CN102879353A

CN102879353A - 近红外检测花生中蛋白质组分含量的方法

Info

Publication number: CN102879353A
Application number: CN2012103496654A
Authority: CN
Inventors: 王强; 刘红芝; 刘丽; 王丽; 杜寅
Original assignee: Institute of Food Science and Technology of CAAS
Current assignee: Institute of Food Science and Technology of CAAS
Priority date: 2012-09-19
Filing date: 2012-09-19
Publication date: 2013-01-16
Anticipated expiration: 2032-09-19
Also published as: CN102879353B

Abstract

本发明公开了一种检测花生中蛋白质组分含量的方法。该方法，包括：1）校正集样本光谱的建立；2）校正集样本光谱预处理；3）提取校正集样本光谱的特征信息数据；4）校正模型的建立；5）待测样品分析。将待测样品的近红外光谱经预处理，提取特征信息输入校正模型，即可计算得到花生样品中的蛋白质组分含量。本发明具有分析速度快、分析效率高、不使用任何化学试剂、分析成本低、且对环境不造成任何污染等优点，可为花生品质分析、控制花生品质及制品品质提供可靠依据。

Description

近红外检测花生中蛋白质组分含量的方法

技术领域

本发明涉及一种检测花生中蛋白质组分含量的方法，尤其是涉及一种利用近红外光谱检测花生中蛋白质组分含量的方法。

背景技术

花生中蛋白质含量为24%～36%，包括花生球蛋白和伴花生球蛋白（伴花生球蛋白Ⅰ和伴花生球蛋白Ⅱ）两种组分，各种组分在花生蛋白质的功能性质中起到非常重要的作用；随着人们生活水平的提高，花生育种研究已从单纯重视产量，转化为产量和品质兼顾，并不断重视营养和蛋白质组分的功能性质。在花生品质分析中，花生蛋白质组分含量测定通常采用聚丙烯酰胺凝胶电泳（SDS-PAGE），但该种方式分析速度慢，需要对花生仁脱脂、提取出蛋白质后再进行SDS-PAGE及光密度分析方可计算蛋白质组分含量，不适于大批量样品的测定和育种材料的筛选。因此，需要找到一种快速和准确的花生蛋白质组分含量检测方法，为花生蛋白质组分含量的评价提供依据。

无损检测技术是一门新兴的综合性应用学科，在不破坏或损坏被检测对象的前提下，利用样品内部结构存在所引起的对热、声、光、电、磁等反应的变化，来对样品结构组成做出判断和评价。根据无损检测原理的不同，检测方法大致可分为光学特性分析法、声学特性分析法、机器视觉技术检测方法、电学特性分析法、核磁共振检测技术与X射线技术等。

近年来，近红外光谱技术在农产品无损检测尤其是农作物的品质分析和农药残留等方面的应用十分广泛。国内外还未见近红外技术在花生蛋白质组分含量分析测试方法或建立相关模型方面的报道。

发明内容

本发明的目的是提供一种近红外检测花生中蛋白质组分含量的方法。

本发明提供的一种检测花生中蛋白质组分含量的方法，包括如下步骤：

1）对已知花生蛋白质组分含量的花生标准品进行近红外光谱扫描，获得所述已知花生蛋白质组分含量的花生标准品在近红外波长的所有光谱信息，得到校正集样本光谱的计算平均值；

2）对所述步骤1）所得校正集样本光谱进行预处理；

3）将所述步骤2）预处理后的校正集样本光谱中的信息数据进行主成分分析，提取特征信息数据；

4）校正模型的建立：

以所述花生标准品的花生蛋白质组分含量的化学测定值为校正值，将所述步骤3）所得特征信息数据作为自变量，所述校正值作为因变量，用化学计量学多元校正算法建立所述自变量与所述因变量之间的校正模型（也即花生蛋白质组分含量与近红外光谱特征信息数据之间的映射关系；）；

5）未知花生蛋白质组分含量的花生样品的测定：

将所述步骤1）所述已知花生蛋白质组分含量的花生标准品替换为待测花生样品，重复所述步骤1）至步骤3），将所述步骤3）所得特征信息数据输入所述步骤4）的校正模型，得到所述待测花生样品中的花生蛋白质组分含量。

上述方法所述步骤1）中，所述近红外波长为950-1650nm。所述近红外光谱扫描步骤中，扫描方式为连续波长近红外扫描或离散波长近红外扫描。所述光谱信息为吸光度。

所述步骤2）预处理步骤中，预处理的方法为多元散射校正方法、平滑方法和求导方法中的至少一种。所述求导方法为一阶求导或二阶求导方法。

所述步骤3）主成分分析步骤包括如下步骤：将所述步骤2）预处理后的校正集样本光谱中的信息数据变换到2-10个互不相关的变量中；上述2-10个互不相关的变量含有原来多个相关的光谱≥90%的信息。

所述步骤1）所述扫描方式为连续波长近红外扫描时，所述化学计量学多元校正算法为偏最小二乘法（PLS）、主成分回归（PCR）或人工神经网络算法（ANN）；所述扫描方式为离散波长近红外扫描时，所述化学计量学多元校正算法为逐步回归算法或多元线性回归算法（MLR）。

所述步骤4）中，所述花生标准品的花生蛋白质组分含量的化学测定值是由SDS-PAGE（聚丙烯酰氨凝胶电泳）和光密度分析仪测定而得。

所述花生蛋白质组分选自花生球蛋白、伴花生球蛋白和伴花生球蛋白Ⅰ中的至少一种。

另外，可按照如下步骤对步骤4）所得校正模型进行验证：将所述步骤1）所述已知花生组分含量的花生标准品替换为一组已知花生组分含量的花生样品，重复所述步骤1）至步骤3）后，利用所述步骤4）所述校正模型得到所述已知花生组分含量的花生样品中花生组分含量的计算值，计算所述计算值与实际值的相关系数和方差，评价所述步骤4）所得校正模型的可靠性。

在所述步骤1）之前，亦不需要对花生标准品或待测花生样品进行任何预处理。

本发明收集了一批有代表性的花生样品例如：白沙1016、黑花生、白花生、五彩花生、中花8号、花育20号、开农30号等。测定样品中的蛋白质组分含量，以这批样品作为建立数学模型的校正集建立数学模型，提出了一种利用花生的近红外光谱中包含样品的主要成分及测量的信息测定其中蛋白质组分含量的方法，该方法应用化学计量学方法对花生近红外光谱和花生中蛋白质组分含量进行关联研究，可以确定这两者之间的定性或定量关系，即校正模型。建立校正模型后，只要测量出未知样品的近红外光谱，根据校正模型就可以确定花生的各个蛋白质组分含量。该方法具有分析速度快、分析效率高，不使用任何化学试剂，分析成本低，且对环境不造成任何污染的优点。

附图说明

图1为未经预处理的花生样品光谱图；

图2为校正集和验证集的计算值和测定值的关系散点图。

具体实施方式

下面结合具体实施例对本发明作进一步阐述，但本发明并不限于以下实施例。所述方法如无特别说明均为常规方法。所述原料如无特别说明均能从公开商业途径而得。下述实施例每步骤的数据处理均由挪威CAMO公司出售的化学计量软件The Unscrambler 9.7中完成。

实施例1

1）取当年收获的花生样品作为标准品，141个样品（符合花生群体的常态分布规律）；在25℃下开启近红外光谱仪预热30min，取60g花生样品放于旋转样品杯中（直径75mm，深度25mm）；采用连续波长近红外扫描中的漫反射模式采集光谱，扫描谱区950-1650nm，分辨率5nm，采集样品的吸收光谱；为了克服样品粒度差异引起的光谱漂移，减少误差，每个样品重复装样3次，得到校正集样本光谱，取校正集样本光谱中的吸光度作为光谱信息数据，将该校正集样本光谱的计算平均值（图1）存于计算机软件中，备下一步构建花生蛋白质组分含量校正模型使用；

2）近红外光谱预处理：采用一阶求导结合平滑处理方法对步骤1得到的校正集样本光谱进行预处理；

3）将步骤2）预处理后的校正集样本光谱中的信息数据变换到主成分数为2-10个互不相关的变量中，完成特征信息数据的提取，花生中2种不同蛋白质组分对应的主成分数分别为：

花生球蛋白：7、伴花生球蛋白：9、伴花生球蛋白Ⅰ：6。

4）校正模型的建立：用SDS-PAGE（聚丙烯酰氨凝胶电泳）和光密度分析仪测定花生标准品的蛋白质组分含量，得到化学测定值，以该值为校正值，将步骤3）所得特征信息数据作为自变量，校正值作为因变量，用偏最小二乘法建立自变量与因变量之间的校正模型（也即蛋白质组分含量与近红外光谱特征信息数据之间的映射关系），所得模型结果如表1所示；

表1、花生蛋白质组分定标模型参数

5）模型的验证：取已知的蛋白质组分含量的花生样本检验校正模型，重复步骤1）至步骤3）后，利用步骤4）校正模型得到已知蛋白质组分含量的花生样品中蛋白质组分含量的计算值，计算计算值与实际值的相关系数（Corr，Coeff）和方差（RMSEC），评价步骤4）所得校正模型的可靠性（验证相关曲线参见图2）；

6）待测样品的分析：

将步骤1）已知蛋白质组分含量的花生标准品替换为41个待测花生样品，重复步骤1）至步骤3），所取光谱信息为吸光度，将步骤3）所得特征信息数据输入步骤4）所得校正模型中，得到41个待测花生样品中的蛋白质组分含量，该花生蛋白质组分含量的模型预测值与化学测定值的比较见表2。

表2、蛋白质组分含量的模型预测值与化学测定值的比较

由表2可知，本发明提供的检测方法，具有分析速度快、分析效率高、不使用任何化学试剂、分析成本低、且对环境不造成任何污染等优点，可为花生品质分析、控制花生品质及制品品质提供可靠依据。

Claims

1.一种检测花生中蛋白质组分含量的方法，包括如下步骤：

1）对已知蛋白质组分含量的花生标准品进行近红外光谱扫描，获得所述已知蛋白质组分含量的花生标准品在近红外波长的所有光谱信息，得到校正集样本光谱的计算平均值；

2）对所述步骤1）所得校正集样本光谱进行预处理；

4）以所述花生标准品的蛋白质组分含量的化学测定值为校正值，将所述步骤3）所得特征信息数据作为自变量，所述校正值作为因变量，用化学计量学多元校正算法建立所述自变量与所述因变量之间的校正模型；

5）将所述步骤1）所述已知蛋白质组分含量的花生标准品替换为待测花生样品，重复所述步骤1）至步骤3），将所述步骤3）所得特征信息数据输入所述步骤4）的校正模型，得到所述待测花生样品中的蛋白质组分含量。

2.根据权利要求1所述的方法，其特征在于：所述步骤1）中，所述近红外波长为950-1650nm。

3.根据权利要求1或2所述的方法，其特征在于：所述步骤1）中，所述近红外光谱扫描步骤中，扫描方式为连续波长近红外扫描或离散波长近红外扫描。

4.根据权利要求1-3任一所述的方法，其特征在于：所述步骤2）预处理步骤中，预处理的方法为多元散射校正方法、平滑方法和求导方法中的至少一种。

5.根据权利要求4所述的方法，其特征在于：所述求导方法为一阶求导或二阶求导方法。

6.根据权利要求1-5任一所述的方法，其特征在于：所述步骤3）所述主成分分析步骤包括：将所述步骤2）预处理后的校正集样本光谱中的信息数据变换到2-10个互不相关的变量。

7.根据权利要求3-6任一所述的方法，其特征在于：所述步骤1）所述扫描方式为连续波长近红外扫描时，所述化学计量学多元校正算法为偏最小二乘法、主成分回归或人工神经网络算法；

所述扫描方式为离散波长近红外扫描时，所述化学计量学多元校正算法为逐步回归算法或多元线性回归算法。

8.根据权利要求1-7任一所述的方法，其特征在于：所述步骤4）中，所述花生标准品的蛋白质组分含量的化学测定值是由SDS-PAGE和光密度分析仪测定而得。

9.根据权利要求1-8任一所述的方法，其特征在于：所述蛋白质组分选自花生球蛋白、伴花生球蛋白和伴花生球蛋白Ⅰ中的至少一种。

10.根据权利要求1-9任一所述的方法，其特征在于：所述步骤1）中，所述光谱信息为吸光度。