采用同定标集相同的方法收集了独立验证集的光谱数据和化学测定数据。独立验证集的平均值，标准差、极值以及对应的预测结果显示在表2中。这些结果显示本发明中所采用的独立验证集也具有充分的覆盖性。

表2.木质纤维素成分总结

图3-7显示了不同化学组分的独立验证结果，分别为木质素，综纤维素α-纤维素，木质素S/G比值。表3中对多个化学参数的预测结果参数进行了汇总，相关项系数分别为木质素0.984、综纤维素0.988、α-纤维素0.971、木质素S/G比值0.925。这些参数同样提供了SEP和SDR作为统计参数进行模型校验。结果显示可以通过NIR分析杨树和桉树中的木质素、综纤维素α-纤维素和木质素S/G比值进行检测。

表3.预测结果总结

实施例9、酶解能力的定量预测

根据以上的结果近红外光谱预测技术能够对木质纤维素各类化学参数进行准确的预测，而各类化学参数同纤维生物质的酶降解效率之间存在显著的相关性。这些信息使本发明人有理由相信，有可能能够建立直接预测纤维生物质酶解效率的模型。

本发明人利用纤维生物质的近红外光谱尝试建立一种纤维生物质降解效率的预测模型。前述的进行化学参数预测的模型被用来测定纤维生物质的酶降解效率。通过对酶解参数和近红外光谱的分析共获得了4个候选的预测模型。其中具有最高相关性系数0.9129和最低RMECV(2.2253)的模型被用来进行进一步的验证。

酶降解能力的模型也选用未知样品集进行了独立验证。如图7所示，酶降解能力的预测显示出斜率1.069，R²为0.9129。交互验证的结果显示完全有可能建立一个纤维生物质酶解能力的预测模型。

综上诉述，近红外预测可以被用来进行木质纤维素化学成分和降解效率的分析和测定。快速测定技术是纤维生物质育种和转化的迫切要求。NIR分析技术的建立可以为本发明人提供一项推动纤维生物质生产和转化利用的有力工具。

综上，利用NIR原理，建立了一项对纤维生物质快速分析和利用过程监测的崭新技术，该技术可以为生物能源生产和其它纤维生物质利用途提供定量的成分分析。各项参数的PLS模型能够满足快速测定的需要。该结果同样提供了一个新的视角认识纤维生物质的化学成分同其酶降解效率的关系。

在本发明提及的所有文献都在本申请中引用作为参考，就如同每一篇文献被单独引用作为参考那样。此外应理解，在阅读了本发明的上述讲授内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (11)

1.一种纤维生物质的快速分析方法，其特征在于，所述方法包括：

(a)采集包含纤维生物质的待测样品的近红外光谱，获得光谱数据；

(b)将(a)获得的光谱数据输入数据模型，获得待测样品的化学参数。

2.如权利要求1所述的方法，其特征在于，在400-2500nm波长范围内采集包含纤维生物质的待测样品的近红外光谱。

3.如权利要求1所述的方法，其特征在于，所述的光谱数据是近红外光谱各波长对应的漫反射光谱数据。

4.如权利要求1所述的方法，其特征在于，所述的数据模型如下建立：

(1)采集定标样品的近红外光谱，获得光谱数据；

(2)对定标样品的化学参数进行化学分析，获得化学数据；

(3)将(1)的光谱数据与(2)的化学数据进行综合，光谱定标，获得将光谱数据与化学数据相对应的数据模型。

5.如权利要求4所述的方法，其特征在于，所述的定标样品来源于不同生长地区、不同生长时间的木本植物。

6.如权利要求4所述的方法，其特征在于，步骤(1)中，对获得的光谱数据进行预处理以消除背景干扰，包括平滑，微分，求导，散点校正，SG算法。

7.如权利要求4所述的方法，其特征在于，步骤(3)中，在进行综合时，利用光谱定标软件。

8.如权利要求4所述的方法，其特征在于，步骤(3)中，在定标时，包括：将光谱数据与化学数据分别输入光谱定标软件；对该数据矩阵进行偏最小二乘法分析，从而建立光谱数据与化学数据之间的数据模型。

9.如权利要求4所述的方法，其特征在于，步骤(3)中，还包括对数据模型进行交互验证、校正或优化。

10.如权利要求9所述的方法，其特征在于，选择偏最小二乘法因子数小于10的因子进行校正。

11.如权利要求1所述的方法，其特征在于，所述的化学参数包括：酸不溶木质素含量、综纤维素含量、α-纤维素含量、S/G比值、酶降解效率。

Images