光譜技術(shù)在油料作物油酸含量檢測(cè)中的應(yīng)用

花宇輝，盧俊偉

（湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，長(zhǎng)沙 410128）

油酸，作為一種單不飽和脂肪酸，以甘油酯的形式存在于一切動(dòng)植物油脂中，在食品、工業(yè)、醫(yī)藥等行業(yè)需求很大。如何提高油料作物油酸含量成為解決油酸需求問(wèn)題的關(guān)鍵。因此，研究快速、無(wú)損的油酸檢測(cè)技術(shù)具有重要意義。目前，實(shí)驗(yàn)室檢測(cè)油酸含量的方法較多，主要有氣相色譜法［1］、高效液相色譜法（HPLC）［2］、氣相色譜—質(zhì)譜聯(lián)用法（GCMS）［3］和液相色譜—質(zhì)譜聯(lián)用法（HPLC－MS）［4］、超高效合相色譜—質(zhì)譜（UPC2－MS）技術(shù)［5］等。氣相色譜（GC）法可用來(lái)測(cè)定花生［6］、大豆［7］、油菜等作物中的各類脂肪酸含量。GC法具有檢測(cè)靈敏度高、分離度好、重復(fù)性佳、檢出限低的優(yōu)點(diǎn)［8］，但在進(jìn)行GC分析之前需要對(duì)所測(cè)樣品進(jìn)行預(yù)處理。常用的預(yù)處理方法主要有索氏抽提法、改良的籽粒直接甲酯化法和豆粉直接甲酯化法3種［9］。高效液相色譜法（HPLC）可以準(zhǔn)確、快速地定量、定性分析各類混合脂肪酸甘油酯和游離脂肪酸，而且還可以分離具有立體異構(gòu)的單甘酯和二甘酯［2］。雖然實(shí)驗(yàn)室檢測(cè)油酸含量的方法較多，且都能夠準(zhǔn)確檢測(cè)出油酸含量，但大多數(shù)需要對(duì)樣品進(jìn)行預(yù)處理，耗費(fèi)大量的時(shí)間和藥品，難以滿足大量樣品無(wú)損檢測(cè)的需求。

目前，世界上廣泛種植的油料作物包括花生、油菜、大豆、向日葵等。油酸是衡量油料作物品質(zhì)性狀的指標(biāo)之一，在油料作物品質(zhì)育種進(jìn)程中，需要測(cè)定其油酸含量來(lái)分析該作物的品質(zhì)。單純依靠實(shí)驗(yàn)室方法檢測(cè)油酸含量頗為耗時(shí)，且需要大量實(shí)驗(yàn)樣品和藥品。新興的光譜技術(shù)是一種在野外采集作物光譜數(shù)據(jù)的無(wú)損檢測(cè)方法，能夠快速預(yù)測(cè)作物的油酸含量，解決了實(shí)驗(yàn)室檢測(cè)需要采集大量試驗(yàn)樣品的問(wèn)題。近年來(lái)，國(guó)內(nèi)外光譜技術(shù)發(fā)展迅速，為油酸含量檢測(cè)技術(shù)的創(chuàng)新帶來(lái)了新的機(jī)遇。利用光譜技術(shù)檢測(cè)油酸含量的應(yīng)用主要在高光譜技術(shù)和近紅外光譜技術(shù)等兩個(gè)方面展開(kāi)。

1 高光譜技術(shù)測(cè)定油酸含量

高光譜技術(shù)測(cè)定油酸含量的方法一般是采集含油酸作物的種子或其冠層的光譜數(shù)據(jù)和油酸含量的實(shí)測(cè)數(shù)據(jù)，進(jìn)行二者之間的相關(guān)分析，從而選取敏感波段建立模型來(lái)預(yù)測(cè)油酸含量。采集到的原始光譜數(shù)據(jù)需經(jīng)過(guò)一些數(shù)據(jù)預(yù)處理才能達(dá)到最佳效果。目前用于檢測(cè)作物油酸含量的高光譜技術(shù)主要有高光譜成像技術(shù)和地物光譜技術(shù)，二者都包含目標(biāo)物的光譜數(shù)據(jù)。

廖敦軍等［10］利用Field Spec HH2高光譜儀采集了不同產(chǎn)地的30個(gè)油茶籽樣品的油酸高光譜反射率，分析了油酸含量和高光譜反射率之間的相關(guān)關(guān)系，得到與油茶籽油酸含量相關(guān)性比較好的三個(gè)敏感波段，分別為400～500 nm、600～630 nm以及900 nm左右。蔣蘋(píng)等［11］采用高光譜成像系統(tǒng)以線性掃描的方式采集油茶籽中油酸等脂肪酸含量的反射光譜圖像，然后選擇感興趣區(qū)域（ROI），對(duì)原始光譜數(shù)據(jù)進(jìn)行平滑和多元散射校正（MSC），再進(jìn)行相關(guān)性分析和逐步回歸分析，得出能反映油酸等脂肪酸含量變化的最佳優(yōu)化波段，最后用偏最小二乘法和主成分回歸法及徑向基神經(jīng)網(wǎng)絡(luò)法建立其預(yù)測(cè)模型，在比較這三種方法建立的模型之后得出徑向基神經(jīng)網(wǎng)絡(luò)建立的預(yù)測(cè)模型效果最佳。王強(qiáng)等［12］發(fā)明了一種基于高光譜成像技術(shù)的檢測(cè)花生中油酸含量分布的方法以及建立花生中油酸含量分布定量模型的方法。該發(fā)明主要通過(guò)構(gòu)建光譜數(shù)據(jù)與油酸實(shí)測(cè)含量的回歸模型并進(jìn)行驗(yàn)證，得到了快速、無(wú)損檢測(cè)花生油酸含量的方法。Jin等［13］利用高光譜成像技術(shù)構(gòu)建了花生種子油酸的定量校正模型，得出采用偏最小二乘法構(gòu)建的原初光譜模型預(yù)測(cè)結(jié)果較好的結(jié)論，其決定系數(shù)達(dá)到0.923。程潛等［14］采集了3個(gè)甘藍(lán)型油菜品系的盛花期冠層光譜及其種子脂肪酸成分的實(shí)測(cè)數(shù)據(jù)，并分析了兩者之間的相關(guān)關(guān)系，發(fā)現(xiàn)其特征敏感波段均與其差值植被指數(shù)達(dá)到顯著水平以上。

2 近紅外光譜技術(shù)測(cè)定油酸含量

近紅外光譜技術(shù)是利用近紅外譜區(qū)內(nèi)包含的物質(zhì)信息進(jìn)行有機(jī)物定性和定量的一種分析技術(shù)［8］，它可以用來(lái)檢測(cè)油料作物中各類脂肪酸的含量。目前，近紅外光譜技術(shù)作為一種無(wú)損檢測(cè)方法，在油料作物中的應(yīng)用較為廣泛，主要應(yīng)用于花生、大豆、油菜及其他油料作物中檢測(cè)其脂肪酸含量。

2.1 花生

利用近紅外光譜技術(shù)檢測(cè)花生油酸含量的方法大都是一種基于數(shù)學(xué)模型的預(yù)測(cè)方法，因此怎樣選取最優(yōu)的光譜區(qū)是建立高精度預(yù)測(cè)模型的關(guān)鍵，學(xué)界對(duì)此進(jìn)行了研究。表1為花生各類脂肪酸的最佳光譜區(qū)范圍，這些脂肪酸主要包括油酸、亞油酸、棕櫚酸和硬脂酸。

表1 花生各類脂肪酸最佳光譜區(qū)Table 1 The optimal spectral range of various fatty acids in peanut

Sundaram等［17］研究了兩種帶殼花生的脂肪酸光譜，用偏最小二乘法建立了預(yù)測(cè)模型，結(jié)果顯示Virginia－type帶殼花生的絕對(duì)反射率和相對(duì)反射率的RPD值均大于5.0，表明該模型適用于質(zhì)量檢測(cè)和分析，而Valencia花生的RPD值為3.01，表明該模型只適用于初步篩選，對(duì)于這兩種花生的脂肪酸預(yù)測(cè)模型RPD值均大于5.0，表明它們都可用于花生種子的初步篩選。Wang等［18］采集了84、61和105個(gè)花生種子的近紅外光譜，建立了其主要脂肪酸與光譜的近紅外分析模型，結(jié)果發(fā)現(xiàn)油酸經(jīng)過(guò)多元散射校正后的一階微分光譜效果最佳，其油酸近紅外模型的決定系數(shù)和均方根誤差分別為97.20%和2.65%。楊傳得等［19］采用傅立葉近紅外漫反射光譜技術(shù)，結(jié)合偏最小二乘法，構(gòu)建了花生油酸的近紅外模型，并采用檢驗(yàn)集檢驗(yàn)，得出該模型決定系數(shù)（R2）、預(yù)測(cè)根均方差、預(yù)測(cè)偏差和預(yù)測(cè)相對(duì)誤差分別為94.67、2.52、－4.399～4.838、0.562～9.687，證明該模型可用于花生種子油酸含量的快速分析預(yù)測(cè)。張鶴［20］將近紅外光譜技術(shù)采集的高油酸花生的光譜數(shù)據(jù)與氣相色譜法采集的油酸實(shí)測(cè)含量建立模型，驗(yàn)證模型后利用該模型在200份花生中篩選出13份油酸含量在70%以上的高油酸花生種質(zhì)。張曉科等［21］利用近紅外分析技術(shù)構(gòu)建了花生種子油酸含量的近紅外定量分析模型，該模型的決定系數(shù)（R2）、均方差分別為 89.16、2.62，并確定了花生種子油酸含量的最佳光譜預(yù)處理方法為“一階導(dǎo)數(shù)＋矢量歸一化法”。

2.2 油菜

Velasco等［22］研究了利用近紅外光譜技術(shù)預(yù)測(cè)油菜籽中油酸等脂肪酸含量的潛力，通過(guò)建立549個(gè)油菜籽樣品的近紅外光譜模型，得出近紅外光譜技術(shù)能較好地預(yù)測(cè)油菜籽中的油酸等脂肪酸含量。李施蒙等［23］建立了一批芥酸含量接近0、油酸含量60%～80%的高油酸油菜的近紅外分析模型，指出該模型可用于油菜高油酸育種早期材料的快速篩選及育種實(shí)踐。魯蒙等［24］利用近紅外光譜儀采集了63個(gè)油菜品種共14 150份樣品的包含油酸在內(nèi)的油菜籽品質(zhì)性狀的光譜數(shù)據(jù)，篩選出76%的油菜材料油酸含量為61%～70%，同時(shí)得出利用近紅外光譜技術(shù)能對(duì)完整油菜籽品質(zhì)性狀進(jìn)行分析的結(jié)論。

2.3 大豆

Han等［25］為了加快高油酸大豆育種進(jìn)程，采用近紅外光譜技術(shù)采集了600個(gè)F2大豆的光譜數(shù)據(jù)及其油酸實(shí)測(cè)數(shù)據(jù)，建立了兩者之間的相關(guān)關(guān)系，得到油酸含量的最佳預(yù)測(cè)公式是在最小化交叉驗(yàn)證標(biāo)準(zhǔn)誤差和增大決定系數(shù)的基礎(chǔ)上選擇的，該結(jié)論表明這個(gè)公式具有較高的預(yù)測(cè)總體油酸和超過(guò)50%油酸含量的能力。Roberts等［26］為了量化大豆子葉的5種脂肪酸含量，利用近紅外光譜技術(shù)分析了大豆子葉中包含油酸在內(nèi)的5種脂肪酸的光譜數(shù)據(jù)，并利用GC法測(cè)得油酸等脂肪酸的實(shí)際含量，采用主成分分析法和偏最小二乘法分析得出基于近紅外波段的光譜數(shù)據(jù)有更高的預(yù)測(cè)精度，同時(shí)這項(xiàng)研究也提供了一種完善大豆脂肪酸建模的近紅外分析方法。

2.4 其他油料作物

Velasco等［27］利用近紅外光譜技術(shù)采集了118份向日葵油樣的光譜數(shù)據(jù)和氣—液相色譜檢測(cè)油酸的數(shù)據(jù)，并將進(jìn)行了二階導(dǎo)數(shù)和散射校正的光譜數(shù)據(jù)和氣—液相色譜技術(shù)測(cè)出的油酸含量數(shù)據(jù)進(jìn)行相關(guān)性分析，得出用2134 nm和2192 nm的光譜數(shù)據(jù)分別適用于所有樣品和部分樣品。Saha等［28］利用近紅外光譜技術(shù)建立了橄欖中油酸等脂肪酸的分析模型，結(jié)果顯示油酸預(yù)測(cè)模型精度較高。Fernández-Cuesta等［29］為了評(píng)價(jià)近紅外光譜技術(shù)是否能夠用來(lái)區(qū)分高蓖麻油酸和高油酸蓖麻油籽，采用該技術(shù)掃描了688個(gè)高蓖麻油酸和184個(gè)高油酸的蓖麻油籽，然后用另外637個(gè)蓖麻籽的數(shù)據(jù)進(jìn)行驗(yàn)證，發(fā)現(xiàn)近紅外區(qū)分高蓖麻油酸和高油酸含量的蓖麻籽的敏感波段處于1400～1914 nm，結(jié)果表明近紅外光譜技術(shù)是一種能有效區(qū)分高蓖麻油酸和高油酸蓖麻籽的方法。Kaur等［30］研究了200個(gè)基因型的芥菜中油酸含量模型，采用交叉驗(yàn)證得出近紅外模型可以快速檢測(cè)出芥菜中的油酸含量。

由于油酸存在于許多油料作物中，在建立油酸近紅外分析模型時(shí)，經(jīng)常會(huì)要用到許多方法，表2為不同油料作物利用近紅外光譜技術(shù)建立的油酸模型及其結(jié)果。

表2 不同油料作物近紅外光譜預(yù)測(cè)油酸模型及結(jié)果Table 2 Different oil－bearing crops near infrared spectral prediction model of oleic acid and results

3 展望

關(guān)于油酸含量的檢測(cè)技術(shù)研究雖已取得了一定成果，但仍然存在如下問(wèn)題：第一，缺乏具有普適性的模型。在利用光譜技術(shù)檢測(cè)油酸含量時(shí)，大都采用氣相色譜法和光譜技術(shù)結(jié)合，利用光譜數(shù)據(jù)與實(shí)測(cè)油酸數(shù)據(jù)建立模型，但這些模型一般只針對(duì)特定的作物去預(yù)測(cè)其油酸含量，目前并沒(méi)有研究出具有普適性的模型。第二，檢測(cè)過(guò)程局限于作物種子和油成品。利用光譜技術(shù)檢測(cè)油酸含量，其研究對(duì)象主要是作物種子，對(duì)于作物生育期冠層參數(shù)的研究較少涉及。鑒此，未來(lái)光譜技術(shù)的應(yīng)用研究可從以下方面開(kāi)展：結(jié)合光譜技術(shù)，對(duì)高油酸的油料作物品種的培育方法進(jìn)行研究，從而加快油料作物品質(zhì)育種進(jìn)程；同時(shí)，加大力度研究光譜技術(shù)在其他作物品質(zhì)參數(shù)中的監(jiān)測(cè)，不斷拓寬光譜技術(shù)的應(yīng)用范圍；最后，研究具有普適性的農(nóng)學(xué)參數(shù)模型，為農(nóng)業(yè)的發(fā)展提供技術(shù)支撐。