本试验于2012年— 2014年, 从国内20个代表性大豆制品加工厂收集了去皮豆粕、 膨化豆粕、 发酵豆粕以及膨化大豆样品各90个, 所有采集的样品在生产年份和生产工艺类型上具有广泛的代表性。 样品使用旋风磨Cyclotec Sample Mill1903(Tecator, Sweden)粉碎至60目(0.25 mm), 并密封储存于-18 ℃冷库中。 扫描前, 样品置于室温状态平衡24 h以上。 每类大豆制品利用近红外光谱, 通过PCA因子化的得分结果, 筛选出40个代表性样品, 共计160个样品, 用于模型构建。 此外, 为使样品集中的寡糖含量呈较均匀分布, 采用发酵豆粕和普通豆粕混合的方法, 配制人工混和豆粕样品40个。

水分分析采用ISO 6496:1999方法进行测定。 寡糖分析采用本实验室建立优化的离子色谱法。 样品采用0.1 mol· L^-1的碳酸钠溶液超声提取后, 稀释经0.1 μ m微孔滤膜过滤后上机。 色谱条件: 温度为30 ℃; 流速为1 mL· min^-1; 检测器为ED3000脉冲安培检测, Au工作电极, Ag/AgCl参比电极模式, 四电位波形检测; 分析柱: CarboPac PA10 (250 mm× 4 mm); 淋洗液条件: A(NaOH溶液)+B(纯水)=55+45; 用外标法计算糖组分含量。 每个样品做平行分析2次, 以平均值为样品的参比值。 人工混合样品中寡糖含量按照混合用样品比例和实测值计算获得。 根据Kovalenko等^[10]的计算公式得到本试验中样品的实验室检测误差(SEL), 相对实验室检测误差(RSEL)以SEL/mean× 100%表示。

使用Bruker公司生产的MPA傅里叶变换近红外分析仪(Bruker, Germany)进行光谱采集, 仪器配备旋转器和大石英杯。 样品装载于10 cm石英杯中, 采用积分球漫反射方式采集样品的近红外光谱。 以空气为参比, 扫描范围12 800~4 000 cm^-1, 分辨率16 cm^-1, 扫描次数64次。 每个样品平行扫描装样2次, 以平均值吸光度记录光谱数据。 使用化学计量学软件OPUS 7.2进行仪器操作和定标模型建立。

样品按照3:1比例, 随机分为样品集1(N=150)和样品集2(N=50), 其中样品集1为定标集, 样品集2为外部验证集。

使用偏最小二乘法建立定标模型, 其中光谱的预处理采用了矢量归一化(SNV)、 多元散射校正(MSC)、 一阶导数以及二阶导数处理相结合的多种方法, 以消除光谱信号的基线漂移、 随机噪声和不均匀散射。 在模型建立过程中, 根据最小交互验证均方根误差(RMSECV)确定最佳维数, 以最大交互验证决定系数( Rcv2)和最小RMSECV确定最佳定标模型。 此外, 定标决定系数( Rcal2)和定标均方根误差(RMSEE)也是衡量模型定标效果的参数。

模型内部使用交互验证, 并用验证集对模型进行外部验证。 衡量模型的预测效果参数有验证决定系数( Rval2)、 验证均方根误差(RMSEP)、 相对分析误差(RPD)。 交互验证和外部验证的RPD分别表示为RPD_cv和RPD_val, 当RPD≥ 2.50时, 模型适于日常分析(AACC 39-00)^[11]。

不同种类大豆制品中寡糖含量分布如表1。 与其他大豆制品相比, 发酵豆粕的各种寡糖含量较低, 主要是由于在发酵过程中, 部分糖分子被分解^[12]所造成。

表1

Table 1

表1(Table 1)

表1 大豆制品中寡糖含量(干物质基础, g· kg-1) Table 1 Oligosaccharides contents of soybean products (as dry-matter basis, g· kg-1) De-hulled soybean meal (N=40) Extruded soybean meal (N=40) Extruded full-fat soybean (N=40) Fermented soybean meal (N=40) Mixed soybean meal (N=40) Range Mean SD CV/% Range Mean SD CV/% Range Mean SD CV/% Range Mean SD CV/% Range Mean SD CV/% Sucrose 46.78~ 79.99 58.41 65.11 11.15 38.83~ 73.48 55.48 85.57 15.42 46.95~ 78.28 61.99 9.06 14.61 0.08~ 2.40 0.54 0.59 109.19 4.75~ 36.51 18.86 9.38 49.73 Raffinose 109.44~ 190.76 140.99 19.46 13.80 8.52~ 17.19 11.72 24.30 20.73 5.54~ 13.41 8.88 1.93 21.78 0.01~ 2.04 0.46 0.49 105.42 1.15~ 11.00 4.85 2.42 49.85 Stachyose 371.81~ 615.29 482.39 51.15 10.60 28.77~ 54.13 44.44 54.65 12.30 32.91~ 51.00 43.79 4.18 9.54 0.12~ 13.30 3.21 2.92 91.05 4.90~ 33.84 17.55 7.84 44.69

表1 大豆制品中寡糖含量(干物质基础, g· kg-1) Table 1 Oligosaccharides contents of soybean products (as dry-matter basis, g· kg-1)

表2列出了大豆制品的全集、 校正集和验证集中的寡糖, 即蔗糖(sucrose)、 棉籽糖(raffinose)和水苏糖(stachyose)含量。 由于所采集的大豆制品来源、 加工工艺和年份的不同、 寡糖含量差异较大、 含量分布范围广, 具有较强的代表性。 实验室检测误差及相对实验室检测误差较小, 表明化学分析的准确度比较高。 此外, 各样品集的平均值(mean)和标准差(SD)相差较小, 具有相似的样品分布, 这有利于近红外定标模型的建立。

表2

Table 2

表2(Table 2)

表2 不同样品集大豆制品中寡糖含量(干物质基础, g· kg-1) Table 2 Oligosaccharides contents of soybean products in different sample sets (as dry-matter basis, g· kg-1) Entire set(N=200) Calibration set(N=150) Validation set(N=50) Range Mean SD CV/% SEL RSEL/% Range Mean SD CV/% Range Mean SD CV/% Sucrose 0.08~79.99 39.09 25.91 66.29 0.94 2.38 0.08~72.28 38.80 25.74 66.34 0.08~79.99 39.94 26.65 66.73 Raffinose 0.01~19.08 8.01 5.27 65.82 0.30 3.83 0.01~19.08 8.08 5.40 66.82 0.05~16.73 7.80 4.92 63.03 Stachyose 0.12~61.53 31.52 18.65 59.17 0.85 2.73 0.12~54.78 31.32 18.59 59.37 0.23~61.53 32.10 18.99 59.14

表2 不同样品集大豆制品中寡糖含量(干物质基础, g· kg-1) Table 2 Oligosaccharides contents of soybean products in different sample sets (as dry-matter basis, g· kg-1)

200个大豆制品的近红外反射光谱如图1所示。 样品的原始光谱在近红外谱区的吸收如[图1(a)], 但其存在y轴的基线漂移。 使用多元散射校正(MSC)、 导数处理[图1(b, c)]等方法, 以消除固体颗粒大小^[13]、 表面散射以及光程变化对近红外漫反射光的影响, 使得光谱的漂移现象降低, 并且出现更明显的吸收峰, 加大光谱间差异[图1(b)]。 有研究表明, 导数处理可以产生更明显的光谱差异^[14]。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 不同光谱预处理下大豆制品近红外反射谱图 (a): 原始谱图; (b): 一阶导数结合多元散射校正; (c): 多元散射校正Fig.1 Reflectance spectra of soybean products (a): Raw spectra; (b): 1st derivative+MSC; (c): MSC

表3列出了使用校正集(N=150)时建立的最优模型的定标效果和交互验证效果。 蔗糖、 棉籽糖和水苏糖的定标决定系数( Rcal2)分别为0.99, 0.95和0.98, 交互验证决定系数 ( Rcv2)分别为0.98, 0.94和0.97, 交互验证RPD_cv值均高于2.50, 表明所建立的模型可以用于日常检测。

表3

Table 3

表3(Table 3)

表3 大豆制品中寡糖模型的定标和交互验证效果 Table 3 Calibration and cross-validation statistics of models of oligosaccharides of soybean products Spectral range/cm-1 Pretreatment Factors Calibration Cross-validation N RMSEE Rcal2 RPDcal RMSECV Rcv2 RPDcv Sucrose 6 102~5 446.3 MSC 9 143 3.20 0.99 8.43 3.59 0.98 7.24 Raffinose 7 605~5 446.3 1st derivative+MSC 8 140 1.18 0.95 4.59 1.28 0.94 4.13 Stachyose 9 403.8~7 498.3 6 102~5 446.3 MSC 10 140 2.68 0.98 7.27 3.13 0.97 5.98

表3 大豆制品中寡糖模型的定标和交互验证效果 Table 3 Calibration and cross-validation statistics of models of oligosaccharides of soybean products

表4和图2列出了用检验集(N=50)对所建立模型进行外部验证的验证效果, 各寡糖的RPD_val均高于2.50, 表明模型的预测效果较好。 但根据模型的预测值来看, 相比于其他豆粕制品, 发酵豆粕的寡糖含量很低, 因此在预测发酵豆粕的各个寡糖含量时出现较大误差, 表明此样本数量的模型并不适用于发酵豆粕, 可能加大定标集中发酵豆粕样本数量的方法会改善模型的预测效果。

表4

Table 4

表4(Table 4)

表4 大豆制品寡糖模型外部验证效果 Table 4 External validation statistics of models of oligosaccharides of soybean products N Mean/ (g· kg-1) SD/ (g· kg-1) RMSEP Rval2 RPDval Sucrose 50 39.94 26.65 4.06 0.98 6.53 Raffinose 50 7.80 4.92 1.32 0.93 3.64 Stachyose 50 32.10 18.99 4.66 0.94 4.12

表4 大豆制品寡糖模型外部验证效果 Table 4 External validation statistics of models of oligosaccharides of soybean products

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 大豆制品中寡糖实测值与近红外预测值相关图 (a): 蔗糖; (b): 棉籽糖; (c): 水苏糖Fig.2 Plot of analyzed value versus NIRS predicted value of oligosaccharide of soybean products (a): Sucrose; (b): Raffinose; (c): Stachyose

大豆制品中各个寡糖的定标和预测效果不相一致(表3和表4)。 近红外预测模型的准确性和稳定性受到多方面因素的影响, 主要有定标和光谱预处理的方法、 波长的选择以及定标样品数量等。 此外, 样品的本身特性, 如含量高低和变异的程度^[15]也会影响模型的预测效果。 本试验中, 由于发酵豆粕中寡糖含量很低, 尽管总的模型预测效果很好, 但模型预测数据表明, 本模型在发酵豆粕的预测上存有欠缺, 表明校正集中发酵豆粕样品只增大了定标集样品的变异范围, 但并不适用于最终的预测。 利用不同波长范围建立的模型预测效果不尽相同, 表明波长选择也是影响模型预测效果的因素之一。