引用本文
安焕炯, 翟晨, 马倩云, 张凡, 王书雅, 孙剑锋, 王文秀. 结合2D-COS和光谱融合技术的小麦淀粉回生特性定量表征. 光谱学与光谱分析, 2023,43(1): 162-168
AN Huan-jiong, ZHAI Chen, MA Qian-yun, ZHANG Fan, WANG Shu-ya, SUN Jian-feng, WANG Wen-xiu. Quantitative Characterization of Wheat Starch Retrogradation by Combining 2D-COS and Spectral Fusion. Spectroscopy and Spectral Analysis, 2023,43(1): 162-168.  
Doi: 10.3964/j.issn.1000-0593(2023)01-0162-07
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
结合2D-COS和光谱融合技术的小麦淀粉回生特性定量表征
安焕炯1, 翟晨2, 马倩云1, 张凡1, 王书雅2, 孙剑锋1, 王文秀1,*
1. 河北农业大学食品科技学院, 河北 保定 071000
2. 中粮营养健康研究院, 营养健康与食品安全北京市重点实验室, 北京 102209
*通讯作者 e-mail: godlovexiu@163.com

作者简介: 安焕炯, 1998年生,河北农业大学食品科技学院硕士研究生 e-mail: ahjysls@126.com

收稿日期: 2021-08-10 接受日期: 2022-04-14
基金项目: 河北农业大学引进人才科研专项(YJ201950),国家“十三五”重点研发计划项目(2016YFD0401204)资助
摘要

回生是淀粉加工、 运输和储藏过程中的重要理化性质, 快速检测淀粉回生程度对淀粉制品的品质和保质期有重要意义。 为了探究二维相关光谱法(2D-COS)优选回生淀粉特征变量的可行性, 研究结合2D-COS和光谱融合技术对小麦淀粉的回生特性进行定量表征。 首先, 将不同回生时间的小麦淀粉测定结晶度和回生度, 从淀粉体系中晶体含量和对淀粉酶水解抗性的角度表征淀粉回生特性。 然后, 分别采集样品的近红外和中红外光谱数据, 对采集的原始光谱进行Savitzky-Golay平滑和标准正态变量变换预处理后, 结合偏最小二乘法分别基于近红外光谱、 中红外光谱和融合光谱构建全光谱的预测模型。 在此基础上, 以回生天数为外部扰动, 分别选取回生0, 1, 2, 3, 5, 7, 10, 14, 21和35 d的10条淀粉光谱进行2D-COS分析。 通过分析同步谱和自相关谱, 辨识了近红外13个和中红外11个与回生特性有关的特征波长。 最后, 基于这些特征波长进一步建立回生度和结晶度的预测模型。 结果表明, 全光谱模型结果中, 光谱融合后的模型预测效果较好, 结晶度模型的相对分析误差(RPD)值由1.203 4和2.069 0提高至3.980 9, 回生度模型的RPD值由2.594 0和2.109 9提高至4.576 3, 表明光谱融合能提高模型性能。 利用2D-COS筛选特征波长后建立的模型预测效果有大幅度提高, 结晶度模型的RPD值提高至8.095 9, 回生度模型的RPD值提高至14.183 6。 与利用竞争性自适应重加权算法筛选特征波长建立的模型结果相比, 2D-COS更能提高光谱分辨率, 获得更多的化学结构信息, 因此光谱融合技术结合2D-COS的模型结果更佳。 研究结果表明, 将2D-COS用于筛选与淀粉回生特性有关的特征波长是可行的, 为融合光谱的特征变量优选提供了新思路; 同时也表明光谱融合技术结合2D-COS可以实现淀粉回生程度的快速检测, 为淀粉食品的质量和保质期的快速检测提供了方法支持。

关键词: 淀粉; 回生特性; 光谱融合技术; 二维相关光谱
中图分类号:O657.33 文献标识码:A
Quantitative Characterization of Wheat Starch Retrogradation by Combining 2D-COS and Spectral Fusion
AN Huan-jiong1, ZHAI Chen2, MA Qian-yun1, ZHANG Fan1, WANG Shu-ya2, SUN Jian-feng1, WANG Wen-xiu1,*
1. College of Food Science and Technology, Hebei Agricultural University, Baoding 071000, China
2. Nutrition and Health Research Institute COFCO Corporation, Beijing Key Laboratory of Nutrition and Health and Food Safety, Beijing 102209, China
*Corresponding author
Abstract

Retrogradation is an important physicochemical property of starch during processing, transportation and storage. Rapid detection of retrogradation is of great significance to starch products' quality and shelf life. In order to investigate the feasibility of selecting the characteristic variables of retrograde starch by two-dimensional correlation spectroscopy (2D-COS), spectral fusion technology and 2D-COS was combined to quantitatively characterize the retrogradation characteristics of wheat starch in this study. First, wheat starch's crystallinity and retrogradation degree at different retrograde times were measured. The retrograde properties of starch were characterized by crystal content in the starch system and resistance to amylase hydrolysis. Then, the samples' near-infrared and mid-infrared spectral data were collected respectively. After spectral pretreatment, prediction models based on near-infrared, mid-infrared, -and fusion spectra were established using partial least squares analysis. On this basis, the retrogradation day was used as the external disturbance. Starch spectra of 0, 1, 2, 3, 5, 7, 10, 14, 21 and 35 days were selected for 2D-COS analysis. By analyzing the synchronization and autocorrelation spectrum, 13 and 11 feature variables related to starch retrogradation characteristics were identified from near-infrared and mid-infrared spectra, respectively. Finally, prediction models for retrogradation degree and crystallinity were established based on these variables. The results show that the models based on full-spectra yielded better prediction performance after spectral fusion, with relative percent deviation (RPD) increasing from 1.203 4 and 2.069 0 to 3.980 9 and from 2.594 0 and 2.109 9 to 4.576 3 for crystallinity and retrogradation degree. Using the feature spectra obtained by 2D-COS analysis, the RPD values for the crystallinity model and retrogradation degree model increased to 8.095 9 and 14.183 6. 2D-COS can improve spectral resolution and obtain more chemical structure information than the model based on Competitive Adaptive Reweighted Sampling. Therefore, the spectral fusion technology combined with 2D-COS model has better results. The results show that it is feasible to use the 2D-COS to identify the characteristic wavelengths for starch retrogradation properties, which provides a new idea for the characteristic variables optimization of fusion spectra. Spectral fusion technology combined with 2D-COS can realize the rapid detection of starch retrograde, which provides a method for rapidly detecting starch food quality and shelf life.

Key words: Starch; Retrogradation properties; Spectral fusion technique; Two-dimensional correlation spectroscopy
引言

我国是小麦产销大国, 近20年来小麦产量大幅提高, 平均每公顷增产1.6 t[1]。 淀粉是小麦籽粒的主要组成物质, 也是人类食物中碳水化合物的重要来源。 淀粉及其制品的加热过程中, 在水分子和热的共同作用下, 有序的淀粉分子变得杂乱无章。 在降温冷却和储藏的过程中, 糊化淀粉分子又会从无序态向有序态转化而发生回生现象。 淀粉糊的回生伴随着晶核形成、 晶体增长和晶体的完美成熟, 从而造成淀粉结晶度的增加。 对于淀粉基制品, 回生会使其质地变硬, 口感变差, 保质期变短, 消费者接受程度降低。 但在粉丝、 粉条等淀粉制品的加工过程中, 适当的回生又能增加其蒸煮性使其口感更佳。 食品中适量的回生淀粉能起到调节人体血脂血糖的作用, 而过量则会增加肠胃消化的负担, 因此回生度也是淀粉食品加工过程中的重要指标。 快速获取淀粉回生特性信息, 对保障淀粉制品最终产品品质、 指导淀粉制品加工过程具有十分重要的意义。

传统检测淀粉回生程度的方法有差示扫描量热法(differential scanning calorimetry, DSC)[2]、 α -淀粉酶法、 大形变测试和小形变测试等。 上述方法存在操作繁琐、 检测时间长、 测定结构信息有限等不足, 与之相比, 分子光谱具有简便、 快速、 实时、 无污染等优势, 被广泛用于工业和食品分析中[3, 4, 5]。 其中, 近红外光谱利用有机物的特征振动吸收信息反映有机物中能量较高的含氢基团, 其峰强度与分子组成或化学基团含量有关; 中红外光谱能产生与基频振动相关的波段, 呈现基团分子基频的伸缩或弯曲振动信息, 并提供可用于定量和定性表征的成分指纹光谱, 可表征回生淀粉的分子结构变化。 近年来有研究学者将二者用于淀粉回生特性的检测, Hu等[6]利用中红外检测淀粉储藏期间的回生度, 在中红外模型中, 验证集相关系数最高可达0.854 2。 Zhang等[7]利用傅里叶变换红外光谱在1 022和995 cm-1处的比值来表征马铃薯淀粉的回生, 在4 ℃下储藏后比值降低, 表明中红外可以检测淀粉的回生。 Bao等[8]将近红外光谱与稻米淀粉的DSC回生焓值及回生度相关联, 决定系数均在0.7以上, 表明近红外光谱可用于分析淀粉的回生特性。 由于近红外和中红外光谱反映的信息不同, 邹小波等[9]尝试将二者融合, 实现了玉米淀粉回生度的快速、 高效、 无损检测。 但融合后的光谱数据维度增加, 冗余信息增多, 需借助化学计量学方法辨识表征回生特性的特征光谱。 二维相关光谱法(tow-dimensional correlation spectroscopy, 2D-COS)能显著提高光谱分辨率, 更直观地反映光谱和外部微扰变量的相关性, 并获得更多化学结构信息, 有望深入挖掘淀粉回生过程中的特征信息。 目前, 已有研究将2D-COS用于石斛种鉴定[10]、 猪肉新鲜度等光谱的特征筛选中, 但将其与近红外和中红外光谱融合技术结合, 用于小麦淀粉回生特性快速检测的研究鲜有报道。

以小麦淀粉为研究对象, 以结晶度和回生度为化学参考值, 从淀粉体系中晶体含量和对淀粉酶水解抗性的角度表征淀粉回生特性。 基于近红外、 中红外和光谱融合技术, 利用2D-COS深度解析回生淀粉的光谱信息, 辨识表征淀粉回生特性的特征变量, 建立回生特性的偏最小二乘定量模型, 实现对淀粉回生程度的快速测定。

1 实验部分
1.1 样品制备

取60 g小麦淀粉(购于美国sigma公司), 以1:10比例加入蒸馏水, 配制成均匀的小麦淀粉悬浮液。 将其放至95 ℃水浴锅中加热1 h使其变成透明的淀粉糊, 封口后将样品置于121 ℃的高压灭菌锅中加热1 h, 使其完全糊化。 取出淀粉糊冷却至室温, 置于4 ℃冰箱冷藏储存, 分别于第0, 1, 2, 3, 5, 7, 10, 14, 21和35 d取出回生淀粉, -80 ℃预冻后真空冷冻干燥36 h除去水分, 取出后用粉碎机粉碎, 过80目筛。 按照简单随机抽样原则抽取样品, 每个储存时间取5个平行样品, 装入自封袋, 贴好标签后放入干燥器中备用。

1.2 光谱信息获取

1.2.1 近红外光谱

使用布鲁克红外光谱仪(MPA Ⅱ )采集近红外光谱, 光谱仪开机预热半小时, 以空气为空白先扫描背景信息, 扫描范围为4 000~12 000 cm-1, 分辨率为16 cm-1。 然后将干燥后的样品装至样品杯2/3处, 放至样品室进行光谱扫描, 扫描次数为128次, 扫描完成后重新装样。 实验时, 每间隔1 h扫描一次背景信息。 为确保试验的准确性, 每个样品扫描3次, 取平均作为该样品的原始光谱。

1.2.2 中红外光谱获取

采用赛默飞傅里叶变换红外光谱仪(NICOLET IS50)采集中红外光谱, 光谱仪开机预热半小时, 以空气为空白先扫描背景信息, 扫描范围为400~4 000 cm-1, 样品采样间隔为4 cm-1。 采用KBr压片法对样品进行处理, 称取淀粉2 mg, 与KBr粉末以质量比为1:100充分混合、 研磨与压片, 然后将样品放至样品槽中进行光谱扫描, 扫描次数为64次。 实验时, 每间隔1 h扫描一次背景信息。 为避免KBr吸潮腐蚀样品槽, 扫描室内保持干燥状态。 每个样品扫描3次, 求平均作为原始光谱。

1.3 结晶度测定

采用布鲁克D8型X-射线衍射仪(X-ray diffraction, XRD)测定结晶度。 测试条件: 电压40 kV, 电流40 mA, 起始角4° , 终止角50° , 步长0.02° , 连续扫描, 每个样品扫描约40 min。 对采集的XRD谱进行平滑后采用曲线作图法[11]计算结晶度。

1.4 回生度测定

淀粉对淀粉酶的敏感性取决于淀粉分子的构象状态, 也取决于所使用酶的类型。 本研究参照邹小波[9]的方法, 采用α -淀粉酶法测定回生度。

1.5 数据处理

1.5.1 光谱预处理

光谱采集过程会受噪声、 基线漂移及光散射等因素的影响, 使原始光谱出现失真或噪声大等问题, 影响建模效果。 本研究采用Savitzky-Golay(S-G)平滑提高信噪比, 采用标准正态变量变换(standard normal variables, SNV)消除固态颗粒粒径不均匀、 表面不平滑、 光程变化的影响。

1.5.2 光谱特征辨识

由于预处理后的全光谱区域中仍存在很多信息较弱或不相关的成分信息, 若直接建立模型会影响其准确度。 因此在建立模型前, 需辨识与待测组分相关的特征光谱信息, 去除不相关信息, 提高模型运算速度和预测能力。 本研究采用2D-COS辨识与回生度有关的特征光谱信息, 并将其与竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)算法进行对比。 与CARS相比, 2D-COS可对被测样品在受扰动过程中的光谱进行二维相关性分析, 获得同步谱和自相关谱, 从而使光谱中的重叠峰更加清晰。 其中同步谱谱图关于对角线对称, 位于对角线上的峰为自相关峰, 其强度反映了该位置吸收峰对外部微扰的敏感程度[12]。 同步谱中自相关峰对应的等高线越密集, 说明该峰越强, 对外部微扰越敏感。 将同步谱中自相关峰二维等高线的中心位置和自相关谱的峰强度相结合, 可筛选出对外部微扰较为敏感的特征谱峰。 本研究以淀粉回生天数为外部微扰, 选取0, 1, 2, 3, 5, 7, 10, 14, 21和35 d样品的平均光谱各1条, 并对所有光谱进行S-G平滑和SNV预处理; 然后截取回生天数不同的样品中光谱差异较大的波段, 获取上述波段的二维相关同步谱和自相关谱; 最后, 通过分析两谱图得到强度较大的谱峰, 该谱峰对应的波长即为对回生时间变化较为敏感的特征变量。

1.5.3 模型建立及评估

将样品按3:1的比例划分为校正集和验证集, 基于单一光谱和融合光谱建立结晶度和回生度的偏最小二乘(partial least squares, PLS)定量模型。 分别采用2D-COS和CARS算法进行特征优选建立简化的定量预测模型, 并与全光谱模型结果比较, 确定表征淀粉回生程度的最佳模型。 模型的评价指标为相关系数(R)、 均方根误差(root mean square error, RMSE)和相对分析误差(relative percent deviation, RPD)[13]。 通常R越接近1且校正集和验证集数值相差较小, RMSE越小时模型效果越好。 RPD> 3.0时表明模型预测能力极好, 具有较高可靠性; RPD值位于2.5~3.0时表明模型预测能力良好; RPD值位于1.5~2.5表明模型预测能力一般; RPD< 1.5, 表明模型预测能力极差。 上述分析在Matlab2012a软件中完成, 2D-COS分析采用2D shige软件。

2 结果与讨论
2.1 回生特性分析

小麦淀粉在不同回生时间的结晶度统计结果如图1(a)所示。 整体来看, 回生时间对结晶度有较大影响, 随着小麦淀粉回生程度的增加, 结晶度也逐渐增加, 这是由于淀粉在回生过程中淀粉分子重新结合, 形成稳定的双螺旋结构晶体导致。 由图1(a)可得, 随着回生时间的延长, 其增长趋势由快速逐渐减缓。 回生0~2 d的结晶度快速增加, 主要是由于直链淀粉链内和链间聚合有序的趋势较强, 从而使直链淀粉回生趋势较强, 属于快速回生阶段。 回生3~14 d属于缓慢回生阶段, 为支链淀粉分子外部短链结晶缓慢导致的长期回生期。 在此时期淀粉凝胶逐渐变干, 变硬, 保水力下降, 因此缓慢回生是导致淀粉制品品质变差, 保质期缩短的主要原因。 回生21~35 d期间, 结晶度增加非常缓慢, 说明回生淀粉的结构和成分开始趋于稳定, 淀粉的回生也趋于稳定回生阶段。 本研究中测定小麦淀粉结晶度与Hong等[14]测定结果相近, 表明其数值的真实可靠性。

图1 淀粉结晶度(a)和回生度(b)随回生时间的变化Fig.1 Changes of starch crystallinity (a) and retrogradation degree (b) with retrogradation time

图1(b)反映了小麦淀粉在不同回生时间的回生度实验结果。 糊化是淀粉从稳定的平衡态向无序的非平衡态的转变, 这一转变过程中淀粉晶体结构被打破, 形成连续的凝胶。 在储藏过程中, 淀粉链会形成双螺旋结构, 凝胶淀粉从多糖网络中排出水分, 淀粉发生回生这一变化。 随着淀粉回生时间的延长, 直链淀粉和支链淀粉的直线部分趋于平行排列, 从完全糊化淀粉的无定形回归到晶体形式, 时间越长, 对淀粉酶水解抗性越强。 由图可得, 淀粉回生度由0.70%增至61.54%, 储藏1~2 d时回生度增长迅速, 之后增长趋势渐缓, 此结果与结晶度变化趋势一致。

2.2 光谱特征分析

小麦回生淀粉的原始光谱如图2(a, b)所示。 随淀粉回生时间的延长, 光谱变化趋势较为相似, 吸收峰位移变化较小, 但由于吸收峰所含基团的含量不同, 峰强度具有一定差别。 6 250~7 142 cm-1处吸收峰对淀粉分子氢键高度敏感, 6 346 cm-1处随回生天数不同峰强度有明显不同。 6 896 cm-1处吸收峰与淀粉和水的O— H谱带伸缩振动有关, 该峰强度也略有差异。 淀粉分子结构中氢键缔合的O— H伸缩振动在3 200~3 550 cm-1处有一宽而强的吸收峰。 位于995 cm-1处的吸收峰对应于淀粉分子羟基之间形成的氢键结构, 与淀粉的有序结构有关, 淀粉的重结晶程度越大, 其回生程度也越大, 该峰强度也具有明显差异。

图2 小麦回生淀粉的原始光谱
(a): 近红外; (b): 中红外Fig.2 The original spectra of wheat retrograded starch
(a): Near infrared; (b): Mid-infrared

2.3 基于近红外光谱的结晶度和回生度模型

将原始光谱经S-G平滑和SNV预处理后, 基于全光谱数据, 建立结晶度和回生度的PLS模型。 对于结晶度, 当主因子数为6时预测效果较好, 此时验证集相关系数(Rv)为0.712 0, 验证集均方根误差(RMSEv)为1.519 2, 但相对分析误差RPD值仅为1.203 4, 表明此模型不可靠。 对于回生度指标, 主因子数为4时预测效果较好, 此时Rv为0.884 5, RMSEv为9.449 5, RPD值为2.594 0, 模型效果良好。

为了进一步优化模型, 分别借助2D-COS和CARS算法对全波长光谱进行特征筛选。 进行2D-COS分析时, 若直接对整个波长范围进行分析, 会导致谱峰难辨, 有用信息不能全部显现。 因此将全光谱中谱峰无明显变化的区间去除, 选择了七个光谱值具有明显变化的区域作为淀粉回生的特征区域, 分为3 731~4 600, 4 600~5 250, 5 250~5 800, 5 800~6 600, 6 600~7 550, 7 800~8 500和8 500~9 300 cm-1。 将10条代表性光谱进行SNV预处理后作2D-COS分析, 得到不同波段下的同步谱和自相关谱, 如图3(a)— (n)所示。 以回生天数为外扰, 同步谱和自相关谱中某些振动峰强度越强, 表明该波长对应基团对外部微扰越敏感, 该波长即为与回生程度有关的特征波长。 3 731~4 600 cm-1波段出现了三个自相关峰, 分别位于4 015, 4 310和4 375 cm-1处, 这三处峰与淀粉的C— H拉伸和CH2的变形振动有关。 4 600~5 250 cm-1波段在4 755和5 170 cm-1处有两个自相关峰, 其中4 755 cm-1处与O— H弯曲或C— O拉伸组合振动有关, 5 170 cm-1与淀粉分子间和分子内水合氢键O— H基团的伸缩振动和弯曲振动的合频有关。 5 250~5 800 cm-1波段有一个较弱的自相关峰, 位于5 615 cm-1处, 该峰与直链淀粉的自相关振动有关。 5 800~6 600 cm-1波段有两个强的自相关峰, 所对应的基团振动峰位置在5 868和6 373 cm-1处, 其中5 868 cm-1处与直链淀粉的振动有关, 6 373 cm-1与直链淀粉分子间氢键、 O— H基团的振动有关。 6 600~7 550 cm-1波段出现了多个自相关峰, 较强的峰位于6 790 cm-1处, 该峰对淀粉分子的氢键高度敏感, 并且与淀粉O— H谱带的伸缩振动有关。 较弱的两个峰位于7 233和7 345 cm-1处, 由于同步谱中等高线过于稀疏未能体现, 在自相关谱中可清晰地观察到。 7 800~8 500和8 500~9 300 cm-1波段可观察到8 287和8 929 cm-1处有两个较强振动峰, 均与O— H弯曲组合振动的吸水带有关[15]。 上述吸收峰均与淀粉回生过程中价键变化有关, 表明采用二维相关分析可准确地提取表征回生信息的特征波长。

图3 不同回生时间样品在近红外不同波段下的二维同步谱与自相关谱
(a), (b): 3 731~4 600 cm-1; (c), (d): 4 600~5 250 cm-1; (e), (f): 5 250~5 800 cm-1; (g), (h): 5 800~6 600 cm-1; (i), (j): 6 600~7 550 cm-1; (k), (l): 7 800~8 500 cm-1; (m), (n): 8 500~9 300 cm-1Fig.3 Two-dimensional synchrony and autocorrelation spectra of samples with different retrogradation time in different near infrared bands
(a), (b): 3 731~4 600 cm-1; (c), (d): 4 600~5 250 cm-1; (e), (f): 5 250~5 800 cm-1; (g), (h): 5 800~6 600 cm-1; (i), (j): 6 600~7 550 cm-1; (k), (l): 7 800~8 500 cm-1; (m), (n): 8 500~9 300 cm-1

基于所选特征波长, 进一步建立结晶度和回生度的预测模型。 经过波长筛选后有效减少了光谱的冗余信息, 极大地简化了模型。 利用结晶度建立的模型Rv为0.933 2, RMSEv为0.923 4, RPD值为2.066 4。 利用回生度建立的模型Rv为0.962 2, RMSEv为6.538 9, RPD值为6.399 4。 采用CARS算法筛选与结晶度和回生度有关的特征变量, 分别为33和23个。 基于特征变量建立的模型结果优于全光谱模型, 但相较于2D-COS模型预测精度较差, 可能是该算法具有随机性, 在多次筛选过程中剔除了重要变量, 导致其误差较大。

2.4 基于中红外光谱的结晶度和回生度模型

基于全光谱数据, 对于结晶度指标, 当主因子数为4时预测效果较好, 此时Rv为0.869 2, RMSEv为1.150 2, RPD值为2.069 0。 对于回生度指标, 主因子数为4时预测效果较好, Rv为0.882 4, RMSEv为8.234 3, RPD值为2.109 9, 此时两模型预测能力一般。 为了进一步优化PLS模型, 采用CARS和2D-COS对全波段进行特征波长筛选。

进行2D-COS分析时, 将中红外全光谱分为500~1 000, 1 050~1 500, 1 550~2 000, 2 100~2 550, 2 600~3 050和3 100~3 730 cm-1六个区域进行后续分析, 结果分别如图4 (a— l) 所示。 500~1 000 cm-1波段的734, 911和971 cm-1处, 这三处峰对淀粉结构较为敏感, 与D-吡喃苷键的特征吸收和环振动、 α -1, 4糖苷键的骨架振动、 C— C键的伸缩振动有关。 1 050~1 500 cm-1波段在1 067 cm-1处有一个强的自相关峰, 该处与C— O的伸缩振动有关[16]。 1 550~2 000 cm-1波段的1 637cm-1处峰与水、C=O等基团的伸缩振动有关, 并且其峰强度随淀粉结晶度的增加逐渐变弱。 2 100~2 550 cm-1波段, 共出现了多个自相关峰, 较强的峰位于2 157 cm-1, 与淀粉结构相关。 较弱的峰位于2 323和2 346 cm-1。 2 600~3 050 cm-1波段在2 631, 2 895和2 927 cm-1有自相关峰, 其中2 895 cm-1与淀粉的支链淀粉和直链淀粉结构有关, 2 927 cm-1与— CH2— 的伸缩振动相关。 3 100~3 730 cm-1波段在3 283 cm-1处有一个强烈吸收峰, 该峰与淀粉分子间和分子内水合氢键O— H基团的伸缩振动有关, 且氢键越强, 谱带越宽, 吸收强度越大。

图4 不同回生时间样品在中红外不同波段下的二维同步谱与自相关谱
(a), (b): 500~1 000 cm-1; (c), (d): 1 050~1 500 cm-1; (e), (f): 1 550~2 000 cm-1; (g), (h): 2 100~2 550 cm-1; (i), (j): 2 600~3 050 cm-1; (k), (l): 3 100~3 730 cm-1Fig.4 Two-dimensional synchrony and autocorrelation spectra of samples with different retrogradation time in different mid-infrared bands
(a), (b): 500~1 000 cm-1; (c), (d): 1 050~1 500 cm-1; (e), (f): 1 550~2 000 cm-1; (g), (h): 2 100~2 550 cm-1; (i), (j): 2 600~3 050 cm-1; (k), (l): 3 100~3 730 cm-1

基于所选特征波长, 进一步建立预测模型。 此外, 采用CARS算法筛选与结晶度和回生度有关的特征变量, 分别为15和27个。 经CARS的多次抽样, 与全光谱模型相比, RMSE减小, 其原因是抽样过程中剔除了与淀粉结晶度和回生度无关的多余变量。 基于2D-COS提取特征波长建立的模型结果最优, 对回生度和结晶度指标的RPD值分别为2.623 1和4.100 1, 表明2D-COS方法可以将不同官能团的重叠峰区分开, 从而获得更多的化学结构信息。 与CARS通过多次采样统计分析得到特征变量不同, 2D-COS分析从引起光谱动态响应变化的本质出发, 辨识与回生特性有关的特征光谱。

2.5 基于近、 中红外光谱融合的结晶度和回生度模型

光谱融合是把多种光谱数据进行综合优化处理, 利用不同光谱的协同和互补信息, 产生比单一技术更好的结果, 具有提高可信度和改进测定精度等优点。 将二者进行S-G平滑和SNV预处理后的光谱进行融合重新建立PLS定量模型, 融合后的结果见表1。 由表1可知, 光谱融合扩展了样品信息, 基于全光谱数据建立的模型预测性能优于单一技术的建模结果, 但全光谱数据RPD值较低, 仍有改善空间。 2.3和2.4分别得到了近红外和中红外的特征变量, 将二者特征变量数加和, 进一步建立简化的PLS定量模型。 结果显示, 基于特征变量建立的模型结果均优于全光谱数据建模结果, Rv最高可达0.994 2。 可能是由于原始光谱的合并产生的高数据量, 包含有大量的噪声和无关信息, 导致模型性能较差。 其中光谱融合技术结合2D-COS筛选特征波长融合后的预测结果最优, 表明模型在精度和预测性能上得到了极大的改善。 此种融合方法利于淀粉回生程度的快速定量表征。

表1 近、 中红外融合模型的预测结果统计 Table 1 Statistics of prediction results of near and mid-infrared fusion models
3 结论

采用2D-COS结合光谱融合技术, 对小麦淀粉的回生特性展开研究。 通过分析, 淀粉的结晶度和回生度随回生时间的延长而增加。 近、 中红外光谱都能检测分子振动和结构信息, 但它们提供的信息并不完全相同, 是研究分子振动和结构的互补技术。 融合后的光谱, 生成了更具体、 更全面的样品数据集, 所建立模型的预测效果优于单一光谱模型。 在此基础上, 以回生时间为外部扰动, 根据光谱吸收峰的差异, 采用2D-COS分析进行特征优选, 近、 中红外波段分别得到13和11个特征波长, 所建立的简化模型RPD值分别为8.095 9和14.183 6, 优于全光谱和CARS模型结果, 表明2D-COS可以通过自相关峰的分析有效辨识与淀粉回生特性有关的光谱特征。 此技术为淀粉回生程度的表征提供了理论依据的同时, 也进一步为改善含淀粉食品的质量、 提高可接受性和保质期的延长提供了参考信息。

参考文献
[1] Xu X P, He P, Chuan L M, et al. Journal of Integrative Agriculture, 2021, 20(10): 2772. [本文引用:1]
[2] Zhang W H, Wang J, Guo P P, et al. Food Chemistry, 2019, 277: 674. [本文引用:1]
[3] Guevara O V H, Rodriguez E M E, Yu P Q. Critical Reviews in Food Science and Nutrition, 2021, 1: 11. [本文引用:1]
[4] YANG Wei-mei, LIU Gang, OU Quan-hong, et al(杨卫梅, 刘刚, 欧全宏, 等). Chinese Journal of Analytical Chemistry(分析化学), 2019, 47(12): 2004. [本文引用:1]
[5] ZOU Xiao-bo, ZHANG Jun-jun, HUANG Xiao-wei, et al(邹小波, 张俊俊, 黄晓玮, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(9): 301. [本文引用:1]
[6] Hu X T, Shi J Y, Zhang F, et al. Food Analytical Methods, 2017, (11): 10. [本文引用:1]
[7] Zhang W H, Wang J, Guo P P, et al. Food Chemistry, 2019, 277: 674. [本文引用:1]
[8] Bao J S, Shen Y, Jin L. Journal of Cereal Science, 2006, 46(1): 75. [本文引用:1]
[9] ZOU Xiao-bo, CUI Xue-ping, SHI Ji-yong, et al(邹小波, 崔雪平, 石吉勇, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2018, 49(3): 341. [本文引用:2]
[10] Ding Y G, Zhang Q Z, Wang Y Z. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 261: 120070. [本文引用:1]
[11] Hao Y C, Chen Y, Li Q, et al. Industrial Crops & Products, 2019, 130: 111. [本文引用:1]
[12] Yeonju P, Sila J, Isao N, et al. Journal of Molecular Structure, 2020, 1217: 128405. [本文引用:1]
[13] Shen F, Wu Q F, Liu P, et al. Food Control, 2018, (93): 93. [本文引用:1]
[14] Hong J, Li L M, Li C P, et al. Journal of Food Science, 2019, 84(10): 2795. [本文引用:1]
[15] Hu J Q, Wang Z, Wu Y W, et al. Infrared Physics & Technology, 2018, 94: 165. [本文引用:1]
[16] Lu H, Ma R R, Chang R R, et al. Food Hydrocolloids, 2021, 120: 106975. [本文引用:1]