基于近红外光谱法快速检测藜麦淀粉含量

曹晓宁+田翔 赵小娟+王君杰+刘思辰+穆志新+陈凌+王海岗+陆平+陶梅 秦慧彬+乔治军

摘要：为研究一种简便的藜麦粗淀粉含量测定方法，在10 000～4 000 cm-1波数范围内，采集100个藜麦样品的近红外光谱，运用一阶导数+矢量归一化光谱方法进行预处理，结合化学方法所得数据建立藜麦粗淀粉近红外定量模型。结果表明，该模型校正和预测效果最佳，所得粗淀粉近红外定量模型的交叉验证决定系数（r2cv）为0.914 7，外部验证决定系数（r2val）为0.903 1。由结果可知，基于近红外光谱（NIR）法测定藜麦完整籽粒的淀粉含量是完全可行的。

关键词：藜麦；淀粉；近红外光谱技术

中图分类号：S512.901文献标志码：A

文章编号：1002-1302（2017）04-0147-02

藜麦（Chenopodium quinoa Willd.）是起源于印第安地区，有着5 000～7 000年种植历史的一年生草本植物，是可以在恶劣环境（盐碱、干旱、霜冻、病虫害等）中生长良好的“假谷物”[1-2]。由于藜麦全面的营养价值和独特的功能特性，联合国粮食及农业组织认定它为唯一的完美营养食品，联合国大会也在2013年宣布该年为“国际藜麦年”[3-4]。研究表明，藜麦大量的优质蛋白质，组成均衡的氨基酸，丰富的淀粉、脂肪、矿物质和维生素，可以满足人体所需的营养元素要求[5]。长期食用藜麦，对心脏病、高血压、高血糖、高血脂等有很好防治作用[6]。申瑞玲等研究发现，与其他常见谷物如小麦、稻米和小米等相比，藜麦的淀粉含量较低，适合糖尿病患者和减肥人群[7]。藜麦的碳水化合物中，淀粉含量最高，占干物质总量的58.0%～64.2%[8]。藜麦淀粉具有典型的A型X衍射结构，在冷冻与老化过程中稳定性强，糊化温度约为64 ℃[9]。藜麦淀粉的活性生物膜对99%的大肠杆菌、98%的金黄色葡萄球菌具有较强的抗菌活性，被用于食品包装中延长保质期[10]。因此，藜麦淀粉的研究与开发得到了广泛的关注。申瑞玲等运用双波长法测得藜麦淀粉含量为52.28%～61.85%[7]。另外，还可用旋光分析仪测定藜麦粗淀粉含量[11]。用传统方法测定淀粉含量，存在步骤繁琐、测定速度慢、成本高、周期长、籽粒需要粉碎等问题，造成一些不必要的浪费，由于藜麦种质资源和亲本材料均比较珍贵或者部分资源的种子量偏少，传统方法不符合种质资源和亲本材料利用的快速性和完整性，从而大大降低其利用效率。因此，亟需一种快速、准确、样品不需预处理的检测方法，这将有助于提高藜麦品质育种工作效率、加快育种进程。

近红外光谱（NIR）分析技术是20世纪90年代以来发展最快、最引人瞩目的光谱分析技术，具有快速、高效、制样简单以及无污染等独特的分析优点[12]。近红外光谱谱区范围为780～2 500 nm，对C—H、N—H、O—H等基团的振动有强烈的感应，包含丰富的物质成分信息、结构信息。近年来，近红外光谱分析手段在农作物品质检测方面取得了较好成绩[13-15]。笔者用化学测定方法测定100份藜麦水分、粗淀粉的含量，然后将其分为定标集和验证集，且建立了淀粉近红外光谱快速检测预处理模型，为藜麦资源的进一步快速检测和利用提供技术支撑。

1材料与方法

1.1材料和仪器设备

试验材料：供试的100份藜麦品种（系）由中国农业科学院作物科学研究所外引室陆平研究员、陶梅研究员以及山西省农业科学院农作物品种资源研究所提供。试验所需试剂包括无水乙醇（天津市致远化学试剂有限公司）、盐酸（北京化工厂）、硫酸锌（天津市凯通化学试剂有限公司）、亚铁氰化钾（天津市凯通化学试剂有限公司），均为分析纯。

仪器设备：分析天平，BSA124S Sartorius公司；旋风磨 Cyclotec1093，丹麦Foss；电热恒温鼓风干燥箱，宁波东南仪器有限公司；MPA傅里叶变换近红外光谱仪，德国Bruke公司；AP-300旋光仪，上海双旭电子有限公司。

1.2试验方法

1.2.1藜麦粗淀粉含量测定方法参考GB 5006—1985《谷物籽粒粗淀粉测定法》，重复称取同一样品2份，每份2.5 g，精确至0.001 g，用旋光仪计算粗淀粉含量。

1.2.2近红外光谱采集为了获得最佳的模型及预测效果，将收集的藜麦样品在室温下放置1周左右，平衡水分，同时逐一去除樣品中的杂质及外形明显不同的籽粒（一类脱壳处理，另一类脱壳后磨粉并过60目筛）。首先将近红外光谱仪器预热30 min，进行性能测试、调基线后开始测定样品。利用德国Bruke公司生产的MPA傅里叶变换近红外光谱仪，采取样品的漫反射光谱扫描光程进行优化和选择，工作谱区选择4 000～12 000 cm-1，每个样品重复装样扫描2次，取平均值，计算机自动将反射光谱信息转换成吸光度储存，然后在OPUS建模软件上计算分析试验数据。

1.2.3近红外数学模型的建立采用Bruker公司OPUS/QUAN T 5.5光谱定量分析软件和DPS软件，进行上述光谱数据预处理、谱区选择及回归统计分析。根据对建模数据的要求，将100个藜麦样品数据分组，其中80%用于建立近红外模型，为校正集；20%用于检验所建模型的精度，为验证集[16]。为寻找最优建模方法，选用不同的建模方法建立藜麦主要成分定量模型，先用校正样品集进行内部验证，再通过随机选取的非建模样品对模型进行外部检验，考察模型的适应性和精度，即根据校正决定系数r2cal、校正标准误RMSEE、交叉验证决定系数r2cv、交叉验证标准误RMSECV、外部验证决定系数r2val、预测标准误RMSEP等指标确定最优模型。

2结果与分析

2.1藜麦原始光谱图与化学值

100个藜麦样品的原始光谱见图1，可见藜麦在光谱波段范围10 000～4 000 cm-1内存在多个吸收峰，其变化趋势一致但是不重合。

100个藜麦样品的淀粉含量分析结果见表1，其中包括80个校正集、20个验证集；粗淀粉含量为49.97%～59.32%，3次重复试验平均值为54.63%，数据变幅较宽，适合建立近红外分析模型，有较好的适用性。

2.2藜麦淀粉模型的建立

本试验利用OPUS/QUAN T5. 5软件中的自动优化功能，筛选建模的最佳光谱预处理方法、谱区范围和主因子数。通过交叉验证，比较不同光谱预处理方法与谱区范围组合的交叉验证决定系数r2、交叉验证标准误差RMSECV等参数，确定最优校正模型。图2结果表明，采用一阶导数+矢量归一化光谱预处理建立淀粉含量的校正模型，校正效果最佳，淀粉含量的交叉验证决定系数（r2cv）为91.47，交叉验证标准误（RMSECV）为0.481。

2.3藜麦淀粉模型外部检验

采用未参加模型建立的完全独立、化学成分已知的验证集样品对所建模型的质量或实际预测效果进行评价。外部验证决定系数（r2val）为0.903 1，预测标准误（RMSEP）为0.518，模型的预测值与真实值之间没有显著差异。2种方法测试所得淀粉含量基本一致，说明近红外品质分析仪测定的结果是准确可靠的。

3讨论

常规的淀粉含量测定方法是旋光法，试验费时费力，周期较长，近红外分析是一种以实验室化学测试数据为基础的间接检测方法，它作为一种新的分析检测方法，具有分析速度快、多组分同时测定、低分析成本和操作简单等优点，越来越受到科研人员的青睐。本研究选用100个普通藜麦样品，通过NIRS分析技术初步建立藜麦完整籽粒淀粉含量预测模型，决定系数较高（r2=91.47）、误差小，在藜麦资源和品质育种中，可以快速完成资源和育种材料的品质鉴定与分析，极大地缩短工作周期，减小了工作量，提高了资源的快速鉴定与应用，对提高育种效率也具有一定意义。

本研究所用材料具有较好代表性，但样品中淀粉含量的变化范围尚不够宽泛；且在模型建立过程中，须要对一些资源淀粉含量的异常值进行剔除，对快速检测模型的准确性有一定影响，因此须要通过不断增加藜麦资源数量，使样品中有关成分的变化范围足够宽泛，能覆盖藜麦生产或育种材料中相关成分的变化范围；同时，对快速检测模型作进一步的优化，提高其准确性和利用效率。

参考文献：

[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，张广伦. 藜麦及其资源开发利用[J]. 中国野生植物资源，2014，33（2）：62-66.

[7]申瑞玲，张文杰，董吉林，等. 藜麦的主要营养成分、矿物元素及植物化学物质含量测定[J]. 郑州轻工业学院学报（自然科学版），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，刘浩，么杨，等. 藜麦在张家口地区试种的表现与评价[J]. 植物遗传资源学报，2014，15（1）：222-227.

[12]严衍禄，赵龙莲，李军会，等. 现代近红外光谱分析的信息处理技术[J]. 光谱学与光谱分析，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]严衍禄，赵龙莲，韩东海，等. 近红外光谱分析基础与应用[M]. 北京：中国轻工业出版社，2005：3-10.

[15]严衍禄，陈斌，朱大洲，等. 近红外光谱分析的原理、技术与应用[M]. 北京：中国轻工业出版社，2013：1-7.

[16]徐广通，袁洪福，陆婉珍. 近红外光谱仪器概况与进展[J]. 现代科学仪器，1997（3）：9-11.