CN114184572B - 牛奶中α-乳白蛋白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质量品质检测领域，公开了牛奶中α乳白蛋白的中红外快速批量检测方法。申请人在特征波段的选择时使用人工手动选择+多次遍历的方法，最终选取用于建模的特征波段，特别是筛选出了包含部分水的吸收区域，并证明了增加部分水吸收波段可以提升模型的准确性，同时选用了同一个牛奶样本第二次测定的光谱MIR进行建模，提升了第一次光谱测定数据建模的模型精准性。最终筛选出了数据预处理方法与模型算法的最优组合，并确定了最优参数，提高了模型的准确性。本发明的方法实现了原料奶中α‑乳白蛋白含量的快速、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α-乳白蛋白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质量品质检测领域，具体涉及牛奶中α乳白蛋白的中红外快速批量检测方法。

背景技术

牛奶是一类非常重要的过敏原，牛奶中包含的20多种蛋白质都具有潜在的致敏性，牛奶过敏在儿童中的发病率约为0.3％～7.5％^[1]。目前认为，αs1酪蛋白、α-乳白蛋白和β乳球蛋白是主要的致敏蛋白。α-乳白蛋白是乳清蛋白中第二丰富的组分，占牛乳清蛋白的20％^[2]。乳白蛋白包含大量的必需氨基酸，是色氨酸和半胱氨酸的良好供体，对于乳糖的合成及奶的分泌起到调控作用，是人体所需的一种良好的营养物质^[3]。因此，开展针对于奶制品中α乳白蛋白的检测，可以降低过敏人群对含α乳白蛋白的食品的过敏率。

目前，研究人员们开发了许多乳白蛋白的检测技术，以进行牛乳过敏原的检测和防控，并取得了显著的成效。Shi等采用竞争性ELISA法测定了乳酸菌发酵对牛乳中α乳白蛋白、α酪蛋白等含量的影响，很好地测定出4种乳蛋白在不同作用时间下的含量，显示出该方法用于检测过敏蛋白的可靠性；万等人开发了一种可监测多反应的液相色谱串联质谱方法，用于检测和定量不同食品中的α-乳白蛋白^[4]。然而，以上两种分析方法费时、昂贵，并且需要熟练的操作人员。因此不适于在生产实践中广泛使用。

中红外光谱(MIR)具有分析速度快，不使用化学品，样品制备最少甚至不需要样本制备，易于适用于不同的工作环境，具有较高的分析速度和环境可持续性的优点，是一种在种群水平上记录表型的快速且经济有效的工具。一般将2.5-25μm的红外波段划为中红外区。中红外光谱是特定官能团振动引起的吸收条带，适合于有机物结构的鉴定，条带密度与官能团数量成比例，可用于定量分析。最近几年作为分析工具在动物生产的不同领域的应用越来越多。2011年，欧洲采用MIR技术对牛奶中脂肪酸、蛋白质、尿素含量以及体细胞建立定量分析预测模型，对奶牛怀孕、健康以及能量利用情况进行快速检测和筛选；2020年欧洲利用牛奶记录网络从2000多条记录中研究出自己的公式，并为提供这种生物分子的预测服务^[5-6]。在我国，利用MIR进行定量分析的研究处于起步阶段。2016年，董利锋等总结了MIRS对牛奶中组分指标进行定量分析的基本流程^[7]；2019年，阮健等对常用于牛奶及奶产品中成分的回归建模的方法及其特征进行总结^[8]；2020年陈焱森等从MIRS技术对牛的酮病、亚临床酮病、能量平衡和其他疾病的预测几方面进行总结^[9]。

与其它国家相比，中国奶牛因受到国内气候、地理环境和饲养条件等影响，与国外奶牛存在较大差异，牛奶品质也有其特点，国外检测模型并不一定适合于中国奶牛，因此需要尽快建立具有我国自主产权的适合于中国奶牛牛奶的α-乳白蛋白含量检测方法。本发明对测得的牛奶MIR数据进行分析，构建牛奶中α-乳白蛋白的预测模型，建立了一种利用MIR快速测定α乳白蛋白含量的方法，为建立基于MIR的拥有国内知识产权的牛奶中乳铁蛋白成分的快速、批量、无损检测技术和乳成分的遗传学研究等提供了参考依据。

发明内容

本发明的目的在于提供了牛奶中α-乳白蛋白的中红外快速批量检测方法，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α-乳白蛋白的中红外快速批量检测方法，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937.49cm^-1-1508.48cm^-1、1685.97cm^-1-1925.14cm^-1、2064.03cm^-1-2345.66cm^-1、2797.05cm^-1-3063.25cm^-1与3638.09cm^-1-3730.69cm^-1中的MIR数据；

同时利用液相色谱法检测同批次牛奶中的α-乳白蛋白真实值；

2、将测定所得到的MIR数据代入none(无预处理)+PLS-DA(n_component＝31)模型中，即可输出α-乳白蛋白含量的预测结果。

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。最终选取用于建模的特征波段，特别是筛选出了包含部分水的吸收区域，并证明了增加部分水吸收波段可以提升模型的准确性。

2.经过对比选用了同一个牛奶样本测定第一次的光谱数据进行建模，证明了多次测定光谱数据会降低数据建模的模型精准性。

3.选取了α-乳白蛋白模型建立的最优预处理与算法组合，确定了无预处理效果最佳，同时确定了最优参数，提高了模型的准确性。

4.实现了原料奶中α-乳白蛋白含量的快速、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为选取的五个特征波段光谱总图。

图3为每个特征波段放大图。

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

试验材料来源于我国四个地区9个奶牛场的277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α-乳白蛋白的真实(参考)值检测方法

3.1仪器、设备和试剂

电热恒温水浴锅(武汉一恒苏净科学仪器有限公司)；Waters液相色谱仪，包括自动进样器、柱温箱、进样瓶、涡漩振荡器、针管过滤器、0.22μm尼龙滤膜、RP-HPLC色谱柱：ZORBAX 300SB-C18(250mm×4.6mm，5μm，孔径：300A)。

α-乳白蛋白(L5385，纯度≥85％)标准品购自Sigma公司；乙腈(色谱级，纯度≥99.8％)、盐酸胍和三氟乙酸(TFA)购自上海生工公司；其他试剂均为国产分析纯。

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α-乳白蛋白的含量测定。

3.2.2α-乳白蛋白含量的高效液相色谱技术测定

(1)标准样品的处理

先用去离子水将混合标样充分溶解，直到α-乳白蛋白的浓度在1g/L左右，然后往1600μl处理液(6mol/L盐酸胍溶液)中加入400μl配好的混合标样溶液，充分混匀后于室温下孵育90min，上机前用0.22μm尼龙滤膜过滤。

(2)奶样的处理

取80μl牛奶加入到320μl处理液中，室温孵育90min，设置离心机转速为14000r/min，离心5min后取上清液。上机前用0.22μm尼龙滤膜过滤。

(3)RP-HPLC的色谱条件

色谱柱：ZORBAX 300SB-C18；进样量：50μl；柱温：40℃；流速：1ml/min；洗脱时间：42min；检测波长：214nm；A相：纯水；B相；纯乙腈。

流动相梯度洗脱条件和流速

最后立刻以初始梯度平衡色谱柱1min，预备下一个样品的检测，平均每批次检测样品20-30个。同一批次检测结束后会用10％甲醇+90％去离子水与100％甲醇清洗色谱柱进行维护，以保证下一批次样品的正常检测。

4.有效样本的选择

277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36个异常样本，选择了241个样本进行模型的建立与优化。

实施例1：

α-乳白蛋白的预测模型算法的选择：

本申请目的为建立α-乳白蛋白的定量测定模型，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)^[9]算法进行模型建立与对比，理由如下：

岭回归是线性回归的一种。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。因有研究者认为不同次数测定的MIR可能影响建模准确性，所以本实施例将第一次、第二次、二次平均光谱MIR去掉水吸收以及波数大于4000cm^-1的波段分别建模，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，虽然PLSR的两次平均光谱效果最好，但是考虑到应用实际，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α-乳白蛋白含量的方法的建立：

1.建模数据集的划分

本实施例中的建模数据集划分中，80％为训练集，20％为测试集。训练集与测试集的比例为4：1，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。预处理是有效特征筛选的辅助方式，不一定对模型精度的提升有正面作用，需谨慎选择。

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的效果整体较好，所以最终选择偏最小二乘回归算法作为α-乳白蛋白预测算法。

(2)确定最佳预处理组合。将样本中红外光谱去掉部分水吸收以及波数大于4000cm^-1的波段进行实施例3中的预处理并进行比较，最终选择无预处理(结果如下表)。

建模特征波段的手动选择过程如下：

(1)将剩下的区域分为六段，小于1593.35cm^-1的区域为第一段，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四段。

(2)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，最终将六个波段全部完成一轮操作后算第一次遍历完成。

(3)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。

最终经过六轮筛选，得到最优结果，如表所示：

最终选取的特征波段结果为：937.49cm^-1-1508.48cm^-1、1685.97cm^-1-1925.14cm^-1、2064.03cm^-1-2345.66cm^-1、2797.05cm^-1-3063.25cm^-1与3638.09cm^-1-3730.69cm^-1，每一段前后允许有两个波点的差距。结果发现模型中添加第二段水吸收部分区域后，模型可以达到最优效果，说明α-乳白蛋白的特征波段包含部分水吸收区域。

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，本模型中无预处理方法，所以无参数；主要参数为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(部分)：

根据对比结果，最终选择主成分(n_component)为31。

经过比较分析，α-乳白蛋白的最佳回归模型为：none(无预处理)+PLS-DA(n_component＝31)模型。训练集和测试集相关系数分别为0.8724和0.8829；训练集和测试集均方根误差分别为0.3083和0.3547。

实施例4：

牛奶中α-乳白蛋白的中红外光谱MIR的快速批量检测方法的应用：

利用建立的α-乳白蛋白最佳回归模型(none(无预处理)+PLS-DA(n_component＝31))对随机选取的5个牛奶样本(非241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937.49cm^-1-1508.48cm^-1、1685.97cm^-1-1925.14cm^-1、2064.03cm^-1-2345.66cm^-1、2797.05cm^-1-3063.25cm^-1与3638.09cm^-1-3730.69cm^-1中的MIR数据；

同时利用液相色谱法检测同批次牛奶中的α-乳白蛋白真实值；

2、将测定所得到的MIR数据代入实施例3构建的none(无预处理)+PLS-DA(n_component＝31)模型中，即可输出α-乳白蛋白含量的预测结果；

从下表可以看出该模型预测的α-乳白蛋白含量与真实含量非常接近，故该模型的准确性较高，可用于牛奶的α-乳白蛋白含量预测。

参考文献

[1]关潇,蔡琴,陈沁.基于α-乳白蛋白基因序列的牛奶过敏原PCR检测[J].乳业科学与技术,2013,36(4):19-22.

[2]田荣荣,白沙沙,徐佳佳,等.不同来源乳中α-乳白蛋白、β-乳球蛋白和乳铁蛋白含量分析[J].食品工业科技,2020,41(4):311-315,321.

[3]罗曾玲,高金燕等.牛乳中主要过敏原的研究进展[J].食品科学,2007(02):346-350

[4]党慧杰,刘振民,郑远荣.牛乳主要过敏原及其检测技术研究进展[J].食品安全质量检测学报,2020,11(03):765-770.

[5]Shaw RA,Kotowich S,Leroux M,Mantsch HH.Multianalyte serum analysisusing mid-infrared spectroscopy.Ann Clin Biochem.1998；35(Pt 5):624–32.

[6]Kruse-Jarres JD,Janatsch G,Gless U,Marbach R,Heise HM.Glucose andother constituents of blood determined by ATR-FTIR-spectroscopy.ClinChem.1990；36:401–2.

[7]董利锋,YAN Tianhai,屠焰,刁其玉.中红外光谱技术在牛奶营养物质预测及奶牛相关特性分析上的应用[J].动物营养学报,2016,28(02):326-334.

[8]阮健,陈焱森,万平民,潘中保,张震,闫磊,任小丽,张淑君.中红外光谱预测牛奶及奶产品成分含量的回归模型及其特点[J].中国奶牛,2019(05):4-7.

[9]陈焱森,上官爱哨,陈明新,马亚宾,李春芳,徐为民,程春宝,熊琪,张淑君.应用MIR预测牛健康状况的研究进展[J].中国奶牛,2020(01):58-63.

Claims (1)

1.牛奶中α-乳白蛋白的中红外快速批量检测方法，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937.49 cm^-1-1508.48 cm^-1 、1685.97cm^-1-1925.14 cm^-1 、2064.03 cm^-1-2345.66 cm^-1 、2797.05 cm^-1-3063.25 cm^-1 与3638.09cm^-1-3730.69 cm^-1中的MIR数据；

同时利用液相色谱法检测同批次牛奶中的α-乳白蛋白真实值；

2）、 将测定所得到的MIR数据代入none+偏最小二乘回归分析PLS-DA模型中，即可输出β-酪蛋白含量的预测结果；其中，所述none指的是无预处理；偏最小二乘回归分析PLS-DA的主成分为33。