基于近紅外光譜法快速檢測藜麥淀粉含量

曹曉寧+田翔 趙小娟+王君杰+劉思辰+穆志新+陳凌+王海崗+陸平+陶梅 秦慧彬+喬治軍

摘要：為研究一種簡便的藜麥粗淀粉含量測定方法，在10 000～4 000 cm-1波數范圍內，采集100個藜麥樣品的近紅外光譜，運用一階導數+矢量歸一化光譜方法進行預處理，結合化學方法所得數據建立藜麥粗淀粉近紅外定量模型。結果表明，該模型校正和預測效果最佳，所得粗淀粉近紅外定量模型的交叉驗證決定系數（r2cv）為0.914 7，外部驗證決定系數（r2val）為0.903 1。由結果可知，基于近紅外光譜（NIR）法測定藜麥完整籽粒的淀粉含量是完全可行的。

關鍵詞：藜麥；淀粉；近紅外光譜技術

中圖分類號：S512.901文獻標志碼：A

文章編號：1002-1302（2017）04-0147-02

藜麥（Chenopodium quinoa Willd.）是起源于印第安地區，有著5 000～7 000年種植歷史的一年生草本植物，是可以在惡劣環境（鹽堿、干旱、霜凍、病蟲害等）中生長良好的“假谷物”[1-2]。由于藜麥全面的營養價值和獨特的功能特性，聯合國糧食及農業組織認定它為唯一的完美營養食品，聯合國大會也在2013年宣布該年為“國際藜麥年”[3-4]。研究表明，藜麥大量的優質蛋白質，組成均衡的氨基酸，豐富的淀粉、脂肪、礦物質和維生素，可以滿足人體所需的營養元素要求[5]。長期食用藜麥，對心臟病、高血壓、高血糖、高血脂等有很好防治作用[6]。申瑞玲等研究發現，與其他常見谷物如小麥、稻米和小米等相比，藜麥的淀粉含量較低，適合糖尿病患者和減肥人群[7]。藜麥的碳水化合物中，淀粉含量最高，占干物質總量的58.0%～64.2%[8]。藜麥淀粉具有典型的A型X衍射結構，在冷凍與老化過程中穩定性強，糊化溫度約為64 ℃[9]。藜麥淀粉的活性生物膜對99%的大腸桿菌、98%的金黃色葡萄球菌具有較強的抗菌活性，被用于食品包裝中延長保質期[10]。因此，藜麥淀粉的研究與開發得到了廣泛的關注。申瑞玲等運用雙波長法測得藜麥淀粉含量為52.28%～61.85%[7]。另外，還可用旋光分析儀測定藜麥粗淀粉含量[11]。用傳統方法測定淀粉含量，存在步驟繁瑣、測定速度慢、成本高、周期長、籽粒需要粉碎等問題，造成一些不必要的浪費，由于藜麥種質資源和親本材料均比較珍貴或者部分資源的種子量偏少，傳統方法不符合種質資源和親本材料利用的快速性和完整性，從而大大降低其利用效率。因此，亟需一種快速、準確、樣品不需預處理的檢測方法，這將有助于提高藜麥品質育種工作效率、加快育種進程。

近紅外光譜（NIR）分析技術是20世紀90年代以來發展最快、最引人矚目的光譜分析技術，具有快速、高效、制樣簡單以及無污染等獨特的分析優點[12]。近紅外光譜譜區范圍為780～2 500 nm，對C—H、N—H、O—H等基團的振動有強烈的感應，包含豐富的物質成分信息、結構信息。近年來，近紅外光譜分析手段在農作物品質檢測方面取得了較好成績[13-15]。筆者用化學測定方法測定100份藜麥水分、粗淀粉的含量，然后將其分為定標集和驗證集，且建立了淀粉近紅外光譜快速檢測預處理模型，為藜麥資源的進一步快速檢測和利用提供技術支撐。

1材料與方法

1.1材料和儀器設備

試驗材料：供試的100份藜麥品種（系）由中國農業科學院作物科學研究所外引室陸平研究員、陶梅研究員以及山西省農業科學院農作物品種資源研究所提供。試驗所需試劑包括無水乙醇（天津市致遠化學試劑有限公司）、鹽酸（北京化工廠）、硫酸鋅（天津市凱通化學試劑有限公司）、亞鐵氰化鉀（天津市凱通化學試劑有限公司），均為分析純。

儀器設備：分析天平，BSA124S Sartorius公司；旋風磨 Cyclotec1093，丹麥Foss；電熱恒溫鼓風干燥箱，寧波東南儀器有限公司；MPA傅里葉變換近紅外光譜儀，德國Bruke公司；AP-300旋光儀，上海雙旭電子有限公司。

1.2試驗方法

1.2.1藜麥粗淀粉含量測定方法參考GB 5006—1985《谷物籽粒粗淀粉測定法》，重復稱取同一樣品2份，每份2.5 g，精確至0.001 g，用旋光儀計算粗淀粉含量。

1.2.2近紅外光譜采集為了獲得最佳的模型及預測效果，將收集的藜麥樣品在室溫下放置1周左右，平衡水分，同時逐一去除樣品中的雜質及外形明顯不同的籽粒（一類脫殼處理，另一類脫殼后磨粉并過60目篩）。首先將近紅外光譜儀器預熱30 min，進行性能測試、調基線后開始測定樣品。利用德國Bruke公司生產的MPA傅里葉變換近紅外光譜儀，采取樣品的漫反射光譜掃描光程進行優化和選擇，工作譜區選擇4 000～12 000 cm-1，每個樣品重復裝樣掃描2次，取平均值，計算機自動將反射光譜信息轉換成吸光度儲存，然后在OPUS建模軟件上計算分析試驗數據。

1.2.3近紅外數學模型的建立采用Bruker公司OPUS/QUAN T 5.5光譜定量分析軟件和DPS軟件，進行上述光譜數據預處理、譜區選擇及回歸統計分析。根據對建模數據的要求，將100個藜麥樣品數據分組，其中80%用于建立近紅外模型，為校正集；20%用于檢驗所建模型的精度，為驗證集[16]。為尋找最優建模方法，選用不同的建模方法建立藜麥主要成分定量模型，先用校正樣品集進行內部驗證，再通過隨機選取的非建模樣品對模型進行外部檢驗，考察模型的適應性和精度，即根據校正決定系數r2cal、校正標準誤RMSEE、交叉驗證決定系數r2cv、交叉驗證標準誤RMSECV、外部驗證決定系數r2val、預測標準誤RMSEP等指標確定最優模型。

2結果與分析

2.1藜麥原始光譜圖與化學值

100個藜麥樣品的原始光譜見圖1，可見藜麥在光譜波段范圍10 000～4 000 cm-1內存在多個吸收峰，其變化趨勢一致但是不重合。

100個藜麥樣品的淀粉含量分析結果見表1，其中包括80個校正集、20個驗證集；粗淀粉含量為49.97%～59.32%，3次重復試驗平均值為54.63%，數據變幅較寬，適合建立近紅外分析模型，有較好的適用性。

2.2藜麥淀粉模型的建立

本試驗利用OPUS/QUAN T5. 5軟件中的自動優化功能，篩選建模的最佳光譜預處理方法、譜區范圍和主因子數。通過交叉驗證，比較不同光譜預處理方法與譜區范圍組合的交叉驗證決定系數r2、交叉驗證標準誤差RMSECV等參數，確定最優校正模型。圖2結果表明，采用一階導數+矢量歸一化光譜預處理建立淀粉含量的校正模型，校正效果最佳，淀粉含量的交叉驗證決定系數（r2cv）為91.47，交叉驗證標準誤（RMSECV）為0.481。

2.3藜麥淀粉模型外部檢驗

采用未參加模型建立的完全獨立、化學成分已知的驗證集樣品對所建模型的質量或實際預測效果進行評價。外部驗證決定系數（r2val）為0.903 1，預測標準誤（RMSEP）為0.518，模型的預測值與真實值之間沒有顯著差異。2種方法測試所得淀粉含量基本一致，說明近紅外品質分析儀測定的結果是準確可靠的。

3討論

常規的淀粉含量測定方法是旋光法，試驗費時費力，周期較長，近紅外分析是一種以實驗室化學測試數據為基礎的間接檢測方法，它作為一種新的分析檢測方法，具有分析速度快、多組分同時測定、低分析成本和操作簡單等優點，越來越受到科研人員的青睞。本研究選用100個普通藜麥樣品，通過NIRS分析技術初步建立藜麥完整籽粒淀粉含量預測模型，決定系數較高（r2=91.47）、誤差小，在藜麥資源和品質育種中，可以快速完成資源和育種材料的品質鑒定與分析，極大地縮短工作周期，減小了工作量，提高了資源的快速鑒定與應用，對提高育種效率也具有一定意義。

本研究所用材料具有較好代表性，但樣品中淀粉含量的變化范圍尚不夠寬泛；且在模型建立過程中，須要對一些資源淀粉含量的異常值進行剔除，對快速檢測模型的準確性有一定影響，因此須要通過不斷增加藜麥資源數量，使樣品中有關成分的變化范圍足夠寬泛，能覆蓋藜麥生產或育種材料中相關成分的變化范圍；同時，對快速檢測模型作進一步的優化，提高其準確性和利用效率。

參考文獻：

[1]Jacobsen S E，Mujica A，Jensen C R. The resistance of quinoa （Chenopodium quinoa Willd.） to adverse abiotic factors[J]. Food Reviews International，2003，19（1/2）：99-109.

[2]Iqbal M J，Reddy O U K，El-Zik K M，et al. A genetic bottleneck in the‘envolution under domesticationof upland cotton Gossypium hirsutum L. examined using DNA fingerprinting[J]. Theoretical and Applied Genetics，2001，103（4）：547-554.[HT][HJ]

[3]Comai S，Bertazzo A，Bailoni L，et al. The content of proteic and nonproteic （free and protein-bound） tryptophan in quinoa and cereal flours[J]. Food Chemistry，2007，100（4）：1350-1355.

[4]Oshodi A A，Ogungbenle H N，Oladimeji M O. Chemical composition，nutritionally valuable minerals and functional properties of benniseed （Sesamun radiatum），pearl millet （Pennisetum typhoides） and quinoa （Chenopodium quinoa）flours[J]. International Journal of Food Sciences and Nutrition，1999，50（5）：325-331.

[5]Vega-Gálvez A，Miranda M，Vergara J，et al. Nutrition facts and functional potential of quinoa （Chenopodium quinoa Willd.），an ancient Andean grain：a review[J]. Journal of the Science of Food and Agriculture，2010，90（15）：2541-2547.

[6]肖正春，張廣倫. 藜麥及其資源開發利用[J]. 中國野生植物資源，2014，33（2）：62-66.

[7]申瑞玲，張文杰，董吉林，等. 藜麥的主要營養成分、礦物元素及植物化學物質含量測定[J]. 鄭州輕工業學院學報（自然科學版），2015，30（5）：17-21.

[8]Repo-Carrasco R，Espinoza C，Jacobsen S E. Nutritional value and use of the Andean crops quinoa （Chenopodium quinoa） and kaiwa （Chenopodium pallidicaule）[J]. Food Reviews International，2003，19（1/2）：179-189.[HJ1.8mm]

[9]Nienke L. Studies on the characterization，biosynthesis and isolation of starch and protein from quinoa （Chenopodium quinoa Willd.）[D]. Saskatchewan，Canada：University of Saskatchewan，2005.

[10]Pagno C H，Costa T M，de Menezes E W，et al. Development of active biofilms of quinoa （Chenopodium quinoa W.） starch containing gold nanoparticles and evaluation of antimicrobial activity[J]. Food Chemistry，2015，173（173）：755-762.

[11]周海濤，劉浩，么楊，等. 藜麥在張家口地區試種的表現與評價[J]. 植物遺傳資源學報，2014，15（1）：222-227.

[12]嚴衍祿，趙龍蓮，李軍會，等. 現代近紅外光譜分析的信息處理技術[J]. 光譜學與光譜分析，2000，20（6）：777-780.

[13]Delwiche S R，Hruschka W R. Protein content of bulk wheat from near-infrared reflectance of individual kernels[J]. Cereal Chemistry，2000，77（1）：86-88.

[14]嚴衍祿，趙龍蓮，韓東海，等. 近紅外光譜分析基礎與應用[M]. 北京：中國輕工業出版社，2005：3-10.

[15]嚴衍祿，陳斌，朱大洲，等. 近紅外光譜分析的原理、技術與應用[M]. 北京：中國輕工業出版社，2013：1-7.

[16]徐廣通，袁洪福，陸婉珍. 近紅外光譜儀器概況與進展[J]. 現代科學儀器，1997（3）：9-11.