近红外检测花生中氨基酸含量的方法

摘要

本发明公开了一种检测花生中氨基酸含量的方法。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氨基酸含量。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。

说明书

技术领域

本发明涉及一种检测花生中氨基酸的方法，尤其是涉及一种利用近红外光谱检测 花生中氨基酸含量的方法。

背景技术

花生中蛋白质含量为24％～36％，含有人体必需的八种氨基酸，其消化系数高达 90％；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，并不断重视营养和特殊花生成分的功效。在花生品质分析中，氨基酸含量测 定通常采用氨基酸自动分析仪或高效液相色谱仪，但两种方式分析速度慢，成本高， 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 氨基酸品质检测方法，为花生氨基酸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氨基酸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氨基酸含量的方法。

本发明提供的一种检测花生中氨基酸含量的方法，包括如下步骤：

1)对已知氨基酸含量的花生标准品进行近红外光谱扫描，获得所述已知氨基酸 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氨基酸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(也即氨基酸含量与近红外光谱特征信息数据 之间的映射关系；)；

5)未知氨基酸含量的花生样品的测定：

将所述步骤1)所述已知氨基酸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氨基酸含量。

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，所述花生标准品的氨基酸含量的化学测定值是由氨基酸自动分 析仪测定而得。

所述氨基酸选自天门冬氨酸、苏氨酸、甘氨酸、谷氨酸、丝氨酸、亮氨酸、精氨 酸和半胱氨酸中的至少一种。

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 已知氨基酸含量的花生标准品替换为一组已知氨基酸含量的花生样品，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氨基酸含量的花生样 品中氨基酸含量的计算值，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。测定样品中的氨基酸含量，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氨基酸含量的方法，该方法应用化学计量学方 法对花生近红外光谱和花生中氨基酸含量进行关联研究，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氨基酸含量。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实际值和计算值的关系散点图。

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2011年收获的花生样品作为标准品，140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，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，备下一步构建氨基酸含量校 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8种不同氨基酸对应的主成 分数分别为：

天门冬氨酸：5、苏氨酸：9、甘氨酸：4、谷氨酸：8、

丝氨酸：6、亮氨酸：6、精氨酸：8、半胱氨酸：7。

4)校正模型的建立：以该花生标准品的氨基酸含量的化学测定值为校正值，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(也即氨基酸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、花生氨基酸定标模型参数

5)模型的验证：取已知的氨基酸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)校正模型得到已知氨基酸含量的花生样品中氨基酸含量的计 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)已知氨基酸含量的花生标准品替换为22个待测花生样品，重复步骤1) 至步骤3)，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22个待 测花生样品中的氨基酸含量，该花生氨基酸含量的模型预测值与化学测定值的比较见 表2a至表2d，并对其预测值与化学测定值进行配对t-检验(所得结果如表3所示)， 表明两者差异均不显著(P＞0.05)，可见测定结果准确。

表2a、氨基酸含量的模型预测值与化学测定值的比较

表2b、氨基酸含量的模型预测值与化学测定值的比较

表2c、氨基酸含量的模型预测值与化学测定值的比较

表2d、氨基酸含量的模型预测值与化学测定值的比较

表3、花生氨基酸预测值与测定值的t检验