CN114166782B - 牛奶中游离的缬氨酸含量的中红外快速批量检测方法 - Google Patents

Abstract

本发明属于奶牛性能测定和牛奶品质检测领域，具体涉及牛奶中游离的缬氨酸含量的中红外光谱快速批量检测方法。申请人在特征波段的选择方面，打破了常用的使用算法筛选特征，而是使用人工手动选择+多次遍历的方法。最终选取了缬氨酸的特征吸收波段。经过比较确认选用了同一个牛奶样本测定第一次的MIR进行建模效果更好，提供了参考依据。选取了缬氨酸模型建立的最优预处理与算法组合，确定了最优参数，提高了模型的准确性。实现了原料奶中缬氨酸含量的快速、准确、低成本的检测，将可广泛应用于奶牛性能测定和牛奶质量品质检测。

Description

牛奶中游离的缬氨酸含量的中红外快速批量检测方法

技术领域

本发明属于奶牛性能测定和牛奶品质检测领域，具体涉及牛奶中游离的缬氨酸含量的中红外光谱快速批量检测方法。

背景技术

牛奶食用价值极高，是与人类健康保障密切相关的天然食品。牛奶中蛋白质含量丰富且品质较高，是机体优质的蛋白质来源。动物摄取蛋白质即是为了获得其中的氨基酸，尤其是对动物生长发育至关重要的必需氨基酸^[1]。

缬氨酸(Valine,Val)是一种含有五个碳原子的支链α-氨基酸，分子式为C₅H₁₁NO₂，是牛奶氨基酸中较为主要的构成成份，属于人体八种必需氨基酸之一，也是三种支链氨基酸之一，在生命体内物质代谢调控和信息传递等许多方面扮演着重要角色，具有重要的生物学功能，如促进乳腺系统的发育、促进组织修复、提高谷胱甘肽氧化酶活性^[2]、增强免疫力^[3]等。根据氨基酸的存在状态，牛奶中的氨基酸可分为游离氨基酸和水解氨基酸两种形式，缬氨酸在这两种形式中均存在，本发明中使用的含量即为牛奶游离氨基酸中缬氨酸含量，即牛奶中游离存在的缬氨酸含量。

奶及奶制品中游离缬氨酸含量的检测方法多样，常见的方法有氨基酸自动分析仪分析法[4-^6]、高效液相色谱法^[7-8]等，采用此类方法研究牛奶中游离缬氨酸含量耗时耗财，红外光谱技术是一种成本低、操作简单、效率高，适用于对待测物进行大规模、批量快速检测的分析技术，在分析化学领域被誉为分析“巨人”^[9]。中红外光谱定量分析的原理主要是朗伯-比尔定律，即物质对某一波长下的光的吸收强弱与吸光物质的浓度成正比，据此，通过扫描获取样品的吸光度，引入中红外在此波段处的透射率，即可求得样品中待测组分的含量^[10]。随着中红外光谱技术日趋成熟及相关科学理论的发展，该技术被广泛应用于牛奶中化学成份分析和品质检测，且在该研究领域具有广阔发展前景，但目前暂无基于中红外光谱技术的牛奶中游离缬氨酸含量的快速批量检测模型，因此需要建立能够在中国牛群上大规模应用的牛奶中游离缬氨酸含量的快速批量检测方法，一方面可为蛋白质掺假和奶牛遗传改良的研究提供数据基础；另一方面可为配方乳制品以及功能性乳制品的发展提供参考，促进乳制品加工标准化、品质识别智能化。本发明的目的即建立牛奶中游离的缬氨酸含量的快速批量检测技术，突破牛奶中游离氨基酸含量快速检测的技术瓶颈，为中国乳业和乳制品加工而的发展提供技术保障。

发明内容

本发明的目的在于提供了牛奶中游离的缬氨酸含量的中红外光谱的快速批量检测方法，方法简单，快速，与真实值相比，准确率高。

为了达到上述目的，本发明采取以下技术措施：

牛奶中游离的缬氨酸含量的中红外光谱的快速批量检测方法，包括下述步骤：

1.采集牛奶样本中的红外光谱中特征波段为：925.92cm^-1-1041.66cm^-1、1277.00cm^-1-1589.50cm^-1、1720.67cm^-1-1932.86cm^-1、2357.24cm^-1-2488.41cm^-1、2635.01cm^-1-2893.50cm^-1与3638.09cm^-1-4016.18cm^-1中的MIR数据；

2.将测定所得到的MIR数据代入SG(w＝15,p＝3)+PLSR(n_component＝35)模型中，输出游离的缬氨酸含量的预测结果。

以上所述的方法中，优选的，步骤1中每一段波段前后允许有两个波点的差距。

本发明的保护内容还包括：上述检测方法用于检测牛奶中游离的缬氨酸含量。

与现有技术相比，本发明优点在于：

1.在特征波段的选择方面，打破了常用的使用算法筛选特征，而是使用人工手动选择+多次遍历的方法。最终选取了缬氨酸的特征吸收波段。

2.经过比较确认选用了同一个牛奶样本测定第一次的MIR进行建模效果更好，提供了参考依据。

3.选取了缬氨酸模型建立的最优预处理与算法组合，确定了最优参数，提高了模型的准确性。

4.实现了原料奶中缬氨酸含量的快速、准确、低成本的检测，实现了快速批量检测，每一个样本的测定时间仅需10-15秒，提高了检测效率，具有较强的实用性，将可广泛应用于奶牛性能测定和牛奶质量品质检测。

附图说明：

图1为未经处理的牛奶样品中红外光谱图(a)与平均光谱图(b)。

图2为SG预处理后的牛奶样品中红外光谱图。

图3为选取的六个特征波段光谱总图(a)以及每个特征波段放大图(b)。

图4为模型牛奶数据真实值与预测值相关性与拟合直线图。

具体实施方式：

本发明所述技术方案，如未特别说明，均为本领域的常规方案；所述试剂或材料，如未特别说明，均来源于商业渠道。

1.实验材料

试验材料来源于中国四个地区9个奶牛场的187头中国荷斯坦牛，每头牛采集一份奶样，奶样采集利用自动挤奶装置完成，先用消毒后的毛巾擦拭牛奶房，然后用碘甘油混合溶液对乳房消毒，挤掉前三把乳汁后，对挤奶全过程奶样进行采集，每份奶样采集40ml，分装到直径3.5cm，高9cm的圆柱形全新采样瓶里，依次编号，并向每个采样瓶里立即加入溴硝丙二醇防腐剂，缓慢摇晃使其充分溶解，运回途中在奶样周围放置冰袋(2-4℃)防止变质，样本到达实验室后立即进行光谱采集。所有牛奶样品均采集了两次光谱数据。

样本信息统计表

2.中红外光谱测定与采集

将样品倒入直径3.5cm，高9cm的圆柱形样品管中，在42℃水浴锅中水浴15-20min，使用FOSS公司的MilkoScan^TM7RM乳成分检测仪，将固体光纤探头伸到液体中，对样品进行混匀后扫描。

3.牛奶中游离的缬氨酸的真实(参考)值检测方法

3.1仪器、设备和试剂

全自动氨基酸分析仪(德国Sykam S433D)；游离氨基酸分析柱(LCA K07/Li，4.6mm×150mm)；游离氨基酸分析除氨柱；针管过滤器；0.45μm尼龙滤膜；涡漩振荡器；离心机；进样瓶。

氨基酸标准溶液(34AA，PH游离，货号AA-S000031)；茚三酮(N105629-500g，阿拉丁)；缓冲液A、缓冲液B、缓冲液C、再生液D均购买于德国Sykam公司；LiOH×H₂O；柠檬酸×H₂O；HC1(浓度为37％)；辛酸；磺基水杨酸；其他试剂均为国产分析纯。

缓冲液A、缓冲液B、缓冲液C、再生液D、样品稀释液的配置

注：

(1)所有溶液均应用0.45μm膜过滤后使用；

(2)“*pH”表示可用此成份调解pH值；

(3)EDTA用于络合重金属，不加不影响试剂使用；

(4)辛酸是抑菌剂，延长试剂存放期，不加也不影响使用。

3.2实验方法

3.2.1中红外光谱的采集

利用MilkoScanTM FT+进行光谱采集，具体采集步骤为：将奶样分批放入45℃电热恒温水浴锅内预热5min，预热好的奶样放在检测架上上下摇晃数次使牛奶胶状溶液混合均匀，将检测架放在检测履带上，打开瓶盖，依次进行检测，采集完光谱后的奶样置于-20℃冷冻保存，用于后续牛奶中游离的缬氨酸含量的测定。

3.2.2牛奶中游离的缬氨酸含量的测定

(1)100nmol/mL标准液配制

取100μL标准液(Sykam公司原装PH型氨基酸标准溶液，其中除尿素浓度为10μmol/mL其他氨基酸浓度为1μmol/mL)加900μL样品稀释液，涡旋混匀。上机前用0.45μm尼龙滤膜过滤。

(2)奶样的处理

吸取约8ml奶样于离心管中，3000rpm离心5min(达到分离固态物的目的即可)，若奶样中悬浮物不至于干扰取样均匀性，则此步骤可跳过；

离心后准确吸取上清液1ml于另外的离心试管中，加入2％磺基水杨酸9ml，混匀静置15min；

设置离心机转速为3000rpm离心20min或10000rpm离心10min，离心后取上清液；上机前用0.45μm尼龙滤膜过滤。

(3)色谱条件

色谱柱：LCA K07/Li

流速：洗脱泵0.45ml/min+衍生泵0.25ml/min

检测波长：570nm+440nm

反应器温度：38～74℃梯度升温

柱温程序

流动相梯度洗脱条件

平均每批次检测20个样品，一批次只需进样一次标准液，若中途更换试剂(流动相、茚三酮等)，则标准液需重新进样。

4.有效样本的选择

187个样本中，剔除掉样本变质、损耗、中红外光谱测定异常、样本参考值测定异常等操作导致的无效数据，共剔除掉了11个异常样本，选择了176个样本进行模型的建立与优化。

实施例1：

缬氨酸的预测模型算法的选择：

本申请目的为建立缬氨酸的定量测定模型，所以使用建模算法为回归算法。回归算法种类很多，本实施例主要使用了岭回归(Ridge)与偏最小二乘回归(PLSR)算法进行模型建立与对比，理由如下：

岭回归(Ridge算法)是线性回归的一种。只是在算法建立回归方程时候，岭回归加入了正则化的限制，从而达到解决过拟合的效果。正则化有两种，分别为l1正则化l2正则化，l2正则化相比于l1正则化的优势在于：(1)可以进行交叉验证(2)实现了随机梯度下降。岭回归就是加入了l2正则化后的线性回归模型，保留了线性回归的优点，符合模型建立的要求，而且结果较为稳定，是较常使用的基础算法之一，因此本实施例选择了此算法为待选算法。

偏最小二乘回归算法(PLSR算法)是多特征样本中非常有效的算法之一。中红外光谱数据中，每一个样本对应1060个波点，是多特征样本的代表。同时偏最小二乘回归算法很少出现过拟合情况，所以很多中红外光谱的研究者们会选择使用偏最小二乘回归算法进行模型的建立，因此本实施例选择了此算法为待选算法。

实施例2：

中红外光谱测定次数及其使用方式的筛选：

本申请使用的所有样本均进行了连续两次的光谱采集，目的是通过比较同一样本不同测定次数和所得到三种MIR数据(第一次、第二次、二次平均)对建模准确性的影响，筛选出最有效的MIR数据进行建模。因有研究者认为两次测定的平均光谱MIR可能提升建模准确性，所以本实施例将第一次、第二次、二次平均光谱MIR去掉水波段以及大于4000cm^-1部分进行建模，比较分析模型的准确度，结果如下表：

Ridge算法比较结果:

PLSR算法比较结果：

经过两种算法比较结果综合考虑，最终选择第一次光谱MIR进行建模。

实施例3：

中红外光谱检测牛奶中缬氨酸含量的方法的建立：

1.建模数据集的划分

本实施例中的建模数据集划分中，75％为训练集，25％为测试集。训练集与测试集的比例为3：1，同时训练集又叫做交叉验证集，在训练模型的过程中进行10折交叉验证。

2.建模MIR数据预处理方法的筛选

有效特征筛选是对光谱数据进行处理的基本操作，目的是为了消噪，并为提取特征打好基础。有效特征筛选主要有特征抽取、特征预处理与特征降维三种。本实施例主要对光谱数据进行特征预处理，首先，采用SG(卷积平滑)、MSC(多元散射校正)、SNV(标准正态变量变换)、diff1(一阶差分)和diff2(二阶差分)等五种处理方法对光谱数据进行特征预处理，

3.建模特征波段的手动选择过程及确定

选取特征波段的方法有很多，主要包括算法选取特征与手动选取特征两种，算法选取特征的原理主要来源于各波点与参考值之间的相关性，优点在于速度快、效率高，但缺点在于忽略了相邻波点之间的协同作用，思路较为单一。手动选取特征的优点在于选择的过程中可以强化波段(即相邻波点)的作用，同时可以在提升模型的过程中更多得保留光谱的原始信息状态，包容性与泛化能力更强，选取波段准确，缺点在于选择速度慢，效率低。

本实施例选取特征波段采用手动选取的方法，选取步骤如下：

(1)确定基本算法，由实施例2可知偏最小二乘回归算法效果较好，而且没有明显的过拟合，所以最终选择偏最小二乘回归算法作为缬氨酸预测算法。

(2)确定最佳预处理。将样本去掉水波段以及大于4000cm^-1部分进行实施例3中的预处理并进行比较，由结果确定最佳预处理为：SG(w＝15,p＝3)，结果如表(图2)所示：

在确定MIR数据是SG(w＝15,p＝3)预处理的基础上，建模特征波段的手动选择过程如下：

(1)去掉1593.35cm^-1-1709.1cm^-1与3059.39cm^-1-3641.95cm^-1两段与水吸收相关的光谱区域。

(2)去掉4000cm^-1-5011.54cm^-1两段光谱区域，因为此区域为非中红外吸收区域。

(3)将剩下的区域分为八段，小于1593.35cm^-1的区域平均分为两段，大于3641.95cm^-1为最后一段，1709.1cm^-1与3059.39cm^-1中间的波段平均分为五段。

(4)以50个波点为一组，使用偏最小二乘回归算法，首先将第一段波段临界处两端波点增加或减少一组波点，寻找最优效果，并以此为基础对第二段波段进行类似操作，最终将八个波段全部完成一轮操作后算第一次遍历完成。

(5)在第一次遍历完成后进行第二次、第三次或更多次的手动遍历，直到所有的波点不再变化为止，即为最优特征波段。

最终经过十三轮筛选，得到最优结果，如表所示：

最终选取的特征波段结果为：968.36cm^-1-1138.11cm^-1、1188.26cm^-1-1616.50cm^-1、1709.09cm^-1-2156.62cm^-1、2322.52cm^-1-2519.27cm^-1、2596.43cm^-1-3070.97cm^-1与3649.67cm^-1-4004.60cm^-1，每一段前后允许有两个波点的差距(图3)。

4.模型参数的筛选确定

模型参数包括预处理方法的参数以及算法的参数；

预处理算法中SG卷积平滑预处理的参数选择结果对比如下：

根据对比结果，最终选择SG平滑点数为15,窗口宽度为3。

偏最小二乘回归算法的参数：主成分(n_component)，参数选择结果对比如下：

根据对比结果，最终选择主成分(n_component)为35。

经过对比分析，缬氨酸的最佳回归模型为：SG(w＝15,p＝3)+PLSR(n_component＝35)模型。训练集和测试集相关系数分别为0.8811和0.9097；训练集和测试集均方根误差分别为8.9597和10.0605。

实施例4：

牛奶中缬氨酸的中红外光谱MIR的快速批量检测方法的应用：

利用建立的缬氨酸最佳回归模型(SG(w＝15,p＝3)+PLSR(n_component＝35))对随机选取的4个牛奶样本(非176份实验材料之一)进行预测，并将预测结果与真实值比较。

模型使用方法：

1.采集牛奶样本中的红外光谱中特征波段为：925.92cm^-1-1041.66cm^-1、1277.00cm^-1-1589.50cm^-1、1720.67cm^-1-1932.86cm^-1、2357.24cm^-1-2488.41cm^-1、2635.01cm^-1-2893.50cm^-1与3638.09cm^-1-4016.18cm^-1中的MIR数据；

同时利用全自动氨基酸分析仪检测同批次牛奶中的缬氨酸真实值。

2.将测定所得到的MIR数据代入实施例3构建的SG(w＝15,p＝3)+PLSR(n_component＝35)模型中，即可输出缬氨酸含量的预测结果。

该模型预测的结果与真实结果非常接近(如下表，图4)，故该模型的准确性较高，可用于牛奶的缬氨酸含量预测。

参考文献

[1]Wilson R P.Animal Acids and Proteins[M].New York:AcademicPress..2002,143--148

[2]周歧存,王用黎,黄文文,霍雅文,王猛强.凡纳滨对虾幼虾的缬氨酸需要量[J].动物营养学报,2015,27(02):459-468.

[3]陈熠,彭艺,贺建华,邓近平,贺赛美,易德玮.添加缬氨酸对泌乳母猪血清和乳中生化免疫指标及激素水平的影响[J].中国饲料,2009(17):15-20.

[4]李宇,赵兵,蒋慧,张静,涂裔伟,姚路迅,贾薇,张奇.驴奶和牛奶游离氨基酸成分分析研究[J].中国乳业,2017(10):68-71.

[5]王建光,孙玉江,芒来.马奶与几种奶营养成份的比较分析[J].食品研究与开发,2006(08):146-149.

[6]潘斌.湖北杂交水牛乳中脂肪酸和氨基酸成分分析及其营养价值评价[D].华中农业大学,2014.

[7]Liang X,Han H,Zhao X,Cao X,Yang M,Tao D,Wu R,Yue X.Quantitativeanalysis of amino acids in human and bovine colostrum milk samples throughiTRAQ labeling.J Sci Food Agric.2018Oct；98(13):5157-5163.doi:10.1002/jsfa.9032.PMID:29577310.

[8]关博元,张正翰,石佳鑫,时旭,岳喜庆,杨梅.人常乳与牛常乳中全谱游离氨基酸和水解氨基酸的对比[J].食品科学,2019,40(10):193-198.

[9]吴全金,周喆,孙威江.近红外光谱技术在茶叶品质调控中的应用[J].广东农业科学,2019,46(01):91-100.

[10]王秀菊.中红外光谱在食品品质分析中的深度应用与前景[J].现代食品,2020(02):114-115.

Claims (3)

1.牛奶中游离的缬氨酸含量的中红外光谱的快速批量检测方法，包括下述步骤：

1）. 采集牛奶样本中的红外光谱中特征波段为：925.92 cm^-1-1041.66 cm^-1 、1277.00cm^-1-1589.50 cm^-1 、1720.67 cm^-1-1932.86 cm^-1 、2357.24 cm^-1-2488.41 cm^-1 、2635.01cm^-1-2893.50 cm^-1 与3638.09 cm^-1-4016.18 cm^-1中的MIR数据；

2）. 将测定所得到的MIR数据代入SG卷积平滑+偏最小二乘回归PLSR模型中，输出游离的缬氨酸含量的预测结果；其中，SG卷积平滑的平滑点数为15，窗口宽度为3；偏最小二乘回归PLSR的主成分为35。

2.根据权利要求1所述的方法，其特征在于：步骤1中每一段波段前后允许有两个波点的差距。

3.权利要求1所述方法在检测牛奶中游离的缬氨酸含量中的应用。