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：为了探索一种快速测定完整藜麦（Chenopodium quinoa Willd）子粒脂肪含量的方法，采集100个藜麦样品的近红外光谱，运用近红外光谱法建立数学模型并进行预测。结果表明，在10 000～4 000 cm-1波长范围内，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脂肪近红外光谱定量模型，校正和预测效果最佳，所得的粗脂肪近红外定量模型的交叉验证决定系数（R2cv）为0.939 3，外部验证决定系数（R2val）为0.9235。建立的脂肪近红外光谱模型，可以用于藜麦脂肪含量的快速检测。

关键词：藜麦（Chenopodium quinoa Willd）；脂肪；近红外光谱；快速检测

中图分类号：O657.33 文献标识码：A 文章编号：0439-8114（2016）18-4796-03

DOI：10.14088/j.cnki.issn0439-8114.2016.18.041

藜麦（Chenopodium quinoa Willd）又称南美藜、奎藜等，是有着 5 000～7 000年种植历史的一年生双子叶植物，为印加人的传统食物，主要分布在南美洲安第斯高原[1，2]。藜麦具有耐寒、耐旱、耐瘠薄、耐盐碱等特性，其子粒不仅含有丰富的蛋白质及均衡的氨基酸组成，而且含有丰富的不饱和脂肪酸。不饱和脂肪酸大部分含有碳碳双键，如亚油酸、亚麻酸、花生四烯酸，是人体的必需脂肪酸。不饱和脂肪酸及其代谢物对防治前列腺素、血栓、动脉粥样硬化，免疫、抗炎和膜功能有重要作用[3]。Bligh等[4]运用萃取提纯方法测得粗脂肪含量。Ory等[5]、St Angelo等[6]运用沉淀法检测脂肪含量。这些方法测定脂肪含量存在步骤繁琐、测定速度慢、成本高、子粒破损等问题。

近红外光谱法是近年来迅速发展的检测分析技术，具有快速、高效、制样简单以及无污染等优点[7]。它是利用有机化学物质在其近红外光谱区内（780～2 500 nm）的光学特性快速估测样品中的一种或多种化学成分含量，是分析农作物品质的重要手段[8-10]。利用近红外反射光谱进行藜麦完整子粒的脂肪测量，可以避免化学方法对藜麦子粒造成破坏，对藜麦品质育种工作有重要的实践意义。本研究利用化学方法测定了100份藜麦水分和粗脂肪的含量，然后将其分为校正集和验证集，建立了脂肪近红外光谱法快速检测预处理模型，为进一步的农作物子粒分析奠定基础。

1 材料与方法

1.1 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和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。

1.2 仪器

BSA124S型分析天平，德国Sartorius公司；Cyclotec1093型旋风磨、Soxtec 2055型索氏提取仪，丹麦Foss公司；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。

1.3 方法

1.3.1 藜麦脂肪测定方法 粗脂肪测定：参考GB2906-82，重复称取同一样品两份，每份2 g，准确至0.001 g。利用索氏提取仪测定计算粗脂肪百分含量。

1.3.2 近红外光谱采集 为了获得最佳的模型建立及预测效果，将收集的藜麦样品于室温下放置一周左右，平衡水分，同时去除每一样品中的杂质及外形明显不同的子粒（一类脱壳，另一类脱壳后磨粉过60目筛）。将近红外光谱仪器预热30 min，进行性能测试和白板参比后开始测定样品。工作谱区选用12 000～4 000 cm-1，扫描次数64次，分辨率16 cm-1，扫描温度25 ℃，每份样品均扫描2次。光谱用Bruker公司OPUS 5.5近红外处理软件得到平均光谱，计算机自动将反射光谱信息转换成吸光度储存，然后在OPUS建模软件上分析试验数据。

1.3.3 近红外数学模型的建立 采用Bruker公司OPUS/QUAN T5.5光谱定量分析软件和DPS软件，进行上述光谱数据预处理、剔除异常样品以及回归统计分析。根据徐广通等[11]对建数据的要求，将100个藜麦样品数据进行分组，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。为寻找各模型的最优建模方法，选用不同的建模方法建立藜麦主要成分定量模型，先用校正集进行内部验证，最后通过随机选取的建模之外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 藜麦原始光谱与化学值表

100个藜麦样品的原始光谱见图1，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，说明样品含量变化范围较大。

100个藜麦样品的脂肪含量分析结果见表1，其中包括校正集和验证集，粗脂肪含量4.19%～6.46%，3次重复试验平均值为5.33%，数据变幅较宽，适合建立近红外光谱分析模型，有较好的适用性。

2.2 藜麦脂肪模型的建立

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、主因子数和谱区范围。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RMSECV等参数，确定最优校正模型。结果（图2）表明，采用一阶导数+矢量归一化光谱预处理，建立脂肪含量的校正模型，校正效果最佳。脂肪含量交叉验证决定系数（R2cv）为0.939 3，交叉验证标准误（RMSECV）为0.131。

2.3 藜麦脂肪模型外部检验

采用未参加模型建立的完全独立的、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0.923 5，预测标准误（RMSEP）为0.152，模型的预测值与真实值间没有显著差异。两种方法测试脂肪含量的结果基本一致，表明近红外光谱测定的结果是准确的。

3 小结与讨论

本研究选用100个普通藜麦样品，通过近红外光谱分析技术初步建立的藜麦完整子粒脂肪含量预测模型，决定系数较高、误差小，结果较为准确。在藜麦品质育种中的早代材料筛选和藜麦资源品质快速鉴定上是可行的，能够满足大批量资源品系的快速、无损检测要求，极大地缩短了工作周期和减小了工作量，对提高资源的快速鉴定及育种效率具有重要意义。

本研究中所用材料具有较好的代表性，但由于资源样品较少，样品中脂肪含量的变化范围未必能够覆盖未来藜麦研究中资源脂肪的高（低）含量，且在模型的建立过程中剔除了部分异常值，对模型的准确性也有一定影响。因此应在现有研究的基础上，通过藜麦资源数量的不断增加，使其能够尽可能覆盖今后藜麦生产或育种材料中这些成分的变化范围，并对快速检测模型不断进行优化，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 Rev Int，2003，19（1/2）：99-109.

[2] IQBAL M J，REDDY O K，ELZIK K M，et al. A genetic bot-tleneck in the envolution under domestication of upland cotton Gossypium hirsutum L. examined using DNA fingerprinting[J].Theoretical and Appliede Genetics，2001，103（4）：547-554.

[3] ABUGOCH J L E. Quinoa（Chenopodium quinoa Willd.）： Composition， chemistry， nutritional， and functional properties[J]. Advances in Food and Nutrition Research，2009，58：1-31.

[4] BLIGH E G，DYER W J. A rapid method of total lipid extraction and purification[J].Canadian Journal of Biochemistry and Physiology，1959，37（8）：911-917.

[5] ORY R L，DELUCCA A J，ST ANGELO A J，et al. Storage quality of brown rice as affected by packaging with and without carbon dioxide[J].Journal of Food Protection，1980，43：929-932.

[6] ST ANGELO A J，ORY R L. Effect of minor constituents and additives upon peroxidation of oil in peanut butter[J].Journal of the American Oil Chemists Society，1975，52：38-40.

[7] 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.

[8] 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.

[9] 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.

[10] DELWICHE S R，HRUSCHKA W R. Protein content of bulk wheat from near-infrared reflectance of individual kernels[J].Cereal Chemistry，2000，77（1）：86-89.

[11] 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.