葉 沁 趙紫薇 徐明雅 張烝彥 孫 佳 孟祥河

(浙江工業(yè)大學海洋學院1, 杭州 310014) (杭州市糧油中心檢驗監(jiān)測站2, 杭州 310009)

精米的主要成分是淀粉，而直鏈淀粉含量是評價精米蒸煮品質(zhì)和食味品質(zhì)的重要指標之一。直鏈淀粉含量越高，黏性越小，米飯越硬，飯粒干燥而蓬松，色澤發(fā)暗[1]。隨著人們生活水平的不斷提高，對精米的品質(zhì)要求也越來越高。目前，精米中直鏈淀粉的測定方法主要有碘比色法、電流滴定法、電壓滴定法和凝膠過濾法等化學方法[2]，這些方法在實際操作過程中存在周期長，操作復雜，需要消耗大量的化學試劑等缺點，且容易產(chǎn)生偶然誤差，難以實現(xiàn)準確快速、實時在線監(jiān)測的目標[3]。

紅外光譜技術(shù)是近些年發(fā)展起來的一種現(xiàn)代分析新技術(shù)，因其分析快速，操作簡單，不需要任何化學試劑，對樣品無損傷，便于實現(xiàn)在線分析的特點，已經(jīng)成為大米品質(zhì)分析的一種重要方法[4]。而關(guān)于紅外光譜技術(shù)在測定稻米中淀粉含量的研究目前主要集中在近紅外光譜技術(shù)上。例如Xie等[5]利用近紅外光譜技術(shù)結(jié)合改進的偏最小二乘法對米粉中的直鏈淀粉含量進行了測定，所建模型的校正均方差(SEC)為1.14，相關(guān)系數(shù)為0.919 2；交叉相互驗證校正均方差為1.36，相關(guān)系數(shù)為0.888 7。此外，近紅外透射光譜掃描與光譜分析技術(shù)在測定稻米中直鏈淀粉含量方面得到了廣泛的應用[3,6-7]。然而，近紅外光譜法在直鏈淀粉建模上雖然研究已較多，但仍無法克服近紅外光譜靈敏度低，無法直觀給出特征基團信息等缺點。因此，尋找一種更為準確的直鏈淀粉快速分析方法十分必要。中紅外光譜可以依據(jù)化合物基團振動峰，快速鑒別其結(jié)構(gòu)信息，進而結(jié)合化學計量學方法構(gòu)建相關(guān)定量模型，其靈敏度相比近紅外光譜會有明顯提高。但是目前，關(guān)于利用中紅外漫反射技術(shù)快速檢測大米中直鏈淀粉的研究還少有報道。

因此本實驗將基于中紅外漫反射光譜技術(shù)，結(jié)合偏最小二乘法(PLS)、主成分分析法(PCR)、經(jīng)典最小二乘法(CLS)、逐步多元線性回歸法(SMLR)4種化學計量學方法以及多種波譜預處理方法，并且通過向后區(qū)間偏最小二乘法(biPLS)進行波譜區(qū)間優(yōu)化，構(gòu)建精米中直鏈淀粉定量檢測模型，實現(xiàn)精米中直鏈淀粉的準確、快速、無損、在線檢測，同時為相關(guān)檢測部門提供重要的技術(shù)支持。

1 材料與方法

1.1 材料與試劑

供試的195份稻米樣品，均由杭州糧油中心檢驗檢測站提供，包括50份粳稻谷、65份晚秈稻谷，80份早秈稻谷。所用樣品經(jīng)過礱谷機、高速實驗粉碎磨研磨成精米，經(jīng)150目篩子過篩處理后，貯于4 ℃冰箱備用。

95%乙醇溶液、乙酸、碘試劑(碘與和碘化鉀混合試劑)、馬鈴薯直鏈淀粉標準溶液、氫氧化鈉溶液，這些試劑均為分析純。

1.2 儀器與設備

BRUKER TENSOR 27傅里葉變換紅外光譜儀：德國布魯克公司；3100型高速實驗粉碎磨研磨儀：瑞典波通公司；UV-1800PC 分光光度計：上海美譜達儀器有限公司。

1.3 直鏈淀粉理化值的測定

精米直鏈淀粉含量理化值的測定按照GB/T 15683—2007 進行測定。每個樣品測定3次，取其平均值。

1.4 紅外光譜的采集

利用BRUKER TENSOR 27 傅里葉變換紅外光譜儀(配有漫反射采樣系統(tǒng))采集樣品光譜。為了減少測試誤差，在采集紅外光譜時，嚴格控制了每一個樣品上樣量為80 μg，選用樣品杯的規(guī)格為直徑10 mm，深度2.3 mm，使樣品狀態(tài)盡量保持一致。紅外光譜測定范圍4 000～400 cm-1，掃描次數(shù)32次，分辨率為4 cm-1，測量環(huán)境的濕度小于70%，溫度保持在25 ℃。以KBr作為背景，光譜數(shù)據(jù)以log(1/R) 形式表示。為了減少樣品光譜采集誤差，每個精米樣品采集3次光譜。

1.5 模型的建立

采用TQ Aanlyst 光譜分析軟件對所得的紅外光譜進行預處理及模型的構(gòu)建。本實驗選取樣品總數(shù)的2/3作為建模集，其余1/3作為預測集，分別采用PLS，PCR，CLS，SMLR進行定量建模。為了進一步提高模型的穩(wěn)定性，本實驗通過波譜預處理對模型進行優(yōu)化，預處理方法包括矢量標準歸一化(SNV)，多元散射校正(MSC)，一階導數(shù)(FD)，二階導數(shù)(SD)，同時通過剔除異常值，采用經(jīng)驗偏最小二乘法，biPLS進行波譜區(qū)間選擇[8]，實現(xiàn)模型的優(yōu)化。其主要的驗證指標有校正相關(guān)系數(shù)R，校正均方差(RMSEC)和預測均方差(RMSEP)。模型的效果越好，R越接近1，而RMSEC和RMSEP的值越小。

1.6 數(shù)據(jù)處理與分析

所得紅外光譜分別通過TQ Analyst 分析軟件結(jié)合PLS，傳統(tǒng)偏最小二乘法和區(qū)間偏最小二乘法進行相應的波譜模型分析，同時利用Origin 8.0 進行分析。

2 結(jié)果與分析

2.1 理化指標

各精米樣品直鏈淀粉含量的理化指標檢測結(jié)果如表1所示。

表1 精米樣品中直鏈淀粉的理化檢測結(jié)果

2.2 光譜分析及建模方法的確立

圖1 精米的中紅外漫反射光譜圖

基于精米的紅外波譜特性，本實驗分別用PLS、PCR、CLS、SMLR構(gòu)建直鏈淀粉定量模型，各模型相應的穩(wěn)定性如表2所示。從表2可以看出，與PCR、CLS、SMLR相比，基于PLS構(gòu)建的直鏈淀粉定量模型效果最優(yōu)，其相關(guān)系數(shù)R為0.771 6，RMESC為2.13，RMSEP為3.00。因此本實驗將選用PLS作為直鏈淀粉定量模型構(gòu)建的建模方法。謝新華等[6]在利用近紅外透射光譜技術(shù)測定精米直鏈淀粉含量研究中采用了改進的偏最小二乘法(MPLS)、PLS、PCR進行建模，同樣得出用PLS技術(shù)建立線性回歸方程最佳的結(jié)果。

表2 4種化學計量學方法對直鏈淀粉模型穩(wěn)定性的影響

注：N.S.：樣品數(shù)量。

2.3 光譜預處理

利用TQ Analyst 軟件在全波段范圍內(nèi)(4 000～600 cm-1)對采集的光譜分別進行SNV、MSC、FD、SD等波譜預處理，并擬合建立相應的紅外模型，所得結(jié)果列于表3中。由表3可以看出，光譜經(jīng)過一階導數(shù)、二階導數(shù)處理后，所得模型的RMSEC和RMSEP未見改善。而經(jīng)過SNV、MSC處理后，所得模型的穩(wěn)定性均有提高。且以經(jīng)過MSC處理后的模型的效果為最優(yōu)，此時模型的相關(guān)系數(shù)R、RMESC、RMSEP分別為0.895 7、1.49、3.02。這說明MSC對于消除因米粒顆粒不均、裝填密度、濕度等物理因素造成的散射誤差是有效的[5]。

表3 光譜預處理對直鏈淀粉模型穩(wěn)定性的影響

2.4 異常樣品的剔除

異常樣品指濃度值或光譜數(shù)據(jù)存在較大誤差的樣品。異常樣品對所構(gòu)建的標準集模型影響很大，因此在建立標準集模型時，須將異常值樣品從標準集樣品中剔除。本實驗采用馬氏距離[11]，通過Dison檢驗來剔除。剔除4個異常值后，模型的RMSEC由原來的1.49降低至1.22，RMSEP由原來的3.02降至2.34，模型的準確性明顯提高。

2.5 波譜區(qū)間優(yōu)化

為了進一步提高模型的穩(wěn)定性，需對建模區(qū)間進行相應的選擇優(yōu)化。波譜區(qū)間選擇優(yōu)化法主要包括傳統(tǒng)偏最小二乘法、經(jīng)驗偏最小二乘法、區(qū)間偏最小二乘法(iPLS)、向前偏最小二乘法(fiPLS)和biPLS[12-14]。本實驗主要通過經(jīng)驗偏最小二乘法和biPLS-34(即將全波譜分為34個等區(qū)間)對波譜區(qū)間進行優(yōu)化選擇，相應的建模區(qū)間及模型效果見表4。

表4 波譜區(qū)間優(yōu)化對直鏈淀粉模型效果的影響

由表4可以看出，與全波譜以及經(jīng)驗PLS方法相比，biPLS-34優(yōu)化的模型效果均有不同程度的改善。這可能是因為經(jīng)驗PLS是基于化合物的某些特征基團，根據(jù)經(jīng)驗選擇相應的波譜區(qū)間，這種方法簡便快速，但是所選區(qū)間通常無法較全面的涵蓋化合物所有的特征基團，例如本實驗中所選用的3 100～2 800、1 400～1 000 cm-1波段，因未包含3 600 cm-1附近直鏈淀粉中典型的O—H伸縮振動峰，以及930 cm-1附近的α-(1,4)糖苷鍵，導致所建模型的相關(guān)系數(shù)R僅為0.159 6。而biPLS則是在區(qū)間偏最小二乘法(iPLS)基礎(chǔ)上，依次剔除校正均方差RMSEC最低值對應的區(qū)間，以余下的區(qū)間組合建模，比較組合區(qū)間模型效果[12-14]，與全波譜相比，波譜區(qū)間選擇針對性更強，模型預測效果更理想。

圖2 精米直鏈淀粉標準集與預測集的紅外預測值與真實值之間的線性關(guān)系

2.6 模型的檢驗

模型建立后，選用34個樣品作為預測集樣品，驗證已建模型的預測能力。結(jié)果發(fā)現(xiàn)樣品直鏈淀粉化學值和FTIR預測值的相關(guān)系數(shù)為0.994 9，模型RMESC為0.222，RMSEP為1.32。圖3為驗證集樣品的預測值與真實值之間的線性關(guān)系圖，其線性方程為Y=0.994X+0.068，說明驗證集樣品的紅外預測值與真實值之間高度線性相關(guān)所構(gòu)建的直鏈淀粉定量模型準確可靠。徐澤林等[3]在利用近紅外構(gòu)建淀粉模型后，同樣選取了驗證集樣品用于外部驗證，所得模型預測值與化學值之間的相關(guān)線性關(guān)系為Y=1.002X-0.222，相關(guān)系數(shù)為0.949 8。Bao等[25]基于近紅外光譜技術(shù)結(jié)合改進的PLS，以及不同的數(shù)學處理方法，同時構(gòu)建了碾米和小麥粉直鏈淀粉等多項指標的定量模型，并對其進行了外部驗證。結(jié)果顯示碾米中直鏈淀粉定量模型在經(jīng)過SNV，平滑，導數(shù)優(yōu)化后，其模型性能方差(SEP)的值在3.47～3.53。而面粉中直鏈淀粉定量模型在經(jīng)過同樣的預處理方法優(yōu)化后，其SEP的值在1.83～2.10。上述模型的驗證結(jié)果的相關(guān)系數(shù)均低于本實驗結(jié)果，這可能是由于在本實驗中，所建模型經(jīng)過MSC波譜預處理，消除了因米粒顆粒不均、裝填密度、濕度等物理因素造成的散射誤差。此外，本實驗還通過剔除異常值，biPLS法優(yōu)化建模區(qū)間，模型的性能得到了很大的改善，從而在一定程度上提高了模型的預測準確性。

圖3 驗證集樣品紅外預測值與真實值之間的線性關(guān)系

3 結(jié)論

本研究證實了DR-FTIR分析大米直鏈淀粉含量是可行的。當選用PLS法建模，通過MSC，剔除異常值，biPLS波譜選擇優(yōu)化后，所得模型效果最優(yōu)。此時建模區(qū)間為3 800～3 500、 3 100～3 000、 2 900～2 400、 2 300～1 300、 1 000～900 cm-1，相應的R為0.995 6，RMSEC、RMSEP分別為0.291、1.23。此外，在模型的準確性驗證實驗中，驗證集樣品的紅外預測值與真實值高度相關(guān)，相關(guān)系數(shù)R為0.994 9，線性方程為Y=0.994X+0.068，說明本研究所建的模型有效。該方法具有準確、簡便、經(jīng)濟等優(yōu)點，適合于大米直鏈淀粉的常規(guī)、快速分析，對大米品質(zhì)的質(zhì)量監(jiān)控和監(jiān)管具有重要的指導意義。

[1]JULIANO B O.Rice chemistry and technology[M]. AACC,St.Paul, MN,1985:443-524

[2]王儀春, 張小明, 石春海. 稻米直鏈淀粉含量測定方法的探討[J].中國農(nóng)學通報, 2001, 17(5): 30-32 WANG Y C, ZHANG X M，SHI C H. Studies on the analyzing method of amylose contents in rice[J]. Chinese Agricultural Science Bulletin, 2001,17(5):30-32

[3]徐澤林, 金華麗. 近紅外光譜法測定大米中的淀粉含量[J]. 農(nóng)產(chǎn)品加工, 2011, 3(3): 74-76 XU Z L, JIN H L. Determination of starch content in rice by near-infrared spectroscopy[J]. Academic Periodical of Farm Products Processing, 2011,3: 74-76

[4]陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)[M]. 北京:中國石化出版社, 2007 :1-11 LU W Z.Modern near infrared spectroscopy analysis technology [M]. Beijing: Sinopec Press, 2007:1-11

[5]XIE L H, TANG S Q, CHEN N, et al. Optimisation of near-infrared reflectance model in measuring protein and amylose content of rice flour[J]. Food Chemistry, 2014, 142: 92-100

[6]謝新華, 肖昕, 李曉方，等. 用近紅外透射光譜技術(shù)測定精米直鏈淀粉含量研究[J]. 食品科學, 2004, 25(1): 118-121 XIE X H, XIAO X, LI X F，et al. Study on calibration of polished rice amylose by NITS[J]. Food Science, 2004, 25(1):118-121

[7]肖昕，謝新華, 陳奕,等. 應用近紅外透射光譜法測定水稻種子直鏈淀粉含量的初步研究[J]. 中國農(nóng)業(yè)科學, 2004, 37(11): 1709-1712 XIAO X, XIE X H, CHEN Y, et al. Application of near infrared transmittance spectroscopy to the determination of amylose content of rice grain[J]. Scientia Agricultura Sinica, 2004,37(11):1709-1712

[8]LEARDI R, N?RGAARD L. Sequential application of backward interval partial least squares and genetic algorithms for the selection of relevant spectral regions[J]. Journal of Chemometrics, 2004, 18(11): 486-497

[10]XIE X J, LIU Q, CUI S W. Studies on the granular structure of resistant starches (type 4) from normal, high amylose and waxy corn starch citrates[J]. Food Research International, 2006, 39(3): 332-341

[11]嚴衍祿, 趙龍蓮, 韓東海. 近紅外光譜分析基礎(chǔ)與應用[M]. 北京: 中國輕工業(yè)出版社, 2005 YAN Y L, ZHAO L L, HAN D H. Basic and application of near infrared spectroscopy analysis[M]. Beijing: China Light Industry Press, 2005

[12]BALABIN R M, SMIRNOV S V. Variable selection in near-infrared (NIR) spectroscopy: Benchmarking of feature selection methods on biodiesel data[J]. Analytica Chimica Acta, 2011, 692: 63-72

[13]NIU X Y, ZHAO Z L, JIA K J, et al. A feasibility study on quantitative analysis of glucose and fructose in lotus root powder by FT-NIR spectroscopy and chemometrics[J]. Food Chemistry, 2012, 133: 592-597

[14]MüLLER L H A, FLORES M M, MüLLER I E, et al. Attenuated total reflectance with Fourier transform infrared spectroscopy (ATR/FTIR) and different PLS algorithms for simultaneous determination of clavulanic acid and amoxicillin in powder pharmaceutical formulation[J]. Journal of the Brazilian Chemical Society. 2011, 22: 1903-1912[15]孟令芝，龔淑玲，何永炳.有機波譜分析[M]. 武漢：武漢大學出版社，2003, 194-294 MENG L Z, GONG S L, HE Y B. Organic spectral analysis[M]. Wuhang: WuHan University Press, 2003,194-294

[16]JIANG Q Q, GAO W Y, LI X, et al. Characteristics of native and enzymatically hydrolyzed Zea mays L., Fritillaria ussuriensis Maxim. and Dioscorea opposita Thunb.Starches[J]. Food Hydrocolloids, 2011, 25(3): 521-528

[17]WANG I A, JABEEN M, GEELANI H, et al. Effect of gamma irradiation on physicochemical properties of Indian Horse Chestnut (Aesculus indica Colebr.) starch[J]. Food Hydrocolloids, 2014, 35(3):253-263

[18]AADRADE-MAHECHA M M, TAPIA-BLCIDO D R, FLORENCIA C M Physical-chemical, thermal, and functional properties of achira (Canna indica L.) flour and starch from different geographical origin[J]. Starch/Starke, 2012, 64(5): 348-358

[19]SANTHA N, SUDHA K G,Vijayakumari K P, et al. Raman and infrared spectra of starch samples of sweet potato and cassava[J]. Journal of Chemical Sciences, 1990, 102(5): 705-712

[20]LIAN X J, ZHANG K S, LUO Q F, et al. A possible structure of retrograded maize starch speculated by UV and IR spectra of it and its components[J]. International Journal of Biological Macromolecules,2012, 50(1) :119-124[21]LIAN X J, SUN H B, LI L, et al. Characterizing the chemical features of the lipid and protein in sweet potato and maize starches[J]. Starch/Starke,2013, 65(6):1-9

[22]LIAN X J, ZHU W, WEN Y, et al. Screening of seeds prepared from retrograded potato starch to increase retrogradation rate of maize starch[J]. International Journal of Biological Macromolecules, 2013, 60(9): 181-185

[23]LIAN X J, ZHU W, WEN Y, et al. Effects of soy protein hydrolysates on maize starch retrogradation studied by IR spectra and ESI-MS analysis[J]. International Journal of Biological Macromolecules, 2013, 59(8): 143-150

[24]LIAN X J, WANG C J, ZHANG K S, et al. The retrogradation properties of glutinous rice and buckwheat starches as observed with FT-IR, 13C NMR and DSC[J]. International Journal of Biological Macromolecules, 2014, (643): 288-293

[25]BAO J S, WANG Y F, SHEN Y. Determination of apparent amylose content, pasting properties and gel texture of rice starch by near-infrared spectroscopy[J]. Journal of the Science of Food and Agriculture, 2007, (87): 2040-2048.